Forschungsprojekte

Projektleiter: Prof. Dr.-Ing. Peter Zeiler

Projektbearbeiter: Moritz Müllerschön, Luca Steinmann

Kooperationspartner: Fakultätsübergreifendes Projekt an der Hochschule Esslingen

Kurzbeschreibung des Forschungsvorhabens:

Ein Smart Factory Grid ist die Vision für ein innovatives, servicebasiertes und dynamisch verteiltes Fertigungssystem. Es zeichnet sich durch hohe Flexibilität und Vernetzung aus und stellt eine zentrale Komponente der Industrie 4.0 dar. Innerhalb eines Smart Factory Grids interagieren modulare Produktionseinheiten, sogenannte Micro Manufacturing Units. Ziel der Forschungseinheit System Health ist die Entwicklung von Methodiken für die intelligente Diagnose und Prognose von Zuständen der Micro Manufacturing Units und des Smart Factory Grids, sowie die Optimierung von Instandhaltungsprozessen.

Forschungsfrage 1: Adaptive Zustandsdiagnose und -prognose bei variabler Belastung (Luca Steinmann)

Die Matrixproduktion stellt aufgrund der hohen Wandlungsfähigkeit, der Flexibilität und der Resilienz hohe Anforderungen an die Zustandsdiagnose und -prognose. Variierende und unbekannte Belastungsprofile erschweren dabei die Entwicklung geeigneter Methoden. Es existieren erste Ansätze zur Prognose zukünftiger Belastungsprofile basierend auf historischen und aktuellen Daten, jedoch bleibt die Zustandsprognose unter variablen Bedingungen eine zentrale Herausforderung. Begrenzte Datenqualität, unvollständige oder zensierte Daten sowie die Variabilität der zukünftigen Lasten erweitern das Problem.

Der Forschungsansatz zielt darauf ab, die Zusammenhänge zwischen Belastung und Degradation besser zu verstehen und präzise vorherzusagen. Ein Schwerpunkt liegt auf der Analyse und Integration variierender Belastungsprofile sowie der Bewältigung datenbezogener Herausforderungen. Ansätze wie Data Augmentation und Data Generation sollen die Datenbasis erweitern und die Robustheit der Modelle steigern, um eine ganzheitliche Methodik für die Prognose unter Berücksichtigung variabler Belastung zu entwickeln.

Forschungsfrage 2: Adaptive Zustandsdiagnose und -prognose mit heterogenen Informationen (Moritz Müllerschön)

Die Entwicklung eines Smart Factory Grids bringt spezifische Herausforderungen mit sich. Insbesondere die Heterogenität der Informationsquellen stellt ein zentrales Problem dar. Die Daten sind oft hochdimensional, unterschiedlich formatiert und variieren in ihrer Verfügbarkeit und Qualität. Beispiele hierfür sind Sensor- und Betriebsdaten, Simulationsergebnisse und physikalische Modelle. Dies erschwert die Kombination und Nutzung dieser Daten zur Zustandsdiagnose und -prognose erheblich. Ein weiteres Hindernis ist das Fehlen einer umfassenden Methodik zur Informationsfusion.

Ein Forschungsansatz besteht in der Entwicklung eines hybriden Modells zur Informationsfusion, das datengetriebene Methoden mit physikalischen und regelbasierten Modellen kombinieren soll. Dabei sollen Methoden entwickelt werden, um die begrenzte Datenverfügbarkeit zu kompensieren und vorhandenes Domänenwissen effektiv einzubinden. Durch die Entwicklung eines standardisierten Datenframeworks zur Vorverarbeitung und Integration heterogener Informationsquellen kann die Grundlage für eine robuste Zustandsdiagnose und -prognose geschaffen werden.

Forschungsfrage 3: Health Management in einem Smart Factory Grid (Moritz Müllerschön)

Das Health Management befasst sich mit der kontinuierlichen Überwachung, Analyse und Optimierung des Zustandes von Produktionsanlagen und –prozessen und zielt darauf ab, die Verfügbarkeit und Zuverlässigkeit des Systems sicherzustellen. Im Kontext der flexiblen und modularen Umgebung eines Smart Factory Grids erfordert dies eine hohe Anpassungsfähigkeit.

Der Forschungsansatz zielt darauf ab, das Health Management in einem Smart Factory Grid als komplexes Optimierungsproblem zu adressieren, da die Komplexität der Fertigung kein Health Management mit herkömmlichen Methoden mehr zulässt. Wichtige Metriken sind hierbei die Kosten, Nachhaltigkeit, Produktivität und viele weitere. Mit Predictive Maintenance soll die automatisierte Generierung von Instandhaltungsvorschlägen ermöglicht werden, um präzise und effiziente Entscheidungen für die Instandhaltung zu treffen.

Weitere Informationen zum gesamten Projekt Smart Factory Grids | DFG Forschungsimpuls finden Sie hier:

Smart Factory Grids | DFG Forschungsimpuls

(Gefördert durch die Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 528745080 - FIP 68)

Projektleiter: Prof. Dr.-Ing. Peter Zeiler

Projektbearbeiterin: Leonie Schmidt

Kurzbeschreibung des Forschungsvorhabens:

Für viele technische Systeme ist eine zustandsorientierte bzw. vorausschauende Instandhaltung entscheidend, um Verfügbarkeit und Sicherheit zu gewährleisten. Datengetriebene Zustandsdiagnosen und -prognosen auf Basis von maschinellem Lernen bieten hierfür großes Potenzial. Ihr Einsatz wird in der industriellen Praxis jedoch häufig durch fehlende repräsentative Trainingsdaten eingeschränkt. Zwar können vorhandene Degradationsdaten ähnlicher Systeme mittels Transferlernen genutzt werden, Unterschiede zwischen den Systemen können jedoch zu negativem Transfer führen und dadurch die Diagnose- und Prognosegüte verschlechtern.

Ziel des Forschungsvorhabens ist es, die Ähnlichkeit technischer Systeme zu bewerten und diese Bewertung in Verfahren des Transferlernens zu integrieren. Dadurch soll untersucht werden, wie die Leistungsfähigkeit datengetriebener Zustandsdiagnosen und -prognosen durch die verlässliche Nutzung von Daten ähnlicher Systeme gesteigert und negativer Transfer verhindert werden kann. Darüber hinaus wird erforscht, ob und in welchem Ausmaß sich der Nutzen von Transferlernen anhand der Ähnlichkeit zwischen Quell- und Zielsystem vorhersagen lässt.

Hierzu werden geeignete Konzepte zur Ähnlichkeitsbewertung aus den Bereichen topologische Ähnlichkeit, Verteilungsähnlichkeit und Zeitreihenähnlichkeit identifiziert, entwickelt, ausgewählt und in verschiedene Verfahren des Transferlernens integriert. Dabei werden Feature-, Parameter- und Instanz-basierte Transferlernverfahren untersucht und hinsichtlich ihrer Eignung zur Vermeidung negativen Transfers sowie zur Vorhersage des Transfernutzens verglichen. Die entwickelten Methoden werden mit Simulationsdaten sowie realen Messdaten aus den Anwendungsfällen Zustandsdiagnose von Wälzlagern und Zustandsprognose bei Filterbeladung evaluiert und validiert. Das Forschungsvorhaben soll damit zentrale Forschungslücken schließen und die verlässliche Nutzung von Daten ähnlicher technischer Systeme für die Zustandsdiagnose und -prognose ermöglichen.

(Gefördert durch die Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 582998150)

Auswahl- und Umsetzungsmethodik für Prognoseverfahren zur Restlebensdauervorhersage eines technischen Systems unter Berücksichtigung praxisrelevanter und anwendungsspezifischer Randbedingungen

Dieses Forschungsvorhaben mit dem Ziel der Promotion auf dem Gebiet des Prognostics and Health Managements (PHM) wird in einer Kooperation des Instituts für Technische Zuverlässigkeit und Prognostik (IZP) der Hochschule Esslingen mit dem Institut für industrielle Fertigung und Fabrikbetrieb (IFF) der Universität Stuttgart durchgeführt.

Zur Prognose der Restlebensdauer eines technischen Systems existieren eine Vielzahl an möglichen Prognoseverfahren. Diese können in datengetriebene, modellbasierte oder hybride Ansätze unterteilt werden.

Ziel dieses Forschungsvorhabens ist eine Auswahl- und Umsetzungsmethodik unter Berücksichtigung von praxisrelevanten und anwendungsspezifischen Datenlagen zu erforschen. Der Schwerpunkt liegt besonders in der Verknüpfung von grundlegenden Forschungsergebnissen bei der Entwicklung von Prognoseverfahren mit den tatsächlichen Anforderungen aus der industriellen Praxis.

Kooperations-Universität: Universität Stuttgart
Erstbetreuung: Prof. Dr.-Ing. Marco Huber
Zweitbetreuung: Prof. Dr.-Ing. Peter Zeiler
Doktorand: Fabian Mauthe

Nutzung von Wissen ähnlicher Systeme für datengetriebene Zustandsdiagnose und -prognose im industriellen Umfeld

Dieses Forschungsvorhaben mit dem Ziel der Promotion auf dem Gebiet des Prognostics and Health Managements (PHM) wird in einer Kooperation des Instituts für Technische Zuverlässigkeit und Prognostik (IZP) der Hochschule Esslingen mit der Universität Stuttgart durchgeführt. Die im Rahmen des Promotionsvorhabens untersuchte Themenstellung ist der Beschreibung des Forschungsvorhabens REDAT zu entnehmen.

Kooperations-Universität: Universität Stuttgart
Erstbetreuung: Prof. Dr.-Ing. Peter Zeiler
Zweitbetreuung: Prof. Dr.-Ing. Marco Huber
Doktorand: Marcel Braig

Prognose der verbleibenden Lebensdauer bei zeitlich variablen und unsicheren Belastungen

Im Kontext von Smart Factory Grids entstehen hochgradig anpassungsfähige Produktionssysteme, in denen modulare Produktionseinheiten flexibel zu individuellen Fertigungsprozessen zusammengestellt werden können. Die daraus resultierenden zeitlich variablen und teilweise unsicheren Belastungen erfordern neue Ansätze zur Zustandsüberwachung und zur Prognose der verbleibenden Lebensdauer technischer Systeme.

Das Ziel der Promotion ist es, Methoden zur Zustandsdiagnose, Zustandsprognose und zur Bestimmung der verbleibenden Nutzungsdauer (Remaining Useful Life, RUL) unter variablen Belastungen zu entwickeln. In den Modellen, die zur Prognose von Degradationsprozessen verwendet werden, liegt ein Schwerpunkt auf der Integration zukünftiger Belastungsprofile. Es werden sowohl die bekannten diskreten und kontinuierlichen Belastungsprofile als auch die Prognose unbekannter oder nur teilweise bekannter Belastungen berücksichtigt.

Des Weiteren werden datengetriebene und hybride Ansätze erforscht, um selbst mit unvollständigen, zensierten oder nur begrenzt verfügbaren Daten zuverlässige Prognosen zu ermöglichen. So trägt die Promotion dazu bei, die Zuverlässigkeit, Verfügbarkeit und Wirtschaftlichkeit von zukünftigen intelligenten Produktionssystemen zu verbessern.

Die Arbeiten erfolgen im Rahmen des DFG-geförderten Forschungsprojekts „Smart Factory Grids“.

Kooperations-Universität: Universität Stuttgart
Erstbetreuung: Prof. Dr.-Ing. Peter Zeiler
Zweitbetreuung: Prof. Dr.-Ing. Marco Huber
Doktorand: Luca Steinmann

Informationsfusion bei Zustandsdiagnosen und -prognosen und Health Management in einem Smart Factory Grid

Dieses Forschungsvorhaben mit dem Ziel der Promotion auf dem Gebiet des Prognostics and Health Managements (PHM) wird in einer Kooperation des Instituts für Technische Zuverlässigkeit und Prognostik (IZP) der Hochschule Esslingen mit der Universität Stuttgart durchgeführt. Es ist in das Förderprojekt „Smart Factory Grids“ eingebettet, das ein dienstleistungsbasiertes, dynamisch verteiltes Produktionssystem mit hoher Flexibilität, Vernetzung und modular beweglichen Produktionseinheiten adressiert.

Im Rahmen der Promotion sollen Methodiken zur Beantwortung der Forschungsfragen zur systematischen Informationsfusion bei der Diagnose und Prognose des Zustandes von technischen Systemen entwickelt werden. Die Informationsfusion ist dabei die Integration von Daten unterschiedlicher Formate, Herkunft und Qualität. Damit sollen eine Diagnose und Prognose auch bei wenigen Daten möglich sein und die Genauigkeit der Algorithmen erhöht werden.

Darüber hinaus soll die komplexe Planung von Instandhaltungsmaßnahmen als Optimierungsproblem formuliert werden und Ergebnisse aus der Informationsfusion integrieren werden. Metriken hierfür können die Kosten, Aufträge, Nachhaltigkeit, Produktivität und weitere sein.

Kooperations-Universität: Universität Stuttgart
Erstbetreuung: Prof. Dr.-Ing. Peter Zeiler
Zweitbetreuung: Prof. Dr.-Ing. Marco Huber
Doktorand: Moritz Müllerschön

Zustandsdiagnose und -prognose ähnlicher technischer Systeme unter Nutzung von Ähnlichkeitsbewertung und deren Integration in Verfahren des Transferlernens

Datengetriebene Zustandsdiagnosen und -prognosen auf Basis von maschinellem Lernen bieten großes Potenzial für die zustandsorientierte und vorausschauende Instandhaltung technischer Systeme. Ihr Einsatz wird jedoch häufig durch fehlende repräsentative Trainingsdaten eingeschränkt. Transferlernen ermöglicht die Nutzung von Daten ähnlicher technischer Systeme, erfordert jedoch eine zuverlässige Ähnlichkeitsbewertung, um geeignete Quelldaten auszuwählen und negativen Transfer zu vermeiden. Hierzu werden topologische, verteilungsbasierte und zeitreihenbasierte Ähnlichkeitsmaße untersucht und in verschiedene Transferlernverfahren integriert, um die Leistungsfähigkeit der Zustandsdiagnose und -prognose zu steigern und den Transfernutzen vorherzusagen.

Die Arbeiten erfolgen im Rahmen des DFG-geförderten Forschungsprojekts ProSiT.

Kooperations-Universität: Universität Stuttgart
Erstbetreuung: Prof. Dr.-Ing. Peter Zeiler
Zweitbetreuung: Prof. Dr.-Ing. Marco Huber
Doktorandin: Leonie Schmidt

Smart Grind

Anzahl industrieller Kooperationspartner: 1

Kurzbeschreibung des Forschungsvorhabens:

Das Ziel dieses Forschungsvorhaben ist die Entwicklung eines universellen Retrofit-Systems zur Prozessoptimierung bei Flachschleifmaschinen. Die Bahnplanung des Schleifprozesses soll durch die Berücksichtigung des tatsächlichen Materialabtrags optimiert werden. Dies bedeutet, dass ausschließlich Oberflächen überschliffen werden, bei denen eine Schleifbearbeitung erforderlich ist. Dieser Ansatz, basierend auf einer intelligenten Auswertung hochfrequenter Antriebsdaten der NC-Steuerung, bietet das Potenzial einer signifikanten Verkürzung der Bearbeitungszeit und kann somit die Wirtschaftlichkeit des Flachschleifprozesses maßgeblich steigern. Zudem wird im Rahmen dieses Projektes eine Zustandsdiagnose und –prognose des Schleifscheibenzustands unter Verwendung von Verfahren des maschinellen Lernens realisiert. Kenntnisse über den Zustand der Schleifscheibe tragen zum einen zur Einhaltung der hohen Qualitätsanforderungen an die Oberflächengüte sowie die Form- und Lagetoleranzen bei der Schleifbearbeitung bei. Zum anderen ermöglichen diese Kenntnisse die Umsetzung von bedarfsgerechten Konditionierintervallen, sodass die Standzeit optimal ausgenutzt werden kann (Ressourceneffizienz). Die Auswertung der Daten für die Berechnung der optimierten Bahnplanung sowie der Zustandsdiagnose –und prognose erfolgt hierbei maschinennah in einer Edge. Die Vorteile liegen neben der Einhaltung von hohen Sicherheitsstandards beim Umgang mit sensiblen Produktionsdaten sowie in einer geringen Latenz bei der Datenübertragung.

Prognostics

Anzahl industrieller Kooperationspartner: 3

Kurzbeschreibung des Forschungsvorhabens:

Das Forschungsprojekt hat zum Ziel, Anwender, insbesondere KMU, in die Lage zu versetzen, fortschrittliche Instandhaltungsstrategien, vorranging Predictive Maintenance, zu realisieren. Zu diesem Zweck wird eine Bewertungs- und Auswahlmethodik unter Berücksichtigung von anwendungsspezifischen und industrienahen Randbedingungen entwickelt. Entsprechend dieser Kategorisierung werden reale Degradationsdatensätze erzeugt und frei zugänglich gemacht. Dies unterstützt entsprechende Anwendervorhaben zum einen bei der Auswahl geeigneter Methoden und zum anderen bei der Einschätzung von Umsetzbarkeit und Risiken. Die Methode kann hierbei datengetrieben sein, z.B. ein künstliches neuronales Netz oder Support Vector Machines. Die Prognosemethode kann auch modellbasiert sein und ein physikalisches Modell des Degradationsprozesses verwenden, z.B. eine Rissfortschrittsgleichung oder ein Verschleißmodell. Die beschriebenen Möglichkeiten sind in nachfolgender Abbildung graphisch dargestellt.

Data-driven to hybrid

Kurzbeschreibung des Forschungsvorhabens:

Erweiterung datengetriebener Diagnose- und Prognosemethoden des Prognostics and Health Managements zu hybriden Methoden durch Integration von Kenntnissen über den Degradationsprozess

Dieses Forschungsvorhaben setzt sich mit den Ansätzen zur Diagnose und der Prognose des Degradationszustands technischer Systeme auseinander. Die verschiedenen Ansätze hierzu lassen sich einteilen in modellbasiert, hybrid und datengetrieben. Bei den modellbasierten Methoden wird das Degradationsverhalten in einem physikalischen Modell abgebildet. Ein verbreitetes Beispiel einer solchen physikalischen Modellierung stellen Rissfortschrittsmodelle wie das Paris-Erdogan-Law dar. Diese beschreiben die Rissermüdung unter zyklischer Belastung. Aufgrund der hohen Komplexität des Degradationsprozesses vieler technischer Systeme ist jedoch die detaillierte Umsetzung des modellbasierten Ansatzes mit erheblichem Aufwand verbunden. Die als datengetrieben bezeichneten Diagnose- und Prognosemethoden besitzen demgegenüber den Vorteil, dass kein oder nur kaum Kenntnisse über das jeweilige Degradationsverhalten für ihren Einsatz erforderlich sind. Zuzuordnen sind diese Methoden den Grundlagengebieten Statistik und maschinelles Lernen. Bei diesen Methoden wird lediglich der mathematische Zusammenhang zwischen Messgrößen und der Degradation nachgebildet. Der hybride Ansatz stellt, gemäß seiner Bezeichnung, eine Vereinigung der beiden zuvor beschriebenen Ansätze dar.

ReDat

Anzahl industrieller Kooperationspartner: 3

Kurzbeschreibung des Forschungsvorhabens:

Für die Diagnose, Prognose und Überwachung des Gesundheitszustands bzw. der verbleibenden Restlebensdauer von technischen Systemen sind Methoden nötig, die das Systemverhalten, mögliche Fehlerzustände und die auftretende Degradation nachbilden können. Üblicherweise werden diese Methoden in physikalisch modellbasiert und datengetrieben unterteilt. Erstere basieren auf einem tiefen Verständnis des betrachteten Systems und dessen Degradationsverhaltens. Die Modellierung ist jedoch aufwendig und bei komplexen Systemen nur beschränkt möglich. Daher stellen datengetriebene Methoden eine bedeutende Alternative dar. Diese extrahieren Wissen über ein System nur auf Basis von Daten. Entscheidend für den Erfolg von datenbasierten Ansätzen ist jedoch eine ausreichend große Menge an Trainingsdaten. Datenerzeugung und deren Aufbereitung sind allerdings mit einem hohen zeitlichen und monetären Aufwand verbunden. Zudem sind bei neuartigen Systemen (z. B. einer neuen Maschinengeneration) sowie Systemen, die nur in geringer Stückzahl gefertigt werden, oft nur wenige Laufzeit- und Run-to-Failure-Daten verfügbar.

Das Forschungsvorhaben verfolgt den Ansatz, für das Training von datengetriebenen Methoden, Wissen (Daten oder Modelle) von ähnlichen Systemen (sogenannten Similar Systems) zu nutzen. Damit soll die nötige Datenmenge vom zu untersuchenden System selbst reduziert werden. Beispielsweise kann Wissen über das Degradationsverhalten eines offenen Rillenkugellagers für eine geschlossene Variante ähnlicher Dimensionierung genutzt werden. Die Ansätze lassen sich auf einzelne Bauteile (z. B. Lager, Achsen, Wellen), auf Maschinen (z. B. in der Fertigung) oder auf Produkte (z. B. Getriebe, Motoren) anwenden.

Erweiterung datengetriebener Diagnose- und Prognosemethoden des Prognostics and Health Managements zu hybriden Methoden durch Integration von Kenntnissen über den Degradationsprozess

Dieses Promotionsvorhaben auf dem Gebiet des Prognostics and Health Managements wird in einer Kooperation zwischen dem Institut für Technische Zuverlässigkeit und Prognostik (IZP) und dem Institut für industrielle Fertigung und Fabrikbetrieb (IFF) der Universität Stuttgart durchgeführt. Der Doktorand ist Mitglied des Promotionskollegs PROMISE 4.0. Die im Rahmen des Promotionsvorhabens untersuchte Themenstellung ist der Beschreibung des Forschungsvorhabens DATA-DRIVEN TO HYBRID zu entnehmen.

Kooperations-Universität: Universität Stuttgart
Erstbetreuung: Prof. Dr.-Ing. Thomas Bauernhansl
Zweitbetreuung: Prof. Dr.-Ing. Peter Zeiler
Doktorand: Simon Hagmeyer

Link zur Arbeit: https://elib.uni-stuttgart.de/items/fa4a7c2c-d4d3-4f6b-9e1d-c1972e8c8909