Een nieuw dubbel-dimensioneel contrastief zelf-lerend kader voor het voorspellen van de resterende levensduur van rollagers

Waarom het belangrijk is slijtage vóór het optreden te voorspellen

Van windturbines en hogesnelheidstreinen tot fabrieksrobots: talloze machines vertrouwen op rollagers—kleine metalen onderdelen die assen soepel laten draaien. Als een lager onverwacht faalt, kan dat leiden tot kostbare stilstand of zelfs gevaarlijke ongevallen. Deze studie introduceert een slimmere manier om te schatten hoeveel bruikbare levensduur een lager nog heeft, door gebruik te maken van grote hoeveelheden trillingsdata en moderne kunstmatige intelligentie. De aanpak is ontworpen om nauwkeuriger te zijn, robuuster tegen ruisende omstandigheden en veel minder afhankelijk van dure handmatige labeling dan veel huidige methoden.

Luisteren naar kleine trillingen om falen te voorspellen

Naarmate een lager ouder wordt, veranderen microscopische scheurtjes en slijtage geleidelijk de manier waarop het trilt. Ingenieurs plaatsen sensoren op machines om deze trillingensignalen vast te leggen en proberen af te leiden hoe dicht het lager bij falen is—een grootheid die bekendstaat als resterende levensduur. Traditioneel gebeurde dit met fysica-gebaseerde formules die diepe vakkennis vereisen of met statistische modellen die veel volledige faaldata nodig hebben. Recente diepe-leersystemen leren ruwe signalen direct naar levensduurschattingen te vertalen. Deze systemen werken echter vaak als zwarte dozen: ze kunnen de data wel passen maar produceren interne representaties die grillig, inconsistent in de tijd en moeilijk te interpreteren zijn, wat de betrouwbaarheid in de praktijk ondermijnt.

Machines leren van niet-gelabelde data

De auteurs stellen een nieuw kader voor, genaamd DCSSL, dat leunt op zelf-lerend leren—een manier waarop neurale netwerken zichzelf leren van niet-gelabelde data. In plaats van te beginnen met handmatig ingevoerde levensduurlabels, bestudeert het model eerst ruwe trillingsopnames en leert het ontbrekende delen van het signaal te voorspellen op basis van de omgeving en om de toestand van het ene lager van die van een ander te onderscheiden. Deze pre-training wordt gestuurd door een contrastieve strategie: het systeem krijgt twee licht verschillende uitsneden van hetzelfde onderliggende signaal te zien en wordt aangemoedigd deze als verwant te beschouwen, terwijl uitsneden van verschillende lagers of tijden als verschillend worden behandeld. Daardoor ontdekt het vloeiende, progressieve patronen die weerspiegelen hoe de mechanische gezondheid in de loop van de tijd verandert, lang voordat expliciete levensduurgetallen worden geïntroduceerd.

Inzoomen op tijd en over lagers tegelijk

Een belangrijke innovatie is de „dubbel-dimensionele” aard van het leerdoel. Ten eerste, langs de tijdbas is het model getraind om te begrijpen hoe de conditie van een enkel lager zich ontwikkelt: overlappende segmenten van hetzelfde signaal worden bijgesneden en sommige tijdspunten worden opzettelijk gemaskeerd. Het netwerk moet het ontbrekende gedrag reconstrueren uit nabije punten, waardoor het wordt gestimuleerd geleidelijke degradatie vast te leggen in plaats van willekeurige ruis. Ten tweede leert het systeem over verschillende lagers heen hun individuele trajecten te onderscheiden, zelfs als ze op licht verschillende manieren verouderen. Door deze twee krachten in balans te brengen—vloeiende verandering in de tijd en duidelijke scheiding tussen machines—wordt de geleerde representatie zowel interpreteerbaar als voorspellend voor toekomstige slijtage.

Een snellere, trouwere kijk op degradatie

Om reeksen efficiënt te modelleren gebruikt het kader een gedilateerd causaal convolutienetwerk. In tegenstelling tot conventionele recurrente modellen die traag en lastig te trainen kunnen zijn, kan deze structuur ver terugkijken in de tijd terwijl oorzaak en gevolg gerespecteerd blijven—huidige schattingen hangen alleen af van huidige en eerdere signalen, niet van toekomstige. Na de zelf-lerende fase wordt een eenvoudige predictielaag toegevoegd en fijn afgesteld op een kleinere set trillingsopnames waarvoor bekende faaltijden bestaan. De auteurs testten hun methode op een veelgebruikt lagerbenchmark, waarbij lagers tot falen worden gedraaid onder gecontroleerde belasting en snelheden. Vergeleken met verschillende toonaangevende deep-learning basismodellen leverde de nieuwe aanpak consequent lagere fouten en stabielere voorspellingen, en vermeed zij met name extreme miskleunen aan het begin of einde van de levensduur.

Wat dit betekent voor echte machines

Voor niet-specialisten komt het erop neer dat DCSSL een duidelijkere, vloeiender schatting geeft van hoe een lager slijt, en dat het dit kan doen met veel meer van de data die al wordt verzameld maar niet handmatig gelabeld. De voorspellingen volgen de echte degradatiecurve getrouwer: vlak tijdens gezond functioneren, en vervolgens gestaag dalend naarmate schade zich ophoopt, zonder grillige sprongen. Dit maakt het voor ingenieurs eenvoudiger onderhoud in te plannen voordat problemen kritiek worden, waardoor stilstand wordt verminderd en de veiligheid verbetert. Hoewel de huidige studie zich richt op één dataset en vaste bedrijfsomstandigheden, biedt het onderliggende idee—machines zichzelf laten leren over degradatiepatronen voordat ze leren levensduur te voorspellen—een veelbelovende weg naar betrouwbaardere, data-efficiënte conditiebewaking voor veel soorten industriële apparatuur.

Bronvermelding: 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

Trefwoorden: resterende levensduur lager, zelflerend leren, contrastief leren, trillingsconditiemonitoring, predictief onderhoud