Prognose der Restlebensdauer zyklisch beanspruchter Linearaktuatoren aus Formgedächtnislegierungen: Ein Ansatz auf Basis von Methoden des maschinellen Lernens

Zusammenfassung Die zunehmenden Anforderungen und Qualitätsansprüche gegenüber technisch komplexen Produkten erfordern den Einsatz neuer Methoden zur Qualitätssicherung im Entwicklungs- und Einsatzzeitraum. Um den Ansprüchen gerecht zu werden, ist eine umfassende Datenerfassung erforderlich, wodurch die Verfügbarkeit von Daten sowohl während der Produktentwicklung, als auch während des Einsatzes durch Condition Monitoring Maßnahmen exponentiell ansteigt. Hierdurch entstehen Herausforderungen bezüglich des Speicherns, Filterns, Priorisieren sowie dem allgemeinen Umgang mit Daten. Allerdings resultiert auch Potential im Kontext der Zuverlässigkeit. Insbesondere für Anwendungsbereiche in denen Zuverlässigkeitsanalysen bisher aufgrund geringer Datenmengen nicht möglich oder unpräzise waren. In diesem Kontext können Methoden des maschinellen Lernens (ML) eine Ergänzung zu klassischen, statistischen Zuverlässigkeitsanalysen und Lebensdauerprognosen darstellen. So können Big Data Analysen mit multivariaten Ansätzen durchgeführt werden, um komplexe und mehrdimensionale Zusammenhänge mit ML-Modellen effizient und zielorientiert zu analysieren. Auf Basis der generierten Erkenntnisse wird das Erreichen von definierten Qualitäts- und Zuverlässigkeitszielen ermittelt und vorausschauende Instandhaltungen ermöglicht. Modelle dieser Art schaffen die Grundlage, Betriebsparameter hinsichtlich eines Optimierungsziels zu bestimmen und auszulegen, um Degradationsprozesse zu analysieren und zu reduzieren. Das vorliegende Paper liefert einen Beitrag zur Anwendung von Algorithmen des ML auf Zeitreihendaten zur Vorhersage der Degradation bzw. des Degradationsfortschritts. Daten von Zeitreihen sind abhängig von der zeitlichen Reihenfolge, sodass die Daten in chronologischer Abfolge betrachtet werden müssen. Des Weiteren ist eine hohe Qualität der vorliegenden Daten erforderlich, um Muster gezielt und zuverlässig zu analysieren und Prognosen zu ermöglichen. Oftmals entstehen in Abhängigkeit der Messfrequenzen große Datenmengen, welche effizient verarbeitet werden müssen. Zur Generierung von Features werden z. B. deterministische Transformations-Algorithmen verwendet, welche relevante Merkmale aus vorliegenden Daten extrahieren und die Datenmenge hinsichtlich der Relevanz komprimieren. Diese Features werden mit dem Ziel die Restlebensdauer zu prognostizieren statistisch sowie mittels ML-Algorithmen analysiert. Im Rahmen der hier skizzierten Forschungsarbeiten steht die Lebensdauerprognose von metallischen Drähten aus Formgedächtnislegierungen (FGL), welche zyklischen Belastungen (z. B. Zugspannungen) unterliegen, im Fokus. Bauteile aus FGL können als „Smart Material“ die thermische und mechanische Domäne miteinander verknüpfen. Dies ermöglicht den Einsatz eines FGL-Bauteils als lasttragende Struktur mit gleichzeitigen aktorischen Funktionen. Der Vorteil gegenüber herkömmlichen Aktoren liegt in der Reduktion der Bauteilanzahl, wodurch Bauraum und Gewicht der Aktor-Einheit eingespart werden können. Das potentielle Einsatzspektrum zur industriellen Anwendung von FGL-Aktoren ist vielfältig. So werden bereits beispielsweise herkömmliche Elektromotoren und Ventile durch FGL-basierte Aktoren ersetzt. Obwohl die Grundlagen des Formgedächtniseffekts (FGE) bereits seit den 1930er Jahren bekannt sind, bestehen bisher nur wenig Erfahrungswerte bezüglich Zuverlässigkeit und möglicher Lebensdauerprognosen von FGL-Aktoren. Die Grundlage der durchgeführten Forschungsarbeit bilden experimentell durchgeführte Langzeittests, bei denen FGL-Drähte bis zum Versagen zyklisch beansprucht wurden. Dies betrifft insgesamt 75 Langzeittests mit jeweils 3 unabhängig getesteten Drähten.