NTN開發了一種將多種人工智能方法結合起來，預測軸承剩余壽命的技術。通過在剝落發生后高精度地預測剩余壽命，即軸承失效的極限使用壽命，從而可以制定高效的機械設備維護計劃，提高生產效率，降低成本。

機械設備中使用的軸承可能會因各種使用條件而導致輕微剝落，壞的情況下可能導致故障。然而，當由于設備結構和安裝位置的原因，難以實施軸承維護時，有些情況下只要不影響操作，軸承會繼續使用。軸承的狀況可以通過使用振動數據檢測異常來確定。然而，目前沒有辦法準確確定軸承在發生剝落等異常后，還可以繼續使用多長時間（剩余壽命），通常會盡快更換軸承或在軸承損壞后更換。此外，許多情況下，現場工作人員根據多年的經驗等判斷更換的時機，隨著節省人工和自動化生產系統的進展，人們越來越希望能高度精確預測軸承的剩余使用壽命，以更準確地確定軸承更換時間，減少設備停機時間和降低維護成本。

NTN的這項技術是其“Next Generation Research Alliance Laboratories”聯合研究項目的成果，該實驗室于2017年大阪大學成立（總部位于大阪府佐田市），其將NTN的技術和大學的人工智能研究相結合。NTN開發的剩余使用壽命預測技術是通過將深度學習與貝葉斯學習相結合，并進行改進，從而提高從軸承發生剝落到軸承損壞時估計剩余使用壽命的準確性。在幾種人工智能方法中，NTN選擇了專門用于圖像處理的卷積神經網絡的深度學習方法，它可以將軸承的振動數據轉換為圖像數據以供使用，從而能夠預測軸承的損壞狀況和剩余使用壽命。此外，通過結合分層貝葉斯線性回歸建立了一個高度可靠的預測模型，該模型通過考慮軸承損傷進程中測量數據的個體差異和變化（誤差）來評估預測值的可靠性。通過考慮損傷條件，與傳統技術相比，剩余使用壽命的預測精度提高了約30%。

該項技術的可行性還有待繼續驗證，未來可以將這項技術用于維護機械設備，優化軸承設計、使用等。

來源：軸承雜志社

（版權歸原作者或機構所有）