Success Story

Ein «Machine-Learning»-Algorithmus zur Erkennung fehlerhaften Betriebsverhaltens

Beurteilung reibzustandsbedingter Schallemission ermöglicht Betriebszustandsdiagnose an Gleitelementen

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.

Abbildung: AC2T research GmbH

Wirkungen und Effekte

Mit dem entwickelten ML-Algorithmus sind wir nun­mehr mit hoher Treffsicherheit in der Lage, fehler­haftes Betriebs­verhalten auf Basis der während eines tribologischen Experiments gemessenen Schallemis­sion zu erkennen. Da im Hinblick auf die eingesetzte, einfache Schall­messung keine Veränderungen am zu unter­suchen­den System vorgenommen werden müssen und ledig­lich ein Mikrofon mit entsprech­ender Mess­elektronik benötigt wird, stellt diese Heran­gehens­weise eine einfache und kostengünstige Methode dar. Diese kann in einem weiteren Schritt zur jeweiligen Online-Fehlererkennung an Systemen im Praxis­einsatz weiterentwickelt bzw. angepasst werden.

Eine effektive Fehlererkennung während des Betriebs erlaubt es, eine gefährdete Anlage rechtzeitig abzu­schalten bzw. Abhilfemaßnahmen zu ergreifen – beispielsweise das automatisierte Hinzufügen von Schmierstoff.

Dadurch können Schäden an den betroffenen Bau­teilen oder -gruppen gering gehalten werden. Dies geht mit dem Potenzial einher, Stillstandszeiten und Reparaturkosten und auch ein etwaiges Sicher­heitsrisiko erheblich zu reduzieren.

Schädigung einer Gleitbuchse durch Fressverschleiß; Foto: AC2T research GmbH

Projektkoordination (Story)

Dipl.-Ing. Dr. Josef Prost
Projektleitung
AC2T research GmbH

Partner