SoundPredict Vortex

Eine Vorhersage der Restlebensdauer von Wälzlagern in unterschiedlichen Produktionsmaschinen durch Künstliche Intelligenz (KI) ermöglicht eine bessere Planung von teuren Stillstandzeiten zum Tausch und eine verminderte Lagerhaltung. Das Projekt generiert zu den Ausfallszenarien der Maschinen synthetische Daten mit einem bestimmten numerischen Verfahren, konkret aus Finite-Elemente-Simulationen. Diese gewonnenen Daten werden mit den Anlern-Algorithmen der Modelle basierend auf Künstlicher Intelligenz kombiniert. Projektpartner ist die Firma SenZoro GmbH.

In Zeiten knapp kalkulierter Produktionsketten können schon kurzfristige Ausfälle große Kosten verursachen. Aus diesem Grund wird überwiegend auf „präventive Wartung“ gesetzt, auf frühzeitige Wechsel von noch intakten Wälzlagern, um ungeplante Ausfälle und Stillstand der Produktion zu vermeiden. Die Lebensdauervorhersage von Bauteilen durch die KI ermöglicht die Einführung der planbaren Wartung. Durch eine optimierte Nutzung von Verschleißteilen können sowohl Ressourcen als auch die Umwelt bei gleichzeitiger Produktivitätssteigerung geschont werden.

Synthetische statt Experimentaldaten

Um die Restlebensdauer von Wälzlagern bestimmen zu können, muss das beschädigte Bauteil des Lagers von der Künstlichen Intelligenz bestimmt werden. Während eine Beschädigung des Außenrings in der Regel zu einem langsamen graduell ansteigenden Schaden führt, kann bei einem Schaden am Lagerkäfig ein Ausfall deutlich früher eintreten. Für das Anlernen einer Künstlichen Intelligenz ist ein umfangreicher Datensatz erforderlich. Deshalb wird auch der Frage nachgegangen, ob synthetische Simulationsdaten für das Anlernen verwendet werden können. Da die Erzeugung solcher Daten auf rein experimentellem Weg angesichts der Vielzahl der in Verwendung befindlichen Wälzlagern eine gewaltige Herausforderung darstellt, wäre der Einsatz synthetisch gewonnener Daten eine deutliche Vereinfachung. Dabei werden Wälzlager nach einem bestimmten numerischen Verfahren in Finite-Elemente-Modellen nachgebildet, Defekte gezielt eingebaut und dann die frequenzabhängige Emission akustischer Wellen im Lager während der Rotation aufgezeichnet. Link zu einer solchen Simulation:

https://www.youtube.com/watch?v=UFW4T56gIBg

Details

Projektzeitraum 01.11.2020 - 30.04.2022
Fördergeber FFG
Förderprogramm
Department

Department für Integrierte Sensorsysteme

Zentrum für Mikro- und Nanosensorik

Projekt­verantwortung (Donau-Universität Krems) Univ.-Prof. Dr. Hubert Brückl
Projekt­mitarbeit Dipl.-Ing. Matthias Kahr, BSc
Zum Anfang der Seite