beArIngs
KI-basierte Verschleißüberwachung von Gleitlagern in dynamisch arbeitenden Maschinen
Motivation
In Antriebssträngen im Bereich der erneuerbaren Energien, z.B. in Wind- und Wasserkraftanlagen, werden Gleitlager eingesetzt. Diese sind verschleißanfällig. Aufgrund des multivariaten Verschleißverhaltens und der stochastischen Betriebsbedingungen der Gleitlager in diesen Anwendungen gibt es bis heute keine Methode für eine zuverlässige Verschleißvorhersage. Es wurden vielversprechende, physikalisch basierte Ansätze entwickelt und validiert. Diese Modelle sind jedoch nur genau, wenn die Betriebsbedingungen einer bestimmten Maschine berücksichtigt werden. Außerdem sind diese numerischen Ansätze sehr zeitaufwendig, was ihre direkte Integration in die Zustandsüberwachung erschwert. Im Gegensatz dazu zeigen Ansätze des Machine Learning vielversprechende Ergebnisse unter stationären Betriebsbedingungen. Für einen dynamischen Betrieb, wie er in der Realität häufig zu beobachten ist, wurden geeignete Modelle weder entwickelt noch validiert. Dies ist einerseits auf die fehlenden Daten und anderseits auf das fehlende physikalische Verständnis der zugrundeliegenden Prozesse zurückzuführen.
Zielstellung
Ziel dieses Projekts ist es, eine Methode zu entwickeln, die Informationen aus Sensormessungen und Informationen aus physikalisch basierten Gleitlagersimulationen kombiniert, um den Verschleiß für dynamisch betriebene Gleitlager mit Hilfe von Methoden des maschinellen Lernens vorherzusagen.
Laufzeit
01.09.2022 – 28.02.2023
Gefördert durch
- Bundesministerium für Bildung und Forschung (BMBF)
- Ministerium für Kultur und Wissenschaft des Landes Nordrhein-Westfalen (MKW) im Rahmen der Exzellenzstrategie von Bund und Ländern
Projektträger
- ERS - Exploratory Research Space
Weitere Informationen