Die Automobil- und Nutzfahrzeugindustrie steht durch den steigenden Komplexitätsgrad der Fahrzeuge in Bezug auf deren Zuverlässigkeit und Sicherheit vor immer neuen Herausforderungen. Während die - oftmals erfahrungsbasierte - Erhöhung der Zuverlässigkeit durch konstruktive Verbesserung von Komponenten und deren separaten Überprüfung in nicht-ergebnisoffenen Prüfstandsversuchen angestrebt wird, bieten auf Lastkollektiven basierte Systeme mit statistischer Absicherung eine ganzheitliche Überwachung ausfallkritischer Bauteile im Gesamtfahrzeug. Als lerndatengestützter Ansatz findet dabei eine Sammelfunktion ausgesuchter Lastkollektive Verwendung, die verfügbare Zustandsgrößen von Sensorik und Aktorik auswertet. Dadurch wird eine konsequente Vernetzung von Systemwissen über das Betriebsverhalten von Aggregaten bzw. Komponenten und statistisch abgesicherter Lerndatenmenge mit Informationen über deren zugrunde liegende Belastungs- und Einsatzklassierung möglich. Eine kombinierte Auswertung lässt im Ergebnis dann auf den jeweiligen Abnutzungs- bzw. Verschleißgrad der beobachteten Bauteile schließen. Dabei ist der Ansatz nicht auf die reine Trendwertkontrolle und Plausibilitätsüberwachung beschränkt, sondern kann sowohl auf den grundlegenden physikalischen Zusammenhängen als auch auf numerischen und modellbasierten Ansätzen aufbauen. Ursache und Wirkung von Verschleiß, Alterung sowie Bauteilermüdung kann aus den Eingangsgrößen komponentenspezifisch dargestellt werden. Das Verfahren bietet eine Vielzahl von Applikationsmöglichkeiten in Nutzfahrzeugen und ist in die bestehenden und zukünftigen E/E-Plattformen integrierbar. Eine signifikante Erhöhung der Zuverlässigkeit und Sicherheit von Nutzfahrzeugen sowie eine Reduktion ungeplanter Standzeiten sind Zielsetzungen des methodischen Ansatzes.

    The automotive industry is facing new challenges when it comes to integrating of complex components and assemblies and meeting reliability and safety standards. In most product design, the increased demand on reliability and quality is usually met by the designers' expertise and experience. Before final release and approval, intensive and individual testing gives proof to worst case specifications. Alternatively, adapted vehicle on-board failure warning systems in form of load collectives show a high potential to improve the current engineering methods. Load collectives under statistical evaluation provide the possibility to monitor failure critical parts and components in correlation with their operating performance. Reduced in matrices, detailed information about understanding of inbuilt operational functionality is cross-linked to an individual degree of utilization and type of use. As a result, the analysis from the combination of interpretation schemes determines the individual rate of wear. The approach is not limited to only trend value monitoring and plausibility check as in regular diagnosis. It also includes model based and numerical methods. Cause and effect of wear, aging and fatigue can be derived component specifically from a set of input parameter. The concept offers multiple applications and implementation options in common and future E/E platforms.


    Zugriff

    Zugriff über TIB

    Verfügbarkeit in meiner Bibliothek prüfen

    Bestellung bei Subito €


    Exportieren, teilen und zitieren



    Titel :

    Schadensfrüherkennung ausfallkritischer Komponenten an Nutzfahrzeugen auf Basis von statistisch abgesicherten Lastkollektiven


    Weitere Titelangaben:

    Early failure detection methods of truck components with high risk of malfunction based on load matrices under statistical evaluation


    Beteiligte:
    Griesing, A. (Autor:in) / Oeffinger, B. (Autor:in) / Kokes, M. (Autor:in)


    Erscheinungsdatum :

    2007


    Format / Umfang :

    13 Seiten, 6 Bilder, 4 Quellen




    Medientyp :

    Aufsatz (Konferenz)


    Format :

    Print


    Sprache :

    Deutsch