BFS Forschungsprojekt MeLD (Machine Learned Dynamics, AZ-1398-19) mit der Firma Schaeffler Technologies AG & Co. KG im Zeitraum von März 2020 bis Oktober 2022 erfolgreich bearbeitet und abgeschlossen.
Ziel des Forschungsvorhabens MeLD war die Entwicklung einer Vorgehensweise zur Nutzung von Methoden des maschinellen Lernens für die Auslegung von Wälzlagerkäfigen hinsichtlich der dynamischen Eigenschaften während des Betriebes. Zwar kann im aktuellen Stand der Technik durch speziell für Wälzlager entwickelte Mehrkörpersimulationsmodelle die Dynamik von Wälzlagerkäfigen für die vorgesehenen Betriebsbedingungen berechnet werden, jedoch ist die Erstellung der Simulationsmodelle sowie die Durchführung der Berechnung und Auswertung der Ergebnisse komplex und zeitaufwändig. Aus diesem Grund sollen Methoden des maschinellen Lernens eingesetzt werden, um die Käfigdynamik im jeweiligen Anwendungsfall schnell und einfach vorherzusagen und bereits in frühen Phasen des Produktentwicklungsprozesses zu berücksichtigen.
Die Datenbasis für die Machine Learning Algorithmen setzt sich aus Features (zum Beispiel Massenträgheitsmoment, dynamisch äquivalente Lagerbelastung, etc.) und Ergebnissen von Mehrkörpersimulationen (zum Beispiel Reibungsmoment, Käfigverformung) zusammen. Künstliche neuronale Netze und Ensemble Verfahren wurden für die Vorhersage der Ergebnisse der Dynamiksimulation eingesetzt. Mithilfe von optischen Messungen der realen Lager- und Käfigdynamik konnte eine hohe Übereinstimmung der Ergebnisse der Mehrkörpersimulationen festgestellt werden, die für die Erstellung der Datenbasis eingesetzt wurde, siehe Bild. Die anhand der Datenbasis trainierten Machine Learning Algorithmen konnten zuletzt auch sehr gute Vorhersagegenauigkeiten von R²∈[0,75…0,94] für die verschiedenen Zielgrößen erreichen. Die im Rahmen einer Hyperparameteroptimierung trainierten Modelle können zum Beispiel als Assistenzsystem eingesetzt werden um verschiedene Wälzlager- und Käfigvarianten hinsichtlich ihres dynamischen Verhaltens zu beurteilen und ein geeignetes Wälzlager auszuwählen.
Unser Dank gilt der bayerischen Forschungsstiftung für die Förderung des Projekts. Außerdem möchten wir uns beim Projektpartner Schaeffler Technologies und insbesondere bei Herrn Oliver Graf-Goller sowie Herrn Dr. Hannes Grillenberger für die kollegiale und konstruktive Zusammenarbeit bedanken!
Beitrag: https://doi.org/10.3390/lubricants10020025