来自科学与工业研究所和大阪大学NTN下一代研究联盟实验室的科学家们开发了一种机器学习方法,结合卷积神经网络和贝叶斯分层建模,精确预测滚动轴承的剩余使用寿命。这项工作可能会带来新的工业监测方法,帮助管理维修计划,并在缺陷进展的情况下最大限度地提高效率和安全性。


​研究人员开发了一种机器学习方法来预测轴承的寿命


滚动轴承由两个被滚动元件(球或滚子)分开的环组成。由于滚动的便捷性,套圈可以相对旋转,摩擦力很小。滚动轴承对几乎所有带有旋转元件的自动化机械都是必不可少的。轴承最终会因磨损而失效,但往往潜在的缺陷不容易修复,因为套圈在一个无法进入的地方,或者机器停机的成本太高。因此,准确预测缺陷进展下的剩余使用寿命的能力将减少不必要的维修程序和过早丢弃的部件,而不会有故障的风险。


现在,大阪大学的一个研究小组已经使用机器学习,根据测量的振动频谱来预测滚动轴承的剩余有用寿命。众所周知,随着轴承内部的缺陷越来越严重,其振动幅度开始波动。首先,科学家们创建了一个频谱图,显示不同频率的强度与时间的关系。然后,这些二维图被用来训练成卷积神经网络,这是一种用于图像识别和视觉任务的机器学习方法。


​研究人员开发了一种机器学习方法来预测轴承的寿命


第一作者Masashi Kitai说:“由于振动特征的不规则波动,预测缺陷进展下滚动轴承的剩余使用寿命曲线通常是困难的,正因为如此,贝叶斯分层建模被用来推断参数,包括剩余寿命,这种方法使科学家们能够将结果与相关的不确定性整合为一组预测,在测试过程中,该方法将预测的剩余使用寿命的误差提高了约32%。”


高级作者Ken-ichi Fukui说:“基于我们的技术对工业机械进行更有效的维护可能会导致环境负担和经济损失的减少,未来的算法可能会被推广,以适用于广泛的机械部件。”

免责声明

我来说几句

不吐不快,我来说两句
最新评论

还没有人评论哦,抢沙发吧~