AI Pengimejan Terma untuk Mengesan Kegagalan Bearing Sebelum Kerosakan Besar

Sebuah pusat pengedaran di Ohio mengalami bearing penghantar yang tersangkut pada pukul 2 pagi hari Selasa. Kesesakan yang berlaku membengkokkan 40 kaki kerangka tali sawat, memusnahkan rumah bearing, dan menghentikan talian selama 19 jam. Jumlah kerosakan: $73,000 ditambah dua hari penghantaran yang terlepas. Kamera terma yang dipasang 12 kaki dari bearing tersebut telah merakam data selama berbulan-bulan, tetapi tiada siapa yang memantau rakaman itu. Suhu gelang luar bearing telah meningkat 0.4 darjah Celsius sehari selama 11 hari sebelumnya.

Hanyutan terma yang perlahan dan stabil itu adalah tepat jenis isyarat yang direka untuk ditangkap oleh sistem pemantauan terma AI.

Bagaimana Pengimejan Terma Berfungsi untuk Pemantauan Bearing

Kamera terma industri yang digunakan untuk pemantauan bearing biasanya beroperasi dalam spektrum inframerah gelombang panjang (8 hingga 14 mikrometer), dengan kepekaan terma 0.05 darjah C atau lebih baik. Ia menangkap peta suhu pada resolusi dari 320x240 hingga 640x480 piksel, biasanya pada kadar bingkai antara 9 dan 30 Hz.

Untuk pemantauan bearing, kamera diletakkan untuk menangkap rumah bearing, aci berhampiran bearing, dan idealnya permukaan rujukan pada suhu ambien. Model AI bukan sahaja melihat suhu mutlak. Ia menjejaki kecerunan terma merentasi bearing, kadar perubahan suhu dari masa ke masa, dan hubungan antara suhu bearing dengan keadaan operasi mesin seperti kelajuan, beban, dan suhu ambien.

Bearing yang sihat berjalan pada keadaan mantap akan menunjukkan profil terma yang stabil dengan pengagihan haba yang boleh diramal. Bearing dengan kerosakan gelang dalam yang sedang berkembang akan menunjukkan titik panas setempat yang berubah kedudukan apabila aci berputar. Degradasi pelinciran muncul sebagai peningkatan suhu umum yang berkorelasi dengan masa operasi dan bukannya beban.

Apa yang Ditangkap Terma yang Terlepas oleh Getaran

Analisis getaran sangat baik untuk mengesan kecacatan mekanikal: pitting, spalling, kerosakan sangkar. Tetapi pengimejan terma menangkap kelas masalah yang berbeza. Isu pelinciran adalah yang utama. Bearing yang berjalan dengan gris yang telah merosot atau filem minyak yang tidak mencukupi menghasilkan haba geseran sebelum ia menghasilkan getaran yang boleh dikesan. Kajian dari NSK menunjukkan bahawa anomali terma daripada kegagalan pelinciran boleh mendahului anomali getaran sebanyak 5 hingga 10 hari.

Ketidaksejajaran adalah satu lagi bidang di mana pengimejan terma bersinar. Bearing yang menyerap beban paksi luar biasa akibat ketidaksejajaran aci berjalan lebih panas pada satu sisi, mewujudkan asimetri terma yang boleh dilihat dalam IR tetapi mungkin tidak menghasilkan tandatangan getaran yang jelas sehingga kerosakan lebih teruk.

Kerosakan bearing elektrik (arus aci dalam motor yang dipacu VFD) juga menunjukkan tandatangan terma sebelum perubahan getaran. Kesan pemesinan nyahcas elektrik mewujudkan pitting mikroskopik yang meningkatkan geseran dan suhu secara beransur-ansur, manakala tandatangan getaran kerosakan EDM sering ditutup oleh getaran operasi biasa sehingga pitting menjadi teruk.

Saluran Pemprosesan AI

Imej terma mentah memerlukan pemprosesan yang ketara sebelum ia berguna untuk analitik ramalan. Saluran AI biasanya bermula dengan pengesanan kawasan minat (ROI), di mana sistem secara automatik mengenal pasti dan menjejaki setiap bearing dalam medan pandangan kamera. Ini penting kerana kamera beranjak, getaran mengalihkan pendakap pemasangan, dan aktiviti penyelenggaraan menghalang pandangan buat sementara waktu.

Setelah ROI ditetapkan, sistem mengekstrak ciri-ciri: suhu maksimum, suhu purata, varians suhu dalam ROI, magnitud dan arah kecerunan terma, serta metrik kadar perubahan merentasi pelbagai skala masa. Ciri-ciri ini dimasukkan ke dalam model pengelasan (biasanya pokok peningkatan kecerunan atau rangkaian neural cetek) yang memberikan skor kesihatan.

Sistem yang lebih canggih mengkorelasikan data terma dengan data operasi daripada sistem PLC atau SCADA. Bearing yang 15 darjah melebihi ambien semasa berjalan pada kelajuan penuh dan beban penuh mungkin tidak bermasalah. Bearing yang sama pada 15 darjah melebihi ambien pada separuh kelajuan dan tanpa beban mungkin bermasalah. Konteks penting, dan AI memerlukan akses kepada konteks tersebut.

Pertimbangan Pelaksanaan Praktikal

Penempatan kamera adalah kritikal dan sering lebih terhad berbanding penempatan sensor untuk pemantauan getaran. Kamera terma memerlukan garis pandangan yang jelas ke rumah bearing, yang tidak selalu tersedia dalam mesin dengan penutup, pengadang, atau halangan lain. Permukaan reflektif (aci keluli bergilap, contohnya) boleh menyebabkan bacaan yang mengelirukan kerana emisiviti berbeza mengikut kemasan permukaan.

Faktor persekitaran merumitkan lagi keadaan. Perubahan suhu ambien, sumber haba berdekatan (motor, relau, talian stim), dan aliran udara daripada kipas atau sistem HVAC semuanya mempengaruhi garis asas terma. Sistem AI pembuatan yang baik mengambil kira pemboleh ubah ini, tetapi tempoh penentukuran awal biasanya mengambil masa 2 hingga 4 minggu bagi setiap pemasangan kamera.

Kos telah menurun dengan ketara. Lima tahun lalu, satu kamera terma industri pemasangan tetap berharga $8,000 hingga $15,000. Pilihan semasa daripada FLIR, Optris, dan beberapa pengeluar China bermula sekitar $2,500 untuk kamera 320x240 dengan kepekaan yang mencukupi untuk pemantauan bearing. Sistem seluruh kilang dengan 20 kamera, perkakasan pengkomputeran tepi, dan pelesenan perisian berharga $80,000 hingga $150,000, bergantung pada kerumitan integrasi.

Menggabungkan Data Terma dan Getaran

Hasil terbaik datang daripada penggabungan kedua-dua jenis data. Kajian 2024 dari Institut Fraunhofer mendapati bahawa model gabungan terma-getaran mencapai ketepatan 94% dalam meramalkan kegagalan bearing dalam tempoh 7 hari, berbanding 81% untuk getaran sahaja dan 76% untuk terma sahaja. Kedua-dua modaliti menangkap mod kegagalan yang berbeza dan peringkat berbeza bagi mod kegagalan yang sama, jadi menggabungkannya mengurangkan titik buta.

Dalam amalan, penggabungan ini biasanya berlaku pada peringkat ciri dan bukannya peringkat data mentah. Ciri terma dan ciri getaran digabungkan dan dimasukkan ke dalam satu model, atau dua model khusus menghasilkan skor kesihatan bebas yang digabungkan oleh lapisan penggabungan.

Pasukan penyelenggaraan yang mendapat nilai paling banyak daripada sistem ini adalah mereka yang membina pemeriksaan terma ke dalam prosedur operasi standard mereka, bukan sebagai pengganti pemantauan getaran, tetapi sebagai lapisan pelengkap yang mengisi jurang.