Condition-Monitoring-System zur Erkennung von Prozess­anomalien

Ziel des Projekts war die Entwicklung von Machine-Learning-Algorithmen zur Datenanalyse und -auswertung, um eine frühzeitige Erkennung von Prozessanomalien anhand von Datenmustern (bestehend aus Maschinendaten und zusätzlichen Sensordaten) zu ermöglichen. Dabei waren eine hohe Prozessvarianz bzw. ein hohes Maß an individueller Produktbearbeitung zu berücksichtigen, die in der konkret betrachteten Produktion bestehen.

Sensorik und Maschinelles Lernen zur Steigerung der Maschinen- und Prozesstransparenz

In der Herstellung von komplexen Bauteilen z.B. mit zerspannenden Bearbeitungsverfahren sind enge Toleranzfenster einzuhalten. Um eine hohe Bauteilqualität zu erreichen, ist ein fehlerfreies Zusammenspiel vieler Einzelkomponenten notwendig. Zusätzliche in den Prozess integrierte Sensorik ermöglicht es, den aktuellen Zustand des Fertigungsprozesses zu dokumentieren und ihn mit vergleichbaren (Teil-)Schritten von vorangegangenen Fertigungszyklen zu vergleichen. Auf diese Weise ist eine frühzeitige Erkennung von Prozessanomalien möglich. Dabei kommen inbesondere Vibrationssenoren zum Einsatz. Da die Sensorsignale eine hohe Komplexität aufweisen, sind Methoden der Künstlichen Intelligenz (KI) bzw. des Maschinellen Lernens (ML) für diese Problemstellung besonders geeignet. Durch den beschriebenen Ansatz werden Zusammenhänge von Maschinenstörungen, Fehlerbildern und verschiedenen Prozessen transparent und in Echtzeit einsehbar. Die Gesamtbetrachtung trägt wesentlich zur Steigerung der Maschinen- und Prozesstransparenz bei und ermöglicht zudem auch Anpassungen an den Fertigungsprozessen.

Projektablauf

Die Firma Voith hat in mehrere Bearbeitungszentren zusätzliche Sensorik integriert. Die Daten wurden über die Zeitdauer der Transferanalyse aufgezeichnet. In enger Zusammenarbeit wählten das Fraunhofer IPA und Voith mehrere Bauteile aus, die wiederholt zu verschiedenen Zeiten im Betrachtungszeitraum produziert wurden. Auf diese Weise konnte ein Vergleich von Sensordaten zu verschiedenen Zeitpunkten angestellt werden. Die aufgezeichneten Sensordaten wurden dann als Eingangsdaten für Algorithmen des Maschinellen Lernens verwendet, um das Vibrationsverhalten vorherzusagen und Abweichungen zum tatsächlichen Vibrationsverhalten ermitteln zu können. Hierbei berücksichtigte die Analyse auch die Informationen aus dem Fertigungsprogramm. Im Rahmen des Projekts konnten also die Voraussetzungen für eine frühzeitige Erkennung von Prozessanomalien in der betrachteten Produktion geschaffen werden.

Projektbeteiligte

• J.M. Voith SE & Co. KG I VTA