Zustandsüberwachung hochdynamischer bidirektionaler Axialkolbenpumpen mittels maschinellen Lernens

Von:

Yannick Duensing

Beschreibung

Format auswählen

Kartonierter EinbandCHF 32.15

Kartonierter Einband

CHF32.15

TIEFPREIS

CHF32.15

Auslieferung erfolgt in der Regel innert 1 bis 2 Wochen.

Kostenlose Lieferung

Kein Rückgaberecht

Beschreibung

In dieser Arbeit wird das Potenzial von Methoden des maschinellen Lernens (engl.: Machine Learning, ML) untersucht, den aktuellen Gesundheitszustand einer dynamisch betriebenen EHA-Pumpe anhand vorhandener Sensorsignale zu identifizieren. Hierfür wurden mehrere Pumpen unterschiedlichen Testszenarien mit einer Vielzahl an dynamischen Betriebspunkten ausgesetzt und der Verschleißfortschritt durch Demontagen, Gewichtsverlust- und Oberflächenanalysen erfasst. Mittels der Analyseergebnisse wurden Zustände definiert und diese als Label den Merkmalen, die aus Druck- und Körperschallsignalen des Prüfstands für die jeweilige Testperiode extrahiert wurden, zugeordnet. Diese Daten repräsentieren die Trainings- und Testdaten von Multi-Layer-Perzeptron- und Random-Forest-Modellen. Beide ML-Modelle wurden dabei mit Daten aus jedem der insgesamt 30 dynamischen Betriebspunkte trainiert und getestet. Durch eine Gegenüberstellung der Modellklassifizierungsergebnisse aller Betriebspunkte konnte ermittelt werden, welche Betriebspunkt- und Modellkombination das höchste Potenzial zur Identifikation des Gesamtgesundheitszustands der Pumpe aufweist. Die Ergebnisse der Untersuchungen zeigen, dass besonders Modelle, die mit Daten von Betriebspunkten mit mittleren bis hohen Lasten während Beschleunigungsphasen trainiert und getestet wurden, hohe Klassifizierungsgüten aufweisen.