Story

Predictive Maintenance in der Praxis

Wir vergleichen MEMS- und piezobasierte Sensoren und zeigen, dass MEMS zum Beispiel für Anwendungen mit niedrigen Drehzahlen, d. h. unter 500 U/min, weniger geeignet sind. Es zeigt auch das Risiko der Verwendung von RMS-Daten, wie es die meisten kostengünstigen IoT-Systeme tun.

Vorausschauende Wartung oder Predictive Maintenance (PM) bietet sich für Lager und Getriebe an, weil Defekte deterministisch erscheinen. In der Praxis hat sich gezeigt, dass die Probleme nicht in der Analyse, wo heute Künstliche Intelligenz verwendet wird, sondern in der Gewinnung der Rohdaten beginnen. Verlorene Informationen in den Daten lassen sich später nicht mehr rückgewinnen.

Defekte an Getrieben oder Wälzlagern möchte man frühzeitig erkennen, um die Reparatur oder einen allfälligen Austausch planen und durchführen zu können. Wenn das Überwachungssystem einen Defekt erst messen kann, wenn er fühl- oder hörbar ist, dann steigt das Ausfallrisiko massiv an. Um die vorrausschauende oder zustandsgeführte Wartung nutzen zu können, um z.B. auch die Schmierintervalle zu optimieren, erachten wir es als essenziell, dass hochaufgelöste Rohdaten verwendet werden. Des Weiteren lässt sich dadurch die Falschalarmrate reduzieren und die Defektdetektion erhöhen. Dies bedingt natürlich, dass gute Sensorik und die dazu passende Elektronik zur Datendigitalisierung eingesetzt werden. Diese muss nicht kostspielig sein, wie wir bewiesen haben, sondern die Erwartungen an PM erfüllen.

Mehr dazu finden Sie hier

 

Weitere spannende Beiträge

cpt
Gespeichert auf Ihrer Merkliste

Wir verwenden Cookies auf unserer Website. Einige davon sind essentiell, während andere uns helfen, diese Website zu verbessern. Wir sind Ihnen dankbar, wenn Sie diese akzeptieren. Mehr Info