Künstliche Intelligenz gegen festfressende Lager

Forscher der Eidgenössischen Materialprüfungs- und Forschungsanstalt (Empa) haben ein neues System zu Überwachung lärmerzeugender Prozesse mithilfe Künstlicher Intelligenz (KI) entwickelt. Auf diese Weise lassen sich Produktionsfehler und drohende Havarien buchstäblich heraushören - zum Beispiel, wenn Lager allmählich festzufressen drohen und Maschinen folglich ihren Geist aufgeben.

In Maschinen integrierte Temperatursensoren erkennen eine Temperaturerhöhung oftmals leider erst dann, wenn das Fressen bereits begonnen hat und die Bauteile zerstört sind. Die Experten nahmen diesen Umstand als Ausgangspunkt für ihr neues System. Hierzu ließen sie auf einem Tribometer, einem Reibungsmessgerät, bewusst eine Walze aus gehärtetem Stahl auf einer gusseisernen Unterlage schaben, zeichneten die Geräusche auf, stoppten den Versuch in unterschiedlichen Phasen und untersuchten die Schäden unter dem Mikroskop.

So gelang es, aus dem Geräuschchaos, das die Stahlwalze auf dem Gusseisen erzeugte, die Hinweise herauszuhören. Die Forscher erkennen das Fressen nun mit 80-prozentiger Sicherheit. Die entscheidende Phase des Vorfressens kann mit 65-prozentiger Sicherheit erkannt werden - und zwar einige Minuten vor dem katastrophalen Ende. Das würde genügen, um viele Industriemaschinen rechtzeitig zu stoppen und vor schweren Schäden zu bewahren.

Anwendbarkeit bei 3D-Druck

Auch beim Herstellen von metallischen Bauteilen aus Metallpulver, das von einem Laserstrahl aufgeschmolzen wird, lässt sich das Verfahren anwenden. Die Empa-Forscher kombinierten hierzu akustische Sensoren mit maschinellem Lernen und analysierten die Messdaten mit dem erst 2016 beschriebenen Algorithmus SCNN. Mit dieser maschinellen Lernmethode gelang es ihnen, mit einer Trefferquote von über 83 Prozent zu unterscheiden, ob das Laserschmelzen zu heiß oder zu kalt ablief und damit unerwünschte Poren erzeugte. Die Ergebnisse erschienen im Mai 2018 im Fachjournal Additive Manufacturing.

http://empa.ch