PREDICT

Die Luft- und Raumfahrtindustrie steht vor erheblichen Herausforderungen durch traditionelle zeitbasierte oder reaktive Wartungsansätze für Flugzeugtriebwerke, elektrifizierte Antriebe und unbemannte Flugsysteme. Aktuelle Wartungsstrategien führen häufig entweder zu einem vorzeitigen Austausch von Komponenten – was unnötige Kosten verursacht – oder zu unerwarteten Ausfällen, die teure Stillstandszeiten und Sicherheitsrisiken nach sich ziehen. Der derzeitige Stand der Technik ist unzureichend:

• Fehlende Echtzeit-Analysefähigkeit: Herkömmliche Ansätze können die Menge an Betriebsdaten, die heute mit fortschrittlicher Sensortechnologie verfügbar ist, nicht ausreichend nutzen.
• Unzureichende zeitliche Abstimmung von Wartungsmaßnahmen: Ohne genaue Zustandsüberwachung werden Wartungsarbeiten zu früh oder zu spät durchgeführt.
• Fragmentierte Dateninfrastruktur: Betriebsdaten, Simulationsergebnisse und Diagnoseinformationen liegen in Silos vor, was eine ganzheitliche Analyse verhindert.
• Begrenzte Prognosegenauigkeit: Mit den derzeitigen Methoden ist es schwierig, die verbleibende Nutzungsdauer und den Verschleißverlauf in komplexen, interdisziplinären Systemen genau vorherzusagen.

Um diese Herausforderung zu adressieren, arbeitet das Institut für Datenwissenschaften im Projekt PREDICT mit anderen DLR-Instituten zusammen und bringt dabei seine datenwissenschaftliche Expertise ein.

Datenmanagement und -verarbeitung

Das Institut für Datenwissenschaft entwickelt und implementiert Methoden, die die Grundlage für eine effektive Zustandsüberwachung und Prognose im PREDICT-Projekt bildet. Unsere Arbeit im Bereich Datenmanagement und -verarbeitung schafft die Brücke zwischen Rohdatenquellen und verwertbaren Erkenntnissen.

Wir entwickeln eine digitale Dateninfrastruktur, die Betriebsdaten für die Analyse verarbeitet, speichert und aufbereitet, und stellen sicher, dass Daten von Flugzeugtriebwerken, elektrifizierten Antrieben und unbemannten Flugsystemen nahtlos durch die Analysepipelines fließen. Die datenmanagementbasierten Systeme sind speziell für die Verarbeitung der für die vorausschauende Wartung entscheidenden Datentypen ausgelegt: Rasterdaten für räumliche Darstellungen, Zeitreihendaten zur Verfolgung des Verschleißfortschritts über Betriebsperioden und Punktwolkendaten aus entsprechender Sensorik.

Durch die Integration unserer Kompetenzen in die GTlab-Softwarelösung des DLR entsteht eine Plattform, die nicht nur Daten speichert und verarbeitet, sondern auch interdisziplinäre Arbeitsabläufe unterstützt und wiederkehrende Aufgaben automatisiert. Die Plattform gewährleistet die Datenqualität während des gesamten Entwicklungszyklus von Diagnose und Prognose. Diese Infrastruktur entlastet das Forschungsteam von den Herausforderungen der Datenintegration und ermöglicht eine fokussierte Entwicklung fortschrittlicher Analysemethoden.

HPDA-Infrastruktur

Die hohe Komplexität und das große Volumen der Daten, die bei der Zustandsüberwachung von Flugzeugtriebwerken, elektrifizierten Antrieben und unbemannten Flugsystemen anfallen, erfordern erhebliche Rechenressourcen. Unser HPDA-Cluster ermöglicht die Verarbeitung großer Datenmengen, von kontinuierlichen Sensorströmen bis hin zu umfangreichen Simulationsergebnissen. Die verteilten Rechenkapazitäten ermöglichen eine schnelle Iteration von Diagnose- und Prognosealgorithmen und beschleunigen den Entwicklungszyklus von der Konzeptphase bis zur validierten Methode. Dabei unterstützt die Architektur des Clusters sowohl die Batch-Verarbeitung historischer Daten für das Modelltraining als auch die nahezu Echtzeit-Analyse für Anwendungen zur Überwachung des Betriebszustands. Diese Flexibilität ist entscheidend für den Transfer von Methoden, die letztendlich den Übergang von der Forschungsumgebung zum industriellen Einsatz ermöglichen müssen.

Impact

Das PREDICT-Projekt erweitert die wissenschaftlichen Grenzen der zustandsbasierten und vorausschauenden Instandhaltung durch die konsequente Anwendung datenwissenschaftlicher Methoden und deren Integration in eine Anwendungsplattform. Die von uns entwickelten Methoden und Werkzeuge, insbesondere Ansätze zur multidisziplinären Datenintegration und lebenszyklusintegrierten Analyse über den gesamten Datenlebenszyklus, schaffen wiederverwendbare Rahmenbedingungen, die an individuelle spezifische Herausforderungen angepasst werden können. Sie dienen damit als Grundlage für die datengesteuerte Transformation traditioneller Ingenieursdisziplinen hin zu Digital-Twin-Enablement und Predictive Analytics. Die Integration in GTlab ermöglicht dabei eine praktikable Anwendung in der Industrie.

Zur weiteren Information:
https://www.dlr.de/de/at/forschung-und-transfer/projekte/methoden-fuer-eine-praediktive-instandhaltung