Mit ihnen werden Wärmepumpen und Presslufthämmer betrieben, Autoreifen mit Luft befüllt, Oberflächen gereinigt oder Speichel abgesaugt – die Einsatzgebiete von Kompressoren sind vielfältig. Ein Kompressor presst Gas mit Hilfe mechanischer Kraft zusammen und erhöht so den Druck. Die dabei entstehende Energie wird bei Abgabe des Drucks freigegeben und kann zum Antrieb von Werkzeugen und Maschinen genutzt werden. Damit sind Kompressoren aus der industriellen Produktion kaum mehr wegzudenken.

Intervallbasierte Wartung – das kann man besser machen

Häufig werden Wartungsarbeiten an Kompressoren in festen Intervallen durchgeführt und Prozessparameter stichprobenartig geprüft. Das ist teuer und ineffizient. Im BMBF-geförderten Projekt CompWatch entwickeln die beteiligten Projektpartner Verfahren für ereignisorientierte Wartungsintervalle. Das heißt, erst wenn sich ein Fehler ankündigt, wird reagiert, angepasst oder repariert. Voraussetzung dafür ist, dass mögliche Fehler frühzeitig erkannt werden. So lassen sich Ausfälle vorhersagen und im besten Fall auch vermeiden.

Fehlersuche nach Gehör

Eine Möglichkeit der Detektion von Fehlern sind Geräusche: Klingt eine Anlage untypisch, weiß man, dass etwas nicht korrekt läuft. Bringt man also dauerhaft Sensoren an, kann man akustische Signale aufzeichnen und über die in den Daten enthaltenen Signaturen auf den Zustand des Kompressors schließen. Um diese Daten automatisiert mit Methoden der künstlichen Intelligenz (KI) und des maschinellen Lernens (ML) auszuwerten, müssen alle Fehler, die auftreten können, bekannt sein – nur so können sie später wiedererkannt werden.

Ein Blick in die Glaskugel

Die CompWatch-Projektpartner wollen diese Vorgehensweise überwinden und untypische Zustände (Anomalien) ohne ein solches Vorwissen bestimmen und vorhersagen. Erst damit ist eine problemlose Integration in neue Umgebungen und laufende Systeme möglich.

Die Entwicklung dieses neuen Ansatzes gründet auf den Ergebnissen umfangreicher Experimente. In diesen kamen verschiedene Sensoren zum Einsatz, die auf ihre Tauglichkeit für unterschiedliche Problemstellungen geprüft wurden. An verschiedenen Positionen des Kompressors angebracht, mussten die Sensoren Anomalien und Normalzustände erkennen.

Ganz konkret wurden vier Körperschallsensoren auf der Oberfläche von Kompressor-Komponenten angebracht, um die abgegebenen Geräusche aufzuzeichnen, ein Mikrofon im Kompressor zur Aufzeichnung des Luftschalls und ein Beschleunigungssensor am Motorgehäuse, um Vibrationen zu erfassen. Damit ließen sich Leckagen, verschmutzte Ölfilter (simuliert durch eine Abdeckung) und verschmutzte Luftfilter detektieren.

Demonstration der Möglichkeiten

Hier kommen die sogenannten neuronalen Netze ins Spiel, die den Unterschied zwischen Normalzustand und Anomalie auf Basis des Sensorsignals erkennen. Dafür wurde ein Softwaredemonstrator aufgebaut, in dem der »Plan« beschrieben ist, wie die von den Sensoren aufgenommenen Signale bewertet werden. In diesen Demonstrator können Messdaten unterschiedlicher Sensoren eingelesen werden. Daraus lässt sich für jeden Sensor ein Klassifikator trainieren. Auf Grundlage dieser anfangs aufgezeichneten Signale des Normalzustandes lernt das System, wie die aufgenommenen Daten zu bewerten sind und leitet die Information an den Anlagenbetreiber weiter. Dieser kann, wenn Anomalien angezeigt wurden, den Kompressor warten oder reparieren.

Große Pläne

Derzeit stellen die Projektpartner sicher, dass das Verfahren für eine weite Spanne an Fehlern funktioniert. Parallel erfolgt die Umsetzung in eine vermarktbare Hardware.

Was am Beispiel des Kompressors erfolgreich demonstriert wurde, kann zukünftig auch für andere Anlagenkomponenten zum Einsatz kommen. Selbstlernende Systeme ermöglichen eine ereignisorientierte Wartung und leisten damit einen Beitrag zu kostengünstiger und effektiver Zustandsüberwachung sowie zur Anlagensicherheit.

Zum Projekt

Im Projekt CompWatch arbeiten Partner mit verschiedenen Kompetenzen gemeinsam. Beteiligt sind die SONOTEC GmbH (Sensorik), Petko GmbH (Expertenwissen über Betrieb und Instandhaltung von Kompressoren) sowie Fraunhofer IKTS (KI-basierte Algorithmen zur Fehlerdetektion).

Das Projekt wird vom Bundesministerium für Forschung und Bildung (BMBF) gefördert (FKZ: 02K18K012) und vom Projektträger Karlsruhe (PTKA) betreut.
 

Weiterführende Informationen

• IKTS-Gruppe »Maschinelles Lernen und Datenanalyse«
• IKTS-Gruppe »Kognitive Materialdiagnostik«
• Industrielösung »Akustische Diagnostik – Fehlerdetektion | Signalbeurteilung | Qualitätssicherung«
  
• Blogbeitrag »Kognitive Materialdiagnostik: bedarfsgerechte Maschinenwartung, qualitätssichernde Produktion«
  

Bleiben Sie informiert: Melden Sie sich gern für unseren Newsletter an, lesen Sie in weitere Blogbeiträge rein oder folgen Sie uns auf LinkedIn, Instagram und YouTube. Wir freuen uns, mit Ihnen ins Gespräch zu kommen.