NTN開發了一種将多種人工智能方法結合起來，預測軸承剩餘(yú)壽命的技術。通過在剝落發生後高精度地預測剩餘壽命，即軸承失效(xiào)的極限使(shǐ)用壽命，從而可以制定高效的機械設備(bèi)維護計劃，提高生産(chǎn)效率，降低成本。

機械(xiè)設備中使用的軸承可能會因(yīn)各種使用條件(jiàn)而導(dǎo)緻輕微剝(bāo)落，最壞的情況下可能導緻故(gù)障。然而，當由于設備結構和安(ān)裝位置的原因，難(nán)以實施軸承維護時，有些情況下隻要不影響操作，軸承會繼續使用。軸承的狀況可以通過使用振動數(shù)據檢測異常來确定(dìng)。然而，目前(qián)沒有辦法準确确定軸承在發生剝(bāo)落等異常後，還可以繼續(xù)使用多長時間（剩餘壽命），通常會盡快更換軸承或(huò)在軸承損壞後更換。此外，許多情況下，現場工作人員根據多年的經驗等判斷更換的時機(jī)，随着節省(shěng)人工和自動化生産系統的進展，人們越來(lái)越希望能高度精确預測軸承的剩餘使用壽命，以更(gèng)準确地确定軸承(chéng)更換時(shí)間，減少設(shè)備停機時間和降低維護成本(běn)。

NTN的這(zhè)項技術是其“Next Generation Research Alliance Laboratories”聯合研究項目的(de)成果，該實驗室于2017年大(dà)阪大學(xué)成立（總部位于大阪府佐田市），其将NTN的(de)技術和(hé)大學的人(rén)工智能研究相結合(hé)。NTN開發(fā)的剩餘使用壽命預測技術是通過(guò)将深度學習與貝葉(yè)斯學習相結合，并進行改進，從而(ér)提高從(cóng)軸承發生剝落到軸承損壞時估計剩餘使用壽命的準确性。在幾種人工智能方(fāng)法中，NTN選擇(zé)了專門用于圖像處理的卷積神(shén)經網絡的(de)深度學習方法，它(tā)可以将軸承的振動數據轉換為圖像(xiàng)數據以供使(shǐ)用，從而能夠預測軸承的損壞狀況和剩(shèng)餘使用壽命。此(cǐ)外，通過結合分(fèn)層貝(bèi)葉斯線性回歸(guī)建立了一個高度可靠的預測(cè)模型(xíng)，該模型通過考慮軸承損傷進程中(zhōng)測量數據的個體差(chà)異和變化（誤差(chà)）來評估預測值的可靠性。通過考慮損傷條件，與傳統技術相比，剩餘使用壽命的預測精(jīng)度提高了(le)約30%。

該項(xiàng)技術的可行性還有(yǒu)待繼續驗證，未(wèi)來可以将這項技術用于(yú)維護機械設備，優(yōu)化軸承設(shè)計、使用等。

來(lái)源：軸承雜志社

（版權歸原作者或機構所有）