PUB - Data-Driven Condition Monitoring of a Hydraulic Press Using Supervised Learning and Neural Networks
Im Laufe der Lebensdauer einer Industriemaschine kommt es zwangsläufig zu einer Abnutzung der verschiedenen Systemkomponenten. Insbesondere bei Anwendungen, bei denen hohe Leistungen unter rauen Bedingungen übertragen werden, wie sie typischerweise in der Hydraulik vorkommen, verschlechtert sich der Gesundheitszustand der Maschinenelemente mit der Zeit. Um eine hohe Maschinenverfügbarkeit und Prozessqualität aufrechtzuerhalten, sind Instandhaltungsmaßnahmen erforderlich. Die Planung von Wartungsmaßnahmen kann jedoch eine Herausforderung für Maschinenbetreiber darstellen, wenn ein Gleichgewicht zwischen vorzeitigen Stillständen aufgrund von Wartungsarbeiten und Stillständen aufgrund von verminderter Prozessqualität oder Maschinenschäden gefunden werden muss. Um Wartungszeiträume effizient zu planen und drohende Ausfälle frühzeitig zu erkennen, können Methoden der Zustandsüberwachung eingesetzt werden. Ziel der Zustandsüberwachung ist es, durch die automatisierte Auswertung von Betriebsdaten einer Maschine eine Einschätzung des aktuellen Maschinenzustandes zu erhalten.
Inhalt
Autoren: Makansi, Faried; Schmitz, Katharina
Die automatisierte Bewertung des Maschinenzustands ist der Schlüssel für eine effiziente Wartungsplanung. Da-ta-getriebene Methoden haben bewiesen, dass sie die automatisierte Abbildung komplexer Muster in Sensordaten auf den Gesundheitszustand eines Systems ermöglichen. Generalisierbare Ansätze für die Entwicklung solcher Lösungen im Rahmen industrieller Anwendungen sind jedoch noch nicht etabliert. In diesem Beitrag wird ein Verfahren zur Entwicklung von datengesteuerten Zustandsüberwachungslösungen für die Industriehydraulik unter Verwendung von überwachtem Lernen und neuronalen Netzen vorgestellt. Die vorgeschlagene Methode umfasst sowohl die Merkmalsextraktion als auch die Merkmalsauswahl und wird auf simulierte Daten einer hydraulischen Presse angewendet. Verschiedene Schritte des Entwicklungsprozesses werden hinsichtlich der Gestaltungsmöglichkeiten und ihrer Wirksamkeit bei Fehlerklassifikationsaufgaben untersucht. Mit dem vorgestellten Ansatz konnten hohe Klassifizierungsgenauigkeiten erreicht werden, wobei sich gezeigt hat, dass verschiedene Fehler unterschiedliche Konfigurationen der Klassifizierungsmodelle erfordern.