Entwicklung eines Verfahrens zur dezentralen Analyse elektrischer Stromprofile mittels künstlicher neuronaler Netze für die zustandsorientierte, voraussagende Instandhaltung

Aufgrund des globalen Wettbewerbs und einer Zunahme der Produktvielschichtigkeit ist die Komplexität der Produktionssysteme in den vergangenen Jahren gestiegen. Zusammen mit der fortschreitenden Automatisierung resultiert daraus eine Zunahme der Störanfälligkeit. Die zustandsorientierte, voraussagende Instandhaltung mittels prädiktiver Analytik gewinnt damit zunehmend an Bedeutung. Für die Zustandsdetektion sind die elektrischen Stromprofile dieser Systeme prädestiniert. Neben einem hohen Informationsgehalt weisen diese eine universelle Verfügbarkeit in Produktionsanlagen auf und können vergleichsweise kostengünstig erfasst werden. In der vorliegenden Arbeit wird ein Verfahren vorgestellt, das sich der echtzeitnahen und dezentralen Erzeugung von relevantem Produktionswissen aus Stromprofilen technischer Anlagen im Kontext der Instandhaltung widmet. Zielstellung dabei ist die Schaffung einer vertikalen Datenkontinuität - von der Messstelle in der Anlage bis zum Mitarbeitenden der Instandhaltung - in einem elektronischen System. Basierend auf dem hierfür eingeführten Lean-Data-Ansatz, der die Datenwertschöpfung mittels eingebetteter Systeme vollständig an die Messstelle verlegt, wurde das praxisorientierte Lean-Data-Verfahren formuliert. Dieses kombiniert die Datenhomogenisierung, -nutzbarmachung sowie -verwertung und wurde in einer elektronischen Sensor- und Auswerteeinrichtung, für die praxisorientierte Erprobung des Verfahrens im Rahmen dreier Anwendungsszenarien, technisch realisiert. Im ersten Szenario wurden 26 verschiedene Betriebsszenarien anhand der elektrischen Stromprofile der Hauptzuleitung eines Antriebstechniksystems zuverlässig im laufenden Betrieb klassifiziert. Im zweiten Szenario wurde die Detektion des Abnutzungsvorrats an einem System zur Bremsenverschleißsimulation anhand sechs diskreter Abnutzungsstufen ermöglicht. Darauf basierend wurde ein Prognosealgorithmus für die zuverlässige Vorhersage der Restnutzungsdauer umgesetzt und erfolgreich erprobt. In einem dritten Szenario wurde die kontinuierliche und echtzeitnahe Bohrerverschleißvorhersage mittels Stromprofilen einer Säulenbohrmaschine erfolgreich umgesetzt.