Один и тот же подшипник может исправно работать на одной скорости, а на другой вибрировать иначе. Для модели, которая оценивает оставшееся до отказа время, это важная перемена: даже если новый режим не встречался при обучении, прогноз всё равно нужно построить.

Елена Гебель и Турайя Шахин из Санкт-Петербургского политехнического университета проверили, как с этой задачей справляются разные нейросетевые модели. Их рецензируемая статья опубликована 30 мая 2026 года в журнале Iranian Journal of Science and Technology, Transactions of Electrical Engineering. На странице Springer доступны аннотация и метаданные, полный текст закрыт подпиской. Авторы сравнили шесть вариантов сетей долговременной краткосрочной памяти (LSTM) на стендовом наборе XJTU-SY.

В набор XJTU-SY входят записи вибраций 15 подшипников, испытанных до отказа. По пять подшипников тестировали при каждом из трёх сочетаний скорости и нагрузки: 35 Гц и 12 кН, 37,5 Гц и 11 кН, 40 Гц и 10 кН. Это ускоренные стендовые испытания, а не наблюдения за множеством производственных машин.

Авторы каждый раз оставляли один режим незнакомым для модели: обучали её на двух режимах, а затем проверяли на третьем. После этого меняли тестовый режим. Для каждого из трёх вариантов разделения данных провели 15 запусков с независимыми случайными начальными состояниями; неопределённость оценивали байесовским методом. В аннотации перечислены простая однонаправленная и двунаправленная LSTM, а также модели с механизмом внимания и доменной адаптацией. Однако доступный текст не раскрывает подробно все шесть конфигураций и параметры обучения.

Модели получали не только необработанные вибрационные сигналы. В сообщении СПбПУ говорится, что исследователи извлекали статистические характеристики, показатели автокорреляции и частотные признаки с помощью вейвлет-разложения. Этот метод разделяет сигнал на частотные диапазоны и позволяет учитывать, как меняется его состав.

Одна модель не оказалась лучшей во всех условиях. На минимальной скорости точнее всего работала простая однонаправленная LSTM: средняя абсолютная ошибка составила 0,275 ± 0,020 минуты, коэффициент детерминации R² — 0,556. На промежуточном режиме лучший результат показала модель с доменной адаптацией: ошибка 0,712 ± 0,038 минуты, R² = 0,184. На максимальной скорости лидировала двунаправленная LSTM с механизмом внимания: ошибка 2,36 ± 0,12 минуты, R² = 0,412.

Эти значения относятся к разным тестовым режимам и разным лучшим моделям, поэтому их нельзя свести к единому рейтингу. Более низкий R² на промежуточном режиме означает, что прогноз в этом разделе объяснял меньшую долю вариации целевого показателя. Авторы также сообщают, что в абляционном варианте с необработанными вибрациями R² составил −0,58, а вейвлет-признаки помогали переносить модель между условиями. По доступной аннотации нельзя независимо проверить подробности этого сравнения и то, как именно выбирали модели.

Исследователей интересовала не только точность, но и признаки, на которые опирался прогноз. Механизм внимания распределял веса по временным шагам, однако, как сообщает университет, почти равномерное распределение не позволяло понять, какие частотные характеристики важны. Для оценки вклада входных признаков авторы использовали метод SHAP. Он распределяет вклад признаков в конкретное предсказание; такое описание метода приводят Скотт Лундберг и Су-Ин Ли в работе 2017 года. SHAP помогает интерпретировать поведение модели, но сам по себе не устанавливает причинную связь.

По анализу SHAP относительная важность частотных полос менялась со скоростью. При 35 Гц преобладал низкочастотный диапазон 0–800 Гц, при 37,5 Гц его относительный вклад возрастал, а при 40 Гц доминировал среднечастотный диапазон 800–1600 Гц. Авторы считают, что это согласуется с физикой подшипников: характерные частоты дефектов и их гармоники смещаются вверх при увеличении скорости вращения.

Такое совпадение служит проверкой правдоподобия: модель учитывает частотные полосы, изменение которых соответствует ожидаемому при росте скорости. Но SHAP показывает, как признаки связаны с прогнозом обученной модели, а не доказывает, что именно эти диапазоны вызвали износ или определили остаточный ресурс. На результаты могут влиять взаимосвязи между признаками и сам режим испытания. Для проверки причинности нужны другие методы, одной атрибуции модели недостаточно.

Вывод ограничен масштабом испытаний: один набор данных, 15 подшипников и три ускоренных стендовых режима. Работа не показывает, сохранится ли точность на других конструкциях подшипников, с другими датчиками и нагрузками или на промышленном оборудовании. Авторы прямо указывают на необходимость проверки на дополнительных наборах данных. Поэтому результаты следует понимать как сравнение методов в заданных условиях, а не как доказательство готовности системы самостоятельно обслуживать машины.

В оценке любой модели переноса важно учитывать, что именно считалось «новым» для неё: здесь новым был один из трёх режимов одного стендового набора. Этот принцип проверки подробно проявляется и в других задачах машинного обучения, например в разборе того, почему высокая точность ИИ на случайном разбиении не гарантирует обнаружения новых аптамеров.

Источники

Источники и литература

Схема показывает проверку с исключением одного режима из обучения и отделяет оценку вклада признаков SHAP от доказательства причинности.

Фото: deel_de / Pixabay