Causal Condition Monitoring von Verdrängerein­heiten durch Verschleiß- und Schadensdetek­tion in Korrelation zur Betriebs- und Lastsituation

Aufgabe / Zielsetzung

Ziel des Forschungsprojekts ist es, Methoden für eine kosteneffiziente Zustandsüber-wachung von Axialkolbenpumpen zu entwickeln und die Grundlage für eine Abschätzung der Restlebensdauer zu schaffen. Dabei sollen die minimalen Anforderungen an die Datenerfassung ermittelt werden, um sowohl Verschleiß als auch die zu diesem führenden Lastkollektive zu identifizieren. Es sollen die folgenden Forschungsfragen beantwortet werden:

• Quantifizierbarkeit: Ist eine Detektion unterschiedlicher Verschleißtiefen und damit eine Quantifizierung des Verschleißes möglich? Kann die Verschleißtiefe für eine Restlebensdauerabschätzung auch stufenlos erkannt werden?
• Wirtschaftlichkeit: Welche Größen müssen mit welcher zeitlichen Auflösung (Abtastrate) mindestens aufgezeichnet und ausgewertet werden, um die bekannten Algorithmen zur Schadensdetektion um die Aspekte der Skalierbarkeit zu erweitern und eine Erkennung des Betriebspunkts, d. h. Drehzahl, Druck und Schwenkwinkel sowie des Verschleißzustandes zu ermöglichen?
• Kausalität: Ist die gleichzeitige Identifikation von Betriebspunkt und Verschleiß der Pumpe mit einer Sensorausstattung je nach gewünschtem Detaillierungsgrad möglich?
• Skalierbarkeit: Können die entwickelten Mustererkennungsverfahren auf weitere Pumpen anderer Baugröße übertragen werden?

Lösungsweg

In eine Axialkolbenpumpe mit 92cc wurden drei verschiedene realitätsnahe Verschleiße eingebracht: Kavitation am Steuerspiegel in drei verschiedenen Abstufungen, axiales Spiel zwischen Gleitschuh und Kolben sowie Verschleiß der Gleitschuhdichtflächen. Diese Defekte repräsentieren frühe Schadensstadien, die sich hauptsächlich durch eine leichte Erhöhung der Leckage äußern. Messungen mit umfangreicher Sensorik decken fast 100 verschiedene Betriebsbedingungen ab, mit unterschiedlichen Drehzahlen, Drücken und Schwenkwinkeln. Zur Bewertung der Übertragbarkeit wurde Kavitation am Steuerspiegel in eine weitere Pumpe eines anderen Herstellers der Baugröße 160cc eingebracht und umfangreich vermessen. Neben der Analyse der Rohdaten im Zeit- und Frequenzbereich wurden Machine-Learning Modelle aufgebaut unter Verwendung der Algorithmen Support Vector Machine und XGBoost und mit unterschiedlichen Datensätzen trainiert und getestet. Im Folgenden sind die wichtigsten Ergebnisse zusammengefasst.

Ergebnisse

Das entwickelte Vorgehen zur Implementierung eines wirtschaftlichen Sensorkonzepts demonstriert, dass mit einem einzigen triaxialen Beschleunigungssensor sehr viele Informationen über den Pumpenzustand gewonnen werden können. Dieser kann neben dem aktuellen Betriebspunkt (Druck, Drehzahl und Schwenkwinkel) auch die Schadensart sowie die Schadenstiefe bis hin zur Leckage mit Hilfe von trainierten ML-Modellen vorhersagen. Diese Informationen werden für eine Restlebensdauerabschätzung benötigt, ein wesentlicher Meilenstein für den Umstieg von der präventiven Instandhaltung zu einer prädiktiven Instandhaltungsstrategie.

Durch die Reduktion der Labels von mehreren Fehlertypen auf nur zwei Labels („gut“ und „beschädigt“) stieg die Genauigkeit signifikant auf nahezu 99 % trotz reduzierter Abtastrate von 4,1 kHz und unter alleiniger Nutzung der y-Komponente des triaxialen Sensors. Dieser Ansatz entspricht den praktischen Anforderungen, bei denen es oft wichtiger ist, festzustellen, ob eine Pumpe „gesund“ oder „fehlerhaft“ ist, als den genauen Fehlertyp zu bestimmen.

Für die Verschleißerkennung in realen Anwendungen erweist es sich als vorteilhaft, die Streuung durch verschiedene Betriebszustände so gering wie möglich zu halten, da diese die Vibrationsspektren stark beeinflussen und so die Erkennung des Pumpenzustands erschweren. Dies könnte z.B. durch einen vordefinierten Testzyklus unter bekannten Bedingungen, z. B. beim Anfahren der Maschine, umgesetzt werden. Zusätzlich könnten auch verschiedene Modelle für verschiedene Betriebsbereiche trainiert werden, unter Messung oder Vorhersage der noch variierenden Variablen, wie z.B. der Temperatur oder Schwenkwinkel.

Ein Vergleich der Rohdaten zeigte deutliche Unterschiede im Schwingungsverhalten der verschiedenen Pumpen unterschiedlicher Baugröße und Herstellers. Ein mit Pumpe 1 trainiertes Regressionsmodell konnte in den Daten von Pumpe 2 keine Zusammenhänge zur Leckage erkennen. Auch ein weiteres Training des Modells mit Referenzdaten der 2. Pumpe ("Boosting") führte bei der Validierung mit unbekannten Verschleiß-Daten zu keiner Verbesserung. Die Übertragbarkeit auf andere Pumpen bedarf weiterer Forschung.

Das Projekt (Förderkennzeichen: 01IF22012N) wurde vom Bundesministerium für Wirtschaft und Klimaschutz (BMWK) mit den Mitteln der Industriellen Gemeinschaftsforschung (IGF) gefördert.
Laufzeit: 01.02.2022 bis 31.01.2025

Der Schlussbericht des Vorhabens kann über das Forschungskuratiom Maschinenbau e. V. (http://www.fkm-net.de) bezogen werden (Postanschrift: Lyoner Str. 18, 60528 Frankfurt am Main, E-Mail: info@fkm-net.de).