FBEWT と EIRVM による回転要素ベアリングの故障診断手法

なぜ見えにくいベアリングの問題が重要なのか

列車の車輪から工場のコンベヤや風力タービンまで、無数の機械が回転要素ベアリングに依存しています。これらは軸を滑らかに回すための鋼球やローラーを詰めた小さな金属リングです。これらの部品が亀裂を生じたり摩耗したりすると、初期の警告はしばしば雑音に埋もれたごく小さな振動として現れます。そうした手がかりを見逃すと、突然の故障、高額な修理、場合によっては安全上の事故につながりかねません。本論文は、データが雑然としていたり負荷が変動している状況でも、微弱な信号をより早く確実に捉えてベアリングの不具合を検出する新しい手法を提示します。

振動パターンを読み解くより賢い方法

著者らは、生の振動データをベアリングの挙動を示す明瞭な画像に変換し、その画像をコンピュータに読み取らせる方法に注目しています。固定的な解析手順に頼る代わりに、フーリエ–ベッセル経験的ウェーブレット変換（FBEWT）と呼ばれる手法を導入します。平たく言えば、FBEWT は振動記録を時間–周波数画像、つまりどの周波数成分がいつ活動しているかを示すヒートマップのようなものに再構成します。ベッセル関数という特殊な数式的波形を用い、データに適応することで、従来法が混同しがちな重なり合った振動成分を分離します。その結果、故障に関連するパターンが背景からより鮮明に浮かび上がる、シャープでクリーンな画像が得られます。

画像を手がかりとなるテクスチャに変える

振動データを時間–周波数画像に変換した後の次のステップは、分類器が扱えるコンパクトな数値指紋を抽出することです。研究者たちは各画像をテクスチャのある写真のように扱い、画素の明るさがどのように共起するかを測定することでこれを行います。いわゆるテクスチャ指標は、コントラスト、なめらかさ、規則性などの特徴を捉え、損傷したベアリング表面が作り出す繰り返しの衝撃パターンを反映します。平均や分散のような単純な統計量と比べて、これらのテクスチャ記述子は内輪（inner race）、外輪（outer race）、転動体に生じる亀裂に伴う微妙で局所的な構造をよりよく保持します。

機敏で効率的な学習機構

ベアリングの状態を判定するために、本論文では関連ベクトル機（RVM）として知られる確率的モデルを改良します。拡張インクリメンタル RVM（EIRVM）は、どの訓練例が本当に有益かを学習して小さな部分集合（関連ベクトル）だけを保持することで、メモリ使用量と計算量を抑えます。重要なのは、新しいデータが到着した際にゼロから再学習するのではなく自己更新できる点で、これは産業でのオンライン監視に実用的な要求です。類似度を測るカーネル幅という最も感度の高いハイパーパラメータを微調整するために、著者らは灰色オオカミ最適化（GWO）の狩猟行動に着想を得たメタヒューリスティック探索を採用し、カオス理論を一部組み合わせた改良版（CGWO）を用います。この巧妙な探索戦略は、解空間を効率的に探索し、早期収束で準最良解に陥ることを避けます。

手法の実証

提案した FBEWT–EIRVM パイプラインは、複数の実験台における広く使われているベアリング故障データセットと、稼働中の産業設備からの実測データで評価されます。各ケースで、本手法は健全なベアリングと内輪、外輪、あるいはボールに欠陥のあるベアリングを識別しなければならず、異なる負荷条件や人工的に付加したノイズ下でも性能を発揮する必要があります。すべてのシナリオにおいて、本手法は従来の経験的ウェーブレット解析と標準的な RVM の組合せ、さらには畳み込み・再帰型ニューラルネットワークを組み合わせた最新の深層学習手法を含む競合手法よりも一貫して高い分類精度を示しました。特に、強いノイズを加えても性能がほとんど変わらない点は、干渉への高い耐性を示しています。

日常の機械にとっての意義

専門外の読者にとっての要点は、本研究が回転機械のためのより信頼できる“聴診器”を提供するということです。ベアリングの振動をより明瞭な画像として再現し、それを自己更新するコンパクトな学習アルゴリズムと結び付けることで、FBEWT–EIRVM フレームワークは信号が弱かったりノイズが多かったりする場合でも初期段階の故障を高い確信度で検出できます。実務的には、これにより保守チームは問題を早期に発見して修理の予定を賢く立てられ、輸送システムから発電所までの重要設備における稼働停止時間とリスクを減らすことができます。

引用: 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

キーワード: ベアリング故障診断, 振動解析, 機械の健康監視, 時間–周波数イメージング, インテリジェント保守