-
Die vorliegende Erfindung betrifft das Vorhersagen der Entwicklung eines Defekts eines Lagers.
-
Die vorliegende Erfindung betrifft insbesondere ein Verfahren, eine Vorrichtung und ein System zum Vorhersagen der Entwicklung eines Defekts eines Lagers.
-
Um eine mechanische Anordnung in Drehung zu führen, wird im Allgemeinen die Verwendung von Wälzlagern vorgeschlagen, die mit Wälzkörpern ausgestattet sind, die auf Laufbahnen der Lager abrollen.
-
Visuelle Inspektionen der Wälzkörper werden am Lager durchgeführt, um einen Defekt zu detektieren, der zu einer Verschlechterung des Lagers führt, und um vorausschauende Wartungsarbeiten zu planen.
-
Bei einem Defekt kann es sich um Ausbrüche der Laufbahnen des Lagers handeln.
-
Im Allgemeinen umfassen visuelle Inspektionen die Aufnahme von Bildern des Lagers und die Interpretation der Bilder durch einen Experten.
-
Der Experte kann die Entwicklung der Defekte beispielsweise gemäß der Anzahl der Zyklen aus seiner Interpretation der Bilder und seines Wissens heraus vorhersagen.
-
Aus seinen Vorhersagen spricht der Experte Empfehlungen aus.
-
Die Empfehlungen können die Planung von vorbeugenden Wartungsarbeiten umfassen, z. B. das Lager auszutauschen oder die Wiederaufbereitung des Lagers.
-
Visuelle Inspektionen bleiben ein manueller Prozess, der sich auf das Fachwissen von Experten stützt und Zeit erfordert.
-
Die Experten befinden sich möglicherweise nicht vor Ort, so dass das Lager eingeschickt werden muss, was die Dauer der Nichtverfügbarkeit einer Maschine, die das Lager aufnimmt, verlängert.
-
Allerdings kann der Experte in seiner Interpretation der Bilder falsch liegen, was zu einer inkonsistenten Defektanalyse führt, wenn eine Gruppe von Experten die Bilder interpretiert, und zu inkonsistenten Empfehlungen.
-
Verschiedene Oberflächenmerkmale wie Ölrückstände, Kratzer, Lichtreflektionen und/oder andere Lagerteile können den Experten bei seiner Interpretation der Bilder irreführen.
-
Es ist bekannt, ein neuronales Netz zu trainieren, um Defekte aus Bildern unter Berücksichtigung verschiedener Oberflächenmerkmale zu identifizieren.
-
Das trainierte neuronale Netz identifiziert j edoch nur Defekte und sagt nicht die Entwicklung des Defekts voraus.
-
Die vorliegende Erfindung hat daher zum Ziel, diese Nachteile zu überwinden.
-
Gemäß einem Aspekt wird ein Verfahren zum Vorhersagen der Entwicklung eines Defekts eines Lagers vorgeschlagen.
-
Das Verfahren umfasst:
- - Identifizieren eines Defekts des Lagers und Extrahieren geometrischer Parameter des identifizierten Defekts durch einen trainierten Deep-Learning-Algorithmus aus einem Bild des Lagers, und
- - Vorhersage der Entwicklung des identifizierten Defekts des Lagers aus der Art des identifizierten Defekts und den extrahierten geometrischen Parametern des identifizierten Defekts, den Betriebsparametern des Lagers und einen Modell des Lagers.
-
Das Verfahren erlaubt es, auf automatisierte Weise die Entwicklung verschiedener Arten von Defekten des Lagers zu detektieren und vorherzusagen, ohne dass ein Experte eingreifen muss, indem Ölrückstände, Kratzer, Lichtreflektionen und/oder andere Lagerteile berücksichtigt werden, um eine genaue Klassifizierung der Defekte zu erhalten.
-
Vorzugsweise umfasst das Verfahren ferner das Erzeugen einer Empfehlung gemäß der vorhergesagten Entwicklung des identifizierten Defekts.
-
Die erzeugte Empfehlung erlaubt es, den Benutzer des Lagers effizient, schnell und einfach zu unterstützen, zum Beispiel durch Planen von vorbeugenden Wartungsarbeiten.
-
Vorteilhafterweise umfasst das Verfahren vor dem Identifizieren eines Defekts das Machen des Bilds des in einer Maschine befestigten Lagers.
-
Die Detektion des Defekts wird vor Ort gemacht, das Lager muss nicht z.B. in ein Expertisezentrum geschickt werden.
-
Vorzugsweise umfasst der Defekt einen Ausbruch, die extrahierten geometrischen Parameter umfassen die Größe des Ausbruchs, den Umfang des Ausbruchs und die Lokalisierung des Ausbruchs auf dem Bild.
-
Vorteilhafterweise umfasst der Deep-Learning-Algorithmus ein neuronales Netz, wobei das Verfahren das Trainieren des neuronalen Netzes umfasst, um den Defekt des Lagers zu identifizieren und geometrische Parameter des identifizierten Defekts aus in einer Referenzdatenbank gespeicherten Bildern zu extrahieren.
-
Gemäß einem weiteren Aspekt wird eine Vorrichtung zum Vorhersagen der Entwicklung eines Defekts eines Lagers vorgeschlagen.
-
Die Vorrichtung umfasst:
- - Implementierungsmittel, die dazu ausgelegt sind, einen trainierten Deep-Learning-Algorithmus zu implementieren, um einen Defekt des Lagers zu identifizieren und um geometrische Parameter des identifizierten Defekts aus einem Bild des Lagers zu extrahieren, und
- - Vorhersagemittel, die dazu ausgelegt sind, die Entwicklung des identifizierten Defekts des Lagers aus der Art des identifizierten Defekts und den extrahierten geometrischen Parametern des identifizierten Defekts, aus Betriebsparametern des Lagers und aus einem Modell des Lagers vorherzusagen.
-
Vorzugsweise umfasst der Deep-Learning-Algorithmus ein neuronales Netz, wobei die Vorrichtung weiter Trainingsmittel umfasst, die dazu ausgelegt sind, das neuronale Netz zu trainieren, den Defekt des Lagers zu identifizieren und geometrische Parameter des identifizierten Defekts aus in einer Referenzdatenbank gespeicherten Bildern zu extrahieren.
-
Vorteilhafterweise umfasst die Vorrichtung ferner Erzeugungsmittel, die dazu ausgelegt sind, eine Empfehlung gemäß der vorhergesagten Entwicklung des identifizierten Defekts zu erzeugen.
-
Gemäß einem weiteren Aspekt wird ein System zum Vorhersagen der Entwicklung eines Defekts eines Lagers vorgeschlagen.
-
Das System umfasst eine Vorrichtung, wie sie unten definiert ist, und eine mobile Vorrichtung, die dazu ausgelegt ist, das Bild des in einer Maschine befestigten Lagers aufzunehmen und drahtlos mit der Vorrichtung zu kommunizieren.
-
Andere Vorteile und Merkmale der Erfindung ergeben sich bei der Prüfung der detaillierten Beschreibung der Ausführungsformen, die in keiner Weise einschränkend ist, und den beigefügten Zeichnungen, in denen:
- 1 schematisch ein System zum Vorhersagen der Entwicklung eines Defekts eines Lagers in einer Maschine gemäß der Erfindung zeigt;
- 2 ein Beispiel eines Verfahrens zum Vorhersagen der Entwicklung eines Defekts eines Lagers gemäß der Erfindung zeigt; und
- 3 ein Beispiel einer Vorhersage einer Ausbruchsentwicklung gemäß der Erfindung zeigt.
-
Es wird auf 1 Bezug genommen, die ein Beispiel einer Maschine 1 darstellt, die ein Lager 2 und ein System 3 zum Vorhersagen der Entwicklung eines Defekts des Lagers 2 umfasst.
-
Das System 3 umfasst eine mobile Vorrichtung 4, die Bilder PICT des in der Maschine 1 befestigten Lagers 2 aufnimmt, und eine Vorrichtung 5 zum Vorhersagen der Entwicklung eines Defekts des Lagers 2.
-
Die Vorrichtung 4 kommuniziert drahtlos mit der Vorrichtung 5, um Daten auszutauschen.
-
Die mobile Vorrichtung 3 kann ein Smartphone sein, das drahtlos mit dem System 4 kommuniziert.
-
Als eine Variante kann die mobile Vorrichtung 3 eine Vorrichtung sein, die dazu ausgelegt ist, Bilder zu machen und drahtlos mit dem System 4 zu kommunizieren.
-
In einer weiteren Ausführungsform kann das System 4 in die mobile Vorrichtung 3 integriert sein.
-
Die Vorrichtung 5 umfasst Implementierungsmittel 6, die einen trainierten Deep-Learning-Algorithmus ALGO implementieren, um einen Defekt des Lagers zu identifizieren und geometrische Parameter des identifizierten Defekts aus einem Bild des Lagers 2 zu extrahieren.
-
Der Deep-Learning-Algorithmus ALGO kann ein neuronales Netz umfassen, und die Vorrichtung 5 kann Trainingsmittel 7 umfassen, um das neuronale Netz zu trainieren, um den Defekt des Lagers 2 zu identifizieren und um geometrische Parameter des identifizierten Defekts aus Bildern zu extrahieren, die in einer Referenzdatenbank 8 gespeichert sind.
-
In der Referenzdatenbank 8 werden Bilder über die Identifizierung von Defekten des Lagers 2 und die Extraktion von geometrischen Parametern gespeichert, um die Genauigkeit des neuronalen Netzes, Defekte zu detektieren, zu verbessern.
-
Die Trainingsmittel 7 können weiter Auswertemittel umfassen, um die Genauigkeit der Defektidentifizierung und der Parameterextraktion des neuronalen Netzes auszuwerten, indem die Ergebnisse des neuronalen Netzes mit bekannten Ergebnissen (Validierungssatz) verglichen werden.
-
Die Vorrichtung 5 umfasst ferner Vorhersagemittel 9, die ein Modell MOD des Lagers 2 umfassen.
-
Die Vorhersagemittel 9 sagen die Entwicklung des identifizierten Defekts des Lagers 2 aus der Art des identifizierten Defekts und den extrahierten geometrischen Parametern des identifizierten Defekts, die von den Implementierungsmitteln 6 geliefert werden, aus den Betriebsparametern OP des Lagers 2 und aus dem Modell MOD des Lagers 2 voraus.
-
Ein Beispiel für das Modell MOD wird im Folgenden dargestellt.
-
Die Betriebsparameter OP werden durch die mobile Vorrichtung 4 an die Vorrichtung 5 übermittelt.
-
In einer weiteren Ausführungsform werden die Betriebsparameter OP in einer Datenbank der Vorrichtung 5 gespeichert.
-
Die Betriebsparameter OP umfassen zumindest eines aus der Temperatur des Lagers, der Belastung des Lagers, der Rotationsgeschwindigkeit des Lagers, der Art des Schmiermittels, er Feuchtigkeit im Lager und der Anzahl der Zyklen des Lagers 2.
-
Die Betriebsparameter können durch Sensoren an der Maschine 1 gemessen werden.
-
Die Vorrichtung 5 umfasst weiterhin Erzeugungsmittel 10, die Empfehlungen REC gemäß der vorhergesagten Entwicklung des identifizierten Defekts, die durch die Vorhersagemittel 9 geliefert wird, erzeugen.
-
Die Erzeugungsmittel 10 umfassen einen vorbestimmten kritischen Wert Lc1, der von der Art des Lagers 2 und von der Art der identifizierten Defekte abhängt.
-
Die Erzeugungsmittel 10 können einen Satz von vorbestimmten kritischen Werten umfassen, gemäß der Anzahl der detektierten Defekte und der Art der Defekte.
-
Die Empfehlungen REC werden an die mobile Vorrichtung 4 übermittelt.
-
Die Empfehlungen REC umfassen zum Beispiel eine geschätzte Anzahl von Lagerzyklen, bevor das Lager 2 ausgetauscht oder wiederaufbereitet werden muss, so dass ein Bediener Wartungsarbeiten zum Austausch des Lagers 2 planen kann.
-
Die Vorrichtung 5 umfasst weiterhin eine Verarbeitungseinheit 11, um die Implementierungsmittel 6, die Trainingsmittel 7, die Vorhersagemittel 9 und die Erzeugungsmittel 10 zu implementieren und um mit der mobilen Vorrichtung 4 zu kommunizieren.
-
2 zeigt ein Beispiel eines Verfahrens zum Vorhersagen der Entwicklung eines Defekts eines Lagers 2.
-
Es wird angenommen, dass der Defekt einen Ausbruch einer Laufbahn des Lagers 2 umfasst, und das neuronale Netz wird trainiert.
-
In einer weiteren Ausführungsform umfassen die Defekte des Lagers 2 andere Arten von Defekten.
-
Während eines Schritts 20 nimmt die mobile Vorrichtung 4 ein oder mehrere Bilder des Lagers 2 auf und sendet die Bilder PICT und die Betriebsparameter OP an die Vorrichtung 5.
-
In Schritt 21 implementieren die Implementierungsmittel 6 den Algorithmus ALGO, der das trainierte neuronale Netz umfasst, um den Ausbruch aus den Bildern PICT zu identifizieren und geometrische Parameter des identifizierten Ausbruchs zu extrahieren, die die Größe des Ausbruchs, den Umfang des Ausbruchs und die Lokalisierung des Ausbruchs auf den Bildern PICT umfassen.
-
In Schritt 22 werden die Art des identifizierten Defekts, in diesem Fall der Ausbruch, und die geometrischen Parameter des identifizierten Ausbruchs an die Vorhersagemittel 9 übermittelt.
-
Das Modell MOD der Vorhersagemittel 9 umfasst im Falle eines Ausbruchs ein Modell zum Vorhersagen des Ausbruchfortschreitens im Lager 2 gemäß den Betriebsparametern OP.
-
Das Modell MOD im Falle eines Ausbruches basiert auf empirischen Daten und numerischen Modellen, wie sie im Artikel „Propagation of Large Spalls in Rolling Bearings“, G. Morales-Espejel, P. Engelen, G. van Nijien, Tribology Online, Vol. 14, No. 5 254-266, ISSN 1881-2198 veröffentlicht wurden.
-
3 zeigt ein Beispiel einer Vorhersage der Ausbruchsentwicklung, die von den Vorhersagemitteln 9 ausgegeben wird.
-
Die Ausgabe der Vorhersagemittel 9 wird durch eine Kurve C1 dargestellt, die die Entwicklung der Ausbruchlänge gemäß der Anzahl der Zyklen Nzyli, des Lagers 2 darstellt.
-
Die Ausgabe der Vorhersagemittel 9 kann eine Tabelle sein, die zwei Spalten umfasst, die die Ausbruchlänge mit der Anzahl der Zyklen Nzyki, verknüpfen.
-
In Schritt 23 vergleichen die Erzeugungsmittel 10 die Kurve C1 mit dem vorgegebenen kritischen Wert Lc1, der beispielsweise eine vorgegebene kritische Ausbruchlänge umfasst.
-
Die Erzeugungsmittel 10 können Empfehlungen REC erzeugen, die eine Nachricht umfassen, die angibt, dass das Lager 2 ausgetauscht werden sollte, wenn das Lager 2 eine Anzahl von Zyklen Nc1 erreicht hat, die einer vorhergesagten Ausbruchlänge entspricht, die gleich dem vorbestimmten kritischen Wert Lei ist (3).
-
Die erzeugten Empfehlungen REC erlauben es, den Benutzer der Maschine 1 effizient, schnell und einfach zu unterstützen.
-
Die Empfehlungen REC werden durch die Verarbeitungseinheit 11 an die mobile Vorrichtung 4 übermittelt.
-
In einer weiteren Ausführungsform des Verfahrens übermittelt die Verarbeitungseinheit 11 die Ausgabe der Vorhersagemittel 9 an die mobile Vorrichtung 4.
-
Die Vorrichtung 5 erlaubt es, die Entwicklung verschiedener Arten von Defekten des Lagers 2 ohne das Eingreifen eines Experten auf automatisierte Weise zu detektieren und vorherzusagen und Empfehlungen über die Lebensdauer des Lagers 2 zu geben, indem beispielsweise vorhergesagt wird, wann das Lager 2 ausgetauscht werden sollte, so dass vorausschauende Wartungsarbeiten geplant werden können.
-
Die Planung von vorausschauenden Wartungsarbeiten zum richtigen Zeitpunkt erlaubt es, die Verfügbarkeitsrate der Maschine 1 zu erhöhen.
-
Die Vorrichtung 5 interpretiert die Bilder des Lagers 2 unter Berücksichtigung von Ölrückständen, Kratzern, Lichtreflektionen und/oder anderen Lagerteilen, um eine genaue Klassifizierung der Defekte zu erhalten.
