Überblick

Durch die Forschungen im Rahmen der Promotion sollen Konzepte für den Einsatz von Maschinellem Lernen in der Motorendiagnose erstellt werden. Das Ziel ist es eine Strategie für übertragbare Analysemodelle zu entwickeln, welche die Vorteile der modellbasierten Datenanalyse ermöglicht, ohne jedoch an die Motorensysteme gebunden zu sein. Durch Einsatz der konzeptionierten Modelle sollen prototypisch die Forschungsergebnisse praxisnah angewendet und evaluiert werden. Im Fokus der zu erkennenden Komponentenfehler stehen Lagerschäden.

Motivation

Durch die zur Verfügung stehenden Sensordaten in modernen Industriemotoren, lassen sich fundierte Aussagen über den derzeitigen Zustand der Motorkomponenten treffen. Allerdings ist für die Analyse der Sensordaten ein hohes Maß an Kenntnis über den Prozess ebenso wie umfangreiche allgemeine Kenntnisse über die Maschinenkomponenten nötig. Zudem ist die manuelle Analyse der aufgezeichneten Sensordaten sehr zeitaufwändig. Durch den Einsatz modellbasierter Analysemethoden durch Maschinelles Lernen könnte Abhilfe geschaffen werden. Für Machine Learning basierte Zustandsanalysen ist allerdings ein gewisses Maß an Zeit- und Ressourcenaufwand nötig um die Analysemodelle zu trainieren - also auf ihre Problemstellung hin anzupassen. Dieser Vorgang ist jedoch Abhängig von den speziellen Motortypen, auf welche die Modellparameter abgestimmt wurden. Daher ist es nötig, übertragbare, also von dem eigentlichen Motorensystem entkoppelte Modelle zu erstellen um eine wirtschaftliche Anwendung der modellbasierten Analyse und Motordiagnose zu ermöglichen.

Kooperation

Das Projekt wird im Kontext eines Promotionsverfahrens bei der Bosch Rexroth AG bearbeitet und durch die Fachbereiche Angewandte Informatik sowie Elektrotechnik und Informationstechnik  an der HAW Fulda betreut.

Das Projekt wurde 2023 mit der erfolgreichen Promotion von Herrn Dr. Tobias Wagner abgeschlossen.

Veröffentlichungen (Auszug)

WAGNER, T., SOMMER, S.: Bearing fault detection using deep neural network and weighted ensemble learning for multiple motor phase current sources. In: International Conference on INnovations in Intelligent SysTems and Applications (INISTA), IEEE 2020, DOI: 10.1109/49547.2020.9194618194618

Projektbearbeitung
Dr. Tobias Wagner

Betreuer
Prof.  Dr. rer. nat. Alexander Gepperth 
Prof. Dr.-Ing. Elmar Engels
 

 

Ansprechpartner

Prof. Dr.

Alexander Gepperth

Pro-Dean, Department of Applied Computer Science

Programming

Gebäude 31 , Raum 124
Prof. Dr.Alexander Gepperth+49 661 9640-3103
Sprechzeiten
Lecture-free period by arrangement and regard course in moodle

Prof. Dr.-Ing.

Elmar Engels

Gebäude 32 , Raum 108
Prof. Dr.-Ing.Elmar Engels+49 661 9640-5855
Sprechzeiten
Donnerstag, 13:30 – 14:30 Uhr in Präsenz