Beispiel für vier verschiedene Cluster (Punktwolken) in einem dreidimensionalen Merkmalsraum. Die drei verwendeten Merkmale wurden automatisch ermittelt.

© Fraunhofer IIS/EAS

Der daraus entstehende Datenpool wird zusammen mit den bekannten Prozessdaten ausgewertet.

Zur Unterscheidung der auftretenden Betriebssituationen werden die Fingerprints einem generischen Algorithmus zugeführt, der eine Vielzahl von statistischen Kenngrößen errechnet. Aus diesen Kenngrößen erfolgt über eine zielgerichtete Auswahl die automatische Ermittlung der letztlich relevanten Unterscheidungsmerkmale.

Wenn jeder Datensatz – bestehend aus Messung und Prozessdaten – als Punkt in einem mathematischen Raum interpretiert wird, bilden sich idealerweise unterschiedliche Punktwolken (Cluster) in diesem Raum. Diese Cluster entsprechen zunächst verschiedenen Betriebszuständen. Mit den ersten Veränderungen durch Verschleiß an der Maschine entstehen „Ausbuchtungen“ in den Clustern, die sich bei verstärkten Verschleiß-Erscheinungen idealerweise zu neuen Clustern ausbilden. Diese sind im Fingerprint erkennbar und entsprechend kann die diagnostizierte Veränderung gemeldet werden.

Für die generische Merkmals-Bildung werden sowohl Messwerte als auch Prozessdaten verwendet. Die automatische Merkmals-Reduktion erfolgt mit dem Ziel einer möglichst guten Trennung dieser Zustände voneinander.

© Fraunhofer IIS/EAS

Wenn der Bediener dann ein neues Cluster einem bestimmten Betriebs- oder Verschleißzustand zuordnen kann, wird dieses in die Reihe der bekannten Punktwolken aufgenommen. Damit erweitert sich die Datenbasis schrittweise um die Cluster verschiedener Verschleißzustände.

Nach einer solchen Erweiterung überprüft das System die bisherigen Klassifikationsmerkmale. Geben sie die aktuelle Situation nicht mehr ausreichend wider, werden die Unterscheidungsmerkmale der Daten-Fingerprints erneut berechnet und ein neuer Satz ausgewählter Merkmale entsteht. Dieser eignet sich wiederum optimal zur Unterscheidung der bekannten Cluster.

Der Bediener wird lediglich gelegentlich zur Eingabe eines Bezeichners aufgefordert, der die aktuell auftretende, dem CMS bisher unbekannte Situation – sei es der Betriebsmodus oder eine Verschleißsituation – beschreibt. „Mit der Zeit werden diese Rückfragen weniger, so dass das CMS schließlich vollständig selbstständig seine Arbeit verrichtet“, fasst Enge-Rosenblatt zusammen.

Beispiel Elektromotor

Elektromotoren sind die „Arbeitspferde“ der Antriebstechnik. Insbesondere bei sehr hochpreisigen Motoren oder bei hohen Stillstandkosten lohne sich der Einsatz eines CMS laut Dr. Olaf Enge-Rosenblatt immer. Für eine breite Anwendung – bei Motoren im mittleren oder niedrigen Preissegment – müsse das CMS allerdings im Vergleich zu den Motoren sehr preisgünstig sein.

Dr. Olaf Enge-Rosenblatt vom Fraun­hofer IIS/EAS: „Durch unseren neuen Ansatz wird aus dem Condition-Monitoring-System ein System für ein komplettes Prozess-Monitoring.“

© Fraunhofer IIS/EAS

Auf der Basis ihres Ansatzes haben die Fraunhofer-Forscher dementsprechend gemeinsam mit Elektromotoren-Herstellern ein solches CMS bereits für Synchronmotoren entwickelt. Um preisgünstig zu bleiben, kommt es ohne zusätzliche Sensoren aus. Die Zustandsüberwachung basiert hier auf einer intelligenten Auswertung der elektrischen Phasenströme des Motors. Die jeweils aktuellen Stromwerte sind in der Motorelektronik zum Zwecke der Regelung des Synchronmotors ohnehin bekannt. Über eine Darstellung der Korrelationen der Ströme in der komplexen Ebene und die anschließende Auswertung der Am­plitudenverteilung über dem Zeigerwinkel gelingt es den Forschern, einen aussagefähigen Fingerprint zu generieren.

Mit Hilfe dieses Daten-Fingerprints können Rückschlüsse auf den „Gesundheitszustand“ des Motors geschlossen werden. Das ist jedoch noch nicht alles: Nicht nur Schadenszustände am Motor selbst, sondern auch Veränderungen im nachfolgenden Antrieb lassen sich ausmachen. Diese können auf zunehmenden Verschleiß im angetriebenen System hindeuten, was zum Beispiel zu einer weniger guten Einhaltung von vorgegebenen Toleranzen führen kann. Die Auswertung ist allerdings hochgradig applika­tionsspezifisch und daher nicht komplett automatisierbar.

Der aktuelle Entwicklungsstand ermöglicht dem System jedoch zumindest, die Veränderung des Fingerprints an den Bediener zu melden. Dieser hat im Allgemeinen die notwendigen Kenntnisse, um zu entscheiden, ob es sich lediglich um eine neu eingestellte Betriebsart handelt oder ob wirklich ein zunehmender Verschleiß vorliegt. Letzteres kann angenommen werden, wenn es keinen erkennbaren „äußeren“ Grund für die gemeldete Veränderung gibt.

Das System für Synchronmotoren befindet sich derzeit bei zwei Firmen in der Praxis-Erprobung. Ziel dabei ist es, die fortlaufende Berechnung der für die bekannten Cluster notwendigen Unterscheidungsmerkmale direkt auf der Platine der Motorelektronik durchzuführen. Das reduziert den notwendigen Einsatz zusätzlicher Hardware und damit Kosten und Aufwand für den Anwender deutlich. Denn so ist lediglich für die zielgerichtete Auswahl der Unterscheidungsmerkmale aus der Vielzahl der statistischen Kenngrößen, die mit einem viel höheren Aufwand verbunden ist, eine zusätzliche, weit leistungsfähigere Hardware notwendig. Hier greift das System derzeit auf einen mobilen Standardrechner zurück. Vorhandene dedizierte Hardware ist aber ebenfalls verwendbar und auch eine Auslagerung in eine Cloud ist denkbar. Ähnliche Lösungen für weitere Motorenarten sind geplant.

Welchen Nutzen hat der Anwender?

Betreiber von Maschinen und Anlagen können durch eine prädiktive Instandhaltungsstrategie mittels Zustandsüberwachung enorme Kostenvorteile generieren – etwa über die Erhöhung der Betriebsstunden bis zu einer notwendigen Wartung oder dem erzwungenen Austausch einer Komponente. Noch wichtiger ist allerdings das Vermeiden von Folgeschäden infolge unerkannter Verschleißsituationen. Während eine abgenutzte Komponente meist mit wenig Aufwand ersetzbar ist, sind die Kosten für daraus resultierende Fehler oftmals unverhältnismäßig höher.

Darüber hinaus lässt sich das Ersatzteillager eines Unternehmens verkleinern. Durch die Nutzung von mehreren Alarmstufen bei der Überwachung kann bei Erreichen der ersten Warnstufe bereits das entsprechende Ersatzteil bestellt werden und ist rechtzeitig vorhanden, wenn bei der zweiten (oder einer höheren) Stufe ein Austausch erfolgen muss. Damit sind die notwendigen Wartungs- und Instandhaltungsarbeiten inklusive der dazu benötigten Ersatzteile und Komponenten vorausschauend planbar. Gleichzeitig verringert sich das Risiko eines Maschinen- oder Anlagenausfalls, weil das Alarmsystem zwar erst bei Notwendigkeit, aber trotzdem rechtzeitig warnt. Und für den Hersteller von Komponenten sinkt das Risiko, dass Garantieleistungen notwendig werden. Nicht zuletzt ist die Aufwertung zum Beispiel eines Motors durch ein bereits integriertes CMS ein Wettbewerbsvorteil.

„Dadurch, dass wir durch eine automatische Datenanalyse und die selbstlernende Klassifikation die Vorteile eines CMS mit der einfachen Bedienbarkeit einer autonom arbeitenden Software vereinen, bieten sich völlig neue Anwendungsgebiete, die über klassisches Condition Monitoring weit hinausgehen“, fasst Enge-Rosenblatt die Pluspunkte des neuen Ansatzes zusammen. Durch die gleichrangige Verwendung von Sensorwerten und Prozessdaten können mit intelligenter Zustandsüberwachung sogar Veränderungen in einem gesamten Produktions- oder einem verfahrenstechnischen Prozess erkannt, automatisch gemeldet und entsprechend darauf reagiert werden. – Prozess-Monitoring ist hier das Schlagwort.