Filters

Settings

Now showing1 - 10 of 10
  • Some of the metrics are blocked by your 
    consent settings
    Item type:Project, Access status: without files ,
      15
  • Some of the metrics are blocked by your 
    consent settings
    Item type:Project, Access status: without files ,
    Verbundprojekt - Optimierter Öltransport für die PFI-Dual-Fuel-Verbrennung zukünftiger maritimer Kraftstoffe; Vorhaben - Experimentelle Bewertung des Einflusses von Schmierölhaushalt und Schmierölzustand auf Zündphänomene
    Um Marine-Verbrennungsmotoren auch zukünftig effizient betreiben zu können, bedingt die Verwendung von alternativen Kraftstoffen diverse Systemanpassungen. Das vom Bundesministerium für Wirtschaft und Energie geförderten Verbundprojektvorhaben Fuel-OptimOT zielt darauf ab das tribologische System Power Unit besser zu verstehen und zuverlässige Vorhersagen zum Systemverhalten zu treffen insbesondere zu dem Öltransport in den Brennraum bei der Verwendung von alternativen Kraftstoffen. An einem mittelschnell laufenden Marine-Versuchsmotor mit Methanol-Saugrohreinspritzung und Pilotzündung in Kombination mit einer vollumfänglichen Kolben-, Laufbuchsen- und abgasseitigen Instrumentierung (Messkolben, LIF, MS und Aerosolspektrometer) soll der Einfluss des Öltransportes, insbesondere durch Ringbewegung, auf Zündphänomene verstanden und verbessert werden, um die Leistungsdichte im Betriebsbereich hoher Nutzmitteldrücke und Drehzahlen zu steigern. Die Beschreibung der hochkomplexen Vorgänge an dem tribologischen System des Kolbens (Kolben/ Ringe/ Laufbuchse) bilden das Kernziel des vorliegenden Verbundprojektvorhabens. Durch den Zusammenschluss von innovativen und erfahrenen Verbundpartnern aus dem Bereich der Forschung und Entwicklung soll die Zielerreichung innerhalb der Vorhabenlaufzeit von dreieinhalb Jahren sichergestellt werden. Zum Erreichen dieses Zieles ist das Verbundprojekt in fünf Teilvorhaben unterteilt, die von den Projektpartnern in bilateraler oder kooperativer Gemeinschaft bearbeitet werden. Teilvorhaben: Experimentelle Bewertung des Einflusses von Schmierölhaushalt und Schmierölzustand auf Zündphänomene In der Arbeitsgruppe Schiffsmaschinenbau (ASM) an der Technischen Universität Hamburg werden fünf Entwicklungsziele in kooperativer Zusammenarbeit im Verbund erarbeitet. Diese sind: Die Erweiterung und Implementierung geeigneter Messtechnik, um den Ölhaushalt der Kolbengruppe in der Laufbuchse zu untersuchen. Die Durchführung von Experimenten an einem Großmotorprüfstand, die seitens der ASM wissenschaftlich begleitet werden. Die Durchführung von Simulationen auf Basis der Simulationsmodelle, die von den Partnern entwickelt und zur Verfügung gestellt werden. Der Erkenntnisgewinn über die Einflüsse der Schmierölzusammensetzung auf Zündphänomene und die Möglichkeit, positiven Einfluss darauf zu nehmen. Die Zusammenführung von experimentellen und Simulationsergebnissen sowie deren wissenschaftliche Auswertung und Ableitung von Erkenntnissen für die Rückführung in den Serienstand.
      49
  • Some of the metrics are blocked by your 
    consent settings
    Item type:Project, Access status: without files ,
      125
  • Some of the metrics are blocked by your 
    consent settings
    Item type:Project, Access status: without files ,
      67
  • Some of the metrics are blocked by your 
    consent settings
    Item type:Project, Access status: without files ,
      15
  • Some of the metrics are blocked by your 
    consent settings
    Item type:Project, Access status: with files ,
      15  7
  • Some of the metrics are blocked by your 
    consent settings
    Item type:Project, Access status: without files ,
      32
  • Some of the metrics are blocked by your 
    consent settings
    Item type:Project, Access status: with files ,
      17  13
  • Some of the metrics are blocked by your 
    consent settings
    Item type:Project, Access status: without files ,
      17
  • Some of the metrics are blocked by your 
    consent settings
    Item type:Project, Access status: without files ,
    SPP 2402: Extrapolative digital greybox models for describing and predicting the macroscopic system behavior of TiAlN-coated cutting tools
    Tools with a hard coating make up the majority of cutting tools used today. They protect the substrate from abrasive wear, increase chemical resistance and reduce the coefficient of friction, resulting in increased tool life during turning and milling operations. Various empirical or physically based models exist for the estimation of tool life. Since the properties of these coatings depend on a large number of manufacturing parameters, no consistent models exist to predict the wear behavior of hard coatings. The objective of the proposed research project is to gain knowledge about the tribological cause-and-effect relationships of the wear behavior of coated cutting tools in interaction with the workpiece material and the process parameters under consideration of the particular mechanical, chemical-structural and tribological properties of the coating and to map this knowledge into a model. Therefor greybox models shall be used. These models are rely on artificial neural networks (blackbox) that use training data based on process parameters, measurements and metadata from machining tests. Physical and empirical models for wear rate prediciton and remaining tool life are additionally integrated into these models (whitebox). This allows the model, with the limited scope of training data due to the high experimental effort, to predict physically meaningful solutions. In machining tests, which are partially automated by integrating force, temperature, structure-borne sound and surface measurement techniques as well as microscopy in the workspace of a CNC lathe, a continuously growing database is created for the simultaneous model building. In order to minimize the experimental effort and thus the material and energy costs, the next experimental parameters are determined in each case on the basis of the current training state of the model using Active Learning. The recorded measurement and metadata are available in a wide variety of formats, such as image data, continuous measurement or discrete measurement points. They are processed and stored with their metadata in an digital lab book. Subsequently, the data is homogenized and reduced to obtain a balanced data set for training the neural networks. For final validation, blind tests, with cutting parameters and coating unknown to the model, are performed to confirm the interpolation and extrapolation capabilities of the greybox model.
      101