Datengetriebene Gleitlagerüberwachung im Großmotor anhand von Schallemission
Die Kombination von Schallemissionen und maschinellem Lernen bietet großes Potenzial, um ein genaueres Bild vom Zustand großer Verbrennungsmotoren zu erhalten. Insbesondere Gleitlager, die eine Schlüsselrolle bei der Gewährleistung der Leistung und Sicherheit von Großmotoren spielen, sind ein vielversprechendes Ziel für eine solche Überwachung.
Ziel
Die vorliegende Arbeit verfolgt das Ziel, eine nichtinvasive Zustandsüberwachung von Gleitlagern mithilfe von Schallemissionen (Acoustic Emissions, AE) zu ermöglichen. Der Schwerpunkt liegt insbesondere auf der Detektion von unerwünschten Mischreibungsereignissen zwischen Kurbelwelle und Gleitlager unter Zuhilfenahme datengetriebener Methoden aus dem Bereich des maschinellen Lernens. Zu diesem Zweck wurde eine Messdatenbank generiert, welche anhand von Lagerprüfstandstests erstellt wurde. Hierbei wurde das Prüflager mit unterschiedlichen AE-Sensoren an mehreren Positionen instrumentiert. Die Tests wurden unter verschiedenen Betriebsbedingungen durchgeführt, um repräsentativ jene von Großmotoren nachzubilden.
Aufgaben
* Einarbeitung in den experimentellen Versuchsaufbau (Lagerprüfstand, Messtechnik und Messparameter)
* Vorverarbeitung der Messdaten von Lagerprüfstand und AE-Sensoren
* Untersuchung der Zusammenhänge zwischen Mischreibungsereignissen und AE-Sensor-Signalen durch eine explorative Datenanalyse
* Entwicklung eines datengetriebenen Modells zur Erkennung von Mischreibungsereignissen anhand von AE-Sensor-Signalen
Voraussetzungen
Programmierkenntnisse in Python oder R; Erfahrung im Bereich Datenanalyse
Möglicher Beginn: Ab sofort
Dauer: Ca. 6 Monate
Kontakt:
Ao. Univ.-Prof. Dr. Andreas Wimmer, +43 (316) 873-30101, andreas.wimmer@lec.tugraz.at
Dipl.-Ing. Christian Laubichler, +43 (316) 873-30089, christian.laubichler@lec.tugraz.at
#J-18808-Ljbffr