Metoda diagnostyki uszkodzeń łożysk tocznych za pomocą FBEWT i EIRVM

Dlaczego ukryte problemy z łożyskami mają znaczenie

Od kół pociągów przez taśmociągi fabryczne po turbiny wiatrowe — niezliczone maszyny polegają na łożyskach tocznych: małych metalowych pierścieniach wypełnionych kulkami lub wałeczkami, które zapewniają gładkie obracanie się wałów. Gdy te elementy zaczynają pękać lub się zużywać, wczesne sygnały ostrzegawcze to często drobne drgania ukryte w szumie. Przeoczenie tych wskazówek może prowadzić do nagłych awarii, kosztownych napraw, a nawet zagrożeń bezpieczeństwa. W artykule przedstawiono nowy sposób „nasłuchiwania” tych słabych sygnałów i wykrywania problemów w łożyskach wcześniej i bardziej niezawodnie, nawet gdy dane są zaszumione, a maszyny pracują przy zmiennych obciążeniach.

Inteligentniejszy sposób odczytu wzorców drgań

Autorzy koncentrują się na przekształceniu surowych danych o drganiach w czytelne obrazy zachowania łożyska, a następnie na nauczeniu komputera interpretacji tych obrazów. Zamiast polegać na stałych recepturach analizy sygnału, wprowadzają metodę zwaną empiryczną transformatą falek Fouriera–Bessela (FBEWT). Upraszczając: FBEWT przekształca zapis drgań w obraz czas‑częstotliwości — rodzaj mapy cieplnej pokazującej, które składowe drgań są aktywne w danym momencie. Dzięki użyciu specjalnych fal o kształcie funkcji Bessela i adaptacji do danych, FBEWT rozdziela nakładające się składowe drgań, które starsze metody zwykle mieszają. Efektem jest ostrzejszy, czyściejszy obraz, w którym wzory związane z uszkodzeniami bardziej wyraźnie wyróżniają się na tle.

Przekształcanie obrazów w charakterystyczne tekstury

Gdy dane o drganiach zostaną przekonwertowane na obrazy czas‑częstotliwości, kolejnym krokiem jest wydobycie zwartych numerycznych odcisków palców, z którymi poradzi sobie klasyfikator. Badacze robią to, traktując każdy obraz jak zdjęcie z teksturą i mierząc, jak jasności pikseli współwystępują w całym obrazie. Tak zwane miary tekstury wychwytują cechy takie jak kontrast, gładkość i regularność, które odzwierciedlają powtarzające się impulsy generowane przez uszkodzone powierzchnie łożyska. W porównaniu z prostymi statystykami, takimi jak średnia czy wariancja, deskryptory tekstury zachowują więcej subtelnej, zlokalizowanej struktury związanej z pęknięciami na bieżni wewnętrznej, zewnętrznej czy elementach tocznych.

Zwinna, oszczędna maszyna ucząca się

Aby zdecydować o stanie zdrowia łożyska, artykuł ulepsza probabilistyczny model znany jako Relevance Vector Machine (RVM). Udoskonalony przyrostowy RVM (EIRVM) uczy się, które przykłady treningowe są naprawdę informatywne i zachowuje tylko niewielki podzbiór, zwany wektorami relewantności, zmniejszając zarówno zużycie pamięci, jak i obciążenie obliczeniowe. Co istotne, potrafi się aktualizować w miarę napływu nowych danych zamiast trenować od zera — praktyczna cecha dla monitoringu online w przemyśle. Aby dostroić najbardziej wrażliwe ustawienie — szerokość jądra mierzącego podobieństwo między przykładami — autorzy wykorzystują procedurę poszukiwania metaheurystycznego inspirowaną zachowaniem łowieckim wilków szarych, wzbogaconą elementem teorii chaosu (CGWO). Ta sprytna strategia poszukiwania efektywnie eksploruje przestrzeń możliwych ustawień, unikając przedwczesnego utkwienia w rozwiązaniach drugorzędnych.

Sprawdzenie metody w praktyce

Proponowany pipeline FBEWT–EIRVM został oceniony na kilku powszechnie stosowanych zbiorach danych o uszkodzeniach łożysk z stanowisk testowych w laboratorium oraz na rzeczywistych pomiarach z działającej instalacji przemysłowej. W każdym przypadku metoda musi rozróżnić łożyska zdrowe od tych z defektami na bieżni wewnętrznej, zewnętrznej lub na elementach tocznych, i zrobić to przy różnym obciążeniu oraz z dodanym sztucznym szumem. We wszystkich scenariuszach nowe podejście konsekwentnie osiąga wyższą dokładność klasyfikacji niż metody konkurencyjne, w tym tradycyjna empiryczna analiza falek w połączeniu ze standardowymi RVM oraz nawet nowoczesne rozwiązania głębokiego uczenia łączące sieci konwolucyjne i rekurencyjne. Co istotne, jego wydajność pozostaje niemal niezmieniona, gdy do danych wprowadzony zostanie silny szum, co wskazuje na solidną odporność na zakłócenia.

Co to oznacza dla codziennych maszyn

Dla czytelnika niebędącego specjalistą przesłanie jest takie: badanie dostarcza bardziej niezawodnego „stetoskopu” dla maszyn wirujących. Poprzez tworzenie czytelniejszych obrazów drgań łożysk i połączenie ich z zwartym, samodzielnie aktualizującym się algorytmem uczącym, ramy FBEWT–EIRVM potrafią wykrywać wczesne stadia uszkodzeń z wysoką pewnością, nawet gdy sygnały są słabe lub zaszumione. W praktyce oznacza to, że zespoły utrzymania ruchu mogą wykrywać problemy wcześniej, planować naprawy bardziej inteligentnie oraz zmniejszać zarówno przestoje, jak i ryzyko w krytycznym sprzęcie — od systemów transportowych po elektrownie.

Cytowanie: 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

Słowa kluczowe: diagnostyka uszkodzeń łożysk, analiza drgań, monitorowanie stanu maszyn, obrazowanie czas‑częstotliwościowe, inteligentna konserwacja