Dieses Projekt wird kofinanziert von der Europäischen Union aus dem Europäischen Fonds für regionale Entwicklung. Operationelles Programm Mecklenburg-Vorpommern 2014 – 2020 – Investitionen in Wachstum und Beschäftigung .
Für eine zustandsorientierte Instandhaltung von in Betrieb befindlichen Großkraftmaschinen, wie z. B. Schiffsmotoren, ist eine kontinuierliche
Zustandsüberwachung („ConditionMonitoring“) unabdingbar. Fehler an Maschinen äußern sich durch eine Veränderung der Geräuschsignatur zumeist lange
bevor ein kritischer Zustand eintritt. Die Messung mit akustischen Sensoren ermöglicht bereits heute eine Prüfung einzelner Komponenten. In diesem
Projekt soll das zu entwickelnde Einzelsensorsystem zu einem Sensornetzwerken erweitert werden, wodurch die kontinuierliche Überwachung des gesamten
Lebenszyklus ermöglicht werden soll. Ein effizienter Einsatz im Sinne eines „Condition-Monitoring-Systems“ erfordert Ansätze der Industrie 4.0:
Digitalisierung, Vernetzung und „Machine Learning“. Die akustische Überwachung des gesamten Lebenszyklus bildet damit die Grundlage für die Entwicklung
von Lösungen für den Megatrend der vorausschauenden Wartung („Predictive Maintenance“).
Ziel des Vorhabens ist die Entwicklung einer neuartigen Sensorplattform mit Netzwerkfähigkeit und angepassten Analyse- und Schallortungsverfahren.
Die verteilte Messung von Schallereignissen eröffnet gerade durch die Verknüpfung der Sensoren und die Schallortung einzigartige Möglichkeiten zur
umfassendenen Überwachung großer Aggregate mit wenigen Sensoren. Neben der Entwicklung des Sensornetzwerkes und der Lokalisierung der Schallereignisse
werden Methoden zur optimalen Platzierung der Einzelsensorsysteme untersucht.
Das Projekt „Akustisches Sensornetzwerk mit Echtzeitdatenauswertung (ASEDA)“ ist ein Verbundvorhaben zwischen der ds automation gmbh und dem Fraunhofer Institut für Großstrukturen in der Produktionstechnik (IGP).
Dieses Projekt wird kofinanziert vom Bundesamt für Wirtschaft und Energie.
Einsatzszenario für den Schallsensor ist die Verwendung zur präzisen Überwachung von Abfüllanlagen, Fördereinrichtungen und Dosiersystemen vorgesehen.
Mit Methoden des „Machine Learnings“ (ML) werden die Merkmale aus den Audiosignalen extrahiert, die für die Erkennung eines Fehlers im Prozess oder
Schadens der Anlage wesentlich sind. Prozessfehler beeinträchtigen die Qualität der Erzeugnisse und Maschinenschäden können zu längeren und teureren
Ausfallzeiten führen, wenn sie nicht rechtzeitig erkannt werden. Für die Sicherstellung einer gleichbleibenden Qualität und um Produktionsausfälle zu
vermeiden, ist die Fehlererkennung essentiell. Die gewonnenen Merkmale werden durch ein künstliches neuronales Netz (KNN) bewertet. Merkmalsgewinnung
und das neuronale Netz werden dahingehend optimiert, so dass sie auf einem Mikrocontroller eingebettet lauffähig sind. Der manuelle Aufwand für das Erstellen
der Sensorkonfiguration (Testen, Trainieren und Konfigurieren) soll durch das KNN abgelöst und damit automatisiert werden. Dadurch sollen unter anderem
Kosten bei der Inbetriebnahme und während des Betriebes gesenkt werden.
Ziel des Vorhabens ist die Entwicklung einer neuartigen Sensorplattform mit einem integrierten künstlichen neuronalen Netz.
Das Projekt „Entwicklung eines Sensorsystems zur Überwachung von Produktionsprozessen in Echtzeit (ISEP)“ ist ein Verbundvorhaben zwischen der ds automation gmbh und dem Fraunhofer Institut für Mikroelektronische Schaltungen und Systeme (IMS).
