Institut für Antriebstechnik Aalen (IAA)

Rillenkugellager 6314 Datensatz

Projektverlauf

Der in dieser Arbeit vorgestellte Datensatz wurde im Rahmen der geförderten Forschungsprojekte SEED (Smart Efficient Electric Driveline, FKZ 13FH585KX0) und KI-Werkstatt (FEIH_2486678) erhoben. Als Teil des Projekts wird eine umfassende experimentelle Datenbank aufgebaut, um hochwertige Referenzdaten für die Analyse und Validierung von Methoden zur Lagerschadensdiagnose bereitzustellen. Der Datensatz umfasst Messungen an SKF 6314-Rillenkugellagern, die einen einwandfreien Betriebszustand, laserinduzierte Defekte am Innenring, laserinduzierte Defekte am Außenring sowie korrosionsbedingte Schäden darstellen. Die Daten werden bei Drehzahlen von 1000 U/min und 2000 U/min unter zwei repräsentativen kombinierten Belastungsfällen von 3257 N radial / 1556 N axial und 4893 N radial / 2337 N axial erfasst, die aus den Getriebeeingangsdrehmomenten von 215 Nm und 323 Nm des SEED-Achsgetriebes mittels einer Freikörperanalyse der Antriebswelle abgeleitet wurden. Diese Betriebsbedingungen wurden ausgewählt, um den Einfluss variierender Drehzahlen und mechanischer Belastungen auf das Lagerverhalten zu erfassen, was zu einem vielfältigen Datensatz führt, der sich zur Untersuchung fehlerbedingter Schwingungseigenschaften unter repräsentativen Betriebsszenarien eignet. Für jede Lager- und Belastungsbedingung wurden Schwingungs- und Drehsignale über einen Zeitraum von 60 s aufgezeichnet. Die Daten sind als separate CSV-Dateien pro Sekunde gespeichert.

Anwendungsmöglichkeiten des Datensatzes

Der Datensatz dient als Referenz für die Entwicklung und Bewertung von Methoden zur Lagerfehlerdiagnose auf der Grundlage von Schwingungsdaten. Er eignet sich für Untersuchungen zur Signalverarbeitung, zur Merkmalsextraktion, für herkömmliche Ansätze des maschinellen Lernens sowie für Deep-Learning-Algorithmen. Darüber hinaus kann der Datensatz die Forschung zu Techniken der Datenaugmentierung, einschließlich generativer Modelle, sowie vergleichende Benchmark-Analysen von Methoden zur Fehlererkennung, Fehlerklassifizierung und Anomalieerkennung unterstützen.