FFG Projektdatenbank

zurück

HYPER-SENSE

Intelligent Monitoring System based on Acoustic Emissions Sensing for early Defect Detection

Projektbeschreibung

Die Erkennung und Quantifizierung von Defekten in chemischen Anlagen ist sowohl in Bezug auf Reparaturen als auch auf Produktionsausfälle teuer. Diese Defekte können zu einem kompletten Maschinen- oder Anlagenausfall führen. Daher sind fortschrittliche und wirksame prozessbegleitende Zustandsüberwachungs- und vorausschauende Wartungstechniken erforderlich, um Anlagenprobleme in Echtzeit und im Anfangsstadium vorherzusagen und zu erkennen.

Ziel des aktuellen HYPER-SENSE FFG-Projekts ist es, ein System zu entwickeln, das die Erkennung defekter Einheiten in Chemieanlagen auf effizientere, zuverlässigere und objektivere Weise ermöglicht als die derzeit verfügbaren Methoden. Das HyperSenseTM System zielt darauf ab, diesen Bedarf durch die Erweiterung der Zustandsüberwachung und der prognostischen Fähigkeiten der Standard-Akustik-Emissions-Methode (AE) zu lösen, indem es mehrere Sensoren (AE, Vibration und Thermographie), eine verbesserte AE-Signalerfassungsmethode und SENSEVENs neuartige, proprietäre Defektzustandsalgorithmen (die verschiedene Algorithmen für Signalverarbeitung, Defektdiagnose/-quantifizierung und Datenvisualisierung integrieren) verwendet.

Zu diesem Zweck nutzt unsere Arbeit ein neues Paradigma für die Datenverarbeitung und das Lernen und schlägt die Implementierung mehrerer wettbewerbsfähiger statistischer Algorithmen des maschinellen Lernens (ML) vor, die eine effiziente Berechnung mit geringer Latenz und hohem Durchsatz ermöglichen. Im Gegensatz zu bestehenden AE-basierten Lösungen, die das gesamte Frequenzspektrum in die Analyse einbeziehen und einen Rahmen verwenden, der von der EEG-Datenverarbeitung inspiriert ist, konzentriert sich die vorgeschlagene Methode nur auf das hochfrequente AE-Fenster von 25-300 KHz (HF-25/300AE) und ermöglicht so eine präzisere Fehleridentifizierung und -klassifizierung.

Das HyperSenseTM-System besteht aus einem Multisensor-Gerät, einer hochleistungsfähigen, cloudbasierten Infrastruktur und einem Smartphone-basierten Softwarepaket für die Datenerfassung und -analyse, das es uns ermöglicht, seine Rechenkapazitäten für die Live-Analyse/Quantifizierung von Defekten sowie seine Leistungsvorteile wie Genauigkeit, Tragbarkeit, Kosteneffizienz und einfache Bedienung zu nutzen . Auf diese Weise können Anlagentechniker Defekte frühzeitig erkennen und vorausschauende Wartungsaufgaben in einem einfach zu befolgenden Verfahren selbst durchführen, ohne sich auf Experten verlassen zu müssen. Die Idee, eine benutzerfreundliche und multifunktionale Plattform zu schaffen, die verschiedene Arten von Sensoren integriert und vorhersagende Wartungsaufgaben an verschiedenen Anlagentypen in Echtzeit ermöglicht kann in der Praxis als revolutionär angesehen werden. Die Endnutzer hätten die Möglichkeit, HyperSenseTM als Entscheidungsunterstützungssystem (DSS) zu erwerben, indem sie die Software zu bestehenden kommerziellen AE-basierten Systemen hinzufügen (mit minimalen Hardwaremodifikationen) oder als komplettes Produkt mit zugehörigen Hardware- und Softwareoptimierungen zur Datenerfassung und -analyse (Algorithmen).

Die Erkennung und Quantifizierung von Defekten in chemischen Anlagen ist sowohl in Bezug auf Reparaturen als auch auf Produktionsausfälle teuer. Diese Defekte können zu einem kompletten Maschinen- oder Anlagenausfall führen. Daher sind fortschrittliche und wirksame prozessbegleitende Zustandsüberwachungs- und vorausschauende Wartungstechniken erforderlich, um Anlagenprobleme in Echtzeit und im Anfangsstadium vorherzusagen und zu erkennen.
Ziel des aktuellen HYPER-SENSE FFG-Projekts ist es, ein System zu entwickeln, das die Erkennung defekter Einheiten in Chemieanlagen auf effizientere, zuverlässigere und objektivere Weise ermöglicht als die derzeit verfügbaren Methoden. Das HyperSenseTM System zielt darauf ab, diesen Bedarf durch die Erweiterung der Zustandsüberwachung und der prognostischen Fähigkeiten der Standard-Akustik-Emissions-Methode (AE) zu lösen, indem es mehrere Sensoren (AE, Vibration und Thermographie), eine verbesserte AE-Signalerfassungsmethode und SENSEVENs neuartige, proprietäre Defektzustandsalgorithmen (die verschiedene Algorithmen für Signalverarbeitung, Defektdiagnose/-quantifizierung und Datenvisualisierung integrieren) verwendet.
Zu diesem Zweck nutzt unsere Arbeit ein neues Paradigma für die Datenverarbeitung und das Lernen und schlägt die Implementierung mehrerer wettbewerbsfähiger statistischer Algorithmen des maschinellen Lernens (ML) vor, die eine effiziente Berechnung mit geringer Latenz und hohem Durchsatz ermöglichen. Im Gegensatz zu bestehenden AE-basierten Lösungen, die das gesamte Frequenzspektrum in die Analyse einbeziehen und einen Rahmen verwenden, der von der EEG-Datenverarbeitung inspiriert ist, konzentriert sich die vorgeschlagene Methode nur auf das hochfrequente AE-Fenster von 25-300 KHz (HF-25/300AE) und ermöglicht so eine präzisere Fehleridentifizierung und -klassifizierung.
Das HyperSenseTM-System besteht aus einem Multisensor-Gerät, einer hochleistungsfähigen, cloudbasierten Infrastruktur und einem Smartphone-basierten Softwarepaket für die Datenerfassung und -analyse, das es uns ermöglicht, seine Rechenkapazitäten für die Live-Analyse/Quantifizierung von Defekten sowie seine Leistungsvorteile wie Genauigkeit, Tragbarkeit, Kosteneffizienz und einfache Bedienung zu nutzen (Abbildung 1). Auf diese Weise können Anlagentechniker Defekte frühzeitig erkennen und vorausschauende Wartungsaufgaben in einem einfach zu befolgenden Verfahren selbst durchführen, ohne sich auf Experten verlassen zu müssen. Die Idee, eine benutzerfreundliche und multifunktionale Plattform zu schaffen, die verschiedene Arten von Sensoren integriert und vorhersagende Wartungsaufgaben an verschiedenen Anlagentypen in Echtzeit ermöglicht, wie in Abbildung 6 dargestellt, kann in der Praxis als revolutionär angesehen werden. Die Endnutzer hätten die Möglichkeit, HyperSenseTM als Entscheidungsunterstützungssystem (DSS) zu erwerben, indem sie die Software zu bestehenden kommerziellen AE-basierten Systemen hinzufügen (mit minimalen Hardwaremodifikationen) oder als komplettes Produkt mit zugehörigen Hardware- und Softwareoptimierungen zur Datenerfassung und -analyse (Algorithmen).

zurück