Modellgestützter Entwurf eines Zustandsüberwachungssystems (CMS) am Beispiel einer Axialkolben-Schrägscheibenpumpe

Verschleißerscheinungen an Maschinen und Anlagen beeinträchtigen deren Lebensdauer und Zuverlässigkeit, weshalb Methoden der automatisierten Zustandsüberwachung zunehmend an Bedeutung gewinnen. In diesem Beitrag stellen wir einen modellgestützten Entwurfsansatz für ein CMS am Beispiel einer Schwingungsmessung an einer Axialkolbenmaschine vor. Diese Methode stützt sich auf ein Modell der betrachteten Baugruppe und vereint Informationen aus Multiphysik-Simulation und Expertenwissen bei der Klassifikation von Schadensbildern. Sie besitzt deshalb ein erhebliches Potenzial, insbesondere wenn Verschleißerscheinungen nicht oder nur aufwändig in einem Experiment nachgebildet werden können. Ausgehend von einem komplexen Modell identifizieren wir wesentliche Komponenten für ein reduziertes Modell und berechnen dessen Parameter mit Hilfe von Optimierungsmethoden. Durch Parametervariation können Verschleiß nachgebildet und modellgestützte Messdaten erzeugt werden. Diese werden anschließend für das Training eines Neuronalen Netzes verwendet, das die Klassifikation von Schadenstypen für reale Messdaten vornimmt.

Since durability and reliability of machines are subject to wear and tear, methods of automated condition monitoring become increasingly important. In this paper we present a model based development approach for a CMS and demonstrate its application by means of vibration measurements of an axial piston pump. This method is based on a multi-physics model of the device and combines simulation results with expert knowledge to recognize and classify different types of wear. The great potential of this approach lies in the replacement of costly experiments by a computer model. Starting from a multi-body model of the pump we identify substantial parts to reduce the complexity, whereas parameters are calculated by optimization methods. The variation of certain parameters yields simulation results for worn devices. Based on this artificial data, a neural network is trained to classify measured signals according to different types of defects.