„Kunden kommen zu uns, weil wir sie mit unseren Produkten und Dienstleistungen dabei unterstützen, zuverlässiger, nachhaltiger und leistungsstärker zu arbeiten“, sagt Bernie Van Leeuwen. Er ist Leiter des SKF Research & Technology Developments. „In der Regel bekommen sie auch, was sie suchen.“ Mehr als 90 Prozent der Lager halten länger als die Maschinen, in die sie eingebaut sind.
„Wir konzentrieren uns aber auch stark auf die Lager, die irgendwann im Einsatz ausfallen“, erklärt Van Leeuwen. „So haben wir über die Jahre Modelle entwickelt, mit denen wir deren Lebensdauer unter bestimmten Betriebsbedingungen ermitteln können, bevor erste Ermüdungserscheinungen auftreten.“ In der Praxis sieht das jedoch meist anders aus. „Kamen die defekten Bauteile von den Kunden an uns zurück, stellten wir durch Analysen fest, dass sich in neun von zehn Fällen die erwarteten Betriebsbedingungen geändert hatten“, sagt Van Leewen. „Dazu gehören Schmierstoffmangel, Verunreinigung, Korrosion oder Schäden durch Streuströme.“ Da die Maschinen auch unter schwierigen Bedingungen funktionieren müssen, lässt sich dies nie ausschließen. „Wenn es uns jedoch gelingt, sie sicher vorherzusagen, können wir ihre Folgen verringern“, erklärt der Experte. „Es ist wesentlich wirtschaftlicher, ein Lager während einer geplanten Überholung auszutauschen, als eine Fertigungsstraße für Notreparaturen anzuhalten.“ Deshalb arbeitet SKF daran, die Vorhersagbarkeit zu optimieren.
Erkennen, Diagnose und Prognose
Gibt es ein Problem oder besteht die Möglichkeit eines Problems mit meiner Maschine? Welche Ursache liegt dem Problem zugrunde? Kann ich meine Maschine bis zum nächsten geplanten Wartungsintervall weiter betreiben? Kann ich irgendetwas tun, um sie am Laufen zu halten? „Um diese Fragen zu beantworten, müssen wir oft ganz neue Technologien heranziehen“, beschreibt der SKF Experte. „Oft hilft es aber auch, gut etablierte Konzepte auf neue Art und Weise anzuwenden.“ Das gilt z.B. für Lagerprüfungen.
In ihren Laboren betreibt SKF weltweit zahlreiche Lagerprüfstände. Hier laufen die Produkte bis zum Totalausfall. Die Techniker bekommen dadurch ein besseres Verständnis für Ausfallmechanismen und können so mathematische Modelle verifizieren. „Diese Prüfverfahren sind recht simpel“, sagt Van Leeuwen. „Wir lassen den Prüfstand so lange laufen, bis wir ein Problem beim Lager erkennen. Für unsere Prognosen benötigen wir aber eine andere Art von Prüfung: Sie muss dort ansetzen, wo eine herkömmliche Prüfung endet.“ Damit kann SKF analysieren, wie sich ein Schaden in einem Lager entwickelt und wie schnell sich kleine Fehler zu großen Problemen auswachsen.
Ein neues Testzentrum entsteht
Dazu errichtet SKF derzeit ein Technologiezentrum im niederländischen Houten. „Die Prüfstände im neuen Zentrum tragen den Namen ‚Bearing Rigs for Accelerated Verification Experiments‘ (Brave). Sie simulieren die Arten von möglichen Bedingungen, wie sie in der Praxis zu finden sind“, erklärt Van Leeuwen. „Auf unseren Prüfständen können wir bewusst Lagerschäden erzeugen, beispielsweise durch Korrosion, Schmierstoffmangel, Verunreinigung oder elektrische Ströme. Zudem können wir beobachten, wie sich verschiedene Belastungen und Drehzahlen auf die Ausbreitung der Lagerschäden auswirken.“
Sehr viel Raum bei SKF nehmen aktuell die Themen Künstliche Intelligenz (KI) und Maschinelles Lernen ein. Im vergangenen Jahr hat SKF ihre KI-Gruppe weiter verstärkt. Inzwischen passen die Spezialisten Systeme und Prozesse in der gesamten Organisation daraufhin an. „Z.B. können unsere neuesten Prüfstände mit einer höheren Frequenz wesentlich mehr Daten erfassen als ihre Vorgänger“, beschreibt Van Leeuwen. „Wir speichern die Informationen in unserer Cloud, damit Teams weltweit darauf zugreifen können. Sie können so ihre Algorithmen trainieren und neue Ideen ausprobieren.“ Außerdem wenden sie auf dieser Basis automatische Analysen an. „Ein sehr gutes Beispiel hierfür ist ein laufendes Projekt aus unserem Rekonditionierungsgeschäft“, sagt der Experte. Stahlwerke setzen in ihrer Fördertechnik viele Lager ein. Aufgrund der Größe und Kosten der Bauteile eignen sie sich zur Rekonditionierung. Doch was ist, wenn ein Fehler zu lange nicht erkannt wird, ist es dann überhaupt noch möglich? „Bisher konnten wir das erst feststellen, wenn das Lager bei uns eintraf“, schildert er die Ausgangssituation. Um einen unnötigen Transport zu vermeiden, erprobt SKF ein automatisches Bilderkennungssystem. Die Lager werden beim Ausbau vom Kunden fotografiert. Das System analysiert anschließend ihren Zustand und stellt eigenständig fest, ob es sich instandsetzen lässt. Der Kunden erhält damit einen klaren Mehrwert, denn er bekommt einen Bericht über die mögliche Ursache des Schadens. „Einer der interessantesten Aspekte der Arbeit mit Big-Data und KI ist die Art und Weise, wie diese sich gegenseitig ergänzen“, sagt Van Leeuwen. „Dank der Kombination aus Daten von unseren neuen Prüfständen, von Sensoren an Kundenmaschinen und von Bildern beschädigter Lager können wir unsere Algorithmen und mathematischen Modelle ständig verfeinern und optimieren.“ Besonders in der Erkennung und Diagnose sind SKF bereits einige Durchbrüche gelungen. Diese Verfahren werden heute schon bei ausgesuchten Kunden eingesetzt. Angesichts der zunehmenden Zuverlässigkeit und Anwendbarkeit der Methoden plant SKF, in den kommenden Monaten und Jahren neue Werkzeuge, Produkte und Dienstleistungen anzubieten.
