Thema 3.1

Zustandsprognose unter zeitlich variablen Belastungen Forschungsthema 3.1

Ein Smart Factory Grid (SFG) bezeichnet ein modernes, serviceorientiertes und dynamisch verteiltes Produktionssystem, welches sich durch hohe Flexibilität und umfassende Vernetzung auszeichnet. In einem SFG interagieren modulare Produktionseinheiten, sogenannte Mobile Manufacturing Units (MMUs), miteinander. Um die Produktivität und Effizienz hochdynamischer und komplexer Fertigungsprozesse zu optimieren, werden intelligente Algorithmen eingesetzt.

Die Forschungseinheit „System Health“ am Institut für Technische Zuverlässigkeit (IZP) widmet sich der Entwicklung innovativer Methoden zur Zustandsdiagnose und -prognose. Das Ziel besteht in der präzisen Bestimmung der aktuellen und zukünftigen Leistungsfähigkeit der MMUs. Zu diesem Zweck werden diverse Informationsquellen einbezogen, darunter Sensordaten, Planungsdaten übergeordneter Systeme sowie Simulationsergebnisse und physikalische Modelle. Auf diese Weise lässt sich der aktuelle Zustand (engl. Health Index) einzelner Komponenten oder ganzer MMUs möglichst exakt schätzen.

Eine vorausschauende Planung von Abläufen und Instandhaltungen setzt ein Verständnis des zukünftigen Verhaltens der Komponenten voraus. Besonders im Bereich der Zustandsdiagnose, der Prognose sowie der Bestimmung der Restlebensdauer (engl. Remaining Useful Lifetime, RUL) offenbart die Berücksichtigung variabler Belastungen große Potentiale. Die Nutzung erfordert die Entwicklung und den Einsatz spezifisch angepasster Methoden, um präzise und verlässliche Ergebnisse zu erzielen.

Herausforderungen

Die Entwicklung innerhalb eines SFG bringt spezifische Herausforderungen mit sich. Die Heterogenität der MMUs, die Flexibilität der Arbeitsprozesse sowie die Variantenvielfalt resultieren in neuartigen Betriebskonzepten für Maschinen und Komponenten. Eine präzise Prognose der Systemzustände setzt ein tiefgehendes Verständnis der zukünftigen Belastungsprofile voraus. Diese Belastungen sind jedoch stark kontextabhängig, was ihre Vorhersage erschwert. Die damit verbundenen Unsicherheiten führen zu einer eingeschränkten Genauigkeit der Prognosen.

Erste Lösungsansätze zur Prognose zukünftiger Belastungsprofile basieren auf historischen und aktuellen Daten sowie der Berücksichtigung unterschiedlicher Arbeitspunkte. Trotz einer Vielzahl an modellbasierten, datenbasierten und hybriden Methoden, stellt die Zustandsprognose unter variablen Belastungsbedingungen nach wie vor eine zentrale Herausforderung dar. Zusätzlich erschweren eine begrenzte Datenqualität und -verfügbarkeit die Prognose, insbesondere bei unvollständigen oder zensierten Verläufen. Bislang fehlt es an einer umfassenden Methodik zur Bewältigung dieser Probleme.

Forschungsansatz

Der gewählte Forschungsansatz verfolgt das Ziel, die Zusammenhänge zwischen Belastung und Degradation besser zu verstehen und präzise vorherzusagen. Im Mittelpunkt steht die Entwicklung einer Methodik zur Prognose zukünftiger Belastungsprofile. Ein wesentlicher Schwerpunkt liegt auf der Berücksichtigung der unterschiedlichen Arten zeitlich variierender Belastungsprofile, wobei sowohl bekannte als auch unbekannte sowie diskrete und kontinuierliche Profile berücksichtigt werden. Die Integration dieser Profile in die Methodik stellt einen wesentlichen Fokus dar.

Des Weiteren wird ein Fokus auf die Herausforderungen unvollständiger, zensierter und qualitativ eingeschränkter Daten gelegt, welche insbesondere für datengetriebene Modelle eine zentrale Rolle spielen. Die Erforschung innovativer Ansätze wie Data Augmentation und Data Generation zielt darauf ab, die Datenbasis zu erweitern und die Robustheit der Modelle zu steigern. Der Forschungsansatz strebt somit eine ganzheitliche Lösung an, die die Komplexität variabler Belastungsprofile und die Qualität der verfügbaren Daten adressiert.