In der Automobilindustrie schreitet die Elektrifizierung der Antriebsstränge stetig voran. Zudem steigen vor dem Hintergrund zunehmend automatisierter Fahrfunktionen die Anforderungen an die Sicherheit vor unvorhergesehenen Ausfällen der Fahrzeug-Teilsysteme. Da ein signifikanter Anteil der Ausfälle elektrischer Antriebsmaschinen auf Wälzlagerschäden zurückzuführen ist, sind sowohl die Verhinderung derer Entstehung als auch die frühzeitige Erkennung bereits vorhandener Wälzlagerschäden wichtiger Bestandteil aktueller Forschung. Ein vielversprechender Ansatz, den steigenden Anforderungen zur Ausfallsicherheit gerecht zu werden, ist die Implementierung einer datengestützten Schadensdiagnose. Die Grundlage einer solchen Schadensdiagnose ist die Umsetzung einer Zustandsüberwachung basierend auf mindestens einer geeigneten Messgröße. Besonders verbreitet für die Zustandsüberwachung elektrischer Maschinen ist die Messung von Vibrationen, wozu Beschleunigungssensoren an der Struktur der Maschinen angebracht werden können. Basierend auf den erhobenen Daten ermöglicht die Anwendung von Maschinellem Lernen (ML) eine automatisierte Diagnose von Schäden.

Um Diagnosemodelle auf Basis des überwachten Lernens zu erstellen, werden Trainingsdaten benötigt, welche die zu erkennenden Schäden umfassend repräsentieren müssen. Die Erhebung solcher Daten kann mit erheblichem Aufwand verbunden sein, weshalb datengetriebene Ansätze nach derzeitigem Stand der Forschung nur für einen begrenzten Anteil der Anwendungsfälle wirtschaftlich rentabel sind. Die Rentabilität ließe sich deutlich erhöhen, wenn die mit den Daten eines Maschinentyps trainierten Modelle auf andere Maschinentypen übertragen werden könnten. Hinderlich für diese Übertragbarkeit sind die veränderten Eigenschaften der Sensorsignale beim Wechsel auf einen anderen Maschinentyp. Aus dieser Motivation heraus wird in der vorliegenden Arbeit der Gedanke untersucht, dass die strukturdynamischen Eigenschaften der Maschinen einen entscheidenden Einfluss auf die gemessenen Vibrationen haben können.

Um diesen Einfluss von Unterschieden in der Strukturdynamik auf die Genauigkeit der vibrationsbasierten, datengestützten Schadensdiagnose zu untersuchen, wird zunächst ein Versuchsdatensatz erhoben. Dazu werden künstlich geschädigte Wälzlager in einer elektrischen Maschine verbaut und die Vibrationen in Form der Schwingbeschleunigungen an mehreren Sensorpositionen erfasst. Auf der Grundlage dieses Datensatzes werden verschiedene ML-Algorithmen und Methoden zur Merkmalsgenerierung untersucht, um die Vorhersagegenauigkeit der Diagnosemodelle zu optimieren. Mit den resultierenden Konfigurationen wird die Übertragbarkeit der vibrationsbasierten Schadensdiagnosemodelle auf unterschiedliche Sensorpositionen evaluiert, was die Übertragbarkeit auf ein anderes strukturdynamisches Verhalten repräsentiert. Darauf aufbauend werden in dieser Arbeit zwei neuartige Ansätze vorgestellt, die beide darauf abzielen, die zuvor bewertete Übertragbarkeit der Modelle durch die Einbindung von Domänenwissen aus der Strukturdynamik zu verbessern. Die mit den neuen Ansätzen erreichten Vorhersagegenauigkeiten zeigen erhebliche Verbesserungen in Bezug auf die Übertragbarkeit. Dementsprechend demonstriert diese Arbeit neuartige Methoden zur Verbesserung der Übertragbarkeit datengetriebener Schadensdiagnosemodelle zwischen verschiedenen Systemen im Hinblick auf sich unterscheidende strukturdynamische Eigenschaften.