Mehr Effizienz, weniger Ausfälle: Stöber entwickelt seine Predictive Maintenance-Lösungen kontinuierlich weiter. Dazu haben die Antriebsspezialisten aus Pforzheim mehrere Ausbaustufen definiert: Der Antriebsstrang wird kontinuierlich überwacht, und basierend auf der Analyse der relevanten Prozess- und Maschinendaten werden Wartungsempfehlungen erstellt. Dabei reichen die Möglichkeiten vom analytischen Rechenmodel bis hin zu Künstlicher Intelligenz (KI) und Deep Learning. Das Unternehmen verfolgt dabei die Strategie einer integrierten Lösung. Externe Sensoren und Zubehör sind nicht erforderlich. Die Lösung soll so für ein breites Spektrum von Steuerungen zugänglich sein.
„Wie gelingt es uns, mit Predictive Maintenance den Übergang von der reinen Zustandsüberwachung zu einer realen zustandsorientierten Instandhaltung für den Antriebsstrang zu schaffen?“, fragten sich Tim Lang, Abteilungsleiter Applikationen bei Stöber, und sein Team. Denn um eine höhere Verfügbarkeit, weniger Instandhaltungsaufwand und längere Lebenszyklen zu erreichen, wird die Vorhersehbarkeit Anwender immer wichtiger: „Wie wahrscheinlich ist es, dass der Getriebemotor bald ausfällt?“ oder „Wann ist eigentlich der ideale Zeitpunkt, um diesen zu warten oder zu tauschen?“
Um diese und ähnliche Prognosen treffen zu können, beschäftigt sich das Unternehmen laut eigenen Angaben bereits seit einigen Jahren mit dem Thema Predictive Maintenance. „Wir entwickeln uns permanent weiter. Dazu haben wir einen dreistufigen Plan ausgearbeitet. Schritt zwei gehen wir aktuell an“, sagt Tim Lang.
Schritt eins: Getriebemotor modellbasiert analysieren
Antriebsregler, Getriebemotoren und Zahnstangentriebe
In der ersten Stufe erhielt der Anwender eine Predictive-Maintenance-Lösung, die den Getriebemotor eines Antriebssystems überwacht. Seine Lebensleistung wird über ein analytisches Modell berechnet und in der Software der Antriebsregler durch den sogenannten Lebensleistungsindikator ausgegeben. Dabei handelt es sich um einen Wert zwischen 0 und 100 Prozent.
Bei 90 Prozent gibt die Software eine Empfehlung zum Tausch des Getriebemotors aus und stellt diese auch einer Steuerung in Form eines auslesbaren Parameters zur Verfügung. Diese Lösung zur vorausschauenden Wartung erfordert keine externe Sensorik und zusätzliche Verdrahtung.
Schritt zwei: Aktiv messen mit Beschleunigungssensor
„Im zweiten Schritt lassen wir zu diesem Rechenmodell noch eine aktive Messung miteinfließen“, erläutert Lang. Dazu integriert der Hersteller in sein System, das aus Getriebe, Motor, Kabel und Antriebsregler besteht, einen Beschleunigungssensor. Externe Peripheriegeräte, wie zusätzliche Strom- oder Spannungsquellen, sind dabei nicht erforderlich. So können Lagersitze, Verzahnungen oder auch andere Antriebskomponenten effizient gemessen werden. „Durch Frequenzanalysen können wir spektrumsbasiert auf sich ankündigende Schäden schließen“, sagt Lang. „Aktuell befinden wir uns noch in der Umsetzungsphase.“ Stöber arbeitet dabei eng mit Heidenhain zusammen, um gemeinsam einen Getriebemotor mit integriertem Beschleunigungssensor zu entwickeln.
Smarter Antriebsstrang als Ziel
Antriebsregler-Software mit Darstellung einer 3D-Last-Matrix
Stöber wird Predictive Maintenance basierend auf den ersten beiden Schritten mit Deep Learning und künstlicher Intelligenz (KI) konsequent weiterentwickeln. Das Ziel ist ein smarter Antriebsstrang, der sowohl seinen eigenen Zustand erkennt als auch wichtige Informationen aus dem Feld in Echtzeit liefern kann.
„Seit Sommer 2024 konnten wir für unser Release nützliche Erweiterungen umsetzen“, berichtet Lang. Unter anderem haben die Antriebsspezialisten das analytische Modell verbessert und die Datenbank auf über 80.000 Variationen aus Getriebe und Motoren erweitert. Darüber hinaus können jetzt auch kundenspezifische Sonderversionen ausgewertet werden. Anwender profitieren von einer einfacheren Bedienung und verbesserten Visualisierung.
Der Hersteller wird künftig auch Funktionsbausteine und Beispielprogramme bereitstellen. Damit können die gewonnenen Daten und die Last-Matrix auch über EtherCAT oder Profinet ausgelesen werden. Die Last-Matrix bildet die solide Datenbasis zum Erfassen von realen Belastungssituationen: Der kumulierte Lastzustand des Antriebssystems wird über die gesamte Betriebszeit fortlaufend dokumentiert.
„Ende des Jahres werden wir unseren Kundinnen und Kunden zudem ein Analysetool bieten können, das mehrere Last-Matrizen auswerten, vergleichen und standardisierte Reports erstellen kann“, sagt Lang. „Wir haben damit eine zustandsorientierte Instandhaltung, die uns ein sehr breites Anwendungsfeld bietet. Es lassen sich unter anderem auch Auslegungs- und Montageeinflüsse über einen Maschinentyp detektieren oder Langzeitanalysen realisieren.“
Quelle: Stöber Antriebstechnik
