5.4.3 Ultraschallsensoren für die Instandhaltung
- Event
- 20. GMA/ITG-Fachtagung Sensoren und Messsysteme 2019
2019-06-25 - 2019-06-26
Nürnberg, Germany - Chapter
- 5.4 Zustandsüberwachung
- Author(s)
- P. Holstein, N. Bader, C. Probst - SONOTEC Ultraschallsensorik Halle GmbH (Deutschland), S. Seitz - TU Dresden (Deutschland)
- Pages
- 457 - 461
- DOI
- 10.5162/sensoren2019/5.4.3
- ISBN
- 978-3-9819376-0-2
- Price
- free
Abstract
einem breiten Frequenzbereich ermöglicht. Die physikalischen Grundlagen der akustischen Vorgänge im Ultraschallbereich wurden analysiert, um darauf aufbauend ein neues Sensor- und Messgerätekonzept zu entwickeln und technologisch umzusetzen. Sensorische Grundlage hierfür sind neu entwickelte Sensoren, die für einen breiteren Frequenzbereich einsetzbar sind. Damit sind Vorgänge neben den bisher hauptsächlich bewerteten zeitlichen Fluktuationen auch spektral bewertbar. Dies erweitert die Möglichkeiten für den Einsatz komplexerer Datenbewertungen erheblich. Die Körperschallsensoren basieren dabei auf sogenannten piezoelektrischen Kompositmaterialien. Der Frequenzgang dieser Sensoren ermöglicht die spektrale Nutzung der aufgezeichneten Signale. Damit steht eine breite Palette an Signalverarbeitungsoptionen zur Verfügung, die sowohl in Echtzeit als auch für aufwendigere Postprocessing-Verarbeitung genutzt werden können. Die Vorteile der Sensorik kommen auch dadurch zum Tragen, dass viele der gegenwärtig verfügbaren modernen Technologien integriert werden. Dies betrifft Elektronik, embedded IT, Software zur Visualisierung und Kommunikation und industriell orientierte Mathematik aber auch Design, Ergonomie und Produzierbarkeit. Auf Basis dieser Sensoren wurde deshalb eine neue Plattform für Prüftechnik für die Instandhaltung konzipiert, die neue Features und Möglichkeiten bietet insbesondere im Hinblick auf die Kundenspezifik von Lösungen.
Im Beitrag wird der Nutzen des neuen Sensorkonzepts für die Erschließung neuer Anwendungen vorgestellt. Insbesondere werden die Daten genutzt, um mit Verfahren des maschinellen Lernens bessere Voraussagen zu Lebensdauern, zur Bewertung von Betriebszuständen und Maschinenteilen zu generieren.