Los investigadores predicen la vida útil de los rodamientos

Científicos del Instituto de Investigación Científica e Industrial y los laboratorios NTN Next Generation Research Alliance de la Universidad de Osaka han desarrollado un método de aprendizaje automático que combina redes neuronales convolucionales y modelos bayesianos jerárquicos para predecir con precisión la vida útil restante de los rodamientos. Este trabajo podría resultar en nuevos métodos de monitoreo industrial que ayudarán a administrar los programas de mantenimiento y maximizar la eficiencia y la seguridad a medida que avanzan los defectos.

Un rodamiento consta de dos anillos separados por elementos rodantes (bolas o rodillos). Debido a la facilidad de rodar, los anillos pueden girar uno contra el otro con muy poca fricción. Los rodamientos son esenciales en casi todas las máquinas automatizadas con piezas giratorias. Los rodamientos eventualmente fallan debido al desgaste, pero a menudo las fallas potenciales no se pueden reparar fácilmente porque los anillos son inaccesibles o porque el tiempo de inactividad de la máquina es demasiado costoso. Por lo tanto, la capacidad de predecir con precisión la vida útil restante a continuación defecto la progresión reduciría los procedimientos de mantenimiento innecesarios y las piezas expulsadas prematuramente sin riesgo de falla.

Actualmente, un equipo de científicos de la Universidad de Osaka ha utilizado el aprendizaje automático para predecir la vida útil restante de los rodamientos a partir del espectro de vibraciones medido. Se sabe que cuando los defectos empeoran dentro de un Llevando, su amplitud de oscilación comienza a cambiar. Primero, los científicos crearon un espectrograma que muestra la intensidad de diferentes frecuencias en función del tiempo. Estos gráficos bidimensionales se utilizaron luego para entrenar en la red neuronal convolucional que es método de aprendizaje automático para tareas de reconocimiento de imágenes y visión.

“Predecir la curva de vida restante de los rodamientos bajo progresión de la falla suele ser difícil debido a la variación irregular en las propiedades de vibración”, dice el autor principal Masashi Kitai. Por esta razón, se ha utilizado el modelado bayesiano jerárquico para inferir parámetros, incluida la vida útil restante. Este enfoque permitió a los científicos integrar los resultados en un solo conjunto de predicciones con incertidumbres asociadas. Durante las pruebas, el método mejoró el error de vida útil restante esperado en aproximadamente un 32%.

“Un mantenimiento más eficiente de la maquinaria industrial basada en nuestra tecnología puede conducir a una reducción de la carga ambiental y las pérdidas económicas”, dice el autor principal Ken-ichi Fukui. Los algoritmos futuros se pueden generalizar para que funcionen con una amplia variedad de piezas mecánicas.