23.03.2018

Zuverlässigkeit und Lebensdauer von Frequenzumrichtern

Predictive Maintenance für die elektronischen Maschinenkomponenten.

 
Laut einer von BearingPoint veröffentlichten Studie zum Thema Predictive Maintenance, erfassen 76% der Befragten relevante Daten mittels Sensoren, aber nur 59% werten diese Daten zielgerichtet aus und nur rund 20% optimieren die Instandhaltung auf dieser Basis.

Mich überrascht das Ergebnis der Umfrage nicht.

Das Sammeln von Daten ist relativ einfach zu bewerkstelligen und wird ja laut der Umfrage von 76% der Befragten auch schon umgesetzt.

Predictive Maintenance oder auf gut deutsch „vorausschauende Instandhaltung“ bedeutet die Maschine zu reparieren, bevor sie kaputt geht.
Dazu muss aus den gesammelten Daten frühzeitig und zuverlässig einen möglichen Ausfall der Komponenten abgeleitet werden.

Jede Anlage und ihre realen Betriebsbedingungen sind einzigartig und die Zeit, bis es zu Ausfällen kommt oder die Verschleißgrenze einer Maschinenkomponente erreicht ist, hängt von vielen Betriebsfaktoren ab.

Elektronische Komponenten, wie z.B. Frequenzumrichter, sind sehr komplex und die zum Ausfall führenden Mechanismen können nicht in allen Fällen direkt über Sensoren erfasst werden.

Das Kernproblem der vorausschauenden Instandhaltung von elektronischen Systemen ist es, dass viele Fehler erst dann durch Sensordaten direkt entdeckt werden können, wenn das elektronische Bauteil schon defekt ist und die Komponente versagt. Aber genau das soll ja verhindert werden.

In meine 30-jährigen Tätigkeit in der Entwicklung von elektronischen Komponenten, in welcher ich 19 Jahre lang eine Frequenzumrichterreihe von der Markteinführung bis zur Abkündigung technisch betreut habe, habe ich mich ausgiebig praktisch und theoretisch mit den Ausfallmechanismen von elektronischen Komponenten beschäftigt.

Meine Erfahrung hat mir gezeigt, dass viel Mechanismen, die zu einem Bauteilversagen führen, zwar mathematisch abgebildet werden können, aber die Unsicherheit dieser Modelle hoch ist.
Die Unsicherheit resultiert daraus, dass die Modelle auf statistischen Aussagen beruhen, welche unter festgelegten Randbedingungen ermittelt wurden.
Die realen Betriebsbedingungen einer Maschine entsprechen aber selten den festgelegten Randbedingungen, so dass die Aussagekraft der mathematischen Modelle noch geringer wird.

Das Problem bei den mathematischen Berechnungen ist, neben den vielen Randbedingungen, auch noch das Faktum, dass alle Zuverlässigkeitsangaben auf rein statistischen Werten beruhen und dass die Aussagekraft für die Einzelkomponente nicht „schwarz oder weiß“ ist.
Nehmen wir als Beispiel die Angabe des MTBF (Mean Time Between Failures).
Ein Bauteilhersteller gibt eine MTBF-Zeit von 1.000.000 Stunden an. Das bedeutet, nach 1.000.000 Million Betriebsstunden (was etwa 114 Jahren entspricht) sind 63% der Bauteile ausgefallen.
Aus diesem Wert lässt sich die Ausfallwahrscheinlichkeit für die einzelne Komponente abschätzen.
Diese würde für das Beispiel im 1ten Betriebsjahr 0,9%, im 2ten 1,7%, im 3ten 2,6%, im 4ten 3,6% usw. betragen.
Aus diesen Wahrscheinlichkeitsangaben muss nun die Aussage abgeleitet werden, wann eine vorausschauende Instandhaltung erforderlich wird.
Setzt man die Grenze zu scharf an, wird der Abnutzungsvorrat der Bauteile nicht optimal ausgenutzt und kostbare Restlaufzeiten werden verschenkt. Weicht man die Grenze zu weit auf, dann kommt es zu den gehäuften und gefürchteten Maschinenstillständen, die man ja gerade durch die vorausschauende Instandhaltung vermeiden will.
Der MTBF ist nur ein Faktor und beschreibt nur die Ausfallwahrscheinlichkeit in der nutzbaren Produktlebensphase und darf nicht mit Verschleißausfällen verwechselt werden.
Doch ähnlich wie mit dem MTBF verhält es sich auch mit den Angaben der Zeit, bis es zu Verschleißausfällen kommt. Ich möchte darauf jetzt nicht weiter eingehen, da es die Länge meines Schreibens erheblich erweitern würde.

Fazit:
Das Sammeln von Sensordaten ist recht einfach zu bewerkstelligen. Aus diesen Daten jedoch zuverlässige und belastbare Aussagen für komplexe elektronische Komponenten zu generieren ist sehr anspruchsvoll und nur sehr schwer umzusetzen.
Um die Predictive Maintenance in vollem Umfang umzusetzen, ist es aber zwingend erforderlich, dass die Vorhersagen zuverlässig sind und man den aus den Daten gewonnen Vorhersagen auch vertraut.
Ich glaube das dieses Vertrauen noch nicht vollständig erreicht ist und deshalb nur 20% der Befragten ihre Instandhaltung vollständig optimiert haben.

Gerne stehe ich Ihne auch zu Fragen der Zuverlässigkeit und Ausfallmechanismen von Frequenzumrichtern zur Verfügung.