SKALISENS

Wachsende Ansprüche an die Verfügbarkeit und Effizienz von Produktionsanlagen führen zu einem größeren Bedarf, laufend Informationen über deren Zustand zu erhalten. Diese werden durch Condition Monitoring Systeme (CMS) gewonnen. Die sensorbasierte Überwachung des aktuellen Zustands ermöglicht die frühzeitige Detektion eintretender Schäden und Verschleißzustände, was zur Optimierung von Wartungsprogrammen genutzt wird. Insbesondere bei industriellen Anwendungen ist die Bandbreite der Einsatzfälle und Betriebsumgebungen der zu überwachenden Komponenten allerdings sehr groß. Ein anschauliches Beispiel sind die weit verbreiteten Wälzlager in der Antriebstechnik. Kleinste Ausführungen finden sich in der Medizintechnik, während in Windenergieanlagen und Kränen Durchmesser von mehreren Metern erreicht werden, ebenso variieren die aufzunehmenden Lasten, Drehzahlen und Betriebsdauern von einigen hundert bis zu einigen hunderttausend Stunden. Es werden daher deutliche Anpassungen des CMS für jeden Einzelfall notwendig. Dies betrifft zunächst die Instrumentierung mit verschiedenartiger Sensorik, für Vibration, Ultraschall, Temperaturen oder Messung der Verunreinigungen in Schmiermitteln. Es zeigt sich, dass hier jeweils unterschiedliche Messgrößen zur Erzeugung aussagekräftiger Schadensmerkmale geeignet sind. Daraus resultieren Anpassungsarbeiten an den verwendeten Algorithmen zur Signalanalyse, Merkmalsextraktion und Klassifikation. Besonderes Potential liegt in der permanenten Instrumentierung mit heterogenen, miteinander vernetzten Sensoren im Sinne des IoT (Internet of Things) in Verbindung mit einer multivariaten Datenanalyse. Im Projekt SKALISENS wird ein skalierbares Sensornetzwerk entwickelt und getestet, welches die Fähigkeit besitzt, unterschiedliche Sensoren und ihre Datenströme zu integrieren, und dabei leicht an unterschiedliche Probleme anpassbar zu sein, indem z.B. weitere Sensoren hinzugenommen werden. 

Das Fraunhofer IZFP bringt hierzu seine Kompetenzen in der Ultraschallanalyse und eine flexibel programmierbare Sensorplattform ein, welche die Erfassung verschiedener weiterer Messgrößen ermöglicht. Das Fraunhofer IIS-EAS besitzt langjährige Erfahrung in der industriellen Datenanalyse mit Methoden des maschinellen Lernens und bringt die Datenplattform DeepInsights ein. Beide Institute sind etablierte Partner der Industrie in Fragen der Zustandsüberwachung und Zustandsdiagnose.

Hauptnutzen für den Anwender und Vorteile:

• Erhöhung der Genauigkeit der Datenanalyse durch Aggregation heterogener Messdaten

• Erhöhte Robustheit des Systems z.B. gegen temporäre Ausfälle durch gegenseitige Validierung von Sensoren

• Schnelle Anpassung und Konfiguration des Systems an Anwendungen, für die ein System auf Basis nur einer Sensorgröße (z.B. Vibration) keine zufriedenstellenden Ergebnisse liefert.

• IoT-basiertes Systemkonzept ermöglicht die Integration in IT-Infrastrukturen und einfache Skalierung durch Hinzunahme weiterer Sensoren.