-
Die Erfindung betrifft ein Verfahren zur Ermittlung einer Ausfallursache eines Lagers, insbesondere eines Wälzlagers. Ferner betrifft die Erfindung eine Vorrichtung zur Ermittlung einer Ausfallursache eines Lagers, insbesondere eines Wälzlagers.
-
Wenn es bei einem Lager, wie beispielsweise einem Wälzlager, zu einem Ausfall kommt, ist es oftmals wünschenswert, die Ausfallursache zu ermitteln. Bei einem Wälzlager können z. B. Abplatzungen oder Oberflächenausbrüche an den Laufflächen des Lagers entstehen. Die Ursache für solche Abplatzungen können beispielsweise an der Oberfläche oder unterhalb der Oberfläche, d.h. innerhalb des Materials, liegen.
-
Die Ermittlung der Ausfallursache kann durch technische Experten durchgeführt werden, die das ausgefallene Lager begutachten und anhand ihrer persönlichen Erfahrung beurteilen, um Rückschlüsse auf die Ausfallursache ziehen. Derartige Analysen sind typischerweise abhängig von der Expertise des jeweiligen technischen Experten. Zudem besteht das Problem, dass die Begutachtung durch den technischen Experten oftmals nicht am Ort des Ausfalls durchgeführt werden kann und es einige Zeit dauert, bis eine Ausfallursache ermittelt werden kann.
-
Vor diesem Hintergrund stellt sich die Aufgabe, die Ermittlung von Ausfallursachen ohne einen technischen Experten und möglichst schnell zu ermöglichen.
-
Die Aufgabe wird gelöst durch ein Verfahren zur Ermittlung einer Ausfallursache eines Lagers, insbesondere eines Wälzlagers, wobei ein Bild des Lagers erfasst wird, das erfasste Bild einem künstlichen neuronalen Netz zugeführt wird und wobei das künstliche neuronale Netz anhand des erfassten Bilds für mehrere vorgegebene Ausfallursachen jeweils eine Wahrscheinlichkeit ermittelt.
-
Durch die Verwendung eines künstlichen neuronalen Netzes kann darauf verzichtet werden, einen technischen Experten mit der Durchführung der Analyse zu betrauen.
-
Ferner sind keine Kenntnisse über das Verhalten des Lagers und die physikalischen Effekte erforderlich, die zu dem Ausfall des Lagers geführt haben könnten. Das Verfahren gemäß der Erfindung kann durch einen in der Fehleranalyse unerfahrenen Benutzer durchgeführt werden. Es ist nicht erforderlich, das ausgefallene Lager an einen technischen Experten zu übersenden oder das Eintreffen eines solchen Experten abzuwarten. Vielmehr kann das Verfahren unmittelbar am Ort des Ausfalls durchgeführt werden, so dass eine schnelle Ermittlung der Ausfallursache erfolgen kann.
-
Das künstliche neuronale Netz kann als Hardwareeinheit oder als Software ausgebildet sein, die auf einer programmierbaren Rechnereinheit lauffähig ist. Alternativ kann das künstliche neuronale Netz als Kombination aus einer Hardwareeinheit und einer Software gebildet sein.
-
Gemäß einer vorteilhaften Ausgestaltung wird das künstliche neuronale Netz in einer der Ermittlung der Ausfallursache vorhergehenden Trainingsprozedur trainiert, wobei dem künstlichen neuronalen Netz in der Trainingsprozedur mehrere Trainingsdatensätze zugeführt werden, die jeweils ein Bild des Lagers und eine dem Bild zugeordnete Ausfallursache umfassen. Die Trainingsprozedur wird bevorzugt in Rahmen einer Fertigung, Kalibrierung und/oder Wartung einer Vorrichtung, die das künstliche neuronale Netz umfasst, durchgeführt. Während der Trainingsprozedur wird dem künstlichen neuronalen Netz bevorzugt eine Anzahl an Trainingsdatensätzen zugeführt, die größer ist als 1000, bevorzugt größer als 10.000, besonders bevorzugt mehr als 100.000.
-
Eine bevorzugte Ausgestaltung sieht vor, dass in der Trainingsprozedur eine Anzahl an versteckten Schichten des künstlichen neuronalen Netzes und/oder eine Anzahl an Knoten in einer versteckten Schicht des künstlichen neuronalen Netzes und/oder ein Gewichtungsfaktor eines Knoten einer versteckten Schicht des künstlichen neuronalen Netzes ermittelt wird.
-
Als vorteilhaft hat es sich eine Ausgestaltung des Verfahrens erwiesen, bei welcher das Bild des Lagers, insbesondere ein Bild einer Laufbahn des Lagers, mittels einer Kamera, bevorzugt einer CMOS-Kamera oder einer CCD-Kamera, erfasst wird. Über die Kamera kann eine digitale Darstellung des Bilds des Lagers erhalten werden. Eine derartige digitale Darstellung kann vorteilhaft in dem künstlichen neuronalen Netzwerk verarbeitet werden.
-
Bevorzugt weist das künstliche neuronale Netz eine Ausgabeschicht auf, in welcher eine Berechnung der Wahrscheinlichkeiten anhand der softmax-Funktion erfolgt. Die softmax-Funktion bildet einen K-dimensionalen Vektor beliebiger reeler Zahlen auf einen K-dimensionalen Vektor aus reelen Zahlen im Bereich von 0 bis 1 ab, deren Summe 1 ist. Über die softmax-Funktion können die Wahrscheinlichkeiten der vorgegebenen Ausfallursachen derart normiert werden, dass sie im Bereich von 0 bis 1 liegen und die Summe aller Wahrscheinlichkeiten 1 ist.
-
Gemäß einer vorteilhaften Ausgestaltung ist vorgesehen, dass die Wahrscheinlichkeiten der Ausfallursachen verglichen werden und die Ausfallursache mit der höchsten Wahrscheinlichkeit ausgewählt wird. Die ausgewählte Ausfallursache stellt damit die wahrscheinlichste Ausfallursache dar.
-
Eine bevorzugte Ausgestaltung sieht vor, dass die ermittelten Wahrscheinlichkeiten und/oder die Ausfallursache mit der höchsten Wahrscheinlichkeit angezeigt werden, insbesondere auf einer Anzeigeeinrichtung. Über die Anzeigeeinrichtung kann das Ergebnis der Ermittlung der Ausfallursache einem Benutzer mitgeteilt werden.
-
Zur Lösung der eingangs genannten Aufgabe wird ferner eine Vorrichtung zur Ermittlung einer Ausfallursache eines Lagers, insbesondere eines Wälzlagers, vorgeschlagen, mit einer Kamera zum Erfassen eines Bilds des Lagers und einem künstlichen neuronalen Netz, dem ein mittels der Kamera erfasstes Bild zuführbar ist, wobei das künstliche neuronale Netz konfiguriert ist, anhand des erfassten Bilds für mehrere vorgegebene Ausfallursachen jeweils eine Wahrscheinlichkeit zu ermitteln.
-
Die Vorrichtung kann an den Ort des Ausfalls des Lagers verbracht und dort eingesetzt werden, um die Ausfallursache zu Ermitteln. Die Vorrichtung kann von einem Benutzer bedient werden, der keine Sachkunde in der Fehleranalyse haben muss. Somit können unerwünschte Verzögerungen bei der Ermittlung der Ausfallursache vermieden und es kann eine rasche Fehleranalyse herbeigeführt werden.
-
Gemäß einer vorteilhaften Ausgestaltung der Vorrichtung weist diese eine Auslösevorrichtung zum Auslösen eines Erfassungsvorgangs mit der Kamera auf. Die Auslösevorrichtung kann beispielsweise als Taster oder Schalter ausgestaltet sein. Alternativ kann die Auslösevorrichtung ein Näherungssensor oder eine berührungsempfindliche Anzeigeeinrichtung sein. Über die Auslösevorrichtung kann ein Vorgang gestartet werden, bei dem zunächst ein Bild mittels der Kamera erfasst und das erfasste Bild dann zur Auswertung dem künstlichen neuronalen Netz zugeführt wird.
-
Vorteilhaft ist es, wenn die Vorrichtung eine Anzeigeeinrichtung zur Anzeige der ermittelten Wahrscheinlichkeiten und/oder der Ausfallursache mit der höchsten Wahrscheinlichkeit aufweist. Über die Anzeigeeinrichtung kann dem Benutzer der Vorrichtung das Ergebnis der Ermittlung der Ausfallursache angezeigt werden. Die Anzeige kann beispielsweise in Textform und/oder in Form eines Symbols erfolgen.
-
Bei der erfindungsgemäßen Vorrichtung können alternativ oder zusätzlich zu den vorstehend genannten vorteilhaften Ausgestaltungen die im Zusammenhang mit dem erfindungsgemäßen Verfahren beschriebenen vorteilhaften Merkmale und Ausgestaltungen allein oder in Kombination Anwendung finden.
-
Weitere Einzelheiten und Vorteile der Erfindung sollen nachfolgend anhand des in den Zeichnungen dargestellten Ausführungsbeispiels erläutert werden. Hierin zeigt:
- 1 ein Ausführungsbeispiel einer erfindungsgemäßen Vorrichtung zur Ermittlung einer Ausfallursache eines Lagers in einer schematischen, perspektivischen Darstellung;
- 2 ein Ablaufdiagramm eines Ausführungsbeispiels einer Trainingsprozedur zum Trainieren eines künstlichen neuronalen Netzes der Vorrichtung aus 1; und
- 3 ein Ablaufdiagramm eines Ausführungsbeispiels einer Ermittlungsprozedur eines Ausführungsbeispiels des erfindungsgemäßen Verfahrens;
-
In der 1 ist ein Ausführungsbeispiel einer Vorrichtung 1 zur Ermittlung einer Ausfallursache eines Lagers in einer schematischen Darstellung gezeigt. Die Vorrichtung 1 ist als tragbare Vorrichtung ausgestaltet und kann von einem Benutzer mitgeführt werden, um fehlerhafte Lager an verschiedenen Einsatzorten untersuchen zu können.
-
Die Vorrichtung 1 weist ein Gehäuse 2 auf, in welchem eine Kamera 3, eine Auslösevorrichtung 4, eine Anzeigeeinrichtung 5 sowie eine in der 1 nicht sichtbare Berechnungseinheit mit einem künstlichen neuronalen Netz vorgesehen ist. Über die Kamera 3 kann ein Bild eines beschädigten Lagers, beispielsweise einer schadhaften Lauffläche eines Wälzlagers aufgenommen und in digitaler Form bereitgestellt werden. Bevorzugt ist die Kamera 4 als CMOS-Kamera oder CCD-Kamera ausgebildet. Das Auslösen der Kamera 4 kann über die Auslösevorrichtung 4 erfolgen, welche beispielsweise als Schalter oder Taster ausgebildet sein kann. Die Anzeigeeinrichtung 5 ist bevorzugt als LCD-Anzeigeeinrichtung ausgestaltet. In der Anzeigeeinrichtung 5 kann das Ergebnis der Ermittlung einer Ausfallursache angezeigt werden.
-
Die Berechnungseinheit der Vorrichtung 1 ist bevorzugt als programmierbare Berechnungseinheit, beispielsweise als Mikroprozessor, ausgebildet. Die Berechnungseinheit ist mit der Kamera 3 verbunden, so dass das von der Kamera 3 ermittelte Bild an die Berechnungseinheit mit dem neuronalen Netz weitergegeben werden kann. Ferner ist die Berechnungseinheit mit der Anzeigeeinrichtung 5 verbunden, so dass diese die Anzeigeeinrichtung 5 ansteuern kann, beispielsweise um das Ergebnis der Ermittlung eine Ausfallursache anzuzeigen.
-
Nachfolgend soll anhand der 2 und 3 die Abläufe eines Ausführungsbeispiels des erfindungsgemäßen Verfahrens näher erläutert werden. Dabei zeigt die 2 ein Ablaufdiagramm einer Trainingsprozedur, in welcher das künstliche neuronale Netz trainiert wird und die 3 ein Ablaufdiagramm einer Ermittlungsprozedur, in welchem mittels des trainierten neuronalen Netzes die Ausfallursache eines Lagers ermittelt wird.
-
Die Trainingsprozedur 100 kann beispielsweise nach der Herstellung der Vorrichtung 1 durchgeführt werden, beispielsweise im Rahmen eines Initialisierungsvorgangs. Ausgehend von einem Startzustand 101 wird in einem Bereitstellungsschritt 102 werden eine Vielzahl von Trainingsdatensätzen bereitgestellt. Die Trainingsdatensätze bestehen jeweils aus einem Bild eines ausgefallenen Lagers, beispielsweise einem Bild einer fehlerhaften Lauffläche eines ausgefallenen Lagers, und einer Angabe einer Ausfallursache. Die Ausfallursache ist im Vorfeld von einem technischen Experten ermittelt worden. Im Bereitstellungsschritt 102 wird bevorzugt eine große Anzahl solcher Trainingsdatensätze bereitgestellt, beispielsweise mehr als 1000, bevorzugt eher als 10.000, besonders bevorzugt mehr als 100.000.
-
An den Bereitstellungsschritt 102 schließt sich ein Lernschritt 103 an. In dem Lernschrott 103 wird das künstliche neuronale Netz mit den bereitgestellten Trainingsdatensätzen trainiert. Dabei wird dem künstlichen neuronalen Netz jeweils ein Bild eines ausgefallenen Lagers sowei die zugehörige Ausfallursache zugeführt. In dem Lernschritt 103 wird das künstliche neuronale Netz definiert. Hierzu wird u.a. eine Anzahl an versteckten Schichten des künstlichen neuronalen Netzes ermittelt, es wird eine Anzahl an Knoten in den versteckten Schichten des künstlichen neuronalen Netzes berechnet. Zudem werden Gewichtungsfaktoren der Knoten in den versteckten Schichten des künstlichen neuronalen Netzes bestimmt. Nach Abschluss des Lernschritts 103 endet die Trainingsprozedur 100 in einem Endzustand 104.
-
Nach Abschluss der Trainingsprozedur 100 ist das künstliche neuronale Netz trainiert und die Vorrichtung 1 an zur Ermittlung einer Ausfallursache eines ausgefallenen Lagers eingesetzt werden. Diese Ermittlung wird in der Ermittlungsprozedur 200 des erfindungsgemäßen Verfahrens durchgeführt.
-
Die Vorrichtung verweilt in einem Startzustand 201. Wird die Auslösevorrichtung 4 durch einen Benutzer der Vorrichtung 1 betätigt, so geht die Vorrichtung einen Erfassungsschritt 202 über, in welchem die Kamera 3 ein Bild des ausgefallenen Lagers erfasst. Die Kamera 3 erzeugt eine digitale Darstellung des Bilds und führt diese dem künstlichen neuronalen Netz zu. In einem Berechnungsschritt 203 berechnet das künstliche neuronale Netz für verschiedene vorgegebene Ausfallursachen jeweils eine Wahrscheinlichkeit, dass das der in dem erfassten Bild sichtbare Ausfall durch die jeweilige Ausfallursache hervorgerufen worden ist. Die Wahrscheinlichkeiten sind mit der softmax-Funktion normiert, so dass die Summe aller Wahrscheinlichkeiten 1 ergibt.
-
In einem nachfolgenden Auswahlschritt 204 werden die ermittelten Wahrscheinlichkeiten verglichen und es wird die größte Wahrscheinlichkeit bestimmt. Die Ausfallsursache, die der größten Wahrscheinlichkeit entspricht, wird als wahrscheinlichste Ausfallursache bestimmt.
-
Schließlich wird in einem Anzeigeschritt 205 die ermittelte Ausfallursache, also die Ausfallursache mit der höchsten Wahrscheinlichkeit, angezeigt. Alternativ oder zusätzlich können weitere Wahrscheinlichkeiten anderer Ausfallursachen, insbesondere aller Ausfallursachen, angezeigt werden. Die Anzeige kann in Textform erfolgen und/oder durch Anzeige von Symbolen. Danach geht die Vorrichtung in einen Endzustand 206 über, aus welchem die Vorrichtung 1 durch betätigen der Auslösevorrichtung 4 wieder aktiviert werden kann.
-
Bei dem vorstehend beschriebenen Verfahren zur Ermittlung einer Ausfallursache eines Lagers, insbesondere eines Wälzlagers, wird ein Bild des Lagers erfasst, das erfasste Bild einem künstlichen neuronalen Netz zugeführt und das künstliche neuronale Netz ermittelt anhand des erfassten Bilds für mehrere vorgegebene Ausfallursachen jeweils eine Wahrscheinlichkeit. Hierdurch keinen eine schnelle Bestimmung einer Ausfallursache erfolgen, ohne dass hierzu ein technische Experte herangezogen werden müsste.
-
Bezugszeichenliste
-
- 1
- Vorrichtung zur Ermittlung einer Ausfallursache
- 2
- Gehäuse
- 3
- Kamera
- 4
- Auslösevorrichtung
- 5
- Anzeigeeinrichtung
- 100
- Trainingsprozedur
- 101
- Startzustand
- 102
- Bereitstellungsschritt
- 103
- Lernschritt
- 104
- Endzustand
- 200
- Ermittlungsprozedur
- 201
- Startzustand
- 202
- Erfassungsschritt
- 203
- Berechnungsschritt
- 204
- Auswahlschritt
- 205
- Anzeigeschritt
- 206
- Endzustand