Predictive maintenance with machine learning and audio signal processing

Abstract

Im November 2018 schrieb die Firma "Software Engineering Tschürtz" (SET) im Burgenland eine Stelle für eine Kollaboration mit einem/einer Stundenten/Studentin der Technischen Universität Wien aus, zur Forschung und Planung eines Systems zur prädiktiven Instandhaltung ihrer modularen hydraulischen Pressen. Die prädiktive Instandhaltung bezeichnet eine Form der Maschinenwartung, bei der der Zustand einer Maschine durchgehend überwacht oder in regulären Intervallen nachgeprüft wird, um einen optimalen Zeitpunkt für Wartungshandlungen (wie z.B. den Ersatz von Einzelteilen) festzulegen, für die die Maschine abgeschalten werden muss. Sie ziehlt darauf ab, die Lebenszeit der einzelnen Maschinenteile so gut wie möglich zu nutzen und Betriebsstörungen und ungeplante Maschinenstopps zu vermeiden. Diese Arbeit präsentiert eine Übersicht und Zusammenfassung der Wissenszusammentragung für das Konzept eines Systems für prädiktive Instandhaltung der Labor-MPS-Press, einer modularen hydraulischen Presse zur Herstellung von Bremsbelägen. Sie bespricht zuerst die Grundlagen der Maschinenwartung, des Machine Learnings und der Audio-Signal-Verarbeitung. Danach beschreibt sie die Labor-MPS-Press, die Messungen, die an ihr durchgeführt wurden, und deren Ergebnisse. Schließlich diskutiert sie die möglichen Ansätze und Methoden für ein System zur prädiktiven Instandhaltung, das die Verarbeitung von Audiosignalen und Machine Learning kombiniert.

In November 2017, the company Software Engineering Tschürtz (SET) in Burgenland proposed a collaboration with a student from the Technical University of Vienna to research and plan a system for predictive maintenance on their modular hydraulic pressing machines. Predictive Maintenance describes a form of maintenance, in which the condition of a machine is monitored constantly or in regular intervals to predict the optimal times to schedule part replacements or other maintenance work that would require the machine to be stopped. It aims toward an optimum use of a machine part's possible lifespan and an avoidance of breakdowns and unscheduled machine stops. This thesis presents an overview of the research done to conceptualize a predictive maintenance system for the Labor-MPS-Press, a modular hydraulic press for producing brake pads. After an introduction of the fundamentals of machine maintenance, machine learning and audio signal processing, the Labor-MPS-Press will be described, as well as the measurements taken from it. Various approaches and techniques to build a predictive maintenance system that utilizes audible sound recordings and machine learning will be discussed.