Bildbasiertes Condition Monitoring zur Modellierung der zeitlichen Entwicklung des Verschleißzustandes von Kugelgewindetrieben mittels Maschinellem Lernen

• Antragsteller: Professor Dr.-Ing. Jürgen Fleischer
• Fachliche Zuordnung: Produktionsautomatisierung und Montagetechnik
• Förderung: Förderung seit 2020
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 442210122

Das Forschungsvorhaben hat die bildbasierte Untersuchung und Modellierung des Verschleißzustandes von Kugelgewindetrieben mittels Methoden des Maschinellen Lernens zum Ziel. Hierbei soll die Oberfläche der Kugelgewindetriebspindel mittels Kameratechnik aufgezeichnet und die aufgenommenen Bilder mittels intelligenten Algorithmen des Maschinellen Lernens ausgewertet werden. Die Auswertung besteht aus der ortsgenauen Detektion, Klassifikation und Vermessung von Oberflächendefekten auf der Spindel. Zur Qualifizierung der Algorithmen müssen Trainingsdaten erzeugt und geeignete Modelle gebildet werden. Die Auswertung erfolgt in regelmäßigen Abständen wodurch die bildbasierte, zeitliche Beobachtung der Entwicklung der Schäden sichergestellt ist. Das Ergebnis sind ausgewertete Bildaufnahmen der Spindeloberfläche über die gesamte Betriebszeit des Kugelgewindetriebes inklusive der Entwicklung der Schäden über die Zeit. Die Korrelation dieser Auswertungen mit der Einsatzzeit des Kugelgewindetriebes erlaubt die Modellierung des Verschleißfortschrittes über die Zeit. Dem Aspekt der in technischen Anwendungen oft geringen Datenmengen soll durch die Untersuchung des Einsatzes von modernen Data Augmentation Techniken Rechnung getragen werden. Das Modell soll dann für neue Kugelgewindetriebe verwendet werden können um die Resteinsatzzeit der Komponente aus ihrem aktuellen Schädigungsbild abzuleiten. Die Validierung erfolgt mit neuen Kugelgewindetrieben und dem Abgleich der Vorhersagen des Modelles mit der realen Einsatzzeit der Komponente.

• DFG-Verfahren: Sachbeihilfen