AutoEncoder basierte automatisierte Zustandsdiagnose von Walzlagern

摘要

Walzlagerschaden sind eine der wesentlichen Ursachen fur Ausfalle dynamischer Systeme. In Wissenschaft und Industrie wird deshalb viel Zeit und Arbeit fur die Entwicklung von Ansatzen zur Zustandsdiagnose der Lager im Betrieb aufgewendet. Meist erfordern diese Ansatze entweder viel Handarbeit zur Erstellung geeigneter Merkmale, oder viel Rechenleistung zum trainieren der Modelle an jedes einzelne Lager. In diesem Beitrag wird ein AutoEncoder-Modell vorgestellt, das automatisierte, robuste sowie verlassliche Schatzungen fur Walzlagerausfalle ermoglicht. Durch die optimale Wahl der Hyperparameter, verschiedene Regularisierungen etc. kann trotz Training an lediglich einem Drittel aller Lager eine gute Generalisierung des Modells erreicht werden. Neben einer Parameterstudie zur Hyperparameter-Optimierung wird in dieser Arbeit ein empirisches Health-Modell hergeleitet und ein Ansatz des Transfer-Lernens aufgezeigt.