Die enge Verzahnung von Hochschule und Industrie bringt im Maschinenbau immer wieder Spitzenleistungen von Studentinnen und Studenten hervor. Der VDMA Software und Digitalisierung zeichnet deshalb herausragende Abschlussarbeiten von Absolventen aus den Fachbereichen Ingenieurwissenschaften und Informatik mit dem Nachwuchspreis „Digitalisierung im Maschinenbau“ aus - in diesem Jahr erstmals gemeinsam mit der Bildungsabteilung des VDMA. Als neugewonnener Partner des Nachwuchspreises vergibt die Bildungsabteilung des VDMA mit der Maschinenhaus-Initiative zwei Sonderpreise in den Kategorien „Bachelorarbeit“ und „Masterarbeit“.
Professoren deutscher Hochschulen nominierten zum zweiten Mal ihre besten Studenten aus den Fachbereichen Ingenieurwissenschaften und Informatik für den VDMA-Nachwuchspreis. Insgesamt 19 Absolventen von ebenso vielen Hochschulstandorten aus Deutschland standen dabei mit ihren Abschlussarbeiten aus Bachelor- und Masterstudiengängen zur Wahl.
Vielfalt von innovativen Digitalisierungslösungen
„In diesem Jahr zeigten viele der eingereichten Arbeiten, dass im intensiven Zusammenwirken zwischen Hochschule und Industrie nicht nur eine große Vielfalt von innovativen Digitalisierungslösungen entstanden ist, sondern diese auch eine hohe Praxistauglichkeit für den Maschinenbau erreichen“, resümiert Karl Friedrich Schmidt, Vorsitzender des Vorstandes im VDMA Software und Digitalisierung.
VDMA ehrt vier Preisträger
Unter der Leitung von Karl Friedrich Schmidt wählte die Jury folgende Preisträger für den Nachwuchspreis 2018:
Tobias Sohny, Student im Bereich Wirtschaftsingenieurwesen Technik an der Hochschule Koblenz, wird mit dem 1. Preis für die beste Masterarbeit ausgezeichnet. Im Rahmen seiner Masterthesis, die er am Lehrstuhl von Prof. Dr. Helmut Bollenbacher verfasste, konzipierte er bei der Winkler+Dünnebier GmbH eine Maschinen-Daten-Erfassungs-Schnittstelle (MDE), die für den Anwender die Maschinendaten in Echtzeit zur Verfügung stellt. Damit lassen sich sowohl für bereits eingesetzte Maschinen als auch für neue Produkte mithilfe der neuen Schnittstelle aussagekräftige Produktionskennzahlen wie beispielsweise die Gesamtanlageneffektivität (GAE/OEE) generieren.
Martin Degel, Maschinenbaustudent an der Friedrich-Alexander-Universität Erlangen-Nürnberg, erhält den Sonderpreis in der Kategorie Masterarbeit. Am Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik von Prof. Dr.-Ing. Jörg Franke setzte er sich mit der Problematik auseinander, wie selbstständig rekonfigurierbare Fertigungsnetzwerke mit autonomen und intelligenten Transporteinheiten (z.B. fahrerlose Transportsysteme) zukünftig realisiert werden können. Dazu konzipierte er IT-seitig eine sogenannte intralogistische Service-Ebene, in der übergeordnete Dienste eingerichtet werden. Diese Dienste ermöglichen ein dynamisches Wegstreckennetz für jeden Fahrzeugtyp.
Marco Steck, Maschinenbaustudent an der Hochschule für Angewandte Wissenschaften Hof, wird mit dem 1. Preis für die beste Bachelorarbeit ausgezeichnet. Betreut wurde seine Abschlussarbeit durch Prof. Dr.-Ing. Herbert Reichel. Darin untersuchte er mit der Siegfried Hofmann Werkzeugbau GmbH die Praxistauglichkeit von unterschiedlichen Arten der virtuellen Inbetriebnahme in Bezug auf ein Modell einer Spritzgussautomation. Dabei wurden die Ergebnisse nicht nur im Hinblick auf das Aufwand-Nutzen-Verhältnis sondern auch auf Aspekte wie Materialfluss, Echtzeitfähigkeit und Physik-Engine beurteilt.
Nikolai Killguss, Student im Bereich Maschinenbau und Mechatronik an der Hochschule Furtwangen, erhält den Sonderpreis in der Kategorie Bachelorarbeit. Die von ihm bei Prof. Dr. Edgar Seemann verfasste Bachelorthesis setzt sich hinsichtlich der zunehmenden Digitalisierung von Produktionsprozessen mit der vernetzten Zustandsüberwachung von Axialkolbenmaschinen innerhalb einer Umformpresse auseinander. Dazu erstellte er bei der Bosch Rexroth AG am Standort Horb ein funktions- und zukunftsfähiges Grundkonzept basierend auf offenen Schnittstellen. Messwerte von autark arbeitenden Körperschallsensoren werden dabei erfasst, mit Maschinen- und Betriebsdaten verknüpft und an eine serverbasierte Überwachungs- und Analyseapplikation weitergeleitet als Basis für Predictive Maintenance.
