NTN開發了一種將多種人工智能方法結合起來，預測軸承剩餘壽命的技術。通（tōng）過在剝落發生（shēng）後高精度地預測剩餘壽命（mìng），即軸承失效的極限使用壽命，從而可以製定高效的機械設備維護計劃（huá），提高生產效率，降低成（chéng）本。

機械設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（de）情況下可能導致故障。然而，當由於設備結構（gòu）和安裝位置（zhì）的原因，難以實施軸承維護時，有些情況下（xià）隻（zhī）要不影響操作，軸承會繼（jì）續使用（yòng）。軸承的狀況可以通過使用振動（dòng）數據檢測異（yì）常來確定。然而，目（mù）前沒有辦法準確確定軸承在發生剝落等異常後，還可以繼續使用多（duō）長時間（剩餘壽命（mìng）），通常會盡快更換軸承或在軸承損壞後更換。此外，許多情（qíng）況下，現場工（gōng）作人員（yuán）根據多年的經驗等判（pàn）斷更換的時機，隨著節省（shěng）人（rén）工和自動化生產係統（tǒng）的進展，人們越來越希望能（néng）高度（dù）精（jīng）確預測軸承的（de）剩（shèng）餘使用壽（shòu）命，以更準確地確定軸（zhóu）承更換時間（jiān），減少設備停機（jī）時間和降低維護成本。

NTN的這項技術是其“Next Generation Research Alliance Laboratories”聯合研究項目的成果，該實驗室於2017年大阪大學成立（總（zǒng）部位（wèi）於大阪府佐田市），其將NTN的技術和大學的人工智能研究相結合。NTN開發的剩餘使用壽命預測技術是通過將深度學習與貝葉斯學習相結合，並進行改進，從而提高從軸承發生剝落到（dào）軸承損壞時估計（jì）剩餘（yú）使（shǐ）用壽命（mìng）的準確性（xìng）。在幾種人工智能方法中，NTN選（xuǎn）擇了專門用（yòng）於（yú）圖像處理的卷積神經網絡的深度學習方法，它可以（yǐ）將軸承的振動數據轉換為圖像（xiàng）數（shù）據以供使（shǐ）用，從而能夠預測軸承（chéng）的損壞狀況和剩餘使用壽命。此外（wài），通過結合（hé）分（fèn）層貝葉（yè）斯（sī）線性回歸建立了一個高（gāo）度可靠的預測（cè）模型（xíng），該模型通過考慮（lǜ）軸承損傷進程中（zhōng）測（cè）量數據的個體差異和變化（誤差）來評估（gū）預測值的（de）可靠性。通過考慮損傷條件，與傳統技（jì）術相比，剩餘使用（yòng）壽命的預（yù）測精度（dù）提（tí）高了（le）約30%。

該項技術的可行性（xìng）還有（yǒu）待繼續（xù）驗證，未來可以將這項（xiàng）技術用於維護機械設備，優化軸承設（shè）計、使用等。

來源：軸承雜（zá）誌（zhì）社

（版權歸原作者或機構所有）