exams

First supervisor: Prof. Dr.-Ing. Heinz-Peter Buerkle

Schlagworte: Künstliche Intelligenz, AI, CNN

---

Künstliche Intelligenz für die Platzierung von Spannmitteln bei Holzbearbeitungsmaschinen

Generelle Zielrichtung

Automatisierte, KI-gestützte Unterstützung bei der Wahl von Spannmittel-Positionen (z. B. Sauger) für CNC-Holzbearbeitungsmaschinen auf Basis der vorhandenen NC-Programme im woodWOP-Format (MPR/MPX). Ausgehend von vorhandenen Python-Skripten, die aus MPR/MPX-Dateien 2D-Darstellungen erzeugen, soll ein Deep-Learning-Ansatz entwickelt werden, der aus diesen Darstellungen sinnvolle, kollisionsfreie und prozesssichere Spannmittel-Platzierungen vorschlägt. 

Forschungsfrage

Wie gut kann ein Convolutional Neural Network (CNN), das auf Bilder entsprechend künstlich generierter MPR/MPX-Programme mit typischen Bearbeitungen (Bohrungen, Sägeschnitte, Ausfräsungen) trainiert wurde, robuste und praxisgerechte Spannmittel-Platzierungen in Form von Bounding Boxes vorhersagen?

Vorgehensweise (ist als Vorschlag zu verstehen und muss während der Arbeit angepasst werden)

• Auswertung der Eingangsformate (MPR/MPX) (hier liegt bereits ein Python Programm vor)

  • Analyse der relevanten Bearbeitungsmakros (Bohrungen, Nuten/Sägen, Taschen, Polygonzüge usw.) und deren Einfluss auf mögliche Spannmittel-Positionen.

  • Erweiterung bzw. Anpassung des bestehenden Python-Programms, das aus MPR/MPX-Dateien 2D-Bilder erzeugt (Top-View, ggf. Layer für Bohrungen, Sägeschnitte, Konturen).

• Generierung künstlicher Trainingsdaten

  • Definition eines geometrischen „Spielraums“ (Plattengrößen, Dicken, typische Möbel- oder Plattengeometrien).

  • Automatisches Rendern dieser synthetischen Programme in Bildform

• Automatische Erzeugung von „guten“ Spannmittel-Labels

  • Formulierung von Regeln/Heuristiken für gültige Spannmittel-Positionen:

    • Mindestabstand zu Bohrungen, Nuten, Kanten und Ausbrüchen.

    • Sicherstellung einer ausreichenden Auflagefläche und Verteilung über das Werkstück (z. B. statische Stabilität, Vermeidung von Durchbiegung).

    • Algorithmische Berechnung einer Menge gültiger Spannmittel-Positionen pro synthetischem Werkstück, Ausgabe als Bounding-Box-Koordinaten (x_min, y_min, x_max, y_max) für Training und Evaluation.

• CNN-Modellierung und Training

  • Auswahl eines geeigneten CNN-Architekturtyps (z. B. Objekt-Detektion wie YOLO, Faster R-CNN oder RetinaNet) zur Vorhersage von Spannmittel-Bounding-Boxes direkt aus dem erzeugten Werkstückbild.

  • Training, Hyperparameter-Tuning und Regularisierung, um robuste Vorhersagen auch für komplexere Bearbeitungsbilder zu erhalten.

• Evaluation und Vergleich mit Heuristiken

  • Definition von Metriken wie:

    • Anzahl Kollisionen mit Bearbeitungen,

    • Grad der Flächenabdeckung bzw. Stabilität (z. B. Mindestanzahl Spannmittel, Lage des statischen Schwerpunktes).

  • Vergleich des CNN mit:

    • einfachen Regel-/Heuristik-Ansätzen,

    • ggf. existierenden Hersteller-Strategien (falls verfügbar).

  • Untersuchung der Übertragbarkeit des auf synthetischen Daten trainierten Modells auf reale MPR/MPX-Programme aus der Praxis.

• Robustheit

  • Analyse, wie gut das Modell mit bisher nicht gesehenen Bearbeitungskombinationen oder Plattengrößen zurechtkommt (Generalisation)
    
    

Live Demonstrator

Aufbau eines kleinen Demonstrators, z. B. als Desktop- oder Web-App:

• Eingabe:

  • Auswahl/Laden eines originalen oder synthetischen MPR/MPX-Programms.

• Verarbeitung:

  • Visualisierung der resultierenden Werkstückgeometrie (2D-Ansicht) auf Basis des bestehenden Python-Bildgenerators.

  • Lauf des trainierten CNN zur Vorhersage der Spannmittel-Bounding-Boxes.

• Ausgabe:

  • Overlay der vorgeschlagenen Spannmittel-Positionen im Werkstückbild,

  • Möglichkeit zum manuellen Verschieben/Übersteuern der Vorschläge für Diskussion und Demonstration.

  • Export einer Liste der Spannmittel-Koordinaten in einem maschinen- oder systemnahen Format (z. B. als Parameterdatei oder Kommentarblock für woodWOP).
    
    

First supervisor: Prof. Dr.-Ing. Heinz-Peter Buerkle

---

Dies ist die aktuelle Liste für Abschlussarbeiten

Ggf. können auch Teile herausgelöst und als Projektarbeiten vergeben werden. 

Bitte nehmen Sie Kontakt mit mir auf.

heinz-peter.buerkle@hs-aalen.de

Themen:

Inferenz von Neuronalen Netzen mithilfe des Xilinx FINN Frameworks auf FPGAs

Evaluierung von Neuronalen Netzen auf einem Mikroprozessor mit Neuronal Network Accelerator

• uC mit NN on-Chip als Hardwareeinheit
• ARM mit CNN-Accelerator On Chip
• DesignFlow: Python (Keras) to NN onChip, Tensor Flow und Tensor Flow Light
• Beispielapplikation

Entwicklung von Exponaten für eine KI-Ausstellung

• Entwicklung eines Multilayer-Perceptrons auf Basis eines Raspberry Pi unter Verwendung von LED-Anzeigen sowie Inkrementalgebern
• Entwicklung eines Demonstrators für Word Embedding
• Datenauswertung von Smartphone Sensoren mit künstlicher Intelligenz

Erschütterungsüberwachung mit MachineLearning auf FPGA

• Waschmaschinenüberwachung selbstlernendend (Anomaliedetektion)
• Sound und Bewegungssensor
• Automatisches Training auf Prozessor
• Maximale Größe eines NN mit Speicher auf FPGA nutzen

Entwicklung eines Farbringcode-Decodierers für bedrahtete Widerstände mittel künstlicher Intelligenz