Dual-branch spatio-temporal graph network for bearing fault diagnosis

De gezondheid van roterende machines in de gaten houden

Van windturbines tot fabrieksbanden: talloze machines vertrouwen op roterende assen die worden ondersteund door kleine metalen onderdelen genaamd lagers. Wanneer een lager begint te falen, kan dat stilletjes apparatuur beschadigen, de productiviteit verminderen en zelfs ongevallen veroorzaken. Dit artikel presenteert een nieuwe manier om naar de subtiele trillingen van lagers te luisteren en problemen vroeg en betrouwbaar te signaleren, zelfs wanneer de signalen luidruchtig zijn en de bedrijfsomstandigheden voortdurend veranderen.

Waarom lagers moeilijk te diagnosticeren zijn

De moderne industrie is afhankelijk van roterende machines die vaak lange uren draaien in zware omstandigheden. Lagere bevinden zich in het hart van deze systemen en hun uitval is een belangrijke oorzaak van ongeplande stilstand. Ingenieurs hebben geprobeerd de staat van lagers af te lezen uit trillingssignalen — eerst met de menselijke zintuigen en eenvoudige hulpmiddelen, daarna met geavanceerdere signaalverwerking en recenter met machine learning en deep learning. Toch worstelen deze benaderingen nog steeds wanneer de snelheid varieert, ruis sterk is of er maar enkele voorbeelden van fouten beschikbaar zijn. Een probleem is dat veel methoden trillingsdata behandelen als eenvoudige tijdreeksen of afbeeldingen en daardoor de rijke relaties tussen verschillende tijds- en frequentiepunten negeren die zwakke aanwijzingen voor schade kunnen blootleggen.

Trillingen omzetten in verbonden patronen

De auteurs stellen een nieuw perspectief voor: in plaats van trillingen als een vlak signaal te zien, behandelen ze deze als een netwerk van verbonden punten dat evolueert over tijd en frequentie. Eerst snijden ze de ruwe trilling in korte segmenten en passen een short-time Fourier-transform toe, die elk segment uitspreidt tot een kaart van hoe energie over tijd en frequentie is verdeeld. Vervolgens zetten ze deze kaarten om in powerspectra die aantonen waar foutgerelateerde energiepieken opvallen ten opzichte van normaal gedrag. Elke bewerkte sample wordt een knoop in een "spatio-temporaal" netwerk, en er worden verbindingen gelegd tussen knopen met vergelijkbare spectrale patronen. Deze volledig verbonden structuur behoudt subtiele relaties tussen frequenties en tijdsmomenten die vroege of zeldzame fouten kunnen signaleren.

Leren vanuit twee gezichtspunten tegelijk

Om dit netwerk te analyseren bouwen de onderzoekers een dual-branch spatio-temporal graph network (DBSGN). In de kern staat een type neuraal netwerk dat is ontworpen voor grafiekgegevens, dat berichten langs verbindingen kan doorgeven en informatie van naburige knopen kan combineren. Het team gebruikt een wiskundig efficiënte variant van graph convolution die steunt op Chebyshev-polynomen en de Laplaciaanmatrix van de graaf, waardoor ze multi-step buurpatronen kunnen vastleggen zonder de berekening te laten escaleren. Cruciaal is dat ze het leerproces opsplitsen in twee aparte takken: één getraind op alle samples, die brede patronen van normaal en foutief gedrag vastlegt, en een andere die alleen op foutsamples wordt getraind en zich specialiseert in de fijnere kenmerken die verschillende typen en ernst van schade onderscheiden.

Het model laten beslissen welke tak te vertrouwen

Aangezien normale en foutieve omstandigheden zeer verschillende eisen aan het model stellen, zou het simpelweg middelen van de twee takken niet optimaal zijn. In plaats daarvan introduceren de auteurs een geleerde attention-mechanisme dat naar de uitgangen van beide takken voor elke sample kijkt en er adaptieve gewichten aan toekent. Voor duidelijk gezonde signalen leunt de fusie meer op de tak die op alle data is getraind; voor duidelijke fouten benadrukt zij de foutgerichte tak; voor grensgevallen of kleine fouten balanceert zij de twee. Deze fusie wordt samen met beide takken getraind met een zorgvuldig ontworpen gecombineerde verliesfunctie, zodat het hele systeem samenwerkt om de herkenning van elke klasse te verbeteren, van gezond tot ernstig beschadigd.

De methode bewijzen in echte testopstellingen

Het team evalueert DBSGN op drie veelgebruikte lagerdatasets van Case Western Reserve University, Paderborn University en de University of Ottawa. Deze testbeds bestrijken verschillende machines, sensoren, belastingen, snelheden en typen defecten, inclusief tijdsvariërende rotatiesnelheden. Over zes gangbare prestatiematen — nauwkeurigheid, precisie, recall, F1-score, area under the ROC curve en Matthews correlatiecoëfficiënt — evenaart of overtreft de voorgestelde methode een reeks sterke concurrenten, waaronder conventionele machine-learningpijplijnen, convolutionele neurale netwerken, transformers voor tijdreeksen en eerdere grafiekgebaseerde benaderingen. Op één dataset behaalt DBSGN zelfs perfecte scores en identificeert elke sample correct. Visualisatie van de geleerde kenmerken toont dat verschillende lagercondities na fusie goed gescheiden clusters vormen, wat aangeeft dat het model duidelijke interne structuren in de data heeft ontdekt.

Wat dit betekent voor alledaagse machines

In eenvoudige bewoordingen laat deze studie zien dat het behandelen van trillingsdata als een levend netwerk van gerelateerde gebeurtenissen — en het laten samenwerken en fuseren van twee gespecialiseerde modellen — foutdiagnose zowel nauwkeuriger als stabieler kan maken. Voor installatiebeheerders en onderhoudsteams belooft zo’n systeem vroegere en betrouwbaardere waarschuwingen voor lagerproblemen, minder onverwachte uitval en veiligere werking van kritieke machines. De auteurs merken op dat hun huidige graafconstructie en spectrale kenmerken nog steeds deels op handmatig ingestelde keuzes leunen, en dat toekomstig werk deze stappen kan automatiseren en uitbreiden. Niettemin markeert de dual-branch spatio-temporaal grafiekbenadering een veelbelovende stap richting slimmer en veerkrachtiger toezicht op de roterende hardware die de moderne industrie aandrijft.

Bronvermelding: Wang, Y., Li, Y., Li, C. et al. Dual-branch spatio-temporal graph network for bearing fault diagnosis. Sci Rep 16, 13184 (2026). https://doi.org/10.1038/s41598-026-42504-0

Trefwoorden: lagerfoutdiagnose, roterende machines, graph neurale netwerken, trillingsanalyse, predictief onderhoud