שיטת אבחון תקלות במיסבים גליליים באמצעות FBEWT ו‑EIRVM

מדוע תקלות חבויות במיסבים חשובות

מגלגלי רכבות דרך מסועים במפעלים ועד טורבינות רוח — מכונות רבות מסתמכות על מיסבים גליליים: טבעות מתכת קטנות מלאות בכדורים או גלילים שמאפשרים לסרנים להסתובב בצורה חלקה. כאשר חלקים אלו מתחילים לסדוק או להתלבש, הסימנים המוקדמים הם לעיתים קרובות רעידות זעירות שקבורות ברעש. החמצת הרמזים הללו עלולה להוביל לתקלות פתאומיות, תיקונים יקרים או אף תקריות בטיחות. מחקר זה מציג דרך חדשה "להקשיב" לאותות החלשים האלה ולזהות בעיות במיסבים מוקדם ובאמינות גבוהה יותר, גם כאשר הנתונים רעשניים והמכונות פועלות בעומסים משתנים.

דרך חכמה יותר לקרוא תבניות רעידה

המחברים מתמקדים באופן שבו הופכים נתוני רעידות גולמיים לתמונות ברורות של התנהגות המיסב, ואז איך ללמד מחשב לקרוא את התמונות האלו. במקום להסתמך על מתכונים קבועים לניתוח אותות, הם מציעים שיטה בשם טרנספורם גל־מאפני אמפירי פורייה–ביסל (FBEWT). בפשטות, FBEWT מעצב מחדש את רישום הרעידות לתמונה זמן–תדר — סוג של מפת חום שמציגה אילו טונים של רעידות פעילים בכל רגע. באמצעות צורות גל מתמטיות מיוחדות (פונקציות ביסל) והתאמה לנתונים עצמם, FBEWT מפריד רכיבי רעידה חופפים ששיטות ישנות נוטות לערבב. התוצאה היא תמונה חדה ונקייה יותר שבה דפוסי תקלה בולטים יותר לעומת הרקע.

הפיכת תמונות למרקמים מזהים

לאחר שהנתונים הופכים לתמונות זמן–תדר, השלב הבא הוא לחלץ טביעות אצבע נומריות קומפקטיות שקל לסווג. החוקרים עושים זאת על ידי התייחסות לכל תמונה כאל צילום מרקמתי ומדידת אופן ההופעה המשותפת של בהירויות הפיקסלים בתמונה. מדדי המרקם הללו לוכדים תכונות כמו ניגודיות, חלקות וסדירות המשקפות את דפוסי הזעזועים החוזרים הנוצרים על ידי משטחים נגועים במיסב. בהשוואה למדדים פשוטים כגון ממוצע או שונות, תיאורי המרקם שומרים על יותר מהמבנה המקומי והעדין הקשור לסדקים במשטח המירכתי הפנימי, המירכתי החיצוני או רכיבי הגלגול.

מכונת למידה זריזה ויעילה

כדי להחליט באיזה מצב בריאות נמצא המיסב, המאמר משדרג מודל הסתברותי הידוע בשם מכונת וקטורים רלוונטיים (RVM). ה‑RVM האינקרמנטלי המוגבר (EIRVM) לומד אילו דוגמאות אימון באמת אינפורמטיביות ושומר רק תת־קבוצה קטנה, המכונה וקטורי רלוונטיות, מה שמפחית גם שימור זיכרון וגם חישוב. באופן חיוני, הוא יכול לעדכן את עצמו כאשר נתונים חדשים מגיעים במקום לאמן מחדש מההתחלה — דרישה מעשית לניטור מקוון בתעשייה. כדי לכוונן את הפרמטר הרגיש ביותר שלו — רוחב הגרעין שמודד דמיון בין דוגמאות — המחברים מפעילים הליך חיפוש מטא־היוריסטי בהשראת התנהגות הציד של זאבים אפורים, המוגבר ביסוד תורת הכאוס (CGWO). אסטרטגיית החיפוש החכמה הזו בוחנת ביעילות את מרחב ההגדרות האפשריות ומונעת התכנסות מוקדמת על אפשרויות תת־אופטימליות.

מבחן השיטה

צינור העבודה FBEWT–EIRVM המוצע הוערך על מספר מערכי נתונים מקובלים של תקלות מיסבים ממעבדות ניסוי, וכן על מדידות אמיתיות מתקנה תעשייתית פעילה. בכל מקרה השיטה נדרשה להבחין בין מיסבים בריאים לאלה עם נזקים במירכתי הפנימי, המירכתי החיצוני או בכדורים, ועליה לעשות זאת בעומסים משתנים ובתוספת רעש מלאכותי. בכל התרחישים הגישה החדשה מספקת בעקביות דיוק סיווג גבוה יותר מאשר טכניקות מתחרות, כולל ניתוח גל־מאפני אמפירי מסורתי בשילוב עם RVM סטנדרטי, ואפילו שילוב מודרני של למידה עמוקה המבוסס על רשתות קונבולוציה ורשתות חוזרות. באופן בולט, ביצועיה כמעט שאינם משתנים גם כאשר מוזרק רעש חזק לנתונים, מה שמעיד על עמידות טובה להפרעות.

מה זה אומר למכונות של כל יום

לקהל שאינו מומחה, המסקנה היא שמחקר זה מציע סטטוסקופ אמין יותר למכונות מסתובבות. על ידי יצירת תמונות ברורות יותר של רעידות המיסבים וקישורן לאלגוריתם למידה קומפקטי שמתעדכן בעצמו, מסגרת FBEWT–EIRVM יכולה לזהות תקלות בשלבים מוקדמים בביטחון גבוה, גם כאשר האותות חלשים או רעשניים. במובן מעשי, פירוש הדבר שצוותי תחזוקה יכולים לתפוס בעיות מוקדם יותר, לתזמן תיקונים באופן חכם יותר ולהפחית גם זמני השבתה וגם סיכון בציוד קריטי — מתחבורה ועד תחנות כוח.

ציטוט: Zheng, Q., Li, Y., Chen, Y. et al. Fault diagnosis method of rolling-element bearings via FBEWT and EIRVM. Sci Rep 16, 14532 (2026). https://doi.org/10.1038/s41598-026-44164-6

מילות מפתח: אבחון תקלות במיסבים, ניתוח רעידות, ניטור בריאות מכונות, הדמיית זמן־תדר, תחזוקה חכמה