Schwingungen von rotierenden Maschinen mit KI überwachen

CONDInet ki ist eine IoT-Überwachungsplattform, die Schwingungs- und Lagerzustandsüberwachung mit Methoden künstlicher Intelligenz kombiniert. Sie liefert zusätzliche, intelligent vorverdichtete Informationen, um Änderungen und Anomalien im Betriebsverhalten frühzeitig zu erkennen. 

CONDInet ki, eine gemeinsame Entwicklung der ai-omatic solutions GmbH und der Avibia GmbH überwacht rotierende Maschinen und Anlagen hinsichtlich unzulässig hoher Schwingungen wie Unwucht oder Fehlausrichtung nach DIN ISO 10816. Gleichzeitig werden Wälz- oder Gleitlager mit geeigneten Signalanalyseverfahren nach DIN 3832 auf Zustandsänderungen und Verschleiß überwacht. CONDInet ki kombiniert dabei klassisches Schwingungsmonitoring mit Methoden der künstlichen Intelligenz und liefert im Ergebnis neue und aussagekräftige Kennwerte die Hinweise auf Änderungen im Betriebsverhalten einer Maschine geben.  Jene Veränderungen sind bei der bloßen Betrachtung der bekannten Messwerte nicht klar, oder überhaupt nicht zu erkennen.  

CONDInet ki ist auch für die Einbeziehung von Prozessmesswerten geeignet, welche über Kommunikationsschnittstellen, z. B. OPC UA, eingebunden und zusammenhängend mit den Schwingungswerten analysiert werden. Das System untersucht mit Methoden künstlicher Intelligenz schwingungstechnische Kennwerte und Rohsignale, sowie gleichzeitig Prozessmesswerte. Bei der KI-Analyse wird berücksichtigt in welchem Kontext die Schwingungskennwerte entstehen. Dies ermöglicht dem System, zwischen typischen und untypischen Messwerten zu differenzieren. Daraus berechnet sich weitergehen kontinuierlich ein KI-Index. Je höher der KI-Index (100 % = optimal) ist, um so stabiler ist das System. Ändert sich der KI-Index, liegt eine Anomalie vor. 

Der KI-Index entscheidet 

Ein KI-Index wird für das ganze System, einmalig pro Messstellengruppe oder für jede einzelne Messstelle berechnet. Über die Zeit lernt der Index welche Schwingungen bei welchen vorherrschenden Prozessvariablen typisch sind und stellt so den Bezug zwischen verschiedenen Betriebszuständen und Schwingungen her. Durch diesen, vom System berücksichtigten Kontext, ist der KI-Index sehr sensitiv einstellbar und zeigt frühzeitig Tendenzen. Werden darüber hinaus die Alarmgrenzen der Schwingungskennwerte überschritten, folgt zunächst eine Warnung und ggf. eine Abschaltung.  

KI und Schwingungsüberwachung kombinieren? 

Ein Wälzlager ist nur ein Bauteil in einer komplexen Maschine und ist von vielen Komponenten umgeben, die sich gegenseitig beeinflussen und Wechselwirkungen untereinander haben. Einen relevanten Einfluss für die Maschinengesundheit haben dabei nicht nur die Lager, sondern auch die korrelierenden Prozessmessgrößen, wie z. B. Durchfluss, Druck usw. 

In einer solchen komplexen Anordnung ist der Einsatz von Methoden der künstlichen Intelligenz besonders effektiv. Und genau an diesem kritischen Punkt setzt CONDInet ki an. Die KI lernt automatisch, und unter dynamischen Betriebsbedingungen, die Wechselwirkungen und Abhängigkeiten der Messsignale untereinander und erstellt einen digitalen Zwilling. 

Nach der Anlernphase wird auf Überwachungsbetrieb umgeschaltet. Dabei werden die effektivsten und modernsten Methoden der künstlichen Intelligenz eingesetzt. Diese warnen die Anlagenbetreiber, wenn der KI-Algorithmus eine Anomalie feststellt.  

Das zugrundeliegende KI-System wurde von einem Hamburger KI-Experten, der ai-omatic solutions GmbH, entwickelt. Ein CONDInet ki System zeigt eindeutig an, ob die Schwingungen in einer Anlage im Normalbereich liegen oder es Abweichungen zum Normalverhalten gibt.  

Nach der Anlernphase, die eine Anbindung an das Internet erfordert, wird von dem System ein dynamisches Modell erstellt und die KI-Analyse beginnt. 

Der Systemaufbau 

CONDInet ki ist modular aufgebaut und besteht aus vier Bausteinen: 

Schwingungssensoren: Zur Messwerterfassung werden in der Regel Beschleunigungssensoren eingesetzt. Diese sind hochverfügbar, langlebig und preiswert. Für langsame Maschinen mit niedrigen Frequenzen eignen sich Schwinggeschwindigkeitssensoren. Avibia bietet ein umfangreiches Portfolio an Sensoren mit unterschiedlichen Messprinzipien an. 

Hardware zur Erfassung von Schwingungsmesswerten: Für die Erfassung der Schwingungsdaten werden verschiedene Hardwareplattformen eingesetzt, die je nach Maschine, Lagertyp oder baulicher Voraussetzungen eingesetzt werden können. 

Bei der Schwingungsüberwachung von Wälzlagern sind das AVIBIAline (modulares Gerät mit dem Beschleunigungssignale erfasst und zu Schwinggeschwindigkeit und Lagerschadenskennwert vorverdichtet werden) und PMM (4-kanaliges Monitoring-Gerät zur Erfassung von Wellenschwingungen und Lagerschwingungen). Bei der drahtlosen Lager- und Schwingungsüberwachung kommt das AV506 (kanalweise skalierbares Erfassungssystem was mit Funksensoren arbeitet und sowohl Kennwerte als auch hochaufgelöste Rohsignale weitergeben kann) zum Einsatz. Bei der Motorstromanalyse das e-MCM (arbeitet ganz ohne Sensoren und ist für die Überwachung von Elektromotoren geeignet) 

IoT-Gate: In CONDInet ki kommuniziert das IoT-Gate mit einem Cloudsystem. Das IoT-Gate ist die zentrale Komponente und sammelt Daten aus unterschiedlichen Quellen und überträgt diese standardisiert an die KI Cloud. Das IoT-Gate beruht auf einer industrietauglichen und bewährten Hardware der Firma Siemens. Seine Software kann auf andere Zielsysteme umgesetzt werden. 

CONDInet ki WebCore: Mit dem CONDInet ki WebCore von ai-omatic werden Sensordaten nach einem gleichbleibenden Prozess automatisiert analysiert. Die Messwerte werden über IoT Schnittstellen empfangen. Dann folgt das Trainieren des Modells anhand der einlaufenden Sensordaten. Das Modell zeichnet sich dadurch aus, dass es im Gegensatz zu anderen KI-Methoden, anstelle von Punktschätzungen, Wahrscheinlichkeitsverteilungen lernt. Dadurch wird eine Wahrscheinlichkeitsangabe möglich, wodurch sich die Grenzwerte zum Auslösen eines Alarms automatisch setzten lassen. Somit ist der Anwender in der Lage, sein eigenes Risiko zu kalkulieren, indem er die Sensitivität der Vorhersage anpasst. Die Methode basiert auf einem hoch flexiblen probabilistischen Modell. Dieses Modell hat in den letzten Jahren zunehmend an Aufmerksamkeit gewonnen, da es unschlagbare Vorteile bei der Datenanalyse mit sich bringt. Dabei steht die Tatsache im Vordergrund, dass es die Vorteile von Statistik und neuronalen Netzen kombiniert. Auf der einen Seite werden durch die Statistik nur wenig Daten benötigt, sowie Wahrscheinlichkeitszusammenhänge berücksichtigt und auf der anderen Seite werden durch neuronale Netze diese komplexen Abhängigkeiten erlernbar. Mit den neuronalen Netzwerken ist dem Modelltraining eine hohe Flexibilität gegeben, sodass sich der Ansatz sich auf eine Vielzahl von Anlagen anwenden lässt. 

Vom Training zur Praxis 

CONDInet ki setzt gänzlich neue und innovative Verfahren ein. Durch das automatische Setzen von Grenzwerten wird ein Problem anderer AI-Methoden gelöst, bei denen Grenzwerte nicht ohne Expertenwissen gesetzt werden können. Das System ist in erster Linie für Online-Überwachungsaufgaben gedacht, kann aber auch mit Offline-Daten betrieben werden. 

Nachdem die Schwingungs- und Prozessmesswerte übertragen werden, beginnt die Trainingsphase. Die Zeitdauer dieser Phase ist abhängig vom Prozess und dauert je nach Komplexität der Abhängigkeiten untereinander einige Tage. In der Trainingsphase müssen sich alle regulären und dynamischen Betriebszustände mehrfach wiederholen. Nach dem Training wird die Überwachungsphase aktiviert. Nun wird der Anlagenzustand in Echtzeit von der KI beurteilt und der KI-Index ist im Dashboard verfügbar. Darüber hinaus können zur Beurteilung des Anlagenzustands im Dashboard alle berücksichtigten Messgrößen betrachtet werden. 

Autoren: Florian Lüdke, Projektingenieur ai-omatic solutions GmbH und Frank Ringsdorf, Geschäftsführer, AVIBIA GmbH 

Bilder: AVIBIA GmbH