{"id":1054,"date":"2020-07-17T16:54:56","date_gmt":"2020-07-17T14:54:56","guid":{"rendered":"https:\/\/websites.fraunhofer.de\/stec\/?post_type=projects&p=1054"},"modified":"2023-09-22T09:13:28","modified_gmt":"2023-09-22T07:13:28","slug":"condition-monitoring-system-zur-erkennung-von-prozessanomalien","status":"publish","type":"projects","link":"https:\/\/s-tec.de\/en\/projects\/condition-monitoring-system-zur-erkennung-von-prozessanomalien\/","title":{"rendered":"Condition-Monitoring-System zur Erkennung von Prozess­anomalien"},"content":{"rendered":"\n\n
\n
\n
<\/div><\/div>\n\n\n\n

Ziel des Projekts war die Entwicklung von Machine-Learning-Algorithmen zur Datenanalyse und -auswertung, um eine fr\u00fchzeitige Erkennung von Prozessanomalien anhand von Datenmustern (bestehend aus Maschinendaten und zus\u00e4tzlichen Sensordaten) zu erm\u00f6glichen. Dabei waren eine hohe Prozessvarianz bzw. ein hohes Ma\u00df an individueller Produktbearbeitung zu ber\u00fccksichtigen, die in der konkret betrachteten Produktion bestehen.<\/p>\n\n\n\n

Sensorik und Maschinelles Lernen zur Steigerung der Maschinen- und Prozesstransparenz<\/h4>\n\n\n\n

In der Herstellung von komplexen Bauteilen z.B. mit zerspannenden Bearbeitungsverfahren sind enge Toleranzfenster einzuhalten. Um eine hohe Bauteilqualit\u00e4t zu erreichen, ist ein fehlerfreies Zusammenspiel vieler Einzelkomponenten notwendig. Zus\u00e4tzliche in den Prozess integrierte Sensorik erm\u00f6glicht es, den aktuellen Zustand des Fertigungsprozesses zu dokumentieren und ihn mit vergleichbaren (Teil-)Schritten von vorangegangenen Fertigungszyklen zu vergleichen. Auf diese Weise ist eine fr\u00fchzeitige Erkennung von Prozessanomalien m\u00f6glich. Dabei kommen inbesondere Vibrationssenoren zum Einsatz. Da die Sensorsignale eine hohe Komplexit\u00e4t aufweisen, sind Methoden der K\u00fcnstlichen Intelligenz (KI)<\/a> bzw. des Maschinellen Lernens (ML) f\u00fcr diese Problemstellung besonders geeignet. Durch den beschriebenen Ansatz werden Zusammenh\u00e4nge von Maschinenst\u00f6rungen, Fehlerbildern und verschiedenen Prozessen transparent und in Echtzeit einsehbar. Die Gesamtbetrachtung tr\u00e4gt wesentlich zur Steigerung der Maschinen- und Prozesstransparenz bei und erm\u00f6glicht zudem auch Anpassungen an den Fertigungsprozessen.<\/p>\n\n\n\n

<\/p>\n\n\n\n

Projektablauf<\/h4>\n\n\n\n

Die Firma Voith hat in mehrere Bearbeitungszentren zus\u00e4tzliche Sensorik integriert. Die Daten wurden \u00fcber die Zeitdauer der Transferanalyse aufgezeichnet. In enger Zusammenarbeit w\u00e4hlten das Fraunhofer IPA <\/a>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 f\u00fcr Algorithmen des Maschinellen Lernens verwendet, um das Vibrationsverhalten vorherzusagen und Abweichungen zum tats\u00e4chlichen Vibrationsverhalten ermitteln zu k\u00f6nnen. Hierbei ber\u00fccksichtigte die Analyse auch die Informationen aus dem Fertigungsprogramm. Im Rahmen des Projekts konnten also die Voraussetzungen f\u00fcr eine fr\u00fchzeitige Erkennung von Prozessanomalien in der betrachteten Produktion geschaffen werden.<\/p>\n\n\n\n

Projektbeteiligte<\/h4>\n\n\n\n