מסגרת חדשה מבוססת למידה עצמית קונטרסטיבית דו-ממדית לחיזוי תוחלת החיים הנותרת של אביזרי רכיב מסתובבים

מדוע חשוב לחזות בלאי לפני שהוא מתרחש

מטורבינות רוח ורכבות מהירות ועד רובוטים תעשייתיים — אינספור מכונות מסתמכות על אביזרי גלגול (rolling bearings) — רכיבים מתכתיים קטנים שמאפשרים לסרגלים להסתובב בצורה חלקה. כשאביזר כושל באופן בלתי צפוי, התוצאה יכולה להיות זמן השבתה יקר ואפילו תאונות מסוכנות. מחקר זה מציג דרך חכמה יותר להעריך כמה חיים שימושיים נותרו לאביזר, באמצעות כמויות עצומות של נתוני רטט ובינה מלאכותית מודרנית. הגישה נועדה להיות מדויקת יותר, עמידה יותר לרעשים ופחות תלויה בתיוג אנושי יקר בהשוואה לשיטות רבות קיימות.

להקשיב לרעידות זעירות כדי לחזות כשל

במהלך ההזדקנות של אביזר, סדקים זעירים ושחיקה משנים בהדרגה את דפוסי הרטט שלו. מהנדסים מתקינים חיישנים על מכונות כדי להקליט את אותות הרטט ולנסות להסיק כמה קרוב האביזר לכשל — כמות הידועה בשם תוחלת החיים הנותרת. מסורתית, הדבר נעשה באמצעות נוסחאות פיזיקליות שדורשות ידע מומחה עמוק או באמצעות מודלים סטטיסטיים שצריכים הרבה נתוני כשל מלאים. לאחרונה, מערכות למידה עמוקה אומנו למפות אותות גולמיים ישירות להערכות חיים. עם זאת, מערכות אלה לעיתים מתנהגות כמו תיבות שחורות: הן עשויות להתאים את הנתונים אך לייצר ייצוגים פנימיים קוצניים, לא עקביים לאורך זמן וקשים לפרש — מה שמחליש את האמינות בשימוש מעשי.

ללמד מכונות ללמוד מנתונים ללא תיוג

המחברים מציעים מסגרת חדשה, שנקראת DCSSL, המתבססת על למידה עצמית — דרך שבה רשתות עצביות מלמדות את עצמן מנתונים לא מתויגים. במקום להתחיל מתוויות חיים שהוזנו ידנית, המודל לומד תחילה מתוך הקלטות רטט גולמיות ולומד לחזות חלקים חסרים של האות מהסביבה שלו ולהבחין בין מצביו של אביזר אחד לאלה של אחר. האימון המקדמי מונחה על ידי אסטרטגיה קונטרסטיבית: למערכת מראים שתי חתיכות מעט שונות של אותו אות בסיסי ומעודדים להתייחס אליהן כקשורות, בעוד שחתיכות מאביזרים או זמנים שונים מטופלות כנבדלות. בדרך זו היא מגלת דפוסים חלקים והתפתחותיים המשקפים כיצד הבריאות המכנית משתנה עם הזמן, הרבה לפני שמציגים לה מספרי תוחלת חיים מפורשים.

להתמקד בזמן ועל פני אביזרים בו־זמנית

חידוש מרכזי הוא האופי "דו־ממדי" של פונקציית המטרה. ראשית, לאורך ציר הזמן המודל מאומן להבין כיצד מצב של אביזר בודד מתפתח: מקטעים חופפים של אותו אות נחתכים וחלק מנקודות הזמן מוסתרות בכוונה. הרשת חייבת לשחזר את ההתנהגות החסרה מנקודות סמוכות, מה שמניע אותה ללכוד התדרדרות הדרגתית במקום רעש אקראי. שנית, על פני אביזרים שונים, המערכת לומדת להבחין בין המסלולים האישיים שלהם, גם אם הם מזדקנים באופן מעט שונה. באיזון בין שתי הלחצים הללו — שינוי חלק לאורך זמן והפרדה ברורה בין מכונות — הייצוג הנלמד הופך גם לפרשני וגם לניבוי של בלאי עתידי.

מבט מהיר ואמיתי יותר על ההידרדרות

כדי למodel רצפים ביעילות, המסגרת משתמשת ברשת קונבולוציה סיבתית מדוללת (dilated causal convolution). בניגוד למודלים חוזרים מסורתיים שיכולים להיות איטיים וקשים לאימון, מבנה זה יכול "לראות" רחוק אחורה בזמן ועדיין לשמור על סיבתיות — ההערכות הנוכחיות תלויות רק באותות הנוכחיים והעבריים, לא בעתיד. לאחר שלב הלמידה העצמית, מחוברת שכבת חיזוי פשוטה ומותאמת עדינה על סט קטן יותר של הקלטות רטט שיש להן זמני כשל ידועים. המחברים בדקו את השיטה שלהם על מבחן תקני נפוץ לאביזרים, שבו מפעילים אביזרים עד לכשל בתנאי עומס ומהירות מבוקרים. בהשוואה למספר שיטות למידה עמוקה מובילות, הגישה החדשה הניבה בעקביות שגיאות נמוכות יותר וחיזויים יציבים יותר, ובמיוחד נמנעה מהערכות קיצוניות בתחילת או בסוף החיים.

מה משמעות הדבר עבור מכונות אמיתיות

לקורא שאינו מומחה, המסקנה היא ש־DCSSL מספקת הערכה ברורה וחלקה יותר של אופן השחיקה של אביזר, והיא מסוגלת לעשות זאת תוך ניצול הרבה יותר של הנתונים שכבר נאספים אך אינם מתוייגים ידנית. תחזיותיה עוקבות אחרי עקומת ההידרדרות האמיתית באופן מהימן יותר: שטוחות במהלך פעולה תקינה ולאחר מכן יורדות בעקביות ככל שהנזק מצטבר, ללא קפיצות סותמיות. זה מקל על מהנדסים לתזמן תחזוקה לפני שהבעיות הופכות לקריטיות, חותך זמן השבתה ומשפר בטיחות. בעוד שהמחקר הנוכחי מתמקד במערכת נתונים ותנאי תפעול קבועים, הרעיון הבסיסי — לתת למכונות ללמד את עצמן דפוסי הידרדרות לפני שלימוד חיזוי תוחלת חיים — מציע נתיב מבטיח לעבר ניטור בריאות אמין ויעיל יותר בנתונים עבור סוגים רבים של ציוד תעשייתי.

ציטוט: 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

מילות מפתח: תוחלת החיים הנותרת של מנוע גלגול, למידה עצמית, למידה קונטרסטיבית, ניטור מצב הרטט, תחזוקה חזויה