Intelligente Zustandsüberwachung von Kompressoren InKom Transfertag, Kreishaus Gütersloh, 18. August

Transkript

1 Intelligente Zustandsüberwachung von Kompressoren InKom Transfertag, Kreishaus Gütersloh, 18. August

2 Intelligente Zustandsüberwachung von Kompressoren InKom Einführung Zielsetzung Ergebnisse Resümee und Ausblick Projektabschlusspräsentation, Lügde, 24. Juni 2015 it s OWL Clustermanagement GmbH

3 Boge Kompressoren Otto Boge GmbH & Co. KG Vorstellung des Transfernehmers Inhabergeführtes Familienunternehmen Hauptsitz in Bielefeld (Entwicklung und Produktion) Export in über 120 Länder Jahresumsatz: 120 Mio. Mitarbeiter: ca. 700 weltweit Produkte: Kompressoren und Druckluftanlagen Systemlösungen in der Druckluftversorgung Full-Service-Partner: von der Planung über die Installation bis hinzu Aftersales- und Wartungsdienstleistungen it s OWL Clustermanagement GmbH

4 Universität Bielefeld Expertise für Interaktive Intelligente Systeme Zwei 2007 gegründete zentrale wissenschaftliche Einrichtungen der Universität Bielefeld mit Fokus auf Mensch-Maschine Interaktion Maschinelles Lernen Intelligente (Robotik-) Systeme Mitarbeiter: > 280 Wissenschaftler Institut für Kognition und Robotik Exzellenzcluster Kognitive Interaktionstechnologie Arbeitsgruppe Kognitive Robotik und Lernen Maschinelles Lernen Interaktive Robotik Kognitive Systemarchitekturen it s OWL Clustermanagement GmbH

5 Intelligente Zustandsüberwachung von Kompressoren Motivation Eine Zustandsüberwachung von Kompressoren, welche gezielt Wartungsaufträge vorschlägt, kann die Wartung vereinfachen und Kunden binden. Die Erkennung von Fehlerzuständen auf Basis einer minimalen Sensorik ist ökonomisch sowie technisch sinnvoll. Welche Sensoren sind am besten für die Zustandsüberwachung geeignet? Wie kann ein Zusammenhang zwischen Sensorwerten und Fehlerzuständen ohne ein herkömmliches Modell hergestellt werden? it s OWL Clustermanagement GmbH

6 Intelligente Zustandsüberwachung von Kompressoren InKom Einführung Zielsetzung Ergebnisse Resümee und Ausblick Projektabschlusspräsentation, Lügde, 24. Juni 2015 it s OWL Clustermanagement GmbH

7 Intelligente Zustandsüberwachung für Kompressoren Zielsetzung und Lösungsansatz Zielsetzung des Projekts Erkennung von Fehlerzuständen (z.b. verschmutzte Zuluft-Filter) Mit einer minimalen Anzahl von Sensoren Lösungsansatz Maschinelles Lernen einer Zustandsüberwachung Erkennung von Filterverschmutzungen Bestimmung der besten Prädiktoren (Sensoren) für die Zustandserkennung it s OWL Clustermanagement GmbH

8 Intelligente Zustandsüberwachung von Kompressoren Vorgehen 1) Anforderungsanalyse Festlegung von Fehlerzuständen Analyse der Haupteinflussgrößen Auswahl eines Referenzsystems und Erstellung eines Experimentierplans 2) Referenzsystem mit maximaler Sensorik Ausstattung eines Kompressors mit Sensorik Integration von Kompressor und Sensorik zur Datenerfassung Datenakquisition und Annotation 3) Maschinelles Lernen Identifikation von Prädiktoren mittels Relevance Learning Maschinelles Lernen der Zustandsüberwachung Evaluation der Lernergebnisse it s OWL Clustermanagement GmbH

9 Intelligente Zustandsüberwachung von Kompressoren InKom Einführung Zielsetzung Ergebnisse Resümee und Ausblick Projektabschlusspräsentation, Lügde, 24. Juni 2015 it s OWL Clustermanagement GmbH

10 Betrachtungsmodell und Sensorik Boge C5 mit insgesamt 13 Sensoren Bereitstellung eines C5 Kompressors und der Sensorik durch Boge Datenerfassung, Vorverarbeitung und Auswertung an der Uni Bielefeld 13 Messgrößen (Drücke, Temperaturen, Drehzahlen und Leistungsaufnahme) Insgesamt > 100 h Daten aufgenommen it s OWL Clustermanagement GmbH

11 Fehlerszenarien Verschmutzte Ansaug-Filter: Verschmutzte Zuluft-Filtermatte: Welche Sensoren sind die besten Prädiktoren, um die Filterverschmutzung zu detektieren? it s OWL Clustermanagement GmbH

12 Identifikation von Prädiktoren Identifikation von Prädiktoren mittels maschineller Lernverfahren Relevance Learning [B. HAMMER UND T. VILLMANN, Neural Networks, 2002] Druck vor dem Ansaug-Filter ist ein sehr guter Prädiktor it s OWL Clustermanagement GmbH

13 Maschinelles Lernen der Zustandsüberwachung Eingabe: Druck vor Ansaug-Filter Ausgabe: Verschmutzungsgrad Nichtlineares Regressionsproblem Training verschiedener, nichtlinearer Modelle (ELM, CELM) Evaluation der Generalisierungsfähigkeit auf neue Daten Akkurate Vorhersage it s OWL Clustermanagement GmbH

14 Intelligente Zustandsüberwachung von Kompressoren InKom Einführung Zielsetzung Ergebnisse Resümee und Ausblick Projektabschlusspräsentation, Lügde, 24. Juni 2015 it s OWL Clustermanagement GmbH

15 Resümee und Ausblick Maschinelles Lernen einer robusten Zustandsüberwachung von Zuluft-Filtern Maschinelles Lernen ist ein hilfreiches und schnell umsetzbares Werkzeug für die Entwicklung von Condition Monitoring Systemen. Das maschinelle Lernen erlaubt die Identifikation von relevanten Sensoren für eine kosten-effektive Implementation. Präsentation des Transferprojekts auf der Hannover Messe 2015 it s OWL Clustermanagement GmbH

16 Maschinelles Lernen für Intelligente Technische Systeme Dr. Felix Reinhart, Witali Aswolinskiy Institut für Kognition und Robotik CoR-Lab Universität Bielefeld it s OWL Clustermanagement GmbH