Zustandsüberwachung mechatronischer Antriebssysteme mittels maschineller Lernverfahren

Autor*in: Moritz Johannes Fehsenfeld

ISBN: 978-3-69030-099-5

Dissertation, Leibniz Universität Hannover, 2025

Herausgeber*in der Reihe: Tobias Ortmaier

Band-Nr.: IMES 02/2025

Umfang: 175 Seiten, 55 Abbildungen

Schlagworte: Fehlererkennung und -diagnose, maschinelles Lernen, Zeitreihenklassifikation und -regression, Domänenadaption, Anregungsoptimierung

Kurzfassung: Industrielle Abläufe werden zunehmend komplexer, sodass Ausfälle einzelner Komponenten zum Stillstand oder zur Zerstörung der Anlage führen können. Eine Fehlerdiagnose ist somit von herausragendem Interesse. Diese Arbeit beschäftigt sich daher mit der Entwicklung einer lernbasierten Zustandsüberwachung für mechatronische Antriebssysteme basierend auf der Seriensensorik des antreibenden Servomotors. Für eine erfolgreiche Umsetzung sind gelabelte Daten aller Schäden erforderlich, die im industriellen Kontext allerdings oft stark limitiert sind. Damit trotz Einschränkungen eine zuverlässige Überwachung möglich ist, sollen die verfügbaren Daten möglichst effizient genutzt werden. Dafür untersucht diese Arbeit verschiedene Gestaltungsmöglichkeiten wie geeignete Testbewegungen, effiziente Lernalgorithmen sowie ein Wissenstransfer zwischen ähnlichen Anwendungen durch Domänenadaption. Die erarbeiteten Methoden werden an Zahnriemenantrieben mit einer experimentellen Datensatzbasis validiert.