EP4185853A1 - Verfahren zur fehlererkennung bei einem antrieb - Google Patents

Verfahren zur fehlererkennung bei einem antrieb

Info

Publication number
EP4185853A1
EP4185853A1 EP21797957.4A EP21797957A EP4185853A1 EP 4185853 A1 EP4185853 A1 EP 4185853A1 EP 21797957 A EP21797957 A EP 21797957A EP 4185853 A1 EP4185853 A1 EP 4185853A1
Authority
EP
European Patent Office
Prior art keywords
spectrum
frequency
peak
recognized
pattern
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP21797957.4A
Other languages
English (en)
French (fr)
Inventor
Rohan Mangalore Shet
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Innomotics GmbH
Original Assignee
Siemens AG
Siemens Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens AG, Siemens Corp filed Critical Siemens AG
Publication of EP4185853A1 publication Critical patent/EP4185853A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—Acoustic or vibration analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis

Definitions

  • the invention relates to a method for detecting faults in a drive.
  • a drive has, for example, an electric machine, a gear, a V-belt, a power converter, etc. on .
  • the drive also has one or more bearings, for example.
  • the warehouse or the bearings are in particular part of the electrical machine of the transmission, etc.
  • the electric machine is, for example, a high-voltage electric motor.
  • Such motors are used, for example, in many manufacturing industries. Timely maintenance of these machines is a key aspect in order to ensure uninterrupted operation and service of such systems for the customer. to provide service.
  • One goal can be, for example, to identify mechanical faults in the moving elements of an electric motor at an early stage and to offer the operator of a system or an engine or alert a service team in time to avoid any unplanned machine downtime or to avoid the plant.
  • EP1304463B1 discloses a method for monitoring the condition of a bearing arranged at one end of a rotatable shaft, a vibration sensor monitoring the bearing being arranged at the other end of the rotatable shaft, but in the vicinity thereof.
  • a broadband signal is determined by the vibration sensor, by means of which the bearing is monitored for a defect.
  • a vibration sensor for monitoring the state of a rotating component is known from US7231303B2.
  • Evaluation electronics available for this purpose have an analog-to-digital converter and a signal conditioning device a multiplicity of signals that were detected by the sensor element and can thus be diagnosed.
  • a signal processing device for processing machine vibrations is known from US Pat. No. 5,895,857A.
  • a peak detector is used to determine peaks in vibration amplitude during predetermined sampling periods.
  • One object of the invention is to improve fault detection in a drive.
  • a solution to the problem results from a method according to claim 1 .
  • Configurations result, for example, according to claims 2 to 13 .
  • the task is solved by a computer program product according to claim 14 .
  • the advantages and configurations listed below in relation to the method can be transferred analogously to the computer program and the computer program product.
  • a normalized spectrum is determined, a normalized frequency spectrum.
  • the error detection does not only relate to an error, for example, but also wear of a component or wear of several components of a drive.
  • the component is, for example, a bearing, a clutch and/or a gear. Wear and tear can also be referred to as an error, in particular above a threshold value. Not every error automatically leads to a shutdown of the drive, for example. Examples of actions in the event of a fault are reducing the maximum speed, reducing the maximum acceleration, reducing the maximum load on the bearing and/or gear, scheduling a repair and/or replacement of the faulty bearing and/or gear.
  • the spectrum concerns, for example, a velocity, a derivative of the velocity (in particular a ne acceleration), a vibration (whereby a vibration can also be dependent on a speed), or . Values of the same or similar kind.
  • Speed affects, for example, the speed of a bearing, a gearbox, a motor, a generator, a clutch, etc.
  • the vibration concerns, for example, the vibration of a bearing, a transmission, an engine, a generator, a clutch, etc.
  • the vibration is recorded, for example, by means of a vibration sensor, with the vibration being recorded in particular on a housing or within a transmission.
  • the vibration is caused in particular by a movement.
  • the movement relates in particular to a rotary movement, ie also to a speed (in particular a rotary speed).
  • a bearing error can, for example, cause a vibration when a component rotates by means of the bearing. This vibration is therefore also dependent on a speed, the number of revolutions.
  • the spectrum is advantageously standardized.
  • a threshold such as e.g. B. a minimum value, independent of the place of use and/or the time of use of the method, to be changed . This applies, for example, to the use of the method in different types of bearings.
  • the normalization also results in an advantage when considering at least one or more peak values within the spectrum.
  • a normalized spectrum is determined, which depends on a speed, with peak values in the spectrum being detected, with a first peak being detected at a first frequency, with a second peak being detected at a second frequency, based on the first frequency and a pattern is detected on the second frequency. Peaks in a spectrum can also be referred to as peaks.
  • this is based on the detection of frequency ratios, i.e. in particular the x Frequencies of different peak values (maxima) .
  • the disadvantage of narrow bandpass filters for detecting a single maximum can thus be avoided.
  • a normalized speed spectrum can therefore be determined, with a first peak value being detected and with a first pattern being detected.
  • the speed is a speed, for example.
  • errors can be detected.
  • a peak value is detected or detected a pattern that differs from normal operation. The deviation can result from an error.
  • a fault in a drive belt such as a belt misalignment, can also be detected.
  • an error in a bearing in order to detect an error in a bearing, it can be stored as a function of a specific bearing and as a function of a specific error pattern, and this stored error pattern can be recognized.
  • this consideration of predetermined frequency ranges succeeds, for example, through the use of bandpasses. With this approach, an error is only detected if the peak values fall within the bandpass range.
  • the band-pass filters are used to identify the error pattern. So shift the frequencies, z. B. due to external influences, an error is no longer recognized.
  • the pattern relates to the frequencies and/or the amplitudes of the peak values, with the frequencies in particular being multiples of one another.
  • a peak value can be identified in which it exceeds a minimum value, for example.
  • the so identi fi ed resp. detected peak has an associated frequency .
  • a frequency of a peak value can thus be a multiple of a further frequency of a further peak value.
  • Patterns result in particular from the fact that multiples of frequencies are recognized which are each associated with peak values. In this way, an error pattern can be recognized even if the pattern of this error shifts in the frequency range.
  • the peak value or the peak values are recognized by exceeding a first minimum value (threshold value or limit value).
  • the first minimum or other minimum values can be set, for example.
  • At least one of the peak values has lateral peak values in sidebands, with the lateral peak values in particular being recognized by exceeding a second minimum value.
  • the peak values of side walls can therefore contribute in particular to identifying a defect and can be part of a pattern.
  • the pattern is therefore also recognized as a function of lateral peak values in sidebands. This contributes to the certainty of detecting an error since a more complex pattern can be detected.
  • a large number of patterns are stored, with a large number of patterns being assigned at least one error in each case.
  • different errors can be recognized by different patterns.
  • a large number of errors can also be associated with a pattern.
  • a large number of patterns can also be assigned to an error. This can improve the detection of the error, for example.
  • a fault relates to wear. Wear of a bearing, gearing and/or a clutch can also be recognized in particular. From this, for example, an exchange or maintenance of a bearing, gear and/or a clutch can be planned.
  • a normalized acceleration spectrum and/or a normalized speed spectrum is determined as the spectrum, with different patterns being recognized in particular in different spectra.
  • a suitable spectrum can advantageously be considered.
  • a normalized acceleration envelope curve spectrum is determined, with a second peak value being recognized and with a second pattern also being recognized. For example, a bearing error and / or an error in a transmission, or a gear element can be recognized.
  • a vibration analysis is carried out in the frequency range of the spectrum using the normalized speed spectrum.
  • a vibration analysis is carried out in the frequency range of the spectrum using a normalized acceleration envelope.
  • a vibration analysis in the frequency range is carried out using the normalized speed spectrum.
  • errors can be detected that are associated with a machine, such as e.g. B. an alignment error or loosening a fastening of the machine.
  • a vibration analysis in the frequency range is carried out using a spectrum of the normalized acceleration envelope.
  • the vibration analysis in the frequency domain is carried out in particular on the basis of expert knowledge (with the help of bearing information) using spectra of the normalized acceleration envelope in order to detect faults that belong to a bearing element.
  • statistical inference is applied to time domain statistics such as skewness and kurtosis. In this way it is possible to detect abnormal behavior in the vibration signal.
  • artificial intelligence is used to recognize a pattern.
  • Such an artificial intelligence is in particular trainable.
  • Information about the drive such as rated power, peak power, rated speed, maximum speed, etc., can be used for training. be used with .
  • an operating state of the drive is used for error detection. For example, a distinction can be made as to whether vibrations occur at a standstill, during an acceleration phase or only at high speeds. Depending on these operating conditions, a frequency spectrum can then be analyzed.
  • the vibration analysis is performed on the vibration data that is recorded by vibration sensors that are mounted on the drive side and on the operator side of the machine.
  • the sensors can z. B. can be mounted in different orientations in relation to the axis of rotation of the motor: axial, vertical or horizontal.
  • the vibration analysis can based on a simple thresholding of KPIs in the time domain, e.g. B. RMS value , crest factor, peak-to-peak , kurtosis and skewness . It is also possible, for example, to base the vibration analysis on a spectral analysis, with the vibration signal being transformed in the time domain into the frequency domain and analyzed.
  • predefined ranges of the spectra associated with bearing failures can be monitored and if the spectral peaks of this range are above the set threshold, a failure can be detected and reported.
  • Key information of the spectral ranges that belong to rolling bearing defects can be taken from rolling bearing data sheets, for example.
  • a vibration analysis tool receives vibration data. Such vibration data can be evaluated in the tool by calculations.
  • the vibration analysis tool is, for example, at the location of the monitored machine or at a distance from this location, so that the data required for this is transmitted to the vibration analysis tool, for example via the Internet.
  • the calculation relates, for example, to vibration spectra in the frequency domain, vibration statistics in the time domain and/or operating states of the monitored machine.
  • Vibration spectra in the frequency domain velocity and acceleration envelope spectra
  • time-domain statistics such as expected value, variance, skewness and/or kurtosis, operating states of the machine, which are defined in particular on the basis of the speed and torque of the machine at a given point in time.
  • important asset information such as storage type, application de- tails , such as B. Gear drive, belt drive, stored and used in the analysis of the measured actual values such as speed or vibration.
  • engine damage detection can use this data to detect errors that belong to various moving elements of the electrical machine, such as e.g. B. Bearing elements, belts or gears.
  • spectra of recorded data or Actual values normalized (normalized) in relation to amplitude and speed in order to obtain amplitude-normalized order spectra are spectra of recorded data or Actual values normalized (normalized) in relation to amplitude and speed in order to obtain amplitude-normalized order spectra.
  • a normalization algorithm can be made robust with respect to different operating states.
  • the amplitude normalization is based on a spectral z-weighting.
  • At least two of the steps listed below are used in parallel, since they are independent of one another: a) Carrying out a vibration analysis based on expert knowledge in the frequency range using normalized speed spectra in order to detect errors that belong to the machine, such as e.g. B. Alignment error, loosening, b ) perform frequency domain vibration analysis based on expert knowledge (using bearing information) on normalized acceleration envelope spectra to detect errors associated with the bearing element c ) perform statistical inference based on time domain statistics such as Skewness and buckling to detect abnormal behavior in the vibration signal.
  • Steps [a-c] are steps for detecting bearing failures in a machine using vibration analysis.
  • the peak and pattern recognition module used to identify peak values and patterns is not only robust to deviations in the bearing information, but also offers the possibility of detecting bearing defects if there is no bearing information.
  • the peak and pattern recognition module also enables the detection of non-bearing faults such as belt misalignment and/or a defective gear.
  • the module uses the vibration spectrum as an input signal to identify peak values and patterns. In particular, it applies a threshold to the spectrum and removes smaller, less prominent peaks, since these peaks contain no information about the errors.
  • one of the prominent peaks contains integer multiple harmonics. This is done with all peaks in particular. Peaks are formed which do not contain harmonics or when the peak is already a harmonic of a conspicuous lower order peak. This is how you get peaks with harmonics. Peaks with harmonics can indicate an error. Once these peaks are identified, a type of error can be narrowed down by evaluating the spectral patterns around these peaks and their harmonics.
  • the results from [a-e] are compared with the help of expert knowledge or analyzed by an artificial intelligence in order to draw conclusions about a possible defect and its severity.
  • engine damage detection is triggered in good time, for example, if all of the above-mentioned steps in section [ae] are carried out.
  • the output can be a visual graphic for an operator. It is also possible, for example, to generate a detailed report with detailed graphics and historical analysis.
  • bearing information for its functionality can be dispensed with in an automated vibration analysis in the frequency range.
  • the analysis is no longer dependent on knowledge of precise bearing error frequencies.
  • bearing information is inaccurate or unavailable, which could have resulted in poor performance or a complete failure to detect faulty bearing elements.
  • the method described does not require a large amount of training data. The method described provides a robust technique for overcoming the dependency on inventory information.
  • One of the methods described makes it possible, for example, to monitor very old machines for which the storage information is not available. Using one of the methods described, it is possible to obtain reliable information about the state of health of the system and/or to provide timely information about a potential defect.
  • actual values or values derived therefrom are transmitted via the Internet and an analysis of the data is made possible using a cloud application.
  • this is provided in a suitable Python environment on scalable instances by means of a cloud application, ie web-based.
  • a cloud application ie web-based.
  • This has the advantage of enabling process automation.
  • the method is implemented, for example, by algorithms based on expert knowledge and pattern mining.
  • a combination of different techniques is used.
  • these are: a) statistical derivation of time-domain-based KPIs from vibration data, b) vibration analysis in the frequency domain using a predefined spectral threshold calculation based on expert knowledge (threshold calculation to define a faulty and non-faulty state) and bearing information, c) spectral thresholding of peak patterns , which were obtained from the detection of novel peak and pattern recognition, which is developed in particular on the basis of expert knowledge.
  • a final decision is based on the combined results of a, b, and c.
  • the algorithm in the absence of storage information, relies on (a, c) to make a decision.
  • the algorithm uses (a,b,c) to make a decision.
  • main maxima are detected in a spectrum.
  • secondary maxima are detected, each of which represents a sideband of a main maximum. From the pattern of the main maxima and secondary maxima, an analysis device draws conclusions about a specific error. In particular, this analysis device has an artificial intelligence.
  • a computer program product can be provided which has computer-executable program means and, when executed on a computer device with processor means and data storage means, is suitable for carrying out a method according to one of the types described. In this way, an underlying task can be solved by a computer program product that can also be used to simulate operating behavior.
  • the computer program product is intended in particular for installation on a computing unit assigned to a control device, with the computer program product being designed to carry out the method described when it is executed on the computing unit.
  • the representation according to FIG. 1 shows an electric motor 1 and a sensor 2 for recording actual values.
  • the actual values are received by an analysis device 3 and a spectrum 4 is formed.
  • a pattern of main maxima ie the essential maxima
  • patterns of sidebands are recognized.
  • errors are detected on the basis of the previous steps (pattern of the main maxima and of the sidebands).
  • Such defects can be classified into types of bearing defects.
  • Such guys are for example: bearing inner ring, bearing outer ring, rotating element of the bearing, cage, defective gearbox, defective drive belt.
  • FIG. 2 shows a first case with a spectral analysis.
  • FIG. 2 shows theoretical and practical error patterns in the event of an error in a position element.
  • a spectrum is shown in three areas 10 , 11 and 12 , these areas relating to a theoretical representation 13 .
  • Area 10 relates to a specific speed.
  • Area 11 relates to an acceleration.
  • Region 12 relates to high frequencies. This then results in a spectrum for the speed 8 and a spectrum for the acceleration 9.
  • BPFO All Pass Frequency Outer Race/ball bearing outer ring frequency
  • FIG. 3 shows a second case with a spectral analysis.
  • FIG. 3 shows spectra and error patterns in a BPFI (Ball Pass Frequency Inner Race/ball bearing inner ring frequency). Shown are main maxima 15 and 17, ie peak values, and their associated sidebands 16 and 16' with the lateral peak values for the main maximum BPFI and sidebands 18 and 18' for the further main maximum 17 with 2 ⁇ BPFI. This makes it clear that certain errors or error sources can be inferred based on a pattern of a frequency analysis.
  • BPFI Bit Pass Frequency Inner Race/ball bearing inner ring frequency
  • the representation according to FIG. 4 shows a third case with a spectral analysis.
  • This third case concerns the ball spin (BS), ie in particular the BSF (Ball Spin Frequency). So there may be a defect in the balls of a ball bearing. It can be seen that here through the sidebands (FT) the pattern of the maxima has experienced an additional expression.
  • BS ball spin
  • BSF Bit Spin Frequency
  • a fault can consequently be detected by spectral pattern recognition.
  • the spectral pattern recognition is based on the recognition of maxima, in particular main maxima, and the recognition of maxima next to the sidebands of the main maxima.
  • defects in a bearing can be assigned to a class of defects. In particular, these are defects in the area of the outer ring, defects in the area of the inner ring and/or defects in the balls of a ball bearing. This also applies accordingly to barrel bearings or needle bearings or the like.
  • the representation according to FIG. 5 shows a further spectral analysis with a frequency range 25, which can be set, for example, with a bandpass filter.
  • the frequency range 25 has a lower frequency 29 and an upper frequency 30 .
  • the normalized amplitude x(f) is plotted with its absolute value over the frequency f [Hz]. Peak values 34, 35, 36, 38 and 39 are shown, these being recognized when a minimum value 25 is exceeded. For example, a peak 40 does not exceed this minimum value 25 and thus does not qualify as a peak for pattern recognition.
  • the peaks 34, 35, 36, 38 and 39 are assigned frequencies 21, 22, 23, 31, 32 and 33, respectively.
  • Bandpass filters 26, 27 and 28 are also shown. Frequency 22 is, for example, twice the frequency of frequency 21.
  • Frequency 23 is, for example, three times the frequency of frequency 21. In this way, a pattern can be recognized which is based on recognizing a multiple of a frequency .
  • the band-pass filters can also be arranged in relation to a multiple. However, if the spectrum shifts, errors can no longer be detected with fixed bandpasses if the peak values are outside the observed frequency range. By avoiding these narrow bandpass filters to detect a particular peak, the error detection method is tolerable. ranter .
  • the error detection can be improved by patterns which are based on the detection of frequency ratios.

Landscapes

  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur Fehlererkennung bei einem Antrieb (1), wobei ein normiertes Spektrum (8, 37) ermittelt wird, welches von einer Geschwindigkeit abhängt, wobei Spitzenwerte (34, 35, 36, 38, 39) im Spektrum (8) erkannt werden, wobei ein erster Spitzenwert (34, 35) bei einer ersten Frequenz (21, 22) erkannt wird, wobei ein zweiter Spitzenwert (35, 36) bei einer zweiten Frequenz (22, 23) erkannt wird, wobei, basierend auf der ersten Frequenz (21, 22) und auf der zweiten Frequenz (22, 23), ein Muster erkannt wird.

Description

Beschreibung
Verfahren zur Fehlererkennung bei einem Antrieb
Die Erfindung betri f ft ein Verfahren zur Fehlererkennung bei einem Antrieb .
Ein Antrieb weist beispielsweise eine elektrische Maschine , ein Getriebe , einen Keilriemen, einen Stromrichter, etc . auf . Der Antrieb weist beispielsweise auch ein oder mehrere Lager auf . Das Lager bzw . die Lager sind insbesondere Teil der elektrischen Maschine des Getriebes , etc . Die elektrische Maschine ist beispielsweise ein Hochspannungs-Elektromotor .
Derartige Motoren werden zum Beispiel in vielen Fertigungsindustrien eingesetzt . Eine rechtzeitige Wartung dieser Maschinen ist ein Schlüsselaspekt , um dem Kunden derartige Anlagen einen ununterbrochenen Betrieb bzw . Service zu bieten . Ein Ziel kann dabei sein zum Beispiel eine frühzeitige Vorhersage von mechanischen Fehlern in den beweglichen Elementen eines Elektromotors zu erkennen und die Möglichkeit zu bieten, den Betreiber einer Anlage bzw . eines Motors bzw . ein Kundendienstteam rechtzeitig zu alarmieren, um eine ungeplante Ausfall zeit der Maschine bzw . der Anlage zu vermeiden .
Aus der EP1304463B1 ist beispielsweise ein Verfahren zur Überwachung des Zustandes eines Lagers bekannt , das an einem Ende einer drehbaren Welle angeordnet ist , wobei ein das Lager überwachender Vibrationssensor an dem anderen Ende der drehbaren Welle , j edoch in der Nähe derselben angeordnet ist . Bei dem Verfahren wird ein Breitbandsignal durch den Vibrationssensor ermittelt , mittels dessen das Lager auf einen Defekt überwacht wird .
Aus der US7231303B2 ist ein Schwingungssensor zur Überwachung des Zustands einer rotierenden Komponente bekannt . Eine hierfür vorhandene Auswertungselektronik hat einen Analog- Digital-Wandler und eine Signalaufbereitungsvorrichtung mit einer Viel zahl von Signalen, die durch das Sensorelement erfasst wurden, und so diagnosti zierbar sind .
Aus der US5895857A ist eine Signalverarbeitungseinrichtung zur Verarbeitung von Maschinenschwingungen bekannt . Hier ist ein Spitzenwertdetektor zur Bestimmung von Spitzen der Vibrationsamplitude während vorbestimmter Stichprobenzeiträume verwendet .
Die Eine Aufgabe der Erfindung ist es die Fehlererkennung bei einem Antrieb zu verbessern .
Eine Lösung der Aufgabe ergibt sich nach einem Verfahren gemäß Anspruch 1 . Ausgestaltungen ergeben sich beispielsweise gemäß der Ansprüche 2 bis 13 . Darüber hinaus ergibt sich eine Lösung der Aufgabe durch ein Computerprogrammprodukt nach Anspruch 14 . Die in Bezug auf das Verfahren nachstehend angeführten Vorteile und Ausgestaltungen lassen sich sinngemäß auf das Computerprogramm und das Computerprogrammprodukt übertragen .
Bei einem Verfahren zur Fehlererkennung bei einem Antrieb wird ein normiertes Spektrum ermittelt , ein normiertes Frequenzspektrum . Die Fehlererkennung betri f ft dabei beispielsweise nicht nur einen Fehler, sondern auch einen Verschleiß eines Bauteils oder den Verschleiß mehrerer Bauteile eines Antriebs . Das Bauteil ist beispielsweise ein Lager, eine Kupplung und/oder ein Getriebe . Auch ein Verschleiß kann, insbesondere ab einem Schwellwert , als Fehler bezeichnet werden . Nicht j eder Fehler hat automatisch beispielsweise zu einem Stillsetzen des Antriebs zu führen . Beispiele für Maßnahmen bei einem Fehler sind eine Reduzierung der maximalen Geschwindigkeit , eine Reduzierung der maximalen Beschleunigung, eine Reduzierung der maximalen Belastung des Lagers und/oder Getriebes , das Planen einer Reparatur und/oder eines Austausches des fehlerhaften Lagers und/oder des fehlerhaften Getriebes . Das Spektrum betri f ft beispielsweise eine Geschwindigkeit , eine Ableitung der Geschwindigkeit ( insbesondere ei- ne Beschleunigung) , eine Vibration (wobei auch eine Vibration von einer Geschwindigkeit abhängig sein kann) , bzw . Werte gleicher oder ähnlicher Art . Die Geschwindigkeit betri f ft beispielsweise die Drehzahl eines Lagers , eines Getriebes , eines Motors , eines Generators , einer Kupplung, usw . Die Vibration betri f ft beispielsweise das Vibrieren eines Lagers , eines Getriebes , eines Motors , eines Generators , einer Kupplung usw . Die Vibration wird beispielsweise mittels eines Vibrationssensors aufgenommen, wobei die Vibration insbesondere an einem Gehäuse oder innerhalb eines Getriebes aufgenommen wird . Die Vibration wird insbesondere durch eine Bewegung hervorgerufen . Die Bewegung betri f ft insbesondere eine Drehbewegung, also damit auch eine Geschwindigkeit ( insbesondere eine Drehgeschwindigkeit ) . Ein Lagerfehler kann bei Drehung eines Bauteils mittels des Lagers beispielsweise eine Vibration hervorrufen . Diese Vibration ist also auch abhängig von einer Geschwindigkeit , der Drehzahl . Vorteilhaft ist das Spektrum normiert . So kann beispielsweise ein Schwellwert , wie z . B . ein Mindestwert , unabhängig vom Einsatzort und/oder der Einsatz zeit des Verfahrens festgelegt bzw . verändert werden . Dies betri f ft also beispielsweise den Einsatz des Verfahrens bei verschiedenen Typen von Lagern . Beispielsweise ergibt sich durch die Normierung auch ein Vorteil bei der Betrachtung zumindest eines oder mehrerer Spitzenwerte innerhalb des Spektrums .
Bei einer Ausgestaltung des Verfahrens wird ein normiertes Spektrum ermittelt , welches von einer Geschwindigkeit abhängt , wobei Spitzenwerte im Spektrum erkannt werden, wobei ein erster Spitzenwert bei einer ersten Frequenz erkannt wird, wobei ein zweiter Spitzenwert bei einer zweiten Frequenz erkannt wird, wobei basierend auf der ersten Frequenz und auf der zweiten Frequenz ein Muster erkannt wird . Spitzenwerte in einem Spektrum können auch als Peaks bezeichnet werden .
In einer Ausgestaltung des Verfahrens basiert dieses auf dem Erkennen von Frequenzverhältnissen, also insbesondere den x- fachen Frequenzen von unterschiedlichen Spitzenwerten (Maxima ) . Damit kann der Nachteil von schmalen Bandpässen zum Erkennen eines einzelnen Maximums vermieden werden .
Bei einem Verfahren zur Fehlererkennung bei einem Antrieb kann also ein normiertes Geschwindigkeitsspektrum ermittelt werden, wobei ein erster Spitzenwert erkannt wird und wobei ein erstes Muster erkannt wird . Die Geschwindigkeit ist beispielsweise eine Drehzahl . Durch das Erkennen des Spitzenwertes bzw . des Musters im normierten Geschwindigkeitsspektrum können Fehler erkannt werden . Dabei wird ein Spitzenwert erkannt bzw . ein Muster erkannt , das vom Normalbetrieb abweicht . Die Abweichung kann sich durch einen Fehler ergeben . So kann beispielsweise auch ein Fehler bei einem Antriebsriemen, wie ein Riemenversatz , erkannt werden .
Um beispielsweise einen Fehler bei einem Lager zu erkennen, kann abhängig von einem bestimmten Lager und abhängig von einem bestimmten Fehlerbild gespeichert und dieses gespeicherte Fehlerbild erkannt werden . Um Störeinflüsse aus zuschließen werden nur bestimmte Frequenzbereiche betrachtet , in denen im Fall eines Fehlers j eweils ein Spitzenwert auftreten muss . Diese Betrachtung von vorbestimmten Frequenzbereichen gelingt beispielsweise durch die Verwendung von Bandpässen . Bei diesem Vorgehen wird ein Fehler nur erkannt , wenn die Spitzenwerte in den Bereich der Bandpässe fallen . Die Bandpässe dienen der Erkennung des Fehlerbildes . Verschieben sich also die Frequenzen, z . B . durch äußere Einflüsse , wird ein Fehler nicht mehr erkannt .
Wird ein Muster auf Basis der Spitzenwerte und der zu den Spitzenwerten zugehörigen Frequenzen erkannt , da sich daraus ein Muster ergibt , so ist die Erkennung unabhängig von ggf . zu engen Bandpässen .
Bei einer Ausgestaltung des Verfahrens betri f ft das Muster die Frequenzen und/oder die Amplituden der Spitzenwerte , wobei insbesondere die Frequenzen Viel fache voneinander sind . Durch die Betrachtung der Amplituden kann ein Spitzenwert identi fi ziert werden, in dem dieser beispielsweise einen Mindestwert überschreitet . Der so identi fi zierte bzw . erkannte Spitzenwert weist eine zugehörige Frequenz auf . Hieraus ergeben sich verschiedene Frequenzen zu den Spitzenwerten . Aus den j eweiligen Frequenzen zu den Spitzenwerten lässt sich nun insbesondere eine Abhängigkeit bzw . Relation zueinander erkennen . So kann eine Frequenz eines Spitzenwertes ein Viel faches einer weiteren Frequenz eines weiteren Spitzenwertes sein . Muster ergeben sich insbesondere daraus , dass Viel fache von Frequenzen erkannt werden, die j eweils Spitzenwerten zugeordnet sind . So kann ein Fehlermuster erkannt werden, auch wenn sich das Muster dieses Fehlers im Frequenzbereich verschiebt .
In einer Ausgestaltung des Verfahrens wird also der Spitzenwert bzw . werden die Spitzenwerte durch ein Überschreiten eines ersten Mindestwertes ( Schwellwert bzw . Grenzwert ) erkannt . Der erste Mindestwert bzw . weitere Mindestwerte sind beispielsweise einstellbar .
In einer weiteren Ausgestaltung des Verfahrens weist zumindest einer der Spitzenwerte seitliche Spitzenwerte in Seitenbändern auf , wobei insbesondere die seitlichen Spitzenwerte durch ein Überscheiten eines zweiten Mindestwertes erkannt werden . Auch die Spitzenwerte von Seitenwänden ( seitliche Spitzenwerte ) können also insbesondere zur Identi fi zierung eines Fehlers beitragen und Teil eines Musters sein .
In einer Ausgestaltung des Verfahrens wird also das Muster auch abhängig von seitlichen Spitzenwerten in Seitenbändern erkannt . Dies trägt zur Sicherheit der Erkennung eines Fehlers bei , da ein komplexeres Muster zu erkennen ist .
In einer Ausgestaltung des Verfahrens sind eine Viel zahl von Mustern gespeichert , wobei einer Viel zahl der Muster j eweils zumindest ein Fehler zugeordnet ist . So können durch verschiedene Muster verschieden Fehler erkannt werden . Einem Muster kann beispielsweise auch eine Viel zahl von Fehlern zugeordnet sein . Beispielsweise kann auch einem Fehler eine Viel zahl von Mustern zugeordnet sein . Damit kann sich beispielsweise die Erkennung des Fehlers verbessern .
In einer Ausgestaltung des Verfahrens betri f ft ein Fehler einen Verschleiß . Es kann also insbesondere auch ein Verschleiß eines Lagers , Getriebes und/oder einer Kupplung erkannt werden . Daraus lässt sich beispielsweise ein Austausch oder eine Wartung eines Lagers , Getriebes und/oder einer Kupplung planen .
In einer Ausgestaltung des Verfahrens wird als Spektrum ein normiertes Beschleunigungsspektrum ermittelt und/oder ein normiertes Geschwindigkeitsspektrum, wobei insbesondere in unterschiedlichen Spektren unterschiedliche Muster erkannt werden . Vorteilhaft kann, abhängig vom zum zu erkennenden Fehler, ein passendes Spektrum betrachtet werden .
In einer Ausgestaltung des Verfahrens wird ein normiertes Beschleunigungshüllkurvenspektrum ermittelt , wobei ein zweiter Spitzenwert erkannt wird und wobei auch ein zweites Muster erkannt wird . So kann beispielsweise ein Lagerfehler und/oder ein Fehler eines Getriebes , bzw . eines Getriebeelementes , erkannt werden .
In einer Ausgestaltung des Verfahrens wird eine Schwingungsanalyse im Frequenzbereich des Spektrums anhand des normierten Geschwindigkeitsspektrums durchgeführt .
In einer Ausgestaltung des Verfahrens wird eine Schwingungsanalyse im Frequenzbereich des Spektrums anhand einer normierten Beschleunigungshüllkurve durchgeführt .
In einer Ausgestaltung des Verfahrens wird eine Schwingungsanalyse im Frequenzbereich anhand des normierten Geschwindig- keitsspektrums durchgeführt . So können beispielsweise Fehler erkannt werden, die eine Maschine zugehörig sind, wie z . B . ein Ausrichtungs fehler oder eine Lockerung eine Befestigung der Maschine .
In einer Ausgestaltung des Verfahrens wird eine Schwingungsanalyse im Frequenzbereich anhand eines Spektrums der normierten Beschleunigungshüllkurve durchgeführt . Die Schwingungsanalyse im Frequenzbereich wird insbesondere auf der Grundlage von Expertenwissen (mit Hil fe von Lagerinformationen) anhand von Spektren der normierten Beschleunigungshüllkurve durchgeführt wird, um Fehler zu erkennen, die zu einem Lagerelement gehören .
In einer Ausgestaltung des Verfahrens wird eine statistische Inferenz auf eine Zeitbereichsstatistik wie Skewness und Kurtosis angewandt . So ist es möglich ein abnormales Verhalten im Schwingungssignal zu erkennen .
In einer Ausgestaltung des Verfahrens wird zum Erkennen eines Musters eine künstliche Intelligenz verwendet . Eine derartige künstliche Intelligenz ist insbesondere trainierbar . Zum Training könne Informationen über den Antrieb, wie zum Beispiel Nennleistung, Spitzenleistung, Nenndrehzahl , maximale Drehzahl , etc . mit verwendet werden .
In einer Ausgestaltung des Verfahrens wird zur Fehlererkennung ein Betriebs zustand des Antriebs verwendet . So kann beispielsweise unterschieden werden ob Vibrationen im Stillstand, während einer Beschleunigungsphase oder nur bei hohen Drehzahlen auftreten . Abhängig von diesen Betriebs zuständen kann dann ein Frequenzspektrum analysiert werden .
In einer Ausgestaltung des Verfahrens wird die Schwingungsanalyse an den Schwingungsdaten durchgeführt , die von Schwingungssensoren erfasst werden, die auf der Antriebsseite und auf der Bedienseite der Maschine montiert sind . Die Sensoren können z . B . in verschiedenen Ausrichtungen in Bezug auf die Drehachse des Motors montiert werden : Axial , vertikal oder hori zontal . Beispielsweise kann die Vibrationsanalyse zusätz- lieh auf einer einfachen Schwellenwertbildung von KPI s im Zeitbereich basieren, wie z . B . RMS-Wert , Scheitel faktor, Spitze-Spitze , Kurtosis und Skewness / Schiefe . Auch ist es beispielsweise möglich die Schwingungsanalyse auf einer Spektralanalyse zu basieren, wobei das Schwingungssignal im Zeitbereich in den Frequenzbereich trans formiert und analysiert wird . So können beispielsweise vordefinierte Bereiche der Spektren überwacht werden, die zu Lagerfehlern gehören, und wenn die Spektralspitzen dieses Bereichs über dem eingestellten Schwellenwert liegen, ein Fehler erkannt und gemeldet werden . Schlüsselinformationen der Spektralbereiche , die zu Wäl zlagerfehlern gehören, sind beispielsweise aus Wäl zlagerdatenblättern entnehmbar .
In einer Ausgestaltung des Verfahrens empfängt ein Schwingungsanalyse-Tools Schwingungsdaten . Derartige Schwingungsdaten können in dem Tool durch Berechnungen ausgewertet werden . Das Schwingungsanalyse-Tool ist beispielsweise am Ort der überwachten Maschine oder von diesem Ort beabstandet , so dass hierfür benötigte Daten beispielsweise über das Internet zum Schwingungsanalyse-Tool übertragen werden . Die Berechnung betri f ft beispielsweise Schwingungsspektren im Frequenzbereich, Schwingungsstatistiken im Zeitbereich und/oder Betriebs zustände der überwachten Maschine .
In einer Ausgestaltung des Verfahrens erfolgt also zumindest eine der folgenden Berechnungen bzw . Analysen :
Schwingungsspektren im Frequenzbereich ( Geschwindig- keits- und Beschleunigungshüllkurvenspektren) , Zeitbereichsstatistiken wie Erwartungswert , Varianz , Skewness und/oder Kurtosis , Betriebs zustände der Maschine , welche insbesondere auf der Grundlage von Drehzahl und Drehmoment der Maschine zu einem gegebenen Zeitpunkt definiert sind .
In einer Ausgestaltung des Verfahrens werden in einer Datenbank wichtige Asset- Informationen wie Lagertyp, Anwendungsde- tails , wie z . B . Zahnradgetriebe , Riemengetriebe , gespeichert und bei der Analyse der gemessenen I stwerte wie eine Geschwindigkeit oder eine Vibration verwendet . So kann eine Motorschadenerkennung diese Daten zur Erkennung von Fehlern verwenden, die zum Beispiel zu verschiedenen beweglichen Elementen der elektrischen Maschine gehören, wie z . B . Lagerelemente , Riemen oder Getriebe .
In einer Ausgestaltung des Verfahrens werden Spektren erfasster Daten bzw . I stwerte in Bezug auf Amplitude und Drehzahl normiert (normalisiert ) , um amplitudennormierte Ordnungsspektren zu erhalten . So kann ein Algorithmus zur Normierung robust gegenüber unterschiedlichen Betriebs zuständen gemacht werden . Die Amplitudennormierung basiert zum Beispiel auf einer spektralen z-Bewertung .
In einer Ausgestaltung des Verfahrens werden zumindest zwei der nachfolgend aufgeführten Schritte parallel angewendet , da sie unabhängig voneinander sind : a ) Durchführung einer auf Expertenwissen basierenden Schwingungsanalyse im Frequenzbereich anhand von normierten Geschwindigkeitsspektren, um Fehler zu erkennen, die zur Maschine gehören, wie z . B . Ausrichtungs fehler, Lockerung, b ) Durchführung einer Schwingungsanalyse im Frequenzbereich auf der Grundlage von Expertenwissen (mit Hil fe von Lagerinformationen) anhand von Spektren der normierten Beschleunigungshüllkurve , um Fehler zu erkennen, die zum Lagerelement gehören c ) Durchführung einer statistischen Inferenz basierend auf Zeitbereichsstatistiken wie Schiefe und Wölbung, um abnormales Verhalten im Schwingungssignal zu erkennen . d) Anwendung eines Spitzen- und Mustererkennungsmoduls auf normierte Geschwindigkeitsspektren, um Fehler im Antriebsriemen wie Riemenversatz zu erkennen, e ) Anwendung des Peak- und Mustererkennungsmoduls auf normierte Beschleunigungshüllkurvenspektren, um Fehler in Lagerfehlern oder im Getriebeelement zu erkennen .
Die Schritte [ a-c ] sind Schritte zur Erkennung von Lagerfehlern in einer Maschine mittels Schwingungsanalyse . Das eingesetzte Peak- und Mustererkennungsmodul zur Erkennung von Spitzenwerten und Mustern ist nicht nur robust gegenüber Abweichungen in den Lagerinformationen, sondern bietet auch die Möglichkeit , bei Fehlen von Lagerinformationen Lagerdefekte zu erkennen . Das Peak- und Mustererkennungsmoduls ermöglicht auch die Erkennung von Nichtlagerf ehlern wie ein Riemenschieflauf und/oder ein defektes Getriebe .
In einer Ausgestaltung des Verfahrens verwendet das Modul zur Erkennung von Spitzenwerten und Mustern das Schwingungsspektrum als Eingangssignal . Es wendet insbesondere einen Schwellenwert auf das Spektrum an und entfernt kleinere , weniger prominente Peaks , da diese Peaks keine Informationen über die Fehler enthalten .
In einer Ausgestaltung des Verfahrens wird in einem Schritt bewertet , ob einer der markanten Peaks ganz zahlige mehrfache Harmonische enthält . Dies wird insbesondere mit allen Peaks gemacht . Es werden Peaks herausgebildet , die keine Harmonischen enthalten oder wenn der Peak bereits eine Harmonische eines auf fälligen Peaks geringerer Ordnung ist . So erhält man Peaks mit Harmonischen . Peaks mit harmonischen können ein Hinweis auf einen Fehler sein . Sobald diese Peaks ermittelt sind, kann ein Fehlertyp eingegrenzt werden, indem die spektralen Muster um diese Peaks und ihre Harmonischen ausgewertet werden .
In einer Ausgestaltung des Verfahrens werden die Ergebnisse aus [ a - e ] mit Hil fe von Expertenwissen bzw . einer künstlichen Intelligenz analysiert , um Schluss folgerungen über einen möglichen Defekt und dessen Schwere zu ziehen . In einer Ausgestaltung des Verfahrens wird beispielsweise eine Motorschadenerkennung rechtzeitig ausgelöst , wenn alle oben genannten Schritte in Abschnitt [ a-e ] durchgeführt werden . Die Ausgabe kann eine visuelle Grafik für einen Bediener sein . Auch ist es beispielsweise möglich einen ausgearbeiteten Bericht mit Detailgrafik und historischer Analyse zu generieren .
In einer Ausgestaltung des Verfahrens kann bei einer Automatisierten Schwingungsanalyse im Frequenzbereich auf Lagerinformationen für ihre Funktionalität verzichtet werden . So ist die Analyse nicht mehr abhängig von der Kenntnis genauer Lagerf ehlerf requenzen . In vielen Fällen sind die Lagerinformationen ungenau oder nicht verfügbar, was zu einer schlechten Leistung oder einem vollständigen Aus fall bei der Erkennung fehlerhafter Lagerelemente führen hätte können . Im Gegensatz zu vielen Techniken des maschinellen Lernens für die Mustererkennung benötigt das beschriebene Verfahren keine große Menge an Trainingsdaten . Das beschriebene Verfahren bietet eine robuste Technik zur Überwindung der Abhängigkeit von Lagerinformationen .
Durch eines der beschriebenen Verfahren ist es beispielsweise möglich auch sehr alte Maschinen, für die die Lagerinformationen nicht verfügbar sind, zu überwachen . Mittels eines der beschriebenen Verfahren ist es möglich zuverlässige Informationen über den Gesundheits zustand der Anlage zu erhalten und/oder rechtzeitig über einen potenziellen Defekt zu informieren .
In einer Ausgestaltung des Verfahrens werden I stwerte oder davon abgeleitete Werte ( z . B . Schwingungsdaten des Elektromotors ) über das Internet übermittelt und eine Analyse der Daten mittels eine Cloud-Anwendung ermöglicht .
In einer Ausgestaltung des Verfahrens wird dieses auf skalierbaren Instanzen mittels einer Cloud-Anwendung, also webbasiert , in einer geeigneten Python-Umgebung bereitgestellt . Dies hat den Vorteil eine Prozessautomatisierung zu ermöglichen . Das Verfahren wird beispielsweise durch Algorithmen implementiert , die auf Expertenwissen und Pattern Mining basieren .
In einer Ausgestaltung des Verfahrens wird eine eine Kombination verschiedener Techniken verwendet . Dies sind insbesondere : a) statistische Ableitung zeitbereichsbasierter KPI s von Schwingungsdaten, b) Schwingungsanalyse im Frequenzbereich unter Verwendung einer vordefinierten spektralen Schwellenwertberechnung auf der Grundlage von Expertenwissen ( Schwellenwertberechnung zur Definition eines fehlerhaften und nicht fehlerhaften Zustands ) und Lagerinformationen, c) Spektrale Schwellenwertbestimmung von Peakmustern, die aus der Erkennung von neuartigen Peak- und Mustererkennungen gewonnen wurden, was insbesondere auf der Grundlage von Expertenwissen entwickelt ist .
Eine endgültige Entscheidung basiert insbesondere auf den kombinierten Ergebnissen aus a, b und c .
In einer Ausgestaltung des Verfahrens stützt sich in Ermangelung von Lagerinformationen der Algorithmus auf ( a, c ) , um eine Entscheidung zu tref fen . Bei Vorliegen von Lagerinformationen verwendet der Algorithmus insbesondere ( a, b, c ) , um eine Entscheidung zu tref fen .
In einer Ausgestaltung des Verfahrens werden in einem Spektrum Hauptmaxima erkannt . Zu diesen erkannten Hauptmaxima werden Nebenmaxima erkannt , welche j eweils ein Seitenband eines Hauptmaximums darstellen . Aus dem Muster der Hauptmaxima und Nebenmaxima wird durch eine Analyseeinrichtung auf einen bestimmten Fehler geschlossen . Diese Analyseeinrichtung weist insbesondere eine künstliche Intelligenz auf . Es ist ein Computerprogrammprodukt vorsehbar, das computeraus führbare Programmmittel aufweist und bei Aus führung auf einer Rechnereinrichtung mit Prozessormitteln und Datenspeichermitteln geeignet ist , ein Verfahren nach einer der beschriebenen Art durchzuführen . So kann eine zugrundeliegende Aufgabenstellung durch ein Computerprogrammprodukt gelöst werden, das auch zu einem Simulieren eines Betriebsverhaltens dienen kann . Das Computerprogrammprodukt ist insbesondere zur Installation auf einer, einer Steuereinrichtung zugeordneten, Recheneinheit vorgesehen, wobei das Computerprogrammprodukt bei Aus führung auf der Recheneinheit zur Durchführung des beschriebenen Verfahrens ausgebildet ist .
Die Merkmale der einzelnen beanspruchten bzw . beschriebenen Gegenstände sind ohne Weiteres miteinander kombinierbar . Im Folgenden wird die Erfindung beispielhaft anhand von Figuren näher dargestellt und erläutert . Die in den Figuren gezeigten Merkmale können zu neuen Aus führungs formen kombiniert werden, ohne die Erfindung zu verlassen . Gleichartige Elemente bekommen das gleiche Bezugs zeichen . Es zeigen
FIG 1 eine elektrische Maschine mit einer Datenanalyse ,
FIG 2 einen ersten Fall mit einer Spektralanalyse ,
FIG 3 einen zweiten Fall mit einer Spektralanalyse ,
FIG 4 einen dritten Fall mit einer Spektralanalyse , und
FIG 5 einen vierten Fall mit einer Spektralanalyse .
Die Darstellung nach Figur 1 zeigt einen elektrischen Motor 1 und einen Sensor 2 zur Aufnahme von I stwerten . Die I stwerte werden von einer Analyseeinrichtung 3 drei empfangen und es wird ein Spektrum 4 gebildet . In einem nachfolgenden Schritt 5 wird ein Muster von Hauptmaxima ( also den wesentlichen Maxima ) erkannt . In einem weiteren Schritt 6 werden Muster von Seitenbändern, die j eweils den Hauptmaxima zugehörig sind, erkannt . In einem weiteren Schritt werden auf Basis der vorhergehenden Schritte (Muster der Hauptmaxima und musste der Seitenbänder ) Fehler erkannt . Derartige Fehler können nach Typen von Lagerfehlern klassi fi ziert werden . Derartige Typen sind beispielsweise: Lagerinnenring, Lageraußenring, rotierendes Element des Lagers, Käfig, fehlerhaftes Getriebe, fehlerhafter Treibriemen.
Die Darstellung nach Figur 2 zeigt einen ersten Fall mit einer Spektralanalyse. Figur 2 zeigt theoretisch und praktisch Fehlermuster bei einem Fehler eines Lageelementes. Gezeigt ist ein Spektrum in drei Bereichen 10, 11 und 12, wobei diese Bereiche eine theoretischen Darstellung 13 betreffen. Der Bereich 10 betrifft eine bestimmte Geschwindigkeit. Der Bereich 11 betrifft eine Beschleunigung. Der Bereich 12 betrifft hohe Frequenzen. Hieraus ergibt sich dann ein Spektrum für die Geschwindigkeit 8 und ein Spektrum für die Beschleunigung 9. Gezeigt ist ferner die BPFO (Ball Pass Frequency Outer Race / Kugellager Außenring Frequenz) mit einem Maximum und das Zweifache dieser Frequenz mit einem weiteren Maximum
(2 x BPFO) . In einer Darstellung realer Werte für Spektren im Bereich 14 ergeben sich unterschiedliche Muster bei unterschiedlichen Geschwindigkeiten (speed) und unterschiedlichen Momenten (torque) .
Die Darstellung nach Figur 3 zeigt einen zweiten Fall mit einer Spektralanalyse. Figur 3 zeigt Spektren und Fehlermuster bei einem BPFI (Ball Pass Frequency Inner Race / Kugellager Innenring Frequenz) . Gezeigt sind Hauptmaxima 15 und 17, also Spitzenwerte, sowie deren zugehörige Seitenbänder 16 und 16' mit den seitlichen Spitzenwerten, für das Hauptmaximum BPFI und Seitenbänder 18 und 18' für das weitere Hauptmaximum 17 mit 2 x BPFI. So wird ersichtlich das auf Basis eines Musters einer Frequenzanalyse auf bestimmte Fehler bzw. Fehlerquellen geschlossen werden kann.
Die Darstellung nach Figur 4 zeigt einen dritten Fall mit einer Spektralanalyse. Dieser dritte Fall betrifft den ball spin (BS) , d.h. insbesondere die BSF (Ball Spin Frequency) . Es kann also ein Fehler bei Kugeln eines Kugellagers vorliegen. Es ist erkennbar, dass hier durch die Seitenbänder (FT) das Muster der Maxima eine zusätzliche Ausprägung erfahren hat .
Durch eine spektrale Mustererkennung kann folglich eine Detektion eines Fehlers erfolgen. Die spektrale Mustererkennung basiert zum einen auf dem Erkennen von Maxima, insbesondere Hauptmaxima und dem Erkennen von neben Maxima der Seitenbänder der Hauptmaxima. Aus der Analyse der Hauptmaxima und neben Maxima können Fehler eines Lagers einer Klasse von Fehlern zugeordnet werden. Dies sind insbesondere Fehler im Bereich des Außenrings, Fehler im Bereich des Innenrings und/oder Fehler bei den Kugeln eines Kugellagers. Dies ist entsprechend auch auf Tonnen Lager oder Nadellager oder dergleichen anwendbar.
Die Darstellung nach Figur 5 zeigt eine weitere Spektralanalyse mit einem Frequenzbereich 25, welcher beispielsweise mit einem Bandpass eingestellt werden kann. Der Frequenzbereich 25 weist eine untere Frequenz 29 und eine obere Frequenz 30 auf. Die normierte Amplitude x(f) ist mit ihrem Betrag über die Frequenz f [Hz] aufgetragen. Gezeigt sind Spitzenwerte 34,35,36,38 und 39, wobei diese durch Überschreiten eines Mindestwertes 25 erkannt werden. Beispielsweise überschreitet eine Spitze 40 diesen Mindestwert 25 nicht und qualifiziert sich somit nicht als Spitzenwert zur Erkennung eines Musters. Den Spitzenwerten 34,35,36,38 und 39 sind jeweils Frequenzen 21,22,23,31,32 und 33 zugeordnet. Gezeigt sind ferner Bandpässe 26,27 und 28. Die Frequenz 22 ist beispielsweise die zweifache Frequenz der Frequenz 21. Die Frequenz 23 ist beispielsweise die dreifache Frequenz der Frequenz 21. So kann ein Muster erkannt werden, welches auf einem Erkennen eines Vielfachen einer Frequenz basiert. Die Bandpässe können auch bezüglich eines Vielfachen angeordnet sein. Verschiebt sich allerdings das Spektrum, kann bei fixen Bandpässen kein Fehler mehr erkannt werden, wenn die Spitzenwerte sich außerhalb des beobachteten Frequenzbereiches bewegen. Durch ein Vermeiden dieser schmalen Bandpässe, um einen speziellen Spitzenwert zu erkennen, ist das Verfahren zur Fehlererkennung tole- ranter . Durch Muster, welche auf dem Erkennen von Frequenzverhältnissen basieren, kann die Fehlererkennung verbessert werden .

Claims

Patentansprüche
1. Verfahren zur Fehlererkennung bei einem Antrieb (1) , wobei ein normiertes Spektrum (8,37) ermittelt wird, welches von einer Geschwindigkeit abhängt, wobei Spitzenwerte
(34,35,36,38,39) im Spektrum (8) erkannt werden, wobei ein erster Spitzenwert (34,35) bei einer ersten Frequenz (21,22) erkannt wird, wobei ein zweiter Spitzenwert (35,36) bei einer zweiten Frequenz (22,23) erkannt wird, wobei basierend auf der ersten Frequenz (21,22) und auf der zweiten Frequenz (22,23) ein Muster erkannt wird.
2. Verfahren nach Anspruch 1, wobei das Muster die Frequenzen (21,22,23,31,32,33) und/oder die Amplituden der Spitzenwerte
(34,35,36,38,39) betrifft, wobei insbesondere die Frequenzen (21,22,23,31,32,33) Vielfache voneinander sind.
3. Verfahren nach Anspruch 1 oder 2, wobei der Spitzenwert
(34,35,36,38,39) durch ein Überschreiten eines ersten Mindestwertes (25) erkannt wird.
4. Verfahren nach einem der Ansprüche 1 bis 3, wobei einer der Spitzenwerte (34,35,36,38,39) seitliche Spitzenwerte in Seitenbändern (16,16') aufweist, wobei insbesondere die seitlichen Spitzenwerte durch ein Überscheiten eines zweiten Mindestwertes erkannt werden.
5. Verfahren nach Anspruch 4, wobei das Muster auch abhängig von seitlichen Spitzenwerten in Seitenbändern (16,16') erkannt wird.
6. Verfahren nach einem der Ansprüche 1 bis 5, wobei eine Vielzahl von Mustern gespeichert sind, wobei einer Vielzahl der Muster jeweils zumindest ein Fehler zugeordnet ist.
7. Verfahren nach einem der Ansprüche 1 bis 6, wobei ein Fehler einen Verschleiß betrifft.
8. Verfahren nach einem der Ansprüche 1 bis 7, wobei als Spektrum (8) ein normiertes Beschleunigungsspektrum (9) ermittelt wird und/oder ein normiertes Geschwindigkeitsspektrum (8) ermittelt wird, wobei insbesondere in unterschiedlichen Spektren unterschiedliche Muster erkannt werden.
9. Verfahren nach Anspruch 8, wobei eine Schwingungsanalyse im Frequenzbereich des Spektrums (8,37) anhand des normierten Geschwindigkeitsspektrums durchgeführt wird.
10. Verfahren nach Anspruch 8 oder 9, wobei eine Schwingungsanalyse im Frequenzbereich des Spektrums (8,37) anhand einer normierten Beschleunigungshüllkurve durchgeführt wird.
11. Verfahren nach einem der Ansprüche 1 bis 10, wobei eine statistische Inferenz auf eine Zeitbereichsstatistik wie Skewness und Kurtosis angewandt wird.
12. Verfahren nach einem der Ansprüche 1 bis 11, wobei zum Erkennen eines Musters eine künstliche Intelligenz verwendet wird .
13. Verfahren nach einem der Ansprüche 1 bis 12, wobei zur Fehlererkennung ein Betriebszustand des Antriebs verwendet wird .
14. Computerprogrammprodukt, das computerausführbare Programmmittel aufweist und bei Ausführung auf einer Rechnereinrichtung mit Prozessormitteln und Datenspeichermitteln geeignet ist, ein Verfahren nach einem der Ansprüche 1 bis 13 durchzuführen .
EP21797957.4A 2020-10-15 2021-10-14 Verfahren zur fehlererkennung bei einem antrieb Pending EP4185853A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP20202126.7A EP3985377A1 (de) 2020-10-15 2020-10-15 Verfahren zur fehlererkennung bei einem antrieb
PCT/EP2021/078482 WO2022079185A1 (de) 2020-10-15 2021-10-14 Verfahren zur fehlererkennung bei einem antrieb

Publications (1)

Publication Number Publication Date
EP4185853A1 true EP4185853A1 (de) 2023-05-31

Family

ID=72964446

Family Applications (2)

Application Number Title Priority Date Filing Date
EP20202126.7A Withdrawn EP3985377A1 (de) 2020-10-15 2020-10-15 Verfahren zur fehlererkennung bei einem antrieb
EP21797957.4A Pending EP4185853A1 (de) 2020-10-15 2021-10-14 Verfahren zur fehlererkennung bei einem antrieb

Family Applications Before (1)

Application Number Title Priority Date Filing Date
EP20202126.7A Withdrawn EP3985377A1 (de) 2020-10-15 2020-10-15 Verfahren zur fehlererkennung bei einem antrieb

Country Status (4)

Country Link
US (1) US12379283B2 (de)
EP (2) EP3985377A1 (de)
CN (1) CN116438433A (de)
WO (1) WO2022079185A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102024000245A1 (de) * 2024-01-25 2025-07-31 Oerlikon Textile Gmbh & Co. Kg Aufwickelvorrichtung zum Aufwickeln eines Spinnfadens

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2045751C1 (ru) 1992-11-25 1995-10-10 Санкт-Петербургский опытный завод "Прибор" Устройство для сигнализации предельных параметров вибрации
US5895857A (en) 1995-11-08 1999-04-20 Csi Technology, Inc. Machine fault detection using vibration signal peak detector
US5852793A (en) * 1997-02-18 1998-12-22 Dme Corporation Method and apparatus for predictive diagnosis of moving machine parts
US5922963A (en) * 1997-06-13 1999-07-13 Csi Technology, Inc. Determining narrowband envelope alarm limit based on machine vibration spectra
US5875420A (en) * 1997-06-13 1999-02-23 Csi Technology, Inc. Determining machine operating conditioning based on severity of vibration spectra deviation from an acceptable state
US6711952B2 (en) 2001-10-05 2004-03-30 General Electric Company Method and system for monitoring bearings
EP1502086A2 (de) 2002-04-13 2005-02-02 I-For-T Gmbh Schwingungssensor und verfahren zur zustands berwachung von rotierenden bauteilen und lagern
US6999884B2 (en) * 2003-01-10 2006-02-14 Oxford Biosignals Limited Bearing anomaly detection and location
RU2379645C2 (ru) 2007-06-19 2010-01-20 Андрей Павлович Ушаков Способ диагностики технического состояния деталей, узлов и приводных агрегатов газотурбинного двигателя и устройство для его осуществления
RU2475717C2 (ru) 2009-12-28 2013-02-20 Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Пятигорский государственный гуманитарно-технологический университет" Способ диагностирования двигателя внутреннего сгорания и диагностический комплекс для его осуществления
PT2581724T (pt) * 2011-10-13 2020-05-07 Moventas Gears Oy Método e sistema para efeitos de monitorização do estado de caixas de velocidades
US10416126B2 (en) * 2013-07-02 2019-09-17 Computational Systems, Inc. Machine fault prediction based on analysis of periodic information in a signal
RU2578044C1 (ru) 2014-11-14 2016-03-20 Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Ижевский государственный технический университет имени М.Т. Калашникова" Устройство диагностирования и оценки технического состояния мехатронных приводов
US20160245686A1 (en) * 2015-02-23 2016-08-25 Biplab Pal Fault detection in rotor driven equipment using rotational invariant transform of sub-sampled 3-axis vibrational data
GB2543521A (en) * 2015-10-20 2017-04-26 Skf Ab Method and data processing device for severity assessment of bearing defects using vibration energy
US10754334B2 (en) * 2016-05-09 2020-08-25 Strong Force Iot Portfolio 2016, Llc Methods and systems for industrial internet of things data collection for process adjustment in an upstream oil and gas environment
CN109477774A (zh) * 2016-07-27 2019-03-15 富士通株式会社 异常检测程序、异常检测装置、以及异常检测方法
DE102018210470A1 (de) * 2018-06-27 2020-01-02 Robert Bosch Gmbh Verfahren zur Schadensfrüherkennung, sowie Programm und Steuergerät zum Ausführen des Verfahrens
JP2021532355A (ja) * 2018-07-24 2021-11-25 フルークコーポレイションFluke Corporation 音響画像にタグを付けて関連付けるためのシステム及び方法
US11506569B2 (en) * 2019-01-15 2022-11-22 Computational Systems, Inc. Bearing and fault frequency identification from vibration spectral plots

Also Published As

Publication number Publication date
CN116438433A (zh) 2023-07-14
WO2022079185A1 (de) 2022-04-21
US12379283B2 (en) 2025-08-05
US20230375440A1 (en) 2023-11-23
EP3985377A1 (de) 2022-04-20

Similar Documents

Publication Publication Date Title
DE102016105877B4 (de) Verfahren und Vorrichtung zur Überwachung einer Maschine
DE69937737T2 (de) Beurteilung des zustands eines lagers
DE102011117468B4 (de) Verfahren, Recheneinheit und Einrichtung zur Überwachung eines Antriebstrangs
EP2937560A1 (de) Windenergieanlagen-diagnosevorrichtung für generatorkomponenten
DE112017001631T5 (de) Zustandsüberwachungssystem eines Getriebes und Zustandsüberwachungsverfahren
DE19917541B4 (de) Verfahren zur Fehlerdiagnose
EP2402731A1 (de) Verfahren zum Training eines Systems zur Klassifikation eines Wälzlagerzustands sowie Verfahren zur Klassifikation eines Wälzlagerzustands und System zur Klassifikation eines Wälzlagerzustands
EP3517927B1 (de) Verfahren und vorrichtung zur früherkennung eines risses in einem radsatz für ein schienenfahrzeug
DE112019001115B4 (de) Diagnoseunterstützungsvorrichtung, rotierendes Maschinensystem und Diagnoseunterstützungsverfahren
DE112017000950T5 (de) Abnormalitäts-Diagnosevorrichtung und Abnormalitäts-Diagnoseverfahren
DE112021005667T5 (de) Verfahren und Einrichtung zum Erkennen von Anomalien in einer mechanischen Einrichtung oder einem mechanischen Bauteil
EP3100064B2 (de) Vorrichtung sowie verfahren zur fehlererkennung in maschinen
CH717054A2 (de) Verfahren zur Diagnose eines Lagers.
DE19707173C5 (de) Maschinendiagnosesystem und Verfahren zur zustandsorientierten Betriebsüberwachung einer Maschine
EP4185853A1 (de) Verfahren zur fehlererkennung bei einem antrieb
DE4017448A1 (de) Verfahren zur diagnose der mechanischen eigenschaften von maschinen
DE102013205353B4 (de) Verfahren zum Warten einer Maschine der Tabak verarbeitenden Industrie, und entsprechend eingerichtete Maschine
DE102009024981A1 (de) Verfahren zur Ermittlung und Analyse von Schäden an umlaufenden Maschinenelementen
DE102015210911A1 (de) Verfahren und Vorrichtung zum Erkennen von Veränderungen in einem elektrisch betriebenen Antrieb
DE19800217A1 (de) Verfahren zur automatisierten Diagnose von Diagnoseobjekten
DE102010005049B4 (de) Verfahren zum Erkennen von Fehlern in hydraulischen Verdrängermaschinen
LU508341B1 (de) Verfahren zur Überwachung und/oder Analyse des Zustands eines Antriebssystems
DE102021214406B3 (de) Verfahren zum Detektieren von bekannten Fehlerursachen an EOL-Prüfständen
DE112023006159T5 (de) Wälzlager und Wälzlager-Diagnoseeinrichtung
EP4323731A1 (de) Verfahren und system zur überwachung eines vorrichtungszustands einer vorrichtung

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20230223

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

RAP1 Party data changed (applicant data changed or rights of an application transferred)

Owner name: INNOMOTICS GMBH

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20251008