Les chercheurs prédisent la durée de vie des roulements

Continuez à rouler

Vue d’ensemble du roulement et de la forme des défauts sur la surface du chemin de roulement de la bague intérieure. Crédit: Université d’Osaka

Des scientifiques de l’Institut de recherche scientifique et industrielle et des laboratoires NTN Next Generation Research Alliance de l’Université d’Osaka ont développé une méthode d’apprentissage automatique qui combine les réseaux de neurones convolutifs et la modélisation hiérarchique bayésienne pour prédire avec précision la durée de vie utile restante des roulements. Ces travaux peuvent conduire à de nouvelles méthodes de surveillance industrielle qui aident à gérer les calendriers de maintenance et à maximiser l’efficacité et la sécurité en cas de progression des défauts.

Un roulement est constitué de deux anneaux séparés par des éléments roulants (billes ou rouleaux). En raison de la facilité de roulement, les anneaux peuvent tourner les uns par rapport aux autres avec très peu de frottement. Les roulements sont essentiels à presque toutes les machines automatisées à éléments rotatifs. Les roulements finissent par échouer en raison de l’usure, mais souvent les défauts potentiels ne peuvent pas être facilement réparés parce que les bagues sont dans un endroit inaccessible ou que le temps d’arrêt de la machine est trop coûteux. Ainsi, la capacité de prédire avec précision la durée de vie utile restante en cas de progression des défauts réduirait les procédures de maintenance inutiles et les pièces jetées prématurément sans risquer une panne.

Désormais, une équipe de chercheurs de l’Université d’Osaka a utilisé l’apprentissage automatique pour prédire la durée de vie utile restante des roulements en fonction du spectre de vibrations mesuré. On sait que lorsque les défauts s’aggravent à l’intérieur d’un roulement, son amplitude de vibration commence à fluctuer. Tout d’abord, les scientifiques ont créé un spectrogramme montrant l’intensité des différentes fréquences en fonction du temps. Ces graphiques bidimensionnels ont ensuite été utilisés pour former un réseau neuronal convolutif, qui est une méthode d’apprentissage automatique pour la reconnaissance d’image et les tâches de vision.

Continuez à rouler

Changements dans la distribution de prédiction de la durée de vie restante au fur et à mesure que les défauts progressent. Crédit: Université d’Osaka

«Il est généralement difficile de prédire la courbe de durée de vie utile restante des roulements en cas de progression des défauts, en raison de la fluctuation irrégulière des caractéristiques de vibration», explique le premier auteur Masashi Kitai. Pour cette raison, la modélisation hiérarchique bayésienne a été utilisée pour déduire les paramètres, y compris la durée de vie restante. Cette approche a permis aux scientifiques d’intégrer les résultats dans un seul ensemble de prévisions, avec les incertitudes associées. Au cours des tests, la méthode a amélioré l’erreur de la durée de vie utile restante prévue d’environ 32%.

«Une maintenance plus efficace des machines industrielles basée sur notre technologie peut conduire à une réduction du fardeau environnemental et des pertes économiques», explique l’auteur principal Ken-ichi Fukui. Les algorithmes futurs peuvent être généralisés pour fonctionner avec une large gamme de pièces mécaniques.


Etude sur une nouvelle méthode de diagnostic des défauts du roulement dans le moteur


Plus d’information:
Masashi Kitai et al, Un cadre pour prédire la courbe de vie utile restante des roulements sous progression de défaut basée sur le réseau neuronal et la méthode bayésienne, Accès IEEE (2021). DOI: 10.1109 / ACCESS.2021.3073945

Fourni par l’Université d’Osaka

Citation: Keeping it rolling: Les chercheurs prédisent la durée de vie des roulements (2021, 24 mai) récupéré le 24 mai 2021 sur https://techxplore.com/news/2021-05-lifetime.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.