37, 2021, 35-38
Ansatz zur Zustandsbeschreibung technischer Bauteile

Bibtex

Cite as text

						@Article{Egbert+Zitnikov+Tietjen+Thoben,
							 
							Year= "2021", 
							Number= "1", 
							 Volume= "37", 
							Pages= "35-38", 
							Journal   = "Industrie 4.0 Management",
							 Title= "Ansatz zur Zustandsbeschreibung technischer Bauteile", 
							Author= "Lukas {Egbert}, Anton {Zitnikov}, Thorsten {Tietjen} und Klaus-Dieter {Thoben}", 
							Doi= "https://doi.org/10.30844/I40M_21-2_S35-38", 
							 Abstract= "Dieser Beitrag beschreibt eine Herangehensweise für eine Predictive Maintenance-Lösung, bei der die Bauteilabnutzung technischer Systeme mithilfe eines Sensorik-Toolkits erfasst und mittels eines Prognosetools überwacht wird. Die Sensorik als auch das Prognosetool müssen flexibel ausgelegt sein, damit sie zielführend an unterschiedlichen technischen Systemen einsetzbar sind. Die Zustandsbestimmung der Bauteile erfolgt dabei nicht kontinuierlich, sondern basierend auf zeitdiskreten Messungen. Anhand der aufgenommenen Daten wird über ein Prognosemodell die wahrscheinliche Restnutzungsdauer der Bauteile prognostiziert. Für die Erstellung der Prognose dient ein Machine Learning Tool, welches mit historischen Abnutzungsverläufen trainiert wird. Die Trainingsdaten werden durch statistische Versuche erfasst, in denen die Einflussgrößen und charakteristische Verläufe verschiedener Abnutzungsarten identifiziert werden. Als Grundlage für diesen Beitrag dienen Untersuchungen an einem Rolltor, die im Rahmen des „LongLife“ Projekts durchgeführt wurden, das vom Bundesministerium für Bildung und Forschung gefördert wird. Das Forschungsvorhaben ist der Fördermaßnahme „Ressourceneffiziente Kreislaufwirtschaft – Innovative Produktkreisläufe“ (ReziProK) zugeordnet und hat eine Laufzeit von 36 Monaten.", 
							 Keywords= "Restlebensdauer, Predictive Maintenance, Lastzyklen, Abnutzung, Prognosemodell, Machine Learning", 
							}
					
Lukas {Egbert}, Anton {Zitnikov}, Thorsten {Tietjen} und Klaus-Dieter {Thoben}(2021): Ansatz zur Zustandsbeschreibung technischer Bauteile. 371(2021), S. 35-38. Online: https://doi.org/10.30844/I40M_21-2_S35-38 (Abgerufen 28.03.24)

Abstract

Abstract

Dieser Beitrag beschreibt eine Herangehensweise für eine Predictive Maintenance-Lösung, bei der die Bauteilabnutzung technischer Systeme mithilfe eines Sensorik-Toolkits erfasst und mittels eines Prognosetools überwacht wird. Die Sensorik als auch das Prognosetool müssen flexibel ausgelegt sein, damit sie zielführend an unterschiedlichen technischen Systemen einsetzbar sind. Die Zustandsbestimmung der Bauteile erfolgt dabei nicht kontinuierlich, sondern basierend auf zeitdiskreten Messungen. Anhand der aufgenommenen Daten wird über ein Prognosemodell die wahrscheinliche Restnutzungsdauer der Bauteile prognostiziert. Für die Erstellung der Prognose dient ein Machine Learning Tool, welches mit historischen Abnutzungsverläufen trainiert wird. Die Trainingsdaten werden durch statistische Versuche erfasst, in denen die Einflussgrößen und charakteristische Verläufe verschiedener Abnutzungsarten identifiziert werden. Als Grundlage für diesen Beitrag dienen Untersuchungen an einem Rolltor, die im Rahmen des „LongLife“ Projekts durchgeführt wurden, das vom Bundesministerium für Bildung und Forschung gefördert wird. Das Forschungsvorhaben ist der Fördermaßnahme „Ressourceneffiziente Kreislaufwirtschaft – Innovative Produktkreisläufe“ (ReziProK) zugeordnet und hat eine Laufzeit von 36 Monaten.

Keywords

Schlüsselwörter

Restlebensdauer, Predictive Maintenance, Lastzyklen, Abnutzung, Prognosemodell, Machine Learning

References

Referenzen

[1] Steinhilper, W.; Sauer, B.: Konstruktionselemente des Maschinenbaus 2, 7. Auflage. Berlin Heidelberg 2012.

[2] Zhang, S.: Instandhaltung und Anlagenkosten. Wiesbaden 1990.

[3] Schiefer, H.; Schiefer, F.: Statistik für Ingenieure. Wiesbaden 2018.

[4] Siebertz, K.; van Bebber, D.; Hochkirchen, T.: Statistische Versuchsplanung, 2. Auflage. Berlin Heidelberg 2017.

[5] Walther Flender GmbH: Exakt kalkulierbare Lebensdauer von Zahnriemenantrieben mit L.E.A.N Drive. URL: www.walther-flender.de/de/lean-drive-lebensdauerberechnung, Abrufdatum 12.11.2020.

[6] Bender, A.: Entwicklung eines Condition Monitoring Systems für Gummi-Metall-Elemente. In: Verlagsschriftenreihe Des Heinz Nixdorf Instituts 369 (2017), S. 347-358.

[7] Susmita, R.: A Quick Review of Machine Learning Algorithms. In: International Conference on Machine Learning, Big Data, Cloud and Parallel Computing (2019), S. 35-39.

GITO events | library.gito