KI-basiertes Monitoring und Diagnose von elektrischen Maschinen im industriellen Umfeld
Publication date
2024-02-05
Document type
PhD thesis (dissertation)
Author
Benninger, Moritz
Advisor
Referee
Liebschner, Marcus
Granting institution
Helmut-Schmidt-Universität / Universität der Bundeswehr Hamburg
Exam date
2024-02-05
Organisational unit
Part of the university bibliography
✅
Keyword
Monitoring
Fehlererkennung
Elektrische Maschine
Überwachung
Asynchronmotor
Induktionsmotor
Künstliche Intelligenz
Machine learning
Abstract
Diese Arbeit befasst sich mit dem Monitoring und der Diagnose von elektrischen Maschinen im industriellen Umfeld auf der Basis von künstlicher Intelligenz (KI). Das Ziel ist die Entwicklung einer praxisorientierten Methodik, welche flexibel und übertragbar eine Fehlererkennung für eine Vielzahl an elektrischen Maschinen ermöglicht. Der Fokus der Arbeit liegt folglich auf dem Entwurf eines Frameworks mit hoher Praxistauglichkeit, der eine analytische Modellierung mit neuronalen Netzen aus dem Bereich des Machine Learning kombiniert.
Das Framework beinhaltet zudem eine Methodik, welche die Identifizierung passender Werte für die Modellparameter der überwachten elektrischen Maschine erlaubt.
Nach einer initialen Parameteridentifkation erfolgt mit dem parametrisierten Modell die Erzeugung eines Datensatzes mit simulierten Statorströmen der überwachten Maschine in gesunden und fehlerhaften Zuständen. Der simulierte Datensatz wird von den neuronalen
Netzen zum Erlernen von Fehlermerkmalen genutzt, sodass in der Folge auf der Grundlage von gemessenen Statorströmen eine Einschätzung zum aktuellen Zustand der realen Maschine erfolgen kann.
Das Framework beinhaltet zudem eine Methodik, welche die Identifizierung passender Werte für die Modellparameter der überwachten elektrischen Maschine erlaubt.
Nach einer initialen Parameteridentifkation erfolgt mit dem parametrisierten Modell die Erzeugung eines Datensatzes mit simulierten Statorströmen der überwachten Maschine in gesunden und fehlerhaften Zuständen. Der simulierte Datensatz wird von den neuronalen
Netzen zum Erlernen von Fehlermerkmalen genutzt, sodass in der Folge auf der Grundlage von gemessenen Statorströmen eine Einschätzung zum aktuellen Zustand der realen Maschine erfolgen kann.
Version
Not applicable (or unknown)
Access right on openHSU
Open access