Extension of durability theory through correlation of wear with acoustic emission to the characteristic values of the ball screw drive
Final Report Abstract
Im Rahmen des hier untersuchten Forschungsvorhabens wurde das Potential von AE Analyse für den KGT untersucht. Zunächst wurden die Verschleißszenarien Pitting, Abrasiv-Partikel und Mangelschmierung an Wälzkörpern von Axiallagern untersucht (als geometrisch und kinematisch ähnliche Komponente). Alle drei Szenarien konnten mit Hilfe der AE Überwachung detektiert werden. Für die Betrachtung am KGT wurde zusätzlich das Szenario Vorspannungsverlust betrachtet. In den zugehörigen Versuchsreihen konnte besonders die Eignung für Abrasiv-Partikel und Mangelschmierung festgestellt werden. AE qualifiziert sich damit als Zustandsüberwachungssystem am KGT für verschiedene Verschleißerscheinungsformen (Schadensbilder). Als statische und dynamische Kennwerte des KGT wurden Steifigkeit und Reibmoment (bzw. Reibkraft) erfasst und mit AE Merkmalen verglichen. Die Kennwerte wurden zunächst für zwei Zustände (Ausgangszustand und verschlissener Zustand mittels Abrasivmedium) ausgewertet. Im Rahmen des Arbeitsprogramms wurde eine Auswertemethodik entworfen, die automatisiert erfolgversprechende Merkmale ermittelt und diese dann einer nachgelagerten Korrelation und schließlich Klassifikation zugeführt. Dabei wurde auf den Laplace-Score als Verfahren zur Merkmalsselektion zurückgegriffen. Mit Hilfe dieser Auswertung konnten Vorspannungsstufen C0, C2 und C3 eindeutig unterschieden werden, wenn die gleiche Randbedingung während der Fahrt vorliegt. Werden Randbedingungen wie Drehzahlen und Kräfte und Verschleißszenarien kombiniert betrachtet, nimmt die Klassifikationsgüte ab. Die Merkmalsräume der Klassen können sich dann überschneiden. Eine Korrelation des AE Signal mit den Verschleißkennwerten für die Lebensdauer ist jedoch eindeutig gegeben, es bedarf nur der Auswertung innerhalb von Referenzfahrten mit bekannten Randbedingungen. Eine Unterscheidung der Verschleißmechanismen auf Basis der extrahierten AE Merkmalen ist apriori nicht möglich gewesen. Die per AE detektierten Charakteristika einem Verschleißmechanismus zuzuordnen gestaltete sich als schwierig, zumal die Mechanismen nicht einzeln auftreten. In den Ermüdungslebensdauerversuchen konnte daher kein Merkmal festgestellt werden, das direkt mit der Versuchsdauer bzw. Lebensdauer korreliert. Es wurde lediglich ein Merkmalsdrift festgestellt, der per Schwellwertüberschreitung im Betrieb einen Alarm auslösen könnte. Diese Problematik wurde bereits für andere Maschinenkomponenten im Stand der Technik dokumentiert. Bisher ist AE daher ohne gelabelte Trainingsdaten bzw. Referenzversuche, aufgrund des hohen Modellierungs- und Experimentaufwands, besser für die reine Anomaliedetektion als für Klassifikation von spezifischen Schadensbildern geeignet. Gleichwohl bleibt der Einsatz am KGT vielversprechend, da AE bei einer Vielzahl relevanter Defekte emittiert wird. Durch Kombination mit anderen Daten (Antriebsdaten wurden bereits erwähnt) kann das Verfahren eine robustere und spezifischere Aussage über den Komponentenzustand liefern.
Publications
- (2020), „Autoconfiguration of a Vibration-Based Anomaly Detection System with Sparse a-priori Knowledge Using Autoencoder Networks“ in Production at the leading edge of technology. Proceedings of the 10th Congress of the German Academic Association for Production Technology (WGP), Dresden
Hillenbrand, J. & Fleischer, J.
(See online at https://doi.org/10.1007/978-3-662-62138-7_52) - (2021), „Unsupervised Detection of State Changes During Operation of Machine Elements“, Journal of Machine Engineering, S. 35–46
Hillenbrand, J. & Fleischer, J.
(See online at https://doi.org/10.36897/jme/136311) - (2021). Investigation of Defects in Roll Contacts of Machine Elements with Acoustic Emission and Unsupervised Machine Learning. In IOP (Hrsg.), IOP Conference Series: Materials Science and Engineering (MSE). IOP Conference Series: Materials Science and Engineering (Bd. 1193)
Hillenbrand, J., Detroy, J., Fleischer, J., Hillenbrand, J., Detroy, J. & Fleischer, J.
(See online at https://doi.org/10.1088/1757-899X/1193/1/012085)
