Adaptive Schadensakkumulation und Restlebensdauerprognose für Zahnradgetriebe

• Antragsteller: Professor Dr.-Ing. Karsten Stahl
• Fachliche Zuordnung: Konstruktion, Maschinenelemente, Produktentwicklung
• Förderung: Förderung von 2020 bis 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 448253450

Die meisten heutzutage eingesetzten Maschinen und Maschinenelemente sind für eine endliche Betriebsdauer ausgelegt. Dies eröffnet erhebliches Potential für Effizienzsteigerung, Kostenreduktion und Verbesserung der CO2-Bilanz. Jedoch ist der langfristige Betrieb mit der zunehmenden Wahrscheinlichkeit eines Schadens verbunden. Insbesondere, wenn der Ausfall der Maschine gefährdend für Mensch oder Umwelt ist oder einen hohen wirtschaftlichen Schaden verursacht, entsteht hierdurch ein Zielkonflikt aus steigendem Ausfallrisiko und frühzeitiger Außerbetriebsetzung. Um diesen Konflikt aufzulösen, ist eine Methodik wünschenswert, die es ermöglicht mit möglichst geringem Aufwand die verbleibende Lebensdauer und den aktuellen Gesundheitszustand einer Maschine laufend abzuschätzen.Zahnradgetriebe sind elementarer Bestandteil vieler technischer Anlagen und Systeme, wie Roboter, Windkraftanlagen oder Kraftfahrzeuge mit elektrischem oder verbrennungsmotorischem Antrieb. Herzstück dieser Getriebe ist die Verzahnung, deren Schaden meist zum Ausfall des gesamten Getriebes führt. Die Betriebsfestigkeit befasst sich seit Langem mit der Dimensionierung von Zahnrädern entsprechend der zu erwartenden Belastungen und der geforderten Lebensdauer. Während des Betriebs ist es bisher kaum möglich, die hierzu erforderlichen Annahmen zu überprüfen. Im Rahmen des beantragten Forschungsvorhabens soll deshalb eine Methodik erarbeitet werden, die es ermöglicht, die Restlebensdauer und den Gesundheitszustand von Verzahnungen laufend während des Betriebs zu prognostizieren. Das grundlegende Konzept soll hierbei so ausgestaltet werden, dass eine Übertragung der gewonnenen Erkenntnisse auch auf andere Maschinenelemente gut möglich ist.Durch die immer weiter zunehmende Verbreitung von Sensorik in Maschinen, stehen immer mehr Betriebsdaten zur Verfügung. Im Rahmen dieses Vorhabens soll das Potential unter-sucht werden, das die Auswertung dieser Daten vor allem für große Maschinenparks birgt. Hierzu sollen Big-Data-Ansätze und Machine-Learning eingesetzt werden. Durch geplante Versuchsreihen an Verzahnungen ist es geplant, eine im Rahmen des Vorhabens entworfene Restlebensdauerprognose, welche in weiten Teilen auf Machine-Learning basieren soll, zu validieren und dadurch das Potential von solchen neuartigen Ansätzen in der Betriebsfestigkeit zu beleuchten. Eine so ausgestaltete Restlebensdauerprognose kann final Ressourcenverschwendung entgegenwirken und die Sicherheit technischer Anlagen weiter steigern.

• DFG-Verfahren: Sachbeihilfen