TU Darmstadt / ULB / TUbiblio

Clusterbasierte Zustandsbewertung von technischen Systemen zur Unterstützung der prädiktiven Instandhaltung

Preusche, Christian (2018)
Clusterbasierte Zustandsbewertung von technischen Systemen zur Unterstützung der prädiktiven Instandhaltung.
Technische Universität Darmstadt
Dissertation, Erstveröffentlichung

Kurzbeschreibung (Abstract)

Die zunehmende Digitalisierung ermöglicht Unternehmen die Umsetzung neuartiger Instandhaltungsansätze. So wird bei der prädiktiven Instandhaltung anhand von Sensordaten eine umfassende und kontinuierliche Bewertung des Zustands eines technischen Systems vorgenommen. Fehlerhaftes Verhalten kann frühzeitig diagnostiziert und der Ausfallzeitpunkt prognostiziert werden. Als Konsequenz lassen sich notwendige Instandhaltungsmaßnahmen effizient planen. Die Umsetzung einer prädiktiven Instandhaltung erfordert die Entwicklung von innovativen Algorithmen. Dadurch motiviert ist das Ziel der vorliegenden Arbeit die Entwicklung, Implementierung und Bewertung eines datenbasierten Algorithmus. Der Fokus liegt dabei auf der Entwicklung eines neuen Ansatzes zur Diagnose der Degradation eines Systems. Ungenauigkeiten bei diesem Schritt führen zu einer fehlerbehafteten Prognose und somit zu falsch geplanten Instandhaltungsmaßnahmen. Auf Basis historischer Schadensverläufe identifizieren und modellieren datenbasierte Algorithmen Zusammenhänge zwischen dem Zustand des Systems und Merkmalen, welche aus den Sensorsignalen gewonnen werden. Eine Herausforderung hierbei ist, dass die Relevanz von Merkmalen zwischen unterschiedlichen Schadensverläufen aufgrund der Stochastik von Degradierungsprozessen variiert. Dies erschwert eine einheitliche Modellierung. Der in dieser Arbeit vorgeschlagene Algorithmus löst dieses Problem mithilfe der hierarchischen Clusteranalyse. Dies ermöglicht, ähnliche Schadensverläufe innerhalb einer Datenbank zu identifizieren und anschließend zu gruppieren. Innerhalb dieser Gruppen können datenbasierte Algorithmen relevante Merkmale erkennen und Zusammenhänge modellieren. Zu diesem Zweck wird ein Algorithmus vorgeschlagen, welcher die automatische Identifikation und Bewertung von Merkmalen auf Grundlage von historischen Daten erlaubt. Die Abschätzung des Zustands findet in zwei Schritten statt. Zunächst erfolgt die Bestimmung der ähnlichsten Gruppe zum aktuellen Schadensverlauf. Im Anschluss findet die Bewertung des Zustands anhand geeigneter Merkmale statt. Die vorliegende Arbeit behandelt drei Forschungsfragen. Die Erste analysiert den Einfluss des Ansatzes auf die Prognosefähigkeit. Bei einer Gegenüberstellung mit einem Vergleichsalgorithmus zeigt sich, dass die Gruppierung von Schadensverläufen die Zustandsbewertung positiv beeinflusst. Dadurch kann die Genauigkeit der Restlebensdauerprognose erhöht und Unsicherheiten der Vorhersage reduziert werden. Die zweite Forschungsfrage untersucht die Übertragbarkeit des Ansatzes auf unterschiedliche Anwendungsfälle. Drei definierte Szenarien liefern den Nachweis, dass der Ansatz ohne Anpassungen eine Prognose auf Basis unterschiedlicher Sensorquellen ermöglicht. Eine generelle Übertragbarkeit ist jedoch nicht gewährleistet, da hinsichtlich einer äußeren Belastung Einschränkungen vorzunehmen sind. Im Rahmen der dritten Fragestellung wird eine wirtschaftliche Betrachtung durchgeführt. Dabei wird analysiert, ob eine Instandhaltung auf Basis des entwickelten Algorithmus einen Vorteil gegenüber einem herkömmlichen Ansatz bietet. Zu diesem Zweck werden die Systemkosten pro Zeiteinheit betrachtet, die sich aus fiktiven Kosten für präventive und korrektive Instandhaltungsmaßnahmen berechnen. Das Ergebnis dieser Gegenüberstellung ist, dass eine Halbierung der Systemkosten und eine Verringerung der ungeplanten Ausfälle möglich sind, wenn ein Austausch auf Basis der prognostizierten Restlebensdauer stattfindet. Mit dem Ziel, die Untersuchungen unter realistischen Rahmenbedingungen durchzuführen, zieht die vorliegende Arbeit reale Schadensverläufe einer Beispielkomponente heran. Diese wurden mithilfe eines Prüfstandes erhoben, der die Erfassung des Degradierungsprozesses von Lagerelementen eines Asynchronmotors ermöglicht. Zur Generierung einer Datenbasis dienten die Phasenströme des Motors sowie die am Gehäuse gemessenen Vibrationen.

Typ des Eintrags: Dissertation
Erschienen: 2018
Autor(en): Preusche, Christian
Art des Eintrags: Erstveröffentlichung
Titel: Clusterbasierte Zustandsbewertung von technischen Systemen zur Unterstützung der prädiktiven Instandhaltung
Sprache: Deutsch
Referenten: Klingauf, Prof. Uwe ; Metternich, Prof. Joachim
Publikationsjahr: August 2018
Ort: Darmstadt
Datum der mündlichen Prüfung: 10 April 2018
URL / URN: https://tuprints.ulb.tu-darmstadt.de/7720
Kurzbeschreibung (Abstract):

Die zunehmende Digitalisierung ermöglicht Unternehmen die Umsetzung neuartiger Instandhaltungsansätze. So wird bei der prädiktiven Instandhaltung anhand von Sensordaten eine umfassende und kontinuierliche Bewertung des Zustands eines technischen Systems vorgenommen. Fehlerhaftes Verhalten kann frühzeitig diagnostiziert und der Ausfallzeitpunkt prognostiziert werden. Als Konsequenz lassen sich notwendige Instandhaltungsmaßnahmen effizient planen. Die Umsetzung einer prädiktiven Instandhaltung erfordert die Entwicklung von innovativen Algorithmen. Dadurch motiviert ist das Ziel der vorliegenden Arbeit die Entwicklung, Implementierung und Bewertung eines datenbasierten Algorithmus. Der Fokus liegt dabei auf der Entwicklung eines neuen Ansatzes zur Diagnose der Degradation eines Systems. Ungenauigkeiten bei diesem Schritt führen zu einer fehlerbehafteten Prognose und somit zu falsch geplanten Instandhaltungsmaßnahmen. Auf Basis historischer Schadensverläufe identifizieren und modellieren datenbasierte Algorithmen Zusammenhänge zwischen dem Zustand des Systems und Merkmalen, welche aus den Sensorsignalen gewonnen werden. Eine Herausforderung hierbei ist, dass die Relevanz von Merkmalen zwischen unterschiedlichen Schadensverläufen aufgrund der Stochastik von Degradierungsprozessen variiert. Dies erschwert eine einheitliche Modellierung. Der in dieser Arbeit vorgeschlagene Algorithmus löst dieses Problem mithilfe der hierarchischen Clusteranalyse. Dies ermöglicht, ähnliche Schadensverläufe innerhalb einer Datenbank zu identifizieren und anschließend zu gruppieren. Innerhalb dieser Gruppen können datenbasierte Algorithmen relevante Merkmale erkennen und Zusammenhänge modellieren. Zu diesem Zweck wird ein Algorithmus vorgeschlagen, welcher die automatische Identifikation und Bewertung von Merkmalen auf Grundlage von historischen Daten erlaubt. Die Abschätzung des Zustands findet in zwei Schritten statt. Zunächst erfolgt die Bestimmung der ähnlichsten Gruppe zum aktuellen Schadensverlauf. Im Anschluss findet die Bewertung des Zustands anhand geeigneter Merkmale statt. Die vorliegende Arbeit behandelt drei Forschungsfragen. Die Erste analysiert den Einfluss des Ansatzes auf die Prognosefähigkeit. Bei einer Gegenüberstellung mit einem Vergleichsalgorithmus zeigt sich, dass die Gruppierung von Schadensverläufen die Zustandsbewertung positiv beeinflusst. Dadurch kann die Genauigkeit der Restlebensdauerprognose erhöht und Unsicherheiten der Vorhersage reduziert werden. Die zweite Forschungsfrage untersucht die Übertragbarkeit des Ansatzes auf unterschiedliche Anwendungsfälle. Drei definierte Szenarien liefern den Nachweis, dass der Ansatz ohne Anpassungen eine Prognose auf Basis unterschiedlicher Sensorquellen ermöglicht. Eine generelle Übertragbarkeit ist jedoch nicht gewährleistet, da hinsichtlich einer äußeren Belastung Einschränkungen vorzunehmen sind. Im Rahmen der dritten Fragestellung wird eine wirtschaftliche Betrachtung durchgeführt. Dabei wird analysiert, ob eine Instandhaltung auf Basis des entwickelten Algorithmus einen Vorteil gegenüber einem herkömmlichen Ansatz bietet. Zu diesem Zweck werden die Systemkosten pro Zeiteinheit betrachtet, die sich aus fiktiven Kosten für präventive und korrektive Instandhaltungsmaßnahmen berechnen. Das Ergebnis dieser Gegenüberstellung ist, dass eine Halbierung der Systemkosten und eine Verringerung der ungeplanten Ausfälle möglich sind, wenn ein Austausch auf Basis der prognostizierten Restlebensdauer stattfindet. Mit dem Ziel, die Untersuchungen unter realistischen Rahmenbedingungen durchzuführen, zieht die vorliegende Arbeit reale Schadensverläufe einer Beispielkomponente heran. Diese wurden mithilfe eines Prüfstandes erhoben, der die Erfassung des Degradierungsprozesses von Lagerelementen eines Asynchronmotors ermöglicht. Zur Generierung einer Datenbasis dienten die Phasenströme des Motors sowie die am Gehäuse gemessenen Vibrationen.

Alternatives oder übersetztes Abstract:
Alternatives AbstractSprache

The increasing digitalisation allows companies to implement innovative maintenance approaches. In predictive maintenance, for example, a comprehensive and continuous assessment of the condition of a technical system is carried out on the basis of sensor data. Faulty behaviour can be diagnosed at an early stage and the time of failure can be predicted. In this way, necessary maintenance activities can be planned efficiently. The implementation of predictive maintenance requires the development of innovative algorithms. This motivates the goal of the present work to develop, implement and evaluate a data-based algorithm. The focus is on the development of an approach to diagnose the degradation of a system. Inaccuracies in this step lead to a faulty prognosis and thus to incorrectly planned maintenance tasks. On the basis of historical damage progressions, data-based algorithms identify and model correlations between the state of the system and features derived from the sensor signals. A challenge here is that the relevance of features varies between different damage progressions due to the stochastics of degradation processes. This circumstance renders uniform modelling more difficult. The algorithm proposed in this thesis analyses historical damage processes within a database using hierarchical cluster analysis. This enables the identification and grouping of comparable degradation processes. Within these groups, data-based algorithms can better identify relevant features and model correlations. For this purpose, an algorithm is proposed that allows the automatic identification and rating of features based on historical data. The estimation of the condition is performed in two steps. First of all, the most similar group to the current damage progression is determined, then the condition is evaluated on the basis of suitable features. This thesis deals with three research questions. The first concerns the influence of the approach on prognosis. A comparison with a comparative algorithm shows that the grouping of damage processes has a positive influence on the condition assessment. As a result, the accuracy of the remaining useful lifetime prognosis can be increased and uncertainties of the prediction reduced. The second research question examines the transferability of the approach to different applications. By setting up three defined scenarios, it was possible to prove that the approach enables a prognosis based on different sensor sources without adjustments. However, a general transferability is not guaranteed, since restrictions are made with regard to external loads. In the third question, an economic analysis is carried out. It is analyzed whether maintenance based on the developed algorithm offers an advantage over a conventional approach. For this purpose, the system costs per time unit are taken into account, which are calculated from fictive costs for preventive and corrective maintenance tasks. It can be shown that it is possible to halve system costs and reduce unplanned downtime if replacement takes place on the basis of the predicted remaining lifetime. With the aim of carrying out the investigations under realistic conditions, the present work uses real damage progressions of an example component. These were obtained by means of a test rig that allowed the degradation process of bearing elements of an asynchronous motor to be recorded. The phase currents of the motor and the vibrations measured at the housing were used to generate a database.

Englisch
URN: urn:nbn:de:tuda-tuprints-77206
Sachgruppe der Dewey Dezimalklassifikatin (DDC): 600 Technik, Medizin, angewandte Wissenschaften > 620 Ingenieurwissenschaften und Maschinenbau
Fachbereich(e)/-gebiet(e): 16 Fachbereich Maschinenbau
16 Fachbereich Maschinenbau > Fachgebiet für Flugsysteme und Regelungstechnik (FSR)
16 Fachbereich Maschinenbau > Fachgebiet für Flugsysteme und Regelungstechnik (FSR) > Sichere Systeme
Hinterlegungsdatum: 16 Sep 2018 19:55
Letzte Änderung: 16 Sep 2018 19:55
PPN:
Referenten: Klingauf, Prof. Uwe ; Metternich, Prof. Joachim
Datum der mündlichen Prüfung / Verteidigung / mdl. Prüfung: 10 April 2018
Export:
Suche nach Titel in: TUfind oder in Google
Frage zum Eintrag Frage zum Eintrag

Optionen (nur für Redakteure)
Redaktionelle Details anzeigen Redaktionelle Details anzeigen