AI Pencitraan Termal untuk Mendeteksi Kegagalan Bearing Sebelum Kerusakan Katastrofik

Sebuah pusat distribusi di Ohio mengalami bearing konveyor yang macet pada pukul 2 pagi di hari Selasa. Kemacetan yang terjadi membengkokkan rangka belt sepanjang 40 kaki, menghancurkan rumah bearing, dan menghentikan jalur produksi selama 19 jam. Total kerusakan: $73.000 ditambah dua hari pengiriman yang tertunda. Kamera termal yang dipasang 12 kaki dari bearing tersebut telah merekam data selama berbulan-bulan, tetapi tidak ada yang memantau rekamannya. Suhu outer race bearing telah naik 0,4 derajat Celsius per hari selama 11 hari sebelumnya.

Pergeseran termal yang lambat dan stabil seperti itulah jenis sinyal yang dirancang untuk ditangkap oleh sistem pemantauan termal AI.

Cara Kerja Pencitraan Termal untuk Pemantauan Bearing

Kamera termal industri yang digunakan untuk pemantauan bearing biasanya beroperasi pada spektrum inframerah gelombang panjang (8 hingga 14 mikrometer), dengan sensitivitas termal 0,05 derajat C atau lebih baik. Kamera ini menangkap peta suhu pada resolusi dari 320x240 hingga 640x480 piksel, biasanya pada frame rate antara 9 dan 30 Hz.

Untuk pemantauan bearing, kamera diposisikan untuk menangkap rumah bearing, poros di dekat bearing, dan idealnya permukaan referensi pada suhu ambient. Model AI tidak hanya melihat suhu absolut. Model ini melacak gradien termal di seluruh bearing, laju perubahan suhu dari waktu ke waktu, dan hubungan antara suhu bearing dengan kondisi operasi mesin seperti kecepatan, beban, dan suhu ambient.

Bearing yang sehat berjalan pada kondisi tunak akan menunjukkan profil termal yang stabil dengan distribusi panas yang dapat diprediksi. Bearing dengan kerusakan inner race yang berkembang akan menunjukkan titik panas terlokalisasi yang bergeser posisinya saat poros berputar. Degradasi pelumasan muncul sebagai peningkatan suhu umum yang berkorelasi dengan waktu operasi daripada beban.

Apa yang Ditangkap Termal tetapi Terlewat oleh Vibrasi

Analisis vibrasi sangat baik untuk mendeteksi cacat mekanis: pitting, spalling, kerusakan cage. Tetapi pencitraan termal menangkap kelas masalah yang berbeda. Masalah pelumasan adalah yang utama. Bearing yang berjalan dengan grease yang terdegradasi atau film oli yang tidak memadai menghasilkan panas gesekan sebelum menghasilkan vibrasi yang terdeteksi. Studi dari NSK menunjukkan bahwa anomali termal dari kegagalan pelumasan dapat mendahului anomali vibrasi sebanyak 5 hingga 10 hari.

Misalignment adalah area lain di mana pencitraan termal unggul. Bearing yang menyerap beban aksial abnormal akibat misalignment poros berjalan lebih panas di satu sisi, menciptakan asimetri termal yang terlihat di IR tetapi mungkin tidak menghasilkan signature vibrasi yang jelas sampai kerusakannya lebih lanjut.

Kerusakan bearing elektrik (arus poros pada motor yang digerakkan VFD) juga menunjukkan signature termal sebelum perubahan vibrasi. Efek electrical discharge machining menciptakan pitting mikroskopis yang meningkatkan gesekan dan suhu secara bertahap, sementara signature vibrasi dari kerusakan EDM sering tertutupi oleh vibrasi operasi normal sampai pitting-nya parah.

Pipeline Pemrosesan AI

Gambar termal mentah memerlukan pemrosesan signifikan sebelum berguna untuk analitik prediktif. Pipeline AI biasanya dimulai dengan deteksi region-of-interest (ROI), di mana sistem secara otomatis mengidentifikasi dan melacak setiap bearing dalam bidang pandang kamera. Ini penting karena kamera bergeser, vibrasi menggeser bracket pemasangan, dan aktivitas pemeliharaan sementara menghalangi pandangan.

Setelah ROI ditetapkan, sistem mengekstrak fitur: suhu maksimum, suhu rata-rata, varians suhu dalam ROI, magnitudo dan arah gradien termal, serta metrik laju perubahan di berbagai skala waktu. Fitur-fitur ini dimasukkan ke dalam model klasifikasi (biasanya gradient-boosted trees atau shallow neural network) yang memberikan skor kesehatan.

Sistem yang lebih canggih mengorelasikan data termal dengan data operasi dari sistem PLC atau SCADA. Bearing yang 15 derajat di atas ambient saat berjalan pada kecepatan penuh dan beban penuh mungkin baik-baik saja. Bearing yang sama pada 15 derajat di atas ambient pada setengah kecepatan dan tanpa beban kemungkinan bermasalah. Konteks itu penting, dan AI membutuhkan akses ke konteks tersebut.

Pertimbangan Penerapan Praktis

Penempatan kamera sangat kritis dan sering kali lebih terbatas dibandingkan penempatan sensor untuk pemantauan vibrasi. Kamera termal membutuhkan garis pandang yang jelas ke rumah bearing, yang tidak selalu tersedia pada mesin dengan penutup, pelindung, atau penghalang lainnya. Permukaan reflektif (poros baja yang dipoles, misalnya) dapat menyebabkan pembacaan yang menyesatkan karena emisivitas bervariasi dengan kondisi permukaan.

Faktor lingkungan semakin memperumit keadaan. Perubahan suhu ambient, sumber panas terdekat (motor, tungku, jalur uap), dan aliran udara dari kipas atau sistem HVAC semuanya memengaruhi baseline termal. Sistem AI manufaktur yang baik memperhitungkan variabel-variabel ini, tetapi periode kalibrasi awal biasanya memakan waktu 2 hingga 4 minggu per instalasi kamera.

Biaya telah turun secara signifikan. Lima tahun lalu, satu kamera termal industri pemasangan tetap berharga $8.000 hingga $15.000. Opsi saat ini dari FLIR, Optris, dan beberapa produsen Tiongkok mulai dari sekitar $2.500 untuk kamera 320x240 dengan sensitivitas yang memadai untuk pemantauan bearing. Sistem seluruh pabrik dengan 20 kamera, perangkat keras edge computing, dan lisensi perangkat lunak berkisar $80.000 hingga $150.000, tergantung pada kompleksitas integrasi.

Menggabungkan Data Termal dan Vibrasi

Hasil terbaik diperoleh dari penggabungan kedua jenis data. Sebuah studi tahun 2024 dari Fraunhofer Institute menemukan bahwa model gabungan termal-vibrasi mencapai akurasi 94% dalam memprediksi kegagalan bearing dalam jendela waktu 7 hari, dibandingkan dengan 81% untuk vibrasi saja dan 76% untuk termal saja. Kedua modalitas menangkap mode kegagalan yang berbeda dan tahapan berbeda dari mode kegagalan yang sama, sehingga menggabungkannya mengurangi titik buta.

Dalam praktiknya, fusi ini biasanya terjadi pada level fitur daripada level data mentah. Fitur termal dan fitur vibrasi digabungkan dan dimasukkan ke dalam satu model, atau dua model khusus menghasilkan skor kesehatan independen yang digabungkan oleh lapisan fusi.

Tim pemeliharaan yang mendapatkan nilai paling besar dari sistem ini adalah mereka yang membangun inspeksi termal ke dalam prosedur operasi standar mereka, bukan sebagai pengganti pemantauan vibrasi, tetapi sebagai lapisan komplementer yang mengisi celah.