IEEE MetroInd4.0&IoT 2024

Die vorausschauende Instandhaltung (Predictive Maintenance, PdM) ist aufgrund unzureichend gekennzeichneter Daten und dynamischer Industrieumgebungen eine Herausforderung. Diese Probleme erfordern eine datengesteuerte Lösung für die Analyse des Maschinenverschleißes, die in der Lage ist, geräteintern zu lernen und sich an die sich verändernden industriellen Umgebungen anzupassen. Daher schlagen wir einen neuen Algorithmus TEEMSC - Trainable Energy Efficient Machine Diagnosis using Singular Values and Canonical Crosscorrelation für die Analyse von Maschinenabnutzung vor, der vollständig auf einem Sensorknoten trainiert werden kann und dessen gelernte Parameter an dynamische industrielle Szenarien anpassbar sind. TEEMSC lernt aus unmarkierten Daten auf hauptsächlich unüberwachte Weise. Im Vergleich zu TEEMSC sind die bestehenden datengesteuerten, unüberwachten Methoden meist auf die Erkennung von Anomalien ausgerichtet, und die auf neuronalen Netzen basierenden Lösungen sind entweder auf einen umständlichen Datenerfassungs- und -beschriftungsprozess angewiesen oder leiden unter einer Konzeptdrift, die durch sich ändernde Umgebungsszenarien verursacht wird. Unter Berücksichtigung der Lagerdegradation als PdM-Szenario haben wir den Algorithmus an PRONOSTIA- und XJTU-Lagerdatensätzen getestet und die Leistung von TEEMSC mit drei bestehenden Methoden zur Analyse von Degradationstrends verglichen, nämlich der Hauptkomponentenanalyse, der Leistungsspektraldichte und der Kurtosis auf der Wavelet-Zerlegung des ursprünglichen Schwingungssignals. Unsere Ergebnisse übertreffen die bestehenden unüberwachten Degradations-Trendanalysen und Anomalie-Erkennungsmethoden für geräteinternes Lernen deutlich.