Vermindering van labelafhankelijkheid bij trillingsgebaseerde conditiebewaking van boorbit met gemaskeerde feature-pretraining

Waarom slimme boren belangrijk zijn op de werkvloer

In moderne fabrieken boren kleine boortjes stilletjes duizenden precieze gaten in metalen onderdelen. Wanneer deze gereedschappen slijten of afbrokkelen, kunnen de gevolgen groot zijn: onderdelen vallen buiten toleranties, oppervlakken worden ruw en machines staan stil terwijl operatoren naar de oorzaak zoeken. Deze studie onderzoekt een nieuwe manier om aan boortjes te "luisteren" via hun trillingen en kunstmatige intelligentie te gebruiken om hun staat te beoordelen, en dat terwijl de hoeveelheid door mensen gelabelde gegevens die normaal nodig is om zulke systemen te trainen drastisch wordt verminderd.

Luisteren naar het verborgen verhaal in trillingen

Terwijl een boor draait en snijdt, ontstaan complexe trillingen die veranderen naarmate het gereedschap van gloednieuw naar versleten of beschadigd gaat. De onderzoekers bevestigden een gevoelige versnellingsmeter op de spilbehuizing van een verticale freesbank en namen trillingssignalen op terwijl de boor gaten produceerde. Ze concentreerden zich op het stabiele deel van het boorproces, verdeelden de signalen in korte tijdvensters en schonen ze met wavelet‑gebaseerde ruisonderdrukking zodat slijtagegerelateerde patronen duidelijker naar voren komen. Uit elk venster haalden ze 20 eenvoudige numerieke beschrijvingen die aangeven hoe sterk, piekachtig en verspreid de trillingen zijn in zowel tijd als frequentie — zoals het gemiddelde niveau, variabiliteit, schokachtige pieken en hoe de energie over lage en hoge frequenties is verdeeld.

Een model leren zonder het de antwoorden te vertellen

Een groot obstakel in de industrie is dat elk trillingsmonster doorgaans door een expert moet worden gelabeld als "gezond" of een bepaald slijtagebeeld, wat traag en duur is. Om dit te omzeilen gebruikten de auteurs een strategie die zelfgestuurd leren wordt genoemd. In plaats van het model vanaf het begin gelabelde voorbeelden te voeren, bouwden ze een systeem dat leert door te proberen ontbrekende stukjes in te vullen. Voor elke trillingsfeaturevector verstopten ze willekeurig een kwart van de waarden en lieten een neuraal netwerk alleen die ontbrekende delen reconstrueren uit de resterende waarden. De input combineerde de werkelijke features met een eenvoudige indicator die aangaf welke ingangen verborgen waren. Door dit puzzel vaak te moeten oplossen ontdekte het netwerk hoe verschillende trillingskenmerken van elkaar afhangen en vormde het een compacte interne representatie van boorgedrag zonder ooit slijtagelabels te zien.

Van verborgen patronen naar duidelijke beslissingen over gereedschapstoestand

Nadat deze pretrainingfase was voltooid, verwijderden ze de reconstructiekop en koppelden een lichtgewicht classifier aan de geleerde representatie. Pas toen introduceerde het team een bescheiden hoeveelheid gelabelde data die zeven condities dekte: gezond, randafbrokkeling, buitenslip slijtage (outer corner wear), flankslijtage, beitelrand slijtage (chisel edge wear), krater slijtage en randslijtage (margin wear). De classifier leerde de interne trillings"vingerafdrukken" aan deze klassen te koppelen. Op een aparte testset herkende het systeem de gereedschapstoestand in meer dan 99% van de gevallen correct, met bijna perfecte balans over alle slijtetypes. Enige verwarring trad op tussen randafbrokkeling en kraterslijtage — twee modi die van nature zeer vergelijkbare hoogfrequente schokpatronen produceren — maar over het geheel genomen kwamen de voorspellingen sterk overeen met de expertlabels, zoals blijkt uit sterke samenvattende statistieken en een duidelijke confusion matrix.

Meer doen met veel minder gelabelde voorbeelden

De echte kracht van deze aanpak blijkt wanneer gelabelde data schaars zijn. De auteurs beperkten geleidelijk het aantal gelabelde voorbeelden dat de classifier mocht zien — tot slechts 10% van de gebruikelijke trainingslabels — terwijl ze dezelfde zelfgestuurde pretraining op ongelabelde trillingen handhaafden. Zelfs in deze moeilijke setting bleef de nauwkeurigheid boven 94%, terwijl conventionele machine‑learning- en deep‑learningmodellen die volledig op labels vertrouwden 15–25 procentpunten of meer verloren. Verdere analyses toonden aan dat de features die het model het belangrijkst vond, zoals laagfrequente energie en maten voor spectrale "wanorde" en impulsiviteit, goed overeenkomen met bekende fysieke signaturen van slijtage. Visualisatie van de geleerde featurespace toonde strakke, goed gescheiden clusters voor de meeste slijtestaten, wat aangeeft dat het interne beeld van de data door het model zowel gestructureerd als fysiek betekenisvol is.

Wat dit betekent voor echte fabrieken

Voor fabrikanten wijst dit werk op een praktische weg naar intelligente, trillingsgebaseerde boorbewaking die geen enorme, zorgvuldig gelabelde datasets vereist. Door een model eerst te leren ontbrekende delen van geconstrueerde trillingsfeatures te voorspellen, bouwt het systeem een rijke kennis van normaal en foutief snijgedrag op die vervolgens met relatief weinig expertlabels kan worden verfijnd. Het resultaat is een labelzuinige, interpreteerbare monitor voor gereedschapstoestand die subtiele slijtage en schade kan detecteren voordat het leidt tot afval of stilstand, en die kan worden bijgetraind of aangepast naarmate de omstandigheden op de werkvloer veranderen.

Bronvermelding: Chandan, M.N., Badadhe, A., Kebede, A.W. et al. Reducing label dependence in vibration-based drill-bit condition monitoring with masked feature pretraining. Sci Rep 16, 6555 (2026). https://doi.org/10.1038/s41598-026-37192-9

Trefwoorden: gereedschapslijtagebewaking, trillingsanalyse, zelfgestuurd leren, boren, conditiebewaking