Dwugaszdowa przestrzenno-czasowa sieć grafowa do diagnostyki uszkodzeń łożysk

Monitorowanie stanu maszyn obrotowych

Od turbin wiatrowych po taśmy przenośnikowe — niezliczone urządzenia opierają się na wirujących wałach podtrzymywanych przez drobne metalowe elementy zwane łożyskami. Gdy łożysko zaczyna zawodzić, może po cichu uszkodzić sprzęt, obniżyć wydajność, a nawet doprowadzić do wypadków. W artykule przedstawiono nowy sposób „słuchania” subtelnych drgań łożysk i wykrywania problemów wcześnie i wiarygodnie, nawet gdy sygnały są zaszumione, a warunki pracy ciągle się zmieniają.

Dlaczego diagnostyka łożysk jest trudna

Nowoczesny przemysł zależy od maszyn obrotowych, które często pracują przez długie godziny w trudnych warunkach. Łożyska znajdują się w centrum tych układów, a ich awarie są główną przyczyną nieplanowanych postojów. Inżynierowie od dawna próbują oceniać stan łożysk na podstawie sygnałów drganiowych — najpierw przy pomocy zmysłów i prostych narzędzi, potem za pomocą zaawansowanego przetwarzania sygnału, a ostatnio z użyciem uczenia maszynowego i głębokiego. Te metody wciąż jednak mają problemy, gdy prędkość się zmienia, hałas jest silny lub dostępnych jest tylko kilka przykładów uszkodzeń. Jednym z problemów jest to, że wiele podejść traktuje dane drganiowe jako zwykłe szeregi czasowe lub obrazy, ignorując bogate powiązania między różnymi punktami w czasie i w domenie częstotliwości, które mogą ujawniać subtelne sygnały uszkodzeń.

Przekształcanie drgań w połączone wzorce

Autorzy proponują nowe spojrzenie: zamiast traktować drgania jako płaski sygnał, postrzegają je jako sieć powiązanych punktów zmieniających się w czasie i w częstotliwości. Najpierw dzielą surowy sygnał na krótkie segmenty i stosują krótkoczasową transformatę Fouriera, która rozkłada każdy segment na mapę rozkładu energii w czasie i częstotliwości. Następnie zamieniają te mapy w widma mocy, które wyróżniają miejsca, gdzie szczyty energetyczne związane z uszkodzeniami odróżniają się od normalnego zachowania. Każdy przetworzony przykład staje się węzłem w „przestrzenno‑czasowej” sieci, a łącza rysowane są między węzłami, których wzorce spektralne są podobne. Taka w pełni połączona struktura zachowuje subtelne relacje między częstotliwościami i momentami czasowymi, które mogą sygnalizować wczesne lub rzadkie uszkodzenia.

Nauka z dwóch perspektyw jednocześnie

Aby analizować tę sieć, badacze zbudowali dwugaszdową przestrzenno‑czasową sieć grafową (DBSGN). W jej rdzeniu znajduje się typ sieci neuronowej przeznaczony do danych grafowych, który może przekazywać informacje wzdłuż krawędzi i łączyć dane z sąsiednich węzłów. Zespół używa matematycznie wydajnej wersji splotu grafowego opartej na wielomianach Czebyszewa i macierzy Laplace'a grafu, co pozwala uchwycić wzorce obejmujące wieloetapowe sąsiedztwo bez nadmiernych kosztów obliczeniowych. Kluczowe jest rozdzielenie uczenia na dwa odrębne gałęzie: jedna trenowana na wszystkich próbkach, wychwytująca szerokie wzorce zachowań normalnych i uszkodzonych, a druga trenowana tylko na próbkach z uszkodzeniami, specjalizująca się w delikatniejszych cechach odróżniających typy i stopnie uszkodzeń.

Pozwolenie modelowi zdecydować, której gałęzi ufać

Ponieważ warunki normalne i uszkodzone stawiają bardzo różne wymagania przed modelem, zwykłe uśrednienie obu gałęzi byłoby nieoptymalne. Zamiast tego autorzy wprowadzają mechanizm uwagi uczony razem z siecią, który analizuje wyjścia obu gałęzi dla każdej próbki i przypisuje im adaptacyjne wagi. Dla wyraźnie zdrowych sygnałów fuzja opiera się bardziej na gałęzi trenowanej na wszystkich danych; dla ewidentnych uszkodzeń kładzie większy nacisk na gałąź skoncentrowaną na uszkodzeniach; dla przypadków pośrednich lub drobnych uszkodzeń równoważy obie. Ta fuzja jest trenowana wspólnie z obiema gałęziami przy użyciu starannie zaprojektowanej funkcji strat łączącej cele, tak by cały system współpracował i poprawiał rozpoznawanie każdej klasy, od zdrowej po silnie uszkodzoną.

Walidacja metody na rzeczywistych stanowiskach testowych

Zespół ocenił DBSGN na trzech powszechnie stosowanych zbiorach danych łożysk: z Case Western Reserve University, Paderborn University i University of Ottawa. Stanowiska te obejmują różne maszyny, czujniki, obciążenia, prędkości i typy defektów, w tym zmienne prędkości obrotowe. W sześciu standardowych miarach wydajności — dokładności, precyzji, czułości (recall), F1, powierzchni pod krzywą ROC i współczynniku korelacji Matthewsa — proponowana metoda dorównuje lub przewyższa szereg silnych konkurentów, w tym konwencjonalne pipeline’y uczenia maszynowego, konwolucyjne sieci neuronowe, transformery do szeregów czasowych oraz wcześniejsze podejścia grafowe. W jednym zbiorze danych DBSGN osiągnął nawet wynik idealny, poprawnie klasyfikując każdą próbkę. Wizualizacja wyuczonych cech pokazuje, że po fuzji różne stany łożysk tworzą dobrze oddzielone klastry, co świadczy o tym, że model odkrył wyraźną wewnętrzną strukturę danych.

Znaczenie dla codziennych maszyn

Mówiąc prościej, badanie wykazuje, że traktowanie danych drganiowych jako żywej sieci powiązanych zdarzeń — oraz pozwolenie dwóm wyspecjalizowanym modelom debatować i łączyć swoje opinie — może uczynić diagnostykę uszkodzeń dokładniejszą i bardziej stabilną. Dla operatorów zakładów i zespołów utrzymania ruchu taki system obiecuje wcześniejsze i bardziej niezawodne ostrzeżenia o problemach z łożyskami, mniej niespodziewanych awarii i bezpieczniejszą pracę krytycznych maszyn. Autorzy zauważają, że obecne kroki konstrukcji grafu i cech spektralnych wciąż opierają się na ręcznie dostrajanych wyborach, a dalsze prace mogą zautomatyzować i wzbogacić te etapy. Mimo to podejście dwugaszdowej przestrzenno‑czasowej sieci grafowej stanowi obiecujący krok w stronę inteligentniejszego, bardziej odpornego monitorowania wirujących elementów napędzających współczesny przemysł.

Cytowanie: 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

Słowa kluczowe: diagnostyka uszkodzeń łożysk, maszyny obrotowe, sieci neuronowe grafowe, analiza drgań, predykcyjne utrzymanie ruchu