Identifikation und Klassifikation von Druckluft-Leckagen mit Methoden des maschinellen Lernens in Maschinen

Abstract

In der Industrie wird Druckluft vielseitig eingesetzt. Als teure Energieform steigt zunehmend die Relevanz, denn noch heute existieren Druckluft-Leckageraten von 15 % bis 50 % und verursachen hohe Kosten. Es sind viele Produkte und Methoden zur Leckage-Erkennung in Druckluftnetzen bekannt und etabliert. Für Maschinen sind diese jedoch nur teilweise marktreif. Es ist also nicht möglich, automatisiert mit wenig Messtechnik sowie geringem Implementierungsaufwand Leckagen zu lokalisieren. Die Unterscheidung von Leckage-Ursachen war bislang Aufgabe von Fachkräften. Sie erfolgte bei wiederkehrenden Inspektionen der druckluftbetriebenen Maschine. Im Fokus der Arbeit steht, wie automatisiert in einem Druckluftsystem in Maschinen Pneumatikaktoren detektiert und Ursachen von Druckluft-Leckagen klassifiziert werden können. Durch die zentrale Druck- und Durchflussmessungen am Maschinenanschlusspunkt bleibt der Messaufwand gering. Die Arbeit beschreibt ein methodisches Vorgehen in fünf Schritten, das mit einem maschinell erlernten, datenbasierten Modell endet. Beginnend mit der Detektion des Beginns einer Aktoraktion werden Merkmale erstellt, hinsichtlich ihrer Relevanz ausgewählt und im nächsten Schritt damit Klassifikatoren erzeugt. Das Modell ist die Verknüpfung von Detektor und Klassifikator. Das Modell klassifiziert Aktorarten, -dimensionierungen und -aktionen, die häufig in der Industrie eingesetzt werden sowie hierbei auftretende Ursachen von Leckagen. Unter Berücksichtigung der 37 möglichen Klassen, konnten die Leckagen in einer druckluftbetriebenen Maschine anhand von vier Anwendungsszenarien kontinuierlich und automatisiert lokalisiert sowie die Ursachen mit guten Ergebnissen unterschieden werden. Diese Eigenschaften machen die Lösung gegenüber dem aktuellen Stand der Technik und Wissenschaft einzigartig. Bislang wirtschaftlich nicht vertretbare jedoch technisch mögliche Einsparpotenziale sind jetzt durch diese Leckage-Erkennung für druckluftbetriebene Maschinen nutzbar.

In industry compressed air is used in many ways. As an expensive form of energy, its relevance is increasing because compressed air leakage rates of 15 % bis 50 % still exist today and cause high costs. Many products and methods for leakage detection in compressed air networks are known and established. For machines, however, they are only partially ready for the market. There is no solution to locate leaks automatically, with little measurement technology as well as low implementation effort. The detection of leakage causes has so far remained the task of experts during recurring inspections of the compressed air-operated machine. The focus of this work is on how pneumatic actuators can be detected automatically in a compressed air system in machines and how causes of compressed air leaks can be classified. Central pressure and flow measurements at the machine connection point keep the measurement effort low. The work includes a five-step methodological approach that ends with a model, based on machine learning. Starting with the detection of the beginning of an actor action, features are created, selected according to their relevance, and respective classifiers are generated in the next step. The model is the link between the detector and the classifier. The model classifies actuator types, dimensions and actions that are frequently used in industry, as well as the causes of leakage. Considering the 37 possible classes, the leakages in the compressed air-operated machine could be localized continuously and automatically based on four application scenarios, and the causes could be distinguished with good results. These features make the solution unique compared to the current state of the art and science. Potential savings that were previously economically unfeasible but technically possible can now be used thanks to this leakage detection system for compressed air-driven machines.