What has the holographic principle in common with predictive maintenance?

→ LOGIN

Was haben das holografische Prinzip und die vorausschauenden Wartung gemeinsam?

Von Pavel Konečný, CEO & Mitbegründer von Neuron soundware

Die Physik definiert Schall als eine Schwingung, die sich als hörbare Druckwelle durch ein Übertragungsmedium wie ein Gas, eine Flüssigkeit oder einen Festkörper ausbreitet. Die meisten Töne, die wir hören, werden von Festkörpern erzeugt, so auch die menschliche Sprache. Obwohl wir atmen müssen, um sprechen zu können, muss die Muskelspannung der Stimmbänder genau gesteuert werden, um die Stimme zu erzeugen.

Wenn der Mensch ein seltsames Geräusch hört, z. B. einen Eisenlöffel, der sich langsam auf dem Glas bewegt, oder ein tieffrequentes Brüllen aus der Ferne, kann dies dazu führen, dass der Körper als Reaktion auf eine mögliche Gefahr automatisch mit einer Gänsehaut reagiert. Richard Feynman, der berühmte theoretische Physiker, teilte einmal den Gedanken mit, dass wir berechnen können, was im Wasser geschieht, indem wir die Wellen in einer Ecke eines Schwimmbeckens beobachten. Dieser Zustand, bei dem das, was im Inneren eines Objekts geschieht, vollständig in den Fluktuationen der Oberfläche enthalten sein kann, ist als "holografisches Prinzip" bekannt. Dieses Prinzip ist die Grundlage vieler prädiktiver Technologien, die zur frühzeitigen Erkennung von mechanischen Fehlern eingesetzt werden.

Maschinen sind meist aus Metall gefertigt, das den Schall sehr gut verteilt. Daher machen sich physikalische Faktoren, wie z. B. Verschleiß im Inneren eines Lagers, in Form von Geräuschen bemerkbar. Solche Abnutzungen können nichtinvasiv an der Oberfläche des Lagers gemessen werden. Sie werden daher zur Bestimmung des mechanischen Zustands der Maschine oder in einigen Fällen sogar zur Berechnung der verbleibenden Nutzungsdauer verwendet. Solche Diagnosemethoden werden bereits seit Jahrzehnten in der Industrie angewandt, insbesondere bei Maschinen mit einfacher Bewegungsart wie Rotationsmaschinen, bei denen einfache Gleichungen funktionieren (primärer Anwendungsbereich der Vibro-Diagnose-Technologie).

Fehlervorhersagen in der Welt der komplexen Maschinen

Die Welt ist jedoch voll von komplexen Maschinen (z. B. Roboter, Kräne, Druckmaschinen und Motoren). Diese Maschinen zeichnen sich durch Faktoren wie mehrere bewegliche Achsen, beeinflussende Gelenke, Getriebe, linearen, diperiodischen Betrieb und so weiter aus. Daraus ergibt sich die Frage, ob man all diese Aspekte in den Griff bekommen kann oder nicht.

Um den Zustand komplexer Maschinen genau zu analysieren, müssten viele Sensoren und sehr komplizierte Gleichungen verwendet werden. Ein solches Verfahren erscheint jedoch zu teuer und unpraktisch, abgesehen von einigen Ausnahmen wie der Turbine eines Kernkraftwerks, die von Hunderten von Sensoren erfasst wird. In der realen Welt sind wir durch die Anzahl der Sensoren, die Menge der verfügbaren Daten und die Kosten der Rechenleistung begrenzt. Die gebräuchlichsten Maschinen werden in der Regel nur von einem oder vielleicht einigen wenigen Sensoren überwacht. Daher überlagern sich die von verschiedenen Quellen stammenden Signale leicht, und für das menschliche Ohr klingt das manchmal wie ein völliges Durcheinander.

Hier kommt die Schönheit moderner Algorithmen der künstlichen Intelligenz (KI) und des maschinellen Lernens zum Tragen, wie etwa tiefe neuronale Netze, die komplexe Signale verarbeiten können, um den Gesundheitszustand einer Maschine zu bestimmen. Ein selbstlernender Algorithmus ist in der Lage, sich zu merken, wie sich verschiedene Probleme manifestieren, und sich dennoch auf den spezifischen Betrieb jeder einzelnen Maschine zu kalibrieren. Komplexe Algorithmen der künstlichen Intelligenz ermöglichen es, jeden Sensor einzeln oder in Kombination zu überwachen. Hier können wir die Zukunft der Vorhersage von mechanischen Problemen sehen. Mit den raschen Fortschritten bei den Internet-of-Things-Technologien (IoT) können wir mit einer größeren Menge an Sensordaten rechnen, die für Analysen zur Verfügung stehen, einschließlich großer Tondatensätze, die heutzutage von KI zu einem erschwinglichen Preis verarbeitet werden können.

Außerdem können wir uns vorstellen, dass mit der zunehmenden Leistungsfähigkeit von 3D-gedruckten Komponenten bald auch Sensoren in das Material eingebettet werden könnten. Durch die Kombination mit Edge Computing könnten viele Daten lokal verarbeitet werden, wodurch ein neuer Sinn entstehen würde - Maschinen könnten ihre Schmerzen spüren und bei Bedarf um Hilfe rufen.