Anomalie-Diagnose und Ausfallprognose an...

Anomalie-Diagnose

und Ausfallprognose

an Industriegetrieben

siemens.com/hm17 © Siemens AG 2017

Flender

Halle 24

Stand D46

© Siemens AG 2017

25.04.2017 Seite 2 Hannover Messe MDA Forum 2017 Dr. Jörg Deckers / Customer Service, Condition Monitoring

Inhalt

• Einführung zu Flender-Industriegetrieben

• Schadensdiagnosen

• Einordnung verschiedener CMS-Klassen

• Vier Fallbeispiele frühzeitig diagnostizierter Schäden

• Wälzlagerschaden

• Kegelritzelschaden

• Stirnradschaden

• Ölleckage im Getriebeinneren

• Zusammenfassung und Ausblick

© Siemens AG 2017


Motivation

0,00

1,00

2,00

3,00

4,00

5,00

6,00

7,00

0 200 400 600 800 1000 1200 1400 1600 1800 2000

Vib

ratio

n a

ccele

ratio

n in

m/s

2

Lines of Fast Fourier Transform

© Siemens AG 2017


Arten und Aufgaben von Industriegetrieben

Flender-Industriegetriebe Applikationsspezifische

Flender -Getriebe Integrated Drive Systems

Winergy-Getriebe für

Windenergieanlagen

• Getriebe dienen zur Umwandlung von Drehzahl und Drehmoment einer Antriebsmaschine in die

passenden Größen der Arbeitsmaschine.

• Kann ein Getriebe diese Aufgabe aufgrund von Fehlern nicht mehr erfüllen, entstehen in der Regel hohe

Kosten durch Betriebsunterbrechung, Reparatur oder Austausch.

• Mittels Zustandsüberwachung (Condition Monitoring) wird versucht, entstehende Schäden an

Maschinenelementen so frühzeitig zu erkennen, dass die Reparaturen in geplante

Betriebsunterbrechungen gelegt werden können und Folgekosten gering bleiben.

© Siemens AG 2017


Definition von Fehler und Schaden

Hauptfunktion eines Industriegetriebes ist die Wandlung von Drehzahl und Drehmoment

Die Festlegung der „zulässigen Toleranz“ ist eine wesentliche Kernaufgabe.

Ein Getriebe kann einen Schaden haben und dennoch seine geforderte Funktion

(Wandeln von Drehzahl und Drehmoment) ohne Fehler erfüllen.

Hieraus folgt:

Schaden (gem. DIN ISO 17359 Beiblatt 1)

Abweichung des Istwerts des Zustands, der Funktion oder des Verhaltens eines Überwachungs- oder

Diagnoseobjekts (Anlage, Maschine) vom Sollwert über eine zulässige Toleranz hinaus.

Fehler (gem. DIN 31051)

Unfähigkeit, eine geforderte Funktion zu erfüllen..

© Siemens AG 2017


Diagnoseansätze

Diagnoseansätze zur Zustandsdiagnose (gem. ISO 13379-1)

Wissensbasierte Analytik

Sie basiert auf einer expliziten

Darstellung des Schadensverhaltens

oder von Symptomen

durch Schadensmodelle oder Modelle

des korrekten Verhaltens

Vor- und Nachteile

Stark automatisierbar,

wenig Expertenwissen nötig

Erfordert viele Daten von beobachteten Gut-

und Schlecht-Zuständen vergleichbarer

Maschinen zum Trainieren der Algorithmen

+

-

Zuverlässige Diagnosen auch bei wenigen

historischen Vergleichsdaten

Erfordert Maschinendiagnose-Experten bzw.

gute, mathematische Modelle der

Symptom–Fehler–Zusammenhänge

-

+

Datengetriebene Analytik

Sie basiert z. B. auf neuronalen

Netzwerken, Mustererkennung,

statistischen oder numerischen

Ansätzen.

© Siemens AG 2017


Datenerfassung und

Trendanalyse signifikanter Schadensmerkmale

𝑎(𝑡)

a [

m/s

2]

Frequency [Hz]

Spektrale Analyse

© Siemens AG 2017


Datenerfassung und

Trendanalyse signifikanter Schadensmerkmale

Sch

ad

en

sm

erk

mal

S

Betriebsdauer Einlauf-

phase

Normalbetrieb unter Ausnutzung

des Verschleißvorrates

Schädigungs-

phase

signifikante Zustandsänderung

S I

S II

S III

normaler Zustand Vorlaufzeit

Bruch (Fehler)

Statusanzeige

unzulässiger Zustand

Ok

Warnung

Alarm

Absolutwert:

Trend von S:

Überwachung:

S

S = dS

dt

Prognose

Extrapolierter

Trend

𝑎(𝑡)

a [

m/s

2]

Frequency [Hz]

Spektrale Analyse

© Siemens AG 2017


Von der Messgröße zum Zustandsindikator

S1

S2

S3

S4

S5

A1

A2

A3

A4

A5

Me

ss

grö

ße

Ein „Smart Sensor“ könnte diese Funktionen beinhalten.

Aufnehmer Messumformer/

Signalkonditionierung

Schadens-

merkmale

Diagnose-

verfahren

Analysegerät Anzeigeeinheit

Zustandsmeldung

© Siemens AG 2017


Unterschiedliche Klassen von Sensoren und Systemkonzepten

© Siemens AG 2017


Welche Schäden können detektiert werden?

• Gehäuseschäden, z. B. ausgeschlagener Lagersitz

• Schäden an Wellen, z. B. ausgebrochene Passfedernuten

• Öl-Leckagen, auch innere Leckagen (Fallbeispiel)

• Verzahnungsschäden (Fallbeispiel)

• Wälzlagerschäden (Fallbeispiel)

• Gleitlagerschäden (im Spätstadium)

• Sonstige Schäden …

© Siemens AG 2017


Fallbeispiel: Frühzeitige Erkennung eines Wälzlagerschadens

an einem KMPS-Getriebe

0,00

2,00

4,00

6,00

8,00

10,00

12,00

14,00

16,00

06.12.14 06.01.15 06.02.15 06.03.15 06.04.15 06.05.15 06.06.15 06.07.15 06.08.15 06.09.15 06.10.15 06.11.15

BP

FI L

age

rke

nn

we

rt

Datum

Alarmierung Reparatur (Tausch des defekten Lagers)

6 Monate

© Siemens AG 2017


Fallbeispiel: Frühzeitige Erkennung eines Verzahnungsschadens


0,00

0,02

0,04

0,06

0,08

0,10

0,12

0,14

0,16

01.01.15 01.03.15 01.05.15 01.07.15 01.09.15 01.11.15 01.01.16 01.03.16 01.05.16 01.07.16

Be

sch

leu

nig

un

gsam

pli

tud

e [m

/s^2

]

Datum

Alarmierung Entgraten der Bruchkante

2015-12-11

2015-12-16

© Siemens AG 2017




0,00

0,02

0,04

0,06

0,08

0,10

0,12

0,14

0,16

01.01.15 01.03.15 01.05.15 01.07.15 01.09.15 01.11.15 01.01.16 01.03.16 01.05.16 01.07.16

Be

sch

leu

nig

un

gsam

pli

tud

e [m

/s^2

]

Datum

Alarmierung Entgraten der Bruchkante

2015-12-11

2015-12-16

© Siemens AG 2017



an einem KMPP-Getriebe

0,00

0,05

0,10

0,15

0,20

0,25

0,30

0,35

0,40

0,45

0,50

08.11.2015 08.12.2015 08.01.2016 08.02.2016 08.03.2016 08.04.2016 08.05.2016 08.06.2016 08.07.2016

Bes

chle

un

igu

ngs

amp

litu

de

[m/s

^2]

Datum

Alarmierung Notreparatur (Ausschleifen der Fehlstelle)

49 Tage

© Siemens AG 2017


Fallbeispiel: Schmieröl-Druckabfall an einem KMPP-Getriebe

Plötzlicher Druckabfall

Temperaturanstieg

Schaden repariert

© Siemens AG 2017


Was lernt man daraus?

• Schäden nennenswerter Ausprägung rufen deutliche Amplitudenanstiege der Schadensmerkmale hervor.

Eine geeignete Signalanalyse und Merkmalsbildung vorausgesetzt sind die meisten Getriebeschäden

zuverlässig erkennbar.

• Schwingungsbasiertes Condition Monitoring erkennt Schäden in der Regel bereits in einem sehr frühen

Stadium.

• Vom Zeitpunkt der Schadensdetektion bis zu einer kritischen Eskalation des Schadens vergehen meist

Wochen bis Monate. Es bleibt daher in der Regel genügend Zeit, eine Instandsetzungsmaßnahme zu

planen und mit den entsprechenden Vorrichtungen von versierten Monteuren durchzuführen zu lassen.

• Zieht man weitere Informationen aus visuellen Inspektionen, Ölanalysen, Erfahrungen mit vergleichbaren

Antrieben und der Instandhaltungsplanung hinzu, findet man meist einen geeigneten

Instandsetzungszeitpunkt. Teure Folgeschäden oder Fehler können verhindert werden.

© Siemens AG 2017


Datengetriebene Anomaliedetektion,

multivariate Analyseverfahren

• Unbekannte und komplexe Anomalien werden automatisch erkannt.

• Mit zunehmendem Datenbestand wächst die Sicherheit der Anomaliedetektion und automatische

Diagnosen werden möglich.

Einzelne Sensoren und Frequenzbänder als binäre

Ergebnisse, kodiert als farbige Pixel in einem 2D-Bild

Aggregierte Zustandsinformation der

binären Ergebnisse als prozentualer

Alarmzustand kodiert.

© Siemens AG 2017


MindSphere – das Cloud-basierte, offene IoT operating system

MindApps

• Verwendung von Apps von Siemens, Partnern oder eigenen Apps

• Transparenter Überblick in Maschinen und Anlagen

• Pay-per-Use-Preismodell

MindSphere

• Offene Schnittstelle zur Entwicklung kundenspezifischer Apps

• Unterschiedliche Cloud-Infrastrukturen: SAP, AtoS,

Microsoft Azure; public, private oder on-premise (in Vorbereitung)

MindConnect

• Offene Konnektivitätsstandards (z.B. OPC UA)

• Anbindung von Siemens Produkten und Fremdherstellern

per Plug&Play

• Sichere und verschlüsselte Datenübertragung

MindSphere

10 01 01 11

01 00 11 10

10 01 01 11

10 01 01 11

10 01 01 00

01 00 11 10

10 01 01 11

10 01 01 11

10 01 01 11

01 00

10 01

10 01 01 11 01

10 01 01 00

01 00 11 10 01 00 11

10 01 01 11

10 01 01 11 00 10

© Siemens AG 2017


Kann der ideale Instandsetzungszeitpunkt für Getriebe

prognostiziert werden?

• In Abhängigkeit vom Schädigungsmechanismus haben die Schadensentwicklungen sehr unterschiedliche

Verläufe

• Wohin legt man die Grenze?

Betriebsdauer

Schematische Darstellung gemessener

Trendverläufe

S

© Siemens AG 2017


Fazit

• Condition Monitoring an Industriegetrieben funktioniert.

• Auswahl, Anbringung und Betrieb von CMS erfordert immernoch

entsprechende Expertise.

• Algorithmen zur experten-basierten Maschinendiagnose sind

bewährt und zuverlässig.

• Der Nutzen zur Verfügbarkeitssteigerung ist nachgewiesen.

• Kunden öffnen sich zunehmend den Themen Remote Service

und Cloud, da sie den Mehrwert erkennen.

• Der Einsatz von Data Analytics und Big Data lässt weitere

Effizienzsteigerung erwarten.

© Siemens AG 2017


Vielen Dank für Ihre Aufmerksamkeit

Dr. Jörg Deckers

Senior Key Expert Condition Monitoring

Siemens AG

Am Industriepark 2

46562 Voerde

Telefon: +49(0)2871-92-1064

E-Mail: [email protected]

siemens.com/gcm

Flender

Halle 24

Stand D46

mailto:[email protected]

Anomalie-Diagnose und Ausfallprognose an...

Documents

Transcript of Anomalie-Diagnose und Ausfallprognose an...