Nowatorskie dwuwymiarowe ramy uczenia samonadzorowanego z kontrastowym podejściem do przewidywania pozostałego czasu eksploatacji łożysk tocznych

Dlaczego ważne jest przewidywanie zużycia zanim ono nastąpi

Od turbin wiatrowych i superszybkich pociągów po roboty przemysłowe — niezliczone maszyny opierają się na łożyskach tocznych, niewielkich metalowych elementach umożliwiających płynny obrót wałów. Gdy łożysko zawiedzie niespodziewanie, skutkiem mogą być kosztowne przestoje lub nawet niebezpieczne wypadki. W tym badaniu przedstawiono inteligentniejszy sposób oszacowania, ile praktycznej żywotności pozostało łożysku, wykorzystując ogromne ilości danych o drganiach i nowoczesną sztuczną inteligencję. Podejście zaprojektowano tak, by być dokładniejsze, bardziej odporne na hałas i znacznie mniej zależne od kosztownego ręcznego oznaczania danych niż wiele obecnych metod.

Słuchanie drobnych drgań, by przewidzieć awarię

W miarę starzenia się łożyska, mikropęknięcia i zużycie stopniowo zmieniają sposób, w jaki ono drga. Inżynierowie montują czujniki na maszynach, aby rejestrować te sygnały drgań i próbować wywnioskować, jak bliskie jest łożysko awarii — wielkość znana jako pozostały czas eksploatacji. Tradycyjnie robiono to albo za pomocą modeli fizycznych wymagających głębokiej wiedzy eksperckiej, albo za pomocą modeli statystycznych potrzebujących dużych zestawów kompletnych danych o awariach. W ostatnich latach systemy głębokiego uczenia uczono mapować surowe sygnały bezpośrednio na oszacowania żywotności. Jednak te systemy często wyglądają jak czarne skrzynki: mogą dobrze dopasować dane, ale tworzą wewnętrzne reprezentacje, które bywają poszarpane, niekonsekwentne w czasie i trudne do interpretacji, co osłabia ich wiarygodność w zastosowaniach rzeczywistych.

Nauka maszyn od danych bez etykiet

Autorzy proponują nową ramę nazwaną DCSSL, opartą na uczeniu samonadzorowanym — sposobie, w którym sieci neuronowe uczą się z nieoznakowanych danych. Zamiast zaczynać od ręcznie przypisanych etykiet żywotności, model najpierw bada surowe nagrania drgań i uczy się przewidywać brakujące fragmenty sygnału na podstawie otoczenia oraz rozróżniać stany różnych łożysk. Wstępne uczenie jest prowadzone strategią kontrastową: system pokazuje się dwa nieco różne wycinki tego samego sygnału i zachęca, by traktował je jako powiązane, jednocześnie odróżniając wycinki pochodzące z innych łożysk lub z innych momentów. W ten sposób odkrywa gładkie, progresywne wzorce odzwierciedlające zmiany stanu technicznego w czasie, na długo zanim wprowadzone zostaną jakiekolwiek jawne wartości żywotności.

Skupienie jednocześnie na czasie i między łożyskami

Kluczową innowacją jest „dwuwymiarowy” charakter funkcji celu uczenia. Po pierwsze, wzdłuż osi czasu model uczy się rozumieć, jak zmienia się kondycja pojedynczego łożyska: wycinane są nakładające się segmenty tego samego sygnału, a niektóre punkty czasowe są celowo maskowane. Sieć musi zrekonstruować brakujące zachowanie na podstawie pobliskich punktów, co skłania ją do uchwycenia stopniowej degradacji, a nie przypadkowego szumu. Po drugie, między różnymi łożyskami system uczy się odróżniać ich indywidualne trajektorie, nawet jeśli zużywają się nieco inaczej. Równoważąc te dwa naciski — gładką zmianę w czasie i wyraźne rozdzielenie między maszynami — wyuczona reprezentacja staje się zarówno interpretablelna, jak i predykcyjna względem przyszłego zużycia.

Szybszy, wierniejszy obraz degradacji

Aby efektywnie modelować sekwencje, rama wykorzystuje sieć splotową o rozszerzonych (dilated) i przyczynowych (causal) filtrach. W przeciwieństwie do konwencjonalnych modeli rekurencyjnych, które mogą być wolne i trudne w trenowaniu, ta struktura potrafi „sięgać” daleko wstecz w czasie, zachowując jednocześnie zasadę przyczynowości — bieżące oszacowania zależą tylko od sygnałów obecnych i przeszłych, a nie od przyszłych. Po etapie samonadzorowanym dołączana jest prosta warstwa predykcyjna i dostrajana na mniejszym zestawie nagrań drgań, które mają znane czasy awarii. Autorzy przetestowali swoją metodę na powszechnie używanym benchmarku łożysk, gdzie łożyska pracują do momentu awarii pod kontrolowanymi obciążeniami i prędkościami. W porównaniu z kilkoma wiodącymi metodami głębokiego uczenia, nowe podejście konsekwentnie dawało niższe błędy i bardziej stabilne prognozy, szczególnie unikając skrajnych błędów blisko początku lub końca żywotności.

Co to oznacza dla rzeczywistych maszyn

Dla osoby niebędącej specjalistą istota sprawy jest taka, że DCSSL dostarcza jaśniejszego, gładszego oszacowania tempa zużywania się łożyska i potrafi to robić, wykorzystując znacznie większą część danych, które już się zbiera, ale nie są ręcznie oznaczane. Jego prognozy wierniej śledzą realną krzywą degradacji: płaską podczas zdrowej pracy, potem stopniowo opadającą w miarę narastania uszkodzeń, bez gwałtownych skoków. Ułatwia to inżynierom planowanie konserwacji zanim problemy staną się krytyczne, zmniejszając przestoje i poprawiając bezpieczeństwo. Choć obecne badanie koncentruje się na jednym zbiorze danych i stałych warunkach pracy, zasadniczy pomysł — pozwolić maszynom nauczyć się wzorców degradacji zanim nauczą się przewidywać żywotność — oferuje obiecującą drogę do bardziej niezawodnego i efektywnego pod względem danych monitorowania stanu wielu typów sprzętu przemysłowego.

Cytowanie: 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

Słowa kluczowe: pozostały czas eksploatacji łożyska, uczenie samonadzorowane, uczenie kontrastowe, monitorowanie stanu za pomocą drgań, konserwacja predykcyjna