Peneliti memprediksi masa pakai bantalan
Engineering

Peneliti memprediksi masa pakai bantalan


Tinjauan tentang bantalan gelinding dan bentuk cacat pada permukaan jalur balap dari cincin bagian dalam. Kredit: Universitas Osaka

Ilmuwan dari Institute of Scientific and Industrial Research, dan NTN Next Generation Research Alliance Laboratories di Osaka University mengembangkan metode pembelajaran mesin yang menggabungkan jaringan saraf konvolusional dan pemodelan hierarki Bayesian untuk secara tepat memprediksi sisa masa manfaat bantalan gelinding. Pekerjaan ini dapat mengarah pada metode pemantauan industri baru yang membantu mengelola jadwal pemeliharaan dan memaksimalkan efisiensi dan keselamatan di bawah perkembangan kerusakan.

Bantalan gelinding terdiri dari dua cincin yang dipisahkan oleh elemen gelinding (bola atau rol). Karena kemudahan penggulungan, cincin dapat berputar relatif satu sama lain dengan sedikit gesekan. Bantalan gelinding penting untuk hampir semua mesin otomatis dengan elemen yang berputar. Bearing pada akhirnya akan gagal karena keausan, tetapi seringkali potensi kerusakan tidak dapat diperbaiki dengan mudah karena ring berada di tempat yang tidak dapat diakses, atau waktu henti mesin terlalu mahal. Dengan demikian, kemampuan untuk secara akurat memprediksi sisa masa pakai yang berguna dalam perkembangan kerusakan akan mengurangi prosedur perawatan yang tidak perlu dan suku cadang yang dibuang sebelum waktunya tanpa risiko kerusakan.

Sekarang, tim peneliti di Universitas Osaka telah menggunakan pembelajaran mesin untuk memprediksi sisa masa pakai bantalan gelinding berdasarkan spektrum getaran yang diukur. Diketahui bahwa ketika cacat semakin parah di dalam bantalan, amplitudo getarannya mulai berfluktuasi. Pertama, para ilmuwan membuat spektogram yang menunjukkan intensitas frekuensi yang berbeda sebagai fungsi waktu. Grafik dua dimensi ini kemudian digunakan untuk melatih jaringan saraf konvolusional, yang merupakan metode pembelajaran mesin untuk tugas pengenalan dan penglihatan gambar.

Menjaga agar tetap bergulir

Perubahan dalam distribusi prediksi sisa umur saat kerusakan berlangsung. Kredit: Universitas Osaka

“Memprediksi sisa masa manfaat dari bantalan gelinding di bawah perkembangan cacat biasanya sulit, karena fluktuasi fitur getaran yang tidak teratur,” kata penulis pertama Masashi Kitai. Karena itu, pemodelan hierarki Bayesian digunakan untuk menyimpulkan parameter, termasuk sisa masa pakai. Pendekatan ini memungkinkan para ilmuwan untuk mengintegrasikan hasil ke dalam satu set prediksi, bersama dengan ketidakpastian yang terkait. Selama pengujian, metode tersebut meningkatkan kesalahan perkiraan sisa masa manfaat sekitar 32%.

“Pemeliharaan mesin industri yang lebih efisien berdasarkan teknologi kami dapat mengurangi beban lingkungan dan kerugian ekonomi,” kata penulis senior Ken-ichi Fukui. Algoritme masa depan dapat digeneralisasi untuk bekerja dengan berbagai bagian mekanis.


Studi tentang metode diagnosis kesalahan baru bantalan gelinding di motor


Informasi lebih lanjut:
Masashi Kitai et al, Kerangka Kerja untuk Memprediksi Sisa Kurva Hidup Berguna dari Bantalan Bergulir di Bawah Kemajuan Cacat Berdasarkan Jaringan Saraf dan Metode Bayesian, Akses IEEE (2021). DOI: 10.1109 / ACCESS.2021.3073945

Disediakan oleh Universitas Osaka

Kutipan: Menjaga agar tetap berjalan: Peneliti memperkirakan masa pakai bearing (2021, 24 Mei) diambil pada 24 Mei 2021 dari https://techxplore.com/news/2021-05-lifetime.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten tersebut disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Togel HKG