Метод диагностики дефектов подшипников качения с помощью FBEWT и EIRVM

Почему скрытые проблемы подшипников важны

От колес поездов до конвейеров на заводах и ветряных турбин — многие машины полагаются на подшипники качения: маленькие металлические кольца с шариками или роликами, которые обеспечивают гладкое вращение валов. Когда эти детали начинают трескаться или изнашиваться, ранние предупреждающие сигналы часто выражаются в виде слабых вибраций, скрытых в шуме. Пропуск таких признаков может привести к внезапным поломкам, дорогостоящему ремонту или даже инцидентам с риском для безопасности. В этой работе предложен новый способ «услышать» эти слабые сигналы и обнаруживать неисправности подшипников раньше и надежнее, даже при некачественных данных и изменяющихся нагрузках.

Более разумный способ интерпретировать вибрационные паттерны

Авторы сосредотачиваются на преобразовании сырых вибрационных данных в наглядные изображения поведения подшипника и на обучении компьютера считывать такие изображения. Вместо фиксированных рецептов анализа сигналов они вводят метод, называемый эмпирическим вейвлет‑преобразованием Фурье–Бесселя (FBEWT). Проще говоря, FBEWT превращает запись вибрации в временно‑частотное изображение — своего рода тепловую карту, показывающую, какие частотные компоненты активны в каждый момент времени. Используя специальные математические волновые формы (функции Бесселя) и адаптируясь к данным, FBEWT разделяет перекрывающиеся компоненты вибрации, которые старые методы склонны смешивать. В результате получается более четкое изображение, где паттерны, связанные с дефектами, выделяются яснее на фоне шума.

Преобразование изображений в отличительные текстуры

После преобразования вибрационных данных во временно‑частотные изображения следующий шаг — извлечь компактные числовые отпечатки, пригодные для классификатора. Исследователи делают это, рассматривая каждое изображение как текстурную фотографию и измеряя, как яркости пикселей соотносятся друг с другом по изображению. Эти так называемые текстурные характеристики фиксируют такие свойства, как контраст, гладкость и регулярность, отражающие повторяющиеся ударные паттерны, создаваемые поврежденными поверхностями подшипника. По сравнению с простыми статистиками, такими как среднее или дисперсия, текстурные дескрипторы сохраняют больше тонкой локальной структуры, связанной с трещинами на внутреннем и наружном кольцах или катящихся элементах.

Гибкая и экономная модель обучения

Чтобы определить состояние подшипника, в работе улучшена вероятностная модель, известная как Relevance Vector Machine (RVM). Усиленная инкрементальная RVM (EIRVM) изучает, какие обучающие примеры действительно информативны, и сохраняет только небольшое подмножество — релевантные векторы, что сокращает и объем памяти, и вычисления. Важная особенность — способность обновляться по мере поступления новых данных, без повторного обучения с нуля, что критично для онлайн‑мониторинга в промышленности. Для тонкой настройки наиболее чувствительного параметра — ширины ядра, измеряющего сходство между примерами — авторы применяют метаэвристическую процедуру поиска, вдохновленную охотничьим поведением серых волков, дополненную элементами теории хаоса (CGWO). Эта продуманная стратегия поиска эффективно исследует пространство настроек, избегая преждевременной сходимости к подоптимальным решениям.

Проверка метода на практике

Предложенная связка FBEWT–EIRVM была оценена на нескольких широко используемых наборах данных по дефектам подшипников с лабораторных испытательных стендов, а также на реальных измерениях с действующего промышленного оборудования. В каждом случае метод должен различать исправные подшипники и подшипники с дефектами на внутреннем кольце, наружном кольце или на шариках, и делать это при разных нагрузках и при добавленном искусственном шуме. Во всех сценариях новый подход последовательно демонстрирует более высокую точность классификации по сравнению с соперничающими методиками, включая традиционный эмпирический вейвлет‑анализ в сочетании со стандартными RVM, а также современную комбинацию сверточных и рекуррентных нейронных сетей. Примечательно, что его производительность остается почти неизменной при сильном шумовом воздействии, что указывает на высокую устойчивость к помехам.

Что это означает для повседневной техники

Для неспециалиста суть в том, что исследование предлагает более надежный «стетоскоп» для вращающегося оборудования. Создавая более четкие изображения вибрационного поведения подшипников и сочетая их с компактным самообновляющимся алгоритмом обучения, рамочная методика FBEWT–EIRVM позволяет с высокой уверенностью обнаруживать дефекты на ранней стадии, даже когда сигналы слабы или зашумлены. На практике это означает, что команды обслуживания могут выявлять проблемы раньше, планировать ремонты более разумно и сокращать простои и риски на критически важном оборудовании — от транспортных систем до электростанций.

Цитирование: 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

Ключевые слова: диагностика дефектов подшипников, анализ вибрации, мониторинг состояния машин, временно‑частотное изображение, интеллектуальное обслуживание