Unser Kunde befand sich in der Markteinführung eines neuartigen, tragbaren, elektromechanischen Geräts zur Medikamentenverabreichung. Im Rahmen des Produktionsanlaufs beobachtete unser Kunde in komplett montierten Geräten mehrere, wenn auch sehr seltene Fälle von Motorstartfehlern. Die extreme Seltenheit der Versagenshäufigkeit (<0,1%) deutete darauf hin, dass die Ursache des Problems mit traditionellen Inspektionsmethoden nur schwer fassbar und auffindbar sein würde. Als Ausgangspunkt für unser Projekt diente ein von unserem Kunden zusammengestellter grosser Datensatz von Motordrehmomenten: Durch eingehende Analyse dieser Daten sollten die Versagensursache isoliert und Massnahmen zu deren Behebung identifiziert werden.
Um alle möglichen Versagensursachen zu verstehen, haben wir zuerst ein theoretisches Modell des Miniaturmotors und seiner unterstützenden Subsysteme erstellt. Das Modell bildete die Grundlage für eine stochastische Simulation, die als Analyse- und Vorhersagewerkzeug zur Bestimmung der einflussreichsten Parameter für den beobachteten Fehler verwendet wurde. Ergänzend zu unserem ersten Ansatz verwendeten wir maschinelles Lernen und neuronale Netzwerk-Technologie, um den grossen Datensatz zu analysieren und dieses nichtlineare Problem zu lösen. Die Kombination der Ergebnisse beider Ansätze ermöglichte es uns, Massnahmen zu entwickeln und so unseren Kunden erfolgreich bei der Fehlerbehebung zu unterstützen.
Um alle möglichen Versagensursachen zu verstehen, haben wir zuerst ein theoretisches Modell des Miniaturmotors und seiner unterstützenden Subsysteme erstellt. Das Modell bildete die Grundlage für eine stochastische Simulation, die als Analyse- und Vorhersagewerkzeug zur Bestimmung der einflussreichsten Parameter für den beobachteten Fehler verwendet wurde. Ergänzend zu unserem ersten Ansatz verwendeten wir maschinelles Lernen und neuronale Netzwerk-Technologie, um den grossen Datensatz zu analysieren und dieses nichtlineare Problem zu lösen. Die Kombination der Ergebnisse beider Ansätze ermöglichte es uns, Massnahmen zu entwickeln und so unseren Kunden erfolgreich bei der Fehlerbehebung zu unterstützen.
Dienstleistungen
Branchen
Technologien
Eckdaten
- Theoretisches, allgemeines Modell des Motorrotor-Drehmoments
- Detaillierte 3D-FEA der Magnetfeldstärke im Inneren des Motors
- Stochastisches Modell der Variabilität relevanter Schlüsselparameter des Motormodells
- Monte-Carlo-Simulation zur Vorhersage der Schwankungen des Anfahrdrehmoments
- Entwicklung neuronaler Netze (NN) mittels Bayes'scher Regularisierung
- Training von NN zur Verbesserung der Klassifizierungsgenauigkeit von Motoren für mögliche Fehlfunktionen
Unser Beitrag
- Detaillierte Messungen und Inspektionen der zur Verfügung gestellten Motorproben zur Erstellung eines CAD-Modells
- Erstellung eines umfassenden theoretischen Modells des Motoranlaufzustands und der unterstützenden Systeme
- Identifizierung von Schlüsselparametern für die Motoranlaufleistung
- FEA-Analyse der Motoren-Magnetfelder
- Fehlermöglichkeitsanalyse und Entwicklung von Massnahmen zu deren Behebung
- Entwicklung eines multivariablen Deep-Learning-Netzwerks basierend auf Kundendaten der Motordrehmomente zur Klassifizierung von Motoren
Ergebnis
Durch die Verknüpfung des theoretischen Modells mit einem Deep-Learning-Netzwerk liessen sich Massnahmen zur erfolgreichen Fehlerbehebung erarbeiten.
