Unsupervised Condition-Monitoring für Kugelgewindetriebe mittels Acoustic Emission

Ein wichtiges Bauteil im Rahmen der Instandhaltung von Werkzeugmaschinen sind Kugelgewindetriebe
(KGT). Obwohl KGT seit Jahren in Produktionsanlagen vorhanden
sind, stehen sie immer noch im Fokus für ungeplante Stillstände oder unvorhergesehene
Maschinenausfälle.
Derzeit gibt es keine theoretische Berechnungsgrundlage, die den Ausfall des Bauteils
unter Berücksichtigung aller äußeren und inneren Einflüsse genau genug beschreibt.
Um die bestehenden Hindernisse und Probleme bei der Überwachung von KGT zu lösen,
wird im Rahmen dieser Arbeit eine Acoustic Emission (AE) Sensorik untersucht
... mehr
und ein geeignetes Condition-Monitoring (CM) System konzipiert und getestet. Während
aktuelle CM-Ansätze meist auf überwachten Lernmethoden basieren, liegt der Fokus
dieser Arbeit auf dem Einsatz von unüberwachten Methoden. Diese können ohne
Vorkenntnisse und aufwändiges Training eingesetzt werden.
Die Dissertation umreißt den aktuellen Stand der Technik und Forschung im Kontext
von CM-Systemen für KGT. Basierend auf dem Mangel an adäquaten CM-Systemen
wird ein neuartiges Clustermodell zur Erkennung von unbekanntem oder aufkommendem
Komponentenverhalten vorgestellt. Das System wird ohne eine Offline-Trainingsphase
implementiert, ist aber in der Lage, den Zustand des Systems zu erlernen und
Anomalien während des Betriebs zu erkennen. Neben der Befähigung des Sensorsystems
liegt ein besonderer Fokus auf der automatischen Erstellung von CM-Systemen
ohne Benutzereingriff, um aufwandsarme und übertragbare Systeme zu ermöglichen.
Das Sensorsystem wird in verschiedenen Betriebs- und Defektszenarien evaluiert. Berücksichtigte
Defektmechanismen sind Ermüdung, Vorspannungsverlust, Verschmutzung
und Mangelschmierung. Die AE-Überwachung zeigt vielversprechende Ergebnisse
für die Erkennung dieser Defekte. In Kombination mit dem CM-System liefern
Validierungsexperimente signifikante Detektionsergebnisse und die allgemeine Fähigkeit,
sich an eine Vielzahl von Datensätzen anzupassen.

A component of major importance in the context of machine tool maintenance are ball
screw drives (BSD). Although, BSD have been present for years in production equipment,
they are still in focus for unplanned downtimes or unforeseen machine failures.
There is currently no theoretical calculation basis that describes the failure of the component
accurately enough, taking into account all external and internal influences. In
order to solve existing obstacles and problems in the monitoring of BSD, an acoustic
emission (AE) sensor system is investigated and a suitable condition monitoring (CM)
... mehr
system is conceived and tested within the scope of this work. While current CM approaches
are mostly based on supervised learning methods, this work focuses on the
use of unsupervised methods. These can be used without a-priori knowledge and costly
training.
The dissertation outlines the current state of the art and research in the context of CM
systems for BSD. Based on the lack of adequate CM systems, a novel cluster model
for detection of unknown or emerging component behavior is introduced. The system
is implemented without an offline training phase, but able to learn the system’s condition
and detect anomalies during operation. In addition to enabling the sensor system, a
particular focus is on automatic creation of CM systems without user intervention in
order to enable low-effort and transferable systems.
The sensor system is evaluated on a variety of different operation and degradation scenarios.
Considered defect mechanisms are fatigue, preload loss, debris and lack of lubrication.
AE monitoring shows promising results for the detection for these defects.
Combined with the CM system, validation experiments provide significant detection results
and the general ability to adapt to a variety of datasets.