Pagina 32 van: Aandrijftechniek – nummer 2 – 2023
AANDRIJFTECHNIEK | april 202332
te slijpen, nauwe maattoleranties bij de CNC-bewerking van
de behuizingen of het goed afstellen van de kegelrollagers.”
Machine learning
Het onderzoek beslaat dus alleen op de productie van
motorreductoren bij Lenze. “We willen de kwaliteitscontrole
van onze producten verbeteren”, legt Wißbrock uit. “Maar
veel bevindingen zijn ook van belang voor andere projec-
ten. De basis is het resultaat van twee onderzoeksprojecten.
Het eerste project, PsyMe, gaat over de psycho-akoestische
metriek voor de geautomatiseerde evaluatie van mechatroni-
sche systemen aan de hand van het voorbeeld van elektromo-
toren. In dit project wordt een innovatieve procesverbetering
voor geautomatiseerde kwaliteitsborging van elektromotoren
ontwikkeld. Machine learning en psycho-akoestische meet-
methoden worden gebruikt om de menselijke waarneming en
besluitvorming technisch na te bootsen. Het andere project,
ML4Pro2, betreft ‘machine learning’ voor de productie en de
producten die daar vandaan komen. Dankzij machine learning
wordt er kennis opgedaan uit gegevens en ingevoerd op alle
niveaus van de bedrijfsprocessen om toegevoegde waarde te
genereren. Op die manier kunnen bijvoorbeeld ontwerpproces-
sen worden verbeterd, zwakke punten in producten worden
opgespoord en ontwikkelingen worden versneld. Het doel van
het project Machine Learning for Production and its Products
(ML4Pro2) is om machine learning toegankelijk te maken voor
bedrijven met intelligente producten en productieprocessen.”
Condition Monitoring
Lenze gebruikt de psycho-akoestische metingen om de
kwaliteit te controleren van haar producten. Maar is deze
manier van meten ook te gebruiken voor bijvoorbeeld con-
ditiebewaking van de aandrijvingen? “Ja, in principe is het
mogelijk”, beaamt Wißbrock. “Akoestiek en trillingen kunnen
in gelijke mate worden gebruikt. In individuele gevallen moet
Lenze heeft in zijn Mechatronic Competence Campus (MCC), meetsensoren geïnstalleerd in de rijbesturing van de magazijnkranen
(LPBN). Deze akoestische dataset bevat 138 samples van op
maat gemaakte motorreductoren, verdeeld in motoren met
het label grote fout (voldoet niet aan de standaardkwaliteit),
kleine fout (voldoet aan de standaardkwaliteit) en gezond.
Deze dataset bevat eveneens 43 samples met typische opzet-
telijk gegenereerde industriële achtergrondgeluiden.
De metingen zijn gedaan met een geautomatiseerd en
ruisbestendig auditief inspectiesysteem onder de naam ARAI
(Automated and Noise-Robust Auditory Inspection). Om het
probleem van achtergrondruis te ondervangen, gebruikten
de onderzoekers een akoestische array microfoon met 64
opnemers, die ruis vermindert in het hoge frequentiegebied en
beschikt over een digitaal filter om lage frequenties te onder-
drukken. De onderzoekers presenteerden ook een benchmark
voor het opsporen van tandwielfouten, inclusief verschillende
definities binnen het bij de onderzoekers bekende spectrum.
Zo werd er gebruikgemaakt van het ‘logarithm envelope
spectrum’ (LES), Bovendien tonen de experimenten aan dat
tijdsafhankelijke psycho-akoestische (TVPA) kenmerken beter
presteren dan stationaire psycho-akoestische (SPA) kenmer-
ken. De onderzoekers combineren kenmerken gebaseerd op
TVPA en LES.
Hoge betrouwbaarheid batchgrootte 1
Is er vanuit de klanten vraag naar stille aandrijvingen?
Volgens Heidrich is dat niet de insteek van het onderzoek.
“We doen dit niet omdat we stillere aandrijvingen willen. In
vergelijking met andere fabrikanten maakt Lenze al relatief
stille motorreductoren. Bij dit onderzoek draait alles om
kwaliteitsoptimalisatie. Wij willen fouten vinden met een
hoge mate van betrouwbaarheid en dat met een batchgrootte
van 1 stuk. Dat is onze claim! Als je technisch gezien een
mechanische aandrijving stiller wilt maken, zijn er natuurlijk
diverse ontwerp- of fabricagemogelijkheden. Denk aan een
lage oppervlakteruwheid van de tandwielen door deze speciaal
30-31-32-33_lenzegeluid.indd 32 27-03-2023 10:13