MA – Merkmalsextration und maschinelle Lernverfahren zur Zustandsüberwachung von elektrischen Antrieben

Untersuchung der Merkmalsextration und maschineller Lernverfahren zur Zustandsüberwachung von elektrischen Antrieben

Moderne elektrische Antriebe, bestehend aus dem Elektromotor, Wandler und der Last, sind heute in industriellen Anwendungen aber auch zunehmen in der Elektromobilität weit verbreitet. Die Antriebe stellen dabei leistungsfähige, hochintegrierte Systeme dar, die in Bezug auf auftretende Fehlerfälle vorausschauend geschützt werden sollen. Hierbei spielt die Zustandsüberwachung der Antriebe eine immer größer werdende Rolle. Verfahren zur Schadensdetektion wurden bereits in der Literatur auf Basis externer Sensordaten und verfügbarer elektrischer Messwerte untersucht. Im Rahmen des Konzepts „Cognitive Power Electronics 4.0“ des Fraunhofer IISB soll auf Basis dieser bisherigen Erkenntnisse und von im Wandler zugänglichen Daten eine intelligente, integrierbare und anwendungstaugliche Motor-Zustandsüberwachung auf Basis datenanalytischer Methoden und Verfahren der künstlichen Intelligenz entwickelt werden.

Im Rahmen dieser Arbeit sollen für typische Fehlerfälle die theoretischen Grundlagen zur Auswertung der durch Motorschäden hervorgerufenen Modulation der elektrischen Signale des Motors zusammengestellt und im Hinblick auf mögliche Wechselwirkungen und mögliche Beeinflussungen durch Störungen untersucht werden. Da diese Modulationen bekanntermaßen von der Geschwindigkeit und der Last abhängen und zusätzlich durch Eigenschaften des Motors und des Umrichters beeinflusst werden, sollen systematisch Verfahren der Zeit-Frequenzanalyse und ggf. weitere Verfahren recherchiert und auf ihre Eignung und Empfindlichkeit zur Merkmalsextraktion sowie der weiteren Verwendbarkeit in der Auswertung mit maschinellen und Deep Learning-Verfahren untersucht werden. Die Untersuchungen erfolgen dabei an vorhandenen experimentelle Versuchsdaten und Referenzdatensätzen von geschädigten Lagern oder anhand von Simulationsdaten aus einem digitalen Zwilling. Die erhaltenen Ergebnisse sollen systematisch untereinander und mit einem bereits entwickelten Verfahren verglichen werden. Wesentliche Vergleichspunkte sind die Anwendbarkeit, Empfindlichkeit, Integrierbarkeit, und Leistungsfähigkeit für die Detektion von Lagerschäden anhand quantifizierbarer Merkmale sowie die Anwendbarkeit bei Fehlerfällen, die vergleichbare Modulationseffekte an den elektrischen Signalen hervorrufen.

Bearbeiter: Daniel Walch

Betreuer: Dr. Maximilian Hofmann (Fraunhofer IISB) – Telefon: 09131-761385; Email: Maximilian.Hofmann@iisb.fraunhofer.de;
Georg Roeder (Fraunhofer IISB) – Telefon: 09131-761234; Email: Georg.Roeder@iisb.fraunhofer.de

Für Studienfächer: EEI

Verantwortlicher: Prof. Dr.-Ing. Martin März