DigiSeal
Überwachung von kritischen Maschinenelementen in der Prozess- und Fördertechnik für Energieträger der Zukunft
Das Forschungsprojekt dient der intelligenten Überwachung von Gleitringdichtungen in Produktionsanlagen. Die Wartung dieser komplexen beweglichen Abdichtungssysteme ist aufwändig und kostspielig. Durch den Einsatz von integrierter Sensorik und neuartiger KI-Verfahren sollen Anomalien effektiver erkannt werden. Hierzu wird die bekannte Physik des Dichtungssystems in die KI-Modelle integriert, um multidimensionale Zeitreihendaten effizient zu analysieren.
Forschungsgebiet:
- Laufzeit:
- 01.03.2024 - 28.02.2027
- Projektstatus:
- laufend
- Projektwebseite:
- https://www.emft.fraunhofer.de/de/projekte/digiseal-praediktive-instandhaltung-ki.html
- Einrichtungen:
- Fakultät für Elektrotechnik und Informationstechnik Institut für maschinelles Lernen und intelligente Systeme (IAMLIS) Transfer- und Innovationszentrum im Oberland (TIZIO)
- Projektleitung:
- Prof. Dr. habil. Alfred Schöttl
- Förderprogramm:
- Bayerisches Verbundforschungsprogramm - Förderlinie Digitalisierung - Programmteil Informations- und Kommunikationstechnologie (BayVFP)
- Drittmittelart:
- Land
- Projektart:
- Forschung
DigiSeal ist ein Projekt unseres Automatisierungs- und Robotiklabors TIZIO unter der Leitung von Prof. Dr. habil. Alfred Schöttl. Ziel ist hierbei die Entwicklung eines KI-gestützten Überwachungssystems für Gleitringdichtungen in der Prozess- und Fördertechnik. Grundlage bilden multivariate Sensordaten eines in der Industrie eingesetzten Systems, welches dafür mit geeigneter Sensorik ausgestattet wird, um Betriebs- und Zustandsgrößen kontinuierlich zu erfassen. Durch den Einsatz innovativer, physik-informierter KI-Architekturen soll eine effiziente Zustandsüberwachung ermöglicht werden, sodass Anomalien wie z. B. Leckagen eines Sperrmediums frühzeitig erkannt, ungeplante Ausfallzeiten vermieden und Wartungsmaßnahmen gezielt eingeleitet werden können.
Hierfür werden KI-Modelle zur datenbasierten Analyse des Betriebsverhaltens entwickelt, wobei unterschiedliche Modellarchitekturen konzipiert, systematisch untersucht und hinsichtlich ihrer Eignung zur robusten Zustandsbewertung miteinander verglichen werden. Ein wesentlicher Aspekt liegt außerdem auf der gezielten Einbindung vorhandenen physikalischen Systemwissens in den Trainingsprozess der KI-Modelle, wodurch die Modelle nicht ausschließlich datengetrieben lernen, sondern zudem bekannte gegebene physikalische Zusammenhänge mitberücksichtigen. Dies erhöht die Modellstabilität, reduziert den Bedarf an umfangreichen Trainingsdaten und verbessert insbesondere die zuverlässige Erkennung seltener, kritischer Abweichungen. Da reale Fehlerfälle nur in sehr begrenztem Umfang verfügbar sind, erfolgt das Training primär auf Basis fehlerfreier Betriebsdaten. Die Modelle lernen somit das reguläre Systemverhalten und identifizieren schließlich signifikante Abweichungen von aktuellen Messdaten als potenziell kritische anormale Zustände. Dazu sollen die Ergebnisse interpretierbar sein, wodurch eine einfache Handlungsempfehlung zur Anpassung der Betriebsparameter abgeleitet werden soll.
Gemeinsam mit unseren Partnern Eagle Burgmann Germany GmbH & Co. KG und Fraunhofer EMFT treiben wir die Digitalisierung und Innovation in der Überwachung beweglicher Maschinenelemente voran. Das Projekt wird im Rahmen des Bayerischen Verbundforschungsprogramms „Digitalisierung“ des Freistaates Bayern über einen Zeitraum von drei Jahren gefördert.
Projektförderung
Projektträger
Adressierte Nachhaltigkeitsziele (SDGs)