Predictive Maintenance für Lager mit Embedded KI
FVA 885 II | FVA gefördert
Ansätze zum Condition Monitoring und Predictive Maintenance von Wälzlagern erfordern eine intelligente, möglichst dezentrale Auswertung von Sensordaten. In diesem Bereich haben Machine Learning Verfahren große Fortschritte erzielt. Mit der zunehmenden Leistungsfähigkeit von Microcontrollern wird der Einsatz von KI direkt am Lager praktika-bel und schafft Vorteile bei Latenz, Kosten, Bandbreite und Datenschutz. Die vorliegende Studie adressiert die zentralen Forschungsfragen, welche KI-Verfahren und Systemarchitekturen sich für eine lagerbasierte Zustandsdiagnose auf kostengünstiger Embedded-Hardware eignen und wie diese in industriellen Antriebssystemen mit begrenztem Budget verlässlich eingeführt werden können. Hierzu wurden eine Vielzahl von Maschine Learning -Verfahren und Systemarchitekturen erklärt und praktisch umgesetzt, die sich für die dezentrale Zustandsdiagnose mit Low-Cost-Hardware (Microcontroller und MEMS-Beschleunigungssensoren) eignen.
In Voruntersuchungen und an drei heterogenen Prüfständen konnten hohe Vorhersagegenauigkeit, geringer Speicherverbrauch und Echtzeitfähigkeit an vielen modernen ML-Verfahren dargelegt werden.
Hierbei wurde Kombinationen aus verschiedenen Vorverarbeitungsschritten (Sampling, Filter, Domänentransformation), Feature Extraktionen und ML-Verfahren (CNN; ANN; Random Forest, ) untersucht und auf dem Microcontroller umgesetzt.
Die Ergebnisse auf dem eigens entwickelten Fraunhofer-Prüfstand zeigten sowohl für fixe und variable Drehzahlen hohe Genauigkeiten bei der Lagerzustandsklassifizierung. Auch auf Felddaten und simulierten Daten zeigten, die umgesetzten Maschine Learning Verfahren hohe Genauigkeiten (z.T. über 99 %). Das Potential und die zukünftige Bedeutung für schwingungsbasierte CbM und PM System auf Basis von Embedded KI konnte somit klar aufgezeigt werden.
Die Forschungsergebnisse bieten Unternehmen, insbesondere KMU, wertvolle Einblicke und Handlungsempfehlungen zur Implementierung von KI Technologien auf eingebetteten Systemen zur Lagerzustandsbestimmung. Dies stärkt die Wettbewerbsfähigkeit und bietet dezentrale, kostengünstige Lösung für intelligente Sensorsys-teme in der Antriebstechnik.
Das Projekt FVA 885 I der Forschungsvereinigung Antriebstechnik e.V. (FVA) wurde über Eigenmittel finanziert.