Fehlererkennung verstehen
Fehlererkennung ist der Prozess der Erkennung eines Defekts oder eines anormalen Zustands in einer Maschine durch die Analyse der überwachten Parameter — am häufigsten Vibration, aber auch Temperatur, Leistungskennzahlen, Ölverschmutzung oder akustische Signale. Es beantwortet eine einzige binäre Frage – “Gibt es ein Problem?” — bevor der Analytiker weitergeht zu Diagnose (Identifizierung des spezifischen Fehlers) und Prognose (Vorhersage, wie lange die Maschine noch läuft). Als erster und grundlegendster Schritt bei der zustandsorientierte Instandhaltung, sie trennt sauber zwischen gesunden, sich verschlechternden und ausgefallenen Zuständen, so dass alles Nachgelagerte einen Grund hat zu passieren.
Der Wert einer guten Lösung liegt in der Vorlaufzeit. Eine wirksame Fehlererkennung zeigt bereits Monate vor einem Funktionsausfall an, was das nötige Zeitfenster für geplante Wartung, Ersatzteilbeschaffung und geplante Ausfallzeiten schafft - das Kernversprechen eines jeden vorausschauende Wartung Programm. Wenn Sie zu spät erkennen, sind Sie wieder bei reaktiven Run-to-Failure-Reparaturen angelangt; erkennen Sie zu eifrig, ertrinken Sie in Fehlalarmen. Die Kunst besteht darin, das richtige Gleichgewicht zu finden, und in den folgenden Abschnitten wird erläutert, wie dies in der Praxis geschieht.
1. Die fünf wichtigsten Nachweismethoden
Kein einziges Verfahren eignet sich für jede Maschine oder Störung. Ausgereifte Programme kombinieren mehrere Methoden, jede mit ihren eigenen Stärken und Datenanforderungen.
Überschreitung des Schwellenwerts
Der einfachste und am häufigsten verwendete Ansatz vergleicht eine Messung mit einem vordefinierten Schwelle: wenn der Wert die Grenze überschreitet, wird ein Fehler deklariert. Ein bekanntes Beispiel ist eine Gesamtschwingungsamplitude von etwa 7,1 mm/s RMS — ein Wert, den einige maschinenspezifische Schwingstärketabellen der ISO 20816 Reihe (früher ISO 10816) als Zonengrenze für bestimmte Maschinengruppen und Lagerbedingungen verwenden. Es ist jedoch kein universeller Grenzwert: für eine echte Alarmgrenze wählen Sie den entsprechenden Teil der ISO 20816 für die Maschine vor Ort und kombinieren Sie ihn mit Basistrends und Maschinenkritikalität. Viele Programme gliedern diese Grenzen in Alarm, Warnung, und Abschaltung Ebenen.
- Vorteile: einfach zu automatisieren, klare Kriterien für das Bestehen/Nichtbestehen, leicht an Nicht-Fachleute zu vermitteln.
- Einschränkungen: Der Schwellenwert muss korrekt eingestellt sein, und der Fehler muss groß genug sein, um ihn zu überschreiten - was eine Verzögerung mit sich bringt und dazu führen kann, dass Fehler mit kleinen, aber ausgeprägten Signaturen übersehen werden.
Trendabweichung
Anstatt auf einen absoluten Grenzwert zu warten, beobachtet diese Methode die Form der Trend selbst. Ein stetig steigender Pegel - oder, noch aussagekräftiger, eine plötzliche Veränderung der Satz des Anstiegs - signalisiert einen sich entwickelnden Fehler, lange bevor ein fester Schwellenwert erreicht wird. Da die Referenz die eigene Geschichte der Maschine ist, ist die Technik von Natur aus maschinenspezifisch und fängt Probleme frühzeitig auf. Die einzige wirkliche Voraussetzung ist ein Korpus von Grundlagendaten anhand derer die Abweichung beurteilt werden kann.
Spektrale Anomalie-Erkennung
Untersuchung der Frequenz Spektrum zeigt nicht nur dass etwas hat sich verändert, sondern auch was. Neue Spitzenwerte bei Lagerfehlerfrequenzen, bestehende Spitzenwerte, die in Amplitude, oder das Entstehen von Seitenbänder und Harmonische jeder Punkt auf einen bestimmten Fehlertyp. Diese Spezifität ist ihr großer Vorteil, auch wenn sie echte Spektralanalysefähigkeiten und eine Reihe zuverlässiger Basisspektren zum Vergleich erfordert.
Statistische Methoden
Die statistische Erkennung kennzeichnet Werte, die außerhalb der Normalverteilung des gesunden Betriebs liegen - zum Beispiel jeder Messwert, der über dem Mittelwert plus drei Standardabweichungen liegt, oder eine Verletzung der Grenzwerte der Kontrollkarte. Durch die Berücksichtigung der inhärenten Streuung bei realen Messungen reduzieren diese Methoden unerwünschte Alarme, aber sie benötigen eine angemessene Stichprobengröße, um “normal” zuverlässig zu charakterisieren.
Mustererkennung und maschinelles Lernen
Auf der anspruchsvollsten Ebene werden Algorithmen - einschließlich neuronaler Netze - auf gesunde und fehlerhafte Signaturen trainiert, was die automatische Erkennung subtiler Muster ermöglicht, die von festen Regeln übersehen werden. Der Kompromiss besteht darin, dass umfangreiche markierte Trainingsdaten und die Rechenressourcen für die Ausführung der Modelle benötigt werden.
2. Messung der Detektionsleistung
Ein Erkennungssystem ist nur so gut wie seine Trefferquote und seine Fehlalarmquote. Vier aus der Klassifizierungstheorie entlehnte Metriken messen, wie gut es seine Leistung erbringt.
- Sensitivität (Wahr-Positiv-Rate): der Anteil der tatsächlich erkannten Fehler - True Positives / (True Positives + Falsch-Negative). Ein gut abgestimmtes Programm zielt auf über 90–95% ab; eine höhere Sensitivität bedeutet weniger übersehene Fehler.
- Spezifität (Wahr-Negativ-Rate): der Anteil der korrekt als gesund eingestuften Maschinen – Wahre Negative / (Wahre Negative + Falsch Positive). Auch hier gilt: 90–95 % ist das Ziel; eine höhere Spezifität bedeutet weniger Fehlalarme.
- Fehlalarmrate: der Anteil der Alarme, die sich als nichts herausstellen, idealerweise unter 5–10 % gehalten. Eine hohe Quote führt zu Alarmmüdigkeit, die langsame Aushöhlung des Vertrauens, die Techniker dazu bringt, Warnungen zu ignorieren – und sie steht in direktem Zielkonflikt mit der Empfindlichkeit.
- Vorlaufzeit für die Erkennung: die Zeitspanne zwischen der ersten Entdeckung und dem Funktionsausfall. Eine längere Zeitspanne ist besser, denn sie verschafft Planungszeit. Bei Lagerfehlern, die durch Vibrationen entdeckt werden, beträgt die typische Vorlaufzeit Wochen bis Monate, und die Methode ist wichtig: Hüllkurvenanalyse erkennt beginnende Lagerschäden routinemäßig viel früher als die Überwachung des Gesamtpegels allein.
3. Praktische Herausforderungen
Echte Maschinen verhalten sich selten so sauber wie in einem Lehrbuch, und drei Situationen erschweren regelmäßig die Erkennung.
- Gleichgewicht zwischen Früherkennung und falscher Erkennung: Das Drängen auf eine möglichst frühzeitige Warnung führt unweigerlich zu Fehlalarmen, während das Warten auf ein unmissverständliches Signal die Vorlaufzeit beeinträchtigt. Das übliche Mittel ist eine mehrstufige Alarmierung und die Überprüfung mehrerer Parameter, bevor eine abschließende Beurteilung getroffen wird.
- Intermittierende Störungen: Probleme, die auftauchen und wieder verschwinden, können bei einer periodischen Rundgangsmessung unterhalb der Schwelle liegen. Um sie zu erkennen, braucht man kontinuierliche Überwachung oder eine Peak-Hold eine Aufnahme, die den schlimmsten Moment festhält.
- Mehrere gleichzeitige Fehler: Wenn mehrere Defekte gleichzeitig auftreten, können sie sich im Schwingungssignal gegenseitig verdecken, so dass eine umfassende, methodenübergreifende Analyse erforderlich ist, um sie zu entwirren.
4. Bestätigen von Fehlern mit mehreren Parametern
Die Gegenprüfung von zwei oder mehr unabhängigen Indikatoren verringert die Zahl der Fehlerkennungen erheblich, da ein echter Fehler in der Regel an mehr als einer Stelle gleichzeitig auftritt.
- Vibration und Temperatur zusammen: beide ansteigen, bestätigt dies ein Lagerproblem; Vibrationen allein deuten auf eine mechanische Ursache hin, wie z. B. Unwucht oder Fehlausrichtung; Die Temperatur allein deutet auf ein Problem mit der Schmierung oder Reibung hin.
- Mehrere Vibrationsparameter: Ein Anstieg des Gesamtpegels in Verbindung mit dem Auftreten einer bestimmten Lagerfrequenz bestätigt einen Lagerschaden mit weitaus größerer Sicherheit als jedes Symptom für sich allein.
5. Automatisierte, manuelle und hybride Erkennung
Die Erkennung kann durch Software, durch einen Experten oder - am besten - durch das Zusammenwirken beider erfolgen.
- Automatisierte Erkennung ist schnell, konsistent und arbeitet rund um die Uhr, wobei Schwellenwertprüfungen, statistische Algorithmen und maschinelles Lernen zum Einsatz kommen. Ihre Schwäche besteht darin, dass sie subtile Probleme übersehen und gelegentlich auf Rauschen reagieren kann.
- Manuelle (Experten-)Erkennung bringt menschliches Urteilsvermögen, Kontextbewusstsein und geschulte Mustererkennung in die Spektrums- und Wellenformprüfung ein. Sie ist jedoch zeitaufwändig, schwer zu skalieren und von knappen Fachkenntnissen abhängig - die Art, die unter ISO 18436-2.
- Der hybride Ansatz — Das automatische Screening der gesamten Flotte mit fachkundiger Überprüfung der markierten Ausnahmen verbindet Effizienz mit Genauigkeit und ist der Standard in ausgereiften Programmen.
Wo passen Feldinstrumente hin?
Sobald ein Screening-Tool einen Hinweis gibt, besteht der nächste Schritt in der Regel darin, eine umfangreichere Messung an der Maschine vorzunehmen. Ein tragbarer Zweikanal-Analysator wie der Balanset-1A kann ein Techniker zu der verdächtigen Maschine gehen, ein hochauflösendes Spektrum aufnehmen und Zeitwellenform, und bestätigen, ob der Alarm einen echten Fehler widerspiegelt — und wenn dieser Fehler eine Unwucht ist, ihn vor Ort durch Feldauswuchten ohne die Maschine zu demontieren. Diese enge Schleife von der Erkennung über die Bestätigung bis zur Korrektur ist genau das, was ein Hybridprogramm leisten soll.
Die Fehlererkennung ist die grundlegende Fähigkeit, die eine vorausschauende Wartung möglich macht, indem sie entstehende Probleme früh genug aufdeckt, um sie zu planen. Wenn sie gut gemacht ist — mit der richtigen Mischung aus Erkennungsmethoden, sorgfältig festgelegten Schwellenwerten und einem ausgewogenen Verhältnis zwischen Empfindlichkeit und Spezifität — liefert sie die Frühwarnungen, die den Betrieb der Anlagen aufrechterhalten und gleichzeitig die Wartungskosten und das Risiko eines katastrophalen Ausfalls senken.
