Fehlerdiagnoseverfahren für Wälzlager mittels FBEWT und EIRVM

Warum verborgene Lagerprobleme wichtig sind

Von Zugrädern über Förderbänder in Fabriken bis hin zu Windkraftanlagen: Zahlreiche Maschinen sind auf Wälzlager angewiesen — kleine Metallringe mit Kugeln oder Rollen, die Wellen reibungsarm drehen lassen. Beginnen diese Bauteile zu reißen oder zu verschleißen, zeigen sich frühe Warnsignale oft als sehr kleine Vibrationen, die im Rauschen verborgen sind. Werden diese Hinweise übersehen, können plötzliche Ausfälle, teure Reparaturen oder sogar Sicherheitsvorfälle die Folge sein. Dieser Beitrag stellt eine neue Methode vor, um diesen schwachen Signalen zuzuhören und Schäden an Lagern früher und zuverlässiger zu erkennen, selbst wenn die Daten verrauscht sind und die Maschinen unter variablen Lasten laufen.

Eine intelligentere Art, Schwingungsmuster zu lesen

Die Autoren konzentrieren sich darauf, wie rohe Schwingungsdaten in klare Bilder des Lagerverhaltens verwandelt und wie ein Rechner dazu gebracht werden kann, diese Bilder zu interpretieren. Anstatt sich auf feste Rezepte der Signalverarbeitung zu stützen, führen sie eine Methode namens Fourier–Bessel empirical wavelet transform (FBEWT) ein. Vereinfacht gesagt formt FBEWT die Schwingungsaufzeichnung zu einem Zeit–Frequenz-Bild um — eine Art Heatmap, die zeigt, welche Schwingungskomponenten zu jedem Zeitpunkt aktiv sind. Durch den Einsatz spezieller mathematischer Wellenformen (Bessel-Funktionen) und eine datenadaptative Anpassung trennt FBEWT überlappende Schwingungskomponenten, die bei älteren Verfahren oft vermischt werden. Das Ergebnis ist ein schärferes, klareres Bild, in dem fehlerspezifische Muster deutlicher aus dem Hintergrund hervortreten.

Bilder in charakteristische Texturen verwandeln

Sobald die Schwingungsdaten in Zeit–Frequenz-Bilder umgewandelt sind, besteht der nächste Schritt darin, kompakte numerische Fingerabdrücke zu extrahieren, die ein Klassifikator verarbeiten kann. Die Forscher tun dies, indem sie jedes Bild wie eine strukturierte Fotografie behandeln und messen, wie Helligkeitswerte über das Bild gemeinsam auftreten. Diese sogenannten Texturmaße erfassen Merkmale wie Kontrast, Glätte und Regelmäßigkeit, die die wiederkehrenden Stoßmuster widerspiegeln, die durch beschädigte Lagerflächen erzeugt werden. Im Vergleich zu einfachen Kennzahlen wie Mittelwert oder Varianz bewahren diese Texturbeschreiber mehr der feinen, lokalisierten Struktur, die mit Rissen an Innenring, Außenring oder Wälzkörpern verbunden ist.

Eine agile, schlanke Lernmaschine

Um zu entscheiden, in welchem Gesundheitszustand sich ein Lager befindet, erweitert die Arbeit ein probabilistisches Modell, das als Relevance Vector Machine (RVM) bekannt ist. Die verbesserte inkrementelle RVM (EIRVM) lernt, welche Trainingsbeispiele wirklich informativ sind, und behält nur eine kleine Teilmenge — die sogenannten Relevanzvektoren — was sowohl Speicherbedarf als auch Rechenaufwand reduziert. Entscheidend ist, dass sie sich bei neu eintreffenden Daten selbst aktualisieren kann, statt jedes Mal von Grund auf neu trainiert werden zu müssen — eine praktische Anforderung für die Online-Überwachung in der Industrie. Um die empfindlichste Einstellung zu optimieren — die Breite des Kernels, der die Ähnlichkeit zwischen Beispielen misst — verwenden die Autoren ein metaheuristisches Suchverfahren, inspiriert vom Jagdverhalten grauer Wölfe, erweitert um Elemente der Chaostheorie (CGWO). Diese geschickte Suchstrategie erkundet den Raum möglicher Parameter effizient und vermeidet ein frühzeitiges Festfahren auf suboptimalen Lösungen.

Die Methode auf die Probe gestellt

Die vorgeschlagene FBEWT–EIRVM-Pipeline wurde an mehreren weit verbreiteten Lagerfehler-Datensätzen von Laborprüfständen sowie an realen Messungen aus einer in Betrieb befindlichen Industrieanlage bewertet. In jedem Fall muss die Methode gesunde Lager von solchen mit Defekten am Innenring, Außenring oder an den Kugeln unterscheiden und dies unter unterschiedlichen Lasten sowie bei hinzugefügtem künstlichem Rauschen leisten. In allen Szenarien liefert der neue Ansatz durchweg eine höhere Klassifikationsgenauigkeit als konkurrierende Techniken, einschließlich traditioneller empirischer Wavelet-Analyse kombiniert mit Standard-RVMs und sogar modernen tiefenlernenden Kombinationen aus Faltungs- und rekurrenten neuronalen Netzen. Bemerkenswert ist, dass die Leistung nahezu unverändert bleibt, wenn starkes Rauschen in die Daten injiziert wird, was auf eine robuste Störungsresistenz hinweist.

Was das für den Alltag von Maschinen bedeutet

Für fachfremde Leser lautet die Botschaft: Diese Studie bietet ein zuverlässigeres Stethoskop für rotierende Maschinen. Indem sie klarere Bilder davon erzeugt, wie Lager vibrieren, und diese mit einem kompakten, sich selbst aktualisierenden Lernalgorithmus koppelt, kann das FBEWT–EIRVM-Framework Frühstadium-Fehler mit hoher Zuverlässigkeit erkennen, selbst wenn die Signale schwach oder verrauscht sind. Praktisch bedeutet das, dass Wartungsteams Probleme früher entdecken, Reparaturen intelligenter planen und sowohl Ausfallzeiten als auch Risiken in kritischen Anlagen — von Verkehrssystemen bis zu Kraftwerken — reduzieren können.

Zitation: Zheng, Q., Li, Y., Chen, Y. et al. Fault diagnosis method of rolling-element bearings via FBEWT and EIRVM. Sci Rep 16, 14532 (2026). https://doi.org/10.1038/s41598-026-44164-6

Schlüsselwörter: Fehlerdiagnose von Lagern, Schwingungsanalyse, Zustandsüberwachung von Maschinen, Zeit–Frequenz-Abbildung, intelligente Instandhaltung