Klassifizierung von Verschleißmerkmalen bei geschmiertem Gleitverschleiß auf der Grundlage von Zeitreihensensorsignalen mit Hilfe künstlicher Intelligenz

• Antragstellerinnen / Antragsteller: Dr.-Ing. Stefanie Hanke; Dr.-Ing. Philipp Maximilian Sieberg
• Fachliche Zuordnung: Mechanische Eigenschaften von metallischen Werkstoffen und ihre mikrostrukturellen Ursachen
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 525173005

Reibung und Verschleiß verursachen auch heute noch hohe wirtschaftliche Verluste in Bezug auf Energie und Ressourcen. Ein geschätzter Wert für reibungs- und verschleißbedingte Verluste liegt bei ≈23 % des weltweiten Energieverbrauchs. Während davon ausgegangen wird, dass Reibung wesentlich höhere direkte Kosten verursacht als Verschleiß, sind die negativen Auswirkungen des Verschleißes schwieriger zu beschreiben - sie umfassen u.a. die Umweltbelastung und die Ausfallzeiten von Anlagen.Reibung an gleitenden, kontaktierenden Oberflächen verringert in der Regel den Wirkungsgrad des technischen Systems. Reibungsenergie wird teilweise in Wärmeenergie umgesetzt und ermöglicht die Bildung von Verschleißpartikeln. Darüber hinaus ergeben sich Wechselwirkungen mit dem dynamischen Verhalten (Steifigkeit, Trägheit) des technischen Systems, in dem die Reibung auftritt. Während ein starker Einfluss von Materialreaktionen - einschließlich Verschleiß - auf den Reibungskoeffizienten nachgewiesen ist, wurde bis heute keine grundlegende und allgemeine Korrelation zwischen Reibungssignal und Verschleißmechanismen gefunden, aufgrund der großen Anzahl der wirkenden Einflussparameter in unterschiedlichen Tribosystemen. Dennoch ist es für die Einleitung von Maßnahmen zur Verschleißminderung wichtig, die Verschleißmechanismen zu verstehen. Die Verwendung einfach zu messender Größen wie der Reibkraft, der Temperatur oder der Vibrationen einer Maschine zur Identifizierung der in einem Tribosystem ablaufenden Verschleißmechanismen - in Zukunft auch im laufenden Betrieb - ist äußerst wünschenswert.Neuartige, datengetriebene Methoden sind eine vielversprechende Möglichkeit, die intrinsische Komplexität von tribologischen Problemen anzugehen. Hierzu zählen Methoden der Künstlichen Intelligenz (KI) und des Maschinellen Lernens.In diesem Projekt wird untersucht, wie zuverlässig eine KI charakteristische Kombinationen von wirkenden Verschleißmechanismen und die daraus resultierenden Verschleißvolumina klassifizieren kann, basierend auf Normal- und Reibkraft, dem Temperaturverlauf oder der auftretenden hochfrequenten Beschleunigungen in zwei unterschiedlichen Tribometern.Um diese Ziele zu erreichen, wird eine hohe Anzahl von tribologischen Tests so zielgerichtet durchgeführt, dass sie bis zu 5 Klassen von Verschleißmerkmalen und Verschleißvolumina zum Training der KI liefern. Ihre Anwendung auf ungesehene Daten wird zeigen, welches Potential KI bietet um grundlegende Verschleißmerkmale unter Gleitverschleiß von Metallen, und in Zukunft möglicherweise auch einzelne Verschleißmechanismen, zu klassifizieren.

• DFG-Verfahren: Sachbeihilfen
• Großgeräte: Tribometer
• Gerätegruppe: 2930 Härteprüfmaschinen, Reibungs- und Verschleiß-Prüfmaschinen