Thema 3.1

Zustandsprognose unter zeitlich variablen Belastungen Forschungsthema 3.1

Ein Smart Factory Grid (SFG) bezeichnet ein modernes, serviceorientiertes und dynamisch verteiltes Produktionssystem, welches sich durch hohe Flexibilit?t und umfassende Vernetzung auszeichnet. In einem SFG interagieren modulare Produktionseinheiten, sogenannte Mobile Manufacturing Units (MMUs), miteinander. Um die Produktivit?t und Effizienz hochdynamischer und komplexer Fertigungsprozesse zu optimieren, werden intelligente Algorithmen eingesetzt.

Die Forschungseinheit ?System Health“ am Institut für Technische Zuverl?ssigkeit (IZP) widmet sich der Entwicklung innovativer Methoden zur Zustandsdiagnose und -prognose. Das Ziel besteht in der pr?zisen Bestimmung der aktuellen und zukünftigen Leistungsf?higkeit der MMUs. Zu diesem Zweck werden diverse Informationsquellen einbezogen, darunter Sensordaten, Planungsdaten übergeordneter Systeme sowie Simulationsergebnisse und physikalische Modelle. Auf diese Weise l?sst sich der aktuelle Zustand (engl. Health Index) einzelner Komponenten oder ganzer MMUs m?glichst exakt sch?tzen.

Eine vorausschauende Planung von Abl?ufen und Instandhaltungen setzt ein Verst?ndnis des zukünftigen Verhaltens der Komponenten voraus. Besonders im Bereich der Zustandsdiagnose, der Prognose sowie der Bestimmung der Restlebensdauer (engl. Remaining Useful Lifetime, RUL) offenbart die Berücksichtigung variabler Belastungen gro?e Potentiale. Die Nutzung erfordert die Entwicklung und den Einsatz spezifisch angepasster Methoden, um pr?zise und verl?ssliche Ergebnisse zu erzielen.

Herausforderungen

Die Entwicklung innerhalb eines SFG bringt spezifische Herausforderungen mit sich. Die Heterogenit?t der MMUs, die Flexibilit?t der Arbeitsprozesse sowie die Variantenvielfalt resultieren in neuartigen Betriebskonzepten für Maschinen und Komponenten. Eine pr?zise Prognose der Systemzust?nde setzt ein tiefgehendes Verst?ndnis der zukünftigen Belastungsprofile voraus. Diese Belastungen sind jedoch stark kontextabh?ngig, was ihre Vorhersage erschwert. Die damit verbundenen Unsicherheiten führen zu einer eingeschr?nkten Genauigkeit der Prognosen.

Erste L?sungsans?tze zur Prognose zukünftiger Belastungsprofile basieren auf historischen und aktuellen Daten sowie der Berücksichtigung unterschiedlicher Arbeitspunkte. Trotz einer Vielzahl an modellbasierten, datenbasierten und hybriden Methoden, stellt die Zustandsprognose unter variablen Belastungsbedingungen nach wie vor eine zentrale Herausforderung dar. Zus?tzlich erschweren eine begrenzte Datenqualit?t und -verfügbarkeit die Prognose, insbesondere bei unvollst?ndigen oder zensierten Verl?ufen. Bislang fehlt es an einer umfassenden Methodik zur Bew?ltigung dieser Probleme.

Forschungsansatz

Der gew?hlte Forschungsansatz verfolgt das Ziel, die Zusammenh?nge zwischen Belastung und Degradation besser zu verstehen und pr?zise vorherzusagen. Im Mittelpunkt steht die Entwicklung einer Methodik zur Prognose zukünftiger Belastungsprofile. Ein wesentlicher Schwerpunkt liegt auf der Berücksichtigung der unterschiedlichen Arten zeitlich variierender Belastungsprofile, wobei sowohl bekannte als auch unbekannte sowie diskrete und kontinuierliche Profile berücksichtigt werden. Die Integration dieser Profile in die Methodik stellt einen wesentlichen Fokus dar.

Des Weiteren wird ein Fokus auf die Herausforderungen unvollst?ndiger, zensierter und qualitativ eingeschr?nkter Daten gelegt, welche insbesondere für datengetriebene Modelle eine zentrale Rolle spielen. Die Erforschung innovativer Ans?tze wie Data Augmentation und Data Generation zielt darauf ab, die Datenbasis zu erweitern und die Robustheit der Modelle zu steigern. Der Forschungsansatz strebt somit eine ganzheitliche L?sung an, die die Komplexit?t variabler Belastungsprofile und die Qualit?t der verfügbaren Daten adressiert.