ISBN 978-3-8439-5809-7

978-3-8439-5809-7, Reihe Ingenieurwissenschaften

Stefan Manfred Sendlbeck
Condition Monitoring von Zahnradgetrieben mit Machine Learning

229 Seiten, Dissertation Technische Universität München (2026), Softcover, A5

Zusammenfassung / Abstract

Predictive Maintenance bietet vielversprechende Potentiale für die Instandhaltung von Zahnradgetrieben zur Vermeidung ungeplanter Ausfälle bei gleichzeitig hoher Maschinenverfügbarkeit. Zur Umsetzung ist eine möglichst genaue Kenntnis des vorliegenden Maschinenzustands erforderlich, was ein effektives Condition-Monitoring-System voraussetzt. Mit der vorliegenden Arbeit wird dargelegt, wie unterschiedliche Schadensarten realer Schädigungen von Zahnradgetrieben mit Machine Learning anhand von Beschleunigungs- und Drehwegabweichungsdaten automatisch im Betrieb erkannt, kategorisiert und quantifiziert werden können. Grundlage ist eine erstellte Datenbasis aus Zahnradgetriebeversuchen mit aufbereiteten Sensordaten, Ordertracking und Schadensinformation. Am Beispiel von Grübchen und Graufleckigkeit wird gezeigt, wie sich Feature Engineering mit umfangreichen Feature-Sets, Dimensionsreduktion und Klassifizierung (logistische Regression und Support-Vector-Maschinen) zur Schadensdetektion und -kategorisierung eignen. Anhand von Langsamlauf-Verschleiß wird gezeigt, wie sich umfangreiche Feature-Sets mit Dimensionsreduktion oder dreistufiger, automatischer Featureauswahl und Regression (lineare Regression, Random-Forest-Regression und Gradient-Boosted-Regression) zur Schadensquantifizierung eignen. Es werden Möglichkeiten der Featurebewertung und die Potentiale und Grenzen der Anwendbarkeit erläutert und Herausforderungen hin zu einem universellen Condition Monitoring von Zahnradgetrieben aufgezeigt.