Entwicklungen beim Condition Monitoring

Der Peakanalyzer von GfM während der Installation (Foto: GfM)
Der Peakanalyzer von GfM während der Installation (Foto: GfM)
30.04.2015

Als Ergänzung zum Artikel über Condition Monitoring in SONNE WIND & WÄRME 6/2015 lesen Sie hier einen Fachaufsatz der GfM Gesellschaft für Maschinendiagnose mbH, Berlin.

Immer wieder hört man das Argument, Condition Monitoring Systeme (CMS) seien zu teuer, sie würden sich für kleinere Windenergieanlagen nicht lohnen. Und dabei kostet so ein System heute kaum mehr als ein Handyvertrag, nämlich nicht ganz 200 € im Monat für Hardware, Installation, Überwachung, allerdings ohne Kommunikationskosten. Aber natürlich muss jeder Anlagenbetreiber selbst entscheiden, ob er ein CMS durch vermiedene ungeplante Stillstände refinanzieren kann.

Doch was ist eigentlich Condition Monitoring? Grob geht es darum, Unregelmäßigkeiten an Maschinen so frühzeitig zu erkennen, dass Ersatzteilbeschaffung und Instandsetzung erfolgen können, bevor die Maschine tatsächlich ausfällt. Die Produktionsausfallkosten reduzieren sich dann auf die reine Dauer der Instandsetzung. Während der Beschaffung von Ersatzteilen und Instandsetzungspersonal kann die Maschine noch laufen.

Die Methoden zur Erkennung von Unregelmäßigkeiten können vielfältig sein. Für den Triebstrang mit rotierenden Massen, Wälzlagern und Zahnrädern hat sich die Schwingungsdiagnose als Werkzeug etabliert. Mit ihr ist man in der Lage, die relevanten Hinweise auf Unregelmäßigkeiten sehr gut zu beschreiben.

Natürlich gab es schon immer Menschen, die Unregelmäßigkeiten an Maschinen hören oder fühlen und entstehende Schäden mit erstaunlicher Präzision vorhersagen können. Doch dies setzt voraus, dass man sich in entscheidenden Betriebssituationen auf der Anlage befindet. Für Windenergieanlagen ist das eher nicht praktikabel.

Die Anfänge der Zustandsüberwachung

Spätestens seit den sechziger Jahren gibt es die schwingungsbasierte Zustandsüberwachung für mechanische Antriebe mit Hilfe von Messgeräten. Anfangs wurden lediglich Kennwerte überwacht. Dabei ging man davon aus, dass Kennwerte repräsentativ seien für den Laufzustand eines Antriebs bzw. für auftretende Schäden. Oft wurde das bloße Ansteigen eines Kennwerts im Zuge einer Trendüberwachung als Indikator für das Auftreten einer Anomalie genutzt.

In den siebziger und achtziger Jahren wurden Anstrengungen unternommen, die Maschinendiagnose zu einem praxistauglichen Produkt zu entwickeln und industriell breit einzusetzen. Dazu wurden die gemessenen Signale auch auf ihre enthaltenen Frequenzen untersucht. Die Übereinstimmung der Frequenz einer gemessenen Schwingung mit einer leicht auszurechnenden Schadensfrequenz lieferte eine detaillierte Aussage über eine entstehende Unregelmäßigkeit. Die Systeme dieser Zeit waren aus heutiger Sicht geprägt durch mangelhafte Datenqualität und unzureichende Auflösung bei der Visualisierung. Dies war dem damaligen Stand der Rechentechnik geschuldet und natürlich seinerzeit nicht anders möglich.

In den neunziger Jahren erlebten wir eine rasante Entwicklung auf dem Gebiet der Rechentechnik. Dies eröffnete auch der Maschinendiagnose vollkommen neue Möglichkeiten. Nun war es möglich, lange Zeitdatensätze mit hoher Auflösung aufzuzeichnen und zu verarbeiten. Die Maschinendiagnose wurde dadurch empfindlicher, präziser und führte zu einer höheren Diagnosezuverlässigkeit.

Ebenfalls in den 90er-Jahren gab es erste erfolgreiche praktische Ansätze auf dem Gebiet der Ferndiagnose. Digitale Telefonie und Datennetze eröffneten vollkommen neue Möglichkeiten – eine Entwicklung, die auch heute noch nicht abgeschlossen zu sein scheint.

Stellen wir uns vor, die Laufbahn eines Wälzlageraußenrings enthält einen Fehler, z. B. einen Pittingschaden. Alle Wälzkörper passieren die Schadstelle und überrollen sie. Und weil die Schadstelle ganz sicher irgendwo eine Kante hat, erzeugt jeder einzelne Wälzkörper, der vorbeikommt, einen Stoß, wie wenn jemand mit einem Hammer auf den Wälzlageraußenring schlagen würde. Mit welcher Frequenz, also wie oft pro Sekunde die Stöße erzeugt werden, kann man sich anhand der Wälzlagergeometrie einfach ausrechnen bzw. diese Werte bei den Wälzlagerherstellern abfragen.

Jeder Stoß bringt nun mehr oder weniger die ganze umgebende Maschinenstruktur zum Schwingen. Diese Schwingungen werden im Material gut weitergeleitet und sind auch in einiger Entfernung zuverlässig messbar. Wir sind heute in der Lage, Schwingungen sehr feingliedrig zu analysieren. So ist das Hüllkurvenspektrum ein Werkzeug, das uns die im Signal enthaltenen Stoßfolgen und deren Frequenzen zuverlässig anzeigt. Der Vergleich der gemessenen mit den berechneten Schadensfrequenzen verrät dann, welches Bauteil in welchem Wälzlager geschädigt ist.

Auffälligkeiten detektieren

An Industriegetrieben gehört die Zahneingriffsschwingung zu den als normal akzeptierten Erscheinungen. Ist jedoch ein Zahn geschädigt, so verändert sich das Schwingungsbild. Die Zahneingriffsschwingung wird mit der Drehschwingung des geschädigten Zahnrads amplitudenmoduliert. Im Spektrum des Signals entstehen Seitenbänder. Und anhand der Frequenz lässt sich genau identifizieren, welches Zahnrad betroffen ist.

Alle mechanischen Erreger in Antrieben, egal ob diese auf den normalen Betrieb ober auf Unregelmäßigkeiten zurückzuführen sind, haben eine bestimmte Frequenz, die in der Regel berechenbar und somit bekannt ist. Dass zwei verschiedene Phänomene dieselbe Frequenz besitzen und damit nicht unterschieden werden können, kommt zwar vor, ist aber eher selten der Fall. Und selbst dann kann man oft noch durch den Vergleich der Schwingungsamplituden an verschiedenen Messorten eine grobe Eingrenzung vornehmen.

 

Spektrum eines erkannten Verzahnungsschadens

 

Außerdem wissen wir, dass wir nach sinusförmigen Schwingungen im Spektrum und nach stoßimpulsförmigen im Hüllkurvenspektrum suchen müssen. Folglich sucht man Unwucht, Ausrichtfehler und Unregelmäßigkeiten an Verzahnungen im Spektrum, beginnende Wälzlagerschäden, Lagersitzprobleme und Wellenschäden dagegen im Hüllkurvenspektrum. Das gilt zumindest für Antriebe, die wenigstens in der reinen Messzeit drehzahlkonstant betrieben werden können.

Für drehzahlvariable oder drehzahlwellige Antriebe – das dürfte heutzutage die überwiegende Mehrzahl sein – ist alternativ die Ordnungsanalyse das Mittel der Wahl. Dabei wird ein zeitsynchron gemessenes Schwingungssignal mit Hilfe eines ebenfalls zeitsynchron gemessenen Drehzahlsignals auf den überstrichenen Drehwinkel interpoliert. Das Ergebnis sind ein Ordnungsspektrum und ein Hüllkurvenordnungsspektrum, auf deren Abszisse die Ordnung, also die Vielfachen einer zuvor festgelegten Referenzwellendrehzahl, aufgetragen ist.

Doch viel komplexer als die Bildung von Spektren für die Maschinendiagnostik ist deren Bewertung. Bei Temperaturen, Drücken, Kräften oder Drehmomenten ist es üblich, Grenzwerte zu definieren, die sich aus Materialeigenschaften oder geometrischen Parametern berechnen lassen und leicht nachprüfbar sind. Im Rahmen der Maschinendiagnose Grenzwerte für Schwingungsamplituden festzulegen, ist viel komplizierter oder gar unmöglich. Es ist absolut illusorisch, einen allgemeingültigen Zusammenhang zwischen der Höhe eines Peaks im Spektrum oder Hüllkurvenspektrum zu einer mechanisch bestimmbaren Schadensgröße herzustellen. So etwas gelingt nur in Einzelfällen an Antrieben, für die es belastbare Erfahrungswerte gibt.

Also wird seit nunmehr mehreren Jahrzehnten nach Lösungen gesucht, die eine Automatisierung der Maschinendiagnose ohne fest definierbare Grenzwerte ermöglichen. Als die Künstliche Intelligenz in den achtziger Jahren in den Medien als Schlüsseltechnologie gefeiert wurde, gab es auch für die Maschinendiagnose die Erwartung einer nahen allgemeingültigen Lösung, die allerdings nicht erfüllt wurde.

Für die frequenzselektive Maschinendiagnostik sind heute verschiedene Ansätze zur Automatisierung üblich. Sehr verbreitet ist die Überwachung von Spektren auf Amplitudengrenzwerte, welche zuvor definiert wurde. Diese Grenzwertdefinition kann manuell durch entsprechende Experten oder durch Lernalgorithmen auf der Basis von Referenzdaten erfolgen. Weiterhin können Grenzwerte mit gemessenen Prozessdaten wie Drehzahl oder Leistung verknüpft und damit diesen Parametern im Sinne einer besseren Diagnosezuverlässigkeit nachgeführt werden.

Vollautomatische Analyse

Die GfM Gesellschaft für Maschinendiagnose mbH hat mit einem anderen Ansatz sehr gute Erfahrungen. Alle gebildeten Spektren – soweit möglich werden vorzugsweise Ordnungsspektren genutzt – werden einer modifizierten Signifikanzanalyse unterzogen, bei der auffällige Spektrallinien vollautomatisch extrahiert werden. Anschließend wird für diese auffälligen Spektrallinien lediglich überprüft, ob deren Frequenzen mit kinematischen Schadensmustern übereinstimmen. Dieses Verfahren ist von Hause aus weitgehend unabhängig von der Belastung des Antriebs, funktioniert also unter Volllast ebenso wie im Teillastbetrieb. Die Ergebnisse sind so zuverlässig, dass auf manuelle Analysen zunächst verzichtet werden kann. Lediglich für die finale Instandhaltungsentscheidung – Weiterbetrieb oder Reparatur – wird eine Gegenprüfung durch einen Diagnostiker empfohlen. Diese Form der sehr weitreichenden Automatisierung führt zu einem minimalen Betreuungsaufwand der Systeme.

 

Wasserfalldiagramm bei einem Verzahnungsschaden

 

Auch wenn die frequenzselektive Maschinendiagnose wesentlich mehr und genauere Informationen zu Unregelmäßigkeiten liefert, wird die Kennwertüberwachung in vielen Diagnosesystemen weiterhin genutzt. Warum ist das so?

Menschen lieben technische Systeme, die ihnen Entscheidungen abnehmen. Man braucht über bestimmte Dinge nicht zu entscheiden, also auch nicht nachzudenken und gewinnt freie Kapazitäten für andere Dinge, mit denen wir unser Gehirn so jeden Tag belasten. Obendrein befreien uns diese Systeme scheinbar von der Verantwortung eigener Entscheidungen. Es erscheint uns nämlich viel einfacher, vor anderen die vermeintlich unumstößliche Entscheidung eines technischen Systems zu verantworten als eine eigene, selbst wenn letztere gerade im Bereich der Zustandsüberwachung eigentlich wesentlich kompetenter sein sollte.

Darüber hinaus ist die Bildung von Kennwerten weniger aufwändig als die Bildung und Bewertung von Spektren. Kennwerte stehen also schneller zur Verfügung. Damit können sie effizient zur Steuerung von Maschinen, zumindest für die Notabschaltung bei Erreichen eines anomalen Zustands, eingesetzt werden.

Da Kennwerte jedoch nicht für die differenzierte Analyse von Antrieben geeignet sind, also unter Umständen Einflüsse aus Schäden nicht unterscheidbar sind von Einflüssen aus dem Produktionsprozess oder sich ändernden Umgebungsbedingungen, sind Fehldiagnosen und somit auch Fehlabschaltungen vorprogrammiert. Inwieweit dies vertretbar oder gewollt ist, ist sicher abhängig von der Art der Überwachten Maschine und ihrem Fehlerfolgenpotential.

Die wissenschaftlichen Grundlagen der Zustandsüberwachung an mechanischen Antrieben sind weitgehend bekannt. Signalanalytische Parameter wie Messzeit, Zeitauflösung, Amplitudenauflösung und daraus resultierend die Qualität von Spektren sind heutzutage unproblematisch. Unterschiede gibt es bei den Herstellern hinsichtlich der Umsetzung der heute unverzichtbaren Ordnungsanalyse. Und die Ansätze zur Automatisierung der Zustandsüberwachung sind verschieden, was sich unmittelbar auf den erforderlichen Betreuungsaufwand der Systeme auswirkt.

Damit CMS flächendeckend eingesetzt werden können, muss der erforderliche Zeitaufwand für die Betreuung jedes einzelnen Systems gering sein – sonst lohnt sich der Einsatz der Systeme nicht. Es ist wohl kaum vorstellbar, dass ein Betriebsführungsunternehmen einen Stab von speziell ausgebildeten Maschinendiagnostikern unterhält. Also muss die Maschinendiagnose so weit wie möglich automatisiert sein. Die bereits oben genannte Anwendung der Signifikanzanalyse zeigt, dass dies funktioniert. Die aus dem System kommenden Diagnosemeldungen sind zuverlässig, müssen nicht händisch aufbereitet werden und können so direkt am Leitstand angezeigt werden.

Online-Condition-Monitoring aus dem Hause GfM

Die GfM bietet mit dem Peakanalyzer ein zuverlässiges Condition Monitoring System an, dass minimalen Betreuungsaufwand erfordert. Schon die Installation durch zwei Fachleute ist in der Regel nach vier Stunden erledigt. Die Eingabe der kinematischen Daten wird durch einen Assistenten unterstützt, sodass kein umständliches Berechnen von Schadensfrequenzen erforderlich ist. Und dank der bewährten Analyseverfahren ist der Peakanalyzer ohne Lernphase sofort betriebsbereit.

Für die Erkennung von auffälligen Peaks in Ordnungsspektren und Hüllkurvenordnungsspektren nutzt der Peakanalyzer die DVS-Analyse. Für diese auffälligen Peaks wird anschließend geprüft, ob sie typischen Schadensmustern entsprechen. Sollte diese Prüfung positiv und wiederholbar sein, wird ein Alarm generiert. Bis dahin jedoch bekommt die Überwachungsstelle überhaupt nichts von der Arbeit des Peakanalyzers mit. Im Falle einer ersten Alarmierung wird die Überwachungsstelle den Alarm in aller Regel lediglich quittieren und damit die Alarmschwelle automatisch erhöhen. Erst wenn ein neuer Alarm auf Basis er höheren Alarmschwelle auftritt, beschäftigt man sich eingehender mit der Ursache. Dies kann durch manuelle Analyse des Schadensverlaufs im Trend oder auch eine Sichtkontrolle vor Ort geschehen.

Diese sehr hohe Automatisierungstiefe ist die Voraussetzung dafür, dass der Aufwand für den Überwachungsservice trotz hoher Diagnosezuverlässigkeit begrenzt ist und dieser daher sehr preiswert angeboten werden kann.

Handhabung ist heute einfach

Doch auch die Installation von CMS ist heute einfach und durch „normales“ Instandhaltungspersonal ohne besondere Qualifikation möglich. Schwingungssensoren werden am Maschinengehäuse falls möglich mittels Sackloch und Schraubverbindung oder sonst per Klebeverbindung befestigt. Das Verdrahten ist reine Elektrikerarbeit. Für die Konfigurierung eines CMS sind assistierende Eingabemasken üblich. So können die kinematischen Zusammenhänge komplexer Antriebe leicht im CMS abgebildet werden – eine Grundvoraussetzung, damit das CMS weiß, wonach es suchen muss. Diese Eingaben können mit Grundkenntnissen der Antriebstechnik gemacht werden. Spezielle Diagnosekenntnisse sind nicht erforderlich.

Allein für die Instandhaltungsentscheidung, also wenn ein Antriebselement im CMS eindeutig und wiederholt als auffällig deklariert wird und nun entschieden werden muss, ob und wann eine Instandsetzung durchzuführen ist, wird man einen Diagnostiker zu Rate ziehen. Doch dazu muss man kein eigenes Diagnosepersonal vorhalten. Diese Beurteilung kann durch Experten – im einfachsten Fall durch Servicemitarbeiter des Lieferanten des CMS – erfolgen.

Nutzt man alle Möglichkeiten, die modernes Condition Monitoring heute bietet, wird man schnell erkennen, dass sich die Kosten dafür allein aus vermiedenen Stillstandskosten und Folgeschäden rechtfertigen lassen. So bietet Condition Monitoring neben technischer Sicherheit vor allem auch Schutz vor unerwarteten finanziellen Risiken.

Dr. Rainer Wirth

Dr. Rainer Wirth wurde an der TH Zittau zum Thema „Einflüsse auf die Zuverlässigkeit von Schwingungsdiagnoseverfahren an Wälzlagern“ promoviert. Von 1995 bis 1999 führte Dr. Wirth die Maschinendiagnose als Produkt bei der Flender ESAT GmbH ein. Seit 1999 ist er Geschäftsführer der GfM Gesellschaft für Maschinendiagnose mbH in Berlin.

Die GfM Gesellschaft für Maschinendiagnose mbH ist Spezialist für die Diagnose von wälzgelagerten Industriegetrieben. Neben der Schwingungsdiagnose und bei Bedarf der Drehmomentanalyse als Dienstleistung werden Messgeräte für die Online- und Offline-Diagnose entwickelt und vertrieben. Darüber hinaus bietet die GfM Seminare zur Thematik an.