Ein wichtiges Bauteil im Rahmen der Instandhaltung von Werkzeugmaschinen sind Kugelgewindetriebe, sie stehen im besonderen Fokus für ungeplante Stillstände oder Maschinenausfälle.

Es gibt bislang keine theoretische Berechnungsgrundlage, die den Ausfall des Bauteils unter Berücksichtigung aller Einflüsse genau beschreibt. Um die bestehenden Hindernisse bei der Überwachung von KGT zu lösen, wird im Rahmen dieser Arbeit Acoustic Emission (AE) untersucht und ein geeignetes Condition-Monitoring (CM) System konzipiert. Während aktuelle CM-Ansätze meist auf überwachten Lernmethoden basieren, liegt der Fokus dieser Arbeit auf dem Einsatz von unüberwachten Methoden. Diese können ohne Vorkenntnisse und aufwändiges Training eingesetzt werden.

Die Dissertation umreißt den aktuellen Stand der Technik und Forschung im Kontext von CM-Systemen für KGT. Basierend auf dem Mangel an adäquaten CM-Systemen wird ein neuartiges Clustermodell zur Erkennung von unbekanntem oder aufkommendem Komponentenverhalten vorgestellt. Das System wird ohne eine Offline-Trainingsphase implementiert, ist aber in der Lage, den Zustand des Systems zu erler-nen und Anomalien während des Betriebs zu erkennen. Neben der Befähigung des Sensorsystems liegt der Fokus auf der automatischen Erstellung von CM-Systemen ohne Benutzereingriff, um aufwandsarme und übertragbare Systeme zu ermöglichen.

Das Sensorsystem wird in versch. Betriebs- und Defektszenarien evaluiert. Berücksichtigte Defektmechanismen sind Ermüdung, Vorspannungsverlust, Verschmut-zung und Mangelschmierung. Die AE-Überwachung zeigt vielversprechende Ergebnisse für die Defekt-Erkennung. In Kombination mit dem CM-System liefern Validierungsexperimente signifikante Detektionsergebnisse und die allgemeine Fähigkeit, sich an neue Datensätze anzupassen.