Entwicklung eines Betriebspunktmonitoringsystems für Kreiselpumpen mit Hilfe der Signale eines Beschleunigungssensors auf Basis des Maschinellen Lernens

Die vorliegende Arbeit beschreibt die Entwicklung eines Systems zur Betriebspunkterkennung von Kreiselpumpen. Die verwendete Sensorik ist dabei auf lediglich einen Beschleunigungssensor beschränkt. Zur Analyse der aufgenommenen Sensorsignale werden Methoden des Maschinellen Lernens und der Mustererkennung eingesetzt. Hauptelement der Analyse ist eine geeignete Merkmalsvektorgenerierung sowie die anschließende Klassifizierung mit Hilfe der sogenannten Support Vektor Maschine (SVM). Zur Erzeugung der Merkmalsvektoren wird ein statistischer und ein deterministischer Analyseansatz verwendet. Als statistische Methode kommt die Autoregression zum Einsatz. Bei dieser wird ein Signal mit Hilfe eines mathematischen Models beschrieben, das es ermöglicht auf zukünftige Werte schließen zu können. Die deterministische Analysemethode zur Generierung der Merkmalsvektoren beruht auf der Auswertung gefilterter Frequenzbänder der aufgenommenen Schwingungen. Ein wesentliches Ziel dieser Arbeit stellt die Anlagenunabhängigkeit des Systems dar. Hierzu wurde die Kreiselpumpe auf insgesamt drei unterschiedlichen Prüfständen untersucht. Angefahren wurden jeweils stationäre Betriebspunkte einer Auswahl von Kennlinien unterschiedlicher Pumpendrehzahlen. Im Zuge der Auswertung wurden unterschiedliche Parameter und Einstellungen untersucht. Neben mehreren Sensorposition und Methoden zur Merkmalsvektorgenerierung wurden zusätzlich, verschiedene Einstellungen der SVM getestet. Zur Optimierung der Erkennung des Förderstroms unabhängig von der Anlage konnte eine einfache Methode zur Kalibrierung des Systems integriert werden. Außerdem werden zwei Möglichkeiten zur Kombination von Drehzahl- und Förderstromerkennung vorgestellt bzw. getestet.