Thermografie-KI zur Erkennung von Lagerschäden vor einem katastrophalen Ausfall

In einem Distributionszentrum in Ohio blockierte ein Förderband-Lager um 2 Uhr morgens an einem Dienstag. Die daraus resultierende Blockade verbog 40 Fuß Bandrahmen, zerstörte das Lagergehäuse und legte die Linie für 19 Stunden still. Gesamtschaden: 73.000 Dollar plus zwei Tage verpasste Lieferungen. Eine Wärmebildkamera, die 12 Fuß von diesem Lager entfernt montiert war, hatte monatelang Daten aufgezeichnet, aber niemand hatte das Material ausgewertet. Die Temperatur des äußeren Lagerrings war in den vorherigen 11 Tagen um 0,4 Grad Celsius pro Tag gestiegen.

Genau diese langsame, stetige thermische Drift ist die Art von Signal, die KI-gestützte Thermografie-Überwachungssysteme erkennen sollen.

Wie Thermografie bei der Lagerüberwachung funktioniert

Industrielle Wärmebildkameras für die Lagerüberwachung arbeiten typischerweise im langwelligen Infrarotspektrum (8 bis 14 Mikrometer) mit einer thermischen Empfindlichkeit von 0,05 Grad Celsius oder besser. Sie erfassen Temperaturkarten mit Auflösungen von 320x240 bis 640x480 Pixeln, üblicherweise bei Bildraten zwischen 9 und 30 Hz.

Für die Lagerüberwachung wird die Kamera so positioniert, dass sie das Lagergehäuse, die Welle in der Nähe des Lagers und idealerweise eine Referenzfläche bei Umgebungstemperatur erfasst. Das KI-Modell betrachtet nicht nur die absolute Temperatur. Es verfolgt den thermischen Gradienten über das Lager, die Temperaturänderungsrate über die Zeit und die Beziehung zwischen Lagertemperatur und Maschinenbetriebsbedingungen wie Drehzahl, Last und Umgebungstemperatur.

Ein gesundes Lager im stationären Betrieb zeigt ein stabiles thermisches Profil mit vorhersagbarer Wärmeverteilung. Ein Lager mit sich entwickelndem Innenringschaden zeigt lokalisierte Hotspots, die ihre Position mit der Wellendrehung verändern. Schmierstoffverschlechterung zeigt sich als allgemeiner Temperaturanstieg, der mit der Laufzeit statt mit der Last korreliert.

Was Thermografie erkennt, was Schwingungsanalyse übersieht

Schwingungsanalyse eignet sich hervorragend zur Erkennung mechanischer Defekte: Lochfraß, Abplatzungen, Käfigschäden. Aber Thermografie erfasst eine andere Klasse von Problemen. Schmierungsprobleme sind der größte Punkt. Ein Lager, das mit verschlechtertem Fett oder unzureichendem Ölfilm läuft, erzeugt Reibungswärme, bevor es messbare Vibrationen erzeugt. Studien von NSK zeigen, dass thermische Anomalien durch Schmierungsversagen den Vibrationsanomalien um 5 bis 10 Tage vorausgehen können.

Fehlausrichtung ist ein weiterer Bereich, in dem Thermografie glänzt. Ein Lager, das aufgrund von Wellenfehlausrichtung abnormale Axialkräfte aufnimmt, läuft auf einer Seite heißer und erzeugt eine thermische Asymmetrie, die im IR sichtbar ist, aber möglicherweise kein eindeutiges Vibrationssignal erzeugt, bis der Schaden weiter fortgeschritten ist.

Elektrische Lagerschäden (Wellenströme bei VFD-gesteuerten Motoren) zeigen ebenfalls thermische Signaturen, bevor sich Vibrationsänderungen bemerkbar machen. Der Funkenerosionseffekt erzeugt mikroskopischen Lochfraß, der Reibung und Temperatur allmählich erhöht, während das Vibrationssignal von EDM-Schäden oft durch normale Betriebsvibrationen überdeckt wird, bis der Lochfraß schwerwiegend ist.

Die KI-Verarbeitungspipeline

Rohe Wärmebilder benötigen eine erhebliche Verarbeitung, bevor sie für prädiktive Analysen nützlich sind. Die KI-Pipeline beginnt typischerweise mit der Erkennung von Interessenbereichen (ROI), bei der das System automatisch jedes Lager im Sichtfeld der Kamera identifiziert und verfolgt. Das ist wichtig, weil Kameras driften, Vibrationen Montagehalterungen verschieben und Wartungsarbeiten vorübergehend die Sicht blockieren.

Sobald die ROIs festgelegt sind, extrahiert das System Merkmale: Maximaltemperatur, Durchschnittstemperatur, Temperaturvarianz innerhalb des ROI, Magnitude und Richtung des thermischen Gradienten sowie Änderungsraten über mehrere Zeitskalen. Diese Merkmale fließen in ein Klassifikationsmodell (üblicherweise Gradient-Boosted Trees oder ein flaches neuronales Netz), das einen Gesundheitswert zuweist.

Die ausgefeilteren Systeme korrelieren thermische Daten mit Betriebsdaten aus dem SPS- oder SCADA-System. Ein Lager, das bei Volllast und voller Drehzahl 15 Grad über Umgebungstemperatur liegt, könnte in Ordnung sein. Dasselbe Lager bei 15 Grad über Umgebungstemperatur bei halber Drehzahl und ohne Last hat wahrscheinlich ein Problem. Der Kontext ist entscheidend, und die KI benötigt Zugang zu diesem Kontext.

Praktische Aspekte der Implementierung

Die Kamerapositionierung ist entscheidend und oft stärker eingeschränkt als die Sensorplatzierung bei der Schwingungsüberwachung. Wärmebildkameras benötigen eine freie Sichtlinie zum Lagergehäuse, die bei Maschinen mit Abdeckungen, Schutzvorrichtungen oder anderen Hindernissen nicht immer gegeben ist. Reflektierende Oberflächen (z. B. polierte Stahlwellen) können irreführende Messwerte verursachen, da der Emissionsgrad je nach Oberflächenbeschaffenheit variiert.

Umgebungsfaktoren verkomplizieren die Sache zusätzlich. Schwankungen der Umgebungstemperatur, nahegelegene Wärmequellen (Motoren, Öfen, Dampfleitungen) und Luftströmungen von Ventilatoren oder HLK-Anlagen beeinflussen die thermische Basislinie. Ein gutes KI-System für die Fertigung berücksichtigt diese Variablen, aber die anfängliche Kalibrierungsphase dauert typischerweise 2 bis 4 Wochen pro Kamerainstallation.

Die Kosten sind deutlich gesunken. Vor fünf Jahren kostete eine einzelne fest montierte industrielle Wärmebildkamera 8.000 bis 15.000 Dollar. Aktuelle Optionen von FLIR, Optris und mehreren chinesischen Herstellern beginnen bei etwa 2.500 Dollar für eine 320x240-Kamera mit ausreichender Empfindlichkeit für die Lagerüberwachung. Ein anlagenweites System mit 20 Kameras, Edge-Computing-Hardware und Softwarelizenzen kostet 80.000 bis 150.000 Dollar, abhängig von der Integrationskomplexität.

Kombination von Thermografie- und Schwingungsdaten

Die besten Ergebnisse erzielt man durch die Fusion beider Datentypen. Eine Studie des Fraunhofer-Instituts aus dem Jahr 2024 ergab, dass kombinierte Thermografie-Schwingungsmodelle eine Genauigkeit von 94 % bei der Vorhersage von Lagerausfällen innerhalb eines 7-Tage-Fensters erreichten, verglichen mit 81 % für Schwingungsanalyse allein und 76 % für Thermografie allein. Die beiden Modalitäten erfassen unterschiedliche Ausfallmodi und unterschiedliche Stadien desselben Ausfallmodus, sodass ihre Kombination blinde Flecken reduziert.

In der Praxis erfolgt diese Fusion üblicherweise auf der Merkmalsebene und nicht auf der Rohdatenebene. Die thermischen Merkmale und Schwingungsmerkmale werden zusammengeführt und in ein einzelnes Modell eingespeist, oder zwei spezialisierte Modelle erzeugen unabhängige Gesundheitswerte, die eine Fusionsschicht kombiniert.

Die Wartungsteams, die den größten Nutzen aus diesen Systemen ziehen, sind diejenigen, die thermische Inspektionen in ihre Standardbetriebsverfahren integrieren – nicht als Ersatz für die Schwingungsüberwachung, sondern als ergänzende Schicht, die die Lücken füllt.