Online Learning für die präventive Verschleißdetektion/Online Learning for preventive wear detection – Online Retraining of Deep Learning models for unknown wear patterns

Die industrielle Zustandsüberwachung mithilfe von Techniken des Maschinellen Lernens (ML) wird für die Wettbewerbsfähigkeit von Herstellern immer wichtiger [1]. In diesem Beitrag wird eine Methode vorgestellt, ML-Modelle zur präventiven Verschleißerkennung von Kugelgewindetrieben auf Umgebungsveränderungen im Betrieb (online) nachzutrainieren. Damit lässt sich Domänenwissen graduell im Modell implementieren, um die Klassifikationsgüte auch für neuartige Verschleißmuster stabil zu halten.   Industrial condition monitoring using machine learning (ML) techniques is becoming increasingly important for manufacturers‘ competitiveness [1]. This paper presents a method to retrain ML models for preventive wear detection of ball screw drives in Process (online) to environmental changes and thus gradually implement domain knowledge in the model to keep the classification quality stable even for novel wear patterns.

Frühzeitige Detektion von Oberflächenzerrüttungen/Premature detection of surface disruption – Deep Learning-based method for classification of damage on ball screw drives

Die Zustandsüberwachung von Anlagen, Maschinen und deren Bauteilen ist eine zentrale Thematik von Industrie 4.0. Unvorhergesehene Ausfälle von Werkzeugmaschinen sind häufig auf den Verschleiß und das daraus resultierende Versagen von Kugelgewindetrieben zurückzuführen. Aufgabe dieser Arbeit ist die frühzeitige Detektion von Oberflächenschäden auf der Kugelgewindetriebspindel mit einem elektromechanischen Kamerasystem in Kombination mit Deep-Learning-basierten Modellen, um entsprechende Wartungsmaßnahmen abzuleiten.   Condition monitoring of plants, machines and their components is a central topic of Industry 4.0. Unforeseeable failures of machine tools are often caused by wear, resulting in failure of ball screws and subsequent surface disruptions. This article describes how image-based monitoring of ball screws by an electronic camera system in combination with deep learning-based models enable the early detection of surface disruptions and to derive appropriate and preventive maintenance measures.

Detektion des Vorspannungsverlusts in Kugelgewindetrieben/Detection of preload loss in ball screw drives – Optimization of machine tool maintenance with the Guard Plus system

Ziel der Instandhaltung von Werkzeugmaschinen ist die Verfügbarkeitsabsicherung, um hohe Bauteilqualität und Produktivität zu gewährleisten. Die Kenntnis des Vorschubachsenzustandes, im Besonderen des Kugelgewindetriebs, ist daher von enormer Wichtigkeit. Das „Guard-Plus“-System, eine Entwicklung der August Steinmeyer GmbH und der ifm diagnostics GmbH, ermöglicht dies durch Detektion des Vorspannungsverlustes aufgrund von Verschleiß. Untersuchungen zur Systemfunktion wurden in diesem Beitrag durch das wbk Institut für Produktionstechnik durchgeführt.   The aim of machine tool maintenance is to ensure availability in order to guarantee high product quality and productivity. Knowledge of the wear condition of feed axes involved, especially the ball screw, is therefore of enormous importance. The Guard Plus system, a joint development of August Steinmeyer GmbH and ifm diagnostics GmbH, enables this by detecting the preload loss due to wear. Investigation of the system’s function are presented through wbk Institute of Production Science in the following article.

Robust Design of a Test Bench for PHM Study of Ball Screw Drives

Over the last two decades, one of the most prominent research themes in the aerospace community involved the definition of “more electric aircrafts”. For flight control systems the trend is to replace the traditional electro-hydraulic solution with electro-mechanical actuators. However, safety issues severely hinder the diffusion of this technology. A possible breakthrough in this field can be the development of robust PHM techniques to anticipate the occurrence of failures. Ball screws feature one of the highest failure rate within EMAs’ mechanical components. Since their accurate modeling is fairly complex, experimental results are needed to support simulation outcomes to help in the definition of reliable health monitoring schemes. This paper presents the model-based design of a novel test bench intended for PHM analyses of ball screw drives. At first the test bench layout is introduced and compared to the state of the art. A high-fidelity model of the test bench is presented and exploited to perform a Monte Carlo simulation campaign with the goal to characterize its behavior versus measure and process noise in presence of varying size backlash. Finally, a test procedure for backlash identification is defined.