Vorausschauende Wartung und Sensordaten

Gewinne:

• Fähigkeit, das Konzept der vorausschauenden Wartung, Vibrations-/Temperaturindikatoren und typische Fehlermodi zu erkennen
• Möglichkeit zur Konfiguration von Anomalie-, Trend- und charakteristischen Frequenzanalysen in Sensorzeitreihen mit KI
• Möglichkeit zur Gegenprüfung der KI-Interpretation mit physikalischen Fehlermechanismen, Kalibrierung und Feldinspektion

Die vorausschauende Wartung ist eine der Anwendungen, die den größten Nutzen in einer Anlage bringt, indem sie geplante Ausfallzeiten reduziert und unerwartete Fehlfunktionen verhindert, indem sie den Zustand der Maschine ständig überwacht und Ausfälle vorhersagt, bevor sie auftreten. Anstelle der klassischen Ansätze „Repariere es, wenn es kaputt geht“ oder „Ersetze es pünktlich“ lesen wir den tatsächlichen Zustand der Maschine aus Sensordaten wie Vibration, Temperatur, Strom und Akustik ab. Künstliche Intelligenz (KI) ist in diesem Bereich sehr leistungsfähig: Erkennung von Anomalien (Abweichungen vom Normalzustand) in Zeitreihendaten, Trendanalyse, Interpretation charakteristischer Fehlerhäufigkeiten und Berichterstellung. Aber die von der KI angegebene „mögliche Fehlfunktion“ ist eine Hypothese, keine Diagnose. Der Sensor ist möglicherweise defekt, seine Kalibrierung ist möglicherweise fehlerhaft, die Daten sind möglicherweise verrauscht und die KI weist möglicherweise einem nichtphysischen Muster eine Bedeutung zu. KI-Interpretation, bevor eine Wartungsentscheidung getroffen wird; Die charakteristische Fehlerhäufigkeit sollte mit Sensorkalibrierung, Datenqualität und Feldinspektion abgeglichen werden. In dieser Einheit lernen Sie, Sensordaten mit KI sicher zu interpretieren.

Gemessene Größen und typische Fehlermodi

Der Zustand rotierender Maschinen (Motor, Pumpe, Lüfter, Lager, Getriebe) lässt sich anhand einiger Grundgrößen ablesen. Jede Größe reagiert empfindlich auf bestimmte Fehlermodi:

Größe

empfindlich auf was

Typischer Fehlermodus

Vibration (Beschleunigung/Geschwindigkeit)

Unwucht, Fehlausrichtung, Lager/Getriebe

Unwucht, Fehlausrichtung, Lagerschaden

Temperatur

Reibung, Schmierstoffverlust, Überlastung

Lagererwärmung, Ölverschlechterung

Motorstrom

Elektrischer und mechanischer Lastwechsel

Rotorstangenbruch, Lastanomalie

Akustik/Ultraschall

Vorzeitiger Lagerschaden, Leckage

Verschlechterung des Ölfilms, Gasleck

Das grundlegende Werkzeug bei der Schwingungsanalyse ist das Frequenzspektrum: Wir zerlegen das Zeitsignal mit der Fourier-Transformation (FFT: der mathematische Prozess, der ein Signal in seine Frequenzkomponenten zerlegt) in seine Frequenzkomponenten. Jeder Fehlermodus erzeugt einen Peak mit einer charakteristischen Frequenz. Beispielsweise tritt Unwucht bei der Rotationsfrequenz (1X) auf, Achsenfehlausrichtungen treten meist bei 2X auf und Lagerschäden treten je nach Lagergeometrie (z. B. BPFO, BPFI, BSF) bei besonderen Frequenzen auf.

Tipp: Bevor die KI das Spektrum interpretieren lässt, geben Sie ggf. die Drehzahl (U/min) und die Lagernummer der Maschine an. Ohne diese Informationen können charakteristische Fehlerhäufigkeiten nicht berechnet werden; Ohne sie bleibt die Interpretation der KI von „Lagerausfall“ in der Luft.

Anomalie, Trend und Fehlalarm

KI leistet in Zeitreihen zwei Dinge gut: Anomalieerkennung (plötzliche Abweichungen) und Trendanalyse (langsamer Abfall). Aber es gibt zwei Fallen. Das erste ist ein falsch positives Ergebnis: Geräusche, ein vorübergehender Lastwechsel oder Sensorvibrationen scheinen die eigentliche Fehlfunktion zu sein. Das zweite ist ein falsches Negativ: Eine langsame, allmähliche Verschlechterung kann übersehen werden, weil sie im „normalen Bereich“ bleibt. Eine gute Überwachung verfolgt die Änderung auch anhand der eigenen Historie (Baseline) der Maschine und nicht anhand des absoluten Schwellenwerts.

Achtung: Ein Sensor selbst kann ausfallen. Während ein Temperatursensor, der nicht kalibriert ist, möglicherweise einen „Überhitzungsalarm“ ausgibt, ist die Maschine völlig normal; oder ein lockerer Beschleunigungsmesser erzeugt störende Vibrationen. Was die KI sieht, sind nur Daten; Die Feldkontrolle sagt Ihnen, ob die Quelle der Daten zuverlässig ist. „Zuerst den Sensor überprüfen“ ist die erste Regel der vorausschauenden Wartung.

Schritt für Schritt: Sensordaten mit KI interpretieren

1. Geben Sie den Kontext an. Maschinentyp, Drehzahl, Lager-/Getriebeinformationen, Messpunkt.
2. Überprüfen Sie die Datenqualität. Ist die Abtastfrequenz ausreichend, gibt es Ausreißer/Ausreißer?
3. Bestimmen Sie die Grundlinie. Wie sieht ein gesunder Zustand aus?
4. Lassen Sie die Anomalie/den Trend extrahieren. Markieren Sie Abweichungen und Trends mit KI.
5. Fordern Sie eine physische Interpretation an. Welcher Fehlermodus, mit welcher Häufigkeit, warum?
6. Überprüfen Sie dies vor Ort. Kalibrierung, visuelle/taktile Kontrolle, ggf. Zweitmessung.

Eingabeaufforderung zur Spektruminterpretation

Rolle: Spezialist für Schwingungsanalyse (Zustandsüberwachung). Kontext: Eine Kreiselpumpe, die mit 1450 U/min rotiert, Lager 6206 am Antriebsende. Daten: Spitzenfrequenzen im Schwingungsgeschwindigkeitsspektrum [Liste, Hz und Amplitude]. Aufgabe: Korrelieren Sie jeden Spitzenwert mit dem möglichen Fehlermodus (1X Unwucht, 2X Achsenfehlausrichtung, Lager BPFO/BPFI usw.). Berechnen Sie die charakteristischen Lagerfrequenzen mit Drehzahl und 6206-Geometrie und geben Sie die angezeigten Frequenzen an. Regel: Dies ist eine HYPOTHESE; Schreiben Sie für jeden Kommentar in das Feld, wie ich ihn verifiziere.

Eingabeaufforderung zur Anomalie-/Trendanalyse

Analysieren Sie die folgenden Temperaturzeitreihen: [Datum, Werteliste].- Was ist die Basislinie (Normalbereich)?- Gibt es Anomalien (plötzliche Abweichung), wann?- Gibt es einen langsam steigenden Trend, wie groß ist die Steigung?Regel: Bewerten Sie das Risiko falsch positiver Ergebnisse; Welche zusätzliche Prüfung würden Sie empfehlen, um zwischen Sensorfehler und echter Überhitzung zu unterscheiden?

Aufforderung zur Datenqualität und Sensorüberprüfung

Die Abtastfrequenz bei dieser Jitter-Messung beträgt 2 kHz. Die höchste Fehlerfrequenz, die mich interessiert, liegt bei ~800 Hz. Ist diese Stichprobe ausreichend (Nyquist), Kommentar. Die Symptome plötzlicher Sprünge und Clippings in den Daten sind wie folgt: [Beschreibung]. Könnte es sich hierbei um echte Signale oder um Sensor-/Aufzeichnungsfehler handeln, wie kann ich das unterscheiden?

Eingabeaufforderung für den Entwurf einer Wartungsentscheidung

Verfassen Sie einen Entwurf einer Wartungsempfehlung basierend auf den folgenden Erkenntnissen: [Ergebnisse]. Unterteilen Sie Ihre Empfehlung in drei Stufen: Sofort anhalten, bei geplanter Wartung prüfen, Überwachung fortsetzen. Schreiben Sie für jede Ebene eine Begründung und eine Feldüberprüfung. Regel: Der zuständige Wartungstechniker trifft die endgültige Entscheidung; Geben Sie dies an.

Schwache Eingabeaufforderung / Starke Eingabeaufforderung

Schwache Eingabeaufforderung:

Ist diese Vibration hoch?

Keine Informationen zu Maschinentyp, Drehzahl, Maßeinheit, Grundlinie und Lager; KI kann nicht „hoch/niedrig“ sagen, selbst wenn dies der Fall wäre, wird dies nicht unterstützt.

Kraftvolle Aufforderung:

Kreiselpumpe mit 1450 U/min, Lager 6206, Dosierung am Antriebsende. Spitzenfrequenzen des Schwinggeschwindigkeitsspektrums: [Liste]. Ordnen Sie jeden Peak einem möglichen Fehlermodus zu, berechnen Sie charakteristische Lagerfrequenzen und zeigen Sie sie an. Geben Sie an, dass es sich bei jedem Kommentar um eine Hypothese handelt, und schreiben Sie, wie Sie diese vor Ort überprüfen können. Berücksichtigen Sie auch die Möglichkeit eines Sensorfehlers.

Die zweite Eingabeaufforderung enthält den Maschinenkontext, die Spektrumsdaten und die Überprüfungsanforderung. Es positioniert die Interpretation als Hypothese.

Drei Mini-Hüllen (nach Zahlen)

Fall 1 – Überprüfung der charakteristischen Frequenz. Zu einer Pumpe vermerkt die KI „Inner Ring Failure (BPFI)“. Ingenieur berechnet BPFI mit 1450 U/min (24,2 Hz) und 6206-Lagergeometrie: ~131 Hz. Die Spitze im Spektrum liegt tatsächlich bei etwa 130 Hz und weist Oberwellen auf. Die Interpretation stimmt mit der charakteristischen Häufigkeit überein; Der Ingenieur zerlegt das Lager während der geplanten Wartung und stellt Lochfraß am Innenring fest. Durch die Bestätigung wird aus der Hypothese eine Diagnose.

Fall 2 – Fehlalarm. Bei einem Lüfter gibt der Temperatursensor einen 95°C-Alarm aus, die KI sagt „Lagerüberhitzung“. Das Feldteam führt eine manuelle Überprüfung durch: Das Bett ist warm, normal. Der Sensoranschluss ist locker, die Kalibrierung hat sich verschoben. Tatsächliche Temperatur ~55°C. Wenn der Sensor festgezogen und kalibriert ist, verschwindet der Alarm. Würde man der KI-Interpretation blind folgen, würde ein festes Bett unnötig abgebaut. Lektion: Überprüfen Sie zuerst den Sensor.

Fall 3 – Den langsamen Trend erkennen. Die absolute Vibrationsschwelle wird in einem Getriebe nicht überschritten, aber AI zeigt einen Anstieg der Amplitude um ~6 % pro Woche im 8-Wochen-Trend. Durch Extrapolation wird prognostiziert, dass der Schwellenwert in ca. 5 Wochen überschritten wird. Während des geplanten Stopps analysiert das Team das Öl, findet den Metallpartikel und tauscht das Getriebe kontrolliert aus; Unerwartetes Anhalten wird verhindert. Lektion: Der Trend warnt vor der absoluten Schwelle.

Häufige Fehler

• Bitte um Kommentare ohne Kontext: Interpretation des Spektrums ohne Drehzahl- und Peilungsinformationen.
• Den Sensor nicht verifizieren: Einen Kalibrierungs-/Verbindungsfehler als echte Fehlfunktion missverstehen.
• Eine Hypothese mit einer Diagnose verwechseln: KI-Interpretation ohne Feldkontrolle in eine Wartungsentscheidung umsetzen.
• Wenn man nur die absolute Schwelle betrachtet, verfehlt man den Trend des langsamen Verfalls.
• Unterabtastung: Vernachlässigung der Nyquist-Regel und Übersehen des Hochfrequenzfehlers.
• Überreaktion auf falsch positive Ergebnisse: Das Geräusch wird mit einer echten Fehlfunktion verwechselt und die fehlerfreie Maschine gestoppt.

Zusammenfassend

• Die vorausschauende Wartung liest den Maschinenstatus anhand von Sensoren wie Vibration, Temperatur und Strom aus und prognostiziert Ausfälle im Voraus.
• Im Schwingungsspektrum erzeugt jeder Fehlermodus einen Peak bei einer charakteristischen Frequenz; Der Kommentar erfordert Drehzahl- und Lagerkenntnisse.
• Die von der KI gegebene Fehlerinterpretation ist eine Hypothese; Die charakteristische Frequenz muss durch Kalibrierung und Feldbesichtigung überprüft werden.
• Der Sensor selbst kann ausfallen; „Zuerst den Sensor überprüfen“ ist die erste Regel.
• Der Trend ist ebenso wichtig wie der absolute Schwellenwert; Langsamer Abbau ist eine Frühwarnung. Die Instandhaltungsentscheidung obliegt dem zuständigen Ingenieur.

Anwendungsaufgabe

Wählen Sie eine rotierende Maschine (Pumpe, Lüfter, Motor). Notieren Sie ggf. die Drehzahl der Maschine und die Lagernummer. Nehmen Sie ein tatsächliches oder beispielhaftes Schwingungsspektrum/Temperaturzeitreihe und lassen Sie es von der KI im Kontext interpretieren. Für jede Ausfallhypothese zeigt die KI Folgendes an: Überprüfen Sie die charakteristische Frequenz selbst (überprüfen Sie die BPFO/BPFI-Berechnung bei Peilung), bewerten Sie die Möglichkeit eines Sensorausfalls und schreiben Sie auf, wie Sie diese vor Ort überprüfen werden. Fassen Sie abschließend die Ergebnisse in einer dreistufigen Empfehlung zusammen (sofort anhalten / planmäßig prüfen / Überwachung fortsetzen) und geben Sie an, warum die endgültige Wartungsentscheidung beim qualifizierten Techniker liegt.

Checkliste

• [ ] Der Maschinenkontext (Typ, Drehzahl, Lager/Getriebe, Messstelle) wird angegeben.
• [ ] Datenqualität und Abtastfrequenz (Nyquist) überprüft.
• [ ] Die von AI angezeigten Fehlerhäufigkeiten wurden durch charakteristische Häufigkeitsberechnung überprüft.
• [ ] Möglichkeit eines Sensorkalibrierungs-/Verbindungsfehlers ausgewertet.
• [ ] Neben der absoluten Schwelle wurde auch der Trend untersucht.
• [ ] Kommentar durch Feldbesichtigung bestätigt; Die Wartungsentscheidung wurde dem zuständigen Ingenieur überlassen.