2019 Kooperationsprojekt

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

Das dynamische Verhalten von Wälzlagerungen rückt aufgrund sehr ruhig laufender, elektrifizierter Fahrzeuge zunehmend in den Fokus der Produktentwicklung. Ziel des Projekts MeLD ist eine Vorhersage der Wälzlagerkäfigdynamik mithilfe von Methoden des maschinellen Lernens, um die Käfigdynamik bereits im Auslegungsprozess schnell und einfach berücksichtigen zu können.

Hochdynamische Käfigbewegung in der Dynamiksimulation und im Experiment (Quelle: KTmfk/S. Schwarz)

Für die Auslegung von Wälzlagerungen sind im Wesentlichen die drei Eigenschaften Tragfähigkeit, Energieeffizienz und Akustik relevant. Durch die Gestaltung des Käfigs lassen sich insbesondere das Schwingungsverhalten und die Akustik des Wälzlagers beeinflussen. So kann aufgrund einer hochfrequenten Bewegung des Käfigs eine starke Geräuschentwicklung wahrgenommen werden. Die Dynamik des Wälzlagerkäfigs kann zwar grundsätzlich anhand von Mehrkörpersimulationen vorhergesagt werden. Diese Berechnungen sind allerdings sehr rechenzeitintensiv und Modellbildung sowie Ergebnisinterpretation erfordern ausgesprochenes Expertenwissen.

Ziel dieses Forschungsprojekts ist eine einfache und zeiteffiziente Ermittlung des dynamischen Verhaltens von Wälzlagerkäfigen mithilfe von Machine-Learning-Algorithmen, die auf Basis von zahlreichen validierten Mehrkörpersimulationen trainiert wurden. Die prognostizierte Käfigdynamik kann anschließend zur Optimierung des Käfigs für den auszulegenden Lastfall hinsichtlich Kriterien wie Reibungs- oder Schwingungsverhalten verwendet werden. Aufgrund ihrer Rechenzeiteffizienz eignen sich solche Algorithmen für den Einsatz in Industrie 4.0 oder IoT.

Die Gliederung des Projekts orientiert sich grundsätzlich am zeitlichen Ablauf des CRISP-DM (Cross-Industry Standard Process for Data-Mining). Zu Beginn müssen die relevanten Parameter und Zielgrößen für die Käfig­auslegung identifiziert und in einem Simulationsplan definiert werden. Die Ergebnisse der durchgeführten Mehrkörpersimulationen bilden die Datenbasis für das Machine Learning. Damit eine hochwertige Prognose des Algorithmus gewährleistet wird, folgt zuletzt eine Verifizierung anhand der Ergebnisse der Mehrkörpersimulation und eine Validierung anhand experimenteller Untersuchungen.

Projektfinder
.
Forschungsverbünde

In strategisch wichtigen Bereichen werden von der Forschungs­stiftung auch Forschungs­verbünde initiiert und gefördert.

.
Projektleitung
Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU)
Lehrstuhl für Konstruktionstechnik (KTmfk)
Projektpartner
Schaeffler Technologies AG & Co. KG