Bildbasiertes Condition Monitoring zur Modellierung der zeitlichen Entwicklung des Verschleißzustandes von Kugelgewindetrieben mittels Maschinellem Lernen
Zusammenfassung der Projektergebnisse
Ziel des Forschungsprojektes war die Untersuchung des bildbasierten Condition Monitoring zur Modellierung der zeitlichen Entwicklung des Verschleißzustandes von Kugelgewindetrieben mittels Maschinellem Lernen. Das Forschungsprojekt gliederte sich dabei in vier Phasen. Zunächst wurde in einer ersten Phase in ausführlichen Verschleißversuchen ein Datensatz aufgebaut, der die gesamte Verschleißentwicklung auf der Oberfläche des Kugelgewindetriebs (KGT) abbildet. Dieser Datensatz diente als Grundlage für die weiteren Untersuchungen. Auf Basis dieses Datensatzes wurden aus dem Stand der Forschung und Technik zunächst leistungsfähige Ansätze zur Klassifikation von Bilddaten in technischen Domänen ausgewählt. Aus diesen Modellen wurde eine Vorauswahl auf Basis von Vorversuchen getroffen. In einem darauffolgenden Schritt wurde diese Vorauswahl durch einen versuchsplanbasierten Ansatz um weitere Modelle ergänzt und deren Leistungsfähigkeit untersucht. Auch wurde hierbei der Einfluss von Data Augmentation sowie der Einfluss von synthetisch mittels sogenannten Generative Adversarial Neural Netzworks erzeugten Daten untersucht. In einem darauffolgenden Schritt wurde eine empirische Untersuchung der Schädigungsentwicklung auf Basis der Bilddaten vorgenommen. Ziel der Untersuchungen war die Beschreibung der Schädigungsentwicklung auf der Spindel. Um einen industriellen Betrieb zu gewährleisten, wurden in einem nächsten Schritt industrielle Einflussgrößen auf Basis von Domänenwissen definiert und formalisiert, die bei einer späteren industriellen Nutzung des Systems berücksichtigt werden müssen, um eine zuverlässige Datengenerierung im Betrieb sicherzustellen. Um von einem System, das zuverlässig Fehlstellen in Bilddaten identifizieren kann, zu einem System zu gelangen, das den Verschleißzustand und damit die Lebensdauer des KGT auf Basis der Bilddaten quantifiziert, wurde dieser Aspekt in einem abschließenden Arbeitspaket betrachtet. Zusammenfassend konnten alle Arbeitspakete erfolgreich abgeschlossen werden. Konkret konnte ein Bilddatensatz generiert werden, der die gesamte Verschleißhistorie auf der KGT-Oberfläche abbildet. Auf Basis dieses Datensatzes konnten Modelle identifiziert werden, die zuverlässig Defekte auf der KGT-Oberfläche anzeigen. Die Verschleißentwicklung konnte auf Basis der Bilddaten formalisiert werden und damit Thesen, die in vorherigen Arbeiten im Stand der Forschung geäußert wurden, empirisch belegt werden. Weiterhin konnten erfolgreich Einflussgrößen für eine industriell Bildaufnahme identifiziert werden. Abschließend konnte eine Methode untersucht werden, die in der Lage ist, das Ausmaß von Schädigungen zu quantifizieren. Das Projekt kann damit als erfolgreich abgeschlossen bezeichnet werden. In Folgeuntersuchungen ist speziell der Aspekt der Dateneffizienz aufzugreifen, da dateneffiziente und generalisierende Verfahren unablässig für die erfolgreiche und skalierbare Integration von maschinellen Lernverfahren in der Produktion sind.
Projektbezogene Publikationen (Auswahl)
-
Extraction of surface image features for wear detection on ball screw drive spindles. Tagungsband "Forum Bildverarbeitung 2020, 305-316. KIT Scientific Publishing.
Schlagenhauf, Tobias; Heinzler, Max & Fleischer, Jürgen
-
Frühzeitige Detektion von Oberflächenzerrüttungen/Premature detection of surface disruption – Deep Learning-based method for classification of damage on ball screw drives. wt Werkstattstechnik online, 110(07-08), 501-506.
Ruppelt, Peter; Schlagenhauf, Tobias & Fleischer, Jürgen
-
A stitching algorithm for automated surface inspection of rotationally symmetric components. CIRP Journal of Manufacturing Science and Technology, 35, 169-177.
Schlagenhauf, Tobias; Brander, Tim & Fleischer, Jürgen
-
Industrial machine tool component surface defect dataset. Data in Brief, 39, 107643.
Schlagenhauf, Tobias & Landwehr, Magnus
-
Intelligent vision based wear forecasting on surfaces of machine tool elements. SN Applied Sciences, 3(12).
Schlagenhauf, Tobias & Burghardt, Niklas
-
Online Learning für die präventive Verschleißdetektion/Online Learning for preventive wear detection – Online Retraining of Deep Learning models for unknown wear patterns. wt Werkstattstechnik online, 111(07-08), 475-480.
Schlagenhauf, Tobias; Ammann, Nicholas & Fleischer, Jürgen
-
Bildbasierte Quantifizierung und Prognose des Verschleißes an Kugelgewindetriebspindeln, Dissertation, Karlsruher Institut für Technologie, Fakultät für Maschinenbau, Karlsruhe
Schlagenhauf, T.
-
Analysis of the visually detectable wear progress on ball screws. CIRP Journal of Manufacturing Science and Technology, 40, 1-9.
Schlagenhauf, Tobias; Scheurenbrand, Tim; Hofmann, Dennis & Krasnikow, Oleg
