Ученые из Института научных и промышленных исследований и лабораторий NTN Next Generation Research Alliance в Университете Осаки разработали метод машинного обучения, сочетающий сверточные нейронные сети и иерархическое моделирование для точного прогнозирования оставшегося срока службы подшипников качения. Эта работа может привести к новым методам промышленного мониторинга, которые помогут управлять графиками технического обслуживания и максимизировать эффективность и безопасность при прогрессировании дефектов.
Обзор подшипника качения и формы дефекта на поверхности дорожки качения внутреннего кольца. Предоставлено: Осакский университет.
Подшипник качения состоит из двух колец, разделенных телами качения (шариками или роликами). Благодаря легкости качения кольца могут вращаться относительно друг друга с очень небольшим трением. Подшипники качения необходимы почти для всего автоматизированного оборудования с вращающимися элементами. Подшипники в конечном итоге выходят из строя из-за износа, но часто потенциальные дефекты не могут быть легко устранены, потому что кольца находятся в недоступном месте или простой машины слишком дорог. Таким образом, возможность точно спрогнозировать оставшийся полезный срок службы при прогрессировании дефектов позволит сократить ненужные процедуры обслуживания и преждевременно выброшенные детали без риска поломки.
Теперь группа исследователей из Университета Осаки использовала машинное обучение для прогнозирования оставшегося срока службы подшипников качения на основе измеренного спектра вибрации. Известно, что по мере роста дефектов внутри подшипника амплитуда его колебаний начинает колебаться. Сначала ученые создали спектрограмму, показывающую интенсивность различных частот как функцию времени. Эти двумерные графики затем использовались для обучения сверточной нейронной сети, которая представляет собой метод машинного обучения для задач распознавания изображений и зрения.
Изменения в распределении прогнозов оставшегося срока службы по мере развития дефектов. Предоставлено: Осакский университет.
«Прогнозировать оставшийся срок службы подшипников качения при прогрессировании дефектов обычно сложно из-за нерегулярных колебаний характеристик вибрации», — говорит первый автор Масаси Китаи. Из-за этого байесовское иерархическое моделирование использовалось для вывода параметров, включая оставшийся срок службы. Такой подход позволил ученым объединить результаты в единый набор прогнозов вместе с соответствующими неопределенностями. Во время тестирования метод улучшил ошибку прогнозируемого оставшегося срока полезного использования примерно на 32%.
«Более эффективное обслуживание промышленного оборудования на основе нашей технологии может привести к снижению нагрузки на окружающую среду и экономических потерь», — говорит старший автор Кен-ичи Фукуи. Будущие алгоритмы могут быть обобщены для работы с широким спектром механических частей.
Дополнительная информация: Масаси Китаи и др., Система прогнозирования оставшегося срока службы подшипников качения при прогрессировании дефектов на основе нейронной сети и байесовского метода, IEEE Access (2021 г.). DOI: 10.1109 / ACCESS.2021.3073945