Themenschwerpunkte

Machine Learning und Künstliche Intelligenz


Für eine zustandsorientierte Instandhaltung von in Betrieb befindlichen Großkraftmaschinen, wie zum Beispiel Schiffsmotoren, ist eine kontinuierliche Zustandsüberwachung unabdingbar. Fehler der Maschinen äußern sich dabei zumeist durch eine Veränderung der Geräusch- und Vibrationssignatur.

Bei der traditionellen Zustandsüberwachung werden charakteristische Kenngrößen der Maschine (zum Beispiel Drehmomente, Vibrationen, Drücke) dauerhaft gemessen und mit statistischen
Mindest- und Höchstgrenzen verglichen. Sobald ein Grenzwert über- oder unterschritten wird, kommt es zur Alarmauslösung. Bleibt ein Parameter innerhalb der Schwellwerte und ist trotzdem
„nicht normal“ (sich entwickelnder Fehler), bleibt er unentdeckt.

Das Ziel des Vorhabens ist die Entwicklung einer intelligenten Mustererkennung, die auf Basis der Geräuschsignatur den Normalzustand von Maschinen im Betrieb bestimmt und dadurch vorausschauend kritische Abweichungen detektieren kann.

Um sich entwickelnde Störungen vor einer Schwellwertüberschreitung zu erkennen, werden mehr Informationen über den aktuellen Zustand der Maschine gesammelt und nach Mustern in diesen Daten gesucht. Dazu werden geeignete Cloud-Dienste-Plattformen pilotiert, verschiedene Algorithmen validiert und mit Testdaten überprüft.