Vorhersage von Zustand und Ausfall in der Erprobung

Maschinenausfälle verstehen und vorhersagen

Ausgangslage & Zielsetzung

Ziel war es Vorhersagen über den Zustand und Ausfall von Maschinenelementen in der Erprobung zu entwickeln. Bei dieser Erprobung werden die Elemente getestet bis es zu einem Ausfall durch einen Oberflächendefekt kommt, um Aussagen über die erwartete Lebensdauer zu treffen. Hierbei ist es wichtig  sicherzustellen, dass genug Daten pro Ausfallmechanismus vorliegen und die Datenqualität ausreichend ist. Um dann den Ausfallmechanismus besser zu verstehen, sollte der Ausfall vorhergesagt werden, damit eine Untersuchung der Bauteile kurz vor dem Ausfall möglich ist.

Leistungsbeschreibung

  • Analyse und Klassifizierung der Daten, Grenzen der Sensorik verstehen, erste Datenreduktion
  • Fehlerquellen aus der Umgebung identifizieren, entsprechend filtern oder Testdaten ausschließen
  • Feature Engineering: physikalische Interpretation durch Fourier-Analyse (FFT) von Vibrationsdaten
  • Einsatz von Deep-Learning mit automatisierter Metaparameter-optimierung zur Vorhersage von Reibung und Identifikation von unterrepräsentierten Bauteilzuständen
  • Entwicklung eines einfachen Algorithmus zur live-Zustandsvorhersage zum rechtzeitigem Anhalten der Erprobung vor dem Ausfall. Damit Untersuchung des Ausfallmechanismus.
  • Empfehlung zum weiteren Erprobungsprogramm und tieferer Analyse

Ergebnis

Das Labor ist in der Lage Ausfallmechanismen zu untersuchen bevor es zu einem Ausfall kommt. Bisher was eine Ursachenforschung nur selten möglich, da durch einen Ausfall die Elemente zu sehr beschädigt werden. Die Planung der Erprobung ist zielgerichteter und Ursachen für Ausfälle können schneller verstanden werden.

Projekt Details


Branche: Industrie, Maschinenbau

Topic: Data Science, Machine Learning, Evolutionary Algorithms, Condition Monitoring, Failure Prediction

Tools: python, pandas, scikit-learn, tensorflow, fft

Projektlaufzeit: 12 Monate

Esentri
Markus Hartinger Senior Consultant Data Science