Technisches Gebiet

Die vorliegende Erfindung bezieht sich auf ein Verfahren zur Überwachung eines Gleitlagers einer Windkraftanlage, einer Dampfturbine oder eines Verdichters. Zudem bezieht sich die Erfindung auf ein System zur Überwachung eines Gleitlagers einer Windkraftanlage, einer Dampfturbine oder eines Verdichters.

Stand der Technik

Bei Windkraftanlagen, Dampfturbinen und Verdichtern sind üblicherweise Gleitlager verbaut, beispielsweise um einen Rotor zu lagern und/oder als Teil eines Planetengetriebes. Aufgrund des häufigen und zumeist nicht planbaren Anfahrens und Auslaufens gerade bei diesen Anlagen und Vorrichtungen befindet sich das Gleitlager dabei oft in einem verschleiß- und ermüdungskritischen Betriebszustand. Entsprechend kann es zu einem unerwartet frühen Ausfall des Gleitlagers kommen. Dadurch kommt es zu unerwünschten Ausfallzeiten, was hohe Kosten verursachen kann und eine flexible Durchführung von Reparaturen erfordert. Gerade bei Offshore-Wndkraftanlagen ist eine zeitnahe Reparatur aufgrund von schlechtem Wetter und weiten Distanzen jedoch meist gar nicht möglich. Um einem unerwarteten Ausfall vorzubeugen, können die entsprechenden Gleitlager geplant häufig ausgetauscht werden. Dadurch werden jedoch auch Gleitlager getauscht, welche überhaupt nicht verschlissen sind und somit noch für eine längere weitere Benutzung tauglich sind. Zudem verhindert auch ein geplanter Austausch eine Benutzung über einen gewissen Zeitraum. Entsprechend ergeben sich ebenfalls hohe Kosten.

Eine weitere Möglichkeit ist eine Zustandsüberwachung des Gleitlagers, um einen Verschleiß und eine Ermüdung frühzeitig erkennen zu können. Dann ist eine bedarfsgerechte Wartung vor einem Lagerschaden oder unmittelbar nach einem Lagerschaden und vor weiteren Folgeschäden möglich. Die Zustandsüberwachung kann jedoch aufgrund sich dynamisch ändernder Betriebszustände und Vibrationen schwierig und wenig zuverlässig sein. Zudem kann eine Analyse von großen Datenmengen notwendig sein, wodurch auch die Überwachung selbst sehr aufwendig sein kann. Die Lagerüberwachung kann beispielsweise auf Basis einer Temperaturüberwachung erfolgen. Diese Form der Überwachung ist jedoch nur für einige Lagertypen geeignet. Beispielsweise kann eine Zustandsüberwachung von Gleitlagern mit Polymer-Laufschicht sehr unzuverlässig sein, da jeweilige dort eingesetzte Kunststoffe nur sehr schlecht thermisch leitfähig sind. Dadurch können ausfallrelevante Bereiche mit Übertemperaturen nicht oder nur sehr schlecht erfasst werden und es kann trotz Überwachung zu einem Ausfall des Gleitlagers ohne Vorwarnung kommen.

Darstellung der Erfindung

Ein erster Aspekt der Erfindung betrifft ein Verfahren zur Überwachung eines Gleitlagers einer Windkraftanlage, einer Dampfturbine oder eines Verdichters. Ein Gleitlager kann eine Lagerbauart sein, bei welcher sich relativ zueinander bewegende Teile betriebspunktabhängig einen direkten Kontakt haben können. Bei hohen Relativgeschwindigkeiten können die sich relativ zueinander bewegenden Teile durch einen Schmierfilm getrennt sein. Das Gleitlager kann beispielsweise einen Rotor der Windkraftanlage, der Dampfturbine oder des Verdichters drehbar lagern. Das Gleitlager kann beispielsweise ein Hauptlager, ein Getriebelager oder ein Lager einer Peripherie sein. Das Gleitlager kann beispielsweise Teil eines Getriebes sein, insbesondere eines Planetengetriebes. Beispielsweise kann das Gleitlager ein Planetenrad an einem Planetenbolzen eines Planetenträgers drehbar lagern. Eine Wndkraftanlage kann eine Anlage sein, welche eine Bewegungsenergie von Wnd in elektrische Energie wandelt. Beispielsweise kann die Windkraftanlage einen Turm mit einem daran drehbar gelagerten Rotor aufweisen. Eine Dampfturbine kann eine Wärmekraftmaschine zur Umwandlung von Wärmeenergie eines Wasserdampfs in Rotationsenergie sein. Damit kann ein Generator zur Stromerzeugung angetrieben werden. Die Dampfturbine kann beispielsweise als Teil eines Kraftwerks ausgebildet sein. Die Dampfturbine kann auch als Gasturbine für andere Fluide ausgebildet sein. Ein Rotor der Dampfturbine kann beispielsweise jeweilige Turbinenschaufeln aufweisen. Ein Verdichter kann eine Maschine sein, welche einem Gas mechanische Arbeit zuführt, beispielsweise durch Komprimieren. Der Verdichter kann als Teil eines Kraftwerks oder eine Flugzeugtriebwerks ausgebildet sein. Das Gleitlager kann beispielsweise auch einen Teil einer Turbine eines Wasserkraftwerks bilden. Das Verfahren weist einen Schritt eines Erfassens eines Körperschallsignals des Gleitlagers mittels eines Körperschallsensors auf. Ein Körperschall kann ein Schall sein, welcher sich in einem Festkörper ausbreitet. Beispielsweise kann der Körperschall als Longitudinalwelle und/oder Transversalwelle ausgebildet sein. Der Körperschall kann einer Schwingung wenigstens eines Teilbereichs des Gleitlagers oder auch des gesamten Gleitlagers entsprechen. Das Körperschallsignal kann Frequenzinformationen und/oder Amplitudeninformationen aufweisen. Das Körperschallsignal kann beispielsweise kontinuierlich oder diskontinuierlich erfasst werden. Mit dem Körperschallsignal können Rückschlüsse auf einen Betriebszustand, einen Verschleiß und auch eine Beschädigung des Gleitlagers möglich sein. Bei einer analytischen Auswertung kann es jedoch notwendig sein, Anteile des Körperschallsignals mit Informationen bezüglich eines Lagerzustands von Anteilen des Körperschallsignals, welche einem Rauschen entsprechend oder durch irrelevante Umwelteinflüsse verursacht werden, voneinander zu trennen.

Der Körperschallsensor kann beispielsweise als piezoelektrisches Element und/oder als Kontaktmikrofon ausgebildet sein. Der Körperschallsensor kann zur Erfassung des Körperschallsignals an einem Teil des Gleitlagers oder eines damit kontaktierten weiteren Bauteils befestigt sein. Durch die Befestigung an dem Gleitlager kann die Signalqualität besonders gut sein. Beispielsweise kann der Körperschallsensor an einem der Lagerbolzen des Planetengetriebes der Windkraftanlage oder an einem Getriebegehäuse des Planetengetriebes der Windkraftanlage angeordnet sein.

Das Verfahren kann auch mehrere Körperschallsignale erfassen, beispielsweise von unterschiedlichen Gleitlagern. Pro Gleitlager kann beispielsweise ein zugeordneter Körperschallsensor vorgesehen sein. Das Verfahren kann auch dazu ausgebildet sein, mehrere Gleitlager simultan zu überwachen.

Das Verfahren weist einen Schritt eines Transformierens des erfassten Körperschallsignals in eine Zeit-Frequenz-Domäne auf. Das transformierte Körperschallsignal kann es beispielsweise erlauben, einer jeweiligen Zeit-Frequenz oder einem jeweiligen Frequenzbereich eine Amplitude in einer bestimmten Zeitspanne zuzuordnen. Das Signal kann in hoher Lokalität im Zeitbereich und Frequenzbereich erfasst werden. Das transformierte Körperschallsignal kann eine bildhafte Darstellung des erfassten Körperschallsignals und/oder eine Verarbeitung und Speicherung des erfassten Signals in einem Bildformat erlauben. Durch das Transformieren können jeweilige Körperschallinformationen stark komprimiert werden. Dies kann den Aufwand bei der Datenverarbeitung und/oder Datenübertragung erheblich verringern. Das Transformieren kann beispielsweise mittels kontinuierlicher Wavelet-Transformation erfolgen. Auch andere Transformationen sind möglich, beispielsweise allgemein mittels Wavelet-Transforma- tion. Die Wavelet-Transformation kann eine lineare Zeit-Frequenz-Transformation sein. Die Wavelet-Transformation kann sich aus einer Wavelet-Analyse, welche einen Übergang einer Zeitdarstellung in eine Wavelet-Darstellung bezeichnet, und einer Wavelet- Synthese, welche eine Rücktransformation der Wavelet-Transform ierten in die Zeitdarstellung bezeichnet, zusammensetzen. Die Wavelet-Transformation kann zur Datenkompression und Signalverarbeitung dienen. Die Zeit-Frequenz-Domäne kann eine automatische Auswertung des Körperschallsignals stark vereinfachen. Gegenüber einer Fourier- Transformation ist die Transformation mittels kontinuierlicher Wavelet -Transformation in der Lage, Signale mit einer hohen Lokalität im Zeit- und Frequenzbereich, wie typischerweise bei Körperschallsignalen, mit hoher Güte und Effizienz zu erfassen.

Das Verfahren weist einen Schritt eines Identifizierens von Anomalien in dem transformierten Körperschallsignal mittels eines Autoencoders auf. Durch die Nutzung des Autoencoders kann eine aufwendige analytische Filterung des Körperschallsignals, um beispielsweise Anteile des Körperschallsignals mit Informationen bezüglich eines Lagerzustands von Anteilen des Körperschallsignals, welche einem Rauschen entsprechend oder durch irrelevante Umwelteinflüsse verursacht werden, zu trennen, unnötig sein. Eine Anomalie kann beispielsweise ein Betriebszustand sein, welcher keinem Normalzustand entspricht, und/oder ein Betriebszustand mit erhöhtem Verschleiß. Eine Anomalie kann auch ein Zustand sein, bei welchem das Gleitlager ausgefallen ist und/oder beginnt, stark zu verschleißen. Die Anomalie kann ein verschleißkritischer und/oder ermüdungskritischer Zustand des Gleitlagers sein. Beispielsweise kann eine Anomalie ein Zustand sein, bei welchem die relativ zueinander bewegten Teile des Gleitlagers in einem Festkörperreibungszustand miteinander stehen, obwohl eine Drehgeschwindigkeit des Gleitlagers bereits einen stabilen Ölfilm erzeugen sollte. Ein Autoencoder kann ein künstliches neuronales Netz sein. Der Autoencoder kann zur Dimensionsreduktion des transformierten Körperschallsignals ausgebildet sein. Der Autoencoder kann dazu angelernt sein, bei der Identifizierung der Anomalien insignifikante Daten zu ignorieren. Der Autoencoder kann beispielsweise nur Wiedergaben von jeweiligen Anomalien in dem transformierten Körperschallsignal berücksichtigen. Der Autoencoder kann beispielsweise als Deep Convolutional Autoencoder ausbildet sein, welcher als neuronales Netz ein CNN aufweist. Das CNN kann beispielsweise eine Struktur in den Eingabedaten lernen. Durch Faltungsfilter können lokale Muster erfasst werden, wobei die transformierten Körperschallsignale von dem CNN wie Bilder behandelt werden können. Jeweilige Merkmale können beispielsweise lokal, also in Bezug auf Zeit und Frequenz, korreliert sein. Der Autoencoder kann dazu ausgebildet sein, das transformierte Körperschallsignal als Anomaliezustand oder Normalzustand zu klassifizieren, um Anomalien zu identifizieren. Der Autoencoder kann das transformierte Körperschallsignal als Eingabedaten erhalten. Der Autoencoder kann die Eingabedaten in dessen neuronalen Netz rekonstruieren, wobei starke Abweichungen im Ergebnis eine Anomalie indizieren. Diese Abweichungen können protokolliert und/oder ausgegeben werden. Ein Abweichungsgrad kann als Anomaliekenngröße ausgegeben werden. Die Identifizierung kann ein Erkennen von Anomalien und/oder ein Klassifizieren von Anomalien beinhalten. Der Autoencoder kann als unüberwacht trainierter Autoencoder ausgebildet sein, wodurch dessen Training und damit die Implementierung besonders kostengünstig sein kann.

Die Nutzung des Autoencoders zur Identifizierung von Anomalien in dem transformierten Körperschallsignal kann es ermöglichen, das Gleitlager automatisch effizient zu überwachen. Es sind nur geringe Datenmengen und eine geringe Rechenleistung notwendig. Eine aufwendige menschliche Auswertung, menschliche Überwachung und eine analytische Datenauswertung des Körperschallsignals sind beispielsweise nicht notwendig. Der Autoencoder kann besonders effizient darin sein, Signale in der Zeit-Frequenz-Domäne auszuwerten. Zudem ist kein Bereitstellen von Merkmalen in Körperschallsignalen erforderlich, anhand dessen Anomalien identifiziert werden können. Vielmehr kann der Autoencoder Anomalien auf Basis von bekannten Normalzuständen erkennen und/oder erlernen. Es ist keine Extraktion von Merkmalen aus dem Datensatz selbst notwendig, um Anomalien zu identifizieren. Der Autoencoder kann automatisch relevante Informationen aus dem transformierten Körperschallsignal extrahieren, trotz vieler Störsignale. Durch eine Schadensfrüherkennung auf Basis von Körperschallsignalen kann sehr frühzeitig eine Abnutzung des Gleitlagers erkannt werden. Beispielsweise ist eine Schadenserkennung anhand folgender Möglichkeiten in absteigender Reihenfolge möglich: körperschallbasiert, vibrationsbasiert, lagerölkontaminationsbasiert, luftschallbasiert, temperaturbasiert, rauchbasiert, und auf Basis eines tatsächlichen Ausfalls. Ersichtlich ist bei einer körperschallbasierten Überwachung eine besonders frühzeitige Vorwarnung vor einem drohenden Ausfall möglich, insbesondere frühere als bei anderen Methoden.

Das Verfahren ist besonders geeignet für Windkraftanlagen, Dampfturbinen und Verdichter. Durch äußere und/oder zufällige Einflüsse, wie Änderungen der Fluideigenschaften im Verdichter und der Dampfturbine sowie Turbulenzen im Wind bei der Windkraftanlage, ist eine analytische Auswertung äußerst komplex und aufwendig und zum Teil sogar gar nicht möglich. Zudem ist Körperschall häufig sehr vorrichtungsspezifisch. Beispielsweise können zwei baugleiche Windkraftanlagen unterschiedliche Körperschallsignale im Normalzustand unter gleichen Betriebsbedingungen aufweisen. Der Autoencoder kann trotzdem einfach lernen, dabei jeweils Anomalien zu identifizieren. Bisher war dagegen eine körperschallbasierte Überwachung von Gleitlagern in solchen Anlagen und Vorrichtungen nicht möglich oder mit nicht wirtschaftlich hohem Aufwand verbunden.

Das Verfahren weist einen Schritt eines Erzeugens von Anomaliedaten in Abhängigkeit von identifizierten Anomalien auf. Die Anomaliedaten können beispielsweise die durch den Autoencoder protokollierten und/oder ausgegebenen Daten sein. Die Anomaliedaten können ein Satz von transformierten oder untransformierten Körperschallsignalen sein oder aufweisen, bei welchen eine Anomalie identifiziert wurde. Die Anomaliedaten können eine Anzahl von identifizierten Anomalien aufweisen, also eine Art Zähler sein. Die Anzahl kann kumuliert sein. Die Anomaliedaten können den Abweichungsgrad als Anomaliekenngröße aufweisen. Die Anomaliedaten können beispielsweise Informationen bezüglich Anzahl, Zeit, Art, Typ und/oder Schweregrad der identifizierten Anomalie aufweisen. Die Anomaliedaten können durch den Autoencoder ausgegeben werden oder durch eine Auswertvorrichtung, welche in Abhängigkeit von durch den Autoencoder identifizierten Anomalien gesteuert wird. Die Anomaliedaten können den Ausgabedaten des Autoencoders entsprechen. Die Anomaliedaten können Warninformationen bezüglich eines Lagerzustands, Ausgaben von Wahrscheinlichkeiten zum Lagerausfall und/oder weitere Kenngrößen aufweisen.

Das System kann eine Steuervorrichtung aufweisen, welche in Abhängigkeit von den Anomaliedaten Steuerdaten erzeugt. Die Steuervorrichtung kann dazu ausgebildet die Windkraftanlage oder generell die Vorrichtung, deren Gleitlager überwacht wird, mit den Steuerdaten zu steuern. Alternativ oder zusätzlich kann die Steuervorrichtung dazu ausgebildet sein, eine Ausgabevorrichtung mit den Steuerdaten zu steuern. Beispielsweise kann bei bestimmten Anomaliedaten eine Abschaltung oder eine Reduzierung einer Maximalleistung erfolgen. Die Ausgabevorrichtung kann dazu ausgebildet sein, eine Anzeige in Abhängigkeit von den Steuerdaten zu steuern. Beispielsweise können so die Anomaliedaten optisch oder akustisch ausgegeben werden.

In einer Ausführungsform des Verfahrens ist es vorgesehen, dass der Autoencoder als Deep Convolutional Autoencoder ausgebildet ist. Diese Art des Autoencoders kann besonders effizient bei der Auswertung der transformierten Körperschallsignale sein. Zudem kann diese Art von Autoencoder besonders zuverlässig lernen, Störsignale nicht zu berücksichtigen.

In einer Ausführungsform des Verfahrens ist es vorgesehen, dass der Autoencoder dazu trainiert ist, Abweichungen von einem anlagenspezifischen Normalzustand als Anomalie zu identifizieren. Der Normalzustand kann ein Zustand sein, welcher für Verschleiß und/oder Ermüdung des Gleitlagers unkritisch ist. Für eine einfache Implementierung kann beispielsweise beim Training des Autoencoders angenommen werden, dass sich ein neu installiertes Gleitlager oder frisch gewartetes Gleitlager im Normalzustand befindet. Der Autoencoder kann also beispielsweise direkt nach Inbetriebnahme der Windkraftanlage oder einer anderen Vorrichtungen mit dem zu überwachenden Gleitlager mit den ersten Betriebsminuten, Betriebsstunden, Betriebstagen oder auch Betriebswochen trainiert werden. Durch die Berücksichtigung eines anlagenspezifischen Normalzustands kann ein jeweiliges anlagenspezifischen Körperschallübertragungsverhalten berücksichtigt werden, um Anomalien besonders zuverlässig zu identifizieren. Beispielsweise kann der Autoencoder nur mit dem Normalzustand trainiert sein. Zum Trainieren des Autoencoders können transformierte Körperschallsignale von einem anlagenspezifischen Normalzustand des Gleitlagers verwendet werden. Alternativ kann der Autoencoder auch auf einem Prüfstand, mit historischen Daten anderer Anlagen und/oder Vorrichtungen und mit simulierten Daten trainiert werden. Der Autoencoder kann beispielsweise mit einem Backpropagationsverfahren trainiert werden bzw. trainiert worden sein. Die Eingabedaten zum Trainieren können auch anfänglich gewichtet sein, um das Training zu verb- essen.

In einer Ausführungsform des Verfahrens ist es vorgesehen, dass das Verfahren ferner einen Schritt eines Digitalisierens des Körperschallsignals vor dessen Transformation aufweist. Das Körperschallsignal kann beispielsweise als analoges Signal erfasst werden. Durch die Digitalisierung wird eine weitere Datenverarbeitung vereinfacht. Die Digitalisierung kann beispielsweise vor dem Transformieren des Körperschallsignal in die Zeit-Frequenz-Domäne erfolgen.

In einer Ausführungsform des Verfahrens ist es vorgesehen, dass zur Detektion von Anomalien nur Körperschallsignale in einem Frequenzbereich größer als 30 kHz, insbesondere größer 50 kHz und/oder kleiner als 1 ,3 MHz, insbesondere kleiner 1 MHz, genutzt werden. Unterhalb von 30 kHz, insbesondere unterhalb von 50 kHz, sind Körperschallsignale wenig geeignet, um Anomalien zu identifizieren. Oberhalb von 1 ,3 MHz, insbesondere oberhalb von 1 MHz, enthalten die Körperschallsignale kaum mehr oder keine zusätzlichen Anomalien betreffende Informationen. Dadurch, dass nur ein entsprechender Frequenzbereich berücksichtigt wird, kann die Zuverlässigkeit der Anomalieidentifizierung besonders groß sein. Zudem kann eine auszuwertende Datenmenge so gering gehalten werden. Der Frequenzbereich kann beispielsweise bei der Digitalisierung und/oder bei dem Transformieren selektiert werden. Der Frequenzbereich kann aber auch beispielsweise direkt bei der Erfassung des Körperschallsignals durch Filterung vorgegeben werden. Signale außerhalb des Frequenzbereichs werden beispielsweise nicht mehr dem Autoencoder als Eingabedaten zugeführt. Alternativ kann auch der Körperschallsensor dazu ausgebildet sein, nur Körperschallsignale in dem gewünschten Frequenzbereich zu erfassen.

In einer Ausführungsform des Verfahrens ist es vorgesehen, dass die Körperschallsignale diskontinuierlich in bestimmten Zeitintervallen erfasst werden. Durch das diskontinuierliche Erfassen können ein Datenvolumen und ein Aufwand zur Auswertung geringgehalten werden. Bei einer kontinuierlichen Erfassung bzw. Überwachung kann die Anomalieidentifizierung durch den Autoencoder dagegen schwierig sein.

Beispielsweise beträgt das Zeitintervall 0,1 bis 120 Sekunden, insbesondere 1 Sekunde bis 60 Sekunden. Bei einer solchen Messdauer kann beispielsweise zum einen eine Anomalie gut erkannt werden und zum anderen gut vermieden werden, dass zwei Anomalien zusammen erfasst werden, insbesondere bei typischen Betriebsbedingungen von Windkraftanlagen. Dies erleichtert die weitere Auswertung. Zudem können so Aufwand und Stromverbrauch bei der Überwachung gering sein.

Beispielsweise beträgt eine Messdauer 0,1 bis 64 Millisekunden, insbesondere 1 bis 32 Millisekunden. Bei einer solchen Messdauer können Anomalien beim Betrieb von Gleitlagern, insbesondere in Windkraftanlagen, typischerweise besonders gut erkannt werden. Beispielsweise reicht eine solche Messdauer aus, um verschleißkritische und ermüdungskritische Zustände in dem erfassten Körperschallsignal zuverlässig nachzuweisen. Gleichzeitig verringert diese kurze Messdauer, dass Änderungen des Betriebszustands, beispielsweise aufgrund von Böen, fälschlicherweise eine Anomalie indizieren.

In einer Ausführungsform des Verfahrens ist es vorgesehen, dass das Verfahren einen Schritt einer Verschleißberechnung und/oder eine Ermüdungsberechnung des Gleitlagers mittels eines rekurrenten neuronalen Netzes aufweist. Das rekurrente neuronale Netz kann die erzeugten Anomaliedaten als Eingabedaten erhalten und als Ausgabedaten einen Verschleißkennwert und/oder einen Ermüdungskennwert erzeugen. Eine Verschleißberechnung kann beispielsweise dazu ausgebildet sein, eine verbleibende Lebensdauer des Gleitlagers auszugeben. Eine Ermüdungsberechnung kann beispielsweise dazu ausgebildet sein, eine Wahrscheinlichkeit für einen Ausfall aufgrund einer Materialermüdung des Gleitlagers auszugeben. Mittels des rekurrenten neuronalen Netzes kann beispielsweise eine Prognose erstellt werden, wann das Gleitlager ausfallen wird, insbesondere mit welcher Wahrscheinlichkeit. Auf dieser Basis kann eine Wartung und/oder ein Austausch des Gleitlagers geplant werden, um einen kosteneffizienten und zuverlässigen Betrieb zu ermöglichen. In einer Ausführungsform des Verfahrens ist es vorgesehen, dass das rekurrente neuronale Netz zusätzliche Zustandsdaten, wie eine Betriebstemperatur und/oder eine Drehzahl, als Eingabedaten erhält. Der bestimmte Verschleißkennwert und/oder der bestimmte Ermüdungskennwert kann so besonders aussagekräftig sein. Dadurch können Betriebsbedingungen des Gleitlagers berücksichtigt werden. Die Zustandsdaten können beispielsweise Informationen über einen Umgebungszustand des Gleitlagers, einen Betriebszustand des Gleitlagers und/oder einen Betriebszustand der Anlage bzw. Vorrichtung aufweisen, in der das Gleitlager eingesetzt ist.

In einer Ausführungsform des Verfahrens ist es vorgesehen, dass bei dem Verfahren das rekurrente neuronale Netz mit einem Trainingsverfahren trainiert wurde. Das Trainingsverfahren kann einen Schritt eines Bereitstellens von Anomaliedaten aufweisen. Bei den Anomaliedaten kann es sich beispielsweise um historische und/oder simulierte Anomaliedaten handeln, auch von anderen Anlagen. Die für das Training bereitgestellten Anomaliedaten können ein typgleiches oder auch ein zum überwachten Gleitlager verschiedenes Gleitlager betreffen. Das Trainingsverfahren kann einen Schritt eines Bereitstellens von zu den Anomaliedaten korrespondierenden Verschleißkennwerten und/oder Ermüdungskennwerten aufweisen. Bei den zu den Anomaliedaten korrespondierenden Verschleißkennwerten und/oder Ermüdungskennwerten kann es sich beispielsweise um korrespondierende historische und/oder simulierte Verschleißkennwerte und/oder Ermüdungskennwerte handeln. Die bereitgestellten Daten und Kennwerte können auch auf einem Prüfstand ermittelt worden sein. Das Trainingsverfahren kann einen Schritt eines Erzeugens eines Trainingsdatensatzes aufweisen. Der Trainingsdatensatz kann die bereitgestellten Anomaliedaten als Eingabedaten aufweisen. Der Trainingsdatensatz kann die bereitgestellten Verschleißkennwerten und/oder die bereitgestellten Ermüdungskennwerte als Ausgabedaten aufweisen. Das Trainingsverfahren kann einen Schritt eines Trainierens des rekurrenten neuronalen Netzes, um einen Zusammenhang zwischen den Anomaliedaten und den Verschleißkennwerten und/oder Ermüdungskennwerten anzulernen, aufweisen.

In einer Ausführungsform des Verfahrens ist es vorgesehen, dass das Transformieren des Körperschallsignals lokal erfolgt, insbesondere durch eine lokale Rechenvorrichtung. Die lokale Rechenvorrichtung kann beispielsweise ein Computer sein, welche an der Windkraftanlage, Dampfturbine oder dem Verdichter installiert ist und/oder direkt kabelgebunden mit Sensoren und/oder Stellelementen dieser Anlage bzw. Vorrichtung verbunden ist. Durch das Transformieren kann das Körperschallsignal beispielsweise komprimiert werden, wodurch eine Datenübertragung für eine Auswertung in einer anderen Rechenvorrichtung einfach möglich ist. Beispielsweise kann die weitere Auswertung durch einen zentralen Server erfolgen, insbesondere für eine Mehrzahl von Gleitlagern auch von unterschiedlichen Anlagen bzw. Vorrichtungen. Dadurch ist eine zentrale Überwachung und/oder Wartungsplanung einfach möglich. Die Digitalisierung kann ebenfalls lokal erfolgen, insbesondere durch die lokale Rechenvorrichtung.

Das Verfahren kann ferner einen Schritt eines Sendens des transformierten Körperschallsignals an einen zentralen Server aufweisen, wobei auf dem zentralen Server der Autoencoder zur Identifizierung von Anomalien implementiert ist. Dadurch kann dort besonders viel Rechenleistung kostengünstig zur Verfügung gestellt werden. Zudem kann das Verfahren so besonders effizient sein, sofern mehrere Gleitlager unterschiedlicher Anlagen bzw. Vorrichtungen überwacht werden, da dann der zentrale Server auch trotz beispielsweise nur intermittierender Erfassung ausgelastet werden kann. Alternativ kann der Autoencoder auch auf der lokalen Rechenvorrichtung implementiert sein.

Das Verfahren kann ferner alternativ oder zusätzlich einen Schritt eines Sendens der erzeugten Anomaliedaten an den zentralen Server aufweisen. Insbesondere kann auf dem zentralen Server das rekurrente neuronale Netz zur Verschleißberechnung und/oder Ermüdungsberechnung implementiert sein. So stehen die Anomaliedaten direkt zentral für eine weitere Auswertung zur Verfügung. Alternativ kann das rekurrente neuronale Netz auch auf der lokalen Rechenvorrichtung implementiert sein.

Das Senden kann beispielsweise per Funk, insbesondere Mobilfunk erfolgen. Das Senden kann auch kabelgebunden erfolgen. Es können beispielsweise gängige Übertragungsprotokolle und Netze genutzt werden, wie Mobilfunk und/oder Internet. Für das Senden kann eine Datenübertragungsvorrichtung vorgesehen sein. Die Datenübertragungsvorrichtung kann auch zum Empfangen ausgebildet sein. Beispielsweise können über die Übertragungsvorrichtung auch jeweilige Trainingsdaten für den Autoencoder und/oder das rekurrente neuronale Netz empfangen werden. Ein zweiter Aspekt der betrifft ein System zur Überwachung eines Gleitlagers einer Windkraftanlage, einer Dampfturbine oder eines Verdichters. Das System kann zum Durchführen eines Verfahrens gemäß dem ersten Aspekt ausgebildet sein. Entsprechende Merkmale und Vorteile des ersten Aspekts können auch Merkmale und Vorteile des weiteren Aspekts und umgekehrt bilden.

Das System weist einen Körperschallsensor auf. Der Körperschallsensor ist dazu ausgebildet, ein Körperschallsignal des Gleitlagers zu erfassen. Es können auch mehrere Körperschallsensoren vorgesehen sein, welche zusammen das Körperschallsignal des Gleitlagers erfassen. Beispielsweise können ein oder mehrere Körperschallsensoren an einem Lagergehäuse und/oder einem Planetenbolzen eines Planetengetriebes einer Windkraftanlage befestigt sein. Jeweilige Körperschallsensoren können dazu ausgebildet sein, an einer Welle und/oder dem Gleitlager befestigt zu werden.

Das System weist ein Rechensystem auf. Das Rechensystem kann eine oder mehrere Rechenvorrichtungen aufweisen, welche beispielsweise kommunikativ miteinander verbunden sind. Eine Rechenvorrichtung kann beispielsweise als Computer oder Mikroprozessor ausgebildet sein. Das Rechensystem ist dazu ausgebildet, das erfasste Körperschallsignals in eine Zeit-Frequenz-Domäne zu transformieren, Anomalien in dem transformierten Körperschallsignal mittels eines Autoencoders zu identifizieren und Anomaliedaten in Abhängigkeit von identifizierten Anomalien zu erzeugen. Das Rechensystem kann eine Datenübertragungsvorrichtung, wie eine Netzwerkkarte, eine Datenspeichervorrichtung, wie eine Festplatte, und/oder eine Ausgabevorrichtung, wie einen Bildschirm, aufweisen.

In einer Ausführungsform des Systems ist es vorgesehen, dass das Rechensystem eine lokale an der Windkraftanlage, der Dampfturbine oder dem Verdichter installierte Rechenvorrichtung aufweist. Die lokale Rechenvorrichtung kann kompakt und kostengünstig sein. Geeignete Beispiele sind ein Raspberry Pi Computer und ein Arduino-Entwick- lungsboard. Das Rechensystem kann einen zentralen Server und eine Datenübertragungsvorrichtung zum Übertragen von Daten von der lokalen Rechenvorrichtung an den zentralen Server aufweisen. Die lokale Rechenvorrichtung kann dazu ausgebildet sein, das erfasste Körperschallsignal in eine Zeit-Frequenz-Domäne zu transformieren. Die lokale Rechenvorrichtung kann dazu ausgebildet sein, das erfasste Körperschallsignal zu digitalisieren. Der zentrale Server oder die lokale Rechenvorrichtung kann dazu ausgebildet sein, eine Verschleißberechnung und/oder eine Ermüdungsberechnung des Gleitlagers mittels eines rekurrenten neuronalen Netzes durchzuführen. Die Datenübertragungsvorrichtung kann beispielsweise jeweilige Ausgaben der lokalen Rechenvorrichtung an den lokalen Server übertragen, beispielsweise transformierte Körperschallsignale, Anomaliedaten und/oder Verschleißkennwerte und/oder Ermüdungskennwerte. Jeweilige Daten können auf der Datenspeichervorrichtung gespeichert werden. Die Datenspeichervorrichtung kann beispielsweise ein Speichermodul des zentralen Servers und/oder ein weiteres Speichermodul der lokalen Rechenvorrichtung aufweisen. Daten können nur lokal oder zentral gespeichert werden oder auch redundant lokal und zentral.

Die lokale Rechenvorrichtung kann dazu ausgebildet sein, Anomalien in dem transformierten Körperschallsignal mittels eines Autoencoders zu identifizieren und Anomaliedaten in Abhängigkeit von identifizierten Anomalien zu erzeugen. Der Autoencoder kann auf der lokalen Rechenvorrichtung implementiert sein. In diesem Fall können beispielsweise jeweilige Anomaliedaten an den zentralen Server übertragen werden. Optional kann auch das rekurrente neuronale Netz auf der lokalen Rechenvorrichtung implementiert sein. In diesem Fall können beispielsweise jeweilige Verschleißkennwerte und/oder jeweilige Ermüdungskennwerte an den zentralen Server übertragen werden.

Alternativ kann der zentrale Server dazu ausgebildet sein, Anomalien in dem transformierten Körperschallsignal mittels eines Autoencoders zu identifizieren und Anomaliedaten in Abhängigkeit von identifizierten Anomalien zu erzeugen. Der Autoencoder kann auf dem zentralen Server implementiert sein. In diesem Fall können beispielsweise jeweilige transformierte Körperschallsignale an den zentralen Server übertragen werden. Optional kann das rekurrente neuronale Netz in diesem Fall auf dem zentralen Server implementiert sein.

Kurze Beschreibung der Figuren Fig. 1 veranschaulicht ein Verfahren zur Überwachung eines Gleitlagers einer Windkraftanlage, einer Dampfturbine oder eines Verdichters.

Fig. 2 veranschaulicht schematisch ein System zur Überwachung eines Gleitlagers einer Windkraftanlage, einer Dampfturbine oder eines Verdichters.

Detaillierte Beschreibung von Ausführungsformen

Fig. 1 veranschaulicht ein Verfahren 10 zur Überwachung eines Gleitlagers 50 eines Getriebes einer Windkraftanlage, einer Dampfturbine oder eines Verdichters, wobei das Gleitlager 50 schematisch in Fig. 2 veranschaulicht ist. In Schritt 12 wird ein Körperschallsignal des Gleitlagers 50 mittels eines daran befestigten Körperschallsensors 52 erfasst, wobei der Körperschallsensor 52 schematisch ebenfalls in Fig. 2 veranschaulicht ist.

Das erfasste Körperschallsignal wird in einem Schritt 14 des Verfahrens 10 digitalisiert. Das digitalisierte Körperschallsignal wird in einem Schritt 16 des Verfahrens 10 in eine Zeit-Freguenz-Domäne mittels einer kontinuierlicher Wavelet-Transformation transformiert. In einem Schritt 18 des Verfahrens 10 werden mittels eines Autoencoders Anomalien in dem transformierten Körperschallsignal identifiziert. In Abhängigkeit von identifizierten Anomalien werden in einem Schritt 20 des Verfahrens 10 Anomaliedaten erzeugt. Diese erzeugten Anomaliedaten werden einem rekurrenten neuronalen Netz als Eingabedaten zur Verfügung gestellt. Das rekurrente neuronale Netz ist dazu trainiert, in Reaktion auf diese Eingabedaten einen Verschleißkennwert und/oder einen Ermüdungskennwert als Ausgabedaten in einem Schritt 22 des Verfahrens 10 zu erzeugen, um eine Verschleißberechnung und/oder eine Ermüdungsberechnung des Gleitlagers 50 mittels des rekurrenten neuronalen Netzes durchzuführen. Damit kann mit geringem Aufwand frühzeitig ein Ausfall des Gleitlagers 50 prognostiziert und/oder eine verbleibende Lebensdauer des Gleitlagers 50 berechnet werden, um entsprechend eine Wartung und/oder einen Austausch des Gleitlagers 50 zu planen.

Fig. 2 veranschaulicht schematisch ein System 40 zur Überwachung des Gleitlagers 50. Das System 40 ist dazu ausgebildet, das Verfahren 10 durchzuführen. Das System 40 weist entsprechend den Körperschallsensor 52 auf. Zudem weist das System 40 ein Rechensystem 42 auf. Das Rechensystem 40 weist eine lokal an der Windkraftanlage, der Dampfturbine oder dem Verdichter installierte Rechenvorrichtung 44 auf. Die lokale Rechenvorrichtung 44 weist ein Modul 54 zum Empfangen des erfassten Körperschallsignals auf, welches kommunikativ mit dem Körperschallsensor 52 verbunden ist, beispielsweise mittels Funk oder Kabel. Die lokale Rechenvorrichtung 44 weist ein Modul 56 auf, mittels welchem das erfasste und durch die lokale Rechenvorrichtung 44 empfangene Körperschallsignal digitalisiert wird. Zudem weist die lokale Rechenvorrichtung 44 ein Modul 58 auf, mittels welchem das erfasste und digitalisierte Körperschallsignal in eine Zeit-Frequenz-Domäne mittels kontinuierlicher Wavelet-Transformation transformiert wird. Durch die Transformation wird eine Datenmenge erheblich reduziert, ohne dass es jedoch zu einer Verringerung oder nur zu einer geringeren Verringerung der Datenqualität kommt.

Weiterhin weist das Rechensystem 42 eine Datenübertragungsvorrichtung 46 mit einem mit der lokalen Rechenvorrichtung 44 verbundenen Übertragungsmodul 60 auf. Zudem weist das Rechensystem 42 einen zentralen Server 48 auf, wobei ein weiteres Übertragungsmodul 62 der Datenübertragungsvorrichtung 46 mit dem zentralen Server 48 verbunden ist. Mittels der Datenübertragungsvorrichtung 46 kann das transformierte Körperschallsignal an den zentralen Server 48 übertragen werden. Die Datenübertragungsvorrichtung 46 überträgt jeweilige Daten beispielsweise mittels Mobilfunk und/oder einem Festnetz.

Der zentrale Server 48 weist ein Modul 64 auf, auf welchem der Autoencoder implementiert ist und mittels welchem der zentrale Server 48 Anomalien in dem übertragenen und transformierten Körperschallsignal identifiziert. Zudem weist der zentrale Server 48 ein Modul 66 auf, auf welchem das rekurrente neuronale Netz implementiert ist und mittels welchem der zentrale Server 48 die Verschleißberechnung und/oder die Ermüdungsberechnung des Gleitlagers 50 durchführt.

Durch die Nutzung des zentralen Servers 48 können aufwendige Berechnungen zentral und kostengünstig durchgeführt werden, insbesondere auch zur Überwachung unterschiedlicher Gleitlager. Die Datenübertragungsschnittstelle kann auch an einer anderen Stelle des Rechensystems 42 vorgesehen werden. Beispielsweise kann statt dem zentralen Server 48 die lokale Rechenvorrichtung 44 das Modul 64 mit dem darauf implementierten Autoencoder aufweisen, um eine zu übertagende Datenmenge weiter zu reduzieren.

Bezuqszeichen

10 Verfahren

12 Schritt des Erfassens

14 Schritt des Digitalisierens

16 Schritt des Transformierens

18 Schritt der Anomalieidentifikation

20 Schritt des Erzeugens von Anomaliedaten

22 Schritt des Bestimmens eines Verschleiß- und/oder Ermüdungskennwerts

40 System zur Überwachung eines Gleitlagers

42 Rechensystem

44 lokale Rechenvorrichtung

46 Datenübertragungsvorrichtung

48 zentraler Server

50 Gleitlager

52 Körperschallsensor

54 Körperschallsignalempfangsmodul

56 Digitalisierungsmodul

58 T ransformationsmodul

60 lokales Übertragungsmodul

62 zentrales Übertragungsmodul

64 Autoencodermodul

66 Verschleißberechnungs- und/oder Ermüdungsberechnungsmodul