Metoda diagnozowania uszkodzeń łożysk w systemach złożonych oparta na ulepszonej rozszerzonej bazie reguł wiary

Dlaczego utrzymanie sprawności maszyn obrotowych ma znaczenie

Od turbin wiatrowych po taśmy produkcyjne — wiele maszyn przemysłowych polega przez lata na szybkobieżnych łożyskach tocznych i kołach zębatych. Gdy te ukryte elementy zaczynają się zużywać, mogą zatrzymać całe linie produkcyjne lub sprowokować niebezpieczne awarie. Artykuł przedstawia nową metodę wykrywania takich uszkodzeń wcześnie i niezawodnie, nawet gdy dane z rzeczywistych warunków są zanieczyszczone, zaszumione i silnie przesunięte w kierunku normalnej pracy.

Problem rzadkich uszkodzeń i zaszumionych sygnałów

W normalnej eksploatacji łożyska i koła zębate są przeważnie w dobrym stanie, dlatego zapisy drgań zawierają znacznie więcej przykładów normalnych niż uszkodzonych. Standardowe metody oparte na danych, jak sieci neuronowe, potrafią wychwycić imponujące wzorce, ale mają tendencję do faworyzowania klasy większościowej, często pomijając rzadkie sygnatury uszkodzeń, które mają kluczowe znaczenie. Jednocześnie czujniki drgań pracują w trudnym otoczeniu pełnym szumów mechanicznych i elektrycznych, które zacierają subtelne cechy niezbędne do rozróżnienia typów uszkodzeń, takich jak uszkodzenie bieżni wewnętrznej, bieżni zewnętrznej czy elementów tocznych. Razem te czynniki utrudniają budowę systemów diagnostycznych, które byłyby zarówno dokładne, jak i godne zaufania poza laboratorium.

Łączenie reguł eksperckich z bardziej zaawansowaną statystyką

Autorzy bazują na rodzinie modeli znanych jako bazy reguł wiary, które łączą reguły eksperckie w stylu „JEŚLI pewne cechy wyglądają tak, TO łożysko jest w tym stanie” z prawdopodobieństwami wyrażającymi niepewność. Rozszerzona wersja tego podejścia, nazwana EBRB, przekształca surowe pomiary z czujników w stopniowane poziomy wiary (na przykład bardzo niskie, średnie lub bardzo wysokie) zamiast ostrych progów. Ułatwia to radzenie sobie z niejasnymi lub niekompletnymi informacjami. Wcześniejsze wersje polegały jednak na prostej odległości geometrycznej do oceny, jak nowy wzorzec drgań pasuje do zapisanej reguły — wybór ten nie oddaje w pełni różnic w podstawowych rozkładach prawdopodobieństwa, gdy sygnały są zaszumione.

Pomiary informacji zamiast odległości

Aby lepiej uchwycić subtelne zmiany wzorców drgań, artykuł zastępuje prostą odległość narzędziem z teorii informacji zwanym dywergencją Kullbacka–Leiblera. Zamiast pytać, jak daleko znajdują się od siebie dwa punkty w przestrzeni, miara ta ocenia, ile informacji tracimy, używając jednego rozkładu prawdopodobieństwa do naśladowania drugiego. Poprzez obliczenie symetrycznej wersji tej dywergencji między profilami wiary przychodzących danych a każdą regułą, model potrafi oceniać dopasowania w sposób uwzględniający układ masy prawdopodobieństwa, a nie tylko jej wielkość. Prowadzi to do precyzyjniejszej aktywacji reguł, zwłaszcza gdy różne uszkodzenia mają podobną ogólną siłę sygnału, ale różnią się rozkładem cech.

Zapewnienie uczciwego głosu rzadkim uszkodzeniom

Nawet przy lepszym dopasowaniu nierównomierny zbiór danych może nadal wprowadzać bias w stronę większościowego stanu zdrowia. Aby temu przeciwdziałać, autorzy wprowadzają strategię zespołowego undersamplingu. Wielokrotnie redukują nadmiarowe próbki zdrowych stanów i łączą je ze wszystkimi dostępnymi próbkami uszkodzeń, tworząc kilka zrównoważonych podzbiorów treningowych. Dla każdego podzbioru trenują oddzielny rozszerzony model bazy reguł wiary, a następnie dopracowują jego wewnętrzne wagi przy użyciu algorytmu ewolucji różnicowej — metody przeszukiwania populacyjnego dobrze dopasowanej do złożonych przestrzeni. W czasie predykcji wszystkie te podmodele analizują te same przychodzące dane, a schemat głosowania decyduje o ostatecznej etykiecie stanu, dając rzadkim wzorcom uszkodzeń wielokrotne szanse na rozpoznanie.

Jak metoda sprawdza się w praktyce

Zespół testuje swoje podejście na dwóch powszechnie używanych zbiorach referencyjnych: jednym dla łożysk tocznych i drugim dla kół zębatych. Aby naśladować warunki rzeczywiste, trenują na danych drgań nagranych przy jednej częstotliwości próbkowania lub warunku pracy, a testują na danych z innej konfiguracji, zachowując przy tym silne niezrównoważenie klas w obu zestawach. W różnych miarach, takich jak dokładność, precyzja, recall i F1‑score, nowa metoda konsekwentnie przewyższa tradycyjne systemy baz reguł wiary, standardowe modele uczenia maszynowego i popularne techniki radzenia sobie z niezrównoważeniem. Osiąga szczególnie duże zyski na klasach mniejszościowych i utrzymuje wysoką wydajność nawet przy dodaniu sztucznego szumu do kluczowych cech sygnału.

Co to oznacza dla rzeczywistych maszyn

Dla osoby niebędącej specjalistą kluczowy wniosek jest taki, że ta metoda zapewnia łożyskom i kołom zębatym bardziej niezawodny „przegląd zdrowia” w zaszumionych warunkach panujących w zakładach. Dzięki połączeniu reguł w stylu eksperckim z inteligentniejszym sposobem porównywania profili prawdopodobieństwa oraz uczciwemu systemowi głosowania dla rzadkich zdarzeń, podejście zmniejsza ryzyko, że wczesne oznaki uszkodzeń zostaną zagłuszone przez natłok normalnych danych i szumy tła. Autorzy wnioskują, że ich zespółowa baza reguł wiary może zapewnić dokładną, interpretowalną i odporną na hałas diagnostykę uszkodzeń, i sugerują rozszerzenie metody na inne części obrotowe oraz automatyzację wyboru liczby podzbiorów danych dla optymalnej wydajności.

Cytowanie: Yan, X., Li, N., Nan, S. et al. A bearing fault diagnosis method for complex system based on improved extended belief rule base. Sci Rep 16, 15827 (2026). https://doi.org/10.1038/s41598-026-44629-8

Słowa kluczowe: diagnozowanie uszkodzeń łożysk, diagnozowanie uszkodzeń kół zębatych, monitorowanie drgań, uczenie zespołowe, baza reguł wiary