In der modernen Zustandsüberwachung werden unzählige Prozesse durch Sensoren überwacht und optimiert. Dennoch kommt es in vielen Bereichen aufgrund von komplexeren Betriebszuständen zu vermeidbaren Verschleißerscheinungen. Zu diesen zählen unter anderem Getriebe mobiler Arbeitsmaschinen. Hieraus leitet sich das Forschungspotenzial dieser Dissertation ab. Kernziel der Arbeit ist die Entwicklung einer Signalverarbeitungskette zur Detektion von Verzahnungsschäden sehr niederdrehender Getriebe in störbehafteten Umgebungen. In Rahmen dieser Dissertation werden neuartige körperschallbasierte Forschungsresultate präsentiert. Zu diesen zählt die Schätzung von Drehzahlen niederdrehender Getriebe über künstliche neuronale Netze. Übliche Signalverarbeitungsansätze zur Bestimmung der Drehzahlzahlen benötigen häufig Vorwissen über die Getriebegeometrie. Künstliche neuronale Netze hingegen können auf Vorwissen verzichten. Weiterhin wird untersucht, ab welcher Schadensgröße Veränderungen im Schwingungssignal erkennbar sind und wie sich diese äußern. Innerhalb dieser Untersuchung wird eine neuartige Methodik zur Ableitung geeigneter digitaler Filtergrenzen vorgestellt Zuletzt wird ein neuartiger Ansatz zur Detektion von Zahnschäden präsentiert. Über die bestimmten Filtergrenzen werden die Schädigungen im Zeitbereich hervorgehoben. Weiterhin wird die Drehzahlschätzung über künstliche neuronale Netze integriert. Validiert wird der entwickelte Ansatz an sehr massiven Schädigungen. Darauffolgend wird die Funktionalität an den kleinsten erkennbaren Schädigungen gezeigt. Darüber hinaus wird sowohl die entwickelte Signalverarbeitung zur Detektion von Schädigungen als auch die Methodik zur Auswahl geeigneter Filtergrenzen an Schädigungen an zwei unterschiedlichen Zahnrädern validiert.weiterlesen