Elke Zöbinger

• Neue akademische Richtungen wie Data Science treiben den Wandel in vielen Bereichen voran und eröffnen neue Möglichkeiten in verschiedenen technologischen Bereichen, wie z.B. der industriellen Instandhaltung. Daher ist die Analyse von Daten zur Vorhersage von kritischen Zuständen technischer Anlagen zu einem zentralen Bestandteil für die Aufrechterhaltung von Qualität und Quantität in der Produktion geworden. Elektromotoren sind das Kernelement vieler Industrieanlagen und ihr Versagen kann enorme Schäden verursachen. Deshalb ist es wichtig, dass Fehler im Voraus mithilfe eines Datenmodells entdeckt werden. Das Ziel dieser Arbeit ist es, für die Etablierung dieses Modells die notwendigen Daten in geeigneter Qualität zu liefern. Zunächst wurden die kritischen Bauteile von Frequenzumrichter gespeisten Motoren untersucht, wobei sich die Lager als die kritischen Teile erwiesen, da ihr Zustand als aussagekräftig für den Zustand des Motors angesehen wird. Schwingungs- und Temperaturmessungen, welche die Lagerzustände am besten abbilden, sind die am besten geeigneten Sensoren für deren Überwachung. Darüber hinaus sind Maschinensteckbriefe, die spezifische Informationen über die Anlage selbst, ihre Prozesse und ihre Umgebung enthalten, für die Analyse ihrer Messungen unerlässlich. Basierend auf diesen Erkenntnissen wurden verschiedene Schwingungssensoren für unterschiedliche Anwendungsszenarien ausgewählt und in die Datenbank integriert. Die Konfiguration dieser Sensoren wurde validiert und justiert und die essenziellen Informationen für das Modell zusammengefasst. Als Ergebnis werden die korrekten Messwerte in der Datenbank gespeichert und zusätzliche Informationen bereitgestellt. Darüber hinaus wurden die Informationen für die Umsetzung von Predictive-Maintenance Modellen festgehalten. Diese Arbeit dient als Leitfaden für die Realisierung von Predictive Maintenance für Motoren sowie zur Sicherstellung der Datenqualität in der Feldebene.
• New academic fields like Data Science drive transitions in many areas and establish new opportunities in various technological fields, such as industrial maintenance. Thus, analyzing data to predict critical conditions of technical equipment preventing failures in advance has become an integral part in sustaining the quality and quantity of production. Motors are at the core of many industrial plants and its malfunction can induce huge damages. Therefore, it is vital that failures are discovered proactively by using a data model. The aim of this thesis is to deliver the necessary data for this model in appropriate quality required to establish such. Firstly, the critical parts of inverter fed motors were investigated and bearings proved to be the most critical part, since their condition is seen as meaningful for the motor’s state. Vibration- and temperature measurements, which best represent bearing conditions, are the most appropriate sensors for their monitoring. Additionally, data profiles containing specific information about the plant itself, its processes and surroundings are essential for analyzing their measurements.