Schmieröle sind entscheidend für die Minimierung von Reibung und somit für die Energieeffizienz und den sicheren Betrieb von Produktionsanlagen. Im Laufe der Anwendung nimmt ihre Leistungsfähigkeit aufgrund von Alterung, Additivabbau und der Entstehung von Fremdstoffen ab. Dies führt zu Maschinenstillständen, wenn das Öl nicht rechtzeitig ersetzt wird. Derzeit wird versucht, durch regelmäßige Laboranalysen den Ausfall zu verhindern. Diese bieten jedoch keine Echtzeitüberwachung oder Vorhersage des optimalen Ölwechselzeitpunkts und sind kosten- sowie personalintensiv.
Ziel von SmartGear war die Entwicklung eines sensorbasierten Echtzeitsystems zur vorausschauenden Wartung von Getrieben. Unter Verwendung von föderalem Lernen mit Machine-Learning-Modellen, verteilt auf einer abgesicherten Edge-Cloud-Architektur, sollten die Ölwechselintervalle optimiert werden. Im Sinne einer nachhaltigen, ressourcenschonenden Wirtschaft werden mit diesem System Analysen reduziert und gleichzeitig die Lebensdauer eines Schmieröles optimal ausgenutzt.
rechts: Verteilte Systemarchitektur für maschinelles Lernen am Beispiel vorausschauender Wartung von Getriebeölen (Quelle: Fraunhofer-Institut für Elektronische Mikrosysteme und Festkörper-Technologien EMFT und Hochschule für angewandte Wissenschaften München)
Zunächst wurden die relevanten Parameter wie Wassergehalt, Gesamtsäurezahl, Additive und Öltemperatur als entscheidende Indikatoren für die Ölalterung identifiziert. Eine Versuchsreihe, welche die Ölalterung durch das Mischen von neuem, künstlich gealtertem und Öl simuliert, wurde an einem hierfür entwickelten, mit Sensoren ausgestatteten Labor-Evaluierungsprüfstand zur Generierung von Trainingsdatensätzen durchgeführt. Eine Software zur vorausschauenden Wartung bestehend aus Anomalieerkennung, Modellen zur Abschätzung des aktuellen Ölzustands und der Restlebensdauer wurde implementiert, mit den Versuchsdaten trainiert und anhand einer Feldversuchsanlage erfolgreich im realen Einsatz validiert.
