Datenanalyse mittels intelligenter, adaptivbarer und robuster Auswertealgorithmen ist ein elementarer Bestandteil eines zuverlässigen Condition-Monitoring-Systems. Gegenwärtig ist die Entwicklung von diesen Auswertealgorithmen sehr zeitaufwendig und erfordert im Allgemeinen, je nach Anwendung, umfassende Kenntnisse aus verschiedenen Disziplinen. Ziel der Arbeit ist die Realisierung eines innovativen Tools zur Entwicklung von Auswertealgorithmen zwecks Einsatz in Condition-Monitoring-Systemen.
Die Verfügbarkeit von Produktionsmaschinen und Anlagen hängt überwiegend vom Zustand ihrer verschleißanfälligen mechanischen Komponenten ab. Ein Maschinenausfall wird in der Regel durch Verschleiß dieser Komponenten verursacht. Das Condition Monitoring von verschleißkritischen Komponenten führt zur Vermeidung ungeplanter Maschinenausfälle und zur Erhöhung der Verfügbarkeit von Produktionsmaschinen und Anlagen. Hierbei ist die Entwicklung geeigneter, zuverlässiger und robuster Auswertealgorithmen ein elementares Kernstück einer Condition-Monitoring-Lösung. Das übergeordnete Ziel der vorliegenden Dissertationsarbeit ist es, durch die Entwicklung einer innovativen Vorgehensweise zur Konfigurierung von Algorithmen für die Datenanalyse, den Entwicklungsaufwand zukünftiger Algorithmen für verschiedene Zustandsüberwachungsanwendungen zu reduzieren. Hierzu wurde ein Tool zur Evaluierung dieser Vorgehensweise entwickelt und anhand verschiedener Use Cases unter realitätsnahen Betriebsbedingungen evaluiert. Das entwickelte Tool dient als Werkzeug zur Realisierung diverser Auswertealgorithmen für unterschiedliche Condition-Monitoring-Anwendungen.
Abdelhakim Laghmouchi
Fraunhofer IPK artificial intelligence signal processing systems analysis & design Instandhaltung Zustandsüberwachung Produktionstechnik Kugelgewindetrieb Schadensfrüherkennung Klassifizierungsalgorithmen Instandhaltungsingenieur Produktionstechniker Automatisierungstechniker Instandhaltungsingenieure Produktionstechniker