Machine Learned Dynamics – Berücksichtigung des dynamischen Verhaltens von Käfigen mittels maschinellen Lernens im Auslegungsprozess von Wälzlagerungen (MeLD – Machine Learned Dynamics)
Third party funded individual grant
Acronym: MeLD – Machine Learned Dynamics
Start date : 01.03.2020
End date : 31.10.2022
Project details
Short description
Die Berücksichtigung der Käfigdynamik während der Auslegung von Wälzlagern ist
eine sehr komplexe Aufgabe, die ausschließlich anhand von Mehrkörpersimulationen
bewältigt werden kann. In diesem Projekt soll mithilfe eines Machine Learning
Algorithmus, der mit Hilfe vieler Mehrkörpersimulationen trainiert wird, eine
schnelle Berechnung der Käfigdynamik im Auslegungsprozess ermöglicht werden.
Darauf aufbauend lässt sich für die jeweilige Anwendung der passende Käfig
auswählen, um Anforderungen wie Tragfähigkeit, Akustik oder Energieeffizienz zu
erfüllen.
Scientific Abstract
Schwingungen können bei Wälzlagern zu einer Beeinflussung der Leistungsfähigkeit
führen, wenn diese auf die Umgebung übertragen werden und Schäden hervorrufen.
Damit die Dynamik des Wälzlagerkäfigs bewertet werden kann, sind rechenintensive
Mehrkörpersimulationen notwendig, die nur von Expertinnen und Experten durchgeführt werden
können. Ziel dieses Projektes 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 ermittelte 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.
Zu Beginn des Projektes müssen alle relevanten Ein- und Ausgabeparameter für die
Käfigauslegung wie beispielsweise Geometriemerkmale und die daraus resultierende
Käfigdynamik identifiziert werden. Darauf aufbauend wird ein Simulationsplan
erstellt, anhand dessen Zusammenhänge im Parameterraum untersucht werden können.
Die Ergebnisse der anschließenden 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.
