ISO/TC 251
Более 90% машин оснащены подшипниками качения. Для достижения производственных целей подшипники качения работают непрерывно в различных условиях эксплуатации и окружающей среды. Это приводит к различным типам дефектов в компонентах подшипников, таким как усталость, износ, вибрации, недостаточная смазка, ошибки проектирования, пластическая деформация, образование борозд, коррозия и неправильная установка.
Значительная доля отказов (около 40% отказов вращающегося оборудования) связана именно с дефектами подшипников. Следовательно, они являются одними из наиболее важных компонентов. Любые серьезные дефекты в них повлияют не только на производительность, но и на доступность, безопасность и надежность.
В этом обзоре систематизированы методы диагностики подшипников качения с акцентом на методы машинного обучения и передовые методы глубокого обучения.
Традиционные методы диагностики дефектов в значительной степени основаны на процессе, частоте появления признаков или извлечении признаков неисправности из характеристик подшипникового узла. Для диагностики используют такие традиционные методы, как:
- Визуальный осмотр, который позволяет обнаружить трещины, коррозию, изменения цвета металла и другие дефекты.
- Аудиальная диагностика - прослушивание шумов и вибраций с помощью стетоскопа или акустических датчиков.
- Инструментальный контроль - измерение вибраций, температуры, токов, анализ состояния смазки и продуктов износа.
- Термография, которая позволяет визуализировать распределение температуры по поверхности подшипникового узла и выявить аномальные зоны нагрева.
Однако, традиционные методы сталкиваются с ограничениями при обнаружении дефектов сложного оборудования, поскольку в значительной степени зависят от практического опыта и профессиональной экспертизы, требуют специальных знаний. С другой стороны, сигналы со статистическими характеристиками (вибрационные и другие) можно анализировать с помощью вычислительных методов выявления закономерностей и аномалий, что облегчает идентификацию и диагностику неисправностей. К таким методам относятся, в частности:
- анализ огибающей,
- вейвлет-преобразование,
- быстрое преобразофание Фурье,
- эмпирическое разложение по модам (EMD).
Они давно используются, но их возможности ограничены шумами и нестационарными сигналами. Недавние исследования интегрируют передовые методы обработки сигналов с подходами машинного обучения. Алгоритмы машинного обучения (ML) уменьшают зависимость от субъективной интерпретации признаков неисправности и повышают точность диагностики в сложных условиях эксплуатации. Обучившись на трендах из вибрационных и других сигналов, излучаемых подшипником, алгоритмы ML автоматически обнаруживают и распознают неисправности.
Существуют различные алгоритмы машинного обучения, которые включают:
- классификационный анализ,
- регрессионный анализ,
- кластеризацию данных,
- обучение ассоциативным правилам,
- инженерию признаков для уменьшения размерности,
- методы глубокого обучения (ANN, CNN, LSTM, DNN, RNN).
Как поверхностные, так и глубокие методы машинного обучения способствуют идентификации, локализации и оценке серьезности неисправностей. Поверхностные модели позволяют проводить модульный, интерпретируемый анализ, в то время как глубокое обучение обеспечивает автоматическое извлечение признаков и сильную обобщающую способность в сложных условиях.
Методы, основанные на искусственных нейронных сетях (CNN), способны изучать сложные шаблоны данных. Подходы глубокого обучения, такие как сверточные нейронные сети (CNN) и сети долгой краткосрочной памяти (LSTM), эффективно моделируют деградацию и распространение неисправностей. Они могут изучать сигнатуры неисправностей непосредственно из необработанных данных без необходимости ручного извлечения характеристик.
В обнаружении неисправностей подшипников искусственные нейронные сети (ANN) широко используются для диагностики таких дефектов, как дефекты внутреннего кольца, наружного кольца и сепаратора. Как правило, сигналы вибрации или акустической эмиссии сначала предварительно обрабатываются с использованием статистических мер или вейвлет-преобразований, чтобы подчеркнуть характеристики, связанные с неисправностью, и уменьшить шум. При этом ANN на основе вейвлетов достигают точности классификации выше 99% для сценариев сложных неисправностей
Для повышения эффективности диагностики EMD был интегрирован со сверточными нейронными сетями (CNN). Гибрид EMD–CNN продемонстрировал заметный успех в обнаружении ранних признаков неисправностей и обработке нестационарной динамики, при этом несколько исследований подтвердили его применимость на эталонных наборах данных и реальных промышленных системах.
В диагностике подшипников CNN все чаще используются благодаря их способности автоматически изучать дискриминантные признаки из необработанных или слегка обработанных данных, устраняя необходимость в ручной разработке признаков. CNN очень эффективными для классификации типов неисправностей и оценки остаточного срока службы (RUL).
Глубокие нейронные сети (DNN) представляют собой более широкий класс нейронных архитектур, характеризующихся множеством скрытых слоев, которые постепенно преобразуют входные данные в представления более высокого уровня. Каждый слой применяет нелинейные преобразования, что позволяет DNN улавливать сложные взаимосвязи и иерархические закономерности в вибрационных или акустических данных. Сила DNN заключается в их способности исключать ручную разработку признаков путем автоматического извлечения признаков из необработанных входных данных датчика. Ранние слои улавливают низкоуровневые признаки, такие как пики и края сигнала, в то время как более глубокие слои кодируют абстрактные сигнатуры деградации, обеспечивая надежное обнаружение неисправностей, задачи регрессии и оценку остаточного срока службы. Помимо традиционных областей, таких как распознавание речи и изображений, DNN успешно применяются для обнаружения неисправностей, обнаружения аномалий и прогнозирующего технического обслуживания вращающегося оборудования.
Хотя DNN обеспечивают высокую точность диагностики, они являются вычислительно затратными и требовательными к данным, что требует тщательной регуляризации во избежание переобучения. Их интерпретируемость также остается ограничением, поскольку более глубокие слои работают как модели «черного ящика».
Рекуррентные нейронные сети (RNN) предназначены для улавливания временных зависимостей путем включения петель обратной связи, что делает их особенно подходящими для последовательных данных, таких как сигналы вибрации. В отличие от сетей прямого распространения, RNN сохраняют память о предыдущих входных данных, что позволяет им моделировать временную динамику во вращающихся механизмах, где признаки неисправностей изменяются со временем. Это делает RNN очень эффективными для обнаружения неисправностей подшипников и мониторинга состояния в нестационарных средах.
RNN часто интегрируются с методами предварительной обработки, такими как вейвлет-преобразование или быстрое преобразование Фурье, для улучшения представления признаков. Экспериментальные оценки показали, что модели на основе RNN могут стабильно достигать точности классификации неисправностей, превышающей 95%, на различных наборах данных.
Тем не менее, RNN представляют собой проблемы, такие как высокая вычислительная стоимость, длительное время обучения и ограниченная интерпретируемость изученных временных признаков. Для решения этих проблем используются такие методы, как ограничение градиента и механизмы внимания.