Automatisierte Qualitätssicherung eines Kugelgewindetriebes mittels maschinellem Lernen

Die SFS Group ist Hersteller von Kugelgewindetrieben für elektrische Bremskraftverstärker. Um die Qualität
der Baugruppen zu sichern, werden die Kugelgewindetriebe in Bezug auf ihre Geräuschentwicklung
während des Betriebes vermessen und spezifiziert. Dabei spielen verschiedene Einflüsse der Einzelteile und
dessen Fertigungsprozesse eine entscheidende Rolle für die Geräuschentwicklung. 

In dieser Arbeit wird ein Konzept für automatische Qualitätssicherung von Kugelgewindetrieben für die SFS Group entwickelt. Es konnte nachgewiesen, dass es prinzipiell möglich ist, die NVH-Response von Kugelgewindetrieben durch Fertigungs- und Bauteilmerkmale der Einzelteile zu schätzen.  Das Bestimmen der einflussreichsten Merkmale und deren Korrelationen ist eine komplexe Aufgabenstellung in Hinblick auf die Messtechnik, die Datenanalyse, die Merkmalsextraktion,  die mittels aktiver, explorativer Datenanalyse erreicht werden kann. Mittels maschinellem Lernen lassen sich so Modelle entwickeln, welche frühzeitig Aufschluss über die Qualität der Baugruppe liefern.