Verbesserte Wälzlagerüberwachung durch Kombination von Vibrations- und AE-Sensorik sowie multivariater, ML-gestützter Datenanalyse

Wachsende Ansprüche an Verfügbarkeit und Effizienz von Produktionsanlagen führen zu einem größeren Bedarf, laufend Informationen über deren Zustand zu erhalten. Diese werden durch Condition Monitoring Systeme (CMS) gewonnen. Die sensorbasierte Überwachung des aktuellen Zustands ermöglicht die frühzeitige Detektion eintretender Schäden und Verschleißzustände, was zur Optimierung von Wartungsprogrammen genutzt wird. Insbesondere bei industriellen Anwendungen ist die Bandbreite der Einsatzfälle und Betriebsumgebungen der zu überwachenden Komponenten allerdings sehr groß. Ein anschauliches Beispiel sind die weit verbreiteten Wälzlager in der Antriebstechnik. Kleinste Ausführungen finden sich in der Medizintechnik, während in Windenergieanlagen und Kränen Durchmesser von mehreren Metern erreicht werden. Ebenso variieren die aufzunehmenden Lasten, Drehzahlen und Betriebsdauern sehr stark. Es werden daher deutliche Anpassungen der CMS für jeden Einzelfall notwendig. Dies betrifft zunächst die Instrumentierung mit verschiedenartiger Sensorik für Vibration, Ultraschall, Temperaturen oder Messung der Verunreinigungen in Schmiermitteln. Es zeigt sich, dass hier jeweils unterschiedliche Messgrößen zur Erzeugung aussagekräftiger Daten zu Schadensmerkmalen geeignet sind. Daraus resultieren Anpassungsarbeiten an den verwendeten Algorithmen zur Signalanalyse, Merkmalsextraktion und Klassifikation. Besonderes Potential liegt in der permanenten Instrumentierung mit heterogenen, miteinander vernetzten Sensoren im Sinne des IoT (Internet of Things) in Verbindung mit einer multivariaten Datenanalyse. Aufbauend auf einer eigens entwickelten skalierbaren Sensorplattform zur Anbindung unterschiedlicher Sensoren und ihrer Datenströme konnte durch die Kombination von Vibrations- und Acoustic Emission-Sensoren sowie Machine Learning-Algorithmen ein flexibles System zur Gleitlagerüberwachung geschaffen werden. Hauptnutzen für Anwender und Vorteile: - Erhöhung der Genauigkeit der Datenanalyse durch Aggregation heterogener Messdaten - Erhöhte Robustheit des Systems z.B. gegen variierende Einbaubedingungen des Lagers - Schnelle Anpassung und Konfiguration des Systems an unterschiedliche Anwendungen - IoT-basiertes Systemkonzept ermöglicht die Integration in vorhandene IT-Infrastrukturen