Condition Monitoring (CM) und eine darauf aufsetzende vorausschauende Wartung stellen wichtige Entwicklungsfelder der industriellen Automatisierungstechnik dar. Vorrangig werden dabei Ansätze des Machine Learnings (ML) genutzt. Industrielle Applikationen leiden jedoch unter erheblichen Problemen, wie den Mangel an aussagekräftigen (Fehler-)Daten, einen hohen Inbetriebnahmeaufwand und mangelnder Vorhersagegenauigkeit. Deshalb beschränken sich bisherige Lösungen auf relativ einfache spezielle Anwendungsfälle.

Als innovative Problemlösung wird in PiFD-CoM klassisches ML mit physikalischer Modellbildung ganzheitlich kombiniert. Dazu werden mittels physikalischer Maschinenmodelle generierte Simulationsdaten für das Training von Supervised ML-Modellen genutzt – auch für in der Praxis schwer zu realisierende Fehlerfälle. Zusätzlich werden u.a. mittels Beobachtertechniken neue aussagekräftige physikalische Features mit erhöhtem Informationsgehalt generiert, um so die Vorhersagegenauigkeit des ML-Modells zu steigern. Abschließend ist die Überführung in einen industrietauglichen Workflow geplant. Dazu verfügen die Projektpartner über eine ideale Kompetenzbreite von Antriebstechnik über Data Science bis zu erheblicher industrieller Applikationserfahrung.

Als Ergebnis ist eine deutliche Verbesserung der Marktfähigkeit von CM in Automatisierungstechnik und Produktion inkl. der Ermöglichung neuer digitaler Geschäftsmodelle und erheblicher Ressourcen- und Kosteneinsparungen zu erwarten.