In future aero engines, a planetary gearbox is to be integrated between fan and turbine to increase the efficiency and bypass ratio. This gearbox has to be monitored during operation to detect possible gearbox faults such as gear wear or gear pitting at an early stage. This paper presents a method consisting of vibration measurement, sensor-dependent feature extraction and support-vector machine (SVM)-based classification of pitting for gear condition monitoring. Several gears were loaded with a constant torque on a standardized back-to-back test rig to provoke pitting, and the pitting amount was captured during the tests with a camera. Features are extracted from accelerometers and an acoustic emission sensor, and based on the results of the visually recorded pitting surface, SVM classification is applied to identify the pitting defect. In this contribution, two different SVM classification approaches are investigated. One approach uses a Two-Class SVM, where tests from one gearset are used for SVM training and another approach utilizes a One-Class SVM based on outlier detection. Both methods show that single tooth pitting defects with a relative pitting area of less than 1 % can be effectively identified, whereas the One-Class SVM method showed a higher pitting detection accuracy.

No abstract

ZusammenfassungIn zukünftigen Flugtriebwerken soll ein Planetengetriebe zwischen Fan und Turbine integriert werden, um den Wirkungsgrad und das Nebenstromverhältnis des Triebwerks zu erhöhen. Ein solches Getriebe muss im fortlaufenden Betrieb überwacht werden, um mögliche Getriebeschäden wie Zahnradverschleiß oder Grübchen auf den Zahnradflanken frühzeitig zu erkennen. In diesem Beitrag wird eine Methode vorgestellt, die aus einer Schwingungsmessung, sensorabhängigen Merkmalsgewinnung und einer Support Vector Machine (SVM)-basierten Klassifizierung von Zahnradgrübchen zur Zustandsüberwachung von Getrieben besteht. Mehrere Zahnräder wurden auf einem genormten Zahnrad-Verspannungsprüfstand mit einem konstanten Drehmoment bis zu einer vorgegebenen Grübchenfläche belastet. Die Grübchenfläche wurde begleitend zu den Versuchen fotografisch erfasst. Es wurden Merkmale aus Beschleunigungssensoren und einem Körperschallsensor extrahiert und auf der Grundlage der Ergebnisse der fotografisch erfassten Grübchenfläche wurde ein SVM-Klassifikator entwickelt, um den Grübchenschaden zu identifizieren. Die Ergebnisse zeigen, dass Grübchen ab einer relativen Grübchenfläche am Einzelzahn von weniger als 1 % effektiv identifiziert werden können.

No abstract