Hauptseite > Normsätze > Projekte > Datensatz #307494 > print

001     307494
005     20240928181421.0
024 7 _ |a G:(GEPRIS)14394217
|d 14394217
035 _ _ |a G:(GEPRIS)14394217
040 _ _ |a GEPRIS
|c http://gepris.its.kfa-juelich.de
150 _ _ |a FOR 639: Gezielte vorbeugende Wartung durch automatisierte Zustandsbeobachtung
|y 2006 - 2013
371 _ _ |a Professor Dr.-Ing. Uwe Heisel
450 _ _ |a DFG project G:(GEPRIS)14394217
|w d
|y 2006 - 2013
510 1 _ |a Deutsche Forschungsgemeinschaft
|0 I:(DE-588b)2007744-0
|b DFG
680 _ _ |a Das übergeordnete Ziel dieser Forschergruppe ist das Minimieren von Maschinenstillständen und unnötigen Wartungszyklen, wodurch die Wirtschaftlichkeit des produzierenden Gewerbes erheblich gesteigert werden kann. Diese wird erreicht, indem bestehende, auf grob abgeschätzten statistischen Aussagen beruhende Instandhaltungssysteme um neue Ansätze der zustandsorientierten Wartung ergänzt werden. Hieraus ergibt sich die wissenschaftliche Aufgabenstellung, den aktuellen Zustand einer Maschine und ihrer Komponenten auf der Basis messbarer Größen präzise zu erfassen. Da der Zustand selbst nicht direkt messbar ist, bietet sich insbesondere die Auswertung der in einer Maschine standardmäßig verfügbaren Signale und der daraus direkt ablesbaren Informationen an. In modernen Werkzeugmaschinen liegen solche direkten Informationen üblicherweise in Form der Motortemperatur und der aufgenommenen Motorströme (Vorschubantriebe und Hauptspindeln), der Drehzahl (Hauptspindel) und der Position (in den Vorschubantrieben) vor. Daneben werden in vielen Anwendungen weitere Sensoren zur Ermittlung zusätzlicher regelungstechnisch relevanter Informationen eingesetzt. Hierunter fällt etwa die direkte Messung der Position am Schlitten einer Achse oder die Messung der Relativbeschleunigung. Ziel ist es, eine durchgängige Methodik zur automatisierten Schadensvorhersage zu entwickeln, mit deren Hilfe diese Kosten auf ein Minimum reduziert werden können. Grundlage für die Schadensvorhersage ist die systematische Analyse von Steuerungs- und Antriebssignalen der betrachteten Maschinen, sodass keine zusätzliche kostspielige Überwachungssensorik erforderlich ist. Anhand von statischen und dynamischen Modellen aller Verschleißkomponenten soll - gestützt auf statistische Ausfallwahrscheinlichkeiten und eine Bewertung der anwendungsspezifischen Maschinenbelastung - aus Veränderungen in den Signalen auf den Verschleißzustand der Komponenten und somit auf einen drohenden Schaden geschlossen werden. Wird hierdurch ein Maschinenausfall zuverlässig und rechtzeitig prognostiziert, so können automatisiert Wartungs- und Instandhaltungspläne generiert werden, welche eine zeit- und damit kostenoptimale Produktion ermöglichen.
909 C O |o oai:juser.fz-juelich.de:974369
|p authority:GRANT
|p authority
909 C O |o oai:juser.fz-juelich.de:974369
980 _ _ |a G
980 _ _ |a AUTHORITY

LibraryCollectionCLSMajorCLSMinorLanguageAuthor
Marc 21