Smarte Motorstromanalyse an Elektromotoren
Der Motor als Sensor
Elektromotoren und Maschinen sind mechanisch über Riemen, Kupplungen, Getriebe oder direkt miteinander verbunden. Über diese konstruktive Ankopplung werden Schwingungen der Arbeitsmaschine oder mechanische Prozessstörungen auf den Motor zurück übertragen. Dort bilden sich diese Effekte in Motorstrom und -spannung ab. Mit einer geeigneten Messtechnik können die Rückwirkungen noch in den elektrischen Zuleitungen des Motors im Schaltschrank gemessen, ausgewertet und den verursachenden Symptomen zugeordnet werden.
 Das e-MCM kann durch einen Selbstlernprozess 
Maschinendaten nutzen, um Fehler zu erkennen.
Das e-MCM kann durch einen Selbstlernprozess Maschinendaten nutzen, um Fehler zu erkennen. – Bild: Avibia GmbH

Genau das soll e-MCM von Artesis vollautomatisch leisten und dabei den Elektromotor als Sensor nutzen. Zusätzlich werden die wichtigsten elektrischen Gesundheitsdaten des Motors und dessen Leistungswerte gleichzeitig mit ermittelt. Entwickelt wurde das System für die vorausschauende Instandhaltung kritischer, rotierender Wechselstrommaschinen. Der patentierte maschinelle Lernalgorithmus ermöglicht eine umfassende Fehlererkennung bereits im Voraus eines sich anbahnenden Schadens. Mit der permanenten Überwachung und der modellbasierten Spannungs- und Stromanalyse in Echtzeit können elektrische, mechanische sowie Prozessfehler von Motoren und Generatoren mit fester und variabler Drehzahl erkannt werden. Die Installation erfolgt mit Hilfe von Stromtransformatoren an die drei Netzphasen des Motors und des Überwachungsmonitor in einer beliebigen Schalttafel. Das Gerät befindet sich typischerweise in oder in der Nähe des Motor-Steuerschranks und ist besonders nützlich in Umgebungen, in denen die Motoren nicht leicht zugänglich sind, entweder weil sie abgelegen oder die Umgebung gefährlich oder unzugänglich ist.

 Das System vergleicht den digitalen Zwilling mit den realen Werten.
Das System vergleicht den digitalen Zwilling mit den realen Werten.Bild: Avibia GmbH

Automatisierte Analyse

Beim ersten Einschalten beginnt das e-MCM einen automatischen Selbstlernprozess, bei dem es den normalen Betriebszustand der Anlage erlernt. Wenn ein neuer Betriebszustand identifiziert wurde, den es während der Selbstlernphase nicht kennen gelernt hat, bietet es die Möglichkeit, diesen Zustand in zukünftige Überwachungen mit einzubeziehen. Das System führt kontinuierlich Messungen durch und vergleicht diese mit dem digitalen Zwilling, der während des Selbstlernprozesses erstellt wurde. Hierbei wird eine mathematische Modellierungsmethode zur Erkennung und Diagnose von Fehlern in Elektromotoren und damit verbundenen Komponenten verwendet. Das mathematische Modell wird während der Selbstlernphase im Betrieb automatisch gebildet. Während dieser Phase werden die drei Eingangsspannungen und -ströme kontinuierlich gemessen und mit Hilfe von Systemidentifikationsalgorithmen verarbeitet, die die Modellparameter unter einer ganzen Reihe von Betriebszuständen bestimmen. Sobald dies abgeschlossen ist, verfügt das System über ein vollständiges Modell, das das normale Verhalten der Maschine in einem umfassenden Bereich von Betriebszuständen darstellt. Wenn ein Fehler im Motor, im Antriebsstrang oder in der angetriebenen Ausrüstung auftritt, wirkt sich dies auf die Signalform des Eingangsstroms aus, wodurch sich das reale System anders verhält als das Modellsystem. Zum Beispiel können kleine radiale und axiale Verschiebungen, die aus einer Unwucht in einem angetriebenen Ventilator resultieren, über die Kupplung auf den Motor übertragen werden und verändern dessen elektrische Eigenschaften in messbarer und reproduzierbarer Weise. Durch den Abgleich von Änderungen in jedem dieser Parameter mit der entsprechenden physikalischen Eigenschaft des Motors oder des angetriebenen Systems und die Bewertung der Intensität wird bestimmt, ob der aktuelle Zustand der Ausrüstung normal ist und wenn nicht, welche Maßnahmen ergriffen werden sollten. Dieser Ansatz ermöglicht nicht nur eine viel empfindlichere und zuverlässigere Alarmierung, als dies mit herkömmlichen Level-Alarmen möglich ist, sondern erkennt auch die Art des Defekts, der das Problem verursacht.

 Auszug aus dem Zustandsbericht eines e-MCM-Gerätes.
Auszug aus dem Zustandsbericht eines e-MCM-Gerätes.Bild: Avibia GmbH

Fazit

Sensorbasierte Zustandsüberwachungssysteme sind zwar hervorragend in der Lage, Daten zu sammeln, erfordern meistens aber viel Fachwissen, um sie in verwertbare Aussagen umzuwandeln – genau das ist für die meisten Anwender aber entscheidend für die Nutzbarkeit und den Wert eines CMS-Systems. Das e-MCM ist in der Lage, sein durch den Selbstlernprozess aufgebautes Wissen über die Maschinen zu nutzen, um nicht nur zu erkennen, wann sich ein Fehler entwickelt, sondern auch die Art des Fehlers zu erkennen. Dadurch kann ein Wartungsteam die Maßnahmen genau auf den richtigen Bereich konzentrieren, ohne auf die Unterstützung durch einen Diagnoseexperten angewiesen zu sein. Die Software des Gerätes ermöglicht dem Anwender eine detaillierte Analyse mit den Werkzeugen Leistungsspektraldichte und Trendanalyse nach den Ursachen der Fehler. Es ist so konzipiert, dass es autark arbeitet und nur dann eingreifen muss, wenn es ein Problem erkennt.

AVIBIA GmbH
http://www.avibia.de

Das könnte Sie auch Interessieren

Bild: BTC Business Technology Consulting AG
Bild: BTC Business Technology Consulting AG
Smartes Anlagen-Monitoring mit künstlicher Intelligenz

Smartes Anlagen-Monitoring mit künstlicher Intelligenz

Datengetriebene Anwendungsfälle wie Predictive Maintenance gelten in modernen Produktions- und Fertigungsverfahren als Schlüssel zu höherer Effizienz und Wertschöpfung der Produktionsanlagen. Zur frühzeitigen Identifikation potenzieller Störungen ist das Condition Monitoring durch Auswerten aktueller Maschinen- und Sensordaten unverzichtbar. Innovative Analyse-Methoden zur Erkennung von abweichenden Werten (Anomalien) sind hier Vertretern klassischer regelgestützter Verfahren einen Schritt voraus

Bild: Smartblick
Bild: Smartblick
Dauerlauf statt 
Spindelstillstand

Dauerlauf statt Spindelstillstand

Auf ein und derselben Maschine unterschiedlichste Materialien verarbeiten und nahezu beliebige Produkte herstellen: Die CNC-Technik ist an Flexibilität, vor allem in der Fertigung von Prototypen und Kleinserien, kaum zu überbieten. Andererseits fallen Investitionen in die technische Grundausstattung vergleichsweise hoch aus, und niedrige Auslastungen führen schnell zu eingeschränkter Wettbewerbsfähigkeit. Eine Systemlösung soll helfen, freie Kapazitäten im CNC-Maschinenpark sofort zu erkennen.

Bild: genua gmbH
Bild: genua gmbH
Mehr Sicherheit für die smarte Brownfield-Fabrik

Mehr Sicherheit für die smarte Brownfield-Fabrik

Die wenigsten industriellen Digitalisierungsprojekte werden auf der grünen Wiese geplant. Häufig gilt es, Bestandsanlagen zu erweitern – ein Umstand, der IT- und OT-Experten schnell Kopfzerbrechen bereiten kann. Denn mit Blick auf Konzepte wie z.B. Fernwartung bedeutet dies, eine Balance zwischen Sicherheit, Verfügbarkeit und Flexibilität zu gewährleisten.

Bild: Staropramen
Bild: Staropramen
Digitalisierte Lagerprozesse ohne Fehler

Digitalisierte Lagerprozesse ohne Fehler

Pivovary Staropramen ist der zweitgrößte Bierhersteller in der Tschechischen Republik. Zur Steigerung von Ladegenauigkeit und Arbeitsschutz, nutzt der Brauer die Ladungsprüfungslösung ZetesMedea. Die Versandfehler wurden auf ein Minimum reduziert und das bei einer vollständigen Amortisation in nur zwölf Monaten.

MainDays in Berlin

Zur 22. MainDays-Jahrestagung treffen sich am 23. und 24. November Verantwortliche aus Instandhaltung und technischem Service in Berlin.

BGHM verleiht Gütesiegel ‚Sicher mit System‘ an Cleantaxx

Eine hohe Wertstellung des Arbeitsschutzes, eine ganzheitliche systematische Betrachtungsweise sowie ein auf konsequente Umsetzung ausgerichteter Führungsstil: Das Langenhagener Unternehmen Cleantaxx erhält für sein Arbeitsschutzmanagementsystem das Gütesiegel ‚Sicher mit System‘ der Berufsgenossenschaft Holz und Metall (BGHM).

Wenn die Maschinen stillstehen

Eine Senseye-Umfrage unter großen Industrieunternehmen hat ergeben, dass große Werke 27 Stunden pro Monat aufgrund von Machinenausfällen verlieren und jede Stunde ungeplanten Stillstandes rund 532.000US$ (ca. 450.000€) kostet. Der Verlust wird auf 3,3 Millionen Produktionsstunden geschätzt. Das entspricht 864Mrd.US$ (ca. 730Mrd.€) pro Jahr bei den Fortune Global 500 Industrieunternehmen.

Master-Studiengang ‚Cybersecurity‘

Die Universität des Saarlandes startet ab dem Wintersemester 2021/22 mit ‚Cybersecurity‘ einen englischsprachigen Masterstudiengang, der auf Sicherheit in der Informationstechnik spezialisiert ist.