Direkt zum Inhalt
header image
Industrie 4.0 Management
37. Jahrgang, 2021, Ausgabe 1, Seite 35-38
Ansatz zur Zustandsbeschreibung technischer Bauteile
Prognose der Restnutzungsdauer basierend auf zeitdiskret erfassten Bauteilzuständen mithilfe mobiler Sensorik

Lukas Egbert, Anton Zitnikov, Thorsten Tietjen und Klaus-Dieter Thoben, Universität Bremen − BIK, Bremen

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.

Schlüsselwörter: Restlebensdauer, Predictive Maintenance, Lastzyklen, Abnutzung, Prognosemodell, Machine Learning
Quellen:

[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.

Weitere Open Access Beiträge

securPharm 
Die Absicherung der pharmazeutischen Lieferkette 

Chantal Mause, Rahel Kröhnert und Dieter Uckelmann, Hochschule für Technik Stuttgart

https://doi.org/10.30844/I40M_21-2_S44-47

 

Potenziale von Reinforcement Learning für die Produktion 

Marco Huber, Tobias Nagel, Raphael Lamprecht und Florian Eiling, Fraunhofer IPA, Stuttgart

https://doi.org/10.30844/I40M_21-2_S25-29