Projektstart: Maschinelles Lernen in der Schmierfett-Evaluierung

Für lebensdauergeschmierte Komponenten im Bereich der E-Mobility ist die Schmierfett-Performance eine entscheidende Größe, die über die Leistungsfähigkeit und Lebensdauer eines ganzen Aggregats und letztendlich des kompletten Fahrzeugs entscheidet. Rund die Hälfte aller Wälzlagerausfälle ist auf eine Fehlfunktion aufgrund mangelhafter Schmierung bzw. fehlerhafte Schmierstoffauswahl zurückzuführen. Dies deutet darauf hin, dass im Vorfeld durchgeführte Labortests nicht geeignet waren, die praktische Anwendung korrekt vorherzusagen (zu simulieren) oder die durchgeführten Tests und ihre Ergebnisse falsch interpretiert wurden.

Bei der Entwicklung von Schmierfetten werden zahlreiche chemisch-physikalische und mechanisch-dynamische Messungen und Versuche durchgeführt, um Aussagen zur Eignung für einen geplanten Anwendungsfall zu ermitteln. Die Auswertung und Interpretation dieser Messwerte erfolgen auch heute noch auf Basis der Erfahrung einiger weniger Fachleute. Die Computerunterstützung dieses Prozesses oder gar eine Computersimulation von realen Tribosystemen, welche in der Grenz- und Mischreibung laufen, ist bisher bis auf wenige sehr wissenschaftliche Sonderfälle nicht möglich. Die vielfältigen Wechselwirkungen zwischen den Oberflächen, Verschleißpartikeln, Schmierstoff und Umgebungsmedium in Verbindungen mit den Veränderungen des Schmierstoffs über der Zeit und einem nichtlinearem Systemverhalten lassen sich bisher nicht makroskopisch simulieren und vorhersagen. Ursache ist, dass die komplexen Zusammenhänge noch nicht ausreichend mathematisch/physikalisch beschrieben werden können und extreme Größenunterschiede von atomaren chemischen Prozessen bis hin zur makroskopischen Gestalt der Bauteile zu beachten sind.

BMWK fördert Forschungsvorhaben

Zum 1. März 2024 fördert das BMWK im Rahmen der Industriellen Gemeinschaftsforschung das DGMK-Projekt 871 „Einsatz von Maschinellem Lernen in der Schmierfett-Evaluierung“.

Ziel des Projektes ist es, die Potentiale von Maschinellem Lernen in der Schmierstoffentwicklung aufzuzeigen. Als konkretes Anwendungsbeispiel sollen die umfangreichen Daten des Vorgängerprojektes DGMK 820 zur Verdickerdegeneration in Folge thermischer, katalytischer, oxidativer und mechanischer Beanspruchung mit verschiedenen ML-Methoden und -Algorithmen analysiert werden. So können die Randbedingungen, Vorteile aber auch Grenzen dieses innovativen Ansatzes für die Industrieunternehmen greifbar gemacht werden.

Forschungsstelle

Hochschule Mannheim Kompetenzzentrum Tribologie

Netzwerk und Kooperation

Das Vorhaben wurde durch Mitglieder im DGMK-Fachausschuss Schmierstoffe auf den Weg gebracht und wird in Kooperation mit den Fachleuten der FVA Forschungsvereinigung Antriebstechnik e.V. bearbeitet.