來源：SKF Evolution

計算（suàn）機視覺（jiào）是對肉（ròu）眼目檢的有效（xiào）補充。SKF開發（fā）出可（kě）自動評估軸承損傷的人（rén）工智能工具，幫助客戶診斷軸承問題，並延長關鍵部件的（de）使用壽命。

工業用戶（hù）日益（yì）依賴先進（jìn）的數字化技術來監測（cè）設備的健康狀況。現代（dài）化狀態監測係統利用先進的分析技（jì）術檢測軸承及（jí）其他關鍵（jiàn）部件的早期磨損或損傷跡象。然而，一旦發現問題，Z強大的診斷手（shǒu）段還是（shì）要靠經驗豐富的工程（chéng）師（shī）的肉（ròu）眼判斷。

通過分析軸承接觸表麵上的痕跡，SKF專家不僅可以評估問題的嚴重性，通常還可以確定其Z可（kě）能造成的原因。這些信息對於Z終用戶（hù）而言（yán）極具價值。例如，借助目檢，Z終（zhōng）用戶可修改操作程序或維護程序，以防止失（shī）效（xiào）再次發生。如果是用於造紙廠、鋼廠（chǎng）或風電機組等應用場（chǎng）合的大型軸（zhóu）承，還可以判斷出現損傷（shāng）的軸承是否適合修複和再利用。

然而，找到一（yī）位經驗豐富的軸承分析師（shī）並非易事。SKF專家需要長年累（lèi）月與軸（zhóu）承打（dǎ）交道，才能積累必要的軸（zhóu）承分析知識和經驗。如果出現軸承損傷的設備位於偏遠地區，設法讓軸承工程師到達現場本身就（jiù）有一定難度，再加上近（jìn）期為應對（duì）新（xīn）冠疫情而實施的旅行和出入限（xiàn）製（zhì），令這一（yī）問題變得（dé）更加棘手。

此外，使用過的軸承（chéng）被送回SKF進行修（xiū）複之前，軸承用戶希望確定其產品是否適合（hé）修複。如果不適合，對軸承進行就地回收利用可能會更具成本效益、更加環保（bǎo）。

人工智能軸承評估係統

為了解決這（zhè）些問題，SKF的一個團（tuán）隊正在研究一種新方法。他們已經開發出自（zì）動化計算機視覺係統，利用數碼照片來評（píng）估軸承損傷情況。該係（xì）統采用人工智能形式的神經網絡算法進行（háng）圖像識別，並利用SKF檔案中數千張失效軸（zhóu）承的圖片進行（háng）學（xué）習。

與早先的機器視（shì）覺方法不同，人工智能視（shì）覺係統為真實的情景而設計，可在工廠車間或作業現場這些難以嚴格控製光線和構圖的地方（fāng）獲（huò）得圖像（xiàng）。

即使圖像拍攝角度不理想或背（bèi）景雜亂無章，人工智能視覺係統也能識（shí）別（bié）出軸承表麵（miàn）特征。

一旦選擇了想要分析的區域（yù），人工智能工（gōng）具就會對軸承表麵（miàn）損傷的類型和嚴重程度進行分類（lèi）。通常軸承會（huì）顯示出許多不同類型的失（shī）效模（mó）式，例如，在相關標準ISO 15243:2017中（zhōng）就列（liè）出了十（shí）幾種失效模式。SKF團隊目前所重點研究的若幹（gàn）失效模式約（yuē）占軸承運行期間發生失效類型的80%。

算法訓練

SKF研究和（hé）技術開發中心的研發團隊與經驗豐富的軸承分析專家們（men）共同努力（lì），對該算法進行了訓練和優化。首先，研究人員向人工智能視覺係統展示了數千張圖像，每一張都標記（jì）了相關的失效模式（shì），讓係統學習每種失效模式的特征。然後，為了測試算法，研究人員讓該係統（tǒng）對（duì）新圖像進行（háng）分類，再（zài）將分類結果與人類專家的分類結（jié）果進行（háng）比較，並在此基礎上微調模（mó）型以提高（gāo）其準確性。

圖1：基於計算機視覺的人工智（zhì）能係統（人工智能視覺）很（hěn）快便能夠（gòu）區分人類目測難以區（qū）分（fèn）的失效模式。圖片顯示的是兩個帶有類似痕跡的受損軸承，較難區分哪個軸承是電流導致的損傷，哪個是磨料磨損。人工智能工具在右側圖像上成功識別出（chū）電流導（dǎo）致的損傷，通過對軸（zhóu）承的進一步分析證實了這一判斷。

例（lì）1：

例2：

圖2：圖中顯示（shì）了包含（hán）軸（zhóu）承損傷的輸入圖像（左），以及人工智能工具檢測的結果輸出（右）的示例。右圖以邊框的形式顯示檢測到的（de）損傷及其相應的ISO失效模式（shì）類型。

部署和持續學習

人（rén）工智能視覺係統在測試階段表現（xiàn）良好，SKF現已（yǐ）開始在整個集團內部署該係統，以幫助技術支（zhī）持團隊對軸（zhóu）承失效進行分類，並幫助軸（zhóu）承修複人員加快對進廠軸承進行評估。經過經驗豐富的專業人員的調試，計算機視覺算（suàn）法得以不斷學習，其準確性不斷提（tí）高。

該項目的下一階段將是向客戶提供該（gāi）係統。該團隊計劃將其設計成一款基於雲平台的軟件（jiàn），方便維護人員拍攝軸承（chéng）照片，並上傳到雲（yún）端進行分析。Z初的目標是利用人工智能技術為客戶（hù）提供無縫銜接的便捷體驗，快速幫助用戶決定軸承是否（fǒu）適合進行修複。

接下來，SKF正在探索如何將這種新方法與產品組合中的其他分析工具相結合的途徑。如果隻發現軸承的失效模式，但不能告訴客戶失效原因是（shì）不夠的，因為同一失效可能由多個根本原因引起。SKF的研究和技術開發團隊認為，通過將（jiāng）人工智能視覺與狀態監測和設備控製係統收集的數（shù）據相結合，未來有望實現自動、快速地解決失效（xiào）根本原因的問題和設備可靠性難題。