Viele Tribosysteme sind für lange Betriebsdauern ausgelegt. Daher ist eine zuverlässige automatische Zustandsüberwachung notwendig, um kritische Betriebszustände rechtzeitig zu erkennen. Am Beispiel von porösen Gleitlagern haben Experten von AC²T einen neuen Machine Learning-Ansatz zur Klassifizierung der Betriebszustände eines Tribosystems entwickelt, der kürzlich im Artikel „Classification of operational states in porous journal bearings using a semi-supervised multi-sensor Machine Learning approach“ in der Fachzeitschrift Tribology International veröffentlicht wurde.
Der vorgestellte Algorithmus für maschinelles Lernen ist in der Lage, zwischen den vier Zuständen ‚Einlauf‘, ‚stabil‘, ‚Vibration‘ und ‚kritisch‘ zu unterscheiden. Kritische Betriebszustände, die auf einen bevorstehenden katastrophalen Ausfall hindeuten, wurden bis zu 50 Stunden vor der Auslösung eines herkömmlichen, schwellwertbasierten Alarms vorhergesagt. Ein solcher Algorithmus kann eine vorausschauende Wartungsstrategie unterstützen, da er in ein Online-Überwachungstool integriert werden kann, das die Klassifizierung des Betriebszustands in Echtzeit ermöglicht.
Zum ersten Mal wurde bei AC²T ein 3D Laser-Doppler-Vibrometer eingesetzt, um die Hauptschwingungszustände des Testaufbaus zu ermitteln. Detaillierte Kenntnisse des dynamischen Verhaltens sind entscheidend für ein tieferes Verständnis der Ursachen der Betriebszustände eines Tribosystems.
Für weitere Informationen siehe https://doi.org/10.1016/j.triboint.2023.108464
Freier Download bis zum 25. Mai 2023 unter https://authors.elsevier.com/c/1gsmY,6t04LOoL