NTN开发了一种将多种人工智能方法结合起来，预测轴承剩余寿命的技术。通过在剥落发生后高精度地预测剩余寿命，即轴承失效的极限使用寿命，从而可以制定高效的机械设备维护计划，提高生产效率，降低成本。

机械设备中使用的轴承可能会因各种使用条件而导致轻微剥落，坏的情况下可能导致故障。然而，当由于设备结构和安装位置的原因，难以实施轴承维护时，有些情况下只要不影响操作，轴承会继续使用。轴承的状况可以通过使用振动数据检测异常来确定。然而，目前没有办法准确确定轴承在发生剥落等异常后，还可以继续使用多长时间（剩余寿命），通常会尽快更换轴承或在轴承损坏后更换。此外，许多情况下，现场工作人员根据多年的经验等判断更换的时机，随着节省人工和自动化生产系统的进展，人们越来越希望能高度精确预测轴承的剩余使用寿命，以更准确地确定轴承更换时间，减少设备停机时间和降低维护成本。

NTN的这项技术是其“Next Generation Research Alliance Laboratories”联合研究项目的成果，该实验室于2017年大阪大学成立（总部位于大阪府佐田市），其将NTN的技术和大学的人工智能研究相结合。NTN开发的剩余使用寿命预测技术是通过将深度学习与贝叶斯学习相结合，并进行改进，从而提高从轴承发生剥落到轴承损坏时估计剩余使用寿命的准确性。在几种人工智能方法中，NTN选择了专门用于图像处理的卷积神经网络的深度学习方法，它可以将轴承的振动数据转换为图像数据以供使用，从而能够预测轴承的损坏状况和剩余使用寿命。此外，通过结合分层贝叶斯线性回归建立了一个高度可靠的预测模型，该模型通过考虑轴承损伤进程中测量数据的个体差异和变化（误差）来评估预测值的可靠性。通过考虑损伤条件，与传统技术相比，剩余使用寿命的预测精度提高了约30%。

该项技术的可行性还有待继续验证，未来可以将这项技术用于维护机械设备，优化轴承设计、使用等。

来源：轴承杂志社

（版权归原作者或机构所有）