PROMISE 4.0 Forschung im Rahmen des Promotionskollegs
Forschungsvorhaben: Methodik zur Erweiterung von datengetriebenen PHM-Applikationen durch Kenntnisse über die Physik des vorliegenden Degradationsprozesses.
Betreuung der kooperativen Promotion: Prof. Dr.-Ing. Thomas Bauernhansl (IFF, Universität Stuttgart), Prof. Dr.-Ing. Peter Zeiler
Doktorand: Simon Hagmeyer
Kurzbeschreibung des Forschungsvorhabens:
Das Themengebiet PHM, in dem das Promotionsvorhaben von Herrn Hagmeyer angesiedelt ist, setzt sich mit der Diagnose und der Prognose des Degradationszustands technischer Systeme auseinander. Die verschiedenen Ansätze hierzu lassen sich, gemäß der Abbildung 3, einteilen in modellbasiert, hybrid und datengetrieben. Bei den modellbasierten Methoden wird das Degradationsverhalten in einem physikalischen Modell abgebildet. Ein verbreitetes Beispiel für die physikalische Modellierung von Degradationsprozessen stellen Rissfortschrittsmodelle wie das Paris-Erdogan-Law dar. Diese beschreiben die Rissermüdung unter zyklischer Belastung. Datengetriebene Diagnose- und Prognosemethoden, besitzen demgegenüber den Vorteil, dass kein oder nur kaum Wissen über das jeweilige Degradationsverhalten für ihren Einsatz erforderlich ist. Denn bei den datengetriebenen Verfahren wird lediglich der mathematische Zusammenhang zwischen Messgrößen und der Degradation nachgebildet wird. Der hybride Ansatz stellt, gemäß seiner Bezeichnung, eine Mischung der beiden zuvor beschriebenen Ansätze dar.
Das Forschungsvorhaben behandelt die Fragestellung wie Kenntnisse über die Physik des vorliegenden Degradationsprozesses für eine Verbesserung datengetriebener PHM-Applikationen verwendet werden können. Unter der Voraussetzung von ausreichend Trainingsdaten, können mit datengetriebenen Methoden wie den künstlichen neuronalen Netzen sehr gute Leistungen erzielt werden. Allerdings ist eine der zentralen Problemstellungen bei PHM, dass die Erzeugung von Lebensdauerdaten technischer Systeme in der Regel sehr kosten- und zeitintensiv ist. Statt weitere Daten zu sammeln, ist die Einbindung von bereits vorhandenen Kenntnissen eine sinnvolle Alternative. Diese Einbindung beginnt bei einzelnen physikalischen Gesetzmäßigkeiten, welche als Randbedingungen von dem datengetriebenen Modell eingehalten werden müssen. Sollten tiefgreifende Kenntnisse vorhanden sein so reicht die Einbindung bis zur Erstellung physikalischer Modelle, welche im Rahmen von Ensemblemethoden mit den datengetriebenen Modellen als hybrides Modell fusioniert werden können.
Interesse geweckt? Bewirb dich! für das Sommersemester 2025
Jetzt bewerben!
Studiengang finden