Lageranalyse: Probleme früh diagnostizieren, Ausfälle verhindern

Unser Ziel ist es, eine Denkweise zu kultivieren, die Problemerkennung und -lösung priorisiert, anstatt lediglich Ausfälle zu erkennen. In der Praxis fallen Lager oft spektakulär aus, doch die Schwingungsdaten, die den Ausfall signalisierten, werden selten über den Austauschzeitpunkt hinaus untersucht. Ein strukturierter, mehrstufiger Ansatz ist essenziell: Ein Schwingungsüberwachungsprogramm muss ein Problem beim frühesten Anzeichen kennzeichnen, und die Wartung muss entsprechend handeln – manchmal durch Anpassung der Schmierung, manchmal durch Lageraustausch. Der Austauschzeitpunkt ist kritisch; vorzeitige Wechsel können als Systemfehler wahrgenommen werden, während verzögertes Handeln andere Komponenten beschädigen und diagnostische Beweise löschen kann. Proaktive Wartung, nicht reaktiver Austausch, ist der Pfad zur Zuverlässigkeit.

Das SKF Bearing Inspector Entscheidungsunterstützungssystem beschleunigt, standardisiert und verbessert die Qualität der Lagerdiagnostik. Durch Aggregation fundamentaler Prinzipien und praktischer Ingenieurresultate zu Wälzlagerschäden verhindert es wiederkehrende Ausfälle. Im Gegensatz zu traditionellen Ursache-Symptom-Bäumen, die irreführen können, modelliert dieses Tool Kausalität von Bedingungen zu beobachtbaren Symptomen und weist Wahrscheinlichkeiten zu, die reale Unsicherheiten widerspiegeln. Modernste Computational Intelligence untermauert diesen Ansatz und stellt sicher, dass die Diagnostik die Physik des Lagerbetriebs abbildet.

Dieser Artikel steht im Einklang mit ISO 15243:2004, dem Benchmark für Zustandsüberwachungs-Datenanalyse.

Das Problem verstehen

Zustandsüberwachungswerkzeuge sind am wertvollsten, wenn sie helfen, Ausfälle vorherzusagen, bevor sie kritisch werden. Um ihr volles Potenzial zu nutzen, müssen Sie zunächst die Terminologie verstehen und eine Strategie für Datenerfassung und -umwandlung in umsetzbare Erkenntnisse entwickeln. Nehmen wir ein Lagerbeispiel: Haben wir lediglich einen Ausfall erkannt, oder haben wir die Grundursache aufgedeckt und Wiederholung verhindert? Schwingungssignaturen können Lastzonen, Fehlausrichtung und Verschleißmuster offenbaren, die, wenn sie früh adressiert werden, kostspielige Stillstände einsparen.

Abbildung 1. Umschlossenes Spektrum des Lagers

Abbildung 2. Wellenform des Lagers

Abbildung 3. Zyklische Zeitanalyse des Lagers

In diesem Fall führten wiederholte Ausfälle nur zu Lageraustauschen – eine teure und zeitaufwändige Lösung. Durch Segmentierung eines Datenblocks zur Darstellung einer einzelnen Umdrehung und synchrones Mitteln mit einem virtuellen Trigger bei 1 U/min traten zwei distincte Lastzonen hervor. Diese Zonen deuten auf bevorstehenden Stress am Innenring und Käfig hin und leiten Korrekturmaßnahmen. Nachfolgende Wellenuntersuchung ergab Ovalität; Bearbeitung korrigierte den Sitz, und das Lager läuft seither fehlerfrei.

Ursachenanalyse kombiniert mit proaktiver Wartung erwies sich als entscheidend. Die Lektion: Das Problem troubleshooten, nicht nur den Ausfall.

Schmiermanagement

Wenn Schmierung degradiert, steigen typischerweise Vibration, Geräusch oder akustische Emissionen. Während akustische Inspektion Probleme kennzeichnen kann, ist die zuverlässigste Methode, Vibrationsdaten gegen Engineering-Einheiten zu trenden. Abbildung 4 illustriert den Vibrationstrend eines Lagers vor, während und nach dem Schmieren.

Abbildung 4. Vibrationstrend während der Schmierung

Obwohl das Schmieren das Problem zu lösen schien, kehrten Vibrationsniveaus nie zum Vor-Problem-Niveau zurück. Der residuale Anstieg stammte von Partikeln im Fett. Eine während des Schmierens erfasste Wellenform (Abbildung 5) zeigt deutlich, wie der Schmiervorgang das zugrundeliegende Problem maskierte.

Abbildung 5. Wellenform während des Schmierens

Entscheidungsunterstützungssystem für Lagerausfallanalyse

Genauer Einblick in Wälzlagerschäden ist strategisch vital für SKF und seine Kunden. Der SKF Bearing Inspector – eine webfähige Wissensbasis – erfasst alle verfügbaren Informationen, von fundamentalen Prinzipien bis zu realen Ingenieurresultaten. Dies ermöglicht schnelle, konsistente, hochwertige Entscheidungsfindung und hilft, erneute Schäden zu verhindern.

Im Gegensatz zu frühen Expertensystemen der 1980er, die auf starren Entscheidungsbäumen basierten, modelliert das aktuelle System Kausalität von Bedingungen zu Symptomen mit quantifizierten Wahrscheinlichkeiten. Dies spiegelt die physikalische Realität wider, dass eine spezifische Ursache (z. B. falsche Montage) als beobachtbarer Schaden (z. B. Fretting) manifestiert wird, nicht umgekehrt.

Wissensrepräsentation

Das System verwendet ein probabilistisches Netzwerk, das Knoten visuell verknüpft, die darstellen:

• Bedingungen: Betriebsdrehzahl, Last, Lagertyp, Installationsdetails, Umgebung, etc.
• Interne Mechanismen: Schmierzustand, Filmbruch, Gleitkontakt.
• Ausfallmodi: Unterflächenermüdung, Fretting-Korrosion, Adhäsivverschleiß, etc.
• Beobachtete Symptome: Verfärbung, Spalling, Rost, Pitting.

Mit ca. 150 Knoten und 250 unterstützenden Bildern verkörpert das Netzwerk sowohl Expertenwissen als auch empirische Daten. Wahrscheinlichkeiten werden vorwärts und rückwärts berechnet, was den diagnostischen Workflow eines Klinikers spiegelt: Hypothesen generieren, dann durch gezielte Inspektionen verifizieren oder ablehnen.

Abbildung 6. ISO 15243:2004

Abbildung 7.

Fallstudie: Elektromotor-Lager in einer Papierfabrik

Unter "Typische Fälle" zeigt der Bearing Inspector reale Szenarien. Ein Fall betrifft ein NU 322 ECM/C3VL024 isoliertes Zylinderrollenlager in einer Papierwickelmaschine. Bei 1.000 bis 1.500 U/min zeigte das Lager nach nur einem Monat starken Verschleiß an Innen- und Außenring.

Das Laden der Applikationsdaten (Schritt 1) befüllt die Analyse automatisch. Das Tool flaggt initial hohe Wahrscheinlichkeiten für Falschbrinelling, Adhäsivverschleiß und Stromleckage. Geleitet von der Software prüft der Anwender für jeden Ausfallmodus die spezifischen Symptome:

1. Falschbrinelling – keine flachen Vertiefungen gefunden, also verworfen.
2. Adhäsivverschleiß – keine charakteristischen Anzeichen vorhanden.
3. Stromleckage – kleine Pitting bei Vergrößerung beobachtet, Diagnose bestätigt.

Nachfolgende Untersuchung deckte einen Erdungsfehler in der Wicklerkonstruktion auf, der die Softwareempfehlung bestätigte.

Abbildung 8. Schritt 1: Applikationsbedingungen

Abbildung 9. Schritt 2: Initiale Diagnose und Konfidenzfaktoren

Abbildung 10. Schritt 3: Symptominspektion für Stromleckage

Abbildung 11. Finale Diagnose und Berichterstellung

Anstatt jeden möglichen Symptom zu prüfen, priorisiert das System die diskriminierendsten Beobachtungen basierend auf der aktuellen Hypothese, was den diagnostischen Aufwand reduziert. Anwender können umfassende Berichte in Word oder HTML exportieren, komplett mit Bedingungen, Beobachtungen und Wahrscheinlichkeitsrankings.

Fazit

Der SKF Bearing Inspector liefert einen schnellen, konsistenten und hochwertigen Entscheidungsprozess für Lagerschadensuntersuchungen. Über eine Webschnittstelle zugänglich, befähigt er SKF-Ingenieure und Kunden, Ausfallursachen zu identifizieren und präventive Maßnahmen umzusetzen – sichernd, dass derselbe Ausfall nicht wiederkehrt und die Konfiguration von schwingungsbasierten Zustandsüberwachungsprogrammen leitend.