Con­di­tion Mon­it­or­ing & Pre­dict­ive Main­ten­ance

Die digitale Transformation führt in technischen Systemen zu einer Aufweitung der Funktionalitäten. Moderne technische Systeme werden mit Sensornetzen ausgestattet, die neben den ohnehin verfügbaren Betriebsdaten eine umfassende Überwachung des technischen Systems ermöglichen. Ein derartiges Condition Monitoring, im Deutschen auch Zustandsüberwachung genannt, dient typischerweise der Diagnose des aktuellen Systemzustands und der Prognose zukünftiger Systemzustände oder der Produktqualität in einem Produktionsprozess. Diese Methoden des Condition Monitorings lassen sich unterteilen in modell-basierte, datengetriebene sowie hybride (eine Kombination der beiden vorherigen) Verfahren, mit denen aus Sensordaten mögliche Schädigungszustände technischer Systeme bestimmt und die nutzbare Restlebensdauer prognostiziert wird. Darauf aufbauend ermöglicht die Instandhaltungsstrategie Predictive Maintenance einen ressourcenschonenden und kosteneffizienten Betrieb der überwachten Systeme.

Ein Forschungsschwerpunkt liegt hier auf der Entwicklung robuster Prognosemethoden für technische Systeme, die unter instationären Bedingungen betrieben werden, beispielsweise stark variierende Umgebungsbedingungen mit großer Auswirkung auf die nutzbare Restlebensdauer. Um das Potential eines Condition Monitoring Prozesses für Instandhaltungsingenieuren zu einem vertretbaren Aufwand nutzbar zu machen, werden Möglichkeiten erarbeitet die Methoden einerseits zu automatisieren und andererseits die datengetriebenen Verfahren erklärbar zu machen, sodass die Entscheidungen der trainierten Modelle für den Menschen verständlich sind. Dabei stellt insbesondere die Kombination von ingenieurwissenschaftlichem Wissen über ein technisches System und datengetriebener Algorithmen des Maschinellen Lernens zu einem hybriden Condition Monitoring Verfahren ein Forschungsfeld dar.

Im Entwurf mechatronischer Systeme bildet die Absicherung der Verlässlichkeit, als Sammelbegriff verschiedener Aspekte wie Zuverlässigkeit, Verfügbarkeit, Sicherheit und Integrität, ein wichtiges Ziel. Dabei steht die Selbstoptimierung technischer Systeme im Vordergrund, die eine autonome Anpassung des Systemverhaltens an variierende Betriebsbedingungen und Nutzeranforderungen ermöglicht. So entwickelt der Lehrstuhl Maßnahmen zur Steigerung der Verlässlichkeit selbstoptimierender Systeme während des Betriebs in Form von Konfigurationssteuerungen, aktiver Regelungen der Zuverlässigkeit des Systems sowie Digitale Zwillinge für die Unterstützung der Instandhaltung.

Ak­tuelle Pro­jekte

In­tel­li­gente Gen­er­i­er­ung von Dia­gnose- und Pro­gnose­mod­el­len für die In­stand­hal­tung­s­planung

Digitalisierung und Vernetzung ermöglichen mit Hilfe der Zustandsüberwachung die Erhöhung der Nutzungsdauer eines technischen Systems. Die Zustandsüberwachung ist die kontinuierliche Messung von physikalischen Größen wie der Beschleunigung oder Temperatur eines technischen Systems mittels geeigneter Sensoren.

Learn more

Lebens­dauer­pro­gnose unter nicht­sta­tionären Be­triebs­bedin­gun­gen ​​​​​​​

Bei der klassischen Zustandsüberwachung wird davon ausgegangen, dass die Betriebsbedingungen während des Lebenszyklus eines technischen Systems Apriori bekannt und stationär d. h. konstant oder periodisch sind. Diese Annahmen vereinfachen die Umsetzung einer Zustandsüberwachung in verschiedenen Aspekten.

Learn more

Abgeschlossene Pro­jekte

Mehr­stufiges Ver­läss­lich­keit­skonzept selb­stop­ti­mi­er­ender Systeme

Der Sonderforschungsbereich 614 "Selbstoptimierende Systeme des Maschinenbaus" beschäftigte sich intensiv mit Fragen dieser innovativen Systeme.

Learn more

Re­gel­ung der Zuver­lässigkeit

Zuverlässigkeitsadaptive Systeme ermöglichen eine Anpassung des Systemverhaltens basierend auf der aktuellen Systemzuverlässigkeit. Sie können damit ihre Lebensdauer und die Leistungsfähigkeit situationsbezogen gegeneinander abwägen.

Learn more

In­teg­rierte Mod­el­lier­ung

Die digitale Transformation prägt die Entwicklung intelligenter technischer Systeme, welche durch Vernetzung und inhärente Intelligenz einen weiten Funktionsumfang aufweisen. Selbstoptimierende Systeme sind als Stellvertreter der Klasse intelligenter Systeme durch die autonome zielkonforme Adaption des Systemverhaltens charakterisiert.

Learn more

Lebens­dauer­pro­gnose von GME

In verschiedenen technischen Anwendungen wird die Zustandsüberwachung (Condition Monitoring) aufgrund vieler Vorteile bereits angewandt. Es ist erforscht worden, inwiefern eine Zustandsüberwachung in der Lage ist die nutzbare Restlebensdauer von Gummi-Metall-Elementen zu schätzen.

Learn more
business-card image

Dr. Amelie Bender

Dynamics and Mechatronics (LDM)

Team leader "Condition Monitoring & Predictive Maintenance"

Write email +49 5251 60-1814