CC BY-ND 4.0Schmidt, ChristianChristianSchmidtMey, OliverOliverMeyKlein, SamuelSamuelKleinSchneider, AndréAndréSchneiderMayer, DirkDirkMayerEnge-Rosenblatt, OlafOlafEnge-RosenblattHerrmann, Hans-GeorgHans-GeorgHerrmann2022-12-152022-12-152022https://publica.fraunhofer.de/handle/publica/430069https://doi.org/10.24406/publica-64810.24406/publica-648Die steigende Nachfrage nach effizienten, zuverlässigen und verfügbaren industriellen Produktionsanlagen hat zur Entwicklung von Systemen zur kontinuierlichen Zustandsüberwachung (CM) geführt. Durch die Analyse von Sensorsignalen und eine frühzeitige Erkennung und Klassifizierung von Schäden durch CM-Systeme, können drohende Ausfälle bedingt durch Verschleiß frühzeitig erkannt werden, was eine kosteneffiziente vorausschauende Wartung von Fertigungssystemen ermöglicht und schwere Schäden verhindert. Die Datenanalyse kann durch die Anwendung von Algorithmen des maschinellen Lernens (ML) und die Fusion von Daten aus heterogenen Sensoren verbessert werden. Mittels einer eigens entwickelten, flexiblen, Iot-fähigen Linux-Plattform wurde ein Demonstratorsystem entwickelt. Mit diesem wurde eine schrittweise Integration von Klassifizierungen aus Vibrations- und Acoustic Emission-Sensoren (AE-Sensoren) umgesetzt, um die Informationen aus Signalen zu kombinieren, die im Nieder- und Hochfrequenzbereich erfasst werden. Die Ergebnisse zeigen, dass mit der vorgeschlagenen Kombination aus Vibrations und AE-Sensorik sowie dem Algorithmus zur Fusion der Klassifikatoren eine Verbesserung der Schadensklassifizierung sowie Robustheit erreicht werden kann. Eine Anpassung und Erweiterung für weitere Anwendungen und Sensormodalitäten ist möglich.deAcoustic Emission-SensorMaschinelles LernenVibrations-Sensorconference paper