Lageranalyse: Vroegtijdig problemen diagnosticeren, storingen voorkomen

Ons doel is een mindset te cultiveren die probleemdetectie en -resolutie prioriteert boven het puur opsporen van storingen. In de praktijk falen lagers vaak spectaculair, doch de trillingsdata die de storing vlagde, wordt zelden verder onderzocht dan het vervangingspunt. Een gestructureerde, multi-fase aanpak is essentieel: een trillingsmonitoringsprogramma moet een probleem vlaggen bij het eerste teken, en onderhoud moet dienovereenkomstig handelen - soms door smering aan te passen, soms door een lager te vervangen. Het timen van de vervanging is cruciaal; te vroege veranderingen kunnen als een flaw in het systeem worden gezien, terwijl vertraagde actie andere componenten kan beschadigen en diagnostisch bewijs kan wissen. Proactief onderhoud, niet reactieve vervanging, is de weg naar betrouwbaarheid.

Het SKF Bearing Inspector beslissingsondersteuningsysteem versnelt, standaardiseert en verbetert de kwaliteit van lagerdiagnostiek. Door fundamentele principes en praktische engineering resultaten op rolagerbeschadiging te aggregeren, voorkomt het terugkerende storingen. In tegenstelling tot traditionele oorzaak-naar-symptoom bomen die kunnen misleiden, modeleert deze tool causaliteit van condities naar observeerbare symptomen, met waarschijnlijkheden die real-world onzekerheden weerspiegelen. State-of-the-art computationele intelligentie ondersteunt deze aanpak, wat ervoor zorgt dat de diagnostiek de fysica van lageroperatie weerspiegelt.

Dit artikel is afgestemd op ISO 15243:2004, de benchmark voor conditiemonitoring data analyse.

Het Probleem Begrijpen

Conditiemonitoring tools zijn het meest waardevol wanneer ze helpen storingen te voorspellen voordat ze kritiek worden. Om hun volledige potentieel te benutten, moet u eerst de terminologie begrijpen en een strategie ontwikkelen voor dataverzameling en omzetting in actiegericht inzicht. Neem een lager voorbeeld: hebben we slechts een storing gedetecteerd, of hebben we de hoofdoorzaak ontdekt en herhaling voorkomen? Trillingssignaturen kunnen belastingzones, misalignement en verteringspatronen onthullen die, vroegtijdig aangepakt, dure downtime besparen.

Figuur 1. Geënvelopeerd Spectrum van de Lager

Figuur 2. Golfvorm van de Lager

Figuur 3. Cyclische Tijdanalyse van de Lager

In dit geval leidde herhaalde storingen alleen tot lagervervangingen - een dure en tijdrovende fix. Door een datablok te segmenteren om een enkele omwenteling te vertegenwoordigen en dit synchroon te gemiddelden met een virtuele trigger bij 1 rpm, duiken twee distincte belastingzones op. Deze zones wijzen op aankomende stress op de binnenring en kooi, wat correctieve actie leidt. Opvolgende journalinspectie onthulde ovalisatie; bewerking corrigeerde de pas, en de lager heeft sindsdien foutloos gedraaid.

Hoofdoorzaakanalyse gecombineerd met proactief onderhoud bleek beslissend. De les: troubleshoot het probleem, niet alleen de storing.

Smeerbeheer

Wanneer smering degradeert, stijgen trilling, geluid of akoestische emissies typisch. Hoewel auditieve inspectie issues kan vlaggen, is de meest betrouwbare methode om trillingsdata te trenden tegen engineering eenheden. Figuur 4 illustreert een lager's trillingstrend voor, tijdens en na vetsmeren.

Figuur 4. Trillingstrend tijdens smering

Hoewel vetsmeren leek het probleem op te lossen, keerden trillingsniveaus nooit terug naar pre-issue niveaus. De residuele toename stamt van deeltjes in het vet. Een golfvorm vastgelegd tijdens vetsmeren (Figuur 5) toont duidelijk hoe de vetsmeeroperatie het onderliggende probleem maskerde.

Figuur 5. Golfvorm tijdens vetsmeren

Beslissingsondersteuningsysteem voor Lagerstoringanalyse

Accuraat inzicht in rolagerbeschadiging is strategisch vitaal voor SKF en zijn klanten. De SKF Bearing Inspector - een web-ingeschakelde kennisbank - vangt alle beschikbare informatie, van fundamentele principes tot real-world engineering uitkomsten. Dit stelt snelle, consistente, hoogwaardige besluitvorming mogelijk en helpt terugkerende schade te voorkomen.

In tegenstelling tot vroege expert systemen uit de jaren 1980, die op starre beslissingsbomen steunden, modeleert het huidige systeem causaliteit van condities naar symptomen met gekwantificeerde waarschijnlijkheden. Dit weerspiegelt de fysieke realiteit dat een specifieke oorzaak (bijv. incorrecte montage) zich manifesteert als observeerbare schade (bijv. fretting), niet vice versa.

Kennisrepresentatie

Het systeem gebruikt een probabilistisch netwerk dat visueel knopen koppelt die vertegenwoordigen:

• Condities: operationele snelheid, belasting, lagertype, installatiedetails, omgeving, etc.
• Interne Mechanismen: smeringstoestand, filmafbraak, glijcontact.
• Foutmodi: subsurface vermoeidheid, fretting corrosie, adhesieve vertering, etc.
• Geobserveerde Symptomen: verkleuring, spalling, roest, pitting.

Met ongeveer 150 knopen en 250 ondersteunende afbeeldingen, belichaamt het netwerk zowel expertkennis als empirische data. Waarschijnlijkheden worden voorwaarts en achterwaarts berekend, wat de diagnostische workflow van een klinicus weerspiegelt: hypothesen genereren, dan verifiëren of verwerpen door gerichte inspecties.

Figuur 6. ISO 15243:2004

Figuur 7.

Case Study: Elektrische Motor Lager in een Papierfabriek

Onder "Typical Cases" toont de Bearing Inspector real-world scenario's. Een case betreft een NU 322 ECM/C3VL024 geïsoleerde cilindrische rollerlager in een papierwinder. Opererend tussen 1.000 en 1.500 rpm, vertoonde de lager zware vertering op zowel binnen- als buitennring na slechts een maand.

Het laden van de applicatiedata (Stap 1) vult de analyse automatisch. De tool vlagt initieel hoge waarschijnlijkheden voor valse brinelling, adhesieve vertering en stroomlek. Geleidd door de software, controleert de gebruiker op elk foutmodus specifieke symptomen:

1. Valse brinelling - geen ondiepe depressies gevonden, dus verworpen.
2. Adhesieve vertering - geen karakteristieke tekens aanwezig.
3. Stroomlek - kleine pitting waargenomen bij vergroting, bevestigend de diagnose.

Opvolgend onderzoek onthulde een aardingfout in de winderconstructie, bevestigend de software's aanbeveling.

Figuur 8. Stap 1: Applicatiecondities

Figuur 9. Stap 2: Initiële diagnose en vertrouwensfactoren

Figuur 10. Stap 3: Symptoominspectie voor stroomlek

Figuur 11. Finale diagnose en rapportgeneratie

In plaats van elk mogelijk symptom te inspecteren, prioriteert het systeem de meest discriminerende observaties op basis van de huidige hypothese, wat diagnostische inspanning vermindert. Gebruikers kunnen uitgebreide rapporten exporteren in Word of HTML, compleet met condities, observaties en waarschijnlijkheidsrankings.

Conclusie

De SKF Bearing Inspector levert een snelle, consistente en hoogwaardige besluitvormingsproces voor lagerbeschadigingsonderzoeken. Toegankelijk via een webinterface, bemachtigt het SKF ingenieurs en klanten om storingsoorzaken te identificeren en preventieve maatregelen te implementeren - waarborgend dat dezelfde storing niet herhaalt en leidend de configuratie van trillingsgebaseerde conditiemonitoringsprogramma's.