Двухветвевое пространственно-временное графовое сетевое решение для диагностики дефектов подшипников

Наблюдение за состоянием вращающихся машин

От ветряных турбин до заводских конвейеров — неисчислимое количество машин полагается на вращающиеся валы, опирающиеся на небольшие металлические элементы, называемые подшипниками. Когда подшипник начинает выходить из строя, это может незаметно повредить оборудование, снизить производительность и даже привести к авариям. В этой статье предложен новый способ «слушать» тонкие вибрации подшипников и обнаруживать проблемы рано и надежно, даже в условиях сильного шума и меняющихся режимов работы.

Почему диагностика подшипников сложна

Современная промышленность зависит от вращающихся механизмов, которые часто работают долгие часы в суровых условиях. Подшипники находятся в центре этих систем, и их поломки — одна из основных причин незапланированных простоев. Инженеры давно пытаются оценивать состояние подшипников по вибрационным сигналам: сначала с помощью органов чувств и простых инструментов, затем с помощью более сложной обработки сигналов и, в последнее время, с применением машинного обучения и глубоких сетей. Тем не менее эти подходы продолжают испытывать трудности при изменении скорости вращения, при сильном шуме или при наличии лишь немногих примеров дефектов. Одна из проблем в том, что многие методы рассматривают вибрационные данные либо как обычные временные ряды, либо как изображения, игнорируя богатые взаимосвязи между разными моментами времени и частотами, которые могут выдавать слабые признаки повреждений.

Преобразование вибраций в связные паттерны

Авторы предлагают иной взгляд: вместо того чтобы видеть вибрацию как плоский сигнал, они рассматривают её как сеть связанных точек, развивающихся во времени и по частоте. Сначала они нарезают исходную вибрацию на короткие сегменты и применяют преобразование Фурье с коротким окном, что представляет каждый сегмент в виде карты распределения энергии по времени и частоте. Затем эти карты преобразуются в спектры мощности, которые выделяют частоты, где энергия, связанная с дефектом, заметно отличается от нормального фона. Каждый обработанный образец становится узлом в «пространственно-временной» сети, а между узлами проводят связи, если их спектральные паттерны схожи. Такая полностью связная структура сохраняет тонкие взаимосвязи между частотами и временными моментами, которые могут сигнализировать о ранних или редких дефектах.

Обучение по двум представлениям одновременно

Для анализа этой сети исследователи строят двухветвевую пространственно-временную графовую сеть (DBSGN). В её основе — тип нейронной сети, спроектированный для графовых данных, который умеет передавать сообщения по связям и объединять информацию от соседних узлов. Команда использует математически эффективную версию графовой сверточной операции, опирающуюся на многочлены Чебышева и лапласиан графа, что позволяет захватывать многопроходные соседские паттерны без чрезмерных вычислительных затрат. Важная деталь — разделение обучения на две независимые ветви: одна обучается на всех образцах, улавливая общие паттерны нормального и дефектного поведения, а вторая — только на образцах с дефектами, специализируясь на более тонких признаках, отличающих разные типы и степени повреждений.

Дать модели самой решить, какой ветви доверять

Поскольку нормальные и дефектные условия предъявляют к модели очень разные требования, простое усреднение двух ветвей было бы не оптимальным. Вместо этого авторы вводят обучаемый механизм внимания, который смотрит на выходы обеих ветвей для каждого образца и назначает им адаптивные веса. Для явно здоровых сигналов слияние опирается больше на ветвь, обученную на всех данных; для явных дефектов — делает упор на специализированную ветвь; для пограничных или слабых дефектов — уравновешивает обе. Это слияние обучается совместно с двумя ветвями с использованием тщательно продуманной комбинированной функции потерь, чтобы вся система сотрудничала и улучшала распознавание всех классов — от нормального состояния до сильного повреждения.

Проверка метода на реальных испытательных наборах

Команда оценила DBSGN на трех широко используемых наборах данных по подшипникам: Case Western Reserve University, Paderborn University и University of Ottawa. Эти испытательные стенды охватывают разные машины, датчики, нагрузки, скорости и типы дефектов, включая меняющиеся по времени скорости вращения. По шести стандартным метрикам качества — точность, точность положительных результатов (precision), полнота (recall), F1-мера, площадь под ROC-кривой и коэффициент корреляции Мэтьюса — предложенный метод сравним или превосходит ряд сильных конкурентов, включая традиционные конвейеры машинного обучения, сверточные нейросети, трансформеры для временных рядов и ранние графовые подходы. В одном из наборов DBSGN даже достигает идеальных показателей, корректно идентифицируя каждый образец. Визуализация изученных признаков показывает, что после слияния разные состояния подшипников образуют хорошо разделённые кластеры, что указывает на то, что модель обнаружила ясную внутреннюю структуру в данных.

Что это значит для повседневных машин

Проще говоря, исследование демонстрирует, что рассмотрение вибрационных данных как живой сети взаимосвязанных событий — и предоставление двум специализированным моделям возможности «обсудить» и объединить свои мнения — может сделать диагностику дефектов как более точной, так и более стабильной. Для операторов заводов и команд обслуживания такая система обещает более ранние и надёжные предупреждения о проблемах с подшипниками, меньше неожиданных простоев и более безопасную работу критически важного оборудования. Авторы отмечают, что их текущая конструкция графа и спектральные признаки всё ещё опираются на ряд ручных настроек, и будущие работы могут автоматизировать и обогатить эти этапы. Тем не менее подход с двухветвевой пространственно-временной графовой моделью представляет собой многообещающий шаг к более умному и устойчивому мониторингу вращающегося оборудования, которое питает современную промышленность.

Цитирование: 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

Ключевые слова: диагностика дефектов подшипников, вращающиеся механизмы, графовые нейронные сети, анализ вибраций, прогнозное обслуживание