Es ist unvermeidbar, dass Produkte durch den normalen Einsatz irgendwann ausfallen. Das betrifft auch DC-Kleinstmotoren, wobei hier das Kommutierungssystem üblicherweise zuerst verschleißt und damit hauptursächlich für einen Ausfall ist.
Deshalb wäre es vorteilhaft, wenn man sich diese unvermeidbare Eigenschaft zu Nutze machen könnte. Die Idee ist es, Signale an den Motoren während der Betriebszeit zu messen, um herauszufinden, wie der Zustand ist und wie er sich verändert hat. Durch diese Erfassung der Zustandsänderung an den Signalen sollte herausgefunden werden, ob ein Motor ausgetauscht werden soll. Idealerweise wäre sogar eine Prognose möglich, die im Vorfeld einen Zeitraum liefert, wann ein Austausch in der Zukunft nötig sein wird.
In dieser Arbeit sollte ein solches System konzipiert werden, wobei hier auf Daten von vielen Dauerläufen zurückgegriffen werden kann. Bei kontrollierten Dauerläufen werden sowohl vorher als auch während dessen Daten aufgezeichnet. Insbesondere können davor mehr Daten erfasst werden, wodurch eine gute Charakterisierung des Anfangszustandes möglich ist. Bei abgeschlossenen Dauerläufen stehen die tatsächliche Lebensdauer, als auch die Eigenschaften und Ausfallursachen zur Verfügung.
Ein Machine Learning System oder sonstiges KI-System, das alle diese Daten über viele Dauerläufe zum Training zur Verfügung hat, sollte hier aufgebaut werden. Es sollte die Frage beantwortet werden, ob damit ein System entwickelt werden kann, das den Zustand der Motoren während der Betriebszeit ermitteln kann. Idealerweise würde das System sogar eine Prognose über die restliche Lebensdauer liefern. Damit wäre eine Basis geschaffen, die eine vorausschauende Wartung (Predictive Maintenance) ermöglichen könnte.
