Gegen den Stillstand : Neues Forscherzentrum für intelligente Instandhaltung eröffnet
Joachim Schauer beim Analysieren eines Diagnosegeräts. Die Erkennung und die Vermeidung von Fehlerzuständen mithilfe von Zeitreihendaten ist ein wesentliches Ziel der Forschung im Zentrum.
- © FH JoanneumEs kann schnell teuer werden, wenn Maschinen in der Industrie ausfallen. Mit Hilfe modernster Sensorik und KI sollen Probleme bereits erkannt werden, bevor sie langwierige Reparaturen zur Folge haben. Damit beschäftigt sich ein neues Josef-Ressel-Zentrum an der FH Joanneum in Kapfenberg. Geleitet wird es von Joachim Schauer. Er untersucht, wie Zeitreihendaten aus Sensormessungen Fehler erkennen, Vorhersagen verbessern und Maschinen ausfallsicherer machen.
Ziel des Zentrums in Kapfenberg ist die Entwicklung von Methoden und Modellen zur Vorhersage von zukünftig auftretenden Fehlern in Produktionsprozessen auf Basis von Zeitreihendaten. Der Fokus liegt dabei auf jenen Fehlern, die zu einem Totalausfall der Produktion oder zu fehlerhaften Produkten führen würden. Wenn diese vorhergesagt werden können, kann das zugrunde liegende Problem durch geeignete Gegenmaßnahmen wie Anpassung der Maschineneinstellungen oder vorbeugende Wartung verhindert werden.
2028 einsatzbereites generalisiertes Modell
Die verwendeten Zeitreihendaten basieren auf zeitlich aufeinanderfolgenden Messwerten von Sensoren, die den Zustand der einzelnen Maschinenkomponenten erfassen. Unternehmenspartner des am Mittwoch feierlich eröffneten Forschungszentrums sind der Messtechnikspezialist AVL DiTEST und voestalpine Tubulars in Kindberg. Bei AVL DiTEST stehen portable Messgeräte im Mittelpunkt, die den Partikelausstoß von Dieselfahrzeugen messen und von Prüforganisationen und Werkstätten eingesetzt werden. Bei voestalpine Tubulars geht es um den komplexen Prozess der Herstellung von nahtlosen Stahlrohren für die Automobil-, Öl- und Gasindustrie. Das Zentrum wird von der Christian Doppler Forschungsgesellschaft und dem Bundesministerium für Wirtschaft und Arbeit gefördert.
Der Forschungsplan ist dreiteilig, erklärt Schauer: "In Phase eins des Forschungsvorhabens lassen wir Computer aus Daten lernen. Mit diesem 'Machine Learning' stellen wir eine Verbindung zwischen bereitgestellten Daten und technischen Ursachen her. In Phase zwei werden wir Modelle zur Fehlervorhersage entwickeln. Und in Phase drei gilt es auf Basis von künstlicher Intelligenz und klassischer Statistik interpretierbare Erklärungen für die Ergebnisse von Phase zwei zu erhalten."
voestalpine Tubulars stellt dem Projektteam mehr als 500.000 hochaufgelöste Produktionsvorgänge für die Analyse zur Verfügung. AVL DiTEST liefert alle relevanten Parameter von 20.000 im Feld befindlichen Geräten. Am Ende der Projektlaufzeit im Jahr 2028 will man ein einsatzbereites generalisiertes Modell zur Fehlervorhersage und -vermeidung entwickelt haben.