Da das Analysieren von Schwingungssignalen ein nicht nur zeitaufwändiger, sondern vor allem mit der Zeit langweiliger Prozess ist, haben die Gründer der GfM schon vor über 35 Jahren begonnen, die Datenanalyse zu automatisieren. Im Online-Condition-Monitoring-System Peakanalyzer der GfM kommt diese Automatisierung regelmäßig zum Einsatz. Nur so ist die kontinuierliche Online-Spektralanalyse aller Messsignale möglich, die letztlich ein Maximum an Diagnosezuverlässigkeit sichert.

Doch Voraussetzung für zuverlässiges Condition Monitoring ist eine hohe Datenqualität. Das betrifft nicht nur die Wahl der richtigen Sensoren, deren Frequenzgang und letztlich die Abtastfrequenz, sondern auch, dass deren Funktion dauerhaft gesichert ist. Sensoren selbst unterliegen in der Regel keinem relevanten Alterungsprozess. Das ist also nicht das Problem. Aber Sensoren können sich von der Maschine lösen, Sensorkabel können schädlichen mechanischen Einflüssen ausgesetzt sein und schließlich können elektrische Probleme entstehen. Wenn die Analyse von Sensorsignalen händisch durch einen Spezialisten erfolgt, wird dieser erkennen, wenn ein Signal nicht plausibel ist. Bei der vollautomatischen Maschinendiagnose muss ein Algorithmus her, der das ebenfalls automatisiert erledigt.

Schon vor Jahren hat sich die GfM dieser Herausforderung angenommen und eine Lösung gesucht. Da die GfM über einen großen Pool von bewerteten Datensätzen verfügt, lag es auf der Hand, Werkzeuge der künstlichen Intelligenz zu nutzen. Letztlich ist eine KI-basierte Plausibilitätsprüfung entstanden, die konsequent auf alle Sensorsignale angewandt wird.

Das skalierbare, maximal 64-kanalige Online-Condition-Monitoring-System Peakanalyzer ist standardmäßig mit dieser Funktion ausgerüstet. Damit wird sichergestellt, dass die ohnehin hohe Diagnosezuverlässigkeit der GfM-Systeme auch in ungünstigem Umfeld gewährleistet ist.