Использование искусственного интеллекта для прогнозирования ношения и трения в механических системах

Механические системы составляют основу современной промышленности, от автомобильных двигателей и ветряных турбин до конвейерных лент и роботизированных рук. Безмолвным, но дорогостоящим врагом в этих системах является неустанное сочетание износа и трения. Со временем это взаимодействие ухудшает поверхности, генерирует тепло и в конечном итоге приводит к внеплановым сбоям. Незапланированные простои в производстве сами по себе могут стоить компаниям сотни тысяч долларов в минуту. Традиционные подходы к техническому обслуживанию - запланированные замены и проверки на основе правил - часто пропускают ранние предупреждающие знаки или преждевременно заменяют детали.

Искусственный интеллект (ИИ) предлагает преобразующий сдвиг. Подавая данные датчиков от операционного оборудования в сложные модели машинного обучения, инженеры теперь могут предсказать с замечательной точностью , когда подшипник выйдет из строя или когда трение будет резко расти. Эта предсказательная способность позволяет выполнять техническое обслуживание на основе условий - фиксировать только то, что нуждается в исправлении, когда это необходимо исправить. Результатом является более низкие эксплуатационные расходы, более длительный срок службы оборудования и более интеллектуальный, основанный на данных подход к механической надежности. В этой статье рассматриваются основы износа и трения, технологии ИИ, используемые для их прогнозирования, реальные преимущества и проблемы, которые лежат впереди.

Понимание износа и трения в механических системах

Ношение и трение не являются монолитными явлениями. Трибологи классифицируют износ в несколько механизмов, каждый с различными причинами и закономерностями. Адгезивный износ возникает, когда микросварные сварные швы образуются между контактирующими поверхностями, а затем сдвигают, разрывая материал. Абразивный износ происходит, когда твердые частицы или асперсии пахают канавки в более мягкую поверхность. Износ усталости возникает из-за повторяющейся циклической нагрузки, что приводит к поверхностным трещинам, которые растут и вызывают разбрызгивание — обычное явление в подшипниках качения. Коррозионный износ включает химические реакции, которые ослабляют поверхностный слой. Сам трение количественно определяется коэффициентом трения (COF), который варьируется в

В реальных машинах эти механизмы взаимодействуют. Например, коробка передач может испытывать абразивный износ от загрязненного масла, что повышает трение, что, в свою очередь, генерирует тепло и ускоряет химическую деградацию смазки. Прогнозирование начала отказа требует целостного представления об этих сопряженных процессах. Традиционные модели на основе физики (например, закон износа Арчарда) обеспечивают базовый уровень, но часто выходят из строя при различных нагрузках, скоростях и условиях окружающей среды. Модели ИИ, напротив, учатся непосредственно из оперативных данных, захватывая нелинейные взаимодействия, которые пропускают аналитические уравнения.

Экономические ставки высоки. Исследование 2023 года в журнале Wear подсчитало, что сбои, связанные с износом, составляют 60-80% поломок машин во всем мире, что обходится промышленным секторам в сотни миллиардов долларов в год. Точное прогнозирование износа и трения не является роскошью — это конкурентная необходимость.

Сбор данных: основа прогнозов, управляемых ИИ

Прежде чем любая модель ИИ сможет предсказать износ или трение, ей нужны данные — много данных и правильного типа. Современное оборудование все чаще оснащается датчиками, которые захватывают множество рабочих сигналов. Наиболее распространенные потоки данных включают:

• Сигналы вибрации — акселерометры, установленные на подшипниках или зубьях зубчатой передачи, фиксирующие частотные сигнатуры.Изменения амплитуды вибрации или появление боковых полос могут указывать на точечные отверстия, трещины или дисбаланс.
• Измерения температуры — термопары или инфракрасные датчики отслеживают локальное накопление тепла. Повышение температуры часто коррелирует с повышенным трением или недостаточной смазкой.
• Акустические выбросы — высокочастотные звуковые волны, выделяющиеся при распространении трещин или вытеснении частиц.Эти сигналы могут обнаруживать ранний износ, невидимый для датчиков вибрации.
• Анализ нефтяного мусора — встроенная феррография или счетчики частиц измеряют концентрацию и распределение частиц металла в смазочном масле. Внезапно увеличивается сигнал ускоренного износа.
• Точность, ток и потребляемая мощность — электрические сигнатуры от двигателей могут косвенно отражать механическую нагрузку и трение.

Интернет вещей (IoT) обеспечивает непрерывную потоковую передачу этих сигналов в реальном времени на облачные или граничные платформы. Для обработки объема - часто терабайтов в месяц от одной установки - требуются специализированные конвейеры данных. Краевые вычисления, где предварительная аналитика выполняется непосредственно на узле датчика, снижает задержку и затраты на пропускную способность, одновременно позволяя оповещения в реальном времени.

Качество данных имеет первостепенное значение. Шумные или отсутствующие показания датчиков могут обмануть даже самый сложный ИИ. Поэтому критически важны этапы предварительной обработки, такие как фильтрация, нормализация и выравнивание меток времени. Кроме того, маркировка данных - определение периодов нормальной работы по сравнению с известными событиями износа - требует экспертизы домена. Многие промышленные наборы данных несбалансированы: сбои редки, но когда они происходят, они дорогостоящие. Этот дисбаланс представляет собой значительную проблему для моделей контролируемого обучения, как мы увидим.

Технологии ИИ и машинного обучения для прогнозирования одежды и трения

С чистыми, помеченными данными в руках, инженеры применяют ряд архитектур машинного обучения (ML) и глубокого обучения. Каждая техника имеет сильные стороны, подходящие для различных аспектов прогнозирования износа и трения.

Надзорные модели обучения

Надзорное обучение - это рабочая лошадка предиктивного обслуживания, когда существуют исторические метки отказа. Модель учится отображать входы датчиков (особенности) на целевой выход - например, оставшийся срок полезного использования (RUL) в часах или классификация «здоровых» против «изношенных».

• Связочные нейронные сети (CNN) — изначально предназначенные для изображений, CNN преуспевают в анализе вибрационных спектрограмм. Преобразуя данные вибрации временных доменов в частотные изображения (спектрограммы), CNN может идентифицировать характерные шаблоны износа (например, частоты неисправностей) без ручной инженерии функций.
• Рекуррентные нейронные сети (RNN) и долговременная кратковременная память (LSTM) — эти архитектуры захватывают временные зависимости. Трение и износ развиваются со временем; LSTM может узнать, что тенденция повышения температуры в течение нескольких часов часто предшествует всплеску трения.
• Случайные леса и деревья с градиентным наростом (например, XGBoost) — методы ненейронного ансамбля остаются популярными в промышленности, поскольку они требуют меньше данных, их легче интерпретировать и хорошо работают на табличных данных датчиков.

В тематическом исследовании 2024 года, проведенном SKF Labs, было показано, что модель LSTM, подаваемая с данными о вибрации, температуре и нагрузке, прогнозирует несущее RUL в течение 5% фактического времени отказа в испытательном парке, что значительно превосходит традиционные модели на основе физики.

Неконтролируемые и полуконтролируемые подходы

Во многих промышленных условиях данные о сбоях редки. Никто не хочет запускать машину для уничтожения, просто чтобы собрать примеры обучения. Неконтролируемое обучение решает эту проблему, изучая «нормальное» поведение системы и помечая отклонения как аномалии.

• Автокодеры — нейронная сеть, обученная реконструировать свой вход. Во время нормальной работы ошибка реконструкции низкая. При появлении новых моделей износа или трения ошибка шипит, сигнализируя о потенциальной неисправности.
• Одноклассный SVM — классификатор, который рисует границу вокруг нормальных точек данных; всё, что находится за пределами, аномально. Этот метод хорошо работает, когда для обучения доступны только здоровые данные.
• Кластеризация — алгоритмы, подобные DBSCAN-группе, схожие по рабочим состояниям. Появление нового кластера может указывать на режим износа, который ранее не наблюдался.

Полуконтролируемые методы сочетают в себе небольшой набор помеченных отказов с большим пулом немаркированных данных.Такие методы, как псевдомаркировка и самообучение, могут улучшить производительность обнаружения, не требуя тысяч примеров отказа.

Усиление обучения для адаптивного обслуживания

Усиление обучения (RL) делает предсказание шаг дальше. Вместо того, чтобы просто прогнозировать, когда произойдет износ, агент RL узнает оптимальную политику обслуживания. Агент наблюдает за текущим состоянием машины (например, уровень вибрации, температура, возраст) и выбирает действие - заменять компонент сейчас, уменьшать нагрузку или ничего не делать. Функция вознаграждения уравновешивает стоимость обслуживания (время простоя, части) против стоимости отказа (повреждение, риск безопасности). Во многих эпизодах агент сходится в политике, которая минимизирует общую стоимость.

В то время как RL все еще находится на стадии исследований промышленной трибологии, ранние модели из Университета Шеффилда показали, что планировщик на основе RL снизил затраты на техническое обслуживание на 30% по сравнению с графиками с фиксированным интервалом, сохраняя при этом уровень отказов ниже 1%.

Основные преимущества прогнозов на основе ИИ

Принятие ИИ для прогнозирования износа и трения дает измеримые, досрочные улучшения в разных отраслях.

• Раннее обнаружение сбоев — ИИ может идентифицировать закономерности за недели или даже месяцы до поломки. Например, тонкие изменения высокочастотной вибрации могут указывать на то, что подшипник качается задолго до того, как он станет слышимым.
• Оптимизированные графики технического обслуживания — переход от календарного обслуживания к обслуживанию на основе условий устраняет ненужные срывы. Производитель полупроводников сообщил о сокращении на 40% задач профилактического обслуживания после развертывания предиктора износа на основе ИИ, одновременно увеличивая время безотказной работы оборудования на 15%.
• Сокращение эксплуатационных расходов — меньше аварийного ремонта, меньше инвентаризации запасных частей и меньше сверхурочных для техников. Завод нефтехимической переработки ежегодно экономил 1,2 млн долларов, продлевая среднее время между капитальными ремонтами на компрессорах с 18 месяцев до 30 месяцев.
• Расширенный срок службы оборудования — улавливая износ на ранней стадии, операторы могут регулировать эксплуатационные параметры (например, снижать скорость, увеличивать смазку) для замедления дальнейшего ухудшения. Некоторые коробки передач, которые обычно работают 10 лет, работали более 15 лет с управлением нагрузкой с помощью AI.
• Улучшенная безопасность — сбои в движущихся машинах могут привести к катастрофическим авариям.Предсказательные предупреждения позволяют безопасно отключаться, а не останавливаться в аварийной ситуации.

Проблемы и ограничения

Несмотря на свои обещания, прогнозы на основе ИИ сталкиваются с несколькими препятствиями, которые ограничивают его широкое распространение.

Качество и доступность данных. Многие заводы не имеют инфраструктуры датчиков для сбора высокоточных данных, необходимых для моделей ИИ. Модернизация датчиков является дорогостоящей и может потребовать простоя машины. Даже с датчиками, повреждение данных, дрейф и недостающие значения являются общими. Модели, обученные на чистых лабораторных данных, часто терпят неудачу при развертывании на реальных шумных сигналах.

Сбалансированные наборы данных. События сбоев редки по своей природе. Типичный набор данных может содержать только несколько десятков примеров сбоев из миллионов точек данных. Надзорные модели, обученные такому дисбалансу, склонны чрезмерно прогнозировать «нормальные» и пропускать ранние признаки сбоев. Такие методы, как синтетическая избыточная выборка меньшинства (SMOTE) и помощь в обучении, чувствительные к затратам, но они не являются серебряной пулей.

Толкование моделей.] Глубокие нейронные сети часто являются черными ящиками. В критически важном для безопасности контексте инженер по техническому обслуживанию не будет доверять рекомендации «заменить сейчас», если модель не объясняет, почему, например, «температура подшипника увеличилась на 8 ° C, а амплитуды вибрации выросли на частотах 1× и 2× RPM».

Надежность датчика и связь.] Модель хороша только как сенсорная подачка. Если датчик вибрации выходит из строя или беспроводной шлюз теряет связь, механизм прогнозирования ослепляет. Избыточные датчики и надежные граничные вычислительные архитектуры смягчают этот риск, но увеличивают стоимость системы.

Интеграция с устаревшими системами. Многие заводы эксплуатируют оборудование, которому уже несколько десятилетий, без цифрового интерфейса. Обновление датчиков и подключение их к современной платформе ИИ требует тщательного планирования и поэтапного развертывания. Культурное сопротивление со стороны обслуживающих команд, привыкших к традиционным методам, может быть еще одним барьером.

Реальные мировые тематические исследования

Производство: Gearbox Wear в сталелитейном заводе

Крупный производитель стали в Германии развернул датчики вибрации и температуры на 120 коробках передач по всей линии горячего проката. Используя модель на основе CNN, обученную на двухлетних исторических данных, система обнаружила ненормальные модели износа на шестеренок 43 дня до запланированной проверки. Команда технического обслуживания осмотрела шестерню на ранней стадии, нашла передовую яму и заменила ее во время запланированного отключения, избежав катастрофического сбоя, который закрыл бы всю линию в течение трех недель. Стоимость незапланированного отключения превысила бы 750 000 евро, в то время как система ИИ стоила примерно 50 000 евро для реализации.

Aerospace: сохранение полезной жизни при передаче вертолетов

Передача ротора вертолета испытывает интенсивные фрикционные нагрузки. Исследовательская лаборатория армии США сотрудничала с университетом для разработки модели LSTM, которая прогнозирует RUL основных подшипников коробки передач с использованием данных о вибрации и масляном мусоре из летных испытаний. Модель достигла средней абсолютной ошибки в 89 летных часов, что позволило увеличить интервалы обслуживания на 25% без ущерба для безопасности. Эта работа теперь интегрирована в систему интегрированного управления здоровьем транспортных средств армии.

Энергия: фрикционные фреттинги в подшипниках для ветровых турбин

Подшипники для поднятия подшипников ветровых турбин подвергаются небольшим колебательным движениям, что способствует износу фреттинга. Датская компания ветроэнергетики использовала детектор аномалий автокодера на данных тока двигателя на подаче и вибрации гондолы. Система пометила пять турбин, показывающих начинающееся трение на три месяца раньше, чем традиционные методы анализа вибрации. Раннее вмешательство - смягчение и небольшие корректировки угла наклона - продлило срок службы подшипника в среднем на четыре года на турбину, сэкономив более 200 000 долларов США в расходах на замену.

Будущие направления и новые тенденции

Несколько технологических разработок будут продолжать расширять границы износа и прогнозирования трения, основанного на ИИ.

Цифровой двойник.] Цифровой двойник — это виртуальная точная копия физической машины, которая работает параллельно с реальной системой. Совмещая прогнозы ИИ с цифровым двойником, инженеры могут имитировать сценарии «что-если» — например, «Что произойдет, если мы увеличим нагрузку на 5%?» — без риска для фактического оборудования. Это позволяет тестировать и проверять стратегии предотвращения износа.

Федерированное обучение.] Во многих отраслях проблемы конфиденциальности данных препятствуют обмену машинными данными между сайтами или с OEM-производителями. Федеративное обучение обучает глобальную модель ИИ на нескольких периферийных устройствах, не перемещая исходные данные за пределы площадки. Каждый завод вычисляет обновления локальных моделей, которые агрегированы. Этот подход был пилотирован на автомобильных сборочных линиях для создания надежных предикторов износа без раскрытия запатентованных данных.

Edge AI с нейроморфными вычислениями. Для достижения прогнозов в реальном времени (латентность <10 мс) вычисления должны происходить близко к датчику. Edge AI чипы — в том числе нейроморфные процессоры, имитирующие поведение нейронного скачка — могут запускать небольшие, но эффективные модели при очень низкой мощности. Это особенно перспективно для мобильных машин (например, экскаваторов, дронов), где облачная связь ненадежна.

Физики-информированные нейронные сети (PINNs.] PINN включают физические законы (например, уравнение износа Арчарда, сохранение энергии) в качестве ограничений внутри нейронной сети. Этот гибридный подход сочетает в себе гибкость ИИ, управляемую данными, с надежной причинной структурой физики. Ранние результаты по моделированному износу оборудования показывают, что PINN лучше обобщают новые условия работы, чем модели, управляемые данными.

Самоконтролируемая подготовка.] Подобно тому, как крупные языковые модели учатся из массивных текстовых корпусов, самоконтролируемая подготовка на огромных объемах немаркированных данных датчиков может создать основополагающие модели для здоровья машин.

Заключение

Использование искусственного интеллекта в прогнозировании износа и трения больше не является футуристической концепцией - это практический инструмент, обеспечивающий измеримые экономические и безопасные преимущества на заводах, электростанциях и аэрокосмических системах.Изучая данные датчиков, модели ИИ могут предвидеть деградацию за несколько месяцев до этого, позволяя поддерживать состояние на основе обслуживания, что сокращает затраты и продлевает срок службы оборудования.

Однако для успешного развертывания требуется нечто большее, чем просто алгоритм. Высококачественный сбор данных, продуманная предварительная обработка, маркировка доменов и ориентированная на пользователя интерпретируемость — все это необходимые ингредиенты. По мере созревания цифровых двойников, федеративного обучения и сетей, основанных на физике, точность и доступность этих прогнозов будет только возрастать. Механические системы станут самосознающими, адаптируя свою работу для минимизации износа и трения автономно. Результатом станет новая эра надежности — та, в которой машины скажут нам, когда им нужно внимание, задолго до того, как они сломаются.

Дальнейшее чтение: Для более глубокого погружения в механизмы износа см. ScienceDirect обзор механизмов износа . Для подробного анализа прогнозного технического обслуживания ROI см. Отчет McKinsey о прогнозном обслуживании на умной фабрике . Практический пример исследования по внедрению ИИ для поддержания здоровья доступен из блога GE Digital о прогнозном обслуживании в производстве .