Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
39 Trend Guide Industrie 4 0 IIoT KI 2025 www markttechnik de CCA-Analyse wird als Degradationskoeffizient bezeichnet Ein Beispiel für einen sich verschlechternden Lagerzustand ist in Bild 1 unten dargestellt Diese Kombination aus Merkmalsextrakion mit SVD und nachfolgender Korrelation erlaubt eine automatisierte Merkmalsextraktion und anschließende Detektion von Zustandsänderungen Weitere Details sind im Patent »Verfahren und Sensoranordnung zum Überwachen einer Funktion eines Bauteiles einer Maschine« DE 10 2024 100 703 B3 beschrieben Anomalie-Detektion mit neuronalen Netzen Neuronale Netze sind eine Möglichkeit um Abweichungen vom Normzustand d h Anomalien in den Daten anhand wesentlich komplexerer Muster zu erkennen und somit ein zeitaufwändiges Erfassen bekannter Fehlerzustände überflüssig zu machen In dieser Untersuchung wurden zwei Modelle zur Anomaliedetektion verwendet LSTM-AD Long Short-Term Memory Anomaly Detection und Autoencoder Beide Modelle wurden mit Vibrationsdaten trainiert die ausschließlich den normalen also fehlerfreien Zustand einer Maschine repräsentieren Sie lernen auf Basis einer festgelegten Fenstergröße also eines bestimmten Zeitabschnitts der Messdaten das typische Verhalten der Maschine und sagen anschließend die nächsten Messwerte voraus Um die Robustheit der Modelle zu testen wurden sie mit verschiedenen Testdaten evaluiert sowohl mit fehlerfreien als auch mit fehlerhaften Daten die bereits Anomalien enthalten können Da die Modelle jedoch nur auf Gutzustände trainiert wurden gelingt ihnen die Rekonstruktion der Vibrationsdaten bei Vorliegen einer Anomalie nicht mehr präzise Es entsteht ein sogenannter Rekonstruktionsfehler also die Differenz zwischen dem tatsächlichen und dem vorhergesagten Signal Aus diesem Fehler wird ein Anomalie-Score berechnet der Hinweise auf ungewöhnliches Verhalten liefern kann Der aus dem Modell resultierende Rekonstruktionsfehler wird anschließend einem Change-Point-Detection-Algorithmus übergeben Dieser sucht mithilfe eines fensterbasierten schrittweisen Verfahrens nach Punkten im Signal an denen sich das Verhalten signifikant ändert also potenziellen Anomalien Auf diese Weise lassen sich Veränderungen im Maschinenzustand automatisiert und zuverlässig erkennen In Bild 2 sind die Vibrationsdaten der Rekonstruktionsfehler mit erkannten Anomalien einmal mit einem statischen Schwellwert und einem Change Point Detektion Algorithmus dargestellt LSTM-AD oder Autoencoder? Die untersuchten Modelle erlauben eine Detektion von Anomalien LSTM-AD ist besonders geeignet für die Analyse zeitabhängiger Bild 2 Testdaten Rekonstruktionsfehler Anomalien mit statischem Schwellwert Rekonstruktionsfehler Change Point Detector