PUB - Fault Detection and Diagnosis for a Hydraulic Press by Use of a Mixed Domain Database

 

Zuverlässigkeit ist eine entscheidende Anforderung an Produktionsmaschinen. Diese Anforderung zielt darauf ab, eine hohe Maschinenauslastung zu gewährleisten und eine konstante Prozessqualität zu erhalten. Gleichzeitig ist der Verschleiß von Maschinenelementen unvermeidlich und führt letztendlich zu Qualitätseinbußen und Maschinenstillständen für die Wartung. Um sich abzeichnende Ausfälle frühzeitig zu erkennen und zu diagnostizieren sowie Wartungszeiten effizient zu planen, können Methoden der Zustandsüberwachung eingesetzt werden. Ziel der Zustandsüberwachung ist es, durch automatisierte Auswertung von Betriebsdaten einer betrachteten Maschine eine Einschätzung des aktuellen Maschinenzustands zu erhalten.

 

Inhalt

Autoren: Makansi, Faried; Schmitz, Katharina

Eine automatisierte Erkennung und Diagnose von Maschinen- und Prozessfehlern ist ein Kernelement moderner Instandhaltungsstrategien. Datengetriebene Methoden, die häufig unter dem Begriff des maschinellen Lernens zusammengefasst werden, bieten in diesem Bereich potenziell vielfältige Vorteile gegenüber herkömmlichen Ansätzen. Allerdings stellt die Notwendigkeit einer umfassenden Datenbasis, die eine Vielzahl von Betriebs- und Fehlerfällen abdeckt, eine bleibende Herausforderung für die Anwendung datengetriebener Methoden dar. Eine Möglichkeit, das Problem der kostspieligen Datenerfassung zu entschärfen, ist die Zusammenführung von Datensätzen aus verschiedenen, aber verwandten Systemen und Anwendungen zu einem größeren Datensatz. In diesem Beitrag wird die Zusammenführung von Daten aus einer hydraulischen Presse und einem entsprechenden Simulationsmodell untersucht. Dazu werden Datensätze aus dem regulären und fehlerhaften Maschinenbetrieb in beiden Domänen erzeugt. Unter Verwendung unterschiedlicher Mischungsverhältnisse von realen und simulierten Dateninstanzen werden Modelle zur Fehlerklassifikation abgeleitet und evaluiert. Die Ergebnisse zeigen, dass ein instanzbasierter Transfer aus der simulierten Domäne in die reale Domäne dazu beitragen kann, die Menge der benötigten Trainingsdaten aus der physischen Maschine zu reduzieren. Das Mischungsverhältnis scheint ausschlaggebend für einen positiven Effekt der Vermischung von Daten aus den beiden Domänen zu sein.