CN117642616A - 用于预测轴承的缺陷的演变的设备、相关系统和方法 - Google Patents
用于预测轴承的缺陷的演变的设备、相关系统和方法 Download PDFInfo
- Publication number
- CN117642616A CN117642616A CN202280043562.7A CN202280043562A CN117642616A CN 117642616 A CN117642616 A CN 117642616A CN 202280043562 A CN202280043562 A CN 202280043562A CN 117642616 A CN117642616 A CN 117642616A
- Authority
- CN
- China
- Prior art keywords
- bearing
- defects
- evolution
- identified
- predicting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims description 19
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 description 6
- 238000004901 spalling Methods 0.000 description 6
- 238000005096 rolling process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- 238000011179 visual inspection Methods 0.000 description 3
- 238000004299 exfoliation Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000314 lubricant Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
用于预测轴承缺陷发展的设备(5)包括：‑实施装置(6),其配置成实施训练的深度学习算法(ALGO),以识别轴承(2)的缺陷并从轴承的图片(PICT)中提取识别的缺陷的几何参数，以及‑预测装置(9),其配置成根据识别的缺陷的类型和提取的识别的缺陷的几何参数、根据轴承(2)的操作参数(OP)以及根据轴承(2)的模型(MOD)来预测轴承(2)的识别的缺陷的演变。
Description
技术领域
本发明旨在预测轴承的缺陷的演变。
本发明特别涉及用于预测轴承的缺陷的演变的方法、设备和系统。
背景技术
为了引导机械组件旋转，通常建议使用配备有在轴承滚道上滚动的滚动元件的滚动轴承。
对轴承上的滚动元件进行目视检查，以检测导致轴承退化的缺陷，并计划预测性维护操作。
缺陷可能是轴承滚道的剥落。
一般来说，目视检查包括给轴承拍照，并由专家解释照片。
专家可以根据例如来自他对图片的解释和他的知识的循环次数来预测缺陷的演变。
根据他的预测，专家提出推荐。
推荐可包括计划预防性维护操作，例如更换轴承或重新制造轴承。
目视检查仍是手动过程，依赖于专家的专业知识，需要时间。
专家可能不在现场，因此轴承必须被发送，延长了装有轴承的机器不可用的时间。
然而，专家对图片的解释可能是错误的，导致当一组专家解释图片时不一致的缺陷分析，以及不一致的推荐。
各种表面特征，比如油渣、划痕、反光和/或其他轴承零件，可能会误导专家对图片的理解。
众所周知，考虑到各种表面特征，训练神经网络来从图片中识别缺陷。
然而，训练的神经网络仅识别缺陷，并不预测缺陷的演变。
发明内容
因此，本发明旨在克服这些缺点。
根据一方面，公开了一种用于预测轴承的缺陷的演变的方法。
该方法包括：
-识别轴承的缺陷，并通过训练的深度学习算法从轴承的图片中提取识别的缺陷的几何参数，以及
-根据识别的缺陷的类型和识别的缺陷的提取的几何参数、轴承的操作参数和轴承的模型预测轴承的识别的缺陷的演变。
该方法允许以自动方式检测和预测轴承的各种类型缺陷的演变，而无需专家的干预，通过考虑油渣、划痕、光反射和/或其他轴承零件来获得缺陷的准确分类。
优选地，该方法还包括根据识别的缺陷的预测演变来生成推荐。
生成的推荐允许支持轴承用户高效、快速和容易地使用，例如通过计划预防性维护操作。
有利地，该方法包括在识别缺陷之前，拍摄安装在机器中的轴承的照片。
缺陷的检测在现场进行，轴承不需要被送到例如专家中心。
优选地，缺陷包括剥落，提取的几何参数包括剥落的尺寸、剥落的周长和剥落在图像上的位置。
有利地，深度学习算法包括神经网络，其中该方法包括训练神经网络以识别轴承的缺陷，并从存储在参考数据库中的图片中提取识别的缺陷的几何参数。
根据另一方面，提出了一种用于预测轴承的缺陷的演变的设备。
该设备包括：
-实施装置，其配置为实施训练的深度学习算法，以识别轴承的缺陷，并从轴承的图片中提取识别的缺陷的几何参数，以及
-预测装置，其配置为根据识别的缺陷的类型和提取的识别的缺陷的几何参数、根据轴承的操作参数以及根据轴承的模型来预测轴承的识别的缺陷的演变。
优选地，深度学习算法包括神经网络，该设备还包括训练装置，该训练装置配置为训练神经网络以识别轴承的缺陷，并从存储在参考数据库中的图片中提取识别的缺陷的几何参数。
有利地，该设备还包括生成装置，该生成装置配置成根据识别的缺陷的预测演变来生成推荐。
根据另一方面，提出了一种用于预测轴承的缺陷的演变的系统。
该系统包括如下定义的设备和移动设备，该移动设备配置为拍摄安装在机器中的轴承的照片，并与该设备无线通信。
附图说明
本发明的其他优点和特征将在对实施例的详细描述和附图的审查中显现，但决不是限制性的，其中：
图1示意性地示出了根据本发明的用于预测机器中轴承的缺陷的演变的系统；
图2示出了根据本发明的用于预测轴承的缺陷的演变的方法的示例；以及
图3示出了根据本发明的剥落演变预测的示例。
具体实施方式
参考图1，图1表示包括轴承2和用于预测轴承2的缺陷的演变的系统3的机器1的示例。
系统3包括拍摄安装在机器1中的轴承2的照片的移动设备4和用于预测轴承2的缺陷的演变的设备5。
设备4与设备5无线通信以交换数据。
移动设备3可以是与系统4无线通信的智能手机。
作为变型，移动设备3可以是配置成拍摄照片并与系统4无线通信的设备。
在另一实施例中，系统4可以并入移动设备3中。
设备5包括实施装置6，其实施训练的深度学习算法ALGO，以识别轴承的缺陷，并从轴承2的图片中提取识别的缺陷的几何参数。
深度学习算法ALGO可以包括神经网络，并且设备5可以包括训练装置7，以训练神经网络来识别轴承2的缺陷，并且从存储在参考数据库8中的图片中提取识别的缺陷的几何参数。
在识别轴承2的缺陷和提取几何参数时，将图片存储在参考数据库8中，以提高神经网络检测缺陷的准确性。
训练装置7还可以包括评估装置，用于通过将神经网络的结果与已知结果(验证集)进行比较来评估神经网络的缺陷识别和参数提取的准确性。
设备5还包括预测装置9，其包括轴承2的模型MOD。
预测装置9根据识别的缺陷的类型和由实施装置6传送的识别的缺陷的提取的几何参数、根据轴承2的操作参数OP和根据轴承2的模型MOD来预测轴承2的识别的缺陷的演变。
下面是模型MOD的示例。
操作参数OP由移动设备4传输到设备5。
在另一实施例中，操作参数OP存储在设备5的数据库中。
操作参数OP包括轴承的温度、轴承的负载、轴承的转速、润滑剂的类型、轴承中的湿度和轴承2的循环次数中的至少一个。
操作参数可以由机器1上的传感器测量。
设备5还包括生成装置10，其根据由预测装置9传送的识别的缺陷的预测演变来生成推荐REC。
生成装置10包括取决于轴承2的类型和识别的缺陷的类型的预定临界值Lc1。
生成装置10可以包括根据检测到的缺陷数量和缺陷种类的一组预定临界值。
推荐REC被传输到移动设备4。
推荐REC包括例如在轴承2需要更换或再制造之前的轴承循环的估计次数，从而操作者可以计划维护操作来更换轴承2。
设备5还包括处理单元11，用于实施实施装置6、训练装置7、预测装置9、生成装置10，并与移动设备4通信。
图2示出了用于预测轴承2的缺陷的演变的方法的示例。
假设缺陷包括轴承2的滚道的剥落，并且神经网络被训练。
在另一实施例中，轴承2的缺陷包括其他类型的缺陷。
在步骤20期间，移动设备4拍摄轴承2的一个或多个照片，并将照片PICT和操作参数OP发送到设备5。
在步骤21，实施装置6实施包括训练的神经网络的ALGO算法，以从图片PICT中识别剥落，并提取识别的剥落的几何参数，包括剥落的尺寸、剥落的周长以及剥落在图片PICT上的位置。
在步骤22，识别的缺陷的类型，在这种情况下是剥落，以及识别的剥落的几何参数被传输到预测装置9。
在剥落的情况下，预测装置9的模型MOD包括根据操作参数OP预测轴承2中剥落进程的模型。
剥落情况下的模型MOD基于经验数据和数值模型，例如发表在以下文章中：“滚动轴承中大型剥落的传播”，G.Morales-Espejel，P.Engelen，G.van Nijien,《摩擦学在线》,第14卷，第5期254-266页，ISSN 1881-2198。
图3示出了由预测装置9输出的剥落演变预测的示例。
预测装置9的输出由曲线C1表示，该曲线表示根据轴承2的循环次数N循环的剥落长度的演变。
预测装置9的输出可以是包括将剥落长度与循环次数N循环联系起来的两列的表格。
在步骤23，生成装置10将曲线C1与预定临界值Lc1进行比较，该预定临界值Lc1包括例如预定临界剥落长度。
生成装置10可以生成包括消息的推荐REC，以指示当轴承2已经达到对应于等于预定临界值Lc1的预测剥落长度的循环次数Nc1时，应更换轴承2(图3)。
生成的推荐REC允许高效、快速且容易地支持机器1的用户。
处理单元11将推荐REC传输到移动设备4。
在该方法的另一实施例中，处理单元11将预测装置9的输出传输到移动设备4。
设备5允许以自动方式检测和预测轴承2的各种类型的缺陷的演变，而无需专家的干预，并且例如通过预测轴承2何时应被更换来做出关于轴承2的使用寿命的推荐，从而可以计划预测性维护操作。
在正确的时刻计划预测性维护操作允许增加机器1的可用率。
设备5通过考虑油渣、划痕、光反射和/或其他轴承零件来解释轴承2的图片，以获得缺陷的准确分类。
Claims (9)
1.一种用于预测轴承(2)的缺陷的演变的方法，包括：
-识别轴承(2)的缺陷，并通过训练的深度学习算法(ALGO)从轴承(2)的图片(PICT)中提取识别的缺陷的几何参数，以及
-根据识别的缺陷的类型和提取的识别的缺陷的几何参数，根据轴承(2)的操作参数(OP)和根据轴承(2)的模型(MOD)预测轴承(2)的识别的缺陷的演变。
2.根据权利要求1所述的方法，还包括根据识别的缺陷的预测演变生成推荐(REC)。
3.根据权利要求1或2所述的方法，包括在识别缺陷之前，拍摄安装在机器(1)中的轴承(2)的照片(PICT)。
4.根据任一前述权利要求所述的方法，其中，所述缺陷包括剥落，提取的几何参数包括剥落的尺寸、剥落的周长以及剥落在图片(PICT)上的位置。
5.根据任一前述权利要求所述的方法，其中，所述深度学习算法(ALGO)包括神经网络，其中，所述方法包括训练神经网络，以识别轴承的缺陷，并从存储在参考数据库中的图片中提取识别的缺陷的几何参数。
6.一种用于预测轴承的缺陷的演变的设备(5),包括：
-实施装置(6),其配置成实施训练的深度学习算法(ALGO),以识别轴承(2)的缺陷并从轴承的图片(PICT)中提取识别的缺陷的几何参数，以及
-预测装置(9),其配置成根据识别的缺陷的类型和提取的识别的缺陷的几何参数、根据轴承(2)的操作参数(OP)以及根据轴承(2)的模型(MOD)来预测轴承(2)的识别的缺陷的演变。
7.根据权利要求6所述的设备，其中，所述深度学习算法(ALGO)包括神经网络，该设备还包括训练装置，其配置成训练神经网络识别轴承的缺陷，并从存储在参考数据库中的图片中提取识别的缺陷的几何参数。
8.根据权利要求6或7所述的设备，还包括生成装置(10)，其配置为根据识别的缺陷的预测演变来生成推荐(REC)。
9.一种用于预测轴承(2)的缺陷的演变的系统(3),包括根据前述权利要求6至8中任一项所述的设备(5)和移动设备(4),所述移动设备配置为拍摄安装在机器(1)中的轴承的照片(PCT),并与设备(5)无线通信。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102021209880.0 | 2021-09-08 | ||
| DE102021209880.0A DE102021209880A1 (de) | 2021-09-08 | 2021-09-08 | Vorrichtung zum Vorhersagen der Entwicklung eines Defektes eines Lagers, zugehöriges System und Verfahren |
| PCT/EP2022/072646 WO2023036557A1 (en) | 2021-09-08 | 2022-08-12 | Device for predicting the evolution of a defect of a bearing, associated system and method |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117642616A true CN117642616A (zh) | 2024-03-01 |
Family
ID=83191993
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202280043562.7A Pending CN117642616A (zh) | 2021-09-08 | 2022-08-12 | 用于预测轴承的缺陷的演变的设备、相关系统和方法 |
Country Status (3)
| Country | Link |
|---|---|
| CN (1) | CN117642616A (zh) |
| DE (1) | DE102021209880A1 (zh) |
| WO (1) | WO2023036557A1 (zh) |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6952969B2 (en) * | 2003-09-30 | 2005-10-11 | The Aerospace Corporation | Ceramic ball bearing fracture test method |
| EP3660482A1 (en) * | 2018-11-30 | 2020-06-03 | Siemens Aktiengesellschaft | System, apparatus and method of determining remaining life of a bearing |
| WO2020176567A1 (en) * | 2019-02-28 | 2020-09-03 | Eaton Intelligent Power Limited | Maintenance system and method |
| CN110927171A (zh) * | 2019-12-09 | 2020-03-27 | 中国科学院沈阳自动化研究所 | 一种基于机器视觉的轴承滚子倒角面缺陷检测方法 |
| US11551344B2 (en) * | 2019-12-09 | 2023-01-10 | University Of Central Florida Research Foundation, Inc. | Methods of artificial intelligence-assisted infrastructure assessment using mixed reality systems |
| CN113298857A (zh) * | 2021-05-20 | 2021-08-24 | 聚时科技(上海)有限公司 | 一种基于神经网络融合策略的轴承缺陷检测方法 |
-
2021
- 2021-09-08 DE DE102021209880.0A patent/DE102021209880A1/de active Pending
-
2022
- 2022-08-12 CN CN202280043562.7A patent/CN117642616A/zh active Pending
- 2022-08-12 WO PCT/EP2022/072646 patent/WO2023036557A1/en active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023036557A1 (en) | 2023-03-16 |
| DE102021209880A1 (de) | 2023-03-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Soualhi et al. | Hidden Markov models for the prediction of impending faults | |
| Siegel et al. | Methodology and framework for predicting helicopter rolling element bearing failure | |
| EP3489780A2 (en) | Examining apparatus, examining method, program and recording medium | |
| KR102344852B1 (ko) | 펌프 베어링 시스템의 디지털 트윈 기반 예측진단 장치 | |
| US11842553B2 (en) | Wear detection in mechanical equipment | |
| CN102597734A (zh) | 轴承生命周期预测学 | |
| CN113592828B (zh) | 基于工业内窥镜的无损检测方法及系统 | |
| CN115238829B (zh) | 一种热轧机的轧辊磨损程度分析方法 | |
| CN115131738B (zh) | 输送机传送带撕裂预警方法与装置 | |
| CN117642616A (zh) | 用于预测轴承的缺陷的演变的设备、相关系统和方法 | |
| CN117421692B (zh) | 垃圾投放站的垃圾违规投放识别方法、装置、设备 | |
| CN116384977A (zh) | 一种基于大数据分析和自诊断的煤矿井下运维方法及系统 | |
| Kumar et al. | Degradation assessment of bearing based on machine learning classification matrix | |
| KR102618023B1 (ko) | 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법 | |
| CN110546657B (zh) | 用于评估组件的生命周期的方法和设备 | |
| US20190362188A1 (en) | Information processing method, information processing apparatus, and program | |
| CN115294047A (zh) | 一种缺陷检测方法、装置、检测设备和存储介质 | |
| JP6957307B2 (ja) | 診断装置 | |
| CN113761962B (zh) | 一种赋码产品视觉检测方法、系统以及存储介质 | |
| CN115587978A (zh) | 一种基于深度学习的地板革贴合压纹在线检测系统 | |
| KR102334590B1 (ko) | 인공신경망을 이용한 제조기계 고장판별예측 시스템 | |
| KR20220131358A (ko) | 스크랩 판별 시스템 및, 스크랩 판별 방법 | |
| MX2023001462A (es) | Metodos y sistemas de analisis predictivo y/o control de procesos. | |
| CN114019935A (zh) | 一种基于工业物联网设备实时检测诊断系统 | |
| KR102521000B1 (ko) | 플랜트 설비 관리 시스템 및 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |