Wie können unzuverlässige Kennwerte in Condition-Monitoring-Systemen systematisch verbessert werden?

Unzuverlässige Kennwerte entstehen häufig durch ungeeignete Filterbänder oder nicht berücksichtigte Störeinflüsse. Mit ibaAnalyzer lassen sich Trends und Rohdaten detailliert analysieren, um Auffälligkeiten zu identifizieren. In Kombination mit ibaInSpectra können Berechnungsvorschriften gezielt angepasst werden. Dadurch entstehen stabile und aussagekräftige Zustandsindikatoren für die Verschleißbewertung.

Wie können geschwindigkeitsabhängige Effekte in der Schwingungsanalyse korrekt berücksichtigt werden?

Geschwindigkeitsabhängige Effekte lassen sich durch die Korrelation von Kennwerten mit Betriebsparametern identifizieren. Mit ibaAnalyzer können X/Y-Analysen durchgeführt werden, um Abhängigkeiten zwischen Drehzahl und Kennwerten sichtbar zu machen. ibaInSpectra ermöglicht darauf basierend eine gezielte Anpassung der Frequenzbänder. Dadurch werden Verzerrungen in bestimmten Betriebsbereichen vermieden.

Wie können störende Frequenzen die Zustandsbewertung beeinflussen und eliminiert werden?

Störende Frequenzen können Kennwerte massiv verfälschen, wenn sie innerhalb der definierten Analysebänder liegen. Mit ibaInSpectra lassen sich diese Frequenzen identifizieren und gezielt aus der Berechnung ausschließen. Ergänzend können Filtermethoden genutzt werden, um dominante Frequenzen aus den Rohdaten zu entfernen. Dadurch wird die Aussagekraft der Kennwerte deutlich erhöht.

Wie können Alarmschwellen ohne lange Lernphase zuverlässig definiert werden?

Alarmschwellen lassen sich durch simulationsbasierte Analysen auf Basis historischer Daten definieren. Mit ibaInSpectra können Berechnungen im Playback-Modus durchgeführt werden, um erwartete Kennwertbereiche zu bestimmen. ibaAnalyzer unterstützt die Validierung dieser Ergebnisse anhand realer Daten. Dadurch können belastbare Grenzwerte ohne lange Einlernphase festgelegt werden.

Wie kann die Kombination aus Prozess- und Schwingungsdaten zur proaktiven Wartung beitragen?

Die Kombination aus Prozess- und Schwingungsdaten ermöglicht eine ganzheitliche Zustandsbewertung von Anlagen. ibaPDA stellt die synchrone Datenerfassung sicher, während ibaInSpectra die schwingungsbasierten Kennwerte liefert. Durch diese Verknüpfung können auch indirekte Einflüsse oder externe Schadensquellen erkannt werden. Dies bildet die Grundlage für eine vorausschauende und gezielte Instandhaltung.

Optimierung eines Condition-Monitoring-Systems

ibaInSpectra und ibaRotate

Ein Condition Monitoring System (CMS) soll den Verschleiß zweier Motoren überwachen. Das CMS berechnet hierzu in regelmäßigen Abständen zu bestimmten Messbedingungen Kennwerte, die als Zustandsindikatoren der einzelnen Bauteile dienen, und zeichnet diese als Langzeittrend auf.

Benefits Die Technik Verwendete Funktionen Weitere Success Stories

Nach einer Testphase zeigt sich, dass auf Grund der Gegebenheiten vor Ort die standardmäßigen Berechnungen und Einstellungen des CMS keine verlässlichen Kennwerte für die Verschleißerkennung lieferten. Diesem Phänomen galt es nun, auf den Grund zu gehen. Mit den iba-Tools zur Schwingungsanalyse wurden deshalb die aufgezeichneten Trends und Rohdaten genauer analysiert, um das Condition Monitoring System so anzupassen, dass es zuverlässige Kennwerte liefert.

Automatisierte Berechnung

von Kennwerten

Optimales Verständnis

durch Kombination von Prozess- und Schwingungsanalyse

Ursachenanalyse

für eine proaktive Wartung

Die Technik

In den Langzeittrends stiegen die Kennwerte zu manchen Zeitpunkten um mehr als Faktor 10 an. Dabei war jeder Kennwert zu anderen Zeitpunkten betroffen. Ein zeitlicher Zusammenhang war nicht zu erkennen. Die Darstellung der Kennwerte als X/Y-Diagramm in ibaAnalyzer zeigte jedoch deutliche Auffälligkeiten. Die berechneten Kennwerte wurden dabei nach der Geschwindigkeit, zu der sie aufgezeichnet wurden, sortiert dargestellt. Im X/Y-Diagramm war nun zu erkennen, dass bestimmte Kennwerte besonders in speziellen Geschwindigkeitsbereichen erhöht waren.

Deshalb wurden die Rohdaten einer DAT-Datei genauer auf geschwindigkeitsunabhängige Frequenzen untersucht. Tatsächlich war in ibaRotate eine hohe Frequenz inklusive zweier Harmonischer erkennbar. Deren Ursache ließ sich zwar klären, jedoch aus technischen Gründen nicht beheben.

Eine Röntgen-Darstellung zeigt die inneren Komponenten eines Elektromotors.

Mithilfe der Markerfunktion in ibaRotate konnte bewiesen werden, dass die Bänder, die für die Berechnung der Kennwerte herangezogen wurden, diese hohe Frequenz oder eine der Harmonischen schneiden - und zwar genau in den Geschwindigkeitsbereichen, in denen die Kennwerte überhöht waren. Die Messbedingungen und Berechnungsvorschriften der Kennwerte wurden daraufhin so optimiert, dass diese Frequenz nicht mehr in den Bändern lag, die zur Berechnung der Kennwerte herangezogen wurden.

Schließlich war es auf Grund dieser Anpassungen noch erforderlich, die Alarmschwellen zu überprüfen und neu zu setzen. Im nächsten Schritt wurden daher die aktuellen Zustände der überwachten Komponenten auf Basis der Rohdaten analysiert. Für eine bessere Übersicht wurde mithilfe des Vold-Kalman-Filters die geschwindigkeitunabhängige Frequenz und ihre Harmonischen eliminiert. Im Rahmen der Analyse konnte noch eine zusätzliche Erkenntnis gewonnen werden: In der Wasserfalldarstellung ohne die dominanten Frequenzen wurde ein sich entwickelnder Schaden an einer anderen Maschine entdeckt, von der sich ein geringes Schwingungslevel auf die überwachte Maschine übertragen hatte.

Letztendlich galt es noch zu ermitteln, in welchem Bereich nun die Kennwerte liegen, die durch die neuen Berechnungen zu erwarten waren. Dabei half eine Simulation mit ibaInSpectra auf Basis eines Playbacks der gemessenen Daten. Mithilfe der Simulation konnten die Alarmwerte ohne Lernphase zuverlässig berechnet werden. Mit der so angepassten Konfiguration ist das Condition Monitoring System optimal auf die Anlage des Kunden abgestimmt. Das System liefert nun verlässliche Kennwerte und ermöglicht die Validierung des aktuellen Zustands.

Ein Diagramm zeigt den Datenfluss von einem Elektromotor zu einem Computer, der zu Analyse und Anpassungen führt.

Testen Sie jetzt das iba-System!

Laden Sie sich die Demo von ibaPDA und ibaAnalyzer herunter und optimieren Sie noch heute Ihre Prozesse. Testen Sie es 30 Tage lang kostenlos!

ibaPDA-Demo Lizenz anfordern

Durch die einzigartige Kombination aus Prozess und Schwingungsanalyse, fällt es mir leicht das Schwingverhalten auch in komplexen Prozessen zu verstehen und zu analysieren.

Christian Reinbrecht
Produktmanager, iba AG

Verwendete Funktionen

Die folgenden Funktionen des iba-Systems werden in dieser Success Story verwendet.

Entdecken Sie weitere Success Stories

Lesen Sie weitere inspirierende Success Stories unserer zufriedenen Kunden.

Häufig gestellte Fragen (FAQ)

Wie können unzuverlässige Kennwerte in Condition-Monitoring-Systemen systematisch verbessert werden?: Unzuverlässige Kennwerte entstehen häufig durch ungeeignete Filterbänder oder nicht berücksichtigte Störeinflüsse. Mit ibaAnalyzer lassen sich Trends und Rohdaten detailliert analysieren, um Auffälligkeiten zu identifizieren. In Kombination mit ibaInSpectra können Berechnungsvorschriften gezielt angepasst werden. Dadurch entstehen stabile und aussagekräftige Zustandsindikatoren für die Verschleißbewertung.
Wie können geschwindigkeitsabhängige Effekte in der Schwingungsanalyse korrekt berücksichtigt werden?: Geschwindigkeitsabhängige Effekte lassen sich durch die Korrelation von Kennwerten mit Betriebsparametern identifizieren. Mit ibaAnalyzer können X/Y-Analysen durchgeführt werden, um Abhängigkeiten zwischen Drehzahl und Kennwerten sichtbar zu machen. ibaInSpectra ermöglicht darauf basierend eine gezielte Anpassung der Frequenzbänder. Dadurch werden Verzerrungen in bestimmten Betriebsbereichen vermieden.
Wie können störende Frequenzen die Zustandsbewertung beeinflussen und eliminiert werden?: Störende Frequenzen können Kennwerte massiv verfälschen, wenn sie innerhalb der definierten Analysebänder liegen. Mit ibaInSpectra lassen sich diese Frequenzen identifizieren und gezielt aus der Berechnung ausschließen. Ergänzend können Filtermethoden genutzt werden, um dominante Frequenzen aus den Rohdaten zu entfernen. Dadurch wird die Aussagekraft der Kennwerte deutlich erhöht.
Wie können Alarmschwellen ohne lange Lernphase zuverlässig definiert werden?: Alarmschwellen lassen sich durch simulationsbasierte Analysen auf Basis historischer Daten definieren. Mit ibaInSpectra können Berechnungen im Playback-Modus durchgeführt werden, um erwartete Kennwertbereiche zu bestimmen. ibaAnalyzer unterstützt die Validierung dieser Ergebnisse anhand realer Daten. Dadurch können belastbare Grenzwerte ohne lange Einlernphase festgelegt werden.
Wie kann die Kombination aus Prozess- und Schwingungsdaten zur proaktiven Wartung beitragen?: Die Kombination aus Prozess- und Schwingungsdaten ermöglicht eine ganzheitliche Zustandsbewertung von Anlagen. ibaPDA stellt die synchrone Datenerfassung sicher, während ibaInSpectra die schwingungsbasierten Kennwerte liefert. Durch diese Verknüpfung können auch indirekte Einflüsse oder externe Schadensquellen erkannt werden. Dies bildet die Grundlage für eine vorausschauende und gezielte Instandhaltung.