Drei Wege zur Abschätzung der verbleibenden Nutzungsdauer bei der Predictive Maintenance

Mit Restnutzungsdauer (RND) wird der Zeitraum bezeichnet, die eine Maschine in Betrieb ist, bevor sie repariert oder ausgetauscht werden muss. Durch das Schätzen der RND kann die Wartung geplant, die Betriebseffizienz optimiert und ein ungeplanter Ausfall vermieden werden. Daher ist die RND-Schätzung in Predictive-Maintenance-Programmen von zentraler Bedeutung.

Ein RND-Schätzungsmodell bietet eine RND-Prognose mit Konfidenzgrenze. In das Modell eingegeben werden aus Sensordaten extrahierte Zustandskennwerte (Merkmale), deren Verhalten sich bei der Systemdegradation auf vorhersehbare Weise ändert.

Die Methode zur Berechnung der RND hängt von der Art der verfügbaren Daten ab:

• Nutzungsdauerdaten geben an, wie lange es dauerte, bis ähnliche Maschinen versagt haben
• Betrieb-bis-Ausfall-Verläufe ähnlicher Maschinen
• Ein bekannter Schwellwert eines Zustandskennwerts, der einen Ausfall erkennt

Die Predictive Maintenance Toolbox™ umfasst Modelle zum Schätzen der RND aus der jeweiligen Art von Daten.

Nutzungsdauerdaten

Proportional-Hazard-Modelle und Wahrscheinlichkeitsverteilungen der Komponenten-Ausfallzeiten werden zur Schätzung der RND aus Nutzungsdauerdaten herangezogen. Ein einfaches Beispiel: Schätzung der Entladedauer einer Batterie auf Basis früherer Entladungszeiten und Kovariablen wie Umgebungstemperatur und Last.

Das Überlebensfunktionsdiagramm in Abbildung 1 zeigt die Wahrscheinlichkeit eines Batterieversagens auf Basis ihrer bisherigen Betriebszeit. Das Diagramm zeigt beispielsweise, dass die Wahrscheinlichkeit, dass eine seit 75 Zyklen betriebene Batterie das Ende ihrer Nutzungsdauer erreicht hat, bei 90% liegt.

Betrieb-bis-Ausfall-Daten

Liegt Ihnen eine Datenbank mit Betrieb-bis-Ausfall-Daten von ähnlichen Komponenten oder anderen Komponenten mit ähnlichem Verhalten vor, können Sie die RND mithilfe von Ähnlichkeitsmethoden schätzen. Diese Methoden erfassen die Degradationsprofile und vergleichen sie mit neuen, von der Maschine erhaltenen Daten, um zu bestimmen, welches Profil am besten mit den Daten übereinstimmt.

In Abbildung 2 sind die Degradationsprofile historischer Betrieb-bis-Ausfall-Datensätze eines Triebwerks in Blau und die aktuellen Daten dieses Triebwerks in Rot gezeigt. Auf Basis einer Verteilung der nächsten historischen Profile wird die RND auf rund 65 Zyklen geschätzt.

Schwellwertdaten

In vielen Fällen bedeutet ein konservativer Wartungsplan, dass Maschinen selten versagen. Das kann bedeuten, dass keine Betrieb-bis-Ausfall-Daten oder Nutzungsdauerdaten vorliegen. Sie verfügen aber wahrscheinlich über Informationen zu vorgeschriebenen Schwellwerten – beispielsweise, dass die Temperatur einer Flüssigkeit in einer Pumpe nicht über 71 ˚C liegen darf und dass der Druck weniger als 155 bar betragen muss. Mit diesen Schwellwertinformationen können Sie Degradationsmodelle an aus Sensordaten extrahierte Zustandskennwerte anpassen, die sich im Zeitverlauf linear oder exponentiell ändern.

Diese Degradationsmodelle schätzen die RND, indem sie prognostizieren, wann der Zustandskennwert den Schwellwert überschreitet. Außerdem können sie mit einem fusionierten Zustandskennwert genutzt werden, der mithilfe von Techniken wie der Hauptkomponentenanalyse Informationen aus mehr als einem Sensor enthält.

Abbildung 3 zeigt ein exponentielles Degradationsmodell, das den Ausfall in einem Hochgeschwindigkeitslager einer Windkraftanlage nachverfolgt. Der Zustandskennwert wird blau angezeigt. Das Degradationsmodell prognostiziert, dass das Lager den Schwellwert in ca. 9,5 Tagen überschreitet. Der rot schraffierte Bereich stellt die Konfidenzgrenzen dieser Prognose dar.

Nach dem Entwurf eines auf den Ihnen vorliegenden Daten basierenden RND-Modells können Sie es in Dashboards integrieren, die von Operatoren genutzt werden, oder in Alarmsystemen, die von Wartungsteams überwacht werden. Die Teams können schnell und effizient ohne Beeinträchtigung des Gerätebetriebs auf Änderungen am Gerätezustand reagieren.