33
worden bepaald welke manier van meten meer voordelen
biedt. Voor conditiebewaking in de aandrijving probeert Lenze
in principe de reeds voorhanden zijnde data te gebruiken,
zonder extra sensoren te installeren.” Zo heeft Lenze in het
splinternieuwe Mechatronic Competence Campus (MCC)
in de vestiging Extertal, meetsensoren geïnstalleerd in de
rijbesturing van de magazijnkranen. “Wij kunnen de gege-
vens uitlezen, naar een server sturen en dan met behulp van
kunstmatige intelligentie eventuele afwijkingen opsporen.
De algoritmen zijn vaak hetzelfde als bij de End-of-line test.”
Hoe worden nu precies moderne middelen als machine
learning en kunstmatige intelligentie verder ingezet?
“Allereerst wordt signaalverwerking gebruikt om indicatoren
van een gezonde aandrijving te definiëren”, legt Wißbrock uit.
“Vervolgens wordt machine learning ingezet om afwijkingen te
herkennen en te kijken of de afwijking in dit geval relevant is.
In de toekomst gaan we met behulp van kunstmatige intelli-
gentie het aantal varianten en de kleine hoeveelheid gegevens
per variant (in sommige gevallen batchgrootte 1) uitbalance-
ren. Wij werken daar momenteel nog aan de details.”
Wordt het dan ook mogelijk om te controleren welk com-
ponent in de aandrijving beschadigd is? Wißbrock is daar
duidelijk over: “Elke schade of defect heeft zijn eigen vinger-
afdruk. Er komen bijvoorbeeld verschillende frequenties of
pulsen voor met bepaalde tussenpozen. Zo kan men typische
fouten herkennen en gericht naar de schade zoeken. Defecten
die al bekend zijn en waarvan de vingerafdruk is vastgesteld,
kunnen specifiek worden gezocht. Psycho-akoestische metin-
gen kunnen ook worden gebruikt om te zoeken naar een aty-
pisch geluid (bijvoorbeeld het ratelen van een aandrijving) dat
door mensen als vreemd of irritant wordt ervaren.”
Resultaten van het onderzoek
Er wordt met dit onderzoek aangetoond dat deze manier
van het opsporen van akoestische tandwielfouten kan worden
toegepast in een reëel scenario met industriële ruis. Dit dank-
zij de inzet van een ARAI-systeem. Om vervuiling van ach-
tergrondlawaai tegen te gaan, werden een akoestische array
en een bandpassfilter gebruikt, gevolgd door ruisbestendige
functies. Via gegevensonderzoek en een benchmark werd dui-
delijk aangetoond dat LES en TVPA robuuste benaderingen zijn.
Expertfuncties van LES presteerden beter dan andere definities,
wat voor het eerst werd aangetoond voor akoestische gege-
vens. Als er geen expertkennis van de tandwielkastconstructie
beschikbaar is, kan TVPA worden gebruikt, maar SPA niet.
De combinatie van LES en TVPA leverde de beste prestaties
voor het LPBN-dataset (Lenze Production Background Noise).
Uiteindelijk waren de meest storende geluiden het gebruik
van een hamer, perslucht of ventilatoren. De onderzoekers
gaan in de toekomst de LPBN uitbreiden met een focus op de
grote verscheidenheid aan varianten van op maat gemaakte
motorreductoren. Verder zullen ze de tijd-frequentie repre-
sentatie van TVPA verder onderzoeken als input voor diepe
neurale netwerken. <
www.lenze.com
Elke aandrijving heeft
zijn eigen ‘vingerafdruk’
Lenze zet machine learning en kunstmatige intelligentie in om
de productie en de producten te optimaliseren
30-31-32-33_lenzegeluid.indd 33 27-03-2023 10:13
