Ein spatzensuchalgorithmus-optimiertes LSTM-Framework mit EMD-Entrauschung zur Vorhersage der verbleibenden Lebensdauer von Wälzlagern

Warum es wichtig ist, zu wissen, wann Maschinen ausfallen

Von Fabriklinien bis zu Windturbinen verlassen sich viele Maschinen auf drehende Metallringe, sogenannte Lager, damit bewegliche Teile reibungslos laufen. Wenn ein Lager unerwartet ausfällt, kann es eine ganze Produktionslinie lahmlegen, kostspielige Ausfallzeiten verursachen und sogar Sicherheitsrisiken mit sich bringen. Diese Arbeit stellt eine neue Methode vor, um vorherzusagen, wie lange ein Lager noch funktioniert, selbst wenn die Signale im Rauschen vergraben sind. Die Methode kombiniert clevere Signalreinigung, ein gehirnähnliches Prognosenetzwerk und ein statistisches Risikomodell, um Wartungsteams frühere und verlässlichere Warnungen zu geben.

Versteckte Hinweise in verrauschten Vibrationen

Lager altern still, während sich winzige Risse und Oberflächenverschleiß im Laufe der Zeit vergrößern. Ingenieure überwachen diesen Prozess mit Schwingungssensoren, aber in realen Fabriken sind diese Signale unordentlich: starkes Hintergrundrauschen und mehrere überlagerte Schwingungsmuster machen frühe Schäden extrem schwer erkennbar. Die Autoren begegnen diesem Problem, indem sie das rohe Schwingungssignal zunächst durch eine Technik namens Empirical Mode Decomposition (EMD) laufen lassen, die die komplexe Bewegung automatisch in einige einfachere Bausteine zerlegt. Anschließend betrachten sie die Energie in jedem dieser Komponenten und identifizieren jene, die die Schadensakkumulation am besten nachverfolgt. Diese Komponente wird zum zentralen «Health Indicator», der den Zustand des Lagers auf einer Skala von «neu» bis «nahe am Versagen» zusammenfasst.

Ein digitales Gedächtnis darin schulen, Verschleiß zu verfolgen

Der Schaden in einem Lager nimmt nicht gleichmäßig zu: Er kann sich verlangsamen, beschleunigen oder bei Entlastung bzw. verbesserter Schmierung sogar kurzzeitig „erholen“. Solche langfristigen, unregelmäßigen Muster zu erfassen, erfordert mehr als traditionelle Trendlinien. Die Studie verwendet ein Long Short-Term Memory-Netzwerk – eine Art Deep-Learning-Modell, das dafür entwickelt wurde, wichtige Informationen aus weit zurückliegenden Zeitpunkten zu behalten. Es lernt die Beziehung zwischen der jüngsten Historie des Health Indicators und der verbleibenden Nutzungsdauer. Da die Leistung dieses Netzwerks stark von Einstellungen wie der Lernrate und der Zahl interner Einheiten abhängt, vermeiden die Autoren manuelles Trial-and-Error und lassen stattdessen ein Optimierungsschema automatisch nach der besten Konfiguration suchen.

Ein virtueller Sperlingsschwarm stimmt das Modell ab

Zur Feinabstimmung des Prognosenetzwerks nutzt die Arbeit den Sparrow Search Algorithm (SSA), ein naturinspiriertes Verfahren, das nachahmt, wie Sperlingsschwärme bei der Futtersuche gleichzeitig Gefahren vermeiden. In dieser digitalen Version repräsentiert jeder «Sperling» einen Kandidaten für Netzwerkeinstellungen. Einige Sperlinge agieren als abenteuerliche Späher, andere folgen vielversprechenden Spuren und wenige bleiben auf der Hut vor schlechten Entscheidungen, die die Suche in ungünstigen Bereichen festsetzen würden. Durch viele Runden dieser kollektiven Suche konvergiert der Schwarm auf eine nahezu optimale Menge von Hyperparametern für das Gedächtnisnetzwerk. Diese automatisierte Abstimmung hilft dem Modell, komplexe Degradationsmuster genauer und mit weniger verschwendeten Trainingsläufen zu erlernen als konventionelle Ansätze.

Von einer Zahl zu vollständigen Risiko-Kurven

Viele Vorhersagewerkzeuge liefern nur eine einzige Zahl für die verbleibende Lebensdauer und erwecken so in Situationen, die von Natur aus unsicher sind, den Anschein von Gewissheit. Die Autoren gehen hier weiter und fassen die Ausgabe des Netzwerks in einen probabilistischen Rahmen. Sie nehmen an, dass sich der Health Indicator mit einer gewissen Zufälligkeit einem Ausfall-Schwellenwert nähert, ähnlich einem Teilchen, das unter einem gleichmäßigen Drall und zufälligen Stößen wandert. Unter dieser Annahme folgt die Zeit bis zum Erreichen des Ausfallniveaus einem bestimmten Wahrscheinlichkeitsgesetz. Dadurch kann die Methode nicht nur eine erwartete verbleibende Lebensdauer liefern, sondern auch die Streuung um diesen Wert sowie Überlebenskurven und Hazard-Raten, die direkt bei der Wartungsplanung und beim Risikomanagement nützlich sind.

Wie gut die neue Methode abschneidet

Die Autoren testen ihr hybrides Framework an einem weit verbreiteten Lagerlebensdatensatz, der unter unterschiedlichen Drehzahlen und Lasten aufgenommen wurde. Sie vergleichen ihren Ansatz – die Kombination aus Signalzerlegung, sperlingsbasierter Abstimmung und Gedächtnisnetzwerken – mit zwei etablierten Alternativen, die genetische Algorithmen bzw. Partikelschwarm-Optimierung zur Abstimmung ähnlicher Netzwerke verwenden. Bei vergleichbarem Rechenaufwand liefert die neue Methode schärfere Vorhersagen, geringere Fehler auf ungesehenen Daten und engere Verteilungen der Fehler. Sie bildet den tatsächlichen Degradationsverlauf treuer ab, insbesondere wenn das Lager in Phasen schnellen Verschleißes eintritt, was darauf hindeutet, dass die Kombination aus besserer Entrauschung und intelligenterer Parametersuche sich auszahlt.

Was das für echte Maschinen bedeutet

Einfach gesagt bietet diese Arbeit einen verlässlicheren «Gesundheitsmesser» und eine treffsicherere «Kristallkugel» für Maschinenlager. Durch die Reinigung der Schwingungssignale, das Antrainieren eines auf Gedächtnis basierenden Modells zum Lesen dieser Signale und das Einbetten der Ergebnisse in eine risikobewusste statistische Hülle kann die Methode Wartungsteams nicht nur sagen, wann ein Lager wahrscheinlich ausfallen wird, sondern auch, wie sicher diese Schätzung ist. Obwohl die aktuelle Studie auf einen Datensatz beschränkt ist und noch zu rechenintensiv für den Echtzeiteinsatz auf kleinen Geräten ist, weist sie den Weg zu intelligenteren, zuverlässigeren Systemen für vorausschauende Wartung, die ungeplante Stillstände reduzieren und die Lebensdauer kritischer Maschinen verlängern könnten.

Zitation: Li, Q., Zhang, B. & Fang, X. A sparrow search algorithm-optimized LSTM framework with EMD denoising for rolling element bearing remaining useful life prediction. Sci Rep 16, 8676 (2026). https://doi.org/10.1038/s41598-026-41852-1

Schlüsselwörter: vorausschauende Wartung, Lagerausfall, Schwingungsüberwachung, Deep Learning, verbleibende Nutzungsdauer