Im Gegensatz zu anderen herkömmlichen Verfahren zur Zustandsüberwachung, wie der Betrachtung von Schall-, Vibrations-, Temperatur- oder Steuerungsdaten, die meistens das Lösen komplexer Differentialgleichungen erfordern und den Aufwand erhöhen, kann eine bildbasierte KI-Methode die Verschleißmerkmale in Echtzeit erkennen. Durch Untersuchung der Entwicklung der Oberflächenschäden in Form von automatisch aufgenommenen und ausgewerteten Bilderdaten in Korrelation mit der Lebensdauer des Kugelgewindetriebes wird ein Modell des Verschleißzustandes abgeleitet. Dabei kommt ein Convolutional Neural Network (CNN) als Modell zum Einsatz. Durch mehrfache Faltungsoperationen und Pooling von Pixelmatrizen in den Bildern werden Merkmale automatisiert extrahiert, die dazu dient, den Verschließzustand zu klassifizieren.

Je höher die Bildqualität ist, desto realitätsnähere Vorhersagen kann das CNN-Modell zum Verschleißzustand liefern. Dafür wird ein elektrooptisches Kamerasystem benötigt, das in der Lage ist, zeit- und ortsgenau Bilder von der Oberfläche der Kugelgewindetriebspindel aufzunehmen. Das Kamerasystem besteht aus einem Gehäuse, der Kamera, einem Beleuchtungssystem sowie der Steuerungsarchitektur. Hierbei ist es entscheidend, dass das Kamerasystem für eine gleichmäßige Beleuchtung sorgt. Außerdem muss eine geeignete Vorverarbeitung der Bilder in Betracht gezogen werden, um die Bildqualität zu verbessern. Dazu gehört beispielsweise die Einschränkung des Bildbereichs (ROI), Anpassung der Helligkeit und des Kontrasts sowie Anwendung geeigneter Filter.

Insbesondere für das CNN-Modell wird eine größere Datenmenge zum Training benötigt, was die Klassifikationsgenauigkeit beeinflusst. Daher können Datenaugmentationsmethoden zum Einsatz kommen, um die Datenmenge künstlich zu erweitern. Durch die Anwendung verschiedener Transformationen auf vorhandene Bilder können neue Bilder erzeugt werden, die dem Modell helfen, eine Vielzahl von Variationen zu lernen und die Generalisierungsfähigkeit zu verbessern. Gängige Methoden für die Datenaugmentation sind horizontale und vertikale Spiegelung, Rotation, Verschiebung, Helligkeitsanpassung, Farbverschiebung und Kombination verschiedener Transformationen. Es ist wichtig, dass die sinnvollen Transformationen angewendet werden und die Klassenidentität der Bilder erhalten bleibt.

Das daraus trainierte CNN-Modell kann zum Schluss in der Praxis implementiert werden, um Verschleißmerkmale in Echtzeit zu klassifizieren und von nicht relevanten Faktoren wie Ölflecken oder Reflexionen zu trennen.