Autor: Noushin Mokhtari Molk Abadi

Bei Getrieben der Luftfahrt ist die Schadensfrüherkennung von Verschleißkomponenten unerlässlich. Jedoch stellt die zuverlässige und effektive Überwachung hydrodynamischer Gleitlager die Luftfahrt-Industrie vor große Herausforderungen. Die in den meisten Anwendungen zum Einsatz kommenden Messgrößen sind entweder nicht ausreichend sensitiv oder erfüllen nicht die Anforderungen an begrenztem Bauraum. Die Körperschalltechnologie (engl. acoustic emission technology; kurz: AE technology) erfüllt beide Kriterien und wird daher in dieser Arbeit eingesetzt. Um die Überwachung automatisiert durchführen zu können, eignen sich Verfahren des maschinellen Lernens, welche auf Grundlage mathematischer Algorithmen Muster in einer Datenreihe erkennen und anschließend den Systemzustand eigenständig und automatisch beurteilen.Hydrodynamische Gleitlager verwenden zur Lagerung den durch die Relativbewegung zwischen Welle und Gleitlagermaterial entstehenden tragenden Schmierfilm. Versagt dieser tragende Schmierfilm durch ungünstige Betriebsbedingungen wie z. B. hohe Lasten, geringe Drehzahlen, hohe Temperaturen oder Start-Stopp-Betrieb, so kommen die Gleitpartner in Kontakt und es entsteht Misch- oder Festkörperreibung. Diese beiden Reibungszustände verursachen Verschleiß und verringern so die Lebensdauer hydrodynamischer Gleitlager. Diese Arbeit gliedert sich somit in zwei wesentliche Bereiche: Reibungsuntersuchungen zur Entwicklung eines Reibungszustandsklassifikators und Verschleißuntersuchungen zur Schätzung des aktuellen Verschleißvolumens mithilfe der AE-Analyse und maschineller Lernverfahren.Die Reibungszustände Flüssigkeits-, Misch- und Festkörperreibung werden durch geeignete Experimente unter variabler Drehzahl, Last und Temperatur an den im Rahmen dieser Arbeit entwickelten Gleitlagerprüfständen erzeugt. Die während dieser Experimenten erzeugten Muster werden anschließend durch Vorverarbeitung der AE-Signale, Merkmalsbildung aus dem Zeit-, Frequenz und Zeit-Frequenzbereich und Verwendung unterschiedlicher Klassifikatoren wie k-Nächste-Nachbar (kNN) oder Support Vektor Maschinen (SVM) der korrekten Reibungsklasse zugeordnet. Mithilfe von AE-Merkmalen und taktiler Oberflächenmessungen als Validierung wird die Möglichkeit der Überwachung von Einlaufverschleiß während Kurzeitversuchen gezeigt. Zudem werden Langzeitversuche bei konstanter Drehzahl, Last und Temperatur durchgeführt und anschließend ein Modell zur Schätzung des Verschleißvolumens anhand der AE-Analyse entwickelt. Der integrierte AE-Effektivwert (engl. Root Mean Square; kurz: RMS) wird dabei als unabhängige Variable und das Verschleißvolumen des Gleitlagers als abhängige Variable eines Regressionsmodells verwendet. Aus diesen Ergebnissen ergeben sich weitere Fragestellungen wie z. B. die Lokalisierung der Anstreifvorgänge über den Gleitlagerumfang. Dies geschieht durch die Fusionierung des AE-Signals und des Nullimpulssignals eines Inkrementalgebers sowie die Auswertung der entstehenden Amplitudenmodulation.