Das Projekt wird im Rahmen des EFRE Programms 2021 bis 2027 des Landes Mecklenburg-Vorpommern aus Mitteln des Europäischen Fonds für regionale Entwicklung der Europäischen Union und des Landes Mecklenburg-Vorpommern gefördert.
Gegenstand von VUSSIO ist der Entwurf und die prototypische Umsetzung eines innovativen Schallsensors, der in einem hybriden Ansatz statistische, adaptive und selbstlernende Operatoren direkt im Sensor kombiniert und dadurch einen gegenüber bisherigen Systemen maßgeblich erweiterten Anwendungsbereich abdeckt.
Alle für den Produktivbetrieb notwendigen Analysen direkt im Sensor durchzuführen bietet enorme Vorteile im praktischen Betrieb. Störeinflüsse, Ressourcenverbrauch und Konfigurationsaufwand werden so minimiert, während die Anwendungsmöglichkeiten im industriellen Umfeld gegenüber mehrteiligen Lösungen deutlich umfangreicher sind. Diese Anwendungseigenschaften sollen mit dem Design des VUSSIO-Schallsensors umgesetzt werden.
Rohdaten werden dabei bereits sensorseitig in charakteristische Merkmale aufgespreizt und in einer technischen Zwischenstufe für eine relevanzadaptive Bewertung des Signals herangezogen, woraus sich eine relevanzadaptive Filterung ergibt. Diese Vorgehensweise ermöglicht, relevante Signale von bedeutungsärmeren zu unterscheiden und entsprechend automatisch zu filtern und zu markieren.
Durch die Übertragung von "kondensierten" Merkmalsvektoren (mit höherem Informationsinhalt pro Datenbit) werden Übertragungs- und Energieversorgungsressourcen minimal belastet und das Verhältnis zwischen Information und Grundrauschen wird essentiell verbessert. Die Kartierung der ermittelten Geräuschmerkmale erfolgt mit unterschiedlichen Zeitauflösungen, wodurch auch schleichende Alterungs- und Verschleißprozesse quantifizierbar werden. Die ereignisschwellenbezogene Klangaufzeichnung speichert und überträgt kurze Klangschnipsel, die für eine manuelle Analyse herangezogen werden können.
Zur optimalen Unterstützung des Sensorbetriebs wird parallel eine interaktive Bedien- und Konfigurationsoberfläche vorgesehen, die wahlweise über direkte Netzwerkverbindung oder über eine Cloud-Anbindung mit dem Sensor kommuniziert.
Dieses Projekt wird kofinanziert vom Bundesministerium für Wirtschaft und Klimaschutz.
Undichte Behälter sind ein zentrales Thema für Getränke- und Lebensmittelhersteller, da dadurch die Qualität und Haltbarkeit der Produkte beeinträchtigt wird. Für die Dichtigkeitsprüfung gibt es bereits akustische Inline-Messsysteme, die jedoch nicht für den Dauereinsatz in rauer Industrieumgebung geeignet sind. Verunreinigungen führen zu einem Zusetzen der Mikrofonschutzkappe und damit zu Messfehlern oder gar einem Ausfall des Mikrofons. Unentdeckte Messfehler können dazu führen, dass Verbraucher minderwertige Produkte erhalten und der Ruf des Herstellers leidet. Fällt das Mikrofon komplett aus, kommt es zum Produktionsausfall, da das Mikrofon eingeschickt werden muss. Ziel des Projektes ist die Entwicklung eines auf akustischer Resonanzanalyse basierenden Schallsensorsystems für die Inline-Qualitätsprüfung, das besonders für raue Industriebedingungen geeignet ist. Herausfordernd ist vor allem die Entwicklung einer KI-basierten Selbstüberwachungsfunktion für das Sensorsystem. Diese soll Messfehler intelligent und selbstständig erkennen und Handlungsempfehlungen geben.
Das Projekt „Entwicklung eines Sensorsystems inkl. magnetischer und mechanischer Anregeeinheit“ ist ein Verbundvorhaben zwischen der ds automation gmbh, dem Fraunhofer Institut für Digitale Medientechnologie (IDMT) und der Technischen Universität Ilmenau - Fachgebiet Fertigungstechnik.
Dieses Projekt wird kofinanziert von der Europäischen Union aus dem Europäischen Fonds für regionale Entwicklung. Operationelles Programm Mecklenburg-Vorpommern 2014 – 2020 – Investitionen in Wachstum und Beschäftigung .
Für eine zustandsorientierte Instandhaltung von in Betrieb befindlichen Großkraftmaschinen, wie z. B. Schiffsmotoren, ist eine kontinuierliche
Zustandsüberwachung („ConditionMonitoring“) unabdingbar. Fehler an Maschinen äußern sich durch eine Veränderung der Geräuschsignatur zumeist lange
bevor ein kritischer Zustand eintritt. Die Messung mit akustischen Sensoren ermöglicht bereits heute eine Prüfung einzelner Komponenten. In diesem
Projekt soll das zu entwickelnde Einzelsensorsystem zu einem Sensornetzwerken erweitert werden, wodurch die kontinuierliche Überwachung des gesamten
Lebenszyklus ermöglicht werden soll. Ein effizienter Einsatz im Sinne eines „Condition-Monitoring-Systems“ erfordert Ansätze der Industrie 4.0:
Digitalisierung, Vernetzung und „Machine Learning“. Die akustische Überwachung des gesamten Lebenszyklus bildet damit die Grundlage für die Entwicklung
von Lösungen für den Megatrend der vorausschauenden Wartung („Predictive Maintenance“).
Ziel des Vorhabens ist die Entwicklung einer neuartigen Sensorplattform mit Netzwerkfähigkeit und angepassten Analyse- und Schallortungsverfahren.
Die verteilte Messung von Schallereignissen eröffnet gerade durch die Verknüpfung der Sensoren und die Schallortung einzigartige Möglichkeiten zur
umfassendenen Überwachung großer Aggregate mit wenigen Sensoren. Neben der Entwicklung des Sensornetzwerkes und der Lokalisierung der Schallereignisse
werden Methoden zur optimalen Platzierung der Einzelsensorsysteme untersucht.
Das Projekt „Akustisches Sensornetzwerk mit Echtzeitdatenauswertung (ASEDA)“ ist ein Verbundvorhaben zwischen der ds automation gmbh und dem Fraunhofer Institut für Großstrukturen in der Produktionstechnik (IGP).
Dieses Projekt wird kofinanziert vom Bundesamt für Wirtschaft und Energie.
Einsatzszenario für den Schallsensor ist die Verwendung zur präzisen Überwachung von Abfüllanlagen, Fördereinrichtungen und Dosiersystemen vorgesehen.
Mit Methoden des „Machine Learnings“ (ML) werden die Merkmale aus den Audiosignalen extrahiert, die für die Erkennung eines Fehlers im Prozess oder
Schadens der Anlage wesentlich sind. Prozessfehler beeinträchtigen die Qualität der Erzeugnisse und Maschinenschäden können zu längeren und teureren
Ausfallzeiten führen, wenn sie nicht rechtzeitig erkannt werden. Für die Sicherstellung einer gleichbleibenden Qualität und um Produktionsausfälle zu
vermeiden, ist die Fehlererkennung essentiell. Die gewonnenen Merkmale werden durch ein künstliches neuronales Netz (KNN) bewertet. Merkmalsgewinnung
und das neuronale Netz werden dahingehend optimiert, so dass sie auf einem Mikrocontroller eingebettet lauffähig sind. Der manuelle Aufwand für das Erstellen
der Sensorkonfiguration (Testen, Trainieren und Konfigurieren) soll durch das KNN abgelöst und damit automatisiert werden. Dadurch sollen unter anderem
Kosten bei der Inbetriebnahme und während des Betriebes gesenkt werden.
Ziel des Vorhabens ist die Entwicklung einer neuartigen Sensorplattform mit einem integrierten künstlichen neuronalen Netz.
Das Projekt „Entwicklung eines Sensorsystems zur Überwachung von Produktionsprozessen in Echtzeit (ISEP)“ ist ein Verbundvorhaben zwischen der ds automation gmbh und dem Fraunhofer Institut für Mikroelektronische Schaltungen und Systeme (IMS).