- Nur online erhältlich
Automatisierte Betriebszustandsdefinition auf Basis von Maschinellem Lernen und Pseudoschädigungsrechnung
Präzise Lastannahmen kombinieren die Lastprofile verschiedener Betriebszustände und bilden die Grundlage für die Auslegung zuverlässiger und gleichzeitig wirtschaftlicher mechanischer Systeme. Aktuell erfolgt die Definition von Betriebszuständen maßgeblich auf Basis von Expertenwissen. Bekannte Betriebszustände werden manuell oder anhand von Sensordaten automatisiert zugewiesen. Die Identifikation der für die Lastannahmen relevanten Betriebszustände ist bisher nicht automatisierbar und stellt häufig eine zeitintensive Aufgabe dar.
Auf Basis der Scattering Transformation und Methoden des Maschinellen Lernens lassen sich zuvor undefinierte Betriebszustände aus Last- oder Beanspruchungs-Zeit-Verläufen ableiten. Dabei werden Signal- und Schädigungscharakteristiken aus…
Datenschutzbedingungen (bearbeiten im Modul "Kundenvorteile")
Lieferbedingungen (bearbeiten im Modul "Kundenvorteile")
Rücksendebedingungen (bearbeiten im Modul "Kundenvorteile")
Präzise Lastannahmen kombinieren die Lastprofile verschiedener Betriebszustände und bilden die Grundlage für die Auslegung zuverlässiger und gleichzeitig wirtschaftlicher mechanischer Systeme. Aktuell erfolgt die Definition von Betriebszuständen maßgeblich auf Basis von Expertenwissen. Bekannte Betriebszustände werden manuell oder anhand von Sensordaten automatisiert zugewiesen. Die Identifikation der für die Lastannahmen relevanten Betriebszustände ist bisher nicht automatisierbar und stellt häufig eine zeitintensive Aufgabe dar.
Auf Basis der Scattering Transformation und Methoden des Maschinellen Lernens lassen sich zuvor undefinierte Betriebszustände aus Last- oder Beanspruchungs-Zeit-Verläufen ableiten. Dabei werden Signal- und Schädigungscharakteristiken aus dem Zeitverlauf analysiert und ähnliche Bereiche zu Betriebszuständen mit ihrem jeweiligen Lastprofil gruppiert. Die Betriebszustände können anhand eines Nutzungsprofils extrapoliert und akkumuliert werden, um ein gesamtes Lastprofil abzuschätzen. Durch den Vergleich von vorhergesagtem mit tatsächlichen Lastprofil mittels Pseudoschädigungsrechnung lässt sich der Algorithmus automatisiert und ohne tiefgreifendes Expertenwissen parametrieren.
Das Vorgehen wird an einem öffentlich zugänglichen eBike-Datensatz demonstiert. Die automatisch generierten Betriebszustände kommen für die Vorhersage eines Lastprofils an unabhängigen Testdaten zum Einsatz. Die Güte der Schädigungsvorhersage auf Basis des betriebszustandsbasierten Lastprofils wird mit einem bestehenden Modell zur Schädigungsregression für denselben Datensatz verglichen. Da der Algorithmus nur mit Last- oder Beanspruchungsdaten parametriert wird, ist von einer breiten Anwendbarkeit, insbesondere in der Automobil- oder Landtechnik, auszugehen.
- Artikelnummer
- BF-2024-395
- Titel
- Automatisierte Betriebszustandsdefinition auf Basis von Maschinellem Lernen und Pseudoschädigungsrechnung
- Autor(en)
- J. Riebe, P. Hantschke, A. Griesing, M. Kästner
- DOI
- 10.48447/BF-2024-395
- Veranstaltung
- 50. Tagung DVM-Arbeitskreis Betriebsfestigkeit – Tagung 2024
- Jahr der Veröffentlichung
- 2024
- Publikationsart
- Tagungsmanuskript (PDF)
- Sprache
- Deutsch
- Stichwörter
- Lastannahme,Unsupervised Learning,Betriebszustand,Schädigung,Künstliche Intelligenz