CWD
  • FVA-Gondel - digital twin
    FVA-Gondel - digital twin
  • Aufbau FVA-Gondel
    Aufbau FVA-Gondel
  • Center for Wind power drives
    Center for Wind power drives
  • Conference for Wind Power Drives 2017
    Conference for Wind Power Drives 2017
  • Aufbau FVA-Gondel
    Aufbau FVA-Gondel
  • Conference for Wind Power Drives 2017
    Conference for Wind Power Drives 2017
  • Vorstellung des 4MW Prüfstandes
    Vorstellung des 4MW Prüfstandes
  • Conference for Wind Power Drives 2017
    Conference for Wind Power Drives 2017
23.05.2019 16:46
Kategorie: Allgemeine News

Künstliche neurale Netze und White Etching Cracks (WEC): Risikoanalyse von Schmierstoffverbindungen in Lagern


Künstliche neurale Netze (KNN) unterstützen die Identifizierung risikobehafteter Schmierstoffverbindungen.

Die Zukunft der Windenergie denken: Unser Kollege Baher Azzam erörtert die Risikoanalyse von Schmierstoffverbindungen mithilfe künstlicher neuraler Netze auf der International Conference on Gears 2019. Heute schon können Sie mehr über dieses spannende Thema erfahren: Künstliche Intelligenz (KI) findet in unterschiedlichen Branchen Anwendung und erlaubt aufgrund ihrer Fähigkeit, selbst zu lernen, die Optimierung von Prozessen. 4LinesFusion stellte dem CWD die Eigenschaften 700 unterschiedlicher Öle zur Verfügung, die im Zuge des Projekts ProNOWIS analysiert wurden. Das Ziel der Studie bestand darin, Modelle künstlicher neuraler Netze (KNN) auf dem letzten Stand der Technik zu nutzen, um den Output der 4LineFusion SeerWorks™ Reliability Database-Applikation zu analysieren. Im ersten Schritt wurde die Zusammensetzung der 700 Öle in SeerWorks™ Reliability untersucht, um Output-Daten über die Art der White-Etching Cracks (WEC/geringes/hohes Risiko) zur Verfügung zu stellen; die WEC-Klassifizierung ist mit einer bestimmten Kombination an Zusatzstoffen verbunden, welche die Schmierstoffe in Relation zu ihrer Interaktion mit der Oberfläche des Lagermaterials umfasst. Im Laufe der Studie wurden die Schmierstoffe anonymisiert und mit Identifikationsnummern versehen, um neutrale, dimensionslose Werte für die KNN-Verarbeitung zur gewährleisten. Zunächst wurde durch die KNN-Verarbeitung die Bewertung der Risikoklassifizierungsstufen für White Etching Cracks (WEC) basierend auf der Identität des Öls und dem Prozentsatz der konstituierenden Verbindungen vorgenommen. Anschließend wurden Ölverbindungen erkannt, die das WEA-Risiko in Getriebelagern beeinflussen. Das zentrale Ergebnis dieser Analyse besteht in der Fähigkeit der ANN-Modelle, 8 aus 21 Ölverbindungen als besonders einflussreich für das WEC-Risiko zu identifizieren. Mehrere ANN-Modelle wurden entwickelt, die die Klassifizierungsgenauigkeit von Testölen schrittweise auf 99,8% erhöhen, indem sie die Netzwerkarchitektur verändern. Zuverlässigkeit kann wesentliche Informationen über das WEA-Risiko in einer Anwendung liefern, um einen bevorstehenden WEA-Ausfall zu verhindern bevor ein Schaden eintritt, und damit einen wesentlichen Einfluss auf die Betriebs- und Wartungskosten sowie die Verfügbarkeit von Windenergieanlagen haben. Lesen Sie mehr zum öffentlich finanzierten Projekt ProNOWIS.