Modellgestützte Diagnose auf Basis von Betriebsgrößen in Umformmaschinen
Verfasser:
Prof. Dr.-Ing. Bernd-Arno Behrens, M. Sc. Dietmar Friesen, Dr.-Ing. Richard Krimm, Institut für Umformtechnik und Umformmaschinen der Leibniz Universität Hannover
104 Seiten - 75,00 EUR (sw, 46 teils farbige Abb., 3 Tab.)
ISBN 978-3-86776-684-5
Zusammenfassung
Unvorhergesehene Maschinenausfälle gehen teils mit erheblichen Produktionseinbußen und Lieferengpässen einher. Aufgrund des Fehlens relevanter Informationen über den Maschinenzustand im Betrieb ist eine rechtzeitige zustandsorientierte Instandhaltung kaum möglich, sodass entweder präventiv (intervallorientiert, für viele funktionsfähige Bauteile zu früh) oder reaktiv (ausfallorientiert, zu spät) gewartet wird.
Bestehende Diagnosesysteme setzen in der Regel zusätzliche, an geeigneten Stellen positionierte Sensorik voraus, was nicht immer möglich ist bzw. hohen Aufwand und Kosten bedeuten kann. Die Informationen in bereits verfügbaren Betriebsgrößen werden in der Regel nicht oder nicht ausreichend für Diagnosezwecke genutzt, da die Zusammenhänge zwischen Fehlern und diesen Größen nicht bekannt sind.
Das Ziel des Forschungsvorhabens besteht in einer Diagnosemethode, welche eine rechtzeitige Detektion von sich abzeichnenden Systemfehlern und somit eine planbare zustandsorientierte Instandhaltung ermöglicht. In Hinblick auf die optimale Ausnutzung verfügbarer Informationen soll zu diesem Zweck keine zusätzliche Messtechnik vorausgesetzt werden, sondern insbesondere bereits vorhandene messbare Betriebsgrößen wie Motorstrom und -drehmoment verwertet werden.
Das mit dem Vorhaben verfolgte Ziel erfordert Kenntnisse über fehler- bzw. schadensrelevante Auswirkungen in den Betriebsgrößen, welche mit Hilfe eines Modells gewonnen werden sollen. Hierzu wurde ein elastisches parametrisches Maschinenmodell erstellt, das eine Abbildung von unterschiedlichen Fehlerauswirkungen auf die Betriebsgrößen ermöglicht.
Mit Hilfe des Modells wurden Betriebsgrößendatensätze für unterschiedliche Fehlereffekte und Kombinationsszenarien generiert und in einer Datenbank abgelegt. Diese Datenbank bildet die Grundlage für das Training und den Test von künstlichen neuronalen Netzten (KNN), die zur Regression bzw. Klassifikation zwecks Diagnose eingesetzt werden. Der entsprechende Algorithmus ist in der Lage, aus gelernten Merkmalen, Zusammenhängen und Tendenzen auf potenzielle Fehler zu schließen bzw. diese einzugrenzen.
Förderhinweis
Das IGF-Vorhaben "Modellgestützte Diagnose auf Basis von Betriebsgrößen in Umformmaschinen" der Forschungsvereinigung EFB e.V. wurde unter der Fördernummer AiF 20834N über die Arbeitsgemeinschaft industrieller Forschungsvereinigungen (AiF) im Rahmen des Programms zur Förderung der Industriellen Gemeinschaftsforschung (IGF) vom Bundesministerium für Wirtschaft und Klimaschutz aufgrund eines Beschlusses des Deutschen Bundestages gefördert. Der Abschlussbericht ist als EFB-Forschungsbericht Nr. 615 erschienen und bei der EFB-Geschäftsstelle und im Buchhandel erhältlich.
Summary
Unexpected machine failures can result in significant production losses and supply bottle-necks. Due to the lack of relevant information about the condition of the machine during operation, timely condition-based maintenance is hardly possible, meaning that maintenance is either preventive (interval-based, too early for many functional components) or reactive (failure-based, too late).
Existing diagnostic systems generally require additional sensors to be positioned at suitable locations, which is not always possible or can be very costly. The information in already available operational variables is generally not or not sufficiently used for diagnostic purposes because the correlations between faults and these variables are not known.
The aim of the research project is to develop a diagnostic method that enables the early detection of emerging system faults and thus a predictable condition-based maintenance. In order to make the best use of the available information, no additional measurement technology is required, but rather existing measurable operating variables such as motor current and torque are to be used.
The objective pursued by the project requires knowledge of fault and damage relevant effects in the operating variables, which are to be obtained with the help of a model. For this purpose, an elastic parametric machine model was created, which enables the mapping of different fault effects on the operating variables.
The model was used to generate fault and damage relevant data, which represent a training database for possible fault effects and their potential random combinations. This database formed the basis for the training and testing of artificial neural networks (ANN), which are used for regression and classification for diagnostic purposes. The corresponding algorithm is able to deduce or narrow down potential errors from learned features, correlations and tendencies.
Inhaltsverzeichnis
Zusammenfassung
Abkürzungs- und Symbolverzeichnis
Abbildungsverzeichnis
Tabellenverzeichnis
1 Einleitung
2 Stand der Technik
2.1 Maßnahmen der Maschineninstandhaltung
2.2 Abbildung von Maschineneigenschaften
2.3 Maschinelles Lernen
2.3.1 Künstliche neuronale Netze und ihre Architekturen
2.3.2 Werkzeuge neuronaler Netze
3 Forschungsziele und Lösungsweg
4 Modellierung
4.1 Starre Mehrkörpermodellierung
4.1.1 Abbildung der Kinematik
4.1.2 Abbildung der Lagerstellen
4.2 Abbildung der Elastodynamik
4.3 Abbildung der Reibeigenschaften
5 Parametervariation zur Fehlerabbildung
6 Generierung von Trainingsdaten
7 Diagnosealgorithmus auf KNN-Basis
7.1 KNN-Architektur
7.1.1 Faltendes Netz (Convolutional Layers)
7.1.2 Rekurrentes Netz (LSTM-Layers)
7.2 Klassifikationsproblem
8 Ergebnisse und Ausblick
8.1 Wissenschaftlich-technischer und wirtschaftlicher Nutzen der Ergebnisse für KMU
9 Literaturverzeichnis
