Diese Forschungsarbeit befasst sich mit der Früherkennung von drohenden Ausfällen bei tribologischen Experimenten, z.B. Pitting, der Erkennung von charakteristischen Merkmalen und deren Entwicklung über die Zeit. Ziel dieser Forschung ist die Entwicklung eines ML-Algorithmus zur Echtzeit-Klassifikation des Betriebszustandes sowie die Erkennung und Vorhersage von drohenden Ausfällen in einem definierten Laborexperiment und die Implementierung des trainierten Algorithmus in ein Echtzeit-Datenerfassungssystem (DAQ).

Neben der Frühphasenvorhersage werden KI- und maschinelle Lernverfahren auch zur Vorhersage der Wahrscheinlichkeit einer Tribo-Schichtbildung eingesetzt, die stark von der Wechselwirkung zwischen den beteiligten Werkstoffen und Schmierstoffen sowie den unterschiedlichen Betriebsbedingungen abhängt. Darüber hinaus sind KI- und ML-Methoden nützlich, um die Charakterisierung und Klassifizierung der Oberflächentopografie und/oder des Schmierzustands während eines tribologischen Experiments zu unterstützen und können somit hilfreiche Daten für den Konstruktionsprozess von trockenen und geschmierten Maschinenelementen liefern.