來源：SKF Evolution

計算機視覺是對肉眼目檢的有效補充。SKF開發出可自動評估軸承損傷的人工智能工具，幫助客戶診斷軸承問題，并延長關鍵部件的使用壽命。

工業用戶日益依賴先進的數字化技術來監測設備的健康狀況。現代化狀態監測系統利用先進的分析技術檢測軸承及其他關鍵部件的早期磨損或損傷跡象。然而，一旦發現問題，Z強大的診斷手段還是要靠經驗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專家不僅可以評估問題的嚴重性，通常還可以確定其Z可能造成的原因。這些信息對于Z終用戶而言極具價值。例如，借助目檢，Z終用戶可修改操作程序或維護程序，以防止失效再次發生。如果是用于造紙廠、鋼廠或風電機組等應用場合的大型軸承，還可以判斷出現損傷的軸承是否適合修復和再利用。

然而，找到一位經驗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和經驗。如果出現軸承損傷的設備位于偏遠地區，設法讓軸承工程師到達現場本身就有一定難度，再加上近期為應對新冠疫情而實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進行修復之前，軸承用戶希望確定其產品是否適合修復。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。

人工智能軸承評估系統

為了解決這些問題，SKF的一個團隊正在研究一種新方法。他們已經開發出自動化計算機視覺系統，利用數碼照片來評估軸承損傷情況。該系統采用人工智能形式的神經網絡算法進行圖像識別，并利用SKF檔案中數千張失效軸承的圖片進行學習。

與早先的機器視覺方法不同，人工智能視覺系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制光線和構圖的地方獲得圖像。

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

一旦選擇了想要分析的區域，人工智能工具就會對軸承表面損傷的類型和嚴重程度進行分類。通常軸承會顯示出許多不同類型的失效模式，例如，在相關標準ISO 15243:2017中就列出了十幾種失效模式。SKF團隊目前所重點研究的若干失效模式約占軸承運行期間發生失效類型的80%。

算法訓練

SKF研究和技術開發中心的研發團隊與經驗豐富的軸承分析專家們共同努力，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系統展示了數千張圖像，每一張都標記了相關的失效模式，讓系統學習每種失效模式的特征。然后，為了測試算法，研究人員讓該系統對新圖像進行分類，再將分類結果與人類專家的分類結果進行比較，并在此基礎上微調模型以提高其準確性。

圖1：基于計算機視覺的人工智能系統（人工智能視覺）很快便能夠區分人類目測難以區分的失效模式。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電流導致的損傷，通過對軸承的進一步分析證實了這一判斷。

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的ISO失效模式類型。

部署和持續學習

人工智能視覺系統在測試階段表現良好，SKF現已開始在整個集團內部署該系統，以幫助技術支持團隊對軸承失效進行分類，并幫助軸承修復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，計算機視覺算法得以不斷學習，其準確性不斷提高。

該項目的下一階段將是向客戶提供該系統。該團隊計劃將其設計成一款基于云平臺的軟件，方便維護人員拍攝軸承照片，并上傳到云端進行分析。Z初的目標是利用人工智能技術為客戶提供無縫銜接的便捷體驗，快速幫助用戶決定軸承是否適合進行修復。

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。如果只發現軸承的失效模式，但不能告訴客戶失效原因是不夠的，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，通過將人工智能視覺與狀態監測和設備控制系統收集的數據相結合，未來有望實現自動、快速地解決失效根本原因的問題和設備可靠性難題。