Foutdiagnostische methode voor rollende-elementlagers via FBEWT en EIRVM

Waarom verborgen lagerproblemen ertoe doen

Van treinwielen tot fabriekstransportbanden en windturbines: talloze machines vertrouwen op rollende‑elementlagers—kleine metalen ringen gevuld met stalen kogels of rollen die assen soepel laten draaien. Wanneer deze onderdelen beginnen te scheuren of te slijten, zijn de vroege waarschuwingssignalen vaak kleine trillingen die in ruis verborgen liggen. Het missen van die aanwijzingen kan leiden tot plotselinge storingen, dure reparaties of zelfs veiligheidsincidenten. Dit artikel presenteert een nieuwe manier om naar die zwakke signalen te luisteren en problemen in lagers eerder en betrouwbaarder te ontdekken, zelfs wanneer de gegevens rommelig zijn en de machines onder wisselende belastingen werken.

Een slimmere manier om trillingspatronen te lezen

De auteurs richten zich op het omzetten van ruwe trillingsgegevens in duidelijke afbeeldingen van het gedrag van een lager, en vervolgens op het leren van een computer om die afbeeldingen te interpreteren. In plaats van te vertrouwen op vaste recepten voor signaalanalyse introduceren ze een methode die Fourier–Bessel empirische wavelettransformatie (FBEWT) heet. Simpel gezegd hervormt FBEWT het trillingssignaal tot een tijd–frequentie‑beeld—een soort warmtemap die toont welke trillingsfrequenties op elk moment actief zijn. Door speciale wiskundige golfvormen (Besselfuncties) te gebruiken en zich aan de data aan te passen, scheidt FBEWT overlappende trillingscomponenten die oudere methoden geneigd zijn te vermengen. Het resultaat is een scherper, schoner beeld waarin foutgerelateerde patronen duidelijker afsteken tegen de achtergrond.

Afbeeldingen omzetten in kenmerkende texturen

Zodra de trillingsgegevens zijn omgezet in tijd–frequentie‑afbeeldingen, is de volgende stap het extraheren van compacte numerieke vingerafdrukken die een classifier kan verwerken. De onderzoekers doen dit door elke afbeelding te behandelen als een getextureerde foto en te meten hoe helderheidswaarden van pixels zich samen voordoen over de afbeelding. Deze zogenaamde textuurmaten vangen kenmerken als contrast, gladheid en regelmaat die de terugkerende schokpatronen weerspiegelen die worden veroorzaakt door beschadigde lageroppervlakken. Vergeleken met eenvoudige statistieken zoals gemiddelde of variantie behouden deze textuurdescriptors meer van de subtiele, gelokaliseerde structuur die samenhangt met scheuren op de binnenring, buitenring of rollende elementen.

Een wendbare, zuinige leermachine

Om te bepalen in welke gezondheidstoestand een lager verkeert, werkt het artikel een probabilistisch model bij dat bekendstaat als een Relevance Vector Machine (RVM). De verbeterde incrementele RVM (EIRVM) leert welke trainingsvoorbeelden echt informatief zijn en houdt slechts een kleine subset bij, de zogenaamde relevantievectoren, waardoor zowel geheugengebruik als rekentijd afnemen. Cruciaal is dat hij zichzelf kan bijwerken zodra nieuwe gegevens binnenkomen, in plaats van volledig opnieuw getraind te moeten worden—een praktische eis voor online monitoring in de industrie. Om de meest gevoelige parameter te verfijnen—de breedte van de kernel die de gelijkenis tussen voorbeelden meet—maken de auteurs gebruik van een metaheuristische zoekprocedure geïnspireerd door het jachtgedrag van grijze wolven, aangevuld met een vleugje chaos‑theorie (CGWO). Deze slimme zoekstrategie verkent efficiënt de ruimte van mogelijke instellingen en vermijdt voortijdige convergentie op suboptimale keuzes.

De methode op de proef

De voorgestelde FBEWT–EIRVM‑pijplijn is geëvalueerd op verschillende veelgebruikte datasets met lagerfouten van laboratoriumtestopstellingen, en ook op echte metingen van een werkende industriële installatie. In elk geval moet de methode gezonde lagers onderscheiden van lagers met defecten aan de binnenring, buitenring of kogels, en dat onder verschillende belastingen en met toegevoegde kunstmatige ruis. In alle scenario’s levert de nieuwe aanpak consequent een hogere classificatie‑nauwkeurigheid dan concurrerende technieken, waaronder traditionele empirische waveletanalyse gecombineerd met standaard RVM’s en zelfs een moderne deep‑learningcombinatie van convolutionele en recurrente neurale netwerken. Opmerkelijk is dat de prestatie vrijwel onveranderd blijft wanneer er sterke ruis in de gegevens wordt geïnjecteerd, wat wijst op een robuuste weerstand tegen interferentie.

Wat dit betekent voor alledaagse machines

Voor niet‑specialisten is de boodschap dat deze studie een betrouwbaardere stethoscoop biedt voor roterende machines. Door duidelijkere beelden te produceren van hoe lagers trillen en deze te koppelen aan een compacte, zelf‑bijwerkende leeralgoritme, kan het FBEWT–EIRVM‑kader vroegtijdige fouten met hoge zekerheid detecteren, zelfs wanneer signalen zwak of rumoerig zijn. In praktische termen betekent dit dat onderhoudsteams problemen eerder kunnen opsporen, reparaties slimmer kunnen plannen en zowel stilstand als risico’s kunnen verminderen in cruciale apparatuur, van transportsystemen tot energiecentrales.

Bronvermelding: 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

Trefwoorden: lagerfoutdiagnose, trillingsanalyse, machinegezondheidsmonitoring, tijd–frequentiebeeldvorming, intelligent onderhoud