来源：SKF Evolution

计算机视觉是对肉眼目检的有效补充。SKF开发出可自动评估轴承损伤的人工智能工具，帮助客户诊断轴承问题，并延长关键部件的使用寿命。

工业用户日益依赖先进的数字化技术来监测设备的健康状况。现代化状态监测系统利用先进的分析技术检测轴承及其他关键部件的早期磨损或损伤迹象。然而，一旦发现问题，Z强大的诊断手段还是要靠经验丰富的工程师的肉眼判断。

通过分析轴承接触表面上的痕迹，SKF专家不仅可以评估问题的严重性，通常还可以确定其Z可能造成的原因。这些信息对于Z终用户而言极具价值。例如，借助目检，Z终用户可修改操作程序或维护程序，以防止失效再次发生。如果是用于造纸厂、钢厂或风电机组等应用场合的大型轴承，还可以判断出现损伤的轴承是否适合修复和再利用。

然而，找到一位经验丰富的轴承分析师并非易事。SKF专家需要长年累月与轴承打交道，才能积累必要的轴承分析知识和经验。如果出现轴承损伤的设备位于偏远地区，设法让轴承工程师到达现场本身就有一定难度，再加上近期为应对新冠疫情而实施的旅行和出入限制，令这一问题变得更加棘手。

此外，使用过的轴承被送回SKF进行修复之前，轴承用户希望确定其产品是否适合修复。如果不适合，对轴承进行就地回收利用可能会更具成本效益、更加环保。

人工智能轴承评估系统

为了解决这些问题，SKF的一个团队正在研究一种新方法。他们已经开发出自动化计算机视觉系统，利用数码照片来评估轴承损伤情况。该系统采用人工智能形式的神经网络算法进行图像识别，并利用SKF档案中数千张失效轴承的图片进行学习。

与早先的机器视觉方法不同，人工智能视觉系统为真实的情景而设计，可在工厂车间或作业现场这些难以严格控制光线和构图的地方获得图像。

即使图像拍摄角度不理想或背景杂乱无章，人工智能视觉系统也能识别出轴承表面特征。

一旦选择了想要分析的区域，人工智能工具就会对轴承表面损伤的类型和严重程度进行分类。通常轴承会显示出许多不同类型的失效模式，例如，在相关标准ISO 15243:2017中就列出了十几种失效模式。SKF团队目前所重点研究的若干失效模式约占轴承运行期间发生失效类型的80%。

算法训练

SKF研究和技术开发中心的研发团队与经验丰富的轴承分析专家们共同努力，对该算法进行了训练和优化。首先，研究人员向人工智能视觉系统展示了数千张图像，每一张都标记了相关的失效模式，让系统学习每种失效模式的特征。然后，为了测试算法，研究人员让该系统对新图像进行分类，再将分类结果与人类专家的分类结果进行比较，并在此基础上微调模型以提高其准确性。

图1：基于计算机视觉的人工智能系统（人工智能视觉）很快便能够区分人类目测难以区分的失效模式。图片显示的是两个带有类似痕迹的受损轴承，较难区分哪个轴承是电流导致的损伤，哪个是磨料磨损。人工智能工具在右侧图像上成功识别出电流导致的损伤，通过对轴承的进一步分析证实了这一判断。

例1：

例2：

图2：图中显示了包含轴承损伤的输入图像（左），以及人工智能工具检测的结果输出（右）的示例。右图以边框的形式显示检测到的损伤及其相应的ISO失效模式类型。

部署和持续学习

人工智能视觉系统在测试阶段表现良好，SKF现已开始在整个集团内部署该系统，以帮助技术支持团队对轴承失效进行分类，并帮助轴承修复人员加快对进厂轴承进行评估。经过经验丰富的专业人员的调试，计算机视觉算法得以不断学习，其准确性不断提高。

该项目的下一阶段将是向客户提供该系统。该团队计划将其设计成一款基于云平台的软件，方便维护人员拍摄轴承照片，并上传到云端进行分析。Z初的目标是利用人工智能技术为客户提供无缝衔接的便捷体验，快速帮助用户决定轴承是否适合进行修复。

接下来，SKF正在探索如何将这种新方法与产品组合中的其他分析工具相结合的途径。如果只发现轴承的失效模式，但不能告诉客户失效原因是不够的，因为同一失效可能由多个根本原因引起。SKF的研究和技术开发团队认为，通过将人工智能视觉与状态监测和设备控制系统收集的数据相结合，未来有望实现自动、快速地解决失效根本原因的问题和设备可靠性难题。