Ein neuartiges dual-dimensionales, kontrastives selbstüberwachtes Lernframework zur Vorhersage der verbleibenden Nutzungsdauer von Wälzlagern

Warum es wichtig ist, Verschleiß vor seinem Eintreten vorherzusagen

Von Windkraftanlagen und Hochgeschwindigkeitszügen bis hin zu Industrierobotern verlassen sich zahlreiche Maschinen auf Wälzlager – kleine Metallteile, die Wellen gleichmäßig drehen lassen. Bricht ein Lager unerwartet aus, kann das teure Stillstandzeiten oder sogar gefährliche Unfälle zur Folge haben. Diese Studie stellt eine intelligentere Methode vor, um abzuschätzen, wie viel nutzbare Lebensdauer einem Lager noch bleibt, indem große Mengen an Schwingungsdaten und moderne künstliche Intelligenz genutzt werden. Der Ansatz ist darauf ausgelegt, genauer zu sein, robuster gegenüber verrauschten Bedingungen und deutlich weniger auf kostenintensive Handbeschriftung angewiesen als viele aktuelle Methoden.

Auf winzige Vibrationen hören, um Ausfälle vorherzusehen

Mit zunehmendem Alter verändern mikroskopische Risse und Abrieb die Art und Weise, wie ein Lager vibriert. Ingenieure bringen Sensoren an Maschinen an, um diese Schwingungssignale aufzuzeichnen und daraus abzuleiten, wie nah das Lager einem Ausfall ist – eine Größe, die als verbleibende Nutzungsdauer bezeichnet wird. Traditionell geschieht dies entweder mit physikalisch basierten Formeln, die tiefes Expertenwissen erfordern, oder mit statistischen Modellen, die viele vollständige Ausfalldaten benötigen. Jüngst wurden Deep-Learning-Systeme entwickelt, die rohe Signale direkt auf Lebensdauerschätzungen abbilden. Diese Systeme verhalten sich jedoch oft wie Blackboxes: Sie mögen die Daten anpassen, erzeugen intern aber glanzlose, inkonsistente zeitliche Repräsentationen, die schwer zu interpretieren sind und die Zuverlässigkeit in der Praxis untergraben.

Maschinen beibringen, aus unlabeled Daten zu lernen

Die Autoren schlagen ein neues Framework namens DCSSL vor, das auf selbstüberwachtem Lernen beruht – einer Methode, mit der neuronale Netze sich aus unlabeled Daten selbst etwas beibringen. Anstatt mit von Menschen vergebenen Lebensdauern zu beginnen, studiert das Modell zunächst rohe Schwingungsaufzeichnungen und lernt, fehlende Teile des Signals aus der Umgebung vorherzusagen und den Zustand eines Lagers von dem eines anderen zu unterscheiden. Dieses Pretraining wird durch eine kontrastive Strategie geleitet: Dem System werden zwei leicht unterschiedliche Ausschnitte desselben zugrunde liegenden Signals gezeigt und es wird ermutigt, diese als zusammengehörig zu behandeln, während Ausschnitte von verschiedenen Lagern oder Zeitpunkten als unterschiedlich betrachtet werden. Dabei entdeckt es glatte, fortschreitende Muster, die widerspiegeln, wie sich der mechanische Zustand im Laufe der Zeit ändert, lange bevor explizite Lebensdauern eingeführt werden.

Gleichzeitig in die Zeit und über Lager hinweg zoomen

Eine wichtige Innovation ist die „dual-dimensionale“ Natur des Lernziels. Erstens entlang der Zeitachse wird das Modell darauf trainiert, zu verstehen, wie sich der Zustand eines einzelnen Lagers entwickelt: Überlappende Segmente desselben Signals werden zugeschnitten und manche Zeitpunkte absichtlich maskiert. Das Netzwerk muss das fehlende Verhalten aus benachbarten Punkten rekonstruieren, wodurch es dazu angeregt wird, graduellen Verschleiß statt zufälliges Rauschen zu erfassen. Zweitens lernt das System über verschiedene Lager hinweg, ihre individuellen Verläufe zu unterscheiden, selbst wenn sie auf leicht unterschiedliche Weise altern. Durch das Ausbalancieren dieser beiden Kräfte – stetige Veränderung über die Zeit und klare Trennung zwischen Maschinen – wird die gelernte Repräsentation sowohl interpretierbar als auch vorhersagekräftig für künftigen Verschleiß.

Eine schnellere, treuere Sicht auf die Degradation

Zur effizienten Modellierung von Sequenzen verwendet das Framework ein dilatiertes kausales Faltungsnetzwerk. Im Gegensatz zu herkömmlichen rekurrenten Modellen, die langsam und schwer zu trainieren sein können, kann diese Struktur weit in die Vergangenheit „sehen“ und dabei Ursache und Wirkung respektieren – aktuelle Schätzungen hängen nur von gegenwärtigen und vergangenen Signalen ab, nicht von zukünftigen. Nach der selbstüberwachten Phase wird eine einfache Vorhersageebene angebracht und auf einer kleineren Menge von Schwingungsaufzeichnungen, die bekannte Ausfallzeiten enthalten, feinabgestimmt. Die Autoren testeten ihre Methode an einem häufig genutzten Lager-Benchmark, bei dem Lager unter kontrollierten Lasten und Drehzahlen bis zum Ausfall betrieben werden. Im Vergleich zu mehreren führenden Deep-Learning-Baselines erzielte der neue Ansatz durchgehend geringere Fehler und stabilere Vorhersagen, insbesondere indem er extreme Fehleinschätzungen nahe dem Lebensanfang oder -ende vermied.

Was das für reale Maschinen bedeutet

Für Nicht-Spezialisten lautet das Fazit: DCSSL liefert eine klarere, gleichmäßigere Schätzung des Lagerverschleißes und kann dies mit weitaus mehr der bereits gesammelten, aber nicht manuell beschrifteten Daten tun. Seine Vorhersagen folgen der tatsächlichen Degradationskurve treuer: während gesunden Betriebs eher flach, dann stetig abfallend, wenn sich Schäden ansammeln, ohne sprunghafte Ausreißer. Das erleichtert Ingenieuren die Planung von Wartungsarbeiten, bevor Probleme kritisch werden, reduziert Stillstandszeiten und erhöht die Sicherheit. Während die aktuelle Studie auf einem Datensatz und festen Betriebsbedingungen basiert, bietet die zugrunde liegende Idee – Maschinen Muster des Verschleißes selbst lehren zu lassen, bevor sie lernen, die Lebensdauer vorherzusagen – einen vielversprechenden Weg zu zuverlässigerer, daten‑effizienterer Zustandsüberwachung für viele Arten industrieller Anlagen.

Zitation: Shen, Z., Yang, C., Cheng, L. et al. A novel dual-dimensional contrastive self-supervised learning-based framework for rolling bearing remaining useful life prediction. Sci Rep 16, 13364 (2026). https://doi.org/10.1038/s41598-026-38417-7

Schlüsselwörter: verbleibende Nutzungsdauer von Lagern, selbstüberwachtes Lernen, kontrastives Lernen, Schwingungszustandsüberwachung, vorausschauende Wartung