Antriebsstrangkomponenten sind essenziell für die Leistungsübertragung in industriellen Anwendungen. Ihre Auslegung muss in der Regel einer großen Bandbreite unterschiedlicher Einsatzbedingungen und Belastungsszenarien gerecht werden. Zur Erreichung hoher Zuverlässigkeit werden daher konservative Auslegungsansätze mit hohen Sicherheitsbeiwerten gewählt, die jedoch aufgrund erheblicher Lebensdauerstreuungen trotzdem keinen vollständigen Schutz vor Ausfällen gewährleisten. Durch den Einsatz geeigneter Sensorik in Kombination mit innovativen Zuverlässigkeitsmethoden können Zustandsüberwachungssysteme für kritische Komponenten realisiert werden. In aktuellen Forschungsarbeiten am Stuttgarter Forschungszentrum Zuverlässigkeitstechnik (SFZ) werden die Grenzen der detektierbaren Schäden erweitert, um zukunftsorientierte Predictive-Maintenance-Lösungen für industrielle Anwendungsszenarien zu ermöglichen.
Zustandsbasierte Schadensfrüherkennung in Antriebssträngen
Abbildung 1: Ausfall eines Windenergieanlagen-Getriebes durch Grübchenschaden nach ca. 20 Betriebsjahren
Antriebsstränge sind das technische Rückgrat zahlreicher kritischer Anwendungen in Mobilität, Energie- und Produktionstechnik. Als hochintegrierte Systeme verbinden sie mechatronische Komponenten zu einem funktionalen Verbund mit dem Ziel, hohe Leistungen zuverlässig zu übertragen. Diese Systeme arbeiten in unterschiedlichen Leistungsklassen – von kleineren Produktionsanlagen und PKW bis in den Megawattbereich, etwa bei Windkraftanlagen oder Gasturbinen. Die geforderten Verfügbarkeiten liegen oft bei über 99 % pro Jahr. Um dem gerecht zu werden, sind mechanische Hauptkomponenten überdimensioniert und Steuerungen sowie Versorgungsantriebe redundant ausgelegt. Dennoch bleibt ein Restrisiko technischer Defekte, siehe Abbildung 1.
Aus diesem Grund werden zustandsbasierte Überwachungslösungen am Stuttgarter Zentrum Zuverlässigkeitstechnik (SFZ) entwickelt, um sich anbahnende Schäden frühestmöglich zu erkennen.
Aufgrund der hohen technischen Relevanz werden dabei sowohl die Stirnradgetriebe als auch Planetengetriebe untersucht. Für die Schadensdetektion wurden physikalische und KI-basierte Methoden entwickelt.
Zur Untersuchung von Detektionsmöglichkeiten stehen am SFZ drei elektrische Verspannungsprüfstände in Leistungsbereichen zwischen 15 und 450 kW zur Verfügung. Über moderne Steuerungs- und Datenerfassungssysteme können sowohl hochdynamische Betriebszustände nachgestellt als auch hochauflösend Messdaten erfasst werden. Es ist möglich Sensordaten mit Abtastraten bis 1 MHz zu erfassen.
Abbildung 2: Prüfgetriebe mit Sensorausstattung auf dem Prüfstand des SFZ
Schadensdetektion in Stirnradgetrieben
Anhand eines explorativen faktoriellen Versuchsplans wurden die Detektionsmöglichkeiten im ersten Schritt anhand eines einstufigen, gerade verzahnten Versuchsgetriebes untersucht. Abbildung 2 zeigt den Prüfaufbau.
Grübchenschäden lassen sich im Frequenzbereich anhand der Harmonischen der Zahneingriffsfrequenz (GMF) sowie der zugehörigen Seitenbänder identifizieren. Die Analyse der Frequenzdaten zeigt, dass die gleichzeitige Auswertung mehrerer Frequenzanteile zu einer erhöhten Robustheit der Ergebnisse führt. Aus diesem Grund wurden jeweils zwölf Seitenbänder beidseitig der GMF-Harmonischen untersucht. Abbildung 3 zeigt einen Ausschnitt des Frequenzspektrums, in dem die Amplituden in den markierten Frequenzbändern um die 44. Harmonische der GMF bei vorhandenen Grübchenschäden erhöht sind.
Abbildung 3: Frequenzausschnitt um die 44. Harmonische der Zahneingriffsfrequenz zur Schadensdetektion
Für jeden Versuch werden die prozentualen Änderungen der Amplituden über das gesamte Frequenzspektrum mit einer Referenzmessung verglichen. In allen geschädigten Versuchen treten in diesen Frequenzbereichen überwiegend höhere Amplituden auf. Dieser Effekt ist drehzahlunabhängig, da sich bei variierenden Drehzahlen unterschiedliche GMF-Harmonische in diesem Frequenzbereich einstellen. Eine umfassende Untersuchung verschiedener Methoden an künstlich erzeugten Grübchenschäden zeigt, dass Vibrationsmessungen in hohen Frequenzbereichen über 16 kHz besonders geeignet sind, um Schäden frühzeitig zu detektieren. Mit einem geeigneten Sensorkonzept können Grübchenschäden bereits ab einem Schädigungsgrad von unter 0,4 % der Zahnflankenfläche – und damit deutlich unterhalb des Ausfallkriteriums von 4 % – erkannt werden.
Abbildung 4: Planetengetriebe mit 3 baugleichen Vibrationssensoren an unterschiedlichen Messpositionen auf dem Getriebegehäuse
Schadensdetektion in Planetengetrieben
Im zweiten Schritt erfolgte die Anwendung der Erkenntnisse auf komplexere Systeme. Anhand eines typischen und kommerziell vertriebenen Industriegetriebes wurde die Schadensdetektion auch auf die Anwendung bei schrägverzahnten Planetengetrieben übertragen. Es wurden unterschiedliche Sensorpositionen untersucht, um zu ermitteln welche Position sich am besten eignet, siehe Abbildung 4.
Aufgrund der häufigeren und überlagerten Zahneingriffe ist die Schwingungssignatur im Planetengetriebe komplexer und aufgrund der Schrägverzahnung sind Schwingungen im Allgemeinen weniger deutlich ausgeprägt. Daher wurden hier auch Machine Learning (ML) Methoden zur Anomalieerkennung entwickelt und für die Schadensdetektion in Getriebeanwendungen erprobt. Die Verwendung eines Autoencoder (AE)-basierten Ansatzes ermöglicht die Erkennung von Schäden in einem sehr frühen Stadium und erfordert keine gelabelten Trainingsdaten.
Abbildung 5: Ergebnisse der AE-Auswertung als Scatterplot. 3 ungeschädigte Referenzmessungen und 4 Zustände mit aufsteigender Schadensgröße
Die Schwingungssignale wurden segmentiert, in den Frequenzbereich transformiert und auf einen schädigungsrelevanten Frequenzbereich begrenzt. Dabei erwies sich der Bereich von 3 kHz bis 6 kHz als am geeignetsten, da hier eine gute Trennschärfe zwischen gesundem und geschädigtem Zustand bei gleichzeitig geringer False-Positive-Rate erzielt wurde. Der Autoencoder wurde ausschließlich mit gesunden Messdaten trainiert, um das Normalverhalten des Getriebes zu erlernen. Die Auswertung erfolgte betriebspunktweise für jede Kombination aus Drehzahl, Drehmoment und Sensorposition. Nach dem Training wurde der Autoencoder auf gesunde Referenzdaten sowie auf alle weiteren Messdatensätze angewendet. Die segmentweisen Rekonstruktionsfehler wurden ausgewertet und auf Basis der gesunden Referenzsegmente eine konservative Schwelle definiert. Als Schwellenwert diente das 95-%-Quantil, sodass nur ein kleiner Anteil gesunder Referenzsegmente oberhalb dieser Grenze lag. Die Bewertung der Messdatensätze erfolgte über den prozentualen Anteil der Segmente, deren Fehlerkennwert diese Schwelle überschritt, siehe Abbildung 5.
Die Ergebnisse zeigen, dass die verschiedenen Sensorpositionen durchaus Unterschiede in den Detektionsergebnissen liefern. Bei der Wahl des richtigen Sensors an der richtigen Position kann mit der Methode eine robuste und zuverlässige Schadensdetektion erreicht werden. Insgesamt bestätigte der Autoencoder-basierte Ansatz sein Potenzial für die frühe Schadensdetektion an schrägverzahnten Planetengetrieben unter geeigneten Betriebsbedingungen.
Fazit und weitere Forschung
Mit den entwickelten Methoden gelang es bereits sehr kleine Schäden auf den Zahnflanken der Zahnräder zu erkennen. Im Rahmen der weiteren Forschung werden die Methoden auf weitere kritische Schäden übertragen. Durch die frühzeitige Erkennung wird eine gut planbare Instandhaltung ermöglicht. Außerdem kann der Betrieb auch optimiert werden, um die Lebensdauer ggf. zu verlängern, z.B. indem die Belastung im Antriebsstrang reduziert wird.
Entdecke auch unsere Seminare in den Bereichen „Antriebs- und Schwingungstechnik"
Über die Autoren:
PD. Dr.-Ing. habil. Martin Dazer, Leiter des Stuttgarter Forschungszentrums Zuverlässigkeitstechnik, Institut für Maschinenelemente, Universität Stuttgart
M.Sc. Lukas Merkle, Stv. Leiter des Stuttgarter Forschungszentrums Zuverlässigkeitstechnik, Institut für Maschinenelemente, Universität Stuttgart