Katastrofik Arıza Öncesinde Rulman Hatalarını Tespit Etmek İçin Termal Görüntüleme Yapay Zekası

Ohio'daki bir dağıtım merkezinde bir Salı günü sabah saat 2'de bir konveyör rulmanı tutuldu. Ortaya çıkan sıkışma 12 metrelik bant çerçevesini büktü, rulman yuvasını tahrip etti ve hattı 19 saat boyunca durdurdu. Toplam hasar: 73.000 dolar artı iki günlük kaçırılmış sevkiyat. O rulmandan 3,5 metre uzağa monte edilmiş bir termal kamera aylardır veri kaydediyordu, ancak kimse görüntüleri izlemiyordu. Rulman dış bilezik sıcaklığı önceki 11 gün boyunca günde 0,4 santigrat derece artmıştı.

Bu yavaş ve istikrarlı termal kayma, tam olarak yapay zekalı termal izleme sistemlerinin yakalamak için tasarlandığı sinyal türüdür.

Termal Görüntüleme Rulman İzlemede Nasıl Çalışır

Rulman izleme için kullanılan endüstriyel termal kameralar genellikle uzun dalga kızılötesi spektrumda (8 ila 14 mikrometre) çalışır ve 0,05 santigrat derece veya daha iyi termal hassasiyete sahiptir. 320x240 ile 640x480 piksel arasındaki çözünürlüklerde, genellikle 9 ile 30 Hz arasındaki kare hızlarında sıcaklık haritaları yakalarlar.

Rulman izleme için kamera, rulman yuvasını, rulmanın yakınındaki mili ve ideal olarak ortam sıcaklığında bir referans yüzeyi yakalayacak şekilde konumlandırılır. Yapay zeka modeli sadece mutlak sıcaklığa bakmaz. Rulman boyunca termal gradyanı, zaman içindeki sıcaklık değişim hızını ve rulman sıcaklığı ile hız, yük ve ortam sıcaklığı gibi makine çalışma koşulları arasındaki ilişkiyi takip eder.

Kararlı durumda çalışan sağlıklı bir rulman, öngörülebilir ısı dağılımına sahip kararlı bir termal profil gösterecektir. İç bilezik hasarı gelişen bir rulman, mil döndükçe konum değiştiren lokalize sıcak noktalar gösterecektir. Yağlama bozulması, yükten ziyade çalışma süresiyle ilişkili genel bir sıcaklık artışı olarak ortaya çıkar.

Termalin Titreşimin Kaçırdığını Yakaladığı Durumlar

Titreşim analizi mekanik kusurları tespit etmede mükemmeldir: çukurlaşma, pullanma, kafes hasarı. Ancak termal görüntüleme farklı bir sorun sınıfını yakalar. Yağlama sorunları en büyük etkendir. Bozulmuş gres veya yetersiz yağ filmiyle çalışan bir rulman, algılanabilir titreşim üretmeden önce sürtünme ısısı üretir. NSK'nın çalışmaları, yağlama arızasından kaynaklanan termal anomalilerin titreşim anomalilerinden 5 ila 10 gün önce ortaya çıkabileceğini göstermektedir.

Hizalama bozukluğu, termal görüntülemenin öne çıktığı bir diğer alandır. Mil hizalama bozukluğu nedeniyle anormal eksenel yükler absorbe eden bir rulman, bir tarafta daha sıcak çalışarak kızılötesinde görülebilen ancak hasar daha ileri düzeye ulaşana kadar temiz bir titreşim imzası üretmeyebilen bir termal asimetri oluşturur.

Elektriksel rulman hasarı (VFD tahrikli motorlarda mil akımları) da titreşim değişikliklerinden önce termal imzalar gösterir. Elektrik deşarj işleme etkisi, sürtünmeyi ve sıcaklığı kademeli olarak artıran mikroskobik çukurlaşma oluşturur; EDM hasarının titreşim imzası ise çukurlaşma ciddi boyutlara ulaşana kadar genellikle normal çalışma titreşimi tarafından maskelenir.

Yapay Zeka İşleme Hattı

Ham termal görüntüler, tahmine dayalı analitik için kullanışlı hale gelmeden önce önemli ölçüde işleme gerektirir. Yapay zeka hattı genellikle ilgi bölgesi (ROI) tespiti ile başlar; burada sistem, kameranın görüş alanındaki her rulmanı otomatik olarak tanımlar ve takip eder. Bu önemlidir çünkü kameralar kayar, titreşim montaj braketlerini kaydırır ve bakım faaliyetleri görüşü geçici olarak engeller.

ROI'ler belirlendikten sonra sistem özellikler çıkarır: maksimum sıcaklık, ortalama sıcaklık, ROI içindeki sıcaklık varyansı, termal gradyan büyüklüğü ve yönü ve birden fazla zaman ölçeğinde değişim hızı metrikleri. Bu özellikler, bir sağlık puanı atayan bir sınıflandırma modeline (genellikle gradyan artırmalı ağaçlar veya sığ bir sinir ağı) beslenir.

Daha gelişmiş sistemler, termal verileri PLC veya SCADA sisteminden gelen çalışma verileriyle ilişkilendirir. Tam hız ve tam yükte çalışırken ortam sıcaklığının 15 derece üzerinde olan bir rulman sorunsuz olabilir. Aynı rulmanın yarı hızda ve yüksüz durumda ortam sıcaklığının 15 derece üzerinde olması muhtemelen sorun demektir. Bağlam önemlidir ve yapay zekanın bu bağlama erişimi olması gerekir.

Pratik Uygulama Hususları

Kamera yerleşimi kritik öneme sahiptir ve genellikle titreşim izleme için sensör yerleşiminden daha kısıtlıdır. Termal kameraların rulman yuvasına doğrudan görüş hattına ihtiyacı vardır; bu, kapakları, koruyucuları veya diğer engelleri olan makinelerde her zaman mümkün değildir. Yansıtıcı yüzeyler (örneğin cilalı çelik miller), yayınırlık yüzey kalitesine göre değiştiği için yanıltıcı okumalara neden olabilir.

Çevresel faktörler durumu daha da karmaşık hale getirir. Ortam sıcaklığı dalgalanmaları, yakındaki ısı kaynakları (motorlar, fırınlar, buhar hatları) ve fanlardan veya HVAC sistemlerinden gelen hava akışı termal temel çizgiyi etkiler. İyi bir üretim yapay zeka sistemi bu değişkenleri hesaba katar, ancak ilk kalibrasyon süresi genellikle kamera kurulumu başına 2 ila 4 hafta sürer.

Maliyetler önemli ölçüde düşmüştür. Beş yıl önce, tek bir sabit montajlı endüstriyel termal kamera 8.000 ila 15.000 dolara mal oluyordu. FLIR, Optris ve çeşitli Çinli üreticilerin mevcut seçenekleri, rulman izleme için yeterli hassasiyete sahip 320x240 kamera için yaklaşık 2.500 dolardan başlıyor. 20 kamera, uç bilişim donanımı ve yazılım lisanslaması içeren tesis genelinde bir sistem, entegrasyon karmaşıklığına bağlı olarak 80.000 ila 150.000 dolar arasında değişmektedir.

Termal ve Titreşim Verilerinin Birleştirilmesi

En iyi sonuçlar her iki veri türünün birleştirilmesinden elde edilir. Fraunhofer Enstitüsü'nün 2024 yılındaki bir çalışması, birleşik termal-titreşim modellerinin 7 günlük bir pencerede rulman arızasını tahmin etmede %94 doğruluk elde ettiğini ortaya koymuştur; bu oran yalnızca titreşim için %81 ve yalnızca termal için %76'dır. İki modalite farklı arıza modlarını ve aynı arıza modunun farklı aşamalarını yakalar, bu nedenle bunları birleştirmek kör noktaları azaltır.

Pratikte bu birleştirme genellikle ham veri düzeyinde değil, özellik düzeyinde gerçekleşir. Termal özellikler ve titreşim özellikleri birleştirilip tek bir modele beslenir veya iki uzmanlaşmış model bağımsız sağlık puanları üretir ve bir birleştirme katmanı bunları bir araya getirir.

Bu sistemlerden en fazla değeri elde eden bakım ekipleri, termal incelemeleri titreşim izlemenin yerine değil, boşlukları dolduran tamamlayıcı bir katman olarak standart operasyon prosedürlerine dahil eden ekiplerdir.