Sensorik und KI Das holographische Prinzip für Predictive Maintenance nutzen

Verschleiß an metallischen Teilen lässt sehr gut am Klang feststellen. Daraus können dann Instandhaltungsstrategien abgeleitet werden. Soll dieses Prinzip - in der Physik holographisches Prinzip genannt - auf komplexe Maschinen angewendet werden, muss maschinelles Lernen zum Einsatz kommen.

Anbieter zum Thema

Paessler AG

Parasoft® Deutschland GmbH

Laika Communications GmbH

Die Physik definiert Schall als eine Vibration, die sich als hörbare Welle durch ein Übertragungsmedium wie Gas, Flüssigkeit oder Festkörper ausbreitet. Die meisten Geräusche, die wir hören, werden durch Festkörper erzeugt. Selbst bei der menschlichen Sprache ist dies der Fall. Denn da wir beim Sprechen auch gleichzeitig atmen müssen, ist die Muskelspannung der Stimmlippen perfekt abgestimmt, um Stimme zu erzeugen.

Und Klang löst etwas in uns aus! Manchmal geschieht dies jedoch unterbewusst. Wenn Menschen ein merkwürdiges Geräusch hören, wie zum Beispiel das Klirren eines Teelöffels im Glas oder ein niederfrequentes Brüllen aus der Ferne, dann kommt es oft automatisch zu einer Körperreaktion: Unter Umständen empfinden wir ein dubioses Gefühl potenzieller Gefahr, das sich in Form von Gänsehaut zeigt. Was bei uns Menschen funktioniert, um uns zu warnen, funktioniert auch bei der vorausschauenden Wartung von Maschinen aller Art.

Der Klang gibt Auskunft über den Verschleiß

Der renommierte Physiker Richard Feynman stellte einmal die Überlegung an, dass man berechnen könnte, was im Wasser passiert, indem man lediglich die Wellen an der Schwimmbadecke beobachtet. Die Information darüber wann und was mit einem Objekt passiert, könnte vollständig in Oberflächenschwankungen enthalten sein. Diese Annahme kennt man in der Physik als das „holographische Prinzip“. Dieses Prinzip bildet die Grundlage für zahlreiche prädiktive Technologien, die mechanische Fehler frühzeitig erkennen. Maschinen werden überwiegend aus Metall hergestellt, das Klang sehr gut verbreitet. Deshalb spielt Physik eine große Rolle wie beispielsweise bei Abnutzungen von Lagern.

Dieser Verschleiß lässt sich gut über Klang feststellen. Eine derartige Abnutzung kann nicht invasiv von der Oberfläche des Lagers gemessen werden. Prädiktive Technologien werden verwendet, um den mechanischen Zustand der Maschine zu ermitteln. In manchen Fällen wird sogar die verbleibende Nutzungsdauer ermittelt. Solche diagnostischen Methoden werden bereits seit Jahrzehnten in der Industrie eingesetzt, insbesondere für Maschinen mit einfachen Bewegungen. Zum Beispiel rotierende Geräte, bei denen selbst einfache Gleichungen zum gewünschten Ergebnis führen.

Komplexe Sache: Prädiktive Vorhersage bei komplexen Maschinen

Jedoch gibt es weltweit zahlreiche viel komplexere Maschinen wie Roboter, Kräne, Druckmaschinen und Motoren. Diese Maschinen zeichnen sich durch eine Vielzahl von Faktoren wie eine mehrfach bewegliche Achse, Gelenke, Getriebe, linearer, diperiodischer Betrieb und vieles mehr aus. Daraus ergibt sich in der Praxis die Frage, ob und wie all diese Faktoren unter Kontrolle gehalten werden können.

Um den Zustand von komplexen Maschinen zu analysieren, müssen sehr viele Sensoren und sehr komplizierte Gleichungen angewendet werden. Solche Verfahren erscheinen zunächst sehr teuer und unpraktisch. Abgesehen davon gibt es ein paar Ausnahmen, wie zum Beispiel die Turbine eines Kernkraftwerks, an der Hunderte von Sensoren installiert wurden.

Real sind wir an der Anzahl von Sensoren, der verfügbaren Datenmengen und der vertretbaren Kosten für die Rechenleistung begrenzt. Die gängigsten Maschinen werden normalerweise nur von einem oder wenigen Sensoren überwacht. Daher überlappen sich Signale aus verschiedenen Quellen sehr einfach und als Folge kann der Schall für das menschliche Ohr als komplettes Durcheinander klingen.

In diesen Fällen kommen besondere Algorithmen der künstlichen Intelligenz und das maschinelle Lernen ins Spiel, die komplexe Signale verarbeiten können, um den Zustand der Maschine zu bestimmen. Ein selbstlernender Algorithmus ist in der Lage, sich zu merken, wie unterschiedlich sich verschiedene Probleme anhören und kann dennoch gleichzeitig den Betrieb spezifischer Operationen jeder Maschine einzeln kalibrieren. Komplexe Algorithmen der künstlichen Intelligenz ermöglichen es, jeden Sensor einzeln oder in verschiedensten Kombinationen zu überwachen.

#experte

Vorausschauende Wartung

Wann ist Predictive Maintenance sinnvoll?

Mit IoT-Technologie riesige Audio-Datensätze kostengünstig verarbeiten

Dank der schnellen Fortschritte der IoT-Technologie - dem sogenannten Internet der Dinge - erhalten wir von Sensoren größere Datenmengen für Analysen. Einschließlich riesigen Audio-Datensätzen die heutzutage mittels künstlicher Intelligenz zu einem günstigen Preis-Leistungs-Verhältnis verarbeitet werden können. Darüber hinaus können wir uns vorstellen, dass mit zunehmender Leistungsfähigkeit von 3D gedruckten Bauteilen, bald Sensoren direkt in das Material verbaut werden könnten. Kombiniert mit Edge-Computing könnten viele Daten lokal verarbeitet werden, wodurch ein neuer ‘‘Sinn‘‘ entsteht. Mit diesem Sinn können Maschinen ihre eigenen Fehler erspüren und bei Bedarf Hilfe anfordern.

(ID:46334420)