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