Suchergebnisse

Sie fragen sich, was Sie bei der Auswahl einer Condition Monitoring / Predictive Maintenance Lösung alles beachten sollten? Wir haben die wichtigsten Punkte in unserer Slideshow zusammengefasst, klicken Sie sich einfach durch oder lesen Sie die Zusammenfassung darunter: 1. Die Erkenntnistiefe: Gering: Veränderung von bestimmten Parametern (z.B. Temperatur) anzeigen Mittel: Komponente beschädigt Ja/Nein anzeigen Hoch: Restlebensdauer der Komponenten anzeigen 2. Die Art der Datenerfassung: Permanent installierte Sensoren Messung mit mobilem Messgerät Kombination aus permanenten Sensoren und mobilem Messgerät 3. Die Wertschöpfungstiefe: Eigenentwicklung des Unternehmens Externer Dienstleister "Best of both" Ansatz 4. Die Zeit bis zum Bericht: Echtzeit 24 Stunden Mehrere Tage/Wochen 5. Die Datenspeicherung: Vor Ort Server des Dienstleisters Cloud 6. Die Datenübertragung: Unverschlüsselte Übertragung Verschlüsselte Übertragung Keine (nur vor Ort) 7. Den Informationsgehalt der Technologie: Gering: Temperatur Mittel: Vibrationen Hoch: Ultraschall 8. Universalität der Technologie: Gering: wenige Use Cases / starker Fokus, z. B. nur rotierende Bauteile Hoch: viele Anwendungsgebiete, z. B. Schmieroptimierung als Zusatznutzen von Ultraschall Autor: DI Mag. Markus Loinig Email: markus@senzoro.com

Schmierfett ist für Lager essenziell: es verringert die Reibung und sorgt damit für eine reibungslose Funktion und eine längere Lebensdauer des Lagers. Obwohl die richtige Schmierung so wichtig ist, treten dabei oft Fehler auf. Wir haben die drei häufigsten Fehler identifiziert und verraten Ihnen, wie man sie verhindern kann. 1. Zeitbasiertes Schmieren von Lagern Hersteller geben oft regelmäßige Zeitintervalle wie eine bestimmte Anzahl von Wochen für die Schmierung vor, die den Einsatzort eines Lagers jedoch völlig außer Betracht lassen. Dabei macht es für die Schmierung einen entscheidenden Unterschied, ob das Lager in einem feucht-heißen oder einem kalt-trockenen Klima verwendet wird. Weitere Einflussfaktoren sind die Geschwindigkeiten, die Lasten sowie die Anzahl der Start und Stopps, bei denen das Lager eingesetzt wird. 2. Zu viel oder zu wenig Schmierfett Auch die Menge des Schmierfettes ist maßgebend. Wird zu viel Schmierfett verwendet, baut das einen Druck auf, der die Wälzkörper gegen den Außenring drückt. Erhöhte Reibung und Temperatur sind die Folge, welche sich lebenszeitmindernd auf das Lager auswirken. Zu wenig Schmierfett erhöht ebenfalls Reibung und Temperatur und hat den gleichen Effekt. 3. Subjektive Daten als Entscheidungsgrundlage Visuelle oder akustische Prüfungen der Schmierung sind zu subjektiv, um Schlussfolgerungen auf die richtige Schmierung eines Lagers zu treffen. Jeder Mensch nimmt seine Umwelt anders wahr und die Möglichkeiten der Speicherung und Archivierung der Vergleichsdaten ist sehr begrenzt. Wie kann man die richtige Schmierung erkennen und überwachen? Mit unseren Ultraschallsensoren werden die charakteristischen Signale von Lagern aufgenommen. Der Prozess dauert nur wenige Sekunden und ist, entweder mit mobilen oder mit permanenten Sensoren, während des laufenden Betriebes möglich. Die Auswertung der Daten erfolgt vollkommen automatisch und Sie erhalten ohne langes Warten einen Überblick über den Ist-Zustand Ihrer Anlagen. Die Daten können gespeichert und Veränderungen über die Zeit beobachtet werden. Indem Sie defekte Lager und schlechte Schmierzustände identifizieren, können Sie Reparaturen bzw. Austausche planen und Stillstände Ihrer Anlagen verhindern. Autor: DI Mag. Markus Loinig E-Mail: markus@senzoro.com

Ausfälle von Kondensatableitern beeinträchtigen die Leistung des ganzen Dampfsystems. Das kostet Energie und Geld, zudem kann austretender heißer Dampf ein gravierendes Sicherheitsrisiko darstellen. Die Gründe für den Ausfall sind vielfältig. Wir haben einige Faktoren genauer betrachtet und verraten, wie man sie verhindern kann. Falscher Kondensatableitertyp Die Wahl des richtigen Kondensatableitertyps ist entscheidend. Wird der falsche Kondensatableitertyp für die falsche Anwendung ausgewählt, verringert das die Leistung und die Lebensdauer des Kondensatableiters. Falsche Installation Manche Kondensatableiter enthalten bereits einen eingebauten, andere benötigen einen separaten Schmutzfänger. Fehlt ein Schmutzfänger, können Rost und andere Verunreinigungen zu Beschädigungen des Kondensatableiters führen. Ungenügende Isolierung Unzureichende oder fehlende Isolierung führt zu Wärmeverlusten, dadurch erhöhen sich die Kosten für die Dampfproduktion. Undichte Ventile Durch undichte Regel- oder Absperrventile in der Anlage ist eine erhöhte Dampferzeugung und damit höhere Gesamtenergiekosten notwendig. Speisewasserverschmutzung Unsachgemäße Speisewasseraufbereitung verursacht Verunreinigungen, die wiederum zum Ausfall des Kondensatableiters führen können. Kondensatverschmutzung Kondensatverschmutzung kann durch undichte Wärmetauscher oder die Verwendung von mehreren Versorgungseinrichtungen entstehen. Dadurch sinkt der ph-Wert, das Kondensat wird sauer und die Innenteile des Kodensatableiters beginnen zu rosten. Fehlende oder ungenügende Wartung In vielen Anlagen werden Kondensatableiter schlecht oder gar nicht gewartet. Die zuvor genannten Faktoren bleiben unentdeckt und können zum Ausfall von Kondensatableitern führen. Wie überwacht man nun am besten Kondensatableiter? Mit unseren Ultraschallsensoren werden die charakteristischen Signale von Kondensatableitern und Ventilen aufgenommen. Der Prozess dauert nur wenige Sekunden und ist, entweder mit mobilen oder mit permanenten Sensoren, während des laufenden Betriebes möglich. Die Auswertung der Daten erfolgt vollkommen automatisch und Sie erhalten ohne langes Warten einen Überblick über den Ist-Zustand Ihrer Anlagen. Indem Sie defekte Kondensatableiter und undichte Ventile identifizieren, können Sie Reparaturen bzw. Austausche planen, Stillstände verhindern und die Energiekosten für die Dampferzeugung reduzieren. Kontaktieren Sie uns, wir beraten Sie gerne. Autor: DI Mag. Markus Loinig E-Mail: markus@senzoro.com

Korrosion verursacht in vielen Branchen wie der Luftfahrt- und Automobilindustrie große Schäden an der Infrastruktur. In einem interdisziplinären Forschungsprojekt mit dem Kompetenzzentrum für elektrochemische Oberflächentechnologie (CEST), dem Institut für konstruktiven Leichtbau der Johannes Kepler Universität Linz und dem Department für Integrierte Sensorsysteme der Donau-Universität Krems untersucht Senzoro, wie eine künstliche Intelligenz Ultraschalldaten nutzen kann, um verschiedene Arten von Korrosion wie zum Beispiel Lochfraßkorrosion (pitting corrosion) zu erkennen. Was sind die Herausforderungen beim Training einer künstlichen Intelligenz zur Erkennung von Korrosion? Die erste und vielleicht größte Herausforderung besteht darin, aussagekräftige Daten über Korrosionsprozesse zu erhalten, insbesondere Daten über das Ausmaß und die Art der Korrosion, die an einem überwachten Bauteil innerhalb eines bestimmten Zeitrahmens stattfindet. Um solche Daten zu erhalten, müssen verschiedene Experimente geplant und durchgeführt werden. Hier profitieren wir in hohem Maße von der einzigartigen Struktur unseres Forschungskonsortiums, dem Korrosionsexperten mit unterschiedlichem wissenschaftlichen Hintergrund angehören. In Experimenten, die wir gemeinsam mit unseren Partnern vom CEST durchführen, wird beispielsweise ein metallisches Bauteil einer Natriumchloridlösung ausgesetzt. Gleichzeitig wird eine Spannung angelegt, um die auftretenden Korrosionsprozesse zu beeinflussen. Während des Experiments sammeln wir Ultraschalldaten und wenden Massenspektrometrie mit induktiv gekoppeltem Plasma (ICP-MS) an um gelöste Metalle als Indikator für Korrosion nachzuweisen. Darüber hinaus überwachen wir die Oberfläche des metallischen Bauteiles mit einem Mikroskop. Nach dem Beschaffen aussagekräftiger Daten über Korrosionsprozesse, besteht die zweite Herausforderung darin, die Daten in eine geeignete Form für das Training einer künstlichen Intelligenz zu bringen. Dabei ist es oft sinnvoll, die Dimensionalität der Daten zu verringern, indem man sie auf wesentliche Merkmale reduziert. Hierfür nutzen und entwickeln wir den "Onion Analytics Layer" von Senzoro weiter, der bereits erfolgreich für die Verarbeitung von Wälzlagerdaten eingesetzt wurde. Wie wird unsere künstliche Intelligenz trainiert? Um die künstliche Intelligenz mit genauen Informationen über die ablaufenden Korrosionsprozesse zu versorgen, wenden wir Datenfusion an. Das heißt, wir kombinieren alle verfügbaren Datenquellen, wie zum Beispiel ICP-MS Daten, elektrochemische Messungen und Mikroskopiebilder, um genauere Informationen über das Ausmaß und die Art der Korrosion zu erhalten, als jede einzelne Datenquelle liefern könnte. Wie wird unsere künstliche Intelligenz Korrosion erkennen? Hochwertige und teuer zu beschaffende Daten wie die Daten des ICP-MS werden lediglich während des Trainings benötigt, um unserer künstlichen Intelligenz quantifizierbare Informationen über Korrosionsprozesse zu liefern. Letztendlich wird unsere künstliche Intelligenz darauf trainiert Korrosion anhand von Daten zu erkennen, die leichter und billiger zu beschaffen sind, wie zum Beispiel Ultraschalldaten. - Gefördert im Programm Take Off vom Bundesministerium für Verkehr, Innovation und Technologie (bmvit) - Autor: Dipl. Ing. Mag. Markus Loinig, Senzoro GmbH Email: markus@senzoro.com

Bereits in den 80er Jahren hat die NASA eine große Testreihe durchgeführt mit dem Ziel, verschiedene Technologien zur Überwachung von Wälzlagern einzusetzen. Die Leistungstests wurden an mehreren identischen Wälzlagern unter verschiedenen Last-, Drehzahl-, Temperatur- und Schmierbedingungen durchgeführt. Lagertemperatur, Drehmoment, Vibration, Geräusch, Dehnung, Käfiggeschwindigkeit usw. wurden überwacht, um die Messwerte zu ermitteln, die sich am besten als Indikatoren für den Zustand der Wälzlager eignen. x Auf der inneren Lauffläche eines Lagers wurde mit Hilfe eines Säureätzverfahrens eine künstliche Strömung erzeugt, um den "Kratzer" zu erzeugen. Die vorher und nachher aufgezeichneten Aufnahmen ergaben einen "charakteristischen" Frequenzgang, der das Vorhandensein der Strömung erkennen lässt. Die Lagerleistung wurde mittels Drehzahl, Schall, Vibration, Stroboskop, thermischen Wägezellen (Dehnungsmessstreifen) und Ultraschallsensoren überwacht und aufgezeichnet. Die aufgezeichneten Daten wurden mit bekannten Testbedingungen korreliert, um Elemente eines Diagnosesystems zur Vorhersage eines bevorstehenden Lagerausfalls oder Lagerschadens, bevor akustische oder thermische Anzeichen auftreten, zu liefern. Hauptergebnis der Studie: Von den erfassten Signalen waren die Ultraschallsignale am besten geeignet, um eine Leistungsverschlechterung der Wälzlager zu detektieren. Die ganze Studie kann hier eingesehen werden: https://ntrs.nasa.gov/citations/19720020851

Wir sind stolz darauf, zu den weltweit Top 5 Akustiksensor-Lösungen mit Auswirkungen auf Fertigungsunternehmen zu gehören. Vielen Dank an StartUs Insights für die Erstellung dieses fantastischen Rankings, das 142 Unternehmen weltweit umfasst. Österreichische Technologie in Bestform erobert die Welt. Senzoro entwickelt Ultraschallsensoren Gründungsjahr: 2019 Standort: Wien, Österreich Arbeiten Sie mit Senzoro an der Erkennung von Maschinenausfällen Das österreichische Startup Senzoro kombiniert Ultraschallsensoren und KI, um vorausschauende Wartungssysteme zu entwickeln. Die Breitband-Ultraschallsensoren erfassen die charakteristischen Geräusche von Maschinenkomponenten und die KI analysiert diese Geräusche, um beschädigte Maschinenteile wie Lager zu identifizieren. Auf diese Weise können Instandhalter Wartungsarbeiten, einschließlich Teilewechsel und Lagerschmierung, planen und verwalten, um die Ausfallzeiten in der Produktion zu minimieren. https://www.startus-insights.com/innovators-guide/acoustic-sensor-for-manufacturing/ (Englisch)

Mit Stolz dürfen wir das Resultat unserer intensiven Forschung mit namhaften Forschungseinrichtungen präsentieren: Senzoro hat die größte Ultraschall-Datenbank der Welt, die nun zusätzlich mit synthetischen Daten angereichert wurde. Das Ergebnis sind die präzisesten Vorhersagen in der Branche. Einige Erkenntnisse wurden nun in einer Forschungsarbeit veröffentlicht, die hier eingesehen werden kann: https://www.mdpi.com/1424-8220/22/7/2490/htm (Englisch)

"Die Fähigkeiten Wälzlager zu bauen und zu optimieren und die Fähigkeit Wälzlager-Lebensdauer vorherzusagen, sind zwei völlig unterschiedliche Fähigkeiten." Markus Loinig, CEO Senzoro Im Podcast spricht unser CEO Markus Loinig darüber, wie alles vor vier Jahren bei Senzoro GmbH begonnen hat und wie wir Condition Monitoring und Predictive Maintenance völlig neu denken und radikal vereinfachen: https://businessunplugged.podigee.io/20-markusloinig-senzorogmbh

KI wird zu einem immer größeren Wettberwerbsfaktor. Vor allem KMUs stehen unter Zugzwang. Oft - aber nicht immer - scheitert es an der finanziellen Hürde. Künstliche Intelligenz ist mittlerweile auch in der Industrie der letzte Schrei. Neue Anwendungsmöglichkeiten versprechen Effizienzsteigerungen und Rendite. Doch laut einer Studie von Fraunhofer Austria kommt der Trend hierzulande nicht so richtig an. In den meisten Unternehmen spielt KI keine Rolle. Dabei kommt zum Vorschein, dass die Größe der Unternehmen ein entscheidender Faktor ist: Während sich große Industrieunternehmen das Investment in die Zukunftstechnologie leisten können, kann der Mittelstand die finanzielle Hürde in der Regel nicht nehmen, oder es scheitert am fehlenden Know-how. KI-Expertise ist Mangelware. Auch wenn es die Studie vermuten lässt, Österreich ist keine KI-Wüste. Mehr als 150 Unternehmen sind im Bereich der KI tätig, die überwiegende Mehrheit davon ist in der Industrie angesiedelt. Auch in der Politik wird das Thema aufgegriffen – mit einer eigenen KI-Strategie verfolgt die Bundesregierung das Ziel, bis 2030 den KI-Standort Österreich mit Fokus auf Ethik und Innovation auszubauen, doch konkrete Zahlen für die Förderung werden bislang nicht genannt. Wir fragen bei führenden heimischen KI-Unternehmen nach, wie es um den KI-Standort Österreich bestellt ist. „Unternehmen sollten sich zusammenschließen und gemeinsam eine Datenbasis aufbauen, um KI weitreichend einsetzen zu können.“ Benjamin Schwärzler, CEO WorkHeld Mitarbeitermanagement mit KI WorkHeld gehört zu den Paradeunternehmen in der KI-Branche. Mit einer KI-gestützten Softwareplattform wird die Effizienz und Übersichtlichkeit von industriellen Produktions-, Montage- und Serviceprozessen gesteigert. CEO Benjamin Schwärzler zufolge ist das Förderwesen in Österreich im Prinzip nicht schlecht, doch es fehlt der Fokus: „Die Frage ist, ob es richtig eingesetzt wird. Das glaube ich nicht. Denn genau die modernen Themen wie KI werden zu wenig gefördert.“ Das Unternehmen setzt KI bei Spracherkennung bei der Instandhaltung von Anlagen und Maschinen ein, aber auch im Mitarbeitermanagement. „Dabei geht es um Skill-Management und Qualifikations-Tracking. Wenn sich ein Mitarbeiter zum Beispiel neue Fähigkeiten aneignet, erkennt das System das und schlägt ihm bestimmte Aufträge vor. Dahinter steckt eine KI, die diese Fähigkeiten aus vergangenen Aufgaben erkennt und bewertet“, so Schwärzler. Lesetipp: Enlite-Gründer Clemens Wasner im Interview über Defizite bei Österreichs KI-Strategie Zu den Kunden von WorkHeld gehören sowohl große Industrieunternehmen als auch KMUs. Schwärzler bestätigt, dass die Hürde für kleine Unternehmen derzeit noch zu hoch ist. „Ich sehe Limitationen: Einerseits die finanziellen und zeitlichen und andererseits die fehlenden Daten, die eine KI benötigt. Ich glaube, dass es daran meistens scheitert. Deswegen habe ich schon vorgeschlagen, dass sich Unternehmen zusammenschließen und gemeinsam eine Datenbasis aufbauen sollten, um KI weitreichend einsetzen zu können.“ „Unsere Erfahrung ist, dass man oft schon froh sein muss, wenn die großen Unternehmen auf den Zug aufspringen.“ Harald Piringer, CEO Visplore Das Wiener Start-up Visplore ermöglicht die intuitive Analyse von Big Data für Industrie und Energiewirtschaft. Das Unternehmen wurde als Spin-off eines geförderten Kompetenzzentrums gegründet und ist auf die Auswertung von großen Datenmengen aus Maschinen, Sensoren und Simulationen spezialisiert. CEO Harald Piringer sieht insbesondere im Bereich der Industrie die Herausforderung der Datenqualität. „Sensordaten aus Maschinen sind oft sehr unsauber. Bevor man in Richtung KI auch nur ansatzweise denken kann, sollte man andere Fragen klären. Es fängt damit an, dass Maschinen überhaupt mit entsprechenden Sensoren bestückt sein müssen und erst dann kann man sich den weiteren Komplexitätsfaktoren widmen.“ Piringer bestätigt den erschwerten Einstieg für kleine Unternehmen in die KI. Er attestiert den österreichischen Unternehmen aber generell eine tendenzielle Abneigung gegenüber dem Thema: „Unsere Erfahrung ist, dass man oft schon froh sein muss, wenn die großen Unternehmen auf den Zug aufspringen und das Potenzial von Datenanalyse und KI erkennen, aber auch die technischen Rahmenbedingungen dafür schaffen. Bei den KMUs sind wir wahrscheinlich noch nicht soweit, aber das Potenzial ist groß.“ „Ich sehe keine Notwendigkeit, dass ein Staat eine KI-Strategie verfolgt, das muss aus der Privatwirtschaft kommen.“ Markus Loinig, CEO Senzoro Einen wesentlich positiveren Eindruck von der heimischen KI-Landschaft hat Markus Loinig, CEO von Senzoro. Das Unternehmen kombiniert Ultraschallmessungen und KI, um Instandhaltungskosten zu reduzieren. Die Lösung ist industrieübergreifend im Einsatz und zu den Kunden zählen Unternehmen aus der Automotive-, Papier-, Holz- und Energieversorgungsindustrie. Die von vielen Stellen geäußerte Kritik am heimischen Förderwesen für den Bereich der KI sieht Loinig mit unternehmerischem Pragmatismus: „Ich lese immer mit Bewunderung, was alles kritisiert wird. Ich sehe es als Aufgabe des Staates, Rahmenbedingungen zu schaffen und mit denen versuche ich als Unternehmer bestmöglich umzugehen. Ich sehe keine Notwendigkeit, dass ein Staat eine KI-Strategie verfolgt, das muss aus der Privatwirtschaft kommen.“ Entscheidend für den Nachholbedarf bei den KMUs sei laut Loinig die Finanzierung: KMUs können es sich gar nicht leisten, herumzuexperimentieren. In diesem Segment werden eher schnelle Lösungen gesucht, langwierige Datascience-Projekte gehen sich wirtschaftlich einfach nicht aus.“ „Derzeit beschäftigen sich alle damit, wie man wieder Schwung aufnimmt, es wird jedoch kaum über neue Lösungsansätze nachgedacht.“ Maximilian Mrstik, CEO D-Aria D-Aria wurde aus der Notwendigkeit heraus, die Lagerinventur zu revolutionieren, gegründet. Das Wiener Unternehmen vertreibt Drohnen, die autonom fliegen und mittels einer Bilderkennungssoftware Etiketten von Paletten auslesen. CEO Maximilian Mrstik ist vom KI-Standort Österreich überzeugt, es mangle nur an der Vermarktung: „Wir sind besser aufgestellt als es dargestellt wird.“ Ein großer Unterschied zu den KI-Vorreiternationen sei die Investitionskultur. „Wenn wir am globalen Markt wettbewerbsfähig sein wollen, müssen wir mehr investieren. Insbesondere weil bei uns Venture-Capital-Investitionen nicht so stark ausgeprägt sind wie in anderen Ländern“, so Mrstik. Eine besondere Herausforderung sieht Mrstik in den Auswirkungen der Pandemie auf die Unternehmensstrategien. „Derzeit beschäftigen sich alle damit, wie man wieder Schwung aufnimmt, es wird jedoch kaum über neue Lösungsansätze nachgedacht. Für Innovation bleibt derzeit einfach keine Zeit.“ Erstveröffentlichung 03.03.2022 Autor: Peter Oslak, WEKA INDUSTRIE MEDIEN https://industriemagazin.at/fertigen/warum-so-viele-ki-projekte-scheitern/

Geht ein Wälzlager oder Getriebe unvorhergesehen kaputt, kann das verheerende Folgen haben. Nicht nur, dass plötzlich eine ganze Reihe von Kosten entstehen, die sich im Idealfall hätten vermeiden lassen. Es geht auch um das Thema Liefertreue, mit allem, was damit zusammenhängt. Daher gibt es inzwischen bereits eine ganze Reihe von Überwachungsmöglichkeiten oder auch Frühwarnsysteme, die genau das vermeiden bzw. vermeiden wollen. Die Unterschiede zwischen ihnen sind gravierend. Wir wollten es daher genauer wissen und haben einen Experten gefragt. Überwachungssysteme bieten ganz verschiedene Leistungen an. Was hilft bei der Entscheidungsfindung? Markus Loinig: Geht es dabei um den Vergleich verschiedener Anbieter, um zu einer Entscheidung zu finden, muss genau nachgefragt werden. Es gibt tatsächlich viele Systeme, die eine Überwachung von Anlagenkomponenten anbieten. Gerne setzen Kunden dabei auf „etablierte“ oder auch „konventionelle“ Systeme – aber was genau ist unter den Begriffen „etabliert“ oder „konventionell“ eigentlich zu verstehen? Stelle ich diese Frage, wird dann meist mit den Schultern gezuckt. Schon weil der Markt der Überwachungssysteme einfach unglaublich groß und damit gleichzeitig unübersichtlich ist. Diese Begriffe werden gerne benutzt, wenn man auf Bekanntes, wie zum Beispiel die Vibrationstechnologie setzen möchte. Das kennt jeder, das scheint verlässlich. Aber am Ende ist es doch wichtig, zu wissen, was die Systeme wirklich leisten, wo genau ihre Schwerpunkte sind. Hilfreich ist es deshalb, sich mit den wichtigsten Fragen auseinanderzusetzen, die gleichzeitig die Unterschiede deutlich machen und für Klarheit sorgen. Was für Fragen können das sein? Welche Fragen sollte man sich stellen? Markus Loinig: Es ist zum Beispiel wichtig zu wissen, was genau das System überwacht und was passiert, wenn eine Beschädigung registriert wird. Wird angezeigt, was und wie schwer etwas beschädigt ist? Löst das System einen Alarm aus, sobald beispielsweise ein Wälzlager beschädigt ist? Und ist dieser Alarm zu jeder Zeit wirklich richtig und nötig? Was sind denn überhaupt die Kriterien für einen Alarm? Oder auch das Thema Restlebensdauer: berechnet das System, wie lange es noch halten und seine Aufgabe sicher ausführen wird? Und wenn ja: wie und mit welcher Technik? Wird durch die Überwachung in der Folge automatisch ein Instandhaltungsauftrag ausgelöst? Wird eventuell zusätzlich überwacht, ob und wie ein Wälzlager geschmiert ist? Wie geht das System mit einem Fehlalarm um? Ist es lernfähig? Sie sehen schon, allein diese ersten Fragen öffnen den Blick für die Möglichkeiten, die es heute auf dem Markt bereits gibt. Mit „konventionellen“ oder „etablierten“ Systemen ist oftmals eine Technologie gemeint, die auf der Erfassung von Vibrationen basiert. Ist das der beste Weg? Markus Loinig: Die Vibrationstechnologie basiert auf Erfahrung und daraus folgend auf einer grundsätzlichen Annahme: Droht ein Wälzlagerschaden, geht ein Getriebe kaputt, dann fängt es an mehr zu vibrieren, dann steigt in aller Regel also der Vibrationswert. Ein Schwellenwert wird überschritten. So weiß ich, das Getriebe oder das Wälzlager droht kaputt zu gehen. Das lässt sich ja auch ganz einfach feststellen bzw. messen. Es gibt nur ein Problem, das meist übersehen wird: umgekehrt funktioniert diese Annahme nicht. Ein Anstieg der Vibrationen bedeutet im Umkehrschluss keineswegs zwingend, dass ein Wälzlagerlagerschaden droht. Tatsächlich gibt es gleich mehrere Ursachen für Vibrationen und, da sie die Eigenschaft haben, sich auszubreiten und gerne lange Distanzen überwinden, muss man folgerichtig immer wieder mit einem Fehlalarm rechnen. Was genau führt denn beispielsweise zu einem Fehlalarm? Markus Loinig: Die Situation ist so einfach wie nachvollziehbar: Stehen in einer Fabrik mehrere Anlagen nebeneinander, überlagern sich zum Beispiel Vibrationen. Vielleicht fährt ein Staplerfahrer mal eben vorbei? Ändern sich Betriebszustände wie zum Beispiel Drehzahlen oder wechselnde Lasten auf Wälzlager, oder gibt es andere Störquellen wie Unwuchten oder Ausrichtungsprobleme? All das lässt Vibrationswerte ansteigen und bringt Vibrationssensoren dazu, plötzlich erhöhte Vibrationswerte zu erfassen. Ganz normal, oder? Also ja, es gibt eine Menge verschiedener Quellen für Vibrationen. Die haben aber rein gar nichts mit einer Verschlechterung Ihrer Komponente zu tun. Aber wir sprechen doch hier über eine „etablierte“ Technologie – bewährt und eingeführt. Grundsätzlich funktioniert doch alles, oder? Markus Loinig: Die kurze Antwort lautet: Ja, diese Technologie funktioniert – aber wirklich verlässlich nur da, wo die Umgebungssituation klar umrissen und einfach gestaltet ist. „Einfach“ bedeutet in dem Fall, durch einen Anstieg in den Vibrationen kann auch wirklich eindeutig auf eine Verschlechterung des Wälzlagers oder Getriebes geschlossen werden. Wo funktionieren diese Technologien denn dann wirklich gut? Markus Loinig: In der Regel dort, wo die zu überwachenden Bestandteile wie z.B. das Wälzlager oder das Getriebe maximal isoliert von anderen, parallelen Vibrationsquellen und in nahezu konstanter Drehzahl arbeiten. Konstante Drehzahl deshalb, weil unterschiedliche Drehzahlen ebenfalls unterschiedliche Vibrationswerte verursachen. Also – hat man diese speziellen, stabilen Rahmenbedingungen, wird man in der Realität auf viele Unternehmen treffen, die mit „konventionellen“ Überwachungssystemen gute Erfahrungen und wiederum andere, die schlechte Erfahrungen gemacht haben. Diese "guten" oder "schlechten" Erfahrungen bedeuten übersetzt: Die Technologie „funktioniert“ nahezu reibungslos dort, wo sie in einfachen, stabilen Umgebungen eingesetzt wird. Und sie „funktioniert“ eben nicht unter komplexen Bedingungen – diese Technik kann keine guten Dienste leisten, weil man beispielsweise ein beschädigtes Wälzlager nicht zuverlässig detektieren kann. Auf welche Technologien könnte man denn setzen, wenn man eben keine einfachen, stabilen Umgebungsbedingungen hat? Markus Loinig: Die gerade beschriebenen Themenstellungen haben dazu geführt, dass zum Beispiel die NASA seit Jahrzehnten für die Überwachung ihrer Wälzlager eine andere Technologie einsetzt. Sie setzt auf die Erfassung von Ultraschallfrequenzen oder auch akustischen Emissionen. Ein vollkommen anderer Ansatz. Eine Studie hat gezeigt, dass Fehler bei Wälzlagern mit keiner anderen Technologie früher erkannt werden können. Der technologische Fortschritt macht es möglich, dass man diese Technologie nun auch in der Breite einsetzen kann. Die Sensorik ist bezahlbar geworden. Und verbindet man diese Technologie jetzt noch mit Innovationen im Bereich der Künstlichen Intelligenz (KI) ergeben sich unschlagbar vorteilhafte Einsatzmöglichkeiten. Wir sprechen dann nicht mehr nur vom Condition Monitoring, sondern vielmehr von Predictive Maintenance in seiner besten Form. Was genau leistet Predictive Maintenance? Markus Loinig: Predictive Maintenance sorgt nicht nur für den genauen Blick auf die aktuelle Situation. Diese Technik kann auch in die Zukunft sehen. Sie beantwortet zum Beispiel die Frage, wie lange ein Wälzlager bspw. seine Aufgabe noch erfüllen wird. Das vorhin bereits erwähnte Thema Restlebensdauer. Predictive Maintenance gibt hier verlässlich Antworten. Das spart Kosten, denn die Produktlebensdauer eines solchen Lagers wird maximal und vor allem sicher ausgenutzt. So kann man als Unternehmen rechtzeitig reagieren, und vermeidet Ausfälle. Man ist also auf der sicheren Seite. Eine klare Empfehlung, würde ich sagen. Ein interessantes Schlusswort. Haben Sie vielen Dank für das Gespräch.