Thermische Beeldvorming met AI voor het Detecteren van Lagerstoringen Vóór Catastrofale Uitval

Een distributiecentrum in Ohio had een transportbandlager dat om 2 uur 's nachts op een dinsdag vastliep. De resulterende blokkering verboog 40 voet aan bandframing, vernietigde de lagerbehuizing en legde de lijn 19 uur stil. Totale schade: $73.000 plus twee dagen gemiste zendingen. Een thermische camera die op 12 voet van dat lager was gemonteerd, had maandenlang data opgenomen, maar niemand keek naar de beelden. De temperatuur van de buitenring van het lager was de voorgaande 11 dagen met 0,4 graden Celsius per dag gestegen.

Die langzame, gestage thermische drift is precies het soort signaal dat AI-thermische monitoringsystemen zijn ontworpen om op te vangen.

Hoe Thermische Beeldvorming Werkt voor Lagerbewaking

Industriële thermische camera's die worden gebruikt voor lagerbewaking werken doorgaans in het langgolvige infraroodspectrum (8 tot 14 micrometer), met een thermische gevoeligheid van 0,05 graden C of beter. Ze leggen temperatuurkaarten vast met resoluties van 320x240 tot 640x480 pixels, meestal met framesnelheden tussen 9 en 30 Hz.

Voor lagerbewaking wordt de camera gepositioneerd om de lagerbehuizing, de as nabij het lager en idealiter een referentieoppervlak op omgevingstemperatuur vast te leggen. Het AI-model kijkt niet alleen naar de absolute temperatuur. Het volgt de thermische gradiënt over het lager, de snelheid van temperatuurverandering in de tijd, en de relatie tussen lagertemperatuur en machineomstandigheden zoals snelheid, belasting en omgevingstemperatuur.

Een gezond lager dat in stabiele toestand draait, toont een stabiel thermisch profiel met voorspelbare warmteverdeling. Een lager met zich ontwikkelende schade aan de binnenring toont gelokaliseerde hotspots die van positie verschuiven naarmate de as draait. Smeringsdegradatie manifesteert zich als een algemene temperatuurstijging die correleert met draaitijd in plaats van belasting.

Wat Thermische Beeldvorming Vangt Dat Trillingen Missen

Trillingsanalyse is uitstekend voor het detecteren van mechanische defecten: putvorming, afschilfering, kooibeschadiging. Maar thermische beeldvorming vangt een andere klasse problemen op. Smeringsproblemen zijn de belangrijkste. Een lager dat draait met gedegradeerd vet of onvoldoende oliefilm genereert wrijvingswarmte voordat het detecteerbare trillingen genereert. Studies van NSK tonen aan dat thermische afwijkingen door smeringsuitval 5 tot 10 dagen vóór trillingsafwijkingen kunnen optreden.

Uitlijningsproblemen zijn een ander gebied waar thermische beeldvorming uitblinkt. Een lager dat abnormale axiale belastingen absorbeert door asuitlijningsproblemen draait warmer aan één kant, waardoor een thermische asymmetrie ontstaat die zichtbaar is in IR maar mogelijk geen duidelijke trillingssignatuur produceert totdat de schade verder gevorderd is.

Elektrische lagerschade (asstromen in VFD-aangedreven motoren) toont ook thermische signaturen vóór trillingsveranderingen. Het elektrische vonkerosie-effect creëert microscopische putvorming die wrijving en temperatuur geleidelijk verhoogt, terwijl de trillingssignatuur van EDM-schade vaak wordt gemaskeerd door normale bedrijfstrillingen totdat de putvorming ernstig is.

De AI-Verwerkingspijplijn

Ruwe thermische beelden vereisen aanzienlijke verwerking voordat ze bruikbaar zijn voor voorspellende analyses. De AI-pijplijn begint doorgaans met detectie van het interessegebied (ROI), waarbij het systeem automatisch elk lager in het gezichtsveld van de camera identificeert en volgt. Dit is belangrijk omdat camera's verschuiven, trillingen montagebeugels verplaatsen en onderhoudsactiviteiten tijdelijk het zicht blokkeren.

Zodra ROI's zijn vastgesteld, extraheert het systeem kenmerken: maximale temperatuur, gemiddelde temperatuur, temperatuurvariantie binnen de ROI, thermische gradiëntgrootte en -richting, en veranderingssnelheidsmetrieken over meerdere tijdschalen. Deze kenmerken voeden een classificatiemodel (meestal gradient-boosted trees of een ondiep neuraal netwerk) dat een gezondheidsscore toekent.

De meer geavanceerde systemen correleren thermische data met operationele data van het PLC- of SCADA-systeem. Een lager dat 15 graden boven omgevingstemperatuur draait bij volle snelheid en volle belasting is mogelijk in orde. Hetzelfde lager op 15 graden boven omgevingstemperatuur bij halve snelheid en geen belasting heeft waarschijnlijk een probleem. Context is belangrijk, en de AI heeft toegang tot die context nodig.

Praktische Overwegingen bij Implementatie

Cameraplaatsing is cruciaal en vaak meer beperkt dan sensorplaatsing voor trillingsbewaking. Thermische camera's hebben een vrije zichtlijn naar de lagerbehuizing nodig, wat niet altijd beschikbaar is bij machines met afdekkingen, beschermkappen of andere obstakels. Reflecterende oppervlakken (gepolijste stalen assen bijvoorbeeld) kunnen misleidende metingen veroorzaken omdat de emissiviteit varieert met de oppervlakteafwerking.

Omgevingsfactoren compliceren de zaken verder. Schommelingen in omgevingstemperatuur, nabijgelegen warmtebronnen (motoren, ovens, stoomleidingen) en luchtstroom van ventilatoren of HVAC-systemen beïnvloeden allemaal de thermische basislijn. Een goed AI-systeem voor de maakindustrie houdt rekening met deze variabelen, maar de initiële kalibratieperiode duurt doorgaans 2 tot 4 weken per camera-installatie.

De kosten zijn aanzienlijk gedaald. Vijf jaar geleden kostte een enkele vast gemonteerde industriële thermische camera $8.000 tot $15.000. Huidige opties van FLIR, Optris en verschillende Chinese fabrikanten beginnen rond $2.500 voor een 320x240 camera met voldoende gevoeligheid voor lagerbewaking. Een fabrieksbreed systeem met 20 camera's, edge computing-hardware en softwarelicenties kost $80.000 tot $150.000, afhankelijk van de integratiecomplexiteit.

Combinatie van Thermische en Trillingsdata

De beste resultaten komen voort uit het samenvoegen van beide datatypes. Een studie uit 2024 van het Fraunhofer Instituut toonde aan dat gecombineerde thermisch-trillingsmodellen een nauwkeurigheid van 94% bereikten bij het voorspellen van lagerfalen binnen een venster van 7 dagen, vergeleken met 81% voor trillingen alleen en 76% voor thermisch alleen. De twee modaliteiten vangen verschillende faalmechanismen en verschillende stadia van hetzelfde faalmechanisme op, waardoor de combinatie blinde vlekken vermindert.

In de praktijk vindt deze fusie meestal plaats op kenmerkniveau in plaats van op ruw dataniveau. De thermische kenmerken en trillingskenmerken worden samengevoegd en in een enkel model ingevoerd, of twee gespecialiseerde modellen produceren onafhankelijke gezondheidsscores die een fusielaag combineert.

De onderhoudsteams die de meeste waarde uit deze systemen halen, zijn degenen die thermische inspecties inbouwen in hun standaard operationele procedures, niet als vervanging voor trillingsbewaking, maar als een complementaire laag die de hiaten opvult.