Success Story

Tribologische Untersuchungen des Reibungs- und Verschleißverhaltens dienen dazu, mittels geeigneter Labormodelle das Verhalten von zumeist maschi­nenbaulichen Systemen oder Komponenten, beispielsweise von Bauteilen und Baugruppen in Produktions­anlagen oder Kraftfahrzeugen, mecha­nisch-dynamisch zu simulieren und zu beurteilen. Dabei können die auftretenden Verschleißmecha­nismen bzw. Reibungszustände, die u. U. zum Ver­sa­gen des Bauteils führen, unter verein­fachten, defi­nierten Bedingungen studiert und alter­native Materi­al­paarungen und Schmier­stoffe bewertet werden.

Das Versagen von derartigen Bauteilen, wie Gleit­buchsen oder Gleitführungen, tritt in vielen Fällen abrupt und ohne offensichtlichen Auslöser auf. Ein solches Versagen kann die betroffenen Bauteile bzw. das übergeordnete System zerstören und somit zu langen Stillstandszeiten und hohen Kosten für Repa­ratur bzw. Instandsetzung führen. Ebenso stellen derartige Ausfälle oftmals ein Sicherheitsrisiko dar.

Auf Basis einer geeigneten Analyse­me­thode, die in gemessenen Sensordaten, wie Kraft, Temperatur oder Schallemission, Muster erkennt, die auf baldiges Material- bzw. Systemversagen hin­deu­ten, lassen sich rechtzeitig Maßnahmen ergrei­fen, um die Zerstörung des betroffenen Bauteils zu verhindern. Neben einer Vielzahl anderer Sensoren, wie für mechanisch-dynamische Untersuchungen üblich, wurde für die projektspezifische Aufgabenstellung ein Präzisions­mikrofon verwendet, um den während der Labor­versuche an selbstschmierenden „Gleit­buchsen“ (Gleitlagern aus Bronze im Kontakt mit einer axial-oszillierenden Stahlwelle) entstehenden Luftschall aufzunehmen. Die mit dem Mikrofon aufgenom­me­nen Mess­signale wurden dazu verwendet, um ex-post einen auf neuronalen Netzen basierenden „Machine-Learning“-(ML-)Algorithmus zu trainieren, der Berei­che mit nor­malem von solchen mit fehlerhaftem Betriebs­verhalten unterscheidet.