Überwachung von Systemen mit lernender Regelung

Uptime Engineering > Blog > Überwachung von Systemen mit lernender Regelung
Überwachung von Systemen mit lernender Regelung

Primär werden mechatronische Systeme überwacht, um Änderungen ihres Soll-Verhaltens über die Betriebszeit festzustellen. Weil diese Änderungen ein Indikator für sich anbahnende Schädigung sind, werden sie als Trigger für präventive Wartungsaktivitäten genutzt. Das ist elegant und gut verstehbar. Es lässt sich rasch und kostengünstig installieren.

 

Für die Systemüberwachung werden generell System-Antwort Modelle verwendet. Diese Modelle liefern die Erwartungswerte für das System-Verhalten auf Basis von Belastungen. Ein einfaches Beispiel wäre die Heizkurve der Leistungselektronik infolge eines Lastsprungs. Die Erwartungswerte aus dem Modell werden mit den gemessenen Daten verglichen, um Abweichungen festzustellen. Solche Indikatoren für die Änderung des System-Verhaltens werden als Trigger für notwendige Wartung eingesetzt, in weiterer Folge auch für Diagnose und Prognose in der zustandsbasierten Wartung (CBM, PDM). Bei geregelten Systemen ist die Indikation von Abweichungen zwar etwas komplizierter, weil zwischen Input und Output der Regel-Algorithmus geschaltet ist. Sobald dieser bekannt (oder auch gemessen) ist, erfolgt die Modellierung der System-Antwort aber wieder wie oben.

Das Problem ist folgendes:

In aktuelle Regelungen sind häufig Lernalgorithmen integriert, die eine Änderung des Systemverhaltens kompensieren – soweit das möglich und sicher ist. In diesem „Lernbereich“ ist bei Degradation daher keine Änderung der System-Antwort messbar. Das ist aus funktionaler Sicht natürlich gewünscht, aber das obige Überwachungs-Verfahren funktioniert dann nicht mehr. Für eine vorsorgliche Wartung fehlt dann die Entscheidungsbasis.

Ein einfaches Beispiel: Die Schließposition des Ventil-Aktuators ändert sich durch den Verschleiß des Ventiltellers, was zu Leckage führen würde. Um das zu vermeiden, wird die Position „geschlossen“ z.B. bei jedem Start des Aggregats durch eine Probe-Schließung ermittelt und als gelernter Parameter gespeichert.

Das Verfahren funktioniert und ist patentiert (AT523349 A1).

Unsere Lösung ist einfach:

Statt die Änderung des System-Verhaltens zu überwachen, verfolgen wir den Verlauf der gelernten Regelparameter über die Betriebszeit und vergleichen diesen mit dem jeweiligen Grenzwert, um daraus den Bedarf für vorsorgliche Wartung abzuleiten. Im obigen Beispiel wäre die Veränderung der Schließposition ein direktes Maß für den Verschleiß des Ventiltellers, also für die Risiko-Reduktion eine treffsichere Monitoring-Größe. Aus der Korrelation der Änderungsrate zur Lastgeschichte ermitteln wir die schädigenden Bedingungen. Damit füttern wir unser Expertensystem für die Diagnose und berechnen die verfügbare Restlebensdauer. Sie ist in diesem Fall durch den zulässigen Wertebereich des Regel-Parameters begrenzt.

 

Das Verfahren funktioniert und ist patentiert (AT523349 A1). Es liefert mit geringstem Aufwand die Indikation, Diagnose und Prognose – also die Basis für den zustandsbasierten und prädiktiven Wartungsprozess (CBM und PDM).

Vorteile

Uptime Pfeil Icon

Die notwendigen Input-Daten sind aus der Regelung ohne Sensorik verfügbar

Uptime Pfeil Icon

Sie liefern die Identifikation der Schädigung und der schädigenden Betriebsbedingungen

Uptime Pfeil Icon

Damit wird die automatisierte Diagnose und Prognose der Restlebensdauer durchgeführt

Weitere Artikel

Felderprobung – Die Brücke von der Produktentwicklung zur optimierten Instandhaltung

Die Analyse von Feldversuchen liefert Qualitätssicherung für die Entwicklung und Indikatoren für prädiktive Wartung

CBM/PDM für die intelligente Wartung einer existierenden Flotte

Zustandsbasierte (CBM) und prädiktive Wartung (PDM) sind nicht nur für neue Anlagen und Flotten interessant....

Zaun reparieren statt Hühner einfangen

Schadensanalysen sind Wissensgeneratoren. Sie schaffen eine solide Basis für nachhaltige Problemlösung. Darüber hinaus sind ihre...