Home | deutsch  | Legals | Data Protection | Sitemap | KIT

Markus Netzer, M.Eng.

Research Associate
department: Machines, Equipment and Process Automation
office hours: to be agreed
room: 130, Geb. 50.36
phone: +49 1523 9502601
markus netzerYgw0∂kit edu

76131 Karlsruhe
Kaiserstraße 12


Markus Netzer, M.Eng.

Area of Research:

  • Machines, Equipment and Process Automation using techniques of machine learning
  • Condition Monitoring
  • Function-integrated 3D printing

 

Workshop:

 

Curriculum Vitae:

since 11/2018 Research Associate at the Institute of Production Science (wbk) at Karlsruhe Institute of Technology (KIT)
03/2018 - 10/2018 Production Consulting
10/2016 - 02/2018 Study of Industrial Engineering
10/2013 - 09/2016 Study of Mechanical Engineering

 

 

 

 

 

Publications

[ 1 ] Netzer, M.; Michelberger, J. & Fleischer, J. (2019), "Intelligente Störungserkennung einer Werkzeugmaschine", ZWF - Zeitschrift für wirtschaftlichen Fabrikbetrieb, no. 10, pp. 635-638. https://doi.org/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, pp. 25. https://doi.org/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.