antriebstechnik 3/2018

PREDICTIVE MAINTENANCE I SPECIAL
„Spannende
Zukunft“
Quo vadis Predictive Maintenance? –
Ein Kommentar von Prof. Dr. Georg Jacobs
Univ.-Prof. Dr.-Ing. Georg Jacobs ist Leiter
des Instituts für Maschinenelemente und
Systementwicklung an der RWTH Aachen
ie vorausschauende Instandhaltungsplanung
auf Basis des prädiktierten
D
Komponentenzustands wird meist kurz als
Predictive Maintenance bezeichnet. Sie soll
die Instandhaltungskosten gegenüber der
leistungs- oder zeitgesteuerten, vorbeugenden
Instandhaltung senken. Obwohl sich
Industrie und Forschung seit vielen Jahren
bemühen, Condition-Monitoring-Systeme
zu entwickeln, ist die Vorhersage des aktuellen
Zustandes der relevanten Bauteile
einer Ma schine immer noch eine technische
Herausforderung. Geeignete Messsignale
müssen früh genug auf mögliche
Schäden hinweisen, eine Lokalisierung des
geschädigten Bauteils erlauben und trotz
Fertigungs- und Montagestreuung bei
gleichzeitig veränderlichen Betriebsbedingungen
der Maschinen eindeutige Aussagen
liefern. Meist kommt Sensorik zur Messung
von Schwingungen und Geräuschen,
Schmierstoffzuständen und Temperaturen
zum Einsatz. Beispiels weise kann der Zustand
der Laufflächen von Wälzlagern bereits
heute durch marktgängige Condition-Monitoring-Systeme
zuverlässig bewertet werden.
Zunehmend wird versucht, die Aussagekraft
der Signale der CM-Sensorik durch
Fusion mit anderen auf der Maschine verfügbaren
Signalen zu verbessern. Dazu
werden Verfahren der Mustererkennung
angewandt, deren Training jedoch oft
durch die Anzahl verwertbarer Schadensfälle
limitiert ist. Zum Teil werden große
Datenmengen (Big Data) gesamter Maschinenflotten
betrachtet, um durch Machine-
Learning-Algorithmen systematische Konstruktions-
und Fertigungs fehler und folglich
drohende Reparaturen zu identifizieren.
Neue, oft preisgünstige Sensoren, erweiterte
Auswerteverfahren (Edge Computing) und
vereinfachte Datenübertragung eröffnen
neue Möglichkeiten für Zustands- und
Schadensanalysen. Beispielsweise wird
aktuell die Identifikation der Rissentstehung
unterhalb der Werkstoffoberflächen bei
Ermüdungsfrühausfällen an Wälzlagern
durch Schallemission untersucht. Obwohl
die prinzipielle Funktion nachgewiesen ist,
bestehen hinsichtlich der Aussagesicherheit
noch offene Fragen.
Ein vergleichsweiser frischer, grundlegend
anderer Ansatz ergibt sich aus der Berechnung
verbleibender Restlebensdauern.
Dabei macht man sich zu Nutze, dass im
Zuge von Industrie 4.0 immer mehr Informationen
zur tatsächlichen Lasthistorie
einer Maschine vorliegen. Die Nachrüstung
von Maschinen mit geeigneten, oft
schon kabellosen Lastsensoren nimmt
„Individuelle modell- und betriebsdatenbasierte
Verfügbarkeitssicherung wird zum Wettbewerbsvorteil.“
stetig zu. Durch Einspeisung weniger Lastdaten
in leistungsfähige Simulationsmodelle
ganzer Maschinensysteme können,
unter Extra polation der Lasthistorie,
die tatsächlich verbleibenden Bauteillebensdauern
rechnerisch ermittelt werden.
Es ist vielfach belegt, dass das individuelle
Gebrauchsdauerverhalten der
Maschinen oft deutlich anders ist, als das
bei der Produktentwicklung – mit oft verallgemeinerten
und tendenziell hohen
Lastanforderungen – berechnete. Entsprechend
groß ist das Potenzial für
Predictive Maintenance!
Es bedarf keiner besonderen Prädiktions-
Künste um der Predictive Maintenance eine
spannende Zukunft im Kontext von Industrie
4.0 und zunehmend modellbasierter
Produktentwicklung vorherzusagen. z
46 antriebstechnik 3/2018