Fraunhofer-Institut für Elektronische Mikrosysteme und Festkörper-Technologien EMFTSchmieröle leisten einen wesentlichen Beitrag zur Reibungsminimierung und gewährleisten damit einen sicheren Betrieb von Produktionsanlagen. Im Projekt Smart Gear entwickeln Forschende der Fraunhofer EMFT Lösungen, um eine abfallende Leistungsfähigkeit der Schmieröle mit Hilfe von Sensorik und Machine Learning-Methoden zu erkennen und den Zeitpunkt für einen Ölwechsel zu prognostizieren.
Machine Learning zur vorausschauenden Wartung von Getriebeölen
Bei Produktionsanlagen ist regelmäßig ein Schmierstoffwechsel fällig. Denn die eingesetzten Getriebeöle büßen mit der Zeit an Leistungsfähigkeit ein, sei es durch Alterung der Grundöle, dem Abbau der enthaltenen Additive oder durch externe Einflüsse wie dem Eintrag von Fremdstoffen. Wird das Öl nicht rechtzeitig ersetzt, droht der Ausfall der Maschine. Bislang erfolgen in regelmäßigen Zeitintervallen externe Laboranalysen, die eine verlässliche Aussage über den Zustand des Schmieröles geben. Dabei wird eine Vielzahl an verschiedenen Einflussgrößen direkt oder indirekt chemisch-analytisch bestimmt. Das Vorgehen ist allerdings zeit- und kostenintensiv.
Gemeinsam mit dem Schmierstoff-Hersteller Klüber Lubrication, der Josef Bernbacher & Sohn GmbH sowie der Hochschule München verfolgt ein Forschungsteam der Fraunhofer EMFT jetzt einen neuen, effizienten Ansatz: Durch die Kombination von Sensorik und Methoden des Machine Learning soll ein vorausschauendes Zustandsmonitoring – ein so genanntes Predictive Maintenance – etabliert werden. Die Entwicklungspartner greifen dabei bestehende Ansätze des Online Condition Monitoring auf, bei der mittels Sensorik und einer abgesicherten IT-Infrastruktur der aktuelle Zustand einer Anlage, bzw. in diesem Falle des Schmierstoffs, überwacht wird. Bei Überschreitung eines zuvor festgelegten Grenzwerts erhält die Produktionsleitung eine Warnung mit Handlungsempfehlung. Während dieses Vorgehen jedoch nur die aktuellen und vergangenen Werte betrachtet, soll das neue System eine Prognose stellen, wann die nächste Wartung fällig werden wird.
Machine Learning Methoden für die Qualitätsbewertung und dem prädiktiven Austausch von Schmierölen.
Verteilte Systemarchitektur für maschinelles Lernen am Beispiel vorausschauender Wartung von Getriebeölen
Im Sinne einer nachhaltigen, ressourcenschonenden Wirtschaft soll die Lebensdauer eines Schmieröles dabei optimal ausgenutzt werden. Daneben wird auch die Korrelation zwischen der Leistungsaufnahme der Anlage und der Ölalterung berücksichtigt, um zwischen Weiterverwendung und Tausch des Öles wirtschaftlich abwägen zu können
Das Projekt wird von der Bayerischen Forschungsstiftung unter dem Förderkennzeichen AZ-1523-21 gefördert.