2023-01-01  –  2025-12-31

392.680,51 EUR

Universität Stuttgart - Fakultät 6 Luft- und Raumfahrttechnik und Geodäsie - Institut für Flugzeugbau (IFB), Stuttgart, Baden-Württemberg

03EE5143C

Fortgeschrittene Kraftwerkssysteme - Kraftwerke mit Null Emissionen [EA1325]

01251559/1  –  ALARMBOT - Entwicklung eines Digitalen Zwillings und modellbasierter Methoden zur Überwachung und Diagnose von Großmotoren während des Abnahmelaufs

Bundesministerium für Wirtschaft und Klimaschutz (BMWK.IIB5)

Forschungszentrum Jülich GmbH (PT-J.ESE5)

Energie

Ziel des Verbundvorhabens ALARMBOT (Assembly Line Abnormality Recognition Method Based On Twin) ist die Entwicklung eines digitalen Motorzwillings mit lernfähigen Methoden der Künstlichen Intelligenz zur optimierten modellbasierten Überwachung und Diagnose von Großmotoren während des Abnahmelaufs. Damit wird ein kontinuierlicher Vergleich von realen gemessenen Motorsensorwerten und virtuellen simulierten Sensorwerten und damit eine optimale Fehlererkennung auch im transienten Motorbetrieb während des Prüflaufs ermöglicht. Eine dem Prüflauf nachgelagerte Parametrierung und Diagnosefunktion des Twins erlaubt dabei eine Fehlerrückführung auf Komponentenebene. Das Teilvorhaben 'Entwicklung eines Digitalen Zwillings mit lernfähigen Methoden der Künstlichen Intelligenz' der Universität Stuttgart fokussiert dabei auf die datengetriebene Modellierung des funktionalen Zusammenhangs, der in den Meßdaten implizit enthalten ist und versucht, diesen mit lernfähigen Methoden der Künstlichen Intelligenz zu identifizieren. Hierzu ist in einem ersten Schritt eine Relevanzliste der Variablen des impliziten Kausalzusammenhangs der Meßdaten zu bestimmen. Aus dieser Relevanzliste kann mindestens ein Satz dimensionsloser Invarianten abgeleitet werden, der eine Reduktion der Dimensionalität des Lernproblems bei einer gleichzeitigen Verbesserung der physikalischen Interpretierbarkeit des dimensionslosen Parametersatzes des digitalen Motorzwillings erlaubt. Aus dieser Interpretation der Invarianten ist beabsichtigt, eine Entwicklung von Optimierungsheuristiken zur Beschleunigung der automatisierten Kalibrierung unter Nebenbedingungen durchzuführen. Hierbei werden unter anderem DoE (Design of Experiment) Strategien zur Kalibration, sowie Optimierungsalgorithmen zur Rekalibration des digitalen Motorzwillings unter minimalen Parameteränderungen entwickelt. Diese Vorgehensweise wird durch die Entwicklung von Methoden zur Fehlererkennung und Fehlerlokation ergänzt.