Forschungsprojekte

Projektleiter: Prof. Dr.-Ing. Peter Zeiler

Projektbearbeiter: Fabian Mauthe

Anzahl industrieller Kooperationspartner: 3

Kurzbeschreibung des Forschungsvorhabens:

Das Forschungsprojekt hat zum Ziel, Anwender, insbesondere KMU, in die Lage zu versetzen, fortschrittliche Instandhaltungsstrategien, vorranging Predictive Maintenance, zu realisieren. Zu diesem Zweck wird eine Bewertungs- und Auswahlmethodik unter Berücksichtigung von anwendungsspezifischen und industrienahen Randbedingungen entwickelt. Entsprechend dieser Kategorisierung werden reale Degradationsdatensätze erzeugt und frei zugänglich gemacht. Dies unterstützt entsprechende Anwendervorhaben zum einen bei der Auswahl geeigneter Methoden und zum anderen bei der Einschätzung von Umsetzbarkeit und Risiken. Die Methode kann hierbei datengetrieben sein, z.B. ein künstliches neuronales Netz oder Support Vector Machines. Die Prognosemethode kann auch modellbasiert sein und ein physikalisches Modell des Degradationsprozesses verwenden, z.B. eine Rissfortschrittsgleichung oder ein Verschleißmodell. Die beschriebenen Möglichkeiten sind in nachfolgender Abbildung graphisch dargestellt.

Die große Mehrheit der bestehenden PHM-Forschungen befassen sich nicht mit der Auswahl und Bewertung, sondern mit der Entwicklung oder Weiterentwicklung von Prognosemethoden oder deren exemplarischem Einsatz auf eine einzige Problemstellung. Für einen Einstieg in die Umsetzung von Predictive Maintenance ist jedoch eine Methodik zur Bewertung und Auswahl geeigneter Methoden, besonders für Anwender essenziell. Das Forschungsprojekt verfolgt das Ziel, die Lücken im Stand der Forschung und Technik zu schließen und somit einen bedeutenden Teil zur weiteren Verbreitung von Predictive Maintenance beizutragen. Der Innovationsgehalt liegt besonders in der Verknüpfung von grundlegenden Forschungsergebnissen bei der Entwicklung von Prognosemethoden mit den tatsächlichen Anforderungen aus der industriellen Praxis. In diesem Forschungsprojekt kooperiert die Hochschule Esslingen mit drei Industriepartnern verschiedener Größe. Gefördert wird das Projekt vom Land Baden-Württemberg.

Projektleiter: Prof. Dr.-Ing. Peter Zeiler

Projektbearbeiter: Simon Hagmeyer

Kurzbeschreibung des Forschungsvorhabens:

Erweiterung datengetriebener Diagnose- und Prognosemethoden des Prognostics and Health Managements zu hybriden Methoden durch Integration von Kenntnissen über den Degradationsprozess

Dieses Forschungsvorhaben setzt sich mit den Ansätzen zur Diagnose und der Prognose des Degradationszustands technischer Systeme auseinander. Die verschiedenen Ansätze hierzu lassen sich einteilen in modellbasiert, hybrid und datengetrieben. Bei den modellbasierten Methoden wird das Degradationsverhalten in einem physikalischen Modell abgebildet. Ein verbreitetes Beispiel einer solchen physikalischen Modellierung stellen Rissfortschrittsmodelle wie das Paris-Erdogan-Law dar. Diese beschreiben die Rissermüdung unter zyklischer Belastung. Aufgrund der hohen Komplexität des Degradationsprozesses vieler technischer Systeme ist jedoch die detaillierte Umsetzung des modellbasierten Ansatzes mit erheblichem Aufwand verbunden. Die als datengetrieben bezeichneten Diagnose- und Prognosemethoden besitzen demgegenüber den Vorteil, dass kein oder nur kaum Kenntnisse über das jeweilige Degradationsverhalten für ihren Einsatz erforderlich sind. Zuzuordnen sind diese Methoden den Grundlagengebieten Statistik und maschinelles Lernen. Bei diesen Methoden wird lediglich der mathematische Zusammenhang zwischen Messgrößen und der Degradation nachgebildet. Der hybride Ansatz stellt, gemäß seiner Bezeichnung, eine Vereinigung der beiden zuvor beschriebenen Ansätze dar.

Das Forschungsvorhaben untersucht 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. Daher bietet die Einbindung von bereits vorhandenen Kenntnissen über den Degradationsprozess einen effizienten Alternativweg. Diese Einbindung beginnt bei einzelnen physikalischen Gesetzmäßigkeiten, welche als Randbedingungen von dem datengetriebenen Modell eingehalten werden müssen. Sollten hingegen tiefgreifende Kenntnisse vorhanden sein, so umfasst die Einbindung auch eine Erstellung physikalischer Modelle und deren Fusion mit datengetriebenen Modellen, um ein hybrides Modellensemble zu bilden. Das Forschungsvorhaben untersucht damit für die grundlegende Problemstellung der geringen Verfügbarkeit von Daten bei PHM einen ergänzenden Lösungsansatz zu dem Forschungshaben Similar Systems.

Projektleiter: Prof. Dr.-Ing. Peter Zeiler

Projektbearbeiter: Marcel Braig

Anzahl industrieller Kooperationspartner: 3

Kurzbeschreibung des Forschungsvorhabens:

Für die Diagnose, Prognose und Überwachung des Gesundheitszustands bzw. der verbleibenden Restlebensdauer von technischen Systemen sind Methoden nötig, die das Systemverhalten, mögliche Fehlerzustände und die auftretende Degradation nachbilden können. Üblicherweise werden diese Methoden in physikalisch modellbasiert und datengetrieben unterteilt. Erstere basieren auf einem tiefen Verständnis des betrachteten Systems und dessen Degradationsverhaltens. Die Modellierung ist jedoch aufwendig und bei komplexen Systemen nur beschränkt möglich. Daher stellen datengetriebene Methoden eine bedeutende Alternative dar. Diese extrahieren Wissen über ein System nur auf Basis von Daten. Entscheidend für den Erfolg von datenbasierten Ansätzen ist jedoch eine ausreichend große Menge an Trainingsdaten. Datenerzeugung und deren Aufbereitung sind allerdings mit einem hohen zeitlichen und monetären Aufwand verbunden. Zudem sind bei neuartigen Systemen (z. B. einer neuen Maschinengeneration) sowie Systemen, die nur in geringer Stückzahl gefertigt werden, oft nur wenige Laufzeit- und Run-to-Failure-Daten verfügbar.

Das geplante Forschungsvorhaben verfolgt den Ansatz, für das Training von datengetriebenen Methoden, Wissen (Daten oder Modelle) von ähnlichen Systemen (sogenannten Similar Systems) zu nutzen. Damit soll die nötige Datenmenge vom zu untersuchenden System selbst reduziert werden. Beispielsweise kann Wissen über das Degradationsverhalten eines offenen Rillenkugellagers für eine geschlossene Variante ähnlicher Dimensionierung genutzt werden. Die Ansätze lassen sich auf einzelne Bauteile (z. B. Lager, Achsen, Wellen), auf Maschinen (z. B. in der Fertigung) oder auf Produkte (z. B. Getriebe, Motoren) anwenden.

Projektleiter: Prof. Dr.-Ing. Peter Zeiler

Projektbearbeiter: Fabian Mauthe

Kooperationspartner: Universität Stuttgart, Prof. Dr.-Ing. Marco Huber

Kurzbeschreibung des Forschungsvorhabens:

Der Einsatz datengetriebener Methoden für die Zustandsdiagnose und -prognose technischer Systeme besitzt bei Prognostics and Health Management (PHM) einen hohen Verbreitungsgrad. Sie beruhen auf der statistischen Modellierung von Zusammenhängen innerhalb der bereitgestellten Trainingsdaten. Daher eignen sie sich nicht zur Extrapolation in Bereiche ohne Trainingsdaten. Des Weiteren kann deren Vorhersage unplausible Werte annehmen, die nicht mit geltenden physikalischen Gesetzmäßigkeiten und anderen Randbedingungen übereinstimmen.

Bei PHM sind diese Defizite von erheblicher Relevanz, aufgrund des hohen Kosten- und Zeitaufwands beim Erzeugen umfassender Trainingsdaten. Zur Verminderung dieser Defizite gibt es im maschinellen Lernen Ansätze, die sich mit dem Einbeziehen verschiedener Formen von Kenntnissen über das betrachtete System befassen. Diese werden u. a. als Theory-Guided Data Science (TGDS) bezeichnet.

Obgleich bei PHM eine hinreichende physikalische Modellierung von Degradationsprozessen meist nicht möglich ist, sind grundlegende Kenntnisse über das betrachtete System und die Gesetzmäßigkeiten seines Degradationsprozesses in der Regel vorhanden. Das Forschungsvorhaben hat daher zum Ziel, die Defizite datengetriebener Methoden bei PHM zu verringern, indem Kenntnisse zu anwendungsübergreifend auftretenden Gesetzmäßigkeiten eingebunden werden. Im Vorhaben werden zunächst Gesetzmäßigkeiten identifiziert, die bei PHM wiederholt auftreten, und deren Geltungsbereich analysiert. Darauffolgend wird eine Auswahl der relevantesten Gesetzmäßigkeiten getroffen. Der Schwerpunkt des Vorhabens liegt auf der Erforschung, wie diese Gesetzmäßigkeiten im Rahmen von TGDS zur Verbesserung von datengetriebenen Methoden eingesetzt werden können und wie sich die Verbesserung in Abhängigkeit von der Menge an verfügbaren Daten entwickelt. Validiert werden die Forschungsergebnisse mit experimentellen Daten von zwei zueinander heterogenen PHM-Anwendungsfällen.

Bei PHM existieren zwar diverse Untersuchungen zur Verknüpfung datengetriebener und physikalischer Modelle durch hybride Methoden. Das vorliegende Forschungsvorhaben hingegen betrachtet die Integration von anwendungsübergreifend bei PHM auftretenden Gesetzmäßigkeiten, welche nicht für eine physikalische Modellierung des Degradationsprozesses ausreichen. Damit hebt es sich signifikant vom Stand der Forschung ab. Zum einen haben die Methoden von TGDS bislang noch keine gezielte Untersuchung bei PHM erfahren. Zum anderen fehlt in der Literatur zu PHM bislang jegliche anwendungsübergreifende Betrachtung der Thematik.

In diesem Forschungsprojekt kooperiert die Hochschule Esslingen mit dem Institut für Industrielle Fertigung und Fabrikbetrieb (IFF) der Universität Stuttgart. Gefördert wird das Projekt von der Deutschen Forschungsgemeinschaft (DFG) unter der Projektnummer 514247199.

Projektleiter: Prof. Dr.-Ing. Peter Zeiler

Projektbearbeiter: Moritz Müllerschön, Luca Steinmann

Kooperationspartner: Fakultätsübergreifendes Projekt an der Hochschule Esslingen

Kurzbeschreibung des Forschungsvorhabens:

Ein Smart Factory Grid ist die Vision für ein innovatives, servicebasiertes und dynamisch verteiltes Fertigungssystem. Es zeichnet sich durch hohe Flexibilität und Vernetzung aus und stellt eine zentrale Komponente der Industrie 4.0 dar. Innerhalb eines Smart Factory Grids interagieren modulare Produktionseinheiten, sogenannte Micro Manufacturing Units. Ziel der Forschungseinheit System Health ist die Entwicklung von Methodiken für die intelligente Diagnose und Prognose von Zuständen der Micro Manufacturing Units und des Smart Factory Grids, sowie die Optimierung von Instandhaltungsprozessen.

Forschungsfrage 1: Adaptive Zustandsdiagnose und -prognose bei variabler Belastung (Luca Steinmann)

Die Matrixproduktion stellt aufgrund der hohen Wandlungsfähigkeit, der Flexibilität und der Resilienz hohe Anforderungen an die Zustandsdiagnose und -prognose. Variierende und unbekannte Belastungsprofile erschweren dabei die Entwicklung geeigneter Methoden. Es existieren erste Ansätze zur Prognose zukünftiger Belastungsprofile basierend auf historischen und aktuellen Daten, jedoch bleibt die Zustandsprognose unter variablen Bedingungen eine zentrale Herausforderung. Begrenzte Datenqualität, unvollständige oder zensierte Daten sowie die Unsicherheit über die zukünftigen Lasten erweitern das Problem.

Der Forschungsansatz zielt darauf ab, die Zusammenhänge zwischen Belastung und Degradation besser zu verstehen und präzise vorherzusagen. Ein Schwerpunkt liegt auf der Analyse und Integration variierender Belastungsprofile sowie der Bewältigung datenbezogener Herausforderungen. Ansätze wie Data Augmentation und Data Generation sollen die Datenbasis erweitern und die Robustheit der Modelle steigern, um eine ganzheitliche Methodik für die Prognose unter Berücksichtigung variabler Belastung zu entwickeln.

Forschungsfrage 2: Adaptive Zustandsdiagnose und -prognose mit heterogenen Informationen (Moritz Müllerschön)

Die Entwicklung eines Smart Factory Grids bringt spezifische Herausforderungen mit sich. Insbesondere die Heterogenität der Informationsquellen stellt ein zentrales Problem dar. Die Daten sind oft hochdimensional, unterschiedlich formatiert und variieren in ihrer Verfügbarkeit und Qualität. Beispiele hierfür sind Sensor- und Betriebsdaten, Simulationsergebnisse und physikalische Modelle. Dies erschwert die Kombination und Nutzung dieser Daten zur Zustandsdiagnose und -prognose erheblich. Ein weiteres Hindernis ist das Fehlen einer umfassenden Methodik zur Informationsfusion.

Ein Forschungsansatz besteht in der Entwicklung eines hybriden Modells zur Informationsfusion, das datengetriebene Methoden mit physikalischen und regelbasierten Modellen kombinieren soll. Dabei sollen Methoden entwickelt werden, um die begrenzte Datenverfügbarkeit zu kompensieren und vorhandenes Domänenwissen effektiv einzubinden. Durch die Entwicklung eines standardisierten Datenframeworks zur Vorverarbeitung und Integration heterogener Informationsquellen kann die Grundlage für eine robuste Zustandsdiagnose und -prognose geschaffen werden.

Forschungsfrage 3: Health Management in einem Smart Factory Grid (Moritz Müllerschön)

Das Health Management befasst sich mit der kontinuierlichen Überwachung, Analyse und Optimierung des Zustandes von Produktionsanlagen und –prozessen und zielt darauf ab, die Verfügbarkeit und Zuverlässigkeit des Systems sicherzustellen. Im Kontext der flexiblen und modularen Umgebung eines Smart Factory Grids erfordert dies eine hohe Anpassungsfähigkeit.

Der Forschungsansatz zielt darauf ab, das Health Management in einem Smart Factory Grid als komplexes Optimierungsproblem zu adressieren, da die Komplexität der Fertigung kein Health Management mit herkömmlichen Methoden mehr zulässt. Wichtige Metriken sind hierbei die Kosten, Nachhaltigkeit, Produktivität und viele weitere. Mit Predictive Maintenance soll die automatisierte Generierung von Instandhaltungsvorschlägen ermöglicht werden, um präzise und effiziente Entscheidungen für die Instandhaltung zu treffen.

Weitere Informationen zum gesamten Projekt Smart Factory Grids | DFG Forschungsimpuls finden Sie hier:

Smart Factory Grids | DFG Forschungsimpuls

(Gefördert durch die Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 528745080 - FIP 68)

Laufende Promotionen

Erweiterung datengetriebener Diagnose- und Prognosemethoden des Prognostics and Health Managements zu hybriden Methoden durch Integration von Kenntnissen über den Degradationsprozess

Dieses Promotionsvorhaben auf dem Gebiet des Prognostics and Health Managements wird in einer Kooperation zwischen dem Institut für Technische Zuverlässigkeit und Prognostik (IZP) und dem Institut für industrielle Fertigung und Fabrikbetrieb (IFF) der Universität Stuttgart durchgeführt. Der Doktorand ist Mitglied des Promotionskollegs PROMISE 4.0. Die im Rahmen des Promotionsvorhabens untersuchte Themenstellung ist der Beschreibung des Forschungsvorhabens DATA-DRIVEN TO HYBRID zu entnehmen.

Kooperations-Universität: Universität Stuttgart
Erstbetreuung: Prof. Dr.-Ing. Thomas Bauernhansl
Zweitbetreuung: Prof. Dr.-Ing. Peter Zeiler
Doktorand: Simon Hagmeyer

Auswahl- und Umsetzungsmethodik für Prognoseverfahren zur Restlebensdauervorhersage eines technischen Systems unter Berücksichtigung praxisrelevanter und anwendungsspezifischer Randbedingungen

Dieses Forschungsvorhaben mit dem Ziel der Promotion auf dem Gebiet des Prognostics and Health Managements (PHM) wird in einer Kooperation des Instituts für Technische Zuverlässigkeit und Prognostik (IZP) der Hochschule Esslingen mit dem Institut für industrielle Fertigung und Fabrikbetrieb (IFF) der Universität Stuttgart durchgeführt.

Zur Prognose der Restlebensdauer eines technischen Systems existieren eine Vielzahl an möglichen Prognoseverfahren. Diese können in datengetriebene, modellbasierte oder hybride Ansätze unterteilt werden.

Ziel dieses Forschungsvorhabens ist eine Auswahl- und Umsetzungsmethodik unter Berücksichtigung von praxisrelevanten und anwendungsspezifischen Datenlagen zu erforschen. Der Schwerpunkt liegt besonders in der Verknüpfung von grundlegenden Forschungsergebnissen bei der Entwicklung von Prognoseverfahren mit den tatsächlichen Anforderungen aus der industriellen Praxis.

Kooperations-Universität: Universität Stuttgart
Erstbetreuung: Prof. Dr.-Ing. Marco Huber
Zweitbetreuung: Prof. Dr.-Ing. Peter Zeiler
Doktorand: Fabian Mauthe

Nutzung von Wissen ähnlicher Systeme für datengetriebene Zustandsdiagnose und -prognose im industriellen Umfeld

Dieses Forschungsvorhaben mit dem Ziel der Promotion auf dem Gebiet des Prognostics and Health Managements (PHM) wird in einer Kooperation des Instituts für Technische Zuverlässigkeit und Prognostik (IZP) der Hochschule Esslingen mit der Universität Stuttgart durchgeführt. Die im Rahmen des Promotionsvorhabens untersuchte Themenstellung ist der Beschreibung des Forschungsvorhabens REDAT zu entnehmen.

Kooperations-Universität: Universität Stuttgart
Erstbetreuung: Prof. Dr.-Ing. Peter Zeiler
Zweitbetreuung: Prof. Dr.-Ing. Marco Huber
Doktorand: Marcel Braig