Fledermausohren für die Industrie
Transcript of Fledermausohren für die Industrie
Fledermausohren für die Industrie
25.06.20192
Wo wird
angewendet ?
25.06.20193
Anwendungsfelder
Körperschall als Informationsquellegroße Informationsdichte
hohe „Hörweite“weiter Frequenzbereich
innere / unsichtbare Zustände
Maschinenüberwachung
➔ Sicherheit / Funktion der Maschine
Wie? Überwachung der Maschine
▪ Trendanalyse (langsame Trends)
▪ Verschleiß / Schäden erkennen
▪ Vermeidung von Ausfällen durch frühzeitige
Diagnose → Predictive Maintenance
Strukturüberwachung
➔ Identifikation von Schädigungen
Wie? Prüfung von Bauteilen
▪ Detektion von Schädigungen
▪ Klassifizierung
▪ Lokalisierung
▪ End-of-line Prüfung
Prozessüberwachung
➔ Maschineneffizienz / Prozessqualität
Wie? Überwachung der Prozesssignale
▪ Analyse von Prozessänderungen
z.B. Werkzeugverschleiß
▪ Detektion von Prozessstörungen in Echtzeit
▪ Qualitätsüberwachung der Bauteile (indirekt)
25.06.20194
Körperschallbasierte Prozessüberwachung
Nadelbrüche
Drahtzug
▪ Fehler: Ziehseifenabriss, Rattern,
Drahriss
Schleifprozesse
▪ Fehler: Schleifbrand
Nadelprozesse
(z.B. Vernadeln von Vliesen)
▪ Fehler: Nadelbrüche
25.06.20195
Was macht
überhaupt ?
2. VAM analysiert das Gehörte und liefert der Maschine Informationen über
−Maschinenzustand
− Prozesszustand = Bauteilqualität
1. VAM verleiht der Fertigungsmaschinen ein Gehör
6
Unsere Ziele
Integration der sensorischen Fähigkeiten
eines erfahrenen Maschinenführers in die Maschine
25.06.2019
25.06.20197
Die maschinelle Umsetzung
Feature-Extraction
KlassifikationMachine Learning
Maschinensteuerung
Filter
FFT / STFT
Wavelet-Transformation
…Hilbert-Transformation
Schwellwerte
spektrale Energiedichte
statistische Kenngrößen
…
psychoakustische Größen
Training
Neuronale Netze
SVM…
Random ForestKNN
Datenerfassung
Pre-processing
Das erworbene sensorische Wissen ist übertragbar!(z.B. auch andere Maschinen)
25.06.20198
Small Data vs. Big Data
Deep Learning vs. Machine Learning
vs.Machine Learning Deep Learning„end-to-end learning“
Big DataSmall Data
Pe
rfo
rma
nc
e
Datenmenge
Deep Learning
Machine LearningZustandsüberwachung
Daten = Fehler = teuer
Wenige Fertigungsfehler
=
wenige Trainingsdaten
➔ Wie lernt das System
Fehlzustände zu erkennen?
25.06.20199
Psychoakustische Metriken
Feature Engineering
Das klingt irgendwie ungesund…
knarzen
knacken
klappern
klackern
dröhnen
brummen
quietschen
muhen
rumpeln
poltern
heulen
nageln
klingeln
pfeifen
rasseln
rattern
zirpenwummern
schnarren
klopfen
kreischen
quieken
scheppern
jaulen
stottern trommeln
zischen
Tonhaltige Störgeräusche
Impulsartige Störgeräusche
hochfrequenterniederfrequenter
25.06.201910
Beispiel: defektes Werkzeug
Feature Engineering, psychoakustische Metriken
0,00
0,50
1,00
1,50
2,00
2,50
3,00
3,50
RMS Schärfe /Frequenzschwerpunkt
Impulshaltigkeit
scharf stumpf
Pegel / Effektivwerte
sind keine zuverlässige
schadenrelevantes MerkmalZeitliche und spektrale Merkmale
korrelieren mit Hörempfinden
25.06.201911
Beispiel: Extraktion von impulshaften Ereignissen
Feature Engineering, Impuls-Detektion
=The Jimi Hendrix Experience
All Along The Watchtower (Bob Dylan Cover)
Electric Ladyland (1968)
X
XX
25.06.201912
Die Umsetzung
Unser Monitoringsystem:
13
Das Konzept
Sensor
Vorverstärker
Produktionsnetzwerk Ethernet Ethernet + PoE
Panel PCVisualisierung, HMI
MessboxDAQ, Signalprocessing, Machine Learning
Embedded
System
SSD
1 TB
Funktionstrennung
Maschine Sensorik
25.06.2019
14
Die Use Cases
Messbox → Panel PC− Visualisierung des Prozesses (und Fehlern) direkt an der Maschine
− Unterstützung für den Maschinenführer,
z.B. beim Einrichten neuer Prozesse
Messbox → Webinterface− Dezentrale Überwachung
− Endgeräteunabhängig (Smartphone, Tablet, Mac, …)
Messbox → Laptop− Inbetriebnahme, Vorversuche
Messbox zur dezentralen Datenvorverarbeitung und
Reduktion− Reduzierte, bewerte Körperschalldaten werden an eine
übergeordnete Steuerung gestreamt und dort ausgewertet
− z.B. zur zentralisierte Optimierung einer gesamten
Produktionsstraße
25.06.2019
Data Lake
Kontinuierliche Überwachung~1 MHz Samplerate
▪ Echtzeit-Bewertung der Körperschallsignale hinsichtlich
− Energie (RMS, …)
− Spektralen Merkmalen(Schwerpunkt & Spreizung, Anteil Harmonische, …)
− Psychoakustische Metriken (Schärfe, Rauigkeit, …)
▪ Trennung von Quellen / Filtern von Nebengeräuschen(Blind-Source- / Harmonic-Percussive-Separation, …)
▪ Ziel: Detektion und Bewertung von Trends
− Werkzeugverschleiß
− Inhomogenitäten im Werkstück
− Prozessstörungen (Rattern, …)
− Schädigungen von Maschinenkomponenten(Wälzlager, Führungen, Getrieben, Verzahnungen, …)
Getriggerte Überwachung
~10 MHz Samplerate
▪ Detektion von singulären Ereignissen / Impulsen
▪ Klassifikation und Lokalisation der Impulse
▪ Ziel: Detektion und Bewertung von spontanen Ereignissen
− Brüche, plastische Verformungen
− Klicken von Schnappverbindungen
− Metallischer Kontakt (Luftspindeln)
− Kavitation
15
Die beiden Monitoringarten
Sensor 1
Sensor 2
Sensor 3
Sensor 4
Nadelbruch → Körperschallimpuls
Nadelbrett
Laufzeit T3
Laufzeit T4
Laufzeit T1
Laufzeit T2
25.06.2019
25.06.201916
Unser Analysebereich
10 MHz1 MHz100 kHz
Wir
Faktor 1000 des menschlichen Hörbereiches
25.06.201917
Unser System und OPC UA
SPS
Condition Monitoring
Sensor Inputs OPC UA Client
zusätzliche
Sensorik
Körperschallsignale
OPC UA Server
Prozessleitebene
Datenerfassung
Pre-Processing
Feature-Extraction
Sensor Inputs OPC UA Client
Datenfusion und Synchronisation
OPC UA Server
Bewertung / Machine Learning
Sensordaten
Informationen
Kontext
WissenErfahrung
OPC UA
Maschinen-
steuerung
Aus Informationen wird Wissen
Hardware, Elektronik und Sensorik von Unternehmen
aus der Region
▪ Datenerfassung
− 4 Kanäle
− 80 MHz Abtastrate simultan
− 16 bit Auflösung (~20 bit nach Dezimierung)
▪ Sensorvorverstärkung
− Integriertes Phantomspeisungsmodul für AE-Sensoren
▪ Konnektivität
− 2 Ethernet Ports (für Maschinenkommunikation und Interface)
− 4 COM Ports
▪ Spannungsversorung:24 V, 6 A max.
▪ Temperaturbereich: 0° - 45°C
▪ Luftfeuchtigkeit: 10% - 90% (nicht kondensierend)
▪ Abmessungen: 215 x 131 x 225 mm
▪ Montage: Montagewinkel für Schaltschrankmontage
18
Unser System in Zahlen
25.06.2019
▪ Hardware seit 8 Monaten im Dauertest
▪ Industrielle Erprobung läuft
▪ Verschiedene Sensortypen im Versuchsfeld
19 25.06.2019
Der aktuelle Stand
20 25.06.2019