Masterarbeit: Intelligente Zustandsüberwachung von Planetengleitlagern mithilfe akustischer Oberflächenwellen

Der Chair for Wind Power Drives erforscht das Verhalten von Antriebssystemen in moderen Multimegawatt Windenergieanlagen. Forschungsziele sind die Steigerung der Verfügbarkeit, der Robustheit und der Energieeffizienz der Windenergieanlagen sowie die Senkung der Stromgestehungskosten. Hierzu werden Software-Entwicklungswerkzeuge und moderne Systemprüfstände im Verbund eingesetzt.

Zur Senkung der Strom-Gestehungskosten an modernen Wind-energieanlagen (WEA) wird eine Anhebung der Leistungsdichte der Planetengetriebe in WEA angestrebt. Hierzu bietet sich die Verwendung von kompakten, gleitgelagerten Planeten-rädern in der ersten Planetenstufe an. Am CWD wird daher an der Gleitlagerung von Planetenrädern in WEA-Getrieben geforscht. Eine große Herausforderung ist der ausfallsichere Betrieb der Gleitlager. Eine Zustandsüberwachung ist hierfür von immenser Bedeutung. Im Forschungsprojekt „Journal Bearings for Wind Turbines“ wird an einer neuartigen Zustandsüberwachungsmethode für Gleitlager geforscht, die auf akustischen Oberflächenwellen basiert.

Ziel dieser studentischen Arbeit ist daher die Applikation und Test dieser neuen Technologie an einem Prüfgetriebe für Planetengleitlager sowie die Auswertung und Interpretation der Messdaten.

Aufgaben:

• Recherche des Stands der Technik zum Thema Zustandsüberwachung und Gleitlagertechnologie
• Konstruktive Einbindung der surface aoustic wave (SAW) Technologie in ein Prüfstandsgetriebe
• Durchführung von Validierungstests
• Auswertung und Interpretation der Messdaten
• Entwicklung und Test von Algorithmen zur Zustandsdiagnose am Planetengleitlager mittels Machine Learning

Voraussetzungen:

• Motivation zu selbstständigem und eigenverantwortlichem Arbeiten, Kommunikations- und Teamfähigkeit, sowie eine sichere Beherrschung der deutschen oder englischen Sprache
• Spaß an praktischem sowie theoretischem Arbeiten
• Interesse an Gleitlagertechnik und Windenergie
• Vorkenntnisse im Bereich Machine Learning und Programmiererfahrung in Python wünschenswert, aber nicht zwingend erforderlich

Wir bieten:

• Wissenschaftliches Arbeiten in einem hoch motivierten, interdisziplinären Team
• Thema mit hoher industrieller Relevanz
• Erlernen von Methoden zur Signalanalyse und Maschinendiagnose
• Angenehmes Arbeitsklima und intensive Betreuung
• Option zur Beteiligung an einer wissenschaftlichen Veröffentlichung
• Sofortiger Beginn möglich oder nach Absprache

Auf deine aussagekräftige Bewerbung per E-Mail freut sich:

Thomas Decker, M. Sc.
Chair for Wind Power Drives

Campus-Boulevard 61, 52074 Aachen
thomas.decker@cwd.rwth-aachen.de