1 - Initial full text publications (except theses)

In diesem Sammelband werden die aktuellen Entwicklungen und Forschungsergebnisse der Professur für Elektrische Maschinen und Antriebssysteme im Jahr 2023 vorgestellt. An der Professur wurden zwei Promotionen abgeschlossen und erfolgreich verteidigt. Das Thema der Dissertation von Herrn Pedram Quseiri Darbandeh lautet „Fault Diagnosis in a Permanent Magnet Synchronous Motor using Deep Learning“. Er untersucht hier sehr strukturiert und umfangreich die Möglichkeiten der datenbasierten Fehlerklassifizierung in Abhängigkeit verschiedener Sensorsignale, Datenaufbereitungsmethoden und verschiedener Trainingsmethoden für neuronale Netze. Herr Johannes Liebrich hat zum Thema „Entwicklung einer Methode zur Chrakterisierung von Hochtemperatur-Supraleitern” promoviert. Die Arbeit liefert wichtige Erkenntnisse zu Schadensmechanismen und dem Ermüdungsverhalten von Supraleitern. Der entwickelte Versuchsstand kann zudem auch zur mechanischen Untersuchung weiterer Materialproben unter kryogenen Bedingungen verwendet werden. Mit den gewonnenen Erkenntnissen werden in Folgeprojekten supraleitende Spulen erforscht, welche für den Einsatz in Windenergieanlagen geeignet sind. In diesem Jahr konnten zwei Forschungsprojekte abgeschlossen werden. Zum einen ein ZIM-Projekt, welches die Entwicklung einer mobilen und flexibel einsetzbaren Prüfmethode für entmagnetisierte Bauteile zum Ziel hatte. Hierbei ist es möglich mit einer festen Sensoranordnung auf die globale Magnetisierung eines Prüflings in einer magnetisch geschirmten Kammer zu schließen und das Magnetfeld für unterschiedliche Abstände zu ermitteln. Zum anderen wurde das Verbundprojekt KOBRA abgeschlossen, bei dem die Professur einen deutlich leistungsfähigeren Anodenantrieb auf Basis einer „Flux-Switching-Machine“ erforscht und messtechnisch validiert hat. Zudem wurde ein neues ZIM-Projekt zur Entwicklung eines intelligenten Wellenschwingungs-Torsionssensors eingeworben (AI-Torque).

Industrial separators play a pivotal role in production processes of various sectors such as chemical, pharmaceutical, biotechnology, oil extraction and food industries, with over 3000 distinct applications. Operating these separators involves managing several process parameters as well as discharge and cleaning cycles, which are hard to control mainly due to deficiencies of current physical sensor technology. Recent studies have shown that machine learning can be utilized to detect faults and particle presence in separators via vibration data. However, traditional machine learning methods require domain expertise or vast amounts of labeled data. We propose the use of self-supervised learning to resolve this issue by learning useful representations from unlabeled data, which is significantly easier and cheaper to obtain. An empirical validation on data from a disk stack separator shows that self-supervised learning can improve upon manual feature engineering and supervised approaches in terms of cost, accuracy and data efficiency.

The integration of machine learning (ML) into manufacturing processes is crucial for optimizing efficiency, reducing costs, and enhancing overall productivity. This paper proposes a comprehensive ML pipeline tailored for manufacturing applications, leveraging the widely recognized Cross-Industry Standard Process for Data Mining (CRISP-DM) as its foundational framework. The proposed pipeline consists of key phases, namely business understanding, use case selection and specification, data integration, data preparation, modelling, deployment, and certification. These are designed to meet the unique requirements and challenges associated with ML implementation in manufacturing settings. Within each phase, sub-topics are defined to provide a granular understanding of the workflow. Responsibilities are clearly outlined to ensure a structured and efficient execution, promoting collaboration among stakeholders. Further, the input and output of each phase are defined. The methodology outlined in this research not only enhances the applicability of CRISP-DM in the manufacturing domain but also serves as a guide for practitioners seeking to implement ML solutions in a systematic and well-defined manner. The proposed pipeline aims to streamline the integration of ML technologies into manufacturing processes, facilitating informed decision-making and fostering the development of intelligent and adaptive manufacturing systems.

This paper introduces an advanced AI-based automated surface inspection system for enhanced quality control in the manufacturing of white-coated sheet metal parts. The study emphasizes overcoming the challenges in AI-driven inspection, such as the need for large datasets corresponding to numerous physical components, which presents storage and logistical issues. By integrating Convolutional Neural Networks (CNNs) and a novel annotation process, the system can be trained effectively on various surface defects. The paper discusses three big data acquisition challenges and provides a solution approach, including large data volumes equivalent to numerous physical components, a novel division of the training process to reduce the workload for domain experts and the relevance of previously clearly defined defect classes.