來源：SKF Evolution

計(jì)算機(jī)視覺是對(duì)肉眼目檢的有效補(bǔ)充。SKF開發(fā)出可自動(dòng)評(píng)估軸承損傷的人工智能工具，幫助客戶診斷軸承問題，并延長關(guān)鍵部件的使用壽命。

工業(yè)用戶日益依賴先進(jìn)的數(shù)字化技術(shù)來監(jiān)測設(shè)備的健康狀況。現(xiàn)代化狀態(tài)監(jiān)測系統(tǒng)利用先進(jìn)的分析技術(shù)檢測軸承及其他關(guān)鍵部件的早期磨損或損傷跡象。然而，一旦發(fā)現(xiàn)問題，Z強(qiáng)大的診斷手段還是要靠經(jīng)驗(yàn)豐富的工程師的肉眼判斷。

通過分析軸承接觸表面上的痕跡，SKF專家不僅可以評(píng)估問題的嚴(yán)重性，通常還可以確定其Z可能造成的原因。這些信息對(duì)于Z終用戶而言極具價(jià)值。例如，借助目檢，Z終用戶可修改操作程序或維護(hù)程序，以防止失效再次發(fā)生。如果是用于造紙廠、鋼廠或風(fēng)電機(jī)組等應(yīng)用場合的大型軸承，還可以判斷出現(xiàn)損傷的軸承是否適合修復(fù)和再利用。

然而，找到一位經(jīng)驗(yàn)豐富的軸承分析師并非易事。SKF專家需要長年累月與軸承打交道，才能積累必要的軸承分析知識(shí)和經(jīng)驗(yàn)。如果出現(xiàn)軸承損傷的設(shè)備位于偏遠(yuǎn)地區(qū)，設(shè)法讓軸承工程師到達(dá)現(xiàn)場本身就有一定難度，再加上近期為應(yīng)對(duì)新冠疫情而實(shí)施的旅行和出入限制，令這一問題變得更加棘手。

此外，使用過的軸承被送回SKF進(jìn)行修復(fù)之前，軸承用戶希望確定其產(chǎn)品是否適合修復(fù)。如果不適合，對(duì)軸承進(jìn)行就地回收利用可能會(huì)更具成本效益、更加環(huán)保。

人工智能軸承評(píng)估系統(tǒng)

為了解決這些問題，SKF的一個(gè)團(tuán)隊(duì)正在研究一種新方法。他們已經(jīng)開發(fā)出自動(dòng)化計(jì)算機(jī)視覺系統(tǒng)，利用數(shù)碼照片來評(píng)估軸承損傷情況。該系統(tǒng)采用人工智能形式的神經(jīng)網(wǎng)絡(luò)算法進(jìn)行圖像識(shí)別，并利用SKF檔案中數(shù)千張失效軸承的圖片進(jìn)行學(xué)習(xí)。

與早先的機(jī)器視覺方法不同，人工智能視覺系統(tǒng)為真實(shí)的情景而設(shè)計(jì)，可在工廠車間或作業(yè)現(xiàn)場這些難以嚴(yán)格控制光線和構(gòu)圖的地方獲得圖像。

即使圖像拍攝角度不理想或背景雜亂無章，人工智能視覺系統(tǒng)也能識(shí)別出軸承表面特征。

一旦選擇了想要分析的區(qū)域，人工智能工具就會(huì)對(duì)軸承表面損傷的類型和嚴(yán)重程度進(jìn)行分類。通常軸承會(huì)顯示出許多不同類型的失效模式，例如，在相關(guān)標(biāo)準(zhǔn)ISO 15243:2017中就列出了十幾種失效模式。SKF團(tuán)隊(duì)目前所重點(diǎn)研究的若干失效模式約占軸承運(yùn)行期間發(fā)生失效類型的80%。

算法訓(xùn)練

SKF研究和技術(shù)開發(fā)中心的研發(fā)團(tuán)隊(duì)與經(jīng)驗(yàn)豐富的軸承分析專家們共同努力，對(duì)該算法進(jìn)行了訓(xùn)練和優(yōu)化。首先，研究人員向人工智能視覺系統(tǒng)展示了數(shù)千張圖像，每一張都標(biāo)記了相關(guān)的失效模式，讓系統(tǒng)學(xué)習(xí)每種失效模式的特征。然后，為了測試算法，研究人員讓該系統(tǒng)對(duì)新圖像進(jìn)行分類，再將分類結(jié)果與人類專家的分類結(jié)果進(jìn)行比較，并在此基礎(chǔ)上微調(diào)模型以提高其準(zhǔn)確性。

圖1：基于計(jì)算機(jī)視覺的人工智能系統(tǒng)（人工智能視覺）很快便能夠區(qū)分人類目測難以區(qū)分的失效模式。圖片顯示的是兩個(gè)帶有類似痕跡的受損軸承，較難區(qū)分哪個(gè)軸承是電流導(dǎo)致的損傷，哪個(gè)是磨料磨損。人工智能工具在右側(cè)圖像上成功識(shí)別出電流導(dǎo)致的損傷，通過對(duì)軸承的進(jìn)一步分析證實(shí)了這一判斷。

例1：

例2：

圖2：圖中顯示了包含軸承損傷的輸入圖像（左），以及人工智能工具檢測的結(jié)果輸出（右）的示例。右圖以邊框的形式顯示檢測到的損傷及其相應(yīng)的ISO失效模式類型。

部署和持續(xù)學(xué)習(xí)

人工智能視覺系統(tǒng)在測試階段表現(xiàn)良好，SKF現(xiàn)已開始在整個(gè)集團(tuán)內(nèi)部署該系統(tǒng)，以幫助技術(shù)支持團(tuán)隊(duì)對(duì)軸承失效進(jìn)行分類，并幫助軸承修復(fù)人員加快對(duì)進(jìn)廠軸承進(jìn)行評(píng)估。經(jīng)過經(jīng)驗(yàn)豐富的專業(yè)人員的調(diào)試，計(jì)算機(jī)視覺算法得以不斷學(xué)習(xí)，其準(zhǔn)確性不斷提高。

該項(xiàng)目的下一階段將是向客戶提供該系統(tǒng)。該團(tuán)隊(duì)計(jì)劃將其設(shè)計(jì)成一款基于云平臺(tái)的軟件，方便維護(hù)人員拍攝軸承照片，并上傳到云端進(jìn)行分析。Z初的目標(biāo)是利用人工智能技術(shù)為客戶提供無縫銜接的便捷體驗(yàn)，快速幫助用戶決定軸承是否適合進(jìn)行修復(fù)。

接下來，SKF正在探索如何將這種新方法與產(chǎn)品組合中的其他分析工具相結(jié)合的途徑。如果只發(fā)現(xiàn)軸承的失效模式，但不能告訴客戶失效原因是不夠的，因?yàn)橥皇Э赡苡啥鄠€(gè)根本原因引起。SKF的研究和技術(shù)開發(fā)團(tuán)隊(duì)認(rèn)為，通過將人工智能視覺與狀態(tài)監(jiān)測和設(shè)備控制系統(tǒng)收集的數(shù)據(jù)相結(jié)合，未來有望實(shí)現(xiàn)自動(dòng)、快速地解決失效根本原因的問題和設(shè)備可靠性難題。