MeLD – Machine Learned Dynamics: Berücksichtigung des dynamischen Verhaltens von Käfigen mittels maschinellen Lernens im Auslegungsprozess von Wälzlagerungen

Ziel des Forschungsvorhabens MeLD war daher die Entwicklung einer Vorgehensweise zur Nutzung von Methoden des maschinellen Lernens für die Auslegung von Wälzlagerkäfigen hinsichtlich der dynamischen Eigenschaften. Ensemble Methoden und künstliche neuronale Netze wurden eingesetzt, um die Käfigdynamik im jeweiligen Anwendungsfall schnell und einfach vorherzusagen und bereits in frühen Phasen des Produktentwicklungsprozesses zu berücksichtigen.

Als Zielgrößen der Regressionsalgorithmen wurden die für die Auslegung des Käfigs relevanten funktionalen Eigenschaften mithilfe von statistischen Streu- und Lagegrößen repräsentiert. Als Datenbasis für das Training der Algorithmen wurden Features und Zielgrößen von Dynamiksimulationen verschiedener Wälzlagertypen und -käfige (ca. 3.000 Berechnungen) abgeleitet. Die Berechnungsqualität der Simulation wurde durch einen Abgleich der berechneten und optisch gemessenen Käfigdynamik sichergestellt. Hier konnte eine hohe Übereinstimmung für hochdynamische und nicht-hochdynamische Käfigbewegungen festgestellt werden. Damit wurde gezeigt, dass die verwendeten Berechnungs- und Vorhersagemodelle die reale Käfigbewegung abbilden und im Auslegungsprozess verwendet werden können.