Метод диагностики дефектов подшипников в сложных системах на основе улучшенной расширенной базы правил убеждений

Почему важно сохранять работоспособность вращающихся машин

От ветряных турбин до конвейеров на заводах — многие промышленные механизмы полагаются на подшипники качения и шестерни, которые годами высокоскоростно вращаются. Когда эти скрытые узлы начинают выходить из строя, они могут остановить целые производственные линии или привести к опасным авариям. В статье представлен новый способ раннего и надёжного обнаружения таких дефектов, даже когда полевые данные беспорядочны, зашумлены и сильно смещены в сторону нормальной эксплуатации.

Проблема редких дефектов и шумных сигналов

В повседневной работе подшипники и шестерни большую часть времени исправны, поэтому записи вибрации содержат гораздо больше нормальных примеров, чем примеров с дефектами. Стандартные методы на данных, например нейронные сети, умеют выявлять впечатляющие закономерности, но склонны фокусироваться на доминирующем классе, часто пропуская редкие сигнатуры дефектов, которые наиболее важны. Параллельно с этим датчики вибрации работают в суровой среде, полной механических и электрических помех, что размывает тонкие детали, необходимые для различия типов дефектов, таких как повреждение внутренней или наружной дорожки или дефекты шариков. В совокупности эти проблемы затрудняют создание диагностических систем, точных и надёжных вне лаборатории.

Сочетание экспертных правил и более умной статистики

Авторы опираются на класс моделей, известных как базы правил убеждений, которые соединяют экспертные правила вида «ЕСЛИ определённые признаки выглядят так, ТО подшипник в таком состоянии» с вероятностями, выражающими неопределённость. Расширенная версия этого фреймворка, называемая EBRB, преобразует сырые измерения датчиков в градуированные уровни убеждения (например, очень низкий, средний или очень высокий), а не в жёсткие пороги. Это облегчает работу с размытыми или неполными данными. Однако ранние реализации опирались на простое геометрическое расстояние для оценивания соответствия новой вибрационной картины сохранённому правилу — выбор, который не полностью отражает различия в истинных распределениях вероятностей при наличии шума.

Измерение информации вместо расстояния

Чтобы точнее улавливать тонкие изменения в вибрационных паттернах, в статье заменяют обычное расстояние инструментом теории информации — дивергенцией Кульбака–Лейблера. Вместо вопроса о том, насколько далеки две точки в пространстве, эта мера отвечает на вопрос, сколько информации теряется, когда одно вероятностное распределение используется для аппроксимации другого. Вычисляя симметричную версию этой дивергенции между профилями убеждений входных данных и каждым правилом, модель может оценивать совпадения с учётом того, как распределена вероятность, а не только её величины. Это приводит к более точной активации правил, особенно когда разные дефекты похожи по общей интенсивности, но различаются распределением признаков.

Давать редким дефектам справедливый голос

Даже при улучшенном соответствии несбалансированный набор данных всё ещё может смещать обучение в сторону большинства — здорового состояния. Чтобы компенсировать это, авторы предлагают ансамблевую стратегию недовыборки. Они многократно сокращают избыточные образцы здорового состояния и объединяют их со всеми доступными образцами дефектов, создавая несколько сбалансированных учебных подмножеств. Для каждого подмножества обучается отдельная расширенная модель на базе правил убеждений, а затем её внутренние веса донастраиваются с помощью алгоритма дифференциальной эволюции — популяционного метода поиска, хорошо подходящего для сложных ландшафтов. При прогнозировании все эти субмодели анализируют одни и те же входные данные, а схема голосования определяет итоговую метку состояния, давая редким паттернам дефектов несколько шансов на распознавание.

Насколько метод эффективен на практике

Команда протестировала подход на двух широко используемых эталонных наборах данных: одном для подшипников качения и одном для шестерней. Чтобы смоделировать реалистичные условия, обучение проводили на данных вибрации, записанных при одной частоте дискретизации или рабочем режиме, а тестировали на данных, снятых при другом, при этом в обоих наборах сохранялся сильный классический дисбаланс. По ряду метрик — точности, точности детекции (precision), полноты (recall) и F1‑мере — новый метод последовательно превосходит традиционные системы на базе правил убеждений, стандартные модели машинного обучения и популярные приёмы работы с несбалансированными данными. Особенно заметны улучшения для миноритарных классов дефектов; метод также сохраняет высокую производительность при добавлении искусственного шума в ключевые признаки сигналов.

Что это значит для реального оборудования

Для неспециалиста главный вывод в том, что этот подход даёт подшипникам и шестерням более надёжную «проверку состояния» в тех шумных условиях, которые характерны для реальных производств. Сочетая экспертные правила с более умным способом сравнения вероятностных профилей и справедливой схемой голосования для редких событий, метод снижает риск того, что ранние признаки повреждения будут утонувшими в потоке нормальных данных и фоновом шуме. Авторы приходят к выводу, что их ансамблевая база правил убеждений обеспечивает точную, интерпретируемую и устойчивую к шуму диагностику дефектов, и предлагают распространить подход на другие вращающиеся узлы, а также автоматизировать выбор количества подмножеств данных для оптимальной работы.

Цитирование: 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

Ключевые слова: диагностика дефектов подшипников, диагностика дефектов зубчатых передач, мониторинг вибрации, ансамблевое обучение, база правил убеждений