來(lái)源：SKF Evolution

計(jì)算機(jī)視覺(jué)是對(duì)肉眼目檢的有效補(bǔ)充。SKF開(kāi)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(hù)診斷軸承問(wèn)題，并延長(zhǎng)關(guān)鍵部件的使用壽命。

工業(yè)用戶(hù)日益依賴(lài)先進(jìn)的數(shù)字化技術(shù)來(lái)監(jiān)測(cè)設(shè)備的健康狀況�，F(xiàn)代化狀態(tài)監(jiān)測(cè)系統(tǒng)利用先進(jìn)的分析技術(shù)檢測(cè)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(wèn)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(guò)分析軸承接觸表面上的痕跡，SKF專(zhuān)家不僅可以評(píng)估問(wèn)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(hù)而言極具價(jià)值。例如，借助目檢，Z終用戶(hù)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(chǎng)、鋼廠(chǎng)或風(fēng)電機(jī)組等應(yīng)用場(chǎng)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(zhuān)家需要長(zhǎng)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(chǎng)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(wèn)題變得更加棘手。

此外，使用過(guò)的軸承被送回SKF進(jìn)行修復(fù)之前，軸承用戶(hù)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(wèn)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(kāi)發(fā)出自動(dòng)化計(jì)算機(jī)視覺(jué)系統(tǒng)，利用數(shù)碼照片來(lái)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(jué)方法不同，人工智能視覺(jué)系統(tǒng)為真實(shí)的情景而設(shè)計(jì)，可在工廠(chǎng)車(chē)間或作業(yè)現(xiàn)場(chǎng)這些難以嚴(yán)格控制光線(xiàn)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(wú)章，人工智能視覺(jué)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(lèi)型和嚴(yán)重程度進(jìn)行分類(lèi)。通常軸承會(huì)顯示出許多不同類(lèi)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(lèi)型的80%。

算法訓(xùn)練

SKF研究和技術(shù)開(kāi)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(zhuān)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(jué)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(cè)試算法，研究人員讓該系統(tǒng)對(duì)新圖像進(jìn)行分類(lèi)，再將分類(lèi)結(jié)果與人類(lèi)專(zhuān)家的分類(lèi)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(jué)的人工智能系統(tǒng)（人工智能視覺(jué)）很快便能夠區(qū)分人類(lèi)目測(cè)難以區(qū)分的失效模式。圖片顯示的是兩個(gè)帶有類(lèi)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(guò)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(cè)的結(jié)果輸出（右）的示例。右圖以邊框的形式顯示檢測(cè)到的損傷及其相應(yīng)的ISO失效模式類(lèi)型。

部署和持續(xù)學(xué)習(xí)

人工智能視覺(jué)系統(tǒng)在測(cè)試階段表現(xiàn)良好，SKF現(xiàn)已開(kāi)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(lèi)，并幫助軸承修復(fù)人員加快對(duì)進(jìn)廠(chǎng)軸承進(jìn)行評(píng)估。經(jīng)過(guò)經(jīng)驗(yàn)豐富的專(zhuān)業(yè)人員的調(diào)試，計(jì)算機(jī)視覺(jué)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(hù)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(hù)提供無(wú)縫銜接的便捷體驗(yàn)，快速幫助用戶(hù)決定軸承是否適合進(jìn)行修復(fù)。

接下來(lái)，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(hù)失效原因是不夠的，因?yàn)橥�一失效可能由多個(gè)根本原因引起。SKF的研究和技術(shù)開(kāi)發(fā)團(tuán)隊(duì)認(rèn)為，通過(guò)將人工智能視覺(jué)與狀態(tài)監(jiān)測(cè)和設(shè)備控制系統(tǒng)收集的數(shù)據(jù)相結(jié)合，未來(lái)有望實(shí)現(xiàn)自動(dòng)、快速地解決失效根本原因的問(wèn)題和設(shè)備可靠性難題。