Schallemissionen aus tribologischen Kontakten sind in den letzten Jahren zu einem interessanten Wissenschaftsgebiet geworden. Diese Studie konzentriert sich auf die Vorhersage der Reibleistung eines gegebenen Systems (geschmierte Ring-on-Disc Geometrie), unabhängig vom verwendeten Gleitmaterial und Schmiermittel, aus den vom System emittierten akustischen Emissionen. Der niederfrequente (1 Hz), kontinuierlich gemessene RMS-Wert der akustischen Daten wird mit kurzzeitigen und hochfrequenten (850 kHz) Signaldaten in Form der Leistungsspektren und der Trefferrate in drei Klassen kombiniert. Das Klassifikationssystem prognostiziert dann kontinuierlich die Reibleistung des Testsystems über die gesamte Testzeit. Die Vorhersage wird durch vier verschiedene maschinelle Lernmethoden (Tree-Typ, Support-Vektor-Maschine, K-nächster Nachbar, neuronales Netzwerk) erreicht, die mit Daten aus 54 Ring-on-Disc-Tests mit hoher Variation in Material- und Ölkombinationen trainiert wurden. Das Verfahren ermöglicht die quantifizierbare und stufenlose Vorhersage von Absolutwerten der Reibungsleistung mit einer Genauigkeit von 97,6 % auf unsichtbaren Daten mit einem gewichteten K-nächster-Nachbar-Klassifikator zu jedem Zeitpunkt während eines Experiments. Das System reagiert gut auf schnelle Änderungen der Reibungsbedingungen aufgrund von Last- und Temperaturänderungen. Die Studie zeigt den hohen Informationsgrad der Schallemissionen über die tatsächlich auftretenden Reibungsmechanismen und die quantitativen und nicht nur qualitativen Informationen, die man durch deren Analyse über ein tribologisches System gewinnen kann.