Durch speziell für Wälzlager entwickelte Mehrkörpersimulationen oder Prüfstände kann die Dynamik von Käfigen für die vorgesehenen Betriebsbedingungen berechnet oder gemessen werden. Jedoch ist die Erstellung der Modelle sowie die Auswertung der Ergebnisse komplex und zeitaufwendig. Experimentelle Versuche erfordern umfangreiche Vorbereitungen und sind sehr zeit- und kostenintensiv. Dem gegenüber steht eine möglichst zeit- und kosteneffiziente Auslegung von Wälzlagern hinsichtlich ihrer funktionalen Eigenschaften wie Reibung oder Dynamik.
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.
Dynamiksimulation (b) sowie die Kurzzeit-Fourier-Transformation der
Käfigverformung im Experiment (c) und der Dynamiksimulation (d). (Quelle: FAU,
KTmfk; Schaeffler Technologies AG & Co. KG)
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.
