Reibungsanalyse von Wälzlagern mit KI Deep-Learning-gestützte Bestimmung des Reibungszustands aus Schwingungsdaten

• Laufzeit: 01.09.2025 – 31.08.2026
• Förderung: Schaeffler Future Technology Award

Auftrag

Das interdisziplinäre Forschungsprojekt untersucht, wie sich der Reibungszustand von Wälzlagern allein aus Schwingungsdaten bestimmen lässt. Das Team verbindet Expertise aus Wälzlagertechnik, Tribologie und Künstlicher Intelligenz.

Herausforderung

Wirkungsgrad, Lebensdauer und CO₂-Bilanz von Wälzlagern hängen maßgeblich von ihrem Reibungsverhalten ab. Reibmomente lassen sich zwar genau messen, im laufenden Betrieb und bei Großlagern, etwa in Windkraftanlagen, ist das jedoch aufwendig und teuer. Schwingungen sind dagegen leicht zu erfassen und werden bereits zur Schadenserkennung genutzt. Ob und wie genau sie auch Auskunft über die Reibung geben, ist bislang ungeklärt.

Lösung

Das Team untersucht brünierte und unbehandelte Lager mit konventionellen und biologisch abbaubaren Schmierfetten. Ein Rheometer misst dabei die Reibmomente, während ein faseroptisches Interferometer gleichzeitig die Schwingungen der Lager erfasst. Aus den Schwingungssignalen erzeugte Zeit-Frequenz-Spektrogramme dienen als Eingabe für speziell angepasste neuronale Netze, die den Reibungszustand vorhersagen und die Genauigkeit ihrer Vorhersage abschätzen. Langfristig soll das Verfahren eine kostengünstige Überwachung großer Wälzlager im Betrieb ermöglichen, zum Beispiel um eine beginnende Mangelschmierung frühzeitig zu erkennen.