Reduzierung der Stillstandzeiten um 42% in Kritischen Kühlsystemen durch Intelligente Schwingungsüberwachung

Kabellose Schwingungssensoren und Machine Learning enthüllten verborgene Resonanz beim Kompressorstart und ermöglichten datengesteuerte Zuverlässigkeitsverbesserungen.

Kundenprofil

Der Kunde ist eine große Lebensmittelsupermarktkette, die mehrere große Logistikzentren für die Produktverarbeitung und -verteilung betreibt.

Diese Erfolgsgeschichte findet in einem dieser Zentren statt, das der Lagerung und Verarbeitung von frischen und gefrorenen Produkten (Fleisch, Fisch, Obst und Gemüse) gewidmet ist. Alle Anlagen sind vollständig gekühlt und umfassen industrielle Kältekompressorräume, die für die Produkterhaltung und die Betriebskontinuität unerlässlich sind.

Die Herausforderung

Ein kritisches industrielles Kühlsystem erfordert eine stärkere Kontrolle über den tatsächlichen Zustand seiner Kompressoren.

Die Anlage verzeichnete konstanten Verschleiß an kritischen Komponenten, was zu Notabschaltungen führte. Die Grundursache wurde durch konventionelle Überwachung nicht erkannt.

Die Ziele waren:

• Das dynamische Verhalten der Maschine zu verstehen
• Eine Grundursachenanalyse durchzuführen
• Den Betrieb durch fortgeschrittene Schwingungsanalyse zu optimieren

Die Lösung

Ein kabelloses Schwingungsüberwachungssystem wurde implementiert, das darauf ausgelegt ist, relevante Daten nur dann zu erfassen, wenn die Maschine tatsächlich in Betrieb ist.

Sensorfähigkeiten:

• Schwingungs- und Temperaturüberwachung
• Konfigurierbare drehzahlbasierte Alarmbenachrichtigungen
• Online-Datenvisualisierung
• Simultane Datenerfassung für Modellanalysen

Implementierung

Jeder Kompressor wurde mit vier PHANTOM®-Sensoren instrumentiert, die Motor, Kompressor und Abscheider abdecken.

Täglich werden vier Schwingungsspektren für jede Maschine aufgezeichnet, was eine kontinuierliche und zuverlässige Sicht auf das dynamische Verhalten ermöglicht.

Zusätzlich wurde ein Drehzahlmesssystem (RPM) (PHANTOM® – ERBESSD INSTRUMENTS®) hinzugefügt, um die Schwingungsdaten zu ergänzen, obwohl dies optional ist.

Verhaltensmustern-Identifikation

Ein Machine-Learning-System wurde zur Erkennung von Schwingungsmodi eingesetzt.

Das bedeutet: Wenn eine Maschine beginnt, sich anders als ihr übliches Muster zu verhalten, identifiziert das System die Änderung und klassifiziert sie als neuen Betriebszustand.

Früherkennung

Das System erkannte automatisch eine Verhaltensänderung, die keinem bekannten Muster entsprach, und erzeugte eine Frühwarnung, bevor ein mechanischer Ausfall eintrat.

Nach Analyse des neuen Schwingungsmusters (Modus) wurden Resonanzfrequenzen identifiziert, die mit der Anlauframpe jedes Kompressors verbunden sind.

Ergriffene Maßnahmen

• Betriebsdrehzahlen wurden auf Basis solider Daten definiert
• Anlauframpen wurden angepasst, um Resonanzfrequenzen zu vermeiden
• Alarmkriterien wurden basierend auf normalen Betriebsbedingungen angepasst

Ergebnisse

• 42% Reduzierung ungeplanter Stillstandzeiten 2025 im Vergleich zu 2024
• Klar identifizierte Schwingungstrends
• Echtzeit-Alarme bei unerwarteten Veränderungen
• Stabiles Maschinenverhalten unter Normalbedingungen

Auswirkungen auf die Branche

Unternehmen, die vorausschauende Wartung und Zustandsüberwachung implementieren, erzielen typischerweise durchschnittliche Reduzierungen von 30-50% bei ungeplanten Stillstandzeiten.

Fazit

Das System wechselte von einem reaktiven Ansatz zu einer datengesteuerten vorausschauenden Wartung.