Ein zentrales Ziel moderner Industrie ist, ungeplante Maschinenausfälle zu vermeiden und Wartungen gezielt durchzuführen. Predictive Maintenance bietet dafür eine effektive Lösung. Die dafür notwendigen Machine-Learning-Modelle benötigen jedoch große Mengen an Sensordaten mit bekannten Fehlerbildern, deren Erhebung in der Praxis äußerst aufwendig und kostenintensiv ist. Ein vielversprechender Ansatz ist die Nutzung synthetischer Daten, die mithilfe eines digitalen Zwillings erzeugt werden. In dieser Arbeit wurde ein digitaler Zwilling für den elektrischen Antriebsstrang eines vorhandenen Labordemonstrators entwickelt, um auf dieser Basis synthetische Sensordaten zur Unwuchterkennung zu generieren. Das physikalische System, bestehend aus einem Gleichstrommotor, zwei Kugellagern, einer Welle und einer Unwuchtscheibe, wurde in Simscape Multibody vollständig abgebildet. Dabei lag der Fokus auf einer möglichst realitätsnahen Nachbildung von Unwuchtzuständen und mechanischen Eigenschaften. Zur Validierung wurde ein gezielter Vergleich zwischen simulierten und realen Messdaten durchgeführt. Grundlage war die Analyse von Zeit- und Frequenzsignalen beider Datensätze. Insbesondere der dominante Hauptpeak im Frequenzbereich, charakteristisch für die Unwucht, wurde zur Optimierung herangezogen. Die Frequenz stimmte exakt überein, die Amplituden wichen um weniger als drei Prozent ab. Basierend auf den synthetischen Simulationsdaten wurde ein Machine-Learning-Modell in MATLAB trainiert. Dieses Modell konnte anschließend erfolgreich auf den realen elektrischen Antriebsstrang angewendet werden. Es war in der Lage, zwischen den Betriebszuständen mit und ohne Unwucht zuverlässig zu unterscheiden, obwohl es ausschließlich mit synthetischen Daten trainiert wurde. Die Ergebnisse bestätigen, dass virtuelle Modelle eine valide Grundlage für die Entwicklung zustandsbasierter Überwachungssysteme bieten und ein hohes Potenzial für eine skalierbare, praxisnahe und kosteneffiziente Umsetzung von PredictiveMaintenance-Strategien besitzen.
| Datum der Bewilligung | 2025 |
|---|
| Originalsprache | Deutsch (Österreich) |
|---|
| Gradverleihende Hochschule | |
|---|
| Betreuer/-in | Mario Jungwirth (Betreuer*in) |
|---|
Simulationsgestützte Unwuchtdetektion in elektrischen Antrieben auf Basis synthetischer Daten und maschinellen Lernens
Kirchsteiger, D. -. G. (Autor). 2025
Studienabschlussarbeit: Masterarbeit