2021-09-01  –  2024-08-31

451.046,80 EUR

Rheinisch-Westfälische Technische Hochschule Aachen - Institut für Oberflächentechnik (IOT), Aachen, Nordrhein-Westfalen

03EN4005J

Energiesparende Industrieverfahren - Maschinenbau, Fahrzeugbau, Elektrotechnik, Feinmechanik, Optik, EBM-Waren [EA3250]

01223057/1  –  CHEPHREN

Bundesministerium für Wirtschaft und Klimaschutz (BMWK.IIB5)

Forschungszentrum Jülich GmbH (PT-J.ESN4)

Energie

Das Ziel des Teilvorhabens besteht in der werkstoffseitigen Anpassung triboaktiver (Cr,Al,X)N-Beschichtungen (X = Mo, Cu) und der Weiterentwicklung des Beschichtungsprozesses mit dem Ziel ultra- und supraniedrige Reibung zu ermöglichen. Ausgehend von der Prozesstechnik der eingesetzten Beschichtungstechnologie werden über die Schichtentwicklung und tribologische Analyse bis hin zur Komponentenbeschichtung der beteiligten Industriepartner alle relevanten Einflussgrößen betrachtet. Begleitend werden im Vorhaben Methoden der künstlichen Intelligenz (KI) eingesetzt, um Ursache-Wirkung-Zusammenhänge innerhalb der Schichtentwicklung sowie der tribologischen Analyse abzuleiten. Die Schichtentwicklung ist in zwei Teilziele gegliedert. Das erste Ziel ist die Anpassung triboaktiver (Cr,Al,X)N-Beschichtungen, die unter tribologischer Beanspruchung mit additivierten Schmierstoffen zur Bildung reibungs- und verschleißreduzierender tribochemischer Reaktionsschichten führen können. Das zweite Ziel der Schichtentwicklung besteht in der Integration von Sensorfunktionen in die Beschichtungen. Zusätzlich werden Kunststoffe als Substratwerkstoffe berücksichtigt. Begleitend zur Schichtentwicklung wird am Plasmadiagnostik eingesetzt. Hierdurch können die Einflüsse der Prozessparameter auf das Beschichtungsplasma unmittelbar erfasst werden. Die Beschichtungen werden in enger Kooperation mit den beteiligten Projektpartnern in die Anwendungen Zahnradgetriebe, Kettentriebe, Lager und Motorkomponenten überführt. Zur Erzielung ultra- und supraniedriger Reibung werden Wechselwirkungen zwischen den beteiligten Systemkomponenten in Form von Ursache-Wirkung-Zusammenhängen zunehmend wichtiger. Die Wechselwirkungen sind jedoch häufig komplex und durch analytische Zusammenhänge nicht immer erfassbar. Als Methode zur Erkennung komplexer, hochgradig nicht linearer Ursache-Wirkung-Zusammenhänge werden daher Methoden der KI in Form künstlicher neuronaler Netze (KNN) eingesetzt.