15
ATP (Fach) / VL10 (Lektion)
Condition Monitoring von Produktionssystemen
Diese Lektion wurde von moxaachen erstellt.
Anzeige
- Phasen eines Systems Anforderung - Konzeptentwicklung - Entwurf - Konstruktion - Montage - Inbetriebnahme - Betrieb
- Supervised Learning Methoden Suppert Vector Machines Diskriminanzanalyse Regressionsanalyse
- Unsupervised Learning k-Means Gaussian Mixture Models
- Überblick über die Phasen eines systems Anforderung - Konzeptentwicklung - Entwurf - Konstruktion - Montage - Inbetriebnahme - betrieb
- Arten der Instandhaltung nach DIN 31051 Reaktiv Periodisch Zustandsorientiert
- Aktuelle Entwicklungsrichtung der industriellen Produktion Deskriptiv - Diagnostisch - Prädiktiv - Präskriptiv I4.0 und Cloud versprechen, die 4 Stufen der "Data Analytics" zu heben
- Condition Monitoring von WZM Kollision - Werkzeugbruch/-verschleiß - Werkzeugüberlast - Überlast Ziele: Erhöhung der Standzeit - Schutz der Schnittstellen - Schutz der Maschine - Optimierung der Qualität - Vermeidung von Stillstand
- Motivation des Condition Monitoring Kostensenkung Verfügbarkeitssteigerung Schnelle Fehlerlokalisierung Kompetenzsteigerung - Neue Geschäftsmodelle
- Verfügbarkeit Formel V = (Gesamtzeit - Gesamtausfallzeit)/Gesamtzeit = (I+B)/P mit P=I+B+R+W
- Leistungsbewertung von Produktionsanlagen Mean time to Failure - mittlere Reparaturzeit Mean time between failure - Erwartungswert der Betriebsdauer bis zum nächsten Fehler
- Anzeige
- Ansätze der Optimierung der Verfügbarkeit 1. Prognose der Ausfallzeit 2. Minimierung/Vermeidung der TTR
- Schritte zum Entwurf einer Messsystematik nach Brecher Prüfobjekt - Signalerfassung - Vorverarbeitung - Merkmalsberechnung - Entscheidung - Diagnose ( Lernen) - Reaktion
- CM-Konzept: Fragestellungen der ersten Schritte Welche Anforderungen an das Zustandsüberwachungssystem? Schwachstellenkomponenten Weche mögl. Prozessstörungen? Sind Ausfälle vorhersagbar? Ermittlung der Folgeschäden/-kosten Anforderungen an Systemplattform
- Sensorkonzepte Steuerungsinterne Überwachung Steuerungsexterne Überwachung
- SWOT-Analyse der Machine Learning Ansatzes Strengths - Automatische Identifikation, schneller, effizienter als manuell Weaknesses - Große Datenmengen, Unsicherheiten des Modells Threats - Überanpassung, Verlust Entscheidungstransparenz Opportunities - Automatisierte Modellerstellung, Echtzeitfähig, Bibliotheken Tools verfügbar