Extraktion und Selektion geeigneter Merkmale für die Restlebensdauerprognose von technischen Systemen trotz aleatorischen Unsicherheiten

Aufgrund der Fortschritte der Digitalisierung finden Systeme zur Zustandsüberwachung vermehrt Einsatz in der Industrie, um durch eine zustandsbasierte oder eine prädiktive Instandhaltung Vorteile, wie eine verbesserte Zuverlässigkeit und geringere Kosten zu erzielen. Dabei beruhen Zustandsüberwachungssysteme auf den folgenden Bausteinen: Sensorik, Datenvorverarbeitung, Merkmalsextraktion und -auswahl, Diagnose bzw. Prognose sowie einer Entscheidungsfindung basierend auf den Ergebnissen. Jeder dieser Bausteine erfordert individuelle Einstellungen, um ein geeignetes Zustandsüberwachungssystem für die jeweilige Anwendung zu entwickeln. Eine offene Fragestellung im Bereich der Zustandsüberwachung ergibt sich aufgrund der Unsicherheit der Zukunft, die sich in den zukünftigen Betriebs- und Umgebungsbedingungen zeigt. Diese Unsicherheit gilt es in allen Bausteinen zu berücksichtigen. Dieser Beitrag konzentriert sich auf den Baustein Merkmalsextraktion und -selektion, mit dem Ziel anhand geeigneter Merkmale eine Prognose der nutzbaren Restlebensdauer mit hoher Genauigkeit realisieren zu können. Daher werden geeignete Merkmale aus dem Zeitbereich und daraus abgeleitete Zustandsindikatoren für die Restlebensdauerprognose von technischen Systemen vorgestellt. Dabei sind Zustandsindikatoren Kenngrößen zur Beobachtung des Zustands der kritischen Systemkomponenten. Anhand dreier Anwendungsbeispiele wird ihre Eignung evaluiert. Dabei werden Daten aus Lebensdauerversuchen unter instationären Betriebs- und Umgebungsbedingungen ausgewertet. Die auftretenden Unsicherheiten der Zukunft werden somit berücksichtigt. Die Beispielsysteme beruhen auf Gummi-Metall-Elementen und Wälzlagern. Aus den generierten Ergebnissen lässt sich schließen, dass die Zustandsindikatoren aus der betrachteten Zeitreihen-Toolbox auch unter unbekannten Betriebs- und Umgebungsbedingungen robust sind.

---

Due to the advances in digitalization, condition monitoring systems have found numerous applications in the industry due to benefits such as improved reliability and lowered costs through condition-based or predictive maintenance. Condition monitoring systems typically involve elements, such as data acquisition via suitable sensors, data preprocessing, feature extraction and selection, diagnostics, prognostics and (maintenance) decisions based on diagnosis or prognosis. For the application-specific development of a suitable condition monitoring system, each of these elements requires individual settings. Due to the uncertainty of the future, an open question arises in the condition monitoring field, which is reflected in unknown future operating and environmental conditions. This uncertainty needs consideration in all elements of a condition monitoring system. This article focuses on feature extraction and selection, building on the hypothesis that the remaining useful life of a technical system can be predicted with high accuracy utilizing suitable features. In this article, health indicators derived from time-domain features that permit the monitoring of the health of critical system components are presented for predicting the remaining useful life of technical systems. Three distinct application examples based on rubber-metal elements and rolling-element bearings are evaluated to validate the suitability of the presented methods. Experimental data from accelerated lifetime tests conducted under non-stationary operating and environmental conditions are considered to take possible future uncertainties into account. It can be concluded from the acquired results that health indicators derived from the presented time series toolbox are robust to varying operating and environmental conditions.