Identifikation robuster Merkmale für die technische Diagnostik von netzgespeisten Asynchronmotoren und der angetriebenen Arbeitsmaschinen

Abstract

Technische Diagnostik ist eine Disziplin, die lange Zeit nur für große Anlagen mit hohen Schadenssummen angewendet wurde, jedoch verschieben jüngste Entwicklungen die Anwendungsgrenze auf kleine Anlagen und Aggregate. Sensorarme Ansätze, die dies ermöglichen, profitieren aktuell von zwei Entwicklungen, dem Data-Mining und der Beschreibung spezieller Maschinenmerkmale. Probleme bei der Anwendung von technischer Diagnostik bleiben Falsch-Positiv-Bewertungen und die Erreichung der notwendigen Fehlerraten bei leicht veränderten Randbedingungen. Grund dafür ist, dass es derzeit kein Verfahren gibt, das die leistungsstarken Expertenmerkmale im Kontext einer systematischen Wissensgewinnung bewertet und dadurch oft nur partikulare Lösungen vorhanden sind. In der vorliegenden Arbeit wird das Knowledge Discovery from Experimental Data als Erweiterung des Knowledge Discovery in Database erarbeitet. In der Praxis erworbene Daten zeigen, dass mit den richtigen Merkmalen eine Klassifizierung der Fehlerzustände auch bei auftretenden Störgrößen möglich ist. Überprüft wurde dies an den exemplarisch betrachteten Fehlern Kavitation, Rotorstabbruch und Fehlausrichtung. Mit dem vorgestellten Verfahren wird es somit möglich sein, bei weiteren Kombinationen von Fehlern und Aggregaten effizient nach geeigneten Merkmalssätzen für die technische Diagnostik zu suchen. Gleichzeitig stehen für die genannten Fehler leistungsfähige Merkmalsvektoren zur Verfügung.

Technical diagnostics is a discipline that for a long time was only used for large systems with high damage sums, but recent developments are shifting the application limit to small systems and aggregates. Approaches with few sensors that make this possible are currently benefiting from two developments: data mining and the description of special machine features. Problems with the application of technical diagnostics remain false-positive evaluations and achieving the necessary error rates under slightly different conditions. The reason for this is that there is currently no method that evaluates the powerful expert characteristics in the context of systematic knowledge acquisition, which means that often only partial solutions are available. In this thesis, Knowledge Discovery from Experimental Data is developed as an extension of Knowledge Discovery in Database. Data acquired in practice show that, with the right features, it is possible to classify fault states even when disturbance variables occur. This was tested using the faults cavitation, broken rotor bar and misalignment as examples. With the method presented, it will therefore be possible to efficiently search for suitable feature sets for technical diagnostics for further combinations of faults and aggregates. At the same time, powerful feature vectors are available for the faults mentioned.