Die Arbeit setzt sich mit Smart Data und neuronalen Netzen im Bereich Predictive Maintenance auseinander. Der digitale Wandel von Maschinen und Fertigungsanlagen schafft für die Industrie neue Optimierungspotenziale. Ein Bereich, der sich diese digitalen Informationen zu nutzen machen kann, ist die Instandhaltung. Diese sorgt durch Wartungen und Instandsetzungen von verschiedensten Fertigungsanlagen für einen reibungslosen Fertigungsablauf.
In der Instandhaltung sorgen mangelnde Informationen über den Maschinenzustand oft für Schwierigkeiten bei der Fehlererkennung, Fehleridentifizierung oder Fehlerlokalisierung. Dies führt zu langen Maschinenausfallzeiten und entsprechend hohen Opportunitätskosten. Abhilfe für dieses Problem versprechen Datenanalyseverfahren, welche Maschinenzustandsdaten über Sensoren auswerten und nutzbar machen.
Durch diesen Einsatz können Anomalien frühzeitig erkannt werden. Dadurch ist eine prädikative Instandhaltung, auch Predictive Maintenence genannt, möglich. Eine Umfrage aus dem Jahr 2020 zeigt, dass sich Unternehmen aus den genannten Gründen für den Einsatz von Predictive Maintenance entscheiden.
Inhaltsverzeichnis
- Einleitung
- Einführung
- Ziel und Aufbau der Arbeit
- Smart Data
- Neuronale Netze
- Recurrent Neural Network
- Convolutional Neural Network
- Predictive Maintenance
- Anwendung von Predictive Maintenance an einer smarten Rotationswalze
- Systemaufbau
- Güteprüfsystem
- Neuronales Netz zur predictive Maintenance
- Kritische Würdigung der wissenschaftlichen Arbeit und Fazit
Zielsetzung und Themenschwerpunkte
Die Arbeit befasst sich mit der Anwendung von Smart Data und neuronalen Netzen für Predictive Maintenance in der Fertigung. Ziel ist es, die Funktionsweise verschiedener neuronaler Netze und Lernverfahren zu erläutern und deren Einsatzmöglichkeiten an einer smarten Rotationswalze für die Herstellung von fein gewalzten Blechen zu diskutieren. Das neuronale Netz soll frühzeitig Abweichungen erkennen, die zu möglichen Schäden am Bauteil oder der Walze führen können.
- Einsatz von Smart Data und neuronalen Netzen für Predictive Maintenance
- Verschiedene neuronale Netze und Lernverfahren
- Anwendung von Predictive Maintenance an einer smarten Rotationswalze
- Früherkennung von Abweichungen und potenziellen Schäden
- Optimierung von Fertigungsprozessen und Maschineninstandhaltung
Zusammenfassung der Kapitel
Das erste Kapitel bietet eine Einführung in das Thema Predictive Maintenance und die Herausforderungen in der Instandhaltung von Fertigungsanlagen. Es werden die Vorteile von Datenanalysemethoden zur Optimierung der Instandhaltung sowie die Bedeutung von neuronalen Netzen und maschinellem Lernen in diesem Kontext aufgezeigt.
Im zweiten Kapitel werden verschiedene neuronale Netze wie Recurrent Neural Networks und Convolutional Neural Networks vorgestellt und ihre Funktionsweise erläutert. Der Begriff Predictive Maintenance wird kurz definiert und seine Bedeutung für die vorausschauende Instandhaltung von Maschinen und Anlagen erklärt.
Das dritte Kapitel beleuchtet die konkrete Anwendung von Predictive Maintenance an einer smarten Rotationswalze. Es wird der Systemaufbau der Walze sowie das Güteprüfsystem beschrieben. Außerdem wird ein neuronales Netz zur Durchführung der Predictive Maintenance vorgestellt, das auf Basis der erfassten Daten Abweichungen und potenzielle Schäden frühzeitig erkennen soll.
Schlüsselwörter
Die Arbeit beschäftigt sich mit den Themen Smart Data, neuronale Netze, Predictive Maintenance, Convolutional Neural Network, Recurrent Neural Network, Long-Short-Term-Memory (LSTM), Fertigung, Rotationswalze, Bleche, Qualitätskontrolle, Schäden, Optimierung, Maschineninstandhaltung, digitale Transformation.
- Citar trabajo
- Florian Haider (Autor), 2022, Smart Data für Predictive Maintenance mithilfe von künstlichen neuronalen Netzen, Múnich, GRIN Verlag, https://www.grin.com/document/1268108
