Projekt: Wave - Entwicklung integrierter MEMS-Sensoren für KI-gestützte Instandhaltung

Ziel des Projekts WAVE (Wide Application Vibration Element) war die Entwicklung eines intelligenten Sensorknotens zur Überwachung des Maschinenzustands in Echtzeit. Durch die Kombination von Luftschall- und Körperschallsensorik sowie die Integration aktiver Ultraschallmessverfahren sollen Maschinendefekte frühzeitig erkannt und der Wartungsbedarf zuverlässig vorhergesagt werden. Die Auswertung der komplexen Sensorsignale erfolgt dabei mithilfe statistischer Methoden und Verfahren des maschinellen Lernens.

Praxisnahe Testszenarien und Systemvalidierung

Zur Entwicklung und Validierung des Systems wurden zwei Modellumgebungen aufgebaut:

• Modell 1: Eine rotierende Welle mit Kugellagern in verschiedenen Zuständen (intakt und defekt) – realitätsnahe Testsituation, jedoch mit unbekannten dynamischen Randbedingungen.
• Modell 2: Eine Vibrationsplattform mit einstellbarer Frequenz und Auslenkung – ideal für reproduzierbare Tests zur Verifikation der Datenverarbeitungskette.

Zusätzlich wurde auf Basis früherer Projekte ein Softwarekonzept zur Datenerfassung, -verarbeitung und KI-gestützten Analyse erstellt.

Sensorik und Signalverarbeitung

Die Sensorbaugruppe wurde in mehreren Iterationen entwickelt und kontinuierlich verbessert. Sie umfasst:

• Luftschallsensor (Knowles SPH18C3LM4H-1): Erfasst Schallsignale von 40 Hz bis 100 kHz.
• Beschleunigungssensor (ADXL1005): Misst Körperschall bis 23 kHz.
• Aktiver Ultraschallsensor (LCMUT vom Fraunhofer IPMS): Sendet konstantes Signal, reflektierte Echos werden über Dopplereffekte analysiert.

Ein zentraler Innovationspunkt ist die Nutzung aktiver Ultraschallmessungen zur Detektion feiner Vibrationen durch Veränderungen im reflektierten Signalverlauf – ein Ansatz, der sich als besonders empfindlich für Veränderungen im Maschinenverhalten erwiesen hat.

Demonstrator im realen Einsatz

Durch den effizienteren Projektverlauf konnte zusätzlich ein Demonstrator an einer Kappsäge realisiert werden. Hier wurde der Sensorknoten eingesetzt, um den Zustand von Kreissägeblättern zu klassifizieren – insbesondere die Unterscheidung zwischen scharfen und stumpfen Blättern.

• Messung der Schallsignale bei Sägeblättern mit unterschiedlichen Defekten
• Signifikante Unterschiede in den aufgenommenen Daten je nach Zustand
• Erfolgreiche Klassifikation mithilfe von Machine-Learning-Modellen

Erkenntnisse und Ausblick

• Der Sensorknoten bietet eine modulare Plattform zur akustischen und mechanischen Zustandsüberwachung von Maschinen.
• Durch die Kombination aus passiven und aktiven Messmethoden lässt sich ein breites Spektrum möglicher Defekte erfassen.
• Die gesammelten Erkenntnisse schaffen eine solide Grundlage für zukünftige Anwendungen in der vorausschauenden Instandhaltung und Qualitätssicherung.

Auf vertiefende Untersuchungen im Hochfrequenzbereich wurde bewusst verzichtet, da der technische Aufwand im Vergleich zum erwarteten Nutzen zu hoch gewesen wäre. Stattdessen lag der Fokus auf der Optimierung des Gesamtsystems für industrielle Anwendungen im kHz-Bereich.