Grundlegende Bewertung von Machine-Learning-basierten Digital-Twin-Systemen für die prädiktive Instandhaltung von Großmotoren in maritimen Anwendungen

Machine-Learning-basierte Digital Twins bzw. ganze Systeme davon besitzen ein großes Potenzial, das Verhalten komplexer Systeme adäquat zu modellieren und gleichzeitig wertvolles Feedback an die physischen Entitäten zu liefern. Digital Twins von Großmotoren können einerseits eine zuverlässige Abbildung des gesamten Motors oder wichtiger Komponenten ermöglichen. In Kombination mit Sensordaten könnten diese Abbildungen für Zustandsvergleiche und Diagnosen genutzt werden. Andererseits würde direktes Feedback an den Motor oder eine Komponente Kompensationsmaßnahmen erlauben, wie beispielsweise den Wechsel in einen anderen Steuerungsmodus, falls erforderlich, etwa aufgrund von Verschleißphänomenen.

Verschleiß- und Frühverschleißindikatoren von Motorkomponenten können außerdem für präventive, zustandsbasierte Instandhaltungsansätze oder für die prädiktive Instandhaltung genutzt werden. Letztere basiert im Wesentlichen auf Vorhersagen der Restnutzungsdauer einer Motorkomponente auf Basis ihrer Verschleißhistorie. Die Instandhaltung ist jedoch nicht immer sofort durchführbar. Bei Großmotoren, die in maritimen Anwendungen eingesetzt werden, stellen Einschränkungen wie geplante Routen und Hafenzeiten eine Herausforderung für die optimale prädiktive Instandhaltungsplanung dar.

Ziel:

Das Ziel dieser Masterarbeit ist die Entwicklung und Bewertung eines Rahmenwerks, das die Anforderungen für die Umsetzung einer prädiktiven Instandhaltung von Großmotoren in maritimen Anwendungen mithilfe eines Machine-Learning-basierten Digital Twins bestimmt. Dabei soll insbesondere untersucht werden, wie sich Einschränkungen in maritimen Anwendungen, wie geplante Routen und Hafenzeiten, im Rahmen der optimalen prädiktiven Instandhaltungsplanung berücksichtigen lassen. Die Definition der Anwendungsfälle, Rahmenbedingungen und Einflussfaktoren basiert auf einer umfassenden Literaturrecherche sowie dem Input von Experten.

Aufgaben:

Literaturrecherche zu Digital Twins für Anwendungen der prädiktiven Instandhaltung mit besonderem Fokus auf maritimen Verbrennungsmotoren
Definition relevanter Anwendungsfälle und Szenarien
Festlegung und Umsetzung von Ansätzen der prädiktiven Instandhaltung
Datengenerierung (Durchführung/Simulation der definierten Szenarien)
Analyse der Ergebnisse und Bewertung der Übertragbarkeit auf reale Anwendungen
Verfassen der Masterarbeit

Voraussetzungen:

Interesse an Digital Twins, Machine Learning und Optimierung
Programmierkenntnisse in Python oder R
Erfahrung in der Datenanalyse und im Machine Learning
Erfahrung in der Optimierung ist von Vorteil
Studienrichtung: Maschinenbau, Wirtschaftsingenieurwesen-Maschinenbau, Digital Engineering, Data Science, Computer Science, Information and Computer Engineering

Beginn: Nach Vereinbarung

Dauer: ca. 6 Monate

Kontakt:

Dipl.-Ing. Christian Laubichler, +43 (316) 873-30089, christian.laubichler@lec.tugraz.at