Home | english  | Impressum | Sitemap | KIT

M.Sc. Raphael Wagner

Akad. Mitarbeiter
Bereich: Produktionssysteme
Sprechstunden: Nach Vereinbarung
Raum: Geb. 50.36, 105
Tel.: +49 721 608-46829
Raphael WagnerUhh5∂kit edu

76131 Karlsruhe
Kaiserstraße 12


M.Sc. Raphael Wagner

Forschungs- und Arbeitsgebiete:

  • Qualitätssicherung im Bereich Mikroproduktion
  • Qualitäts-Regelung in der Produktion zur wirtschaftlichen Herstellung von hochpräzisen Produkten

 

Allgemeine Aufgaben:

  • Vorlesungsbetreuung „Qualitätsmanagement“ an der Hector School
  • Lernfabrik Skalierbare Automatisierung
  • Vorlesungskoordination „Arbeitstechniken im Maschinenbau“ an der Carl Benz School

 

Projekte:

  • AiF Quo Vadis - Qualitätssicherung für Mikro-Zahnränder
  • EU Inline

 

Versuchsstände:

 

Lebenslauf

seit 05/2016 Wissenschaftlicher Mitarbeiter am Institut für Produktionstechnik (wbk) des Karlsruher Instituts für Technologie (KIT)  
2010 - 2016 Studium des Maschinenbaus am Karlsruher Institut für Technologie (KIT)

Veröffentlichungen

[ 1 ] Wagner, R.; Häfner, B. & Lanza, G. (2016), „Paarungsstrategien für hochpräzise Produkte*“, wt Werkstatttechnik online, Nr. 12, S. 804-808. [08.12.16].
Abstract:
Steigende Anforderungen an die Produktqualität stellen Unternehmen vor die Herausforderung, günstige Produkte nahe der technologischen Fertigungsgrenzen zu produzieren. Die Paarung von Montagekomponenten mit angepassten Produktionsstrategien bietet in diesem Umfeld mögliche Lösungsansätze. Neue Informations- und Kommunikationstechnologien im Kontext von Industrie 4.0 eröffnen hierfür neuartige Möglichkeiten.

[ 2 ] Wagner, R.; Kuhnle, A. & Lanza, G. (2017), „Optimising Matching Strategies for High Precision Products by Functional Models and Machine Learning Algorithms “. WGP-Jahreskongress, Hrsg. Schmitt, R. & Schuh, G., S. 1-9.
Abstract:
Companies are confronted with increasing product quality requirements to manufacture high quality products, close to technological limits, in a cost-effective way. Matching of assembly components offers an approach to cope with this challenge by means of adapted production strategies. To satisfy and optimize precise functionality requirements a model that integrates process variation and functionality is applied to enhance existing matching strategies. This paper demonstrates the implementation of functional models within production strategies for fuel injector systems. The injector system must fulfil high requirements regarding the functionality, i.e. providing a homogeneous fuel mixture at a constant level. To enhance matching strategies and the functional models for the assembled components, a machine learning algorithm will be applied. This model is utilized to determine and quantify a model for the functional relation between pre-process variations and product functionality and to optimize matching strategies by selecting the relevant features.