Diagnose von Lagerschäden mit Schwingungsanalyse-Tools von Dewesoft

Lager spielen eine entscheidende Rolle in industriellen Maschinen, und eine frühzeitige Schadenerkennung ist unerlässlich, um kostspielige Ausfallzeiten zu vermeiden. Diese Studie untersucht, wie die Schwingungsanalyse in Verbindung mit den hochauflösenden Datenerfassungswerkzeugen von Dewesoft eine effektive Überwachung von Lagerzuständen ermöglicht. Durch die Integration fortschrittlicher Signalverarbeitung und maschineller Lernverfahren wird ein leistungsfähiger Ansatz für die prädiktive Instandhaltung aufgezeigt.

Lager sind grundlegende mechanische Komponenten rotierender Maschinen, die dazu dienen, die Reibung zwischen beweglichen Teilen zu verringern und sowohl radiale als auch axiale Lasten aufzunehmen. Es gibt verschiedene Lagertypen, darunter Wälz- und Gleitlager, die jeweils spezifische Anwendungen und Eigenschaften aufweisen.

Die Lagerdiagnostik ist entscheidend, um die Zuverlässigkeit und Effizienz von Maschinen sicherzustellen. Fortgeschrittene Verfahren wie die Schwingungsanalyse und die Ultraschallprüfung ermöglichen die frühzeitige Erkennung von Defekten und Verschleiß, was hilft, unerwartete Ausfälle und kostspielige Stillstandszeiten zu vermeiden. 

Darüber hinaus optimiert die Implementierung prädiktiver Instandhaltungssysteme auf Basis einer kontinuierlichen Überwachung und Datenanalyse die Wartungsmaßnahmen, reduziert die Kosten und verbessert die Gesamtproduktivität.

Zusammenfassend sind das Verständnis der Lagerfunktion und die Anwendung wirksamer Diagnosestrategien wesentliche Elemente einer proaktiven Instandhaltung und tragen zur Leistungsoptimierung bei industriellen Maschinen bei.

Der Kontext – Promotionsprojekt

Die Diagnose von Wälzlagern ist Teil meines dreijährigen Promotionsprojekts an der Universität Parma (Università degli Studi di Parma). Der Schwerpunkt liegt auf der schwingungsbasierten Maschinenüberwachung im Kontext von Industrie 4.0. 

Meine Forschung zielt darauf ab, fortschrittliche Verfahren zur frühzeitigen Schadenerkennung und prädiktiven Instandhaltung zu entwickeln, insbesondere durch den Einsatz der Schwingungsanalyse zur Gewährleistung der Zuverlässigkeit und Effizienz industrieller Anlagen. Das Projekt steht im Einklang mit den übergeordneten Zielen der intelligenten Fertigung, bei der die kontinuierliche Zustandsüberwachung eine Schlüsselrolle für die Leistungsoptimierung und die Minimierung von Ausfallzeiten spielt.

In diesem Zusammenhang hat die Universität einen Prüfstand für die Durchführung von Lagerdiagnosen unter kontrollierten Bedingungen entwickelt. Der Versuchsaufbau besteht aus einem Elektromotor, der eine Welle antreibt, die von zwei Festlagern und einem überhängenden Lager (SKF Typ 6005) getragen wird. Die Welle wird unterschiedlichen Lasten ausgesetzt und arbeitet bei variablen Drehzahlen.

Ein weiterer Motor ist vor dem ersten angeordnet, sodass er als Bremse fungieren und das Lager unter verschiedenen Drehmomenten getestet werden kann.

Die Messkette

Der für diese Studie konzipierte Messaufbau ist darauf ausgelegt, eine hochpräzise Erfassung der Schwingungssignale des geprüften Lagers zu gewährleisten. Die Messkette beginnt mit einem hochempfindlichen piezoelektrischen Beschleunigungssensor vom Typ PCB 333B30, der speziell für die Schwingungsüberwachung entwickelt wurde. Zu den wichtigsten technischen Merkmalen des PCB 333B30 gehören:

• Empfindlichkeit: 100 mV/g

• Messbereich: ±50 g (Spitze)

• Frequenzbereich: 0,5–3000 Hz (±5 %) 

Den Beschleunigungssensor montierte ich fest in der Nähe des SKF-Lagers (Typ 6005), um eine präzise Erfassung der Schwingungen zu gewährleisten, die direkt mit dessen Betriebszustand zusammenhängen. Einen zweiten Beschleunigungssensor brachte ich als Referenzsensor zur Überwachung des Gesamtverhaltens des Prüfstands am Lagerbock eines Festlagers an.

Das Sensorsignal wurde mittels des Datenerfassungsmoduls IOLITE-8xACC von Dewesoft konditioniert und digitalisiert. Dieses Gerät ist für präzise Beschleunigungsmessungen ausgelegt und bietet folgende Hauptmerkmale:

• 8 Eingangskanäle für ICP- bzw. IEPE-Sensoren (Integrated Circuit Piezoelectric / Integrated Electronics Piezo-Electric)

• Abtastrate bis zu 20 kHz pro Kanal

• 24-Bit-A/D-Wandler-Auflösung

• Protokoll: EtherCAT – für Datenübertragung, Synchronisation und Stromversorgung über ein einziges LAN-Kabel

Das IOLITE-8xACC von Dewesoft gewährleistet eine hochwertige Signalerfassung für die Überwachung von Lagerschwingungen. Diese Signale sind entscheidend für die Analyse im Frequenzbereich.

In Kombination mit dem PCB 333B30-Sensor ergibt sich so eine robuste und präzise Messkette, die eine effektive Erkennung und Diagnose von Lageranomalien unter variablen Last- und Drehzahlbedingungen ermöglicht.

Datenerfassung und -verarbeitung

Die Software DewesoftX steuert die Datenerfassung und bietet eine intuitive Plattform für die Systemkonfiguration, Echtzeitüberwachung, Datenaufzeichnung und Datenanalyse. In DewesoftX kann die Messkette so konfiguriert werden, dass sie den Empfindlichkeits- und Kalibrierungsspezifikationen des PCB 333B30-Beschleunigungssensors entspricht.

Die Software bietet leistungsfähige Mathematikmodule für die erweiterte Schwingungs- und Frequenzanalyse, einschließlich der schnellen Fourier-Transformation (FFT). Die nahtlose Integration mit der Dewesoft-Hardware macht sie zu einer vollständigen und präzisen Toolbox für die Frequenzspektrumanalyse.

Nach Abschluss und Überprüfung der Konfiguration wird das System in den Messmodus versetzt. In dieser Phase werden die Daten kontinuierlich und in Echtzeit erfasst, während gleichzeitig die Zeitsignale überwacht werden.

Die Datenverarbeitung ist auch über Drittsoftware möglich, da DewesoftX eine Vielzahl exportierbarer Formate unterstützt. In diesem Fall wurden die Daten im MATLAB-kompatiblen Format (.mat) exportiert und anschließend nachverarbeitet.

Während der Nachverarbeitung wurden die Schwingungssignale in MATLAB analysiert, um auf Schäden hinweisende Informationen zu extrahieren. 

Eine zentrale Methode, die zur Anwendung kam, ist die Hüllkurvenanalyse – ein Signalverarbeitungsverfahren, das hochfrequente Spektralanteile identifiziert und analysiert, die durch niederfrequente Komponenten moduliert werden. Dies erlaubt die effektive Erkennung charakteristischer Schadensfrequenzen, selbst wenn sie durch Rauschen oder komplexe mechanische Wechselwirkungen überlagert sind. 

Die Hüllkurvenanalyse kann durch autoregressive Filterung oder Cepstrum Pre-Whitening vorbereitet oder alternativ durch eine Kombination aus Medianfilterung und Differentiation ersetzt werden [1].

Es wurden mehrere Schadensszenarien getestet: zunächst ein unbeschädigtes Lager, dann Lager mit Defekten am Innen- oder Außenring und schließlich Lager mit Riffelbildung oder ähnlichen Schäden [2].

Die erfassten Schwingungsdaten wurden anschließend weiterverarbeitet und verschiedenen maschinellen Lernalgorithmen zugeführt, um deren Fähigkeit zur automatischen Erkennung und Klassifizierung der Schadensszenarien zu bewerten.

Erweiterte Analyse mit maschinellem Lernen

In den späteren Phasen der Studie wurden fortgeschrittene Verfahren des maschinellen Lernens (ML) und Deep Learnings (DL) eingesetzt, um den Diagnoseprozess zu optimieren. Anstatt sich ausschließlich auf klassische Signalverarbeitungsmethoden zu stützen, extrahieren diese Ansätze automatisch relevante Merkmale aus den Schwingungsrohdaten, um den Zustand der Lagersysteme direkt zu klassifizieren.

Untersucht wurden mehrere Methoden:

• Convolutional Neural Networks (CNN)
  CNN ermöglichen die automatische Erkennung räumlicher und zeitlicher Muster in Schwingungssignalen, wobei die Daten als 1D- oder 2D-Eingaben verarbeitet werden. So lassen sich komplexe Schadenssignaturen ohne aufwändige manuelle Merkmalsextraktion identifizieren.

• Variational Autoencoders (VAE)
  VAE werden zur unüberwachten Merkmalsextraktion eingesetzt. Indem sie eine latente, komprimierte Repräsentation der Eingangssignale erlernen, erfassen sie wesentliche Eigenschaften gesunder und fehlerhafter Zustände. Die latenten Variablen können dann zur Klassifizierung oder Anomalieerkennung verwendet werden.

• Lineare Diskriminanzanalyse (LDA) mit Support Vector Machine (SVM)
  Bei diesem hybriden Ansatz dient die LDA der Dimensionsreduktion und optimalen Merkmalsprojektion, während die SVM die anschließende Klassifizierung übernimmt. Dabei verbessert die LDA die Trennung der Klassen (z. B. unbeschädigte vs. defekte Lager), und die SVM liefert eine robuste Entscheidungsgrenze für die hochpräzise Klassifizierung.

Diese ML- und DL-Verfahren nutzen sowohl lineare als auch nichtlineare Strukturen in den Daten. Dadurch wird eine höhere Empfindlichkeit gegenüber subtilen Schadenssignaturen erreicht und gleichzeitig die Generalisierung unter variierenden Betriebsbedingungen verbessert. Die Integration dieser datengesteuerten Techniken stellt einen wichtigen Schritt auf dem Weg zu einer automatisierten und hochzuverlässigen Lagerschadendiagnose dar.

Abb. 9 veranschaulicht, dass die LDA und die SVM in der Lage sind, auf Grundlage der gemessenen Schwingungen einen einfach klassifizierbaren Datensatz bereitzustellen. 

Fazit

Diese Studie präsentiert einen umfassenden Ansatz zur Diagnose von Lagerschäden, der präzise Schwingungsmessungen mit fortschrittlicher Signalverarbeitung und datengesteuerten Klassifizierungsverfahren kombiniert. 

Durch den Einsatz eines speziell entwickelten Prüfstands, hochauflösender Schwingungssensoren (PCB 333B30) und des Datenerfassungssystems IOLITE-8xACC von Dewesoft konnten zuverlässige und detaillierte Schwingungsdaten unter variierenden Betriebsbedingungen erfasst werden.

Die Anwendung klassischer Signalverarbeitungsmethoden – wie der Hüllkurvenanalyse, der Medianfilterung und der Differentiation – erwies sich als wirkungsvoll bei der Extraktion relevanter schadensbezogener Merkmale aus verrauschten und komplexen Schwingungssignalen. Darüber hinaus ermöglichte der anschließende Datenexport nach MATLAB eine flexible und tiefgehende Analyse der Schadenssignaturen.

Zur weiteren Verbesserung der Diagnosefähigkeiten wurden Verfahren des maschinellen Lernens und Deep Learnings eingesetzt, darunter Convolutional Neural Networks (CNN), Variational Autoencoders (VAE) und das hybride LDA-SVM-Modell. Diese Methoden erlaubten die automatische Erkennung und Klassifizierung von Lagerschäden bei minimalem manuellem Aufwand und verdeutlichen das Potenzial für echtzeitfähige, automatisierte Zustandsüberwachungssysteme.

Insgesamt bestätigen die Ergebnisse die Wirksamkeit der Kombination klassischer Signalverarbeitung mit modernen KI-Verfahren zur Beurteilung von Lagerschäden. Diese mehrschichtige Methodik verbessert nicht nur die Diagnosegenauigkeit, sondern unterstützt auch prädiktive Instandhaltungsstrategien. Dadurch trägt sie zur Reduzierung von Ausfallzeiten, zur Vermeidung unerwarteter Lagerausfälle und zur Optimierung der Maschinenleistung in industriellen Umgebungen bei.

Referenzen

1. Sawalhi, N. (2018). Rolling element bearings localized fault diagnosis using signal differencing and median filtration. Journal of Vibroengineering, 20(3), 1353–1370.

2. Saxena, M., Bannett, O. O., & Sharma, V. (2016). Bearing fault evaluation for structural health monitoring, fault detection, failure prevention, and prognosis. Procedia Engineering, 144, 208–214.