Früherkennung mechanischer Schäden durch Analyse des Schwingungsverhaltens

Werden Defekte in Maschinen und Anlagen nicht frühzeitig erkannt, kann es zu Fehlfunktionen sowie Produktionsausfällen kommen. Dies verursacht meist hohe Kosten. Durch die Analyse des Schwingungsverhaltens eines mechanischen Systems ist es möglich, Fehler vor dem Eintreten eines Schadens zu prognostizieren und so Ausfälle zu vermeiden.

Bevor mechanische Fehler in Maschinen und Anlagen auftreten, ändert sich häufig deren Schwingungsverhalten. Mit Hilfe von Schwingungssensoren und einer Messdatenanalyse lassen sich Probleme identifizieren, bevor ein Schaden auftritt. Das im Folgenden beschriebene Verfahren erlaubt es, aus den Schwingungen auf das Ausgangsproblem zu schließen.

Diese Technik eignet sich zur Überwachung von Kraftwerken, chemischen Anlagen, Werkzeugmaschinen oder Windenergieanlagen ebenso wie von Lagern, Getrieben, Generatoren, Turbinen und weiteren Komponenten.

Aufnahme der Schwingungsspektren

Zunächst wird ein Schwingungsspektrum im relevanten Frequenzbereich aufgenommen, indem die Sensoren in gleichen Zeitabständen die Amplitude der Schwingung aufzeichnen. Wie viele Messungen nötig sind, hängt von der jeweiligen Anlage bzw. von der Dynamik des Systems ab (Bild 1).

Optische Spektralanalysen lassen sich anhand der Spektrallinien sehr präzise durchführen. Aus zwei Gründen ist die Analyse mechanischer Schwingungsspektren komplizierter: Zum einen ist die Messung viel ungenauer als im optischen Bereich. Hintergrundgeräusche und andere Störfaktoren im laufenden Betrieb erschweren die Messungen. Zudem fehlt in den meisten Fällen die Kenntnis der Korrelation zwischen den gemessenen Schwingungen und technischen Problemen bzw. dem Normalzustand. Selbst der „Normalzustand“ ist bei einer mechanischen Anlage ein Zusammenspiel vieler Betriebs- und Schwingungszustände (Bild 2).

Entrauschen des Spektrums

Dennoch ist es möglich, anhand der Schwingungen auf den Betriebszustand und eventuelle Fehlfunktionen oder Schäden zu schließen. Zunächst sammelt man Spektren über einen Zeitraum, der Normalzustände ebenso umfasst wie Problemfälle. Diese Spektren müssen nun von Rauschen und Störgeräuschen bereinigt werden.

Um ein Spektrum rein mathematisch zu entrauschen, wird es zunächst per Fourier-Transformation (FFT) in den Frequenzbereich transformiert. Ein Bandpassfilter eliminiert daraufhin die niedrigen und die hohen Frequenzen am Rand des Spektrums. Wie viel davon als Rauschen abgeschnitten werden muss, hängt von der Anlage und ihrer Umgebung ab. Im nächsten Schritt unterdrückt ein so genanntes Wiener-Filter das Rauschen und glättet das Signal. Anschließend wird das Spektrum wieder zurück in den Amplitudenbereich transformiert. Bild 3 zeigt den Unterschied zwischen einem mathematisch entrauschten und einem Rohspektrum.

Alternativ lässt sich zum Entrauschen auch das Hintergrundgeräusch gesondert erfassen und vom gesamten Spektrum subtrahieren. Dazu muss der Hintergrund mit einem zweiten Sensor gemessen werden. Da nicht alle Störgeräusche auf diese Weise zu beseitigen sind, empfiehlt es sich, die mathematische Analyse auch hier durchzuführen.

Aufgrund des Rauschens unterliegen die Linienhöhen des Spektrums großen Schwankungen. Diese lassen sich ermitteln, indem man viele Normalzustände vergleicht und annimmt, die Linienhöhen wären alle gleich hoch gewesen. Dabei ergibt sich eine Verteilung an Abweichungen, die ungefähr die Form einer Normalverteilung hat. Daher kann man als Unschärfe ein Vielfaches der Standardabweichung annehmen. Im Spektrum aus Bild 3 lassen sich von etwa neun Linien deren Lage, Höhe und Breite bestimmen. Damit bleiben lediglich drei Kennzahlen pro Linie. Die Datenreduktion eines Spektrums ist notwendig, um Analysen schnell durchzuführen.

Analyse der Spektren und Schadensprognose

Da der Zusammenhang zwischen Schaden und Spektrallinien von Faktoren wie Hersteller und Alter des Gerätes abhängt, verwendet man eine Zeitreihenanalyse aus dem Bereich des maschinellen Lernens. Zunächst erfolgt die Analyse aller Spektren über einen langen Zeitraum. Durch Extrahieren der Merkmale aus jedem Spektrum ergibt sich eine zeitliche Entwicklung dieser Merkmale. Sie lassen sich in einem Spektrogramm wie in Bild 4 darstellen. Damit ist es möglich, die Schadensereignisse in diesem Zeitraum zu erfassen und zu klassifizieren.

Nun benötigt man eine numerische Größe pro Schadensart, die sich anhand der Spektralmerkmale errechnen lässt und die einen Grenzwert überschreitet, wenn der entsprechende Schaden eintritt. Dies lässt sich durch eine lineare Funktion darstellen – eine Regressionsgerade.

Zur Prognose steht nun ein zeitliches Signal pro Schadensart zur Verfügung. Dies bedeutet eine deutliche Komprimierung der Messdaten. Hierdurch mitteln sich diverse Störfaktoren aus der Analyse heraus.

Um mittels maschinellen Lernens eine Zeitreihe zu prognostizieren, die von einer längeren Vergangenheit abhängt, bieten sich rückgekoppelte neuronale Netzwerke an – in diesem Fall ein so genanntes Echo State Network (ESN). Ist das ESN einmal trainiert, liefert es zuverlässige Prognosen für die Zeitreihe. Stehen neue Messdaten zur Verfügung, so lassen sich diese ohne ein komplettes Neutraining in das ESN einbringen. Dieser Vorgang kann vollautomatisiert ablaufen.

Resultate und Anwendung in der Praxis

Die Methode wurde an vier Windenergieanlagen (WEA) erprobt. Jede Anlage hatte während des Messungszeitraums genau einen Schaden. Jeweils handelte es sich um eine Stegablösung im Rotorblatt. Von zwei der Anlagen war bekannt, wann der Schaden auftrat. Anhand der Messdaten und Schadenszeiten wurde das Modell erstellt und auf die Daten der beiden anderen WEA angewendet. Damit war das System in der Lage, den Schaden mit einer Vorlaufzeit von fünf Tagen korrekt zu prognostizieren (Bild 5). Es wurden keine nicht vorhandenen Schäden fälschlich prognostiziert. Das Verfahren ist somit praxistauglich.

-----------------------------------------------
Die Methode der Schwingungsanalyse zur Schadensprognose stellt Dr. Patrick Bangert, Geschäftsführer von algorithmica technologies als Referent im Detail auf der 4. VDI-Fachtagung Schwingungsanalyse & Identifikation am 15. und 16. März 2016 in Fulda vor. Er erläutert am Beispiel von Windenergieanlagen, wie das System entwickelt und in der Praxis zum Einsatz gebracht wurde.

In diesem Jahr stehen auf der Tagung Beiträge aus den Branchen Automobil, Antriebstechnik, Maschinenbau, Energietechnik und Luftfahrt auf dem Programm. Unter anderem werden die Themen nichtlineares Resonanzverhalten von Elektromotoren, Zustandsüberwachung mit modularen Sensorsystemen sowie Auslegung von Mehrmassendämpfern für Werkzeugmaschinen und Modellgestützte Überwachung von Torsionsschwingungen in großen Turbomaschinen erörtert.

Weitere Informationen zur Veranstaltung, das Tagungsprogramm und die Möglichkeit zur Anmeldung finden Sie im Internet unter www.vdi.de/schwingungsanalyse.

Dr. Patrick Bangert, algorithmica technologies GmbH, Bremen
Dipl.-Phys. Andreas Mühlbauer, freier Journalist, Heidelberg

Über die VDI Wissensforum GmbH

Die VDI Wissensforum GmbH mit Sitz in Düsseldorf ist seit mehr als 50 Jahren einer der führenden Weiterbildungsspezialisten für Ingenieure sowie für Fach- und Führungskräfte im technischen Umfeld. Die mehr als 1.300 Veranstaltungen im Jahr decken alle relevanten Branchen ab. Das Angebot reicht von Seminaren und Technikforen über modulare Lehrgänge mit abschließender Zertifizierung bis zu Fachtagungen und Kongressen. Dabei gewähren permanente Marktrecherche, ein großes Expertennetzwerk und das ausgeprägte Know-how des VDI (Verein Deutscher Ingenieure) die hohe Qualität der Veranstaltungen.