Konzeption, Implementierung und Evaluation von Machine Learning Verfahren für die Vorhersage von Schmelzsicherungsausfällen

Das Projekt KI-SIS zielt darauf ab, herkömmliche Schmelzsicherungen durch die Integration von KI-basierter Überwachung in intelligente Sicherungslasttrennschalter aufzuwerten. An einer im Projekt zu entwickelnden Testanlage werden relevante Prozessparameter (z. B. Strom, Temperatur, Vibrationen) erfasst, um Schmelzsicherungsausfälle frühzeitig vorherzusagen und so die Anlagenverfügbarkeit zu erhöhen sowie Wartungsintervalle zu optimieren. Der datengetriebene Ansatz kombiniert bewährte, kosteneffiziente Schmelzsicherungen mit modernen Machine-Learning-Verfahren und strebt eine Vorhersagegüte von mindestens 70% an sowie eine Klassifizierung von Ausfallfehlern in systematische und Lebensdauerfehler. Das System ist modular aufgebaut und soll zunächst mit Lasttrennschaltern integriert werden, mit zukünftigem Ausbau auf angrenzende Komponenten. Die Hochschule Coburg fokussiert sich im Teilprojekt auf die Konzeption, Implementierung und Evaluation von für die Vorhersage der Schmelzsicherungsausfälle geeigneten Machine Learning Verfahren.