Nutzbare Restlebensdauer neuer und bereits genutzter technischer Systeme unter instationären Bedingungen

• Antragsteller: Professor Dr. Eyke Hüllermeier; Professor Dr.-Ing. Walter Sextro
• Fachliche Zuordnung: Mechanik
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 451737409

Strategien zur zustandsbasierten oder prädiktiven Wartungsplanung finden in der Industrie zunehmend Anwendung, da sie eine optimale Nutzung des überwachten Systems ermöglichen. Diese Wartungsstrategien erlauben eine Diagnose bzw. eine Prognose der Systemzustände unter stationären Betriebsbedingungen. Allerdings werden technische Systeme in der Regel unter instationären Bedingungen betrieben, z. B. eine Windenergieanlage, die variierende Lasten und Drehzahlen aufgrund stochastischer Windlasten erfährt. Instationäre Bedingungen verändern jedoch die Sensordaten und maskieren dabei Datenänderungen, welche durch Fehler oder Alterung des Systems hervorgerufen werden. Daher müssen Methoden der Zustandsüberwachung erweitert und für instationär betriebene Systeme angepasst werden.Das beantragte Projekt zielt darauf ab, ein Verfahren zur Prognose der nutzbaren Restlebensdauer von Systemen zu entwickeln, welche unter instationären Bedingungen betrieben werden. Daher werden klassische datengetriebene und modellbasierte Verfahren der Ingenieurwissenschaften mit Verfahren aus dem Bereich der künstlichen Intelligenz kombiniert. So wird eine hybride Kombination von Cluster- bzw. Klassifikationsverfahren mit wissensbasierten Ansätzen genutzt, um Betriebsbedingungen zu kategorisieren und Versagensmodi zu identifizieren. Basierend auf Unsicherheitsanalysen und den erarbeiteten Beziehungen zwischen Betriebsbedingungen, Sensordaten und möglichen Fehlern, werden geeignete Merkmale für die Prognose der nutzbaren Restlebensdauer evaluiert und neu entwickelt. Unterschiedliche maschinelle Lernverfahren wie Lernen auf Datenströmen sollen genutzt werden, um die zukünftigen Betriebsbedingungen einzubinden. Diese Methoden ermöglichen inkrementelles Lernen und damit die Anpassung an bspw. durch Variationen der Betriebsbedingungen hervorgerufene Änderungen. Außerdem werden hybride Methoden zur Prognose der nutzbaren Restlebensdauer für bereits genutzte Systeme entwickelt, die mit geeigneten Sensoren nachgerüstet wurden, aber keine Sensordaten ihrer vergangenen Betriebszeiten aufweisen.Zur Validierung der Methoden zur Prognose der nutzbaren Restlebensdauer werden drei Anwendungsbeispiele aus verschiedenen Themenfeldern verwendet. Für das erste Beispiel wird ein geeigneter Wälzlagerprüfstand entwickelt und aufgebaut. Der Prüfstand wird unter instationären Betriebsbedingungen wie variierenden Drehgeschwindigkeiten und Belastungen der Lager betrieben. Daten für die Zustandsüberwachung der Kugellager werden mittels Beschleunigungs-, Temperatursensoren und Dehnungsmesstreifen gewonnen. Für das zweite Beispiel wird ebenfalls ein Experiment im Labor basierend auf Piezoelektrischen Aktoren umgesetzt, deren Versagen durch Risse charakterisiert wird und überwacht werden soll. Das dritte Anwendungsbeispiel basiert auf den simulierten Daten eines Mantelstromtriebwerks, dessen Degradation unter sechs Betriebsbedingungen mit verschiedenen Sensoren detektiert wurde.

• DFG-Verfahren: Sachbeihilfen