Selbstlernendes Condition Monitoring

Ein prädiktiver Condition-Monitoring-Ansatz liefert frühzeitig  aussagekräftige Informationen zum Verschleiß von Bauteilen wie Motoren, Pumpen oder Lagern. So lässt sich zuverlässig und rechtzeitig der Wartungs- oder Instandhaltungsbedarf bei industriellen Anlagen und Maschinen ermitteln. Allerdings fallen bei solchen CMS in der Regel auch enorme Datenmengen an, die aus Sensorwerten und bei Bedarf auch Prozessdaten bestehen. Das verkompliziert die Nutzung dieser Systeme und macht sie nur schwer beherrschbar.

Unsere Lösung

Eine entscheidend vereinfachte Bedienung, die eine automatische Analyse der Daten mit einer selbstlernenden Klassifikation verknüpft, ist der Schlüssel für den Fraunhofer-Ansatz. Dafür muss das Condition Monitoring System gewisse Einstellungen, z. B. der Grenzwerte, automatisch vornehmen. Das gelingt mithilfe mathematischer Algorithmen, die bekannte Betriebszustände einer Anlage auswerten. Die Datencharakteristika der Zustände werden vom CMS »gelernt«. Veränderungen in diesem Daten-Fingerprint können so automatisch erkannt werden. Um Fehlalarme zu verhindern, werden Ausreißer vorher herausgefiltert. Liegen genügend Messungen vor, können Schwellenwerte automatisch bestimmt werden. Nach einer solchen initialen Lernphase ist der zusätzliche Aufwand beim Betrieb des CMS minimal.

Clusterbeispiele in einem 3D-Merkmalsraum

Clusterbeispiele in einem 3D-Merkmalsraum

Das CMS führt turnusmäßig Messungen von Größen durch, die für den Verschleiß relevant sind. So entsteht ein Datenpool, der zusammen mit den jeweiligen Prozessdaten ausgewertet wird. Aus einer Vielzahl statistischer Kenngrößen ergeben sich durch eine zielgerichtete Auswahl automatisch die letztlich relevanten Unterscheidungsmerkmale. Jeder Datensatz repräsentiert dabei einen Punkt in einem Merkmalsraum, der visualisiert werden kann. Mehrfachmessungen eines Betriebszustandes finden sich zu Clustern zusammen. Verschiedene Cluster entsprechen zunächst unterschiedlichen Betriebszuständen. Mit den ersten Verschleißerscheinungen an einer Maschine ändern sich Form und Lage der Cluster. Dies wiederum ist im Fingerprint erkennbar und die diagnostizierte Veränderung wird gemeldet.

So erweitert das CMS seine Datenbasis schrittweise um die Messungen verschiedener Verschleiß- und Betriebszustände und überprüft laufend die bisherigen Klassifikationsmerkmale. Geben sie die aktuelle Situation nicht mehr ausreichend wieder, werden die Unterscheidungsmerkmale der Daten-Fingerprints erneut berechnet und ein angepasster Satz ausgewählter Merkmale entsteht.