IEEE-Studie: Vibrationsanalyse als Grundlage für Predictive Maintenance

Kernaussagen der IEEE-Metaanalyse

Die IEEE Transactions on Industrial Informatics haben eine umfassende Metaanalyse publiziert, die Ergebnisse aus über 150 Einzelstudien zur vibrationsbasierten Zustandsüberwachung zusammenfasst. Die zentrale Erkenntnis: Vibrationsanalyse wirkt, aber nur unter bestimmten Bedingungen.

30 bis 50% weniger ungeplante Stillstände dokumentiert die Metaanalyse bei Unternehmen, die vibrationsbasierte Zustandsüberwachung systematisch einsetzen. Die Bandbreite ist bezeichnend: Der Unterschied zwischen 30% und 50% liegt nicht an der Sensorqualität, sondern an der Einbettung in den Entscheidungsprozess.

Die Technik allein liefert keine Ergebnisse. Die Studie identifiziert drei Erfolgsfaktoren, die über die Wirksamkeit entscheiden:

1. Integration in den Entscheidungsprozess: Wer empfängt die Daten? Wer interpretiert sie? Wer entscheidet über Massnahmen? Und in welchem Zeitrahmen?
2. Qualifikation der Analysten: Die Interpretation von Schwingungsspektren erfordert Erfahrung und Maschinenkenntnis. Algorithmen erkennen Muster, aber die Zuordnung zu konkreten Schadensursachen erfordert systemisches Verständnis.
3. Anbindung an die Instandhaltungsplanung: Erkannte Probleme müssen in Arbeitsaufträge übersetzt werden, die termingerecht und mit den richtigen Ressourcen umgesetzt werden.

Wo Vibrationsanalyse ihre Stärken hat

Die IEEE-Studie differenziert nach Schadensarten und zeigt, wo die Vibrationsanalyse ihre höchste Erkennungsrate erreicht:

• Unwucht: Erkennungsrate über 95%. Klares Muster bei 1x Drehfrequenz, gut automatisierbar.
• Fehlausrichtung: Erkennungsrate 85 bis 95%. Charakteristische 2x Drehfrequenz, oft mit axialer Komponente.
• Lagerschäden: Erkennungsrate 70 bis 90%, abhängig vom Schadensstadium. Frühestmögliche Erkennung durch Envelope-Analyse (Hüllkurvenanalyse) der Lagerfrequenzen.
• Zahnradschäden: Erkennungsrate 75 bis 90%. Seitenbandanalyse um die Zahneingriffsfrequenz.
• Strukturelle Lockerung: Erkennungsrate 60 bis 80%. Subharmonische und höhere Harmonische, oft schwieriger zu interpretieren.
• Schmierungsprobleme: Erkennungsrate 40 bis 60%. Hier ist Vibrationsanalyse nicht das primäre Werkzeug. Ultraschall erkennt Schmierungsprobleme deutlich früher.

Grösste Hürden in der Praxis

Die Metaanalyse benennt die häufigsten Gründe, warum Condition-Monitoring-Programme hinter den Erwartungen zurückbleiben:

Fehlalarme (False Positives): In unreifen CM-Programmen liegt die Fehlalarmrate bei 20 bis 40%. Jeder Fehlalarm kostet Zeit und untergräbt das Vertrauen der Instandhaltung in das System. Die Konsequenz: Alarme werden ignoriert, auch die berechtigten.

Mangelnde Interpretation: Sensoren liefern Daten, keine Diagnosen. Die Studie dokumentiert Fälle, in denen erhöhte Vibrationswerte korrekt erkannt, aber falsch interpretiert wurden. Ein als “Lagerschaden” diagnostiziertes Signal war tatsächlich Soft Foot (Fundamentunebenheit). Das Lager wurde gewechselt, das Problem blieb.

Fehlende Baseline: Ohne eine saubere Referenzmessung bei bekannt gutem Maschinenzustand sind Trendanalysen wenig aussagekräftig. Viele Unternehmen starten ihr CM-Programm, ohne Baseline-Messungen durchzuführen.

Ungeeignete Messintervalle: Die Studie zeigt, dass die Wahl des Messintervalls kritisch ist. Zu seltene Messungen (vierteljährlich) verpassen schnell fortschreitende Schäden. Zu häufige Messungen (täglich, ohne Automatisierung) binden Personalressourcen ohne Zusatznutzen.

Vibrationsanalyse und künstliche Intelligenz

Die IEEE-Studie analysiert auch den Einsatz von Machine Learning in der Schwingungsanalyse. Die Ergebnisse sind differenziert:

• Muster erkennung: ML-Algorithmen erreichen bei der Erkennung bekannter Schadensmuster eine Trefferquote von 85 bis 95%, vergleichbar mit erfahrenen Analysten.
• Neue Schadensmuster: Bei unbekannten oder komplexen Schadensmechanismen fallen die Algorithmen auf 50 bis 70% Trefferquote. Erfahrene Analysten bleiben hier überlegen.
• Kontextinformation: Algorithmen kennen weder die Betriebsbedingungen noch die Historie der Maschine. Ein erfahrener Diagnostiker weiss, dass diese Pumpe letzte Woche umgebaut wurde, dass dieses Getriebe seit drei Monaten einen Schmierungsengpass hat, dass dieser Motor einen Soft Foot aufweist. Diese Kontextinformation entscheidet oft über die korrekte Diagnose.

Praxisbewertung: Was wir in 210+ Diagnosen sehen

Die IEEE-Studie bestätigt exakt das, was wir in unseren forensischen Maschinendiagnosen seit Jahren dokumentieren: Sensoren liefern Daten, keine Entscheidungen. Ohne eine klare Strategie, wer welche Daten wie interpretiert und welche Massnahmen daraus folgen, bleibt Condition Monitoring ein teures Datensammelprojekt.

In keiner unserer Diagnosen war die Technik das Problem. Die Sensoren funktionieren. Die Software funktioniert. Was fehlt, ist die Verbindung zwischen dem Signal und der Handlung.

Typische Muster aus unserer Diagnosearbeit:

• Ein Werk hat ein umfangreiches Online-Monitoring installiert, 200+ Messpunkte, Echtzeitüberwachung. Die ungeplanten Stillstände sind trotzdem nicht gesunken. Der Grund: Es gibt keine definierte Eskalationskette. Alarme landen in einem Dashboard, das niemand regelmässig prüft.
• Ein Instandhaltungsleiter lässt vierteljährlich Routen messen. Die Berichte zeigen “alles im grünen Bereich”. Drei Wochen nach der letzten Messung fällt ein Getriebe aus. Der Grund: Das Messintervall war zu lang für die Schadensgeschwindigkeit. Ölanalyse hätte den Verschleiss früher erkannt.
• Ein CM-Dienstleister meldet einen “Lagerschaden Stadium 3” an einer Pumpe. Das Lager wird gewechselt, der Schaden bestätigt. Sechs Monate später derselbe Befund. Die Ursache war Fehlausrichtung nach einem Umbau. Niemand hatte die Ausrichtung als Ursache in Betracht gezogen.

Die Vibrationsanalyse ist ein mächtiges Werkzeug. Aber ein Werkzeug ersetzt keinen Diagnostiker. Die Frage ist nicht, ob man messen soll, sondern was man mit den Ergebnissen tut. Und ob man bereit ist, die Ursache hinter dem Symptom zu suchen.

Handlungsempfehlungen für Instandhaltungsleiter

1. CM-Strategie vor CM-Technik: Bevor neue Sensoren installiert werden, die drei Fragen beantworten: Wer interpretiert die Daten? Wer entscheidet über Massnahmen? In welchem Zeitrahmen?

2. Baseline-Messungen durchführen: Jede neu installierte oder revidierte Maschine im bekannt guten Zustand vermessen. Diese Referenz ist die Grundlage für jede spätere Trendanalyse.

3. Messintervalle an das Risiko anpassen: Kritische Maschinen häufiger messen als unkritische. Die P-F-Kurve des jeweiligen Schadensmechanismus bestimmt das maximale Intervall.

4. Fehlalarme ernst nehmen: Nicht als “Systemfehler” abtun, sondern als Hinweis auf unzureichende Alarmgrenzen oder mangelnde Maschinenkenntnisse. Jeder Fehlalarm ist eine Gelegenheit, die CM-Strategie zu verbessern.

5. CM-Techniken kombinieren: Vibrationsanalyse ist nicht universell. Für Schmierungsprobleme ist Ultraschall besser geeignet. Für Verschleiss in Getrieben und Hydraulik liefert Ölanalyse frühere Warnungen. Die richtige CM-Strategie kombiniert Methoden nach Maschinentyp und Schadensrisiko.

Quelle

IEEE Transactions on Industrial Informatics: Vibration-Based Condition Monitoring for Predictive Maintenance: A Comprehensive Review. Ergänzend: ISO 10816 (Bewertung von Maschinenschwingungen) und ISO 13373 (Zustandsüberwachung und Diagnostik von Maschinen).