wbk

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 Projektleiter strategische Produktionsentwicklung bei der Andreas STIHL AG & Co. KG
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
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. doi.org/10.37544/1436-4980-2020-07-08-65
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. 10.1016/j.procir.2020.03.043
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.

[ 6 ] VDMA Antriebstechnik, V. A. (2021), Leitfaden Antriebstechnik 4.0, VDMA Verlag GmbH, Frankfurt am Main.
Abstract
Als initiales Werkzeug zur Identifikation konkreter Digitalisierungsprojekte sowie zur regelmäßigen Einordnung des bereits erreichten Ist-Zustandes versteht sich der Leitfaden „Antriebstechnik 4.0“ als kontinuierlicher Wegbegleiter und Impulsgeber im Zuge der digitalen Transformation der Branche. In Zeiten des disruptiven technologischen Fortschritts mit ebenso großen Handlungsbedarfen soll der Leitfaden „Antriebstechnik 4.0“ Unternehmen als Anstoß und Orientierung auf ihrem spezifischen Weg hin zur „antriebstechnischen Exzellenz“ dienen.

[ 7 ] Netzer, M.; Palenga, Y.; Gönnheimer, P. & Fleischer, J. (2021), „Offline-Online Pattern Recognition for Enabling Time Series Anomaly Detection on Older NC Machine Tools“. Journal of Machine Engineering 2021, Ed. Institution of the Wroclaw Board of Scientific Technical Societies Federation, S. 98-108. 10.36897/jme/132248
Abstract
Intelligent IoT functions for increased availability, productivity and component quality offer significant added value to the industry. Unfortunately, many old machines and systems are characterized by insufficient, inconsistent IoT connectivity and heterogeneous parameter naming. Furthermore, the data is only available in unstructured form. In the following, a new approach for standardizing information models from existing plants with machine learning methods is described and an offline-online pattern recognition system for enabling anomaly detection under varying machine conditions is introduced. The system can enable the local calculation of signal thresholds that allow more granular anomaly detection than using only single indexing and aims to improve the detection of anomalous machine behaviour especially in finish machining.

[ 8 ] Netzer, M.; Gönnheimer, P.; Schäfer, W.; Grosser, K. & Fleischer, J. (2021), „Daten-Enabling für eine breite KI-Anwendung“, wt Werkstattstechnik online, Band 111, S. 481-485. 10.37544/1436-4980-2021-07-08-13
Abstract
Die stärker werdende Bedeutung von Digitalisierung im Maschinenbau stellt klein- und mittelständische Anlagenanbieter wie -betreiber vor neue Herausforderungen. Vor allem bei Bestandsanlagen in heterogenen Daten- und Schnittstellenlandschaften der Produktion sind innovative Ansätze zur Vernetzung und Erzeugung einer Datenpipeline notwendig. Ziel der in diesem Beitrag vorgestellten Forschung ist deshalb die einfache und nachrüstbare Bereitstellung von Maschinendaten zur Steigerung der Wertschöpfung durch KI-Anwendungen.

[ 9 ] Netzer, M.; Begemann, E.; Gönnheimer, P. & Fleischer, J. (2021), „Digitalisierung im deutschen Maschinen- und Anlagenbau“, wt Werkstattstechnik online, Band 111, S. 526-530. 10.37544/1436-4980-2021-07-08-58
Abstract
Das stetig zunehmende volatile Marktumfeld verlangt, unter anderem, nach hoher Effektivität der eigenen Produktion, um international wettbewerbsfähig zu bleiben. Die zur Steigerung der Anlagenverfügbarkeit beitragende Digitalisierung von Produktionsanlagen findet im Maschinen- und Anlagenbau dennoch nur zögerlich Anwendung. Auf Basis einer Unternehmensbefragung wurden die Anforderungen an digitale Nachrüstlösungen analysiert, Diskrepanzen zu bestehenden Systemen abgeleitet und Bedarfe sowie mögliche Lösungen bei der Digitalisierung von Produktionsanlagen aufgezeigt.

[ 10 ] Armbruster, J.; Gönnheimer, P. & Netzer, M. (2021), „Predictive Maintenance in der Antriebstechnik“, S. 66-69.
Abstract
Industrie 4.0 fördert den Trend hin zur Produktion kleiner Losgrößen mit hoher Produktvarianz. Dadurch werden Antriebe in den Maschinen und Anlagen unterschiedlich belastet und die Voraussage für den passenden Wartungszeitpunkt erschwert. Die IIoT Building Blocks helfen bei Predictive Maintenance.

[ 11 ] Baranowski, M.; Schlotthauer, T.; Netzer, M.; Gönnheimer, P.; Coutandin, S.; Fleischer, J. & Middendorf, P. (2021), „Hybridization of Fused Filament Fabrication Components by Stereolithographic Manufactured Thermoset Inserts“ in Recent Advances in Manufacturing Engineering and Processes, Hrsg. Ramesh K. Agarwal, Springer, S. 03-14. ISBN/ISSN: 978-981-16-3933-3
Abstract
The abstract is published online only. If you did not include a short abstract for the online version when you submitted the manuscript, the first paragraph or the first 10 lines of the chapter will be displayed here. If possible, please provide us with an informative abstract. One of the main advantages of additive manufacturing by fused filament fabrication is its wide variety of materials and cost-effective production systems. However, the resolution and tightness of the produced structures are limited. The following article describes a novel approach of the functional integration of stereolithographic produced subcomponents into the fused filament fabrication process and the challenges during integration in terms of adhesion, taking into account different surface pre-treatments. With the help of these investigations, it is aimed to extend the field of application of additive manufactured plastic components.

[ 12 ] Netzer, M.; Palenga, Y. & Fleischer, J. (2022), „Machine tool process monitoring by segmented timeseries anomaly detection using subprocess-specific thresholds“, Production Engineering, 10.1007/s11740-022-01120-3
Abstract
Time series data generated by manufacturing machines during processing is widely used in mass part production to assess if processes run without errors. Systems that make use of this data use machine learning approaches for flagging a time series as a deviation from normal behaviour. In single part production, the amount of data generated is not sufficient for learningbased classification. Here, methods often focus on global signal variance but have trouble finding anomalies that present as local signal deviations. The referencing of the process states of the machine is usually performed by state indexing which, however, is not sufficient in highly flexible production plants. In this paper, a system that learns granular patterns in time series based on mean shift clustering is used for detecting processing segments in varying machine conditions. An anomaly detection then finds deviating patterns based on the previously identified processing segments. The anomalies can then be labeled by a human-in-the-loop approach for enabling future anomaly classification using a combination of machine learning algorithms. The method of anomaly detection is validated using an industrial machine tool and multiple test series.

[ 13 ] Armbruster, J.; Gönnheimer, P. & Netzer, M. (2022), „Keine Angst vor Künstlicher Intelligenz in der Produktion“.
Abstract
Mit Industrie 4.0 und schließlich Künstlicher Intelligenz sollten sich alle beschäftigen, um den Anschluss nicht zu verpassen. Wie der Status ist und wie man es richtig macht, erklären drei Experten.

[ 14 ] Gönnheimer, P.; Netzer, M.; Lange, C.; Dörflinger, R.; Armbruster, J. & Fleischer, J. (2022), „Datenaufnahme und -verarbeitung in der Brownfield-Produktion“, Zeitschrift für wirtschaftlichen Fabrikbetrieb (ZWF), Band 117, Nr. 5, S. 317-320. 10.1515/zwf-2022-1062
Abstract
Nach zehn Jahren Industrie 4.0 ist ein deutliches Potential für Unternehmen zu verzeichnen, nicht zuletzt durch eine steigende Anzahl gewinnbringender Use Cases. Gerade in Brownfield-Produktionen scheitern die Initiativen meist an technischen Voraussetzungen der Datenaufnahme. Der Status quo wurde im Rahmen einer Umfrage zum grundsätzlichen Stellenwert, der Kundennachfrage, der Nutzung und den jeweiligen Mehrwerten evaluiert. Hierbei wurden auch die damit einhergehenden Hemmnisse und Hürden bei der Digitalisierung der Produktion betrachtet. Der vorliegende Beitrag beschreibt zudem eine neuartige Möglichkeit, Daten aus Brownfield-Produktionsmaschinen intelligent zu extrahieren.

[ 15 ] Baranowski, M.; Schlotthauer, T.; Netzer, M.; Gönnheimer, P.; Coutandin, S. & Fleischer, J. (2022), „Functional Integration of Subcomponents for Hybridization of Fused Filament Fabrication“, International Journal of Mechanical Engineering and Robotics Research, Band 11, Nr. 5, S. 319-325. 10.18178/ijmerr
Abstract
One of the main advantages of additive manufacturing by Fused Filament Fabrication is its wide variety of materials and cost-effective production systems. However, the resolution and tightness of the produced structures are limited. The following article describes a novel approach of the functional integration of stereolithographic produced subcomponents into the Fused Filament Fabrication process and the challenges during integration in terms of adhesion, taking into account different surface pretreatments. Furthermore, it is investigated how conductive polymer composites could be used successfully for conducting mechatronic subcomponents automatically. With the help of these investigations it is aimed to extend the field of application of additive manufactured plastic components.

[ 16 ] Netzer, M.; Bach, J.; Puchta, A.; Gönnheimer, P. & Fleischer, J. (2022), „Process Segmented based Intelligent Anomaly Detection in Highly Flexible Production Machines under Low Machine Data Availability“. Procedia CIRP Volume 107, Elsevier, S. 647-652. 10.1016/j.procir.2022.05.040
Abstract
Especially in highly flexible plants or special process machines, conventional approaches like neuronal network classification or intelligent autoencoder fault detection are not suitable firstly due to the small amount and secondly due to the lack of labeling of data for each process. In this paper a novel concept is presented to segment different processes intelligently in the first step to find fine granular process patterns across process boundaries. Based on these patterns, anomaly detection and further classification are performed. A special feature is the integration of user knowledge, so that classification is possible even with a small amount of data. This approach is validated on an assembly line for electric motor production as well as in a handling robot. This paper shows results from real test series and thus demonstrates the practical suitability of the novel approach.

[ 17 ] Gönnheimer, P.; Ströbel, R.; Netzer, M. & Fleischer, J. (2022), „Generation of identifiable CNC reference runs with high information content for machine learning and analytic approaches to parameter identification“. Procedia CIRP, Elsevier, S. 734-739. 10.1016/j.procir.2022.05.054
Abstract
As a result of the change to Industry 4.0, the requirements for information models and digital twins are steadily increasing. Thus, reliable methods to identification and assignment of data sources in CNC machines are required. AI-based approaches are already capable of identifying individual signal groups but are increasingly reaching their limits due to the small size of existing datasets. Furthermore, the low information content of the timeseries used to build the learning datasets represents an additional limitation. In this paper, an approach is presented and examined by means of which identifiable CNC reference runs with particularly high information content can be generated to create a suitable database for machine learning approaches. Moreover, due to the uniqueness of the generated trajectories, the reference runs represent a particularly suitable basis for analytical methods to parameter identification.