NTN開發(fā)了一種將多種人工智能方法結(jié)合起來，預測軸承剩余壽命的技術(shù)。通過在剝落發(fā)生后高精度地預測剩余壽命，即軸承失效的極限使用壽命，從而可以制定高效的機械設(shè)備維護計劃，提高生產(chǎn)效率，降低成本。

機械設(shè)備中使用的軸承可能會因各種使用條件而導致輕微剝落，壞的情況下可能導致故障。然而，當由于設(shè)備結(jié)構(gòu)和安裝位置的原因，難以實施軸承維護時，有些情況下只要不影響操作，軸承會繼續(xù)使用。軸承的狀況可以通過使用振動數(shù)據(jù)檢測異常來確定。然而，目前沒有辦法準確確定軸承在發(fā)生剝落等異常后，還可以繼續(xù)使用多長時間（剩余壽命），通常會盡快更換軸承或在軸承損壞后更換。此外，許多情況下，現(xiàn)場工作人員根據(jù)多年的經(jīng)驗等判斷更換的時機，隨著節(jié)省人工和自動化生產(chǎn)系統(tǒng)的進展，人們越來越希望能高度精確預測軸承的剩余使用壽命，以更準確地確定軸承更換時間，減少設(shè)備停機時間和降低維護成本。

NTN的這項技術(shù)是其“Next Generation Research Alliance Laboratories”聯(lián)合研究項目的成果，該實驗室于2017年大阪大學成立（總部位于大阪府佐田市），其將NTN的技術(shù)和大學的人工智能研究相結(jié)合。NTN開發(fā)的剩余使用壽命預測技術(shù)是通過將深度學習與貝葉斯學習相結(jié)合，并進行改進，從而提高從軸承發(fā)生剝落到軸承損壞時估計剩余使用壽命的準確性。在幾種人工智能方法中，NTN選擇了專門用于圖像處理的卷積神經(jīng)網(wǎng)絡的深度學習方法，它可以將軸承的振動數(shù)據(jù)轉(zhuǎn)換為圖像數(shù)據(jù)以供使用，從而能夠預測軸承的損壞狀況和剩余使用壽命。此外，通過結(jié)合分層貝葉斯線性回歸建立了一個高度可靠的預測模型，該模型通過考慮軸承損傷進程中測量數(shù)據(jù)的個體差異和變化（誤差）來評估預測值的可靠性。通過考慮損傷條件，與傳統(tǒng)技術(shù)相比，剩余使用壽命的預測精度提高了約30%。

該項技術(shù)的可行性還有待繼續(xù)驗證，未來可以將這項技術(shù)用于維護機械設(shè)備，優(yōu)化軸承設(shè)計、使用等。

來源：軸承雜志社

（版權(quán)歸原作者或機構(gòu)所有）