Computer gestützte Erkennung von Eigenschwingungsfrequenzen eines Zahnriementriebes mittels Neuronaler Netze

Aufwand etwa 30CP

In Rahmen von Förderprojekten zusammen mit Industriepartnern spielt das Überwachen von mechanisch belasteten Bauteilen eine immer größere Rolle. Innerhalb eines aktuellen Projektes zusammen mit dem Fachgebiet pmd wird daher Sensorik in einen Zahnriemen eingebracht, um dessen Restlebensdauer abschätzen zu können. Beim Installieren eines Zahnriemens wird dieser unter Vorspannung eingebaut, um einen einwandfreien Betrieb zu gewährleistet. Im Laufe der Zeit dehnt sich der Zahnriemen verschleißbedingt, wodurch diese Vorspannung langsam abnimmt. Daher soll die Vorspannkraft des Zahnriemens während seines Betriebs überwacht werden. Hierzu wurde eine Sensorik in den Zahnriemen integriert, mit der es möglich ist, die Beschleunigung innerhalb eines Zahnes zu messen. Der Zahnriemen wird durch das Auﬂaufen der Zähne auf die Zahnscheiben ununterbrochen zum Schwingen angeregt. Hierdurch beginnt er besonders mit seiner Eigenfrequenz zu schwingen. Ähnlich wie bei einer Gitarre wird diese Eigenfrequenz durch die frei schwingende Länge und die Vorspannkraft bestimmt. Da sich die Länge des frei schwingenden Zahnriemens nicht ändert ist die Bestimmung der Eigenfrequenz eine Möglichkeit die Vorspannkraft zu berechnen. Abbildung 1 zeigt die durch eine FFT bestimmten Frequenzen (x-Achse) über die Zeit (y-Achse). Zu erkennen sind die Eigenfrequenzen und ihre Vielfachen (rot eingerahmt), die über die gesamte Zeit nahezu konstant bleiben. Außerdem ist die Zahneingriffsfrequenz deutlich erkennbar. Diese steigt über die Zeit an, da während des Versuches die Drehzahl des Zahnriemens per Hand erhöht wurde. Ziel dieser Arbeit ist es aus den aufgenommenen Daten die Eigenfrequenzen der frei schwingenden Abschnitte des Zahnriemens zu bestimmen. Hierzu soll eine Topologie für ein neuronales Netz ausgewählt und anschließend mit Messdaten trainiert und validiert werden. Wünschenswert ist eine Topologie zu wählen die, wenn Sie fertig trainiert ist, auch auf einem Ressourcen schwachen System betrieben werden kann.

Aufgaben:

Recherche und Auswahl einer passenden Topologie für das neuronale Netz
Erarbeitung einer automatisierten Vorverarbeitung der Messdaten
Training des neuronalen Netzes
Validierung des Netzes
Untersuchung bezüglich der Reduzierung des Ressourcenverbrauches