Метод диагностики дефектов роликоподшипников на основе слияния STFT‑статистических признаков и оптимизированного AL‑SOA бэггинг‑дерева

Почему важно поддерживать подшипники машин в исправном состоянии

От ветровых турбин до поездов и авиационных двигателей — бесчисленные машины зависят от роликоподшипников, которые обеспечивают гладкое вращение частей. Когда эти подшипники начинают выходить из строя, последствия варьируются от дорогостоящих простоев до опасных аварий. В этой работе предложен более умный и лёгкий способ «слушать» подшипники через их вибрации и обнаруживать ранние признаки повреждений, даже когда машины шумные, условия эксплуатации меняются, а вычислительные ресурсы ограничены.

Двухкомпонентное «прослушивание» вибраций

Авторы сосредотачиваются на том, как вибрационные сигналы подшипника меняются при износе или трещинах во внутреннем кольце, внешнем кольце или у качущихся элементов. Вместо опоры на один взгляд на эти сигналы они комбинируют два простых, но эффективных описания. Первое — короткосрочная частотная картина, показывающая, когда энергия накапливается на определённых тонах во времени; она чувствительна к повторяющимся ударам, вызванным дефектами. Второе — компактный набор из шести статистических временных показателей (например, средний уровень, разброс и «взрывчатость»), отражающих, насколько неустойчиво или энергично движется система. Вместе эти представления дают более полное представление о происходящем в подшипнике, чем каждое по отдельности.

Очистка, фокусировка и слияние информации сигнала

Реальные машины редко работают в лабораторной тишине, поэтому метод начинается с тщательной очистки сигнала. Сырой вибрационный сигнал центрируется, фильтруется, чтобы оставить только полосу, наиболее информативную для дефектов подшипников, и денойзится вейвлетами, сохраняющими короткие резкие события. Перекрывающиеся временные окна затем режут непрерывный сигнал на короткие, повторяемые фрагменты, каждый из которых представляет примерно пятую долю секунды движения. Для каждого фрагмента извлекаются частотный паттерн и шесть временных мер, которые нормализуются так, чтобы различия отражали поведение подшипника, а не простые изменения общей энергии.

Позволяя данным решать, что важнее

Вместо жесткого задания степени доверия к каждому типу признаков авторы вводят небольшой блок «внимания», который обучается выделять те части частотной и временной информации, которые наиболее полезны для различения типов дефектов. Концептуально этот блок ведёт себя как прожектор, который подсвечивает определённые частотные полосы и конкретные статистики, когда они совпадают с известными сигнатурами дефектов, и затемняет те, что несут преимущественно шум. После такой адаптивной агрегации стандартный математический инструмент — анализ главных компонент — сжимает 262‑значное описание каждого фрагмента в меньший набор, при этом сохраняя почти всю полезную вариативность. Этот шаг уменьшает избыточность, ускоряет обучение и помогает избежать переобучения без заметного ущерба для точности.

Построение и настройка эффективного леса решений

Для окончательного решения авторы обходятся без тяжеловесных глубоких сетей и используют ансамбль решающих деревьев, метод, известный как бэггинг. Каждое дерево изучает простые правила, разделяющие сжатое пространство признаков на области, связанные с конкретными типами дефектов или с исправной работой, а ансамбль голосует за окончательную метку. Особенность — в способе выбора структуры этого леса. Вместо произвольного задания числа и глубины деревьев команда использует популяционный поиск, вдохновлённый стайной и охотничьей поведением морских птиц. Этот адаптивный рой исследует комбинации настроек модели, одновременно балансируя три цели: точно классифицировать дефекты, держать лес компактным и сокращать время обучения. Решения, уравновешивающие эти цели, формируют «фронтир», из которого можно выбрать практическую рабочую точку.

Доказательство устойчивости на разных испытательных стендах

Полная цепочка — очистка, извлечение признаков с двух сторон, слияние на основе внимания, сжатие и оптимизированный ансамбль деревьев — была протестирована на трёх разных стендах для подшипников: на двух хорошо известных публичных наборах данных и на собственном экспериментальном стенде. В этих разных условиях метод последовательно определял дефекты подшипников с точностью около 97–99%. Тщательные эксперименты показали, что каждая значимая составляющая важна: удаление блока внимания, многоцелевого оптимизатора или шага сжатия слегка ухудшало результаты, а использование только одного типа признаков приводило к заметному падению надёжности, особенно при зашумлении и меняющихся нагрузках.

Что это значит для оборудования в реальной эксплуатации

Для неспециалиста главное послание таково: авторы построили диагностический подход, который сочетает простые, понятные блоки — базовую очистку сигналов, два интуитивных взгляда на вибрацию и прозрачные решающие деревья — и использует современные идеи, такие как внимание и рой‑подобный поиск, чтобы настраивать их совместную работу. В результате получена схема мониторинга, которая точна, относительно легко интерпретируема и достаточно лёгка, чтобы работать рядом с защищаемыми машинами. Это делает её многообещающим кандидатом для постоянного наблюдения за промышленными подшипниками и раннего обнаружения проблем, прежде чем они перерастут в отказы, даже когда условия шумные, переменные и вычислительные ресурсы ограничены.

Цитирование: Bai, H., Tong, W., Duan, C. et al. Rolling bearing fault diagnosis method based on fusion of STFT-statistical features and AL-SOA optimized bagging tree. Sci Rep 16, 10314 (2026). https://doi.org/10.1038/s41598-026-37914-z

Ключевые слова: диагностика дефектов роликоподшипников, анализ вибрационного сигнала, слияние признаков на основе внимания, ансамблевое обучение, рограммная оптимизация (swarm optimization)