TU Darmstadt / ULB / TUprints

Verschleiß- und Lebensdauerprognose unter Berücksichtigung variabler zukünftiger Betriebszustände

Mehringskötter, Simon (2022)
Verschleiß- und Lebensdauerprognose unter Berücksichtigung variabler zukünftiger Betriebszustände.
Technische Universität Darmstadt
doi: 10.26083/tuprints-00021086
Ph.D. Thesis, Primary publication, Publisher's Version

[img] Text
Dissertation-Mehringskoetter.pdf
Copyright Information: CC BY-SA 4.0 International - Creative Commons, Attribution ShareAlike.

Download (18MB)
Item Type: Ph.D. Thesis
Type of entry: Primary publication
Title: Verschleiß- und Lebensdauerprognose unter Berücksichtigung variabler zukünftiger Betriebszustände
Language: German
Referees: Klingauf, Prof. Dr. Uwe ; Rinderknecht, Prof. Dr. Stephan
Date: 2022
Place of Publication: Darmstadt
Collation: xviii, 176 Seiten
Date of oral examination: 9 February 2022
DOI: 10.26083/tuprints-00021086
Abstract:

Moderne technische Systeme weisen eine hohe Komplexität auf und bestehen aus verschiedenen Bauteilen und Komponenten. Mit der Zeit, durch chemische Prozesse, Umwelteinflüsse und insbesondere durch die Nutzung verschleißen diese stetig. Ist das tolerable Maximum des Verschleißes erreicht, kommt es zu einem Ausfall, sodass die Funktionserfüllung nicht mehr gewährleistet ist. Tritt ein solcher Ausfall unvorhergesehen ein, so entstehen häufig lange Stillstandszeiten, bis notwendige Ersatzteile beschafft und das System instandgesetzt wurde. Mit der Disziplin des Prognostics and Health Management (PHM) existiert ein methodisches Gerüst, um Bauteile und Komponenten während des Betriebs automatisiert zu überwachen, den Zustand zu bewerten und den Ausfallzeitpunkt zu schätzen. Die vorliegende Dissertation knüpft an dieses methodische Gerüst an und fokussiert die Prognose des zukünftigen Verschleißverhaltens und Ausfallzeitpunkts. Gegenüber bestehenden Methoden und Algorithmen kommt jedoch dem Betriebszustand eine tragende Rolle zu. Der Verschleiß mechanischer Komponenten hängt maßgeblich von ihrer ertragenen Belastung ab. Diese kann inhärent aus der Systemnutzung resultieren, aber auch durch äußere Einflussfaktoren wie beispielsweise Umgebungstemperatur, Luftfeuchtigkeit oder Vibrationen entstehen. Zudem kann sich das Nutzungsprofil mit der Zeit verändern, sodass die zur Degradierung beitragenden Effekte ebenfalls variieren. Dieser sogenannte zeitliche Betriebszustand berücksichtigt alle Parameter, die den Verschleiß deutlich beeinflussen. In dieser Arbeit wird eine Methodik vorgeschlagen, mit der zukünftige geplante Betriebszustände in die Prognosealgorithmen einbezogen werden können, um eine genauere Schätzung bei sich verändernden Betriebszuständen zu erhalten. Der vorgeschlagene Ansatz stellt eine Ergänzung zu bestehenden Algorithmen dar, indem ein zusätzlicher Vorverarbeitungsschritt ergänzt wird. In diesem findet eine Klassifikation der Betriebszustände statt und anschließend die Prognose in den zu den Klassen gehörenden Expertenmodellen. Das heißt, dass für jede Klasse ein Prognosemodell trainiert wird, welches die Degradierung für die zugehörige Betriebszustandspopulation gut abbilden kann. Auf Basis eines Naive Bayes Classifier (NBC) zur Klassifikation und Künstliche Neuronale Netze (KNN) zur Prognose mit der Verwendung von Bootstrapping und einem Partikelfilter wird die Eignung der vorgeschlagenen Methodik nachgewiesen. Zufällig generierte Degradierungskurven aus einem Simulationsmodell zeigen den Vorteil der Berücksichtigung der geplanten Betriebszustände gegenüber deren Vernachlässigung durch bessere Ergebnisse in typischen Metriken (z. B. Mean Absolute Percentage Error (MAPE) oder Prognosehorizont (PH)). Zur abschließenden Verifikation kommen zudem reale Daten von Prüfstandversuchen an Zahnradgetrieben zum Einsatz. Um diese zu generieren, wurde in dieser Arbeit ein Prüfstand aufgebaut und mehrere Zahnradgetriebe mit verschiedenen Betriebszustandsprofilen vom Neuzustand bis zum Ausfall betrieben. Die Datenauswertung zeigt einen Trend auf, der die Beobachtungen aus den simulierten Daten untermauert. Die abschließende Diskussion rundet die Ergebnisse ab und thematisiert Herausforderungen. Durch die höhere Parameterzahl ist beispielsweise eine größere Datenbasis für das Training notwendig. Zudem besteht ein Zusatzaufwand in der Erstellung der Betriebszustandsplanung.

Alternative Abstract:
Alternative AbstractLanguage

Modern technical systems consist of various components and parts. Over time, through chemical processes, environmental influences and especially through their usage, these wear out constantly. At some point, the tolerable maximum of wear is reached and a failure occurs so that the functional performance is no longer satisfied. If such a failure occurs unexpectedly, long downtimes are the result, since necessary spare parts need to be acquired and the system repaired. The discipline of Prognostics and Health Management (PHM) offers a methodical framework to automatically monitor parts and components during operation, to evaluate their condition and to estimate their Remaining Useful Life (RUL). This dissertation uses this methodological framework and focuses on the prediction regarding the wear process and the RUL. Compared to existing methods and algorithms, the operating condition is considered. The wear of mechanical components depends significantly on their endured load. This can result inherently from system usage, but can also be influenced by external factors such as ambient temperature, humidity or vibrations. In addition, the usage profile can vary over time, so that the effects contributing to degradation also change. This so-called operating state incorporates all parameters that significantly affect the component's wear. In this work, a methodology is proposed which incorporates planned operating states into the prediction algorithm to provide a more accurate estimate when the operating states vary. The proposed approach is a complement to existing algorithms by adding an additional pre-processing step. This step encompasses, a classification of the operating states. Afterward the prediction is performed in expert models that belong to the classes. The advantage is that the expert model of a class better represents the corresponding degradation behavior. Based on a Naive Bayes Classifier (NBC) for classification and a neural network for prediction with the use of bootstrapping and a particle filter, the suitability of the proposed methodology is verified. Randomly generated degradation curves from a simulation model emphasize the advantage of considering the planned operating states over neglecting them by showing better results in typical performance metrics (e. g. Mean Absolute Percentage Error (MAPE) or Prognostic Horizon). For final verification, real data from a test bench with gearboxes are used. To generate these, a test rig was set up in this dissertation and a population of gearboxes were operated with different operating states from their new condition to failure. The data evaluation shows a trend that supports the observations from the simulated data. The final discussion summarizes the results and addresses challenges of the presented concept. For example, due to the higher number of parameters, a larger dataset is required for training. Furthermore, there is an additional effort in the generation of the operating state planning data.

English
Status: Publisher's Version
URN: urn:nbn:de:tuda-tuprints-210861
Classification DDC: 600 Technology, medicine, applied sciences > 620 Engineering and machine engineering
Divisions: 16 Department of Mechanical Engineering > Institute of Flight Systems and Automatic Control (FSR)
16 Department of Mechanical Engineering > Institute of Flight Systems and Automatic Control (FSR) > Safe Systems
Date Deposited: 30 May 2022 12:05
Last Modified: 10 Aug 2022 08:44
URI: https://tuprints.ulb.tu-darmstadt.de/id/eprint/21086
PPN: 496550144
Export:
Actions (login required)
View Item View Item