Vibration‑basierte Predictive‑Maintenance ist kein Hexenwerk — mit einfachen Beschleunigungssensoren, etwas Elektronik und grundlegender Signalverarbeitung lässt sich ein zuverlässiges Frühwarnsystem für Lagerausfall an Mähdreschern aufbauen. In diesem Beitrag schildere ich, wie ich ein solches System praktisch umgesetzt hätte: von sensorischer Basis über Datenerfassung bis zur Auswertung und Inbetriebnahme auf dem Feld.
Warum Vibration messen, und warum gerade Lager?
Lager sind an Mähdreschern typische Verschleißstellen: starke Belastung, Schmutz, Feuchtigkeit und Unwuchten führen zu schleichendem Schaden. Bevor ein Lager blockiert, ändern sich Vibrationen charakteristisch — Amplitude steigt, bestimmte Frequenzbänder erscheinen. Durch frühzeitige Erkennung kann man teure Ausfälle und Folgeschäden vermeiden. Mit einfachen MEMS‑Beschleunigungsaufnehmern (Low‑Cost) lässt sich diese Signatur erfassen und verarbeiten.
Was braucht man an Hardware?
Die Basiskomponenten, die ich empfehle:
- Beschleunigungssensor: MEMS wie ADXL335, ADXL345, MPU6050 (beschleunigung + Gyro) oder LIS3DSH. Diese sind günstig, robust und bei 3‑Achsen‑Messung praktisch.
- Mess‑Controller: Ein Mikrocontroller wie ESP32 (integriertes Wi‑Fi, viel Rechenpower) oder ein Arduino Nano mit externem Logger. Für lokale FFT/Filterung ist ESP32 oft ausreichend.
- Datenspeicher: microSD‑Karte für Langzeitaufzeichnung oder Übertragung per LoRa/Wi‑Fi an einen Server.
- Stromversorgung: 12V auf 5V USB‑Step‑Down, mit Akku/Puffer. Wichtig sind Schutzschaltungen gegen Motor‑Störungen.
- Gehäuse und Montage: vibrationsfeste Befestigung (Madenschraube oder Magnethalter), Schwingungsdämpfende Unterlage vermeiden — Sensor muss direkt befestigt sein.
Sensorpositionierung: wo messen?
Die Auswahl der Messpunkte ist entscheidend. Ich messe an folgenden Stellen:
- direkt neben dem Lager an der Trommel/Schnecke (wenn zugänglich)
- an der Nabe des Sieb‑ oder Dreschwerks
- abgesetzte Referenz am Rahmen (für Vergleich und Umgebungs‑Noise)
Der Sensor sollte fest auf dem Metall aufgeschraubt werden. Magnetadapter sind praxisfreundlich für Tests, nachhaltige Systeme sollten verschraubt werden, damit die Übertragung der Vibrationen direkt und reproduzierbar ist.
Sampling‑Rate und Datenerfassung
Für Lagerdiagnose sind typische Frequenzen relevant: Lagerspezifische Frequenzanteile liegen oft im Bereich von einigen hundert bis wenigen tausend Hertz (abhängig von Drehzahl und Lagergeometrie). Empfehlung:
- Sampling‑Rate: mindestens 6–10 kHz, wenn möglich 4× der höchsten erwarteten Frequenz (Nyquist). Viele MEMS liefern aber nur 1–3 kHz; das reicht oft für frühe Erkennung, aber nicht für detailreiche Wälzlageranalyse.
- Bit‑Tiefe: 12–16 Bit sind sinnvoll; viele MEMS liefern 12 Bit intern.
- Fenstergröße: 1–2 Sekunden Rohdaten sind ein guter Kompromiss für FFT‑Analysen.
Signalaufbereitung: Filter, RMS, FFT, Envelope
Die rohe Beschleunigungsmessung ist selten sofort interpretierbar. Ich nutze folgende Verarbeitungsschritte in der Firmware oder auf dem Server:
- DC‑Entfernung (High‑Pass etwa 1 Hz) — entfernt Lageänderungen.
- Bandpass (z. B. 50–3000 Hz) — begrenzt auf interessante Bereiche und reduziert Motorgrundrauschen.
- RMS‑Berechnung über Zeitfenster — einfache Kennzahl für Zustand.
- FFT zur Frequenzanalyse — Lagerprobleme zeigen sich als Peaks bei charakteristischen Wälzfrequenzen oder breitbandigem Rauschen.
- Envelope‑Detection (Hüllkurvendemodulation) — besonders sensitiv für frühe pitting‑Schäden an Kugel‑/Zylinderlagern.
Ich implementiere oft eine lokale Auswertung auf dem ESP32: RMS + einfache FFT. Nur bei Auffälligkeiten werden vollständige Rohdaten für eine tiefere Analyse per Wi‑Fi oder SD‑Karte übertragen.
Wie ermittelt man Warnschwellen?
Typische Methoden:
- Baseline‑Messung: vor der Saison mehrere Laufzyklen im guten Zustand aufzeichnen, um Mittelwerte und Standardabweichung zu bestimmen.
- Alarmlogik: RMS > Baseline + 3×StdDev oder persistenter Anstieg über X Messungen.
- Frequenzbasierte Schwellen: ein bestimmter Peak (z. B. bei der Ballenfrequenz des Lagers) übersteigt einen Multiplikator.
Wichtig: Maschinenzustände (Leerlauf vs. Volllast) beeinflussen Vibration — Alarme sollten lastabhängig bewertet werden oder nur bei ähnlicher Betriebsbedingung verglichen werden.
Kommunikation und Visualisierung
Für die Praxis bevorzuge ich zwei Ansätze:
- Edge‑First: Lokale Analyse, nur Alarm/Journey‑Daten senden per LoRa oder NB‑IoT an ein Gateway. Vorteil: geringer Datenverbrauch, schnelle Warnung.
- Cloud‑Logging: Periodische Übertragung kompletter Daten via Wi‑Fi/4G an einen Server (z. B. InfluxDB + Grafana). Vorteil: Langzeitarchive, tiefere Analysen.
Für die Werkstatt nutze ich gern Grafana‑Dashboards; auf dem Feld ist eine SMS/Telegram‑Benachrichtigung bei Alarm praktisch. ESP32 + MQTT an einen lokalen Raspberry Pi ist eine kostengünstige Lösung.
Robuste Montage und Elektrische Störfestigkeit
Praxisnahe Tipps, die oft vergessen werden:
- Abschirmung und Kurzstreckenverdrahtung: Signalleitungen nicht längere Strecken ohne Abschirmung führen.
- EMV‑Filter bei 12V‑Versorgungen: Hall‑Effekte und Störungen vom Mähdrescher‑Antrieb reduzieren.
- Gehäuse IP65/IP67, Massepunkt sorgfältig angebracht.
- Temperatur: Sensoren und Elektronik sollten auch bei -20 bis +70 °C funktionieren — Auswahl beachten.
Praktische Testreihe: Vorgehensweise
So würde ich systematisch vorgehen:
- Baseline auf neuem oder überholtem Lager aufnehmen (verschiedene Drehzahlen, Lasten).
- Schrittweise künstliche Defekte simulieren (kleine Unwucht, leichtes Spiel), um Signaturen zu lernen.
- Sensorpositionen vergleichen und festlegen.
- Firmware mit Threshold‑Logik einrichten; Feldtests über mehrere Tage.
- Alarme validieren: Prüfung vor Ort, evtl. Ausbau und Kontrolle des Lagers.
Sensoren im Vergleich
| Sensor | Typ | Vorteile | Nachteile |
|---|---|---|---|
| ADXL345 | 3‑Achsen MEMS | Günstig, I2C/SPI, robust | Begrenzte Bandbreite (~3kHz) |
| MPU6050 | 3‑Achsen + Gyro | Integriert, günstig | Gyro oft unnötig; Temperaturdrift |
| IEPE/Brüel & Kjær | Piezo (industr.) | Hohe Empfindlichkeit, hoher freq. Bereich | Teuer, benötigt Verstärker |
Häufige Fehler und Fallstricke
Aus meiner Erfahrung sind die häufigsten Ursachen für fehlerhafte Aussagen:
- schlechte Montage/lose Sensoren — Messfehler
- nicht berücksichtigte Maschinenzustände (z. B. Dreschgang vs. Transport)
- ungenügende Samplingrate für die zu detektierenden Phänomene
- fehlende Baseline und damit falsche Alarmgrenzen
Weiterführendes: Algorithmen und KI
Für Fortgeschrittene lohnt sich Machine Learning: einfache Klassifikatoren (SVM, Random Forest) auf extrahierten Merkmalen (RMS, Crest Factor, Band‑Energien) liefern oft bessere Trefferquoten als reine Schwellen. Deep Learning auf Rohdaten ist möglich, benötigt aber viele gelabelte Ausfallbeispiele — das ist in der Landwirtschaft oft der begrenzende Faktor.
Wenn Sie möchten, kann ich Ihnen ein Beispiel‑Codepaket für ESP32 + ADXL345 mit CSV‑Export und einem einfachen FFT‑Routine zusammenstellen — inklusive Empfehlungen für Schwellen und ein Testprotokoll für Ihre Mähdrescher‑Modelle.
