Aktuelle Überwachungssysteme für Pressen basieren derzeit meist auf der Grundlage einzelner Kraftsensoren im Stößel oder Pressengestell und werden in der Regel nur zum Schutz vor Überlast mit Hilfe Grenzwerten oder Hüllkurven eingesetzt. Eine umfangreiche Detektion und tiefergehende Diagnose unterschiedlicher Fehler, wie beispielsweise Verscheiß in Lagern, ist somit nicht möglich. Aufgrund der fehlenden Sensorredundanz sind diese Überwachungssysteme weiterhin fehleranfällig bei Ausfällen oder falschen Signalen und können zum ungewollten Stillstand der Presse führen. Servopressen bieten jedoch die Möglichkeit, unterschiedliche Antriebsdaten in der Maschinensteuerung aufzurufen und diese für ein modellbasiertes Überwachungssystem einzusetzen.

Im Rahmen dieser Arbeit sollen die Möglichkeiten der modellbasierten Fehlerdiagnose mithilfe einer Fuzzy-Logik und neuronaler Netze untersucht und gegenübergestellt werden. Dazu wird ein bestehendes Modell des Antriebsstrangs der 3D-Servo-Presse verwendet und durch gezielte Veränderungen der Modellparameter analysiert. Ziel ist es verschiedene Fehler (beispielsweise der Verschleiß von Maschinenelementen) mit Hilfe der beiden Methoden zu charakterisieren und für die zustandsorientierte Wartung nutzen zu können.

Forschungsmethode

Theoretisch, experimentell