wbk Institut für Produktionstechnik

Markus Netzer, M.Eng.

  • 76131 Karlsruhe
    Kaiserstraße 12

Markus Netzer, M.Eng.

Forschungs- und Arbeitsgebiete:

  • Maschinen-, Anlagen,- Prozessautomatisierung unter Verwendung von Verfahren des maschinellen Lernens
  • Condition Monitoring
  • Funktionsintegrierter 3D-Druck

Projekte: 

  • EN-AI-BLER – Intelligente Bereitstellung von Produktionsdaten zur Steigerung der Wertschöpfung durch KI-Anwendungen

Workshop:

 

Lebenslauf:

seit 11/2018 Wissenschaftlicher Mitarbeiter am Institut für Produktionstechnik (wbk) des Karlsruher Instituts für Technologie (KIT)
03/2018 - 10/2018 Produktionsberatung
10/2016 - 02/2018 Studium des Wirtschaftsingenieurwesens
10/2013 - 09/2016 Studium des Maschinenbaus

 

Veröffentlichungen

[ 1 ] Netzer, M.; Michelberger, J. & Fleischer, J. (2019), „Intelligente Störungserkennung einer Werkzeugmaschine“, ZWF - Zeitschrift für wirtschaftlichen Fabrikbetrieb, Nr. 10, S. 635-638. 10.3139/104.112158
Abstract
Anwendungen für Künstliche Intelligenz stehen in der Produktionstechnik kurz vor der industriellen Nutzung. Für eine Störungserkennung werden bislang feste Eingriffsgrenzen in den Signaldaten definiert. Um eine autonome Störungserkennung ohne feste Eingriffsgrenzen zu entwickeln, werden auf Basis einer Mustererkennung wiederkehrende Bearbeitungssegmente in den Signaldaten detektiert. Im vorliegenden Beitrag wird ein Vorgehen für eine Online-Mustererkennung im NC-Code beschrieben, worauf die erkannten Segmente mit Antriebssignalen verknüpft werden. Das intelligente System erlernt selbstständig individuelle Eingriffsgrenzen, wodurch eine Störungserkennung in Online-Daten des Antriebs ermöglicht wird. Der Anwender kann diese Störungen klassifizieren und bekommt Handlungsempfehlungen ausgegeben.

[ 2 ] Netzer, M.; Gönnheimer, P.; Michelberger, J. & Fleischer, J. (2020), „Skalierbarkeit von KI-Anwendungen in der Produktion“, Fabriksoftware, S. 25. 10.30844/FS20-1_51-54
Abstract
Bereits heute existieren vereinzelt vielversprechende industrielle Anwendungen der Künstlichen Intelligenz, vor allem in den Bereichen Prozess- und Zustandsüberwachung. Heutige KI-Modelle werden jedoch ausschließlich als Insellösungen für einen Prozess und eine Maschine entwickelt. Durch heterogene Produktionsanlagen existieren kaum prozess- und zustandsübergreifend anwendbare KI-Modelle. Wie gelingt daher eine breite Übertrag- und Skalierbarkeit der Anwendungen in der gesamten Produktion? Dies erfolgt einerseits durch die Vereinheitlichung der Informationsmodelle verschiedener Maschinen durch intelligente Parameteridentifikation (Crawling) sowie in einem zweiten Schritt durch eine Datensegmentierung zum Aufbau strukturierter Datenbasen (Clustering). Auf Grundlage von kontextbasieren Datenbasen, die aus einem einheitlichen Informationsmodell aus unterschiedlichsten Maschinen entstehen, können KI-Ansätze skaliert und auf die gesamte Produktion übertragen werden.

[ 3 ] Gönnheimer, P.; Netzer, M.; Mohr, L.; von Hörsten, G. & Fleischer, J. (2020), „Erhöhung der Skalierbarkeit von KI-Anwendungen in Produktionsanlagen durch intelligente Parameteridentifikation und Datensegmentierung“, ZWF Zeitschrift für wirtschaftlichen Fabrikbetrieb, S. 517-519. 10.3139/104.112318 [30.11.-1].
Abstract
Die Digitalisierung von Maschinen und Anlagen im Kontext von Anwendungen der K?nstlichen Intelligenz (KI) gewinnt heute zunehmend an Bedeutung. Heutige Anwendungen im Bereich KI werden jedoch größtenteils als prozess- oder maschinenspezifische Insellösung entwickelt, deren Übertragbarkeit durch die Heterogenität von Produktionsanlagen stark eingeschränkt ist. Ziele aktueller Forschungsarbeiten sind daher eine intelligente Parameteridentifikation zur Findung von Datenquellen und Vereinheitlichung von Informationsmodellen verschiedener Maschinen sowie eine darauf aufbauende Datensegmentierung strukturierter Datenbasen.

[ 4 ] Baranowski, M.; Netzer, M.; Coutandin, S. & Fleischer, J. (2020), „Produktivitätssteigerung durch Hybridisierung im 3D Druck“, wt Werkstattstechnik online , Nr. 7, S. 521-526. [30.11.-1].
Abstract
Die additive Fertigung erlaubt eine standortunabhängige sowie de facto individualisierte Produktion von Bauteilen mit nahezu beliebiger Komplexität. Für die flexible Herstellung von hochfunktionalen Hybridbauteilen fehlt es allerdings an entsprechenden Maschinenkonzepten sowie Automatisierungslösungen. Durch ein hier vorgestelltes Anlagenkonzept sollen Funktionskomponenten in den additiven Herstellungsprozess integriert und neue Möglichkeiten der Bauteilhybridisierung erforscht werden.

[ 5 ] Netzer, M.; Michelberger, J. & Fleischer, J. (2020), „Intelligent Anomaly Detection of Machine Tools Based on Mean Shift Clustering“. Procedia CIRP, Elsevier, S. 1-1552.
Abstract
For a fault detection of machine tools, fixed intervention thresholds are usually necessary. In order to provide an autonomous anomaly detection without the need for fixed limits, recurring patterns must be detected in the signal data. This paper presents an approach for online pattern recognition on NC Code based on mean shift clustering that will be matched with drive signals. The intelligent fault detection system learns individual intervention thresholds based on the prevailing machining patterns. Using a self-organizing map, data captured during the machine?s operation are assigned to a normal or malfunction state.