Verfügbarkeitssteigerung mobiler Arbeitsmaschinen durch Prognose des Maschinenzustands auf Basis globaler Daten

 

Sowohl bei Bauprozessen als auch bei Gewinnungsprozessen sind mobile Arbeitsmaschinen Teil einer logistischen Transportkette bei der der Ausfall einer Maschine den Stillstand weiterer Maschinen zur Folge hat, wodurch für den Betreiber selbst bei kleinen Schäden hohe Ausfallkosten entstehen.
Verfügbare Condition Monitoring Systeme sind kostenintensiv und haben sich bisher vorwiegend für stationäre Anwendungen etabliert. Entwicklung eines neuartigen intelligenten Condition Monitoring Systems, welches eine Entscheidungsgrundlage bietet, die es ermöglicht kostenintensive Ausfälle zu reduzieren und notwendige Instandhaltungsarbeiten zu minimieren und besser zu planen.

 

Nutzen	Vorgehen
Reduzierung kostenintensiver Ausfälle	Detektion von Komponentenschäden in Prüfstandsuntersuchungen
Vorzeitige Planung von Instandhaltungsarbeiten	Erfassung globaler Signalmuster des Gesamtfahrzeuges unter Betriebsbedingungen
Kenntnis über die maschinenindividuelle Restlebensdauer	Systemmodellierung zur Simulation der Gebrauchsdauer und zur Identifikation von Bauteilschäden
	Gebrauchsdauermodellierung des Antriebsstranges

 

Herausforderungen bei der Entwicklung eines Condition Monitoring Systems

Abnutzungsverhalten über der Zeit

Während der gesamten Nutzung unterliegt eine Maschine einer gewissen Abnutzung, wie z. B. Verschleiß. Das Aufbrauchen des Abnutzungsvorrates, bis unterhalb der Abnutzungsgrenze, führt dann zum Ausfall der Maschine. Als Abnutzungsvorrat wird der Vorrat der möglichen Funktionserfüllungen unter festgelegten Bedingungen bezeichnet, der einer Maschine aufgrund der Herstellung, Instandsetzung oder Verbesserung innewohnt. Das untere Bild zeigt den Abbau des Abnutzungsvorrates durch die Nutzung sowie den Wiederaufbau des Ausgangszustandes durch eine Instandsetzungsmaßnahme bzw. Verbesserung. Weitere Gründe für den Ausfall von Maschinen ergeben sich aus Schwachstellen der Maschine. Neben der natürlichen Abnutzung der Maschine können außerdem spontane Überlasten zum Versagen der Bauteile führen. Diese spontan auftretenden Zustände sind ebenfalls kritisch, können jedoch schwer im Rahmen eines prädiktiven Condition Monitorings identifiziert werden.

  Abnutzungserscheinung hydraulischer Komponenten im Antriebsstrang

Verfügbare Condition Monitoring Systeme sind kostenintensiv und haben sich bisher vorwiegend für stationäre Anwendungen etabliert. Mobile Arbeitsmaschinen sind heute mit einer Vielzahl an Sensoren und Steuergeräten ausgerüstet, deren Signale prinzipiell einen sehr hohen Informationsgehalt aufweisen. Dennoch erfolgt aus Kostengründen und aus Mangel an Auswertemethoden meist nur eine Grenzwertüberwachung der Sensorsignale als Schutzfunktion vor kritischen Betriebszuständen. Die erfassten Daten werden dabei nicht analysiert und zur Prognose des Maschinenzustandes weiterverwendet. Typische Abnutzungserscheinungen eines Baumaschinen Antriebstrangs sind im Folgenden dargestellt und sollen im Rahmen des Forschungsvorhabens identifiziert werden.

 

Zielstellung des Projekts ProMaschinenDaten

Das Forschungsvorhaben „Verfügbarkeitssteigerung mobiler Arbeitsmaschinen durch Prognose des Maschinenzustandes auf Basis globaler Daten“ wählte einen neuartigen, indirekten Ansatz. Alle auf der Maschine verfügbaren auswertbaren Sensor- und Betriebsdaten sollen verwendet werden, um Korrelationen zwischen Bauteilschäden und gesamthaften Signalmustern zu detektieren sowie anhand der tatsächlich vorhandenen Betriebslasten die maschinenindividuelle Restlebensdauer zu ermitteln. Dieser neuartige Ansatz zur Zustandsermittlung von Maschinen stützt sich im Wesentlichen auf zwei Informationen. Zum einen auf die Bauteilrestlebensdauer infolge bisher erfahrener Beanspruchung und zum anderen auf das globale Signalverhalten beim Auftreten von Bauteilschäden. Damit ist eine direkte Aussage zur Schadenswahrscheinlichkeit und zur Ausfallwahrscheinlichkeit jedes Bauteils und jeder Baugruppe zu jedem Zeitpunkt im Betrieb möglich. Die Kenntnis über den zeitlichen Verlauf des Abbaus des Abnutzungsvorrates ermöglicht die Prognose des Maschinenzustandes für die nähere Zukunft. Eine vorhandene Instandhaltungsplanung kann auf der Basis dieser echtzeitfähigen Informationen optimiert werden und ist aufgrund der Zustandsprognose prinzipiell auch in ein übergeordnetes Planungssystem integrierbar. Damit wird eine neue, vierte Entwicklungsstufe der Instandhaltung eingeleitet, in der mithilfe wissensbasierter Sensordatennutzung und echtzeitbasierter Gebrauchsdauerberechnung eine intelligente Onboard-Diagnose ermöglicht wird, die robuste Zustandsprognosen bereitstellt. Durch die Nutzung dieser Zustandsinformationen für übergeordnete Planungssysteme kann eine höhere Planungssicherheit und damit eine Steigerung der Prozesszuverlässigkeit erreicht werden. Die Hersteller mobiler Arbeitsmaschinen erlangen für die mit einem solchen CM-System ausgerüsteten Maschinen insbesondere gegenüber der Billigkonkurrenz aus Fernost einen deutlichen Technologievorsprung, der auf dem hart umkämpften internationalen Markt für mobile Arbeitsmaschinen dazu führen kann, dass trotz hoher Anschaffungskosten für eine deutsche mobile Arbeitsmaschine die TCO im internationalen Vergleich konkurrenzfähig bleiben. Zusätzlich kann durch ein zuverlässiges Condition Monitoring der Abnutzungsvorrat von Komponenten besser ausgenutzt und so Ressourcen geschont werden. Im beantragten Forschungsprojekt wurden die theoretischen und technischen Voraussetzungen zur Realisierung des neuartigen intelligenten CM-Systems erforscht und entwickelt. Darauf aufbauend besteht für die die beteiligten Unternehmen nach Projektende die Möglichkeit das System in den nachfolgenden Jahren zur Marktreife zu entwickeln.

 

Ergebnisse

Im Rahmen des Projektes wurde zu Beginn eine Studie zu Komponentenschäden in Untertage-Ladern durchgeführt. Über diese war es möglich, die Komponenten anhand ihrer Ausfallwahrscheinlichkeiten zu klassifizieren. Ein stationärer Prüfstand aus den Komponenten mit den höchsten Ausfallquoten wurde aufgebaut und Testzyklen durchgeführt. Die Zyklen wurden nach Einbau von defekten Bauteilen wiederholt. Während aller Versuche wurden alle Messsignale der Sensoren mitgeschrieben. Diese umfassten bereits bei Auslieferung der Maschine vorhanden sowie neu installierte Sensoren. In einer zweiten Versuchsphase wurde ein Lader unter Tage mit gleichen Sensoren ausgestattet und erneut Versuche gefahren.

Die Auswertung der Signale mittels Methoden des maschinellen Lernens aus der Prüfstandsphase zeigte eine hohe Genauigkeit in der Erkennung von Schadensfällen. Die gewonnenen Erkenntnisse konnten so auf die Messungen aus den Versuchen unter Tage übertragen werden. Auch hier konnten die Schadensfälle der Kardanwelle über Amplitudenerhöhungen in Schwingungssignalen nachgewiesen werden.

 

Danksagung

Die Studie ProMaschinenDaten – Untersuchung der hydraulischen Komponenten wurde durch die Europäische Union und das Land Nordrhein-Westfalen gefördert. Das ifas bedankt sich herzlich bei allen Projektpartnern, dem europäischen Fonds für regionale Entwicklung und dem Land NRW.

 

Veröffentlichungen

Titel	Autor(en)
Machine Learning for failure mode detection in mobile machinery Buchbeitrag, Beitrag zu einem Tagungsband (2020)	Duensing, Yannick (Corresponding author) Rodas Rivas, Alejandro Schmitz, Katharina