Please use this identifier to cite or link to this item: doi:10.22028/D291-27896
Title: Zustandsbewertung industrieller Prozesse mittels multivariater Sensordatenanalyse am Beispiel hydraulischer und elektromechanischer Antriebssysteme
Author(s): Helwig, Nikolai Johannes
Language: German
Year of Publication: 2018
DDC notations: 620 Engineering and machine engineering
Publikation type: Doctoral Thesis
Abstract: In industriellen Maschinen und Anlagen werden zunehmend Sensoren zur Prozessregelung und -überwachung verwendet. Die Analyse komplexer Multisensordaten mit dem Ziel, relevante Information zu extrahieren, etwa zur Prozess- und Instandhaltungsoptimierung, ist von hoher wirtschaftlicher Bedeutung. Bei komplexen Systemen spielen hierbei datengetriebene Verfahren, insbesondere das maschinelle Lernen, eine zunehmende Rolle. In dieser Arbeit wird ein teilautomatisierter Ansatz zur Merkmalsextraktion, -selektion und Klassifikation auf Basis heterogener Sensordaten vorgeschlagen und anhand zweier Anwendungen evaluiert. Zum einen ist dies die Detektion und Quantifizierung von typischen Schäden eines hydraulischen Systems auf Basis von Prozesssensoren. Hierbei werden in einem Prüfstand künstliche Schadenszustände bei einem konstant und randomisiert ablaufenden Prozess emuliert. Zudem wird die Anfälligkeit der Analyse gegenüber Sensorstörungen untersucht und ein Vorgehen zur Detektion und Kompensation von letzteren vorgeschlagen und erprobt. Die zweite Anwendung ist die Zustandsüberwachung elektromechanischer Zylinder mit dem Fokus auf der Komponente Kugelgewindetrieb. Mittels eines entwickelten Dauerlaufprüfstands erfolgt die zyklische Belastung und Charakterisierung der Zylinder vom Neuzustand bis zum Ausfall auf Basis verschiedener Messgrößen. Ziel ist es hierbei, mittels der multivariaten Sensordatenanalyse eine Verschleiß- und Lebensdauerabschätzung zu ermöglichen.
Industrial machines and plants are increasingly equipped with sensors for process control and monitoring. The systematic analysis of complex multi sensor data aiming at extracting relevant information, e.g. to improve the process or maintenance strategy, is of great economic interest. Regarding complex industrial systems, data driven methods, especially machine learning, gain in importance. In this work, a partially automated approach for feature extraction, selection and classification based on heterogeneous sensor data is proposed and evaluated in two scenarios. The first application is the detection and quantification of typical faults in a hydraulic system based on process sensors. Here, artificial fault states are emulated in a test bench during cyclic and randomized processes. In addition, susceptibility of analysis in case of sensor disturbances and failures is studied proposing an approach for the detection and compensation of sensor faults. The second application is the condition monitoring of electromechanical cylinders focusing on the ball screw drive. The lifetime characterization of cylinders from new state to failure is performed by a specifically developed endurance test system monitoring several measurands. Based on these sensor data and the multivariate approach, a statistical model for wear and residual lifetime estimation is derived.
Link to this record: urn:nbn:de:bsz:291--ds-278964
hdl:20.500.11880/27392
http://dx.doi.org/10.22028/D291-27896
Advisor: Schütze, Andreas
Date of oral examination: 18-Dec-2018
Date of registration: 11-Apr-2019
Faculty: NT - Naturwissenschaftlich- Technische Fakultät
Department: NT - Systems Engineering
Collections:SciDok - Der Wissenschaftsserver der Universität des Saarlandes

Files for this record:
File Description SizeFormat 
Diss_Helwig.pdf12,34 MBAdobe PDFView/Open


Items in SciDok are protected by copyright, with all rights reserved, unless otherwise indicated.