Wie Geschwindigkeitssensoren funktionieren und warum sie für die industrielle Überwachung wichtig sind

Im Gegensatz zu einfachen Tachometern, die die Drehzahl melden, erfassen moderne Geschwindigkeitssensoren kontinuierliche Geschwindigkeitswellenformen und liefern ein reiches Signal, das das dynamische Verhalten von rotierenden und hin- und hergehenden Geräten codiert. Gemeinsame Transduktionsprinzipien umfassen piezoelektrische Beschleunigungsmesser mit integrierten Integratorschaltungen (die Beschleunigung in Geschwindigkeit umwandeln), Laser-Doppler-Vibrometer für berührungslose Messung und magnetostriktive Sensoren für lineare Positions- und Geschwindigkeitsverfolgung in hydraulischen Systemen.

Jeder Sensortyp bietet je nach Anwendungsumgebung deutliche Vorteile. Piezoelektrische Geschwindigkeitssensoren zeichnen sich in Hochtemperatur- und Hochschockumgebungen wie Stahlwalzwerken oder Gasturbinen aus. Laserbasierte Sensoren bieten Mikrometer-Auflösung für Präzisionsspindeln in der Halbleiterfertigung. Magnetische Geschwindigkeitssensoren bieten robuste, kostengünstige Lösungen für Fördersysteme und Pumpenantriebe. Unabhängig von der zugrunde liegenden Technologie geben alle Geschwindigkeitssensoren ein Zeitreihensignal aus, das direkt mit dem mechanischen Zustand korreliert: Änderungen der Amplitude, des Frequenzinhalts oder der Phase deuten auf auftretende Fehler wie Unwucht, Fehlausrichtung, Lagerdegradation oder Zahnbeschädigung hin.

Der entscheidende Vorteil der Geschwindigkeit gegenüber Beschleunigungs- oder Wegmessungen liegt in ihrer direkten Beziehung zu kinetischer Energie und mechanischer Belastung. Internationale Normen wie ISO 10816 legen Schwereschwellen für Maschinenschwingungen in Geschwindigkeitseinheiten (mm/s RMS) fest, wodurch die Geschwindigkeit zur bevorzugten Metrik für die Zustandsbewertung in rotierenden Geräten wird. Werden Geschwindigkeitssignale mit ausreichenden Abtastraten digitalisiert - typischerweise 2 kHz bis 50 kHz je nach Maschinentyp -, erfassen sie sowohl niederfrequente Rotationsharmonische als auch hochfrequente Fehlersignaturen, die einem katastrophalen Ausfall vorausgehen.

Die Evolution der Fehlererkennung: Von regelbasierten Schwellenwerten zu Lernsystemen

Herkömmliche Fehlererkennungssysteme setzten auf feste Alarmschwellen: Überschritt die Geschwindigkeit einen vorgegebenen Wert, wurde ein Alarm ausgelöst. Obwohl einfach zu implementieren, leidet dieser Ansatz unter hohen Fehl-Positiv-Raten und der Unfähigkeit, zwischen gutartigen Betriebsänderungen (Lastschwankungen, Geschwindigkeitsänderungen) und echtem Fehlerverlauf zu unterscheiden. Maschinelles Lernen verändert dieses Paradigma grundlegend, indem es datengesteuerte Modelle ermöglicht, die die normale Betriebsumgebung jeder Maschine lernen und Abweichungen mit statistischer Strenge erkennen.

Die Erfindung betrifft ein Verfahren zur Überwachung von Daten, das die Verteilung von Normalgeschwindigkeitsdaten und Flag-Ausreißern als mögliche Fehler erkennt, die bei seltenen oder kostspieligen markierten Fehlerdaten von entscheidender Bedeutung sind, wobei die Kennzeichnungslast durch die Nutzung großer Mengen von nicht markierten Betriebsdaten weiter reduziert wird.

Die Wahl des Algorithmus hängt von Signaleigenschaften, verfügbaren Rechenressourcen und Fehlertaxonomie ab. Für rotierende Maschinen mit periodischen Geschwindigkeitssignaturen speisen Frequenzdomänenfunktionen, die über schnelle Fourier-Transformationen (FFT) extrahiert werden, klassische Klassifikatoren effektiv. Für nicht stationäre Signale, die für drehzahlvariable Antriebe typisch sind, liefern Zeitfrequenzmethoden wie Wavelet-Paketzerlegung in Kombination mit Deep-Learning-Architekturen eine überlegene Erkennungsgenauigkeit. Eine 2023-Überprüfung in Mechanical Systems and Signal Processing berichtete, dass hybride CNN-LSTM-Modelle Fehlererkennungsraten von mehr als 98% erreichten Benchmark-Geschwindigkeitsdatensätze, die konventionelle Spektralanalyse um 12-15 Prozentpunkte übertreffen.

Hauptvorteile der Integration von Geschwindigkeitssensor und Maschinenlernen

Deutlich reduzierte Falschalarmraten

Maschinenlernmodelle kontextualisieren Geschwindigkeitsmessungen unter Berücksichtigung korrelierter Variablen wie Geschwindigkeit, Last, Temperatur und Prozessparameter. Ein Modell, das auf jahrelangen Betriebsdaten trainiert ist, lernt, dass eine Geschwindigkeitsspitze während eines Kaltstarts normal ist, während die gleiche Spitze bei stationärer Volllast auf beginnende Lagerabplatzungen hinweist. Industrielle Fallstudien dokumentieren Fehlalarmreduzierungen von 70-90% nach Implementierung ML-basierter Fehlererkennung auf Geschwindigkeitssignalen.

Früheres Fehlererkennungsfenster

Geschwindigkeitssensoren erfassen die frühesten mechanischen Signaturen von Degradation - Mikrorisse in Lagerrennen, Lochfraßen an Zähnen, Rotorreibungen - Wochen oder Monate, bevor sie durch Temperaturanstieg, akustisches Rauschen oder Leistungsverlust detektierbar werden. Machine Learning-Algorithmen können diese subtilen Vorstufen durch Analyse von Änderungen der harmonischen Struktur des Geschwindigkeitssignals, Seitenbandmustern oder statistischen Momenten (Kurtosis, Schieflage, Crest-Faktor) identifizieren. Eine Studie von Zentrifugalpumpen, die in veröffentlicht wurde Journal of Quality in Maintenance Engineering zeigte, dass CNN-basierte Analyse von Geschwindigkeitsspektren den Laufradverschleiß 300 Betriebsstunden früher als herkömmliche Trendalarme erkannte und ausreichende Vorlaufzeit für geplante Wartungsarbeiten während geplanter Ausfälle und nicht Notausfälle zur Verfügung stellte.

Kontinuierliche Anpassung an sich ändernde Betriebsbedingungen

Industrielle Maschinen arbeiten selten unter stationären Bedingungen. Geschwindigkeitsschwankungen, Lastschwankungen, Umgebungstemperaturänderungen und Materialeigenschaftenverschiebungen verändern alle die Geschwindigkeitssignatur von gesunden Geräten. Machine-Learning-Modelle können so konstruiert werden, dass sie kontinuierlich online umschulen oder anpassen, langsame Drifte im normalen Betriebsverlauf verfolgen. Autonome Umschulungsschleifen mit Konzeptdrifterkennung und inkrementellen Lernalgorithmen gewährleisten, dass das Fehlererkennungssystem über Jahre hinweg genau bleibt, ohne dass eine manuelle Neukalibrierung erforderlich ist. Diese Anpassungsfähigkeit ist besonders für Anlagen nützlich, die in abgelegenen oder rauen Umgebungen eingesetzt werden, in denen regelmäßige technische Besuche nicht praktikabel sind.

Wurzelursachenklassifizierung statt einfacher Alarmierung

Über die Erkennung eines Fehlers hinaus kann die ML-verstärkte Geschwindigkeitsüberwachung den Fehlertyp, die Schwere und sogar die wahrscheinliche Ursache klassifizieren. Ein gut trainiertes Modell unterscheidet zwischen Lagerfehlern in Innen-Rennen, Fehlern in Außen-Rennen, Rollelementdefekten und Käfigschäden durch Analyse charakteristischer Frequenzverhältnisse und Amplitudenmodulationsmuster im Geschwindigkeitsspektrum. In ähnlicher Weise erzeugen Getriebefehler - Zahnbruch, Wurzelrisse, Abplatzen oder Fehlausrichtung - unterschiedliche Signaturen, die ein Deep Learning-Klassifikator mit hoher Spezifität identifizieren kann. Diese diagnostische Granularität ermöglicht es Wartungsteams, die richtigen Ersatzteile zu bestellen und geeignete Ressourcen vorzubereiten, bevor sie die Ausrüstung öffnen.

Kosteneffizienz durch Präzisionswartung

Der wirtschaftliche Vorteil der Integration von Geschwindigkeitssensoren mit maschinellem Lernen geht weit über die Vermeidung von katastrophalen Ausfällen hinaus. Durch die Reduzierung unnötiger vorbeugender Wartungsarbeiten – das Ersetzen von Lagern oder das Schmieren von Getrieben nach einem festen Zeitplan unabhängig vom tatsächlichen Zustand – können Unternehmen die Lebensdauer der Komponenten um 20 bis 40 % verlängern und den Verbrauch von Ersatzteilen reduzieren. Eine detaillierte Gesamtbetriebskostenanalyse für eine Flotte von 200 Industrieventilatoren zeigte, dass die von ML angetriebene zustandsbasierte Wartung die jährlichen Wartungsausgaben um 34 % im Vergleich zur kalenderbasierten Planung reduzierte und gleichzeitig die Verfügbarkeit der Ausrüstung um 6,2 Prozentpunkte verbesserte. Die Investitionen in die Sensor- und Recheninfrastruktur wurden innerhalb von 14 Monaten wieder hergestellt.

Praktische Anwendungen in branchenweiten Vertikalen

Windenergie: Verlängerung der Turbinenlebensdauer unter harten Bedingungen

Windkraftanlagen sind aufgrund von Turmhöhen und Offshore-Standorten extrem variablen Lasten, Temperaturzyklen und Zugänglichkeitsherausforderungen ausgesetzt. Geschwindigkeitssensoren, die an Hauptlagern, Getriebeeingangswellen und Generatorlagern montiert sind, leiten Daten an ML-Modelle, die Ermüdungsrisse im Frühstadium, Schmierungsdegradation und Anomalien des Bremssystems erkennen. Ein großer europäischer Windparkbetreiber berichtete, dass die Bereitstellung von LSTM-basierter Anomalieerkennung bei Geschwindigkeitssignalen ungeplante Ausfallzeiten um 52% reduziert und die jährliche Energieproduktion um 3,8 GWh pro Turbine durch reduzierte Verkürzung und schnellere Fehlerauflösung erhöht hat.

Fertigung: Präzisionsspindel und Werkzeugzustandsüberwachung

In CNC-Bearbeitungszentren beeinflusst die Spindelgeschwindigkeit direkt Oberflächengüte, Lebensdauer und Teiletoleranzen. Im Spindelgehäuse eingebettete Geschwindigkeitssensoren liefern Echtzeitdaten an Klassifikatoren für maschinelles Lernen, die zwischen normalem Werkzeugverschleiß, Spanen, thermischem Wachstum und Lagervorlastverlust unterscheiden. Wenn ein Fehler erkannt wird, kann das System automatisch Vorschubraten anpassen, einen Werkzeugwechsel auslösen oder das nächste verfügbare Wartungsfenster planen. Automobilhersteller, die diese Technologie verwenden, berichten von Ausschussratenreduzierungen von 18-25% und erweiterten Spindelumbauintervallen von 6.000 bis 10.000 Betriebsstunden.

Luft- und Raumfahrt: Motorgesundheitsüberwachung für die Flugsicherheit

Systeme zur Überwachung des Zustands von Flugzeugtriebwerken beruhen stark auf Geschwindigkeitsmessungen von Wellen- und Lagernäherungssonden. Machine-Learning-Modelle, die auf Flugdaten von Tausenden von Triebwerken trainiert sind, erkennen subtile Verschiebungen der Rotordynamik, die auf Blattreiben, Lagerstress oder Ölfilminstabilität hinweisen. Die Integration von Geschwindigkeitssensoren mit eingebauten ML-Prozessoren ermöglicht eine Echtzeit-Gesundheitsbewertung während des Fluges, die Diagnoseinformationen an Cockpit-Displays und bodengestützte Wartungsplanungssysteme weiterleitet. Dieser Ansatz hat zu einer 40% igen Reduzierung der Abschaltungen während des Fluges in modernen Düsentriebwerksflotten beigetragen.

Öl und Gas: Fernüberwachung von Tauchpumpen

Elektrische Tauchpumpen (ESP) in Ölbohrungen arbeiten in Tiefen von Tausenden von Fuß, was die physische Inspektion unerschwinglich und langsam macht. Geschwindigkeitssensoren, die in den Pumpenmotor und den Dichtungsabschnitt integriert sind, übertragen Daten über Stromleitungsträger oder drahtlose Telemetrie an Oberflächen-ML-Modelle. Diese Modelle erkennen Sandproduktion, Gasstörungen, Motorwicklungsdegradation und fortschreitenden Dichtungsausfall Wochen vor dem Eintreten von Leistungsverlusten. Betreiber, die diese Technologie verwenden, haben die durchschnittliche Zeit zwischen Ausfällen von ESP-Systemen von 450 Tagen auf über 800 Tage verlängert, wodurch die Überholkosten und der Produktionsaufschub erheblich reduziert werden.

Umsetzungsüberlegungen für den industriellen Einsatz

Die Integration von Geschwindigkeitssensoren in maschinelles Lernen erfordert Aufmerksamkeit bei der Sensorauswahl, der Datenerfassungshardware, der Edge- versus Cloud-Computing-Architektur und dem Modelllebenszyklusmanagement. Die Abtastfrequenz muss auf die interessierenden Fehler abgestimmt sein: Low-Speed-Geräte (unter 300 U/min) benötigen Sensoren mit hoher DC-Stabilität und sehr geringen Rauschunterschreitungen, während High-Speed-Spindeln (über 10.000 U/min) Sensoren mit linearem Frequenzgang über 20 kHz erfordern. Anti-Aliasing-Filter, Analog-Digital-Wandler-Auflösung (mindestens 16 Bit, vorzugsweise 24 Bit) und Synchronisation über mehrere Sensorkanäle müssen sorgfältig spezifiziert werden.

Das Design von Datenpipelines ist ebenso kritisch. Rohgeschwindigkeits-Zeitreihen sind Signale mit hoher Bandbreite, die Übertragungsverbindungen überwältigen können, wenn sie kontinuierlich gestreamt werden. Edge Processing - laufende Merkmalsextraktion und anfängliche Klassifizierung auf dem Sensorknoten oder einem nahe gelegenen Gateway - reduziert das Datenvolumen um 500 bis 1.000 Mal unter Beibehaltung der Diagnoseinformationen. Leichtgewichtige ML-Modelle wie TinyML neuronale Netzwerke können auf Mikrocontrollern mit geringer Leistung ausgeführt werden, was eine autonome Fehlererkennung auch in batteriebetriebenen drahtlosen Sensornetzwerken ermöglicht. Cloud-Konnektivität überträgt dann nur aggregierte Gesundheitsindikatoren, Alarme und Modellaktualisierungsdaten.

Die Modellvalidierung und Umschulungsstrategie muss berücksichtigen, dass sich das Maschinenverhalten im Laufe der Zeit aufgrund von Verschleiß, Modifikationen und Prozessänderungen ändert. Ein Modell, das bei der Installation gut funktioniert hat, kann sich nach Monaten des Betriebs auf nützlich verschlechtern, wenn sich die Geschwindigkeitsbasis verschiebt. Die Implementierung automatisierter Umschulungsauslöser basierend auf Vorhersagefehlerüberwachung, Konzeptdrifterkennung oder geplanter Umschulung mit Human-in-the-Loop-Validierung gewährleistet eine nachhaltige Genauigkeit. Die bewährte Praxis der Industrie empfiehlt eine vierteljährliche Modellrekalibrierung für die meisten rotierenden Maschinenanwendungen mit häufigeren Aktualisierungen für Anlagen, die unter sehr variablen Bedingungen arbeiten.

Herausforderungen bei Datenqualität und Kennzeichnung

Die Leistung von überwachten maschinellen Lernmethoden hängt stark von der Qualität und Vollständigkeit der gekennzeichneten Trainingsdaten ab. Der Erwerb gekennzeichneter Fehlerdaten für Industriemaschinen ist notorisch schwierig: Betreiber können es sich nicht leisten, Geräte zum Ausfallen zu bringen, um Daten zu sammeln, und echte Fehlerereignisse sind seltene Ereignisse in gut gewarteten Flotten. Synthetische Fehlerdaten, die durch physikbasierte Simulation, digitale Zwillingsplattformen oder charakteristische Fehlerfrequenzeinkopplung erzeugt werden, können begrenzte reale Datensätze erweitern. Generative gegnerische Netzwerke (GANs), die auf vorhandenen Geschwindigkeitssignalen trainiert sind, haben sich als vielversprechend erwiesen, um realistische synthetische Fehlerbeispiele zu erstellen, die die Leistung nachgeschalteter Klassifikatoren verbessern.

Die Konsistenz der Datenanmerkung stellt eine weitere Herausforderung dar. Vibrationsanalysten können sich in Bezug auf die Klassifizierung des Fehlerschweregrads nicht einig sein, und Etiketten, die unter verschiedenen Betriebsregimen erstellt wurden, können möglicherweise nicht zwischen Maschinen desselben Modells übertragen werden. Standardisierte Annotationsprotokolle, Zuverlässigkeitsprüfungen zwischen den einzelnen Ratern und aktive Lernansätze, die menschliche Experten nach Etiketten für die informativsten nicht markierten Proben abfragen, tragen dazu bei, die Datensatzqualität zu erhalten. Transfer-Lerntechniken - Vorschulung eines Modells für große öffentliche Datensätze (wie die Case Western Reserve University, die Datenrepository trägt) und Feinabstimmung für ortsspezifische Daten - reduzieren den erforderlichen Annotationsaufwand und erzielen eine hervorragende Leistung.

Zukünftige Richtungen: Autonome und selbstheilende Systeme

Die Konvergenz von Geschwindigkeitserfassung, Edge AI und digitaler Zwillingstechnologie ermöglicht eine neue Generation von autonomen Wartungssystemen. Anstatt einfach Fehler zu erkennen, schreiben diese Systeme optimale Aktionen vor: Betriebsgeschwindigkeit reduzieren, Schmierparameter anpassen, Produktionsfluss umleiten oder Reparaturen mit bestimmten Teilen und Arbeitsanforderungen planen. Verstärkungslernagenten, die auf historische Wartungsergebnisse geschult sind, können den Eingriffszeitpunkt optimieren, um Risiko, Kosten und Produktionsauswirkungen in Echtzeit auszugleichen.

Federated Learning stellt eine weitere Grenze für die Integration von Geschwindigkeitssensoren und ML dar. Beim föderierten Lernen werden Modelle kollaborativ über eine Flotte von Assets hinweg trainiert, ohne Rohgeschwindigkeitsdaten an einen zentralen Standort zu übertragen - nur Modellaktualisierungen werden gemeinsam genutzt. Dies bewahrt den Datenschutz, reduziert die Kommunikationsbandbreite und ermöglicht kleinen Standorten mit begrenzten Daten, von den über die gesamte Flotte hinweg gelernten Mustern zu profitieren. Frühe Implementierungen in der Windparküberwachung haben gezeigt, dass föderierte Modelle eine Erkennungsgenauigkeit von nur 2% erreichen zentralisierte Modelle, während die Datenübertragungskosten eliminiert werden.

Selbstheilungssysteme, bei denen das ML-Modell nicht nur einen Fehler erkennt, sondern auch Aktoren zur Kompensation auffordert, treten in hochwertigen Anwendungen auf. Beispielsweise können aktive Magnetlager in Hochgeschwindigkeits-Turbomaschinen ihre Steifigkeit und Dämpfungsparameter als Reaktion auf geschwindigkeitserfasste Rotorvibrationen anpassen und so die sich entwickelnde Instabilität effektiv ausgleichen. Solche geschlossenen ML-gesteuerten Fehlerminderungssysteme stellen die ultimative Erweiterung des Geschwindigkeitssensor-Integrationsparadigmas dar, das von der Erkennung zur Prävention wechselt.

Normen und Interoperabilitätsüberlegungen

Da das Ökosystem von Geschwindigkeitssensor-fähigen ML-Systemen wächst, entwickeln Normungsorganisationen Richtlinien für Datenformat, Modellvalidierung und Leistungsberichterstattung. ISO 13373 bietet einen Rahmen für die Verarbeitung von Vibrationssignalen und die Merkmalsextraktion, während ISO 18436 die Personalzertifizierung für die Vibrationsanalyse abdeckt. Die aufkommende IEEE P2807-Spezifikation für die industrielle KI-Modellbewertung umfasst Anforderungen für die Überprüfung der Genauigkeit der Fehlererkennung, kontradiktorische Robustheitsprüfung und Modellinterpretabilitätsmetriken. Die frühzeitige Annahme dieser Standards erleichtert die Interoperabilität zwischen Ausrüstungslieferanten, reduziert das Integrationsrisiko und unterstützt die Einhaltung von Vorschriften in sicherheitskritischen Branchen wie Luft- und Raumfahrt und Kernenergie.

Aufbau des Business Case für Investitionen

Unternehmen, die den Einsatz von Geschwindigkeitssensor-ML-Fehlererkennungssystemen in Betracht ziehen, sollten einen quantifizierten Business Case entwickeln, der auf der spezifischen Anlagenflotte, der Wartungshistorie und dem betrieblichen Kontext basiert. Zu den wichtigsten Kennzahlen gehören die aktuelle mittlere Zeit zwischen Ausfällen, durchschnittliche Reparaturkosten, Lagerbestände an Ersatzteilen, Produktionsverlust pro Stunde Ausfallzeit und die Häufigkeit von Fehlalarm-bedingten Verzögerungen. Der Vergleich dieser Basiskennzahlen mit den geplanten Verbesserungen - typischerweise 30-60% Reduzierung der Ausfallzeit, 20-40% Reduzierung der Wartungskosten und 70-90% Reduzierung von Fehlalarmen - liefert eine überzeugende Rechtfertigung für die Investitionen in Sensor, Computer und Software. Piloteinsätze auf kritischen oder problematischen Anlagen können die prognostizierten Renditen validieren, bevor sie auf die gesamte Flotte skaliert werden.

Die Technologielandschaft reift schnell, mit mehreren Anbietern, die jetzt integrierte Geschwindigkeitssensor-ML-Plattformen anbieten, die Sensorhardware, Edge Processing Gateways, Cloud Analytics Dashboards und Wartungsworkflow-Integration umfassen. Open-Source-Alternativen auf Basis von TensorFlow Lite, Edge Impulse und dem Python-Ökosystem bieten flexible, kostengünstige Optionen für Unternehmen mit internen Data Science- und Engineering-Fähigkeiten. Unabhängig von der gewählten Plattform bleibt das grundlegende Wertversprechen konsistent: Die Kombination des physikalischen Reichtums von Geschwindigkeitsmessungen mit der Mustererkennungsleistung des maschinellen Lernens liefert Fehlererkennungsleistung, die keiner der beiden Ansätze allein erreichen kann.

Schlussfolgerung

Die Integration von Geschwindigkeitssensoren mit Algorithmen des maschinellen Lernens stellt eine ausgereifte, bewährte Methodik dar, um stufenweise Verbesserungen bei der industriellen Fehlererkennung und vorausschauenden Wartung zu erreichen. Durch die Extraktion diagnostischer Informationen aus Geschwindigkeitssignalen, die für herkömmliche Schwellwertsysteme unsichtbar wären, erkennen ML-Modelle Fehler früher, klassifizieren sie genauer und passen sich ohne manuelle Eingriffe an sich ändernde Betriebsbedingungen an. Die wirtschaftlichen Vorteile - geringere Wartungskosten, reduzierte Ausfallzeiten, verlängerte Lebensdauer der Ausrüstung und optimierter Ersatzteilbestand - sind in allen Branchen, einschließlich Windenergie, Fertigung, Luft- und Raumfahrt sowie Öl und Gas, erheblich und gut dokumentiert.

Da die Sensorkosten weiter sinken, die Edge-Computing-Leistung zunimmt und die Bereitstellung von ML-Modellen rationalisierter wird, wird die Barriere für die Einführung weiter sinken. Unternehmen, die jetzt in den Aufbau der Dateninfrastruktur, Teamfähigkeiten und Bereitstellungsprozesse für die Integration von Geschwindigkeitssensoren investieren, werden einen Wettbewerbsvorteil in Bezug auf Zuverlässigkeit, Betriebseffizienz und Sicherheitsleistung schaffen, der sich im Laufe der Zeit erweitert. Der Weg nach vorne ist klar: Geschwindigkeit messen, intelligent analysieren und proaktiv pflegen.