Unsicherheit bei Modelltransfer

Die planbare Instandhaltung ist ein zentraler Faktor zur Steigerung der Overall Equipment Effectiveness (OEE) moderner Produktionsanlagen. Besonders der Kugelgewindetrieb spielt dabei eine entscheidende Rolle, da er präzise Positionieraufgaben mit hoher Wiederholgenauigkeit ermöglicht. Lebensdauermodelle, häufig auf Basis maschinellen Lernens, bieten großes Potenzial für die vorausschauende Wartung, werden jedoch durch begrenzte Datenmengen und eine eingeschränkte Übertragbarkeit auf unterschiedliche Systeme limitiert. Verfahren des Transferlernens können dieses Problem teilweise lösen, bringen aber neue Herausforderungen hinsichtlich der Vorhersageunsicherheit mit sich.

Diese Unsicherheiten sollen am Beispiel des Transfers zwischen Kugellagern und Kugelgewindetrieben systematisch untersucht und quantifiziert werden. Dabei werden analytische Modelle mit statistischer Versuchsplanung kombiniert, um den Einfluss von Fertigungstoleranzen und geometrischen Abweichungen auf die Prognosequalität zu bestimmen. Der modellunabhängige, Black-Box-basierte Ansatz ermöglicht es, Wissen zwischen Komponenten zu übertragen und die resultierenden Unsicherheiten nachvollziehbar zu bewerten. So entsteht ein grundlegendes Verständnis der Zusammenhänge zwischen Bauteilvariationen, Signalverhalten und Vorhersagegenauigkeit – ein entscheidender Schritt hin zu robusten, verlässlichen und datengetriebenen Lebensdauerprognosen in der industriellen Praxis.