Success Story

„Versteckte“ Informationen zur Bewertung der Maschinengesundheit

Ein Data-Mining-Ansatz korreliert chemische Schmierstoffdaten mit der Maschinenperformance hinsichtlich Lebensdauer und Effizienz

Echtzeit-Überwachung und Industrie 4.0 produzieren tagtäglich enorme Datenmengen aus zahlreichen analytischen und sensorischen Werkzeugen. Diese Informationen können sehr spezifisch sein, z. B. Schmierstoff-Parameter, die mit der Maschinen-performance bzw. -gesundheit korreliert werden sollen. Es ist daher herausfordernd, ein vollständiges Bild aller Daten zu erstellen und die relevanten Informationen für die Zustandsüberwachung und Wartung zu filtern und richtig zu interpretieren.

Die multivariate Statistik hat Einzug in die Tribologie gehalten, um die konventionelle Datenauswertung zu unterstützen und das Erkennen „versteckter“ Informationen zu erleichtern. Dies ist ein wertvolles Werkzeug, wenn ein Schmierstoff in der Anwendung hinsichtlich Additivverbrauch, Verschmutzung und Bildung von Abbauprodukten und darüber hinaus die Maschinenperformance bewertet werden soll. Bestimmte Schmierstoffparameter spielen eine große Rolle hinsichtlich der Energieeffizienz, bestimmt durch Reibung, und der verbleibenden Lebensdauer, die durch die Restadditivmenge bestimmt wird. Beispielsweise halten Verschleißschutz-Additive den Maschinenverschleiß auf einem niedrigen Niveau und tragen somit zur Maschinengesundheit bei.

Daher wurde ein Data-Mining-Ansatz entwickelt, um wichtige Informationen und Zusammenhänge zwischen Schmierstoffchemie und Maschinen-performance zu gewinnen. Die chemische und tribometrische Charakterisierung von frischen, gebrauchten und künstlich veränderten Motorenölen wurde mit multivariaten Datenanalysemethoden ausgewertet, die in der Chemometrie etabliert sind.

Mit FTIR-Spektren (Fourier-Transform-Infrarotspektro-skopie) wurde der Zustand von im Labor künstlich veränderten Motorölen mit dem von aus Fahrzeugen gesammelten gebrauchten Motorölen verglichen. Diese Vorarbeiten waren notwendig, um automatisch Zusammenhänge zwischen den chemischen Zusammensetzungen der Motoröle und ihrer tribologischen Performance in Maschinen herzu-stellen. Daraus wurden empirische Modelle erstellt, um die Schmierungs- und Maschinenperformance aus dem Ölzustand vorherzusagen.

Wirkungen und Effekte

Data-Mining-Ansätze wurden zum Herstellen auto­matischer Zusammenhänge angewandt, um sofort zuverlässige Vorhersagen, z. B. zur Restlebens-dauer, auf Basis von Schmierstoffdaten, hier mittels konventioneller Analytik und Sensoren, zu treffen.

Große Datensätze im Labor-Korrelationsmodelle werden erstellt, um den Schmierstoffzustand mit der Schmierungs- und Maschinenperformance rasch und kostengünstig zu verknüpfen. Zusammenhänge, die für das „bloße Auge“ auf den ersten Blick „versteckt“ sind, werden so zugänglich und für die Vorhersage von relevantem Verhalten und daher der Maschinen-gesundheit ausgenutzt. Dies ermöglicht die voraus-schauende Wartung in industriellen Anwendungen und unterstützt den nachhaltigen und ressourcen-schonenden Betrieb von geschmierten Maschinen.

Der Data-Mining-Ansatz macht nicht nur Trends sichtbar, sondern vereinfacht das Benchmarking von Schmierstoffen auf einer quasi-standardisierten Ebene mit einfachen Schmierstoff-Analysemethoden.

© AC2T research GmbH: Vorausschauende Wartung durch Korrelation von Schmierstoffdaten mit Schmierungs- und Maschinenperformance mit einem multivariaten Statistikmodell

Projektkoordination (Story)

Dr. Charlotte Besser
Projektleiterin
AC2T research GmbH

Partner