Новая двухмерная контрастивная рамочная модель самоконтролируемого обучения для прогнозирования оставшегося срока службы подшипников качения

Почему важно предсказывать износ до его наступления

От ветряных турбин и скоростных поездов до промышленных роботов — бесчисленное множество механизмов опираются на подшипники качения, небольшие металлические детали, позволяющие вала вращаться плавно. Внезапная отказ подшипника может привести к дорогостоящим простоям или даже опасным происшествиям. В этом исследовании предложен более умный способ оценки оставшегося срока службы подшипника с использованием больших массивов вибрационных данных и современных методов искусственного интеллекта. Подход нацелен на повышение точности, устойчивости к шумным условиям и значительное снижение зависимости от дорогостоящей ручной разметки по сравнению со многими существующими методами.

Слушая крошечные колебания, чтобы предвидеть отказ

По мере старения подшипника микротрещины и износ постепенно меняют его вибрационную картину. Инженеры устанавливают сенсоры на машинах, чтобы регистрировать эти сигналы вибрации и пытаться оценить, насколько близок подшипник к отказу — величину, известную как оставшийся срок службы. Традиционно это делалось либо с помощью физических моделей, требующих глубоких экспертных знаний, либо со статистическими моделями, которым нужно много полных данных о выходе из строя. В последнее время нейронные сети обучают напрямую сопоставлять сырые сигналы с оценками срока службы. Однако такие системы часто ведут себя как «чёрные ящики»: они могут подстраиваться под данные, но формируемые внутренние представления бывают рваные, непоследовательные во времени и трудные для интерпретации, что подрывает их надёжность в реальных условиях.

Обучая машины извлекать знание из неразмеченных данных

Авторы предлагают новую рамочную модель под названием DCSSL, опирающуюся на самоконтролируемое обучение — способ, при котором нейросети обучаются самостоятельно на неразмеченных данных. Вместо того чтобы стартовать с вручную проставленными метками срока службы, модель сначала изучает сырые вибрационные записи и учится предсказывать отсутствующие фрагменты сигнала по его окружению, а также различать состояние одного подшипника от другого. Это предобучение направляется контрастивной стратегией: системе показывают два слегка отличающихся среза одного и того же исходного сигнала и побуждают считать их связанными, в то время как срезы из разных подшипников или разных моментов времени рассматриваются как различающиеся. Так модель обнаруживает плавные, прогрессивные закономерности, отражающие изменения механического состояния с течением времени, задолго до введения явных числовых меток срока службы.

Одновременно вглядываясь во время и между подшипниками

Ключевым нововведением является «двухмерный» характер целевой функции обучения. Во-первых, по оси времени модель обучается понимать, как изменяется состояние одного подшипника: берутся перекрывающиеся сегменты одного сигнала и намеренно маскируются некоторые временные точки. Сеть должна восстановить пропущенное поведение из соседних точек, что подтолкнет её к захвату постепенной деградации, а не случайного шума. Во-вторых, между разными подшипниками система учится различать их индивидуальные траектории, даже если они стареют немного по-разному. Сочетая эти два давления — плавное изменение во времени и чёткое разделение между машинами — получаемое представление становится одновременно интерпретируемым и предиктивным в отношении будущего износа.

Быстрее и точнее моделирование деградации

Для эффективного моделирования последовательностей в рамках используется сеть с дилатированной каузальной сверткой. В отличие от обычных рекуррентных моделей, которые могут быть медленными и сложными в обучении, эта структура «видит» далеко в прошлое, при этом соблюдая причинно-следственные связи — текущие оценки зависят только от настоящих и прошлых сигналов, а не от будущих. После этапа самоконтролируемого предобучения к модели присоединяется простой предсказательный слой и дообучается на меньшем наборе вибрационных записей с известными моментами выхода из строя. Авторы протестировали свой метод на широко используемом эталонном наборе данных по подшипникам, где подшипники испытываются до отказа при контролируемых нагрузках и скоростях. По сравнению с несколькими передовыми глубокими моделями, новый подход последовательно показал меньшие ошибки и более стабильные предсказания, особенно избегая грубых просчётов вблизи начала или конца срока службы.

Что это означает для реальных машин

Для неспециалиста суть в том, что DCSSL даёт более ясную и плавную оценку того, как изнашивается подшипник, и делает это, используя гораздо больше данных, которые уже собираются, но не размечаются вручную. Его предсказания лучше повторяют реальную кривую деградации: стабильные во время нормальной работы, затем постепенное снижение по мере накопления повреждений, без резких скачков. Это упрощает инженерам планирование обслуживания до того, как проблемы станут критическими, сокращая простои и повышая безопасность. Хотя текущее исследование сфокусировано на одном наборе данных и фиксированных условиях эксплуатации, лежащая в его основе идея — позволить машинам сначала самостоятельно изучить паттерны деградации, а затем учиться предсказывать срок службы — предлагает перспективный путь к более надёжному и экономичному мониторингу состояния для многих типов промышленного оборудования.

Цитирование: 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

Ключевые слова: оставшийся срок службы подшипника, самоконтролируемое обучение, контрастивное обучение, мониторинг вибрационного состояния, прогностическое обслуживание