Bitte wählen Sie ihr Lieferland und ihre Kundengruppe
Bei konventionellen Methoden der Pumpenüberwachung werden Informationen, die sich aus dem Zusammenspiel vieler Merkmale ergeben, leicht übersehen. Maschinelle Lernverfahren bieten hierzu eine Alternative. Benötigt wird hierzu eine ausreichende Menge von Meßdaten, die bei definierten Betriebszuständen gemessen wurden. Hydraulische Störungen von Kreiselpumpen können sowohl aus der Form der Wellenbahn als auch aus dem Frequenzspektrum eines Schwinggeschwindigkeitsaufnehmers auf dem Pumpengehäuse erkannt werden. Durch Anwendung der Fouriertransformation erhält man Amplituden- und Phasenspektren mit hohem Informationsgehalt. Aus diesen Spektren sind die Frequenzbänder auszuwählen, die eindeutig und sicher eine bestimmte Störung von allen anderen unterscheiden. Abschließend sind hieraus Regeln für ein Entscheidungssystem zu formulieren, die im Betrieb der Pumpe eine Information über den Betriebszustand liefern. Diese Aufgabe ist vom Mensch alleine kaum zu lösen; ein geeignetes Werkzeug hierfür ist die rechnerunterstützte Anwendung von Verfahren des maschinellen Lernens, die in dem von der Deutschen Forschungsgemeinschaft (DFG) geförderten Projekt 'Automatisches Lernen zur Störungsfrüherkennung bei ausfallkritischen Anlagenkomponenten' erstmals untersucht wurden. Der erste Schritt bei der Erstellung eines Störungsfrüherkennungssystems ist die Untersuchung der Pumpe, um die Störungen von der Überwachung auszuschließen, die nicht zur Schädigung der Pumpe führen, und um Typ und Position der für die Störungsfrüherkennung vorgesehenen Sensoren zu definieren. Aus dem Signal der Sensoren werden unter Anwendung von Verfahren des maschinellen Lernens üblicherweise 10-25 Merkmale gewählt, mit denen die zu erkennenden Betriebszustände möglichst gut unterschieden werden können. Die als relevant identifizierten Störungen sowie der Normalbetrieb werden im Prüffeld des Pumpenherstellers oder Betreibers gefahren. Der Betriebspunkt wird zusammen mit den ausgewählten Merkmalen in einer Tabelle gespeichert. Aus der Tabelle mit Meßdaten wird, ebenfalls mit Verfahren des maschinellen Lernens, ein Klassifikator, z.B. ein Entscheidungsbaum, berechnet. Anschließend wird die Güte des Klassifikators ermittelt. Entspricht die Qualität nicht den Anforderungen, kann die Merkmalsauswahl oder die Sensorkonfiguration verändert werden. Bei der Anwendung des Klassifikators zur Überwachung von Pumpen wird aus einem einzelnen gemessenen Datensatz, bestehend aus den tatsächlich im Entscheidungsbaum verwendeten Merkmalen, durch Anwenden des Entscheidungsbaums eine Diagnose bestimmt. Der Entscheidungsbaum stellt eine Folge von Wenn-Dann-Abfragen dar und kann leicht in einer Programmiersprache nachgebildet werden. Beim abschließenden Qualitätstest zeigte sich, daß das Störungsfrüherkennungssystem mit nur 4,1 % Fehlern die geforderte Fehlerrate von 15 % deutlich unterschreitet. Allerdings muß die Fehlklassifikation eines Betriebspunkts in die direkte Nachbarklasse wegen des geringen Unterschiedes in den Meßwerten systembedingt toleriert werden. (Zweisprachiges Dokument: deutsch/englisch)