HERZOG präsentiert einen neuen sensorbasierten Ansatz zur Überwachung des mechanischen Zustands des HP-SST Siebturms. Die Lösung sorgt für reproduzierbare Siebergebnisse, ermöglicht frühzeitige Fehlererkennung und erhöht die Prozesssicherheit in automatisierten Laboren.
Die Partikelgrößenanalyse spielt eine entscheidende Rolle in der Eisenerzaufbereitung, da sie direkt Einfluss auf Prozesssteuerung, Anlagenperformance und Produktqualität nimmt. Der HP-SST Siebturm hat sich weltweit als Industriestandard etabliert, da er normkonformes Sieben nach ISO 3082 und ISO 4701 ermöglicht und nahtlos in automatisierte Laborumgebungen integriert werden kann. Voraussetzung für eine hohe Screening-Effizienz ist jedoch ein stabiler, dreidimensionaler Schwingungsverlauf. Schon geringfügige mechanische Veränderungen – etwa gelockerte Bodenverschraubungen, Verschleiß am Exzenter, Fehlausrichtung oder Unwucht – können das Bewegungsverhalten beeinflussen und damit die Genauigkeit der Siebanalyse mindern.
Um diese Veränderungen frühzeitig sichtbar zu machen, hat HERZOG ein sensorbasiertes Tool-Condition-Monitoring entwickelt. Ein 3D-Beschleunigungssensor, der direkt am Schwingrahmen des HP-SST montiert wird, erfasst die kinematischen Bewegungsdaten während kurzer Idle-Runs unter realen Betriebsbedingungen. Die Daten werden über die PLC aufgezeichnet und in PrepMaster Analytics analysiert. Dabei entstehen charakteristische Beschleunigungsmuster, die das Verhalten der Maschine im Normalzustand präzise beschreiben. Bereits leichte Abweichungen vom Referenzmuster – wie sie etwa durch unzureichende Bodenverankerung simuliert wurden – zeigen deutliche Veränderungen sowohl in der x/y-Rotation als auch in der x/z-Schwingung. Diese zusätzlichen vertikalen und lateralen Bewegungen wirken sich unmittelbar auf die Wurfparabel der Partikel, die Lockerung des Materialbetts und die Trennschärfe aus. Dadurch sinkt die Wahrscheinlichkeit, dass Grenzpartikel die Sieböffnungen erreichen, während gleichzeitig das Risiko verstopfter Aperturen steigt und feinere Fraktionen möglicherweise unterschätzt werden.
Durch die Einbettung in PrepMaster Analytics wird aus der Einzelmessung ein leistungsfähiges Zustandsmonitoring. Das System führt automatisch regelmäßige Idle-Runs durch, bewertet die Sensormuster mittels statistischer Prozesskontrolle und kann optional durch KI-Modelle ergänzt werden, die für die Erkennung typischer Anomalien trainiert sind. So lassen sich mechanische Abweichungen erkennen, bevor sie zu Messfehlern, Prozessinstabilitäten oder ungeplanten Stillständen führen. Dies sorgt für mehr Betriebssicherheit, geringere Messunsicherheiten und eine gleichbleibend hohe Qualität der Partikelgrößenanalyse im Hochdurchsatzlabor.
Lesen Sie jetzt die Application Note 69 und erfahren Sie, wie Sie mit sensorbasierter Zustandsüberwachung und intelligentem Monitoring Ihre Automatisierung auf das nächste Level heben können.
