Mechanische onderdelen slijten na verloop van tijd, wat leidt tot verschillende soorten oppervlakteschade. Het karakteriseren van deze schade helpt de oorzaak van het falen te begrijpen. Traditioneel inspecteren menselijke experts versleten oppervlakken visueel, maar dit proces is traag en subjectief. Geautomatiseerde methodes die gebruik maken van beeldanalyse zijn onderzocht, maar deze methodes zien de diepte van de versleten oppervlakken niet en hebben veel beelden nodig. Als alternatief kan het beoordelen van de versleten topografie in drie dimensies (3D) helpen om de verschillende soorten schade te identificeren. Dit proefschrift presenteert een nieuw raamwerk om slijtageschade op metalen onderdelen te identificeren. Het gebruikt 3D metingen van versleten oppervlakken in combinatie met een artificieel neuraal netwerk. Er worden twee nieuwe meeteenheden geïntroduceerd: oppervlaktebewegingsoriëntatie (Smo) en oppervlaktegelaagdheidsratio (Ssr). Smo toont hoe schade is uitgelijnd met de bewegingsrichting en Ssr meet de verhouding tussen oppervlaktepieken en -dalen. Deze meeteenheden dienen als input voor een neuraal netwerk dat ontwikkeld werd om indentaties, groefvorming, putvorming en adhesiefouten te classificeren. Het voorgestelde raamwerk vertoonde een nauwkeurigheid van 94% bij het classificeren van deze slijtagefouten in proefstukken afkomstig van micro-abrasie- en tandwieltests. Dit nieuwe raamwerk biedt een betrouwbaar en efficiënt controle-instrument om slijtageschade op metalen onderdelen te identificeren.