滾動軸承是帶有旋轉元件的自動化機械中必不可少的部件。它們有多種形狀和尺寸，但本質上旨在承載負載，同時最大限度地減少摩擦。通常，該設計由兩個由滾動元件(球或滾子)隔開的環組成。環可以旋轉，可以相對于彼此旋轉，摩擦很小。
與其他機器部件一樣，軸承最終會因磨損而失效。但由于兩個原因，修復缺陷可能令人望而卻步：首先，無法接近環，其次，機器停機成本高昂。
大阪大學科學與工業研究所和 NTN 下一代研究聯盟實驗室的科學家報告說，在缺陷進展情況下準確預測軸承剩余使用壽命的能力可以減少不必要的維護程序和過早丟棄的零件，而不會冒故障風險。
滾動軸承概述及內圈滾道表面缺陷形狀。
科學家們開發了一種機器學習方法，該方法結合了卷積神經網絡和貝葉斯分層建模來預測滾動軸承的剩余使用壽命。 他們的方法是基于測量的振動譜。
科學家們指出，隨著軸承內部出現缺陷，其振動幅度開始波動。他們創建了一個頻譜圖，顯示了作為時間函數的不同頻率的強度。這些二維圖被用來訓練卷積神經網絡，這是一種用于圖像識別和視覺任務的機器學習方法。
由于振動特征的不規則波動，預測缺陷進展下滾動軸承的剩余使用壽命曲線通常很困難，第一作者 Masashi Kitai 指出。
科學家們使用貝葉斯分層模型來推斷參數，包括剩余壽命。這種方法使科學家能夠將結果與相關的不確定性一起整合到一組預測中。在測試過程中，該方法將預測剩余使用壽命的誤差提高了約32%。
基于我們的技術對工業機械進行更有效的維護可能會減少環境負擔和經濟損失，資深作者福井健一說。
科學家們希望未來的算法可以推廣到廣泛的機械部件上，并為維護計劃、效率和安全帶來新的工業監控方法。
網站客服
粵公網安備 44030402000946號