先进的状态监测技术已经改变了工业企业设备管理和维护的方式。通过分析设备的振动水平、温度变化和能耗等关键参数，操作人员可以发现潜在问题的早期迹象，从而及时规划并采取维护措施，最大限度延长正常运行时间，确保生产正常进行。

然而，要实现状态监测自动化并非易事。吕勒奥理工大学的博士生卡尔•罗文马克表示：“尽管在实验室环境中，振动信号与某些轴承故障之间的关联性已得到详尽研究和透彻了解，但在实际生产环境中进行同样的研究更具挑战性，这要求应用工程师具有多年的丰富经验。”

在罗文马克项目的行业发起人中，不乏对状态监测技术要求最为苛刻的全球用户。除SKF外，还有两家大型造纸厂，它们各自运行着配备数千个传感器的巨型造纸机。他解释说：“我所研究的设备往往长达数十米。纸浆和造纸设备包括许多不同的旋转部件，它们可能需要在高湿和高温等恶劣环境下运行。因此，在传感器信号背后隐藏着大量信息。”

人工智能在轴承状态监测自动化方面的应用具有巨大潜力。

SKF研究与技术开发部高级研究员塞斯•塔尔

罗文马克继续说道：“根据设备信号诊断潜在的问题需要丰富的技能和专业知识。但数据量之大又可能令人望而生畏。”在最糟糕的情况下，这意味着分析师每天必须花费数小时时间筛选误报警和其他错误数据，才能开始识别并诊断潜在的设备问题。

罗文马克的博士研究项目自2020年开始，旨在探索新兴的人工智能技术如何减轻这些专家分析师的工作负担，使他们可以将更多的时间投入到增值活动中，从而帮助造纸厂实现更稳定的运行。同时，该项目还有助于扫除推广状态监测技术的主要障碍，因为具备操作这些系统所需知识和经验的人才往往十分稀缺。

该项目的联合发起人、荷兰豪滕SKF研究与技术开发部的诊断与预测团队高级研究员塞斯•塔尔表示：“人工智能在轴承状态监测自动化方面的应用具有巨大潜力。然而，在这一领域应用这些概念并不像在视觉和语言领域里那么简单直接。”

“我的项目恰逢人工智能技术突飞猛进的时期。在项目启动时，像OpenAI GPT这样的大型语言模型还处于早期开发阶段，并不像现在这样可以公开访问。我的大部分工作都力争与过去四年取得的进展保持同步，然后找到将这些进展转化为应对行业中特定挑战的办法。”罗文马克解释道。

从图像到信号

在过去十年中，对图像中的物体进行分类或检测的技术已经取得了重大飞跃。然而，将这些方法应用于状态监测数据，以诊断或预测轴承故障绝非易事。第一大挑战便是告诉人工智能模型应该寻找什么。罗文马克解释说：“我们通过海量数据对这些系统进行训练。人工智能企业利用互联网上精心标记和分类的示例建立庞大的训练数据集。另一方面，尽管状态监测数据庞大，但却难以加以利用，因为这些数据为非结构化，而且来源各异。最重要的是，它们未被标记。”

不过，罗文马克仍然拥有一些资源。多年来，SKF和两家造纸厂的状态监测专家积累了数百份报告，记录下了设备故障、纠正措施和用于诊断的数据。他介绍说，他计划利用这些报告训练一个通用型人工智能模型，用以处理状态监测数据。

“这并不容易。状态监测报告与用于训练人工智能模型的典型文本和图像截然不同。状态监测数据可以以多种不同的方式呈现，而且分析师使用的语言非常专业，包括在其他地方很少使用的行业和企业内部专用术语。”罗文马克介绍说。

在“图像”方面，该系统旨在应对状态监测信号的复杂性。他说：“如果你训练人工智能识别一张有关狗的图片，这很容易，因为你知道训练图像中有一只狗。而在监测过程中，信号可能转瞬即逝，并随着时间的推移而发生变化。因此，你不仅需要查看当前信号，还需要查看历史数据，或许还需要查看该数据的不同呈现形式。”

理解技术语言

解决这些问题需要智慧。罗文马克使用了一系列技术，将工程师的数据和报告转换成当今人工智能系统可以理解的格式。他在运行人工智能模型的提示中加入了对数据的解释和关键术语的定义，并为该系统提供了解释性文档的链接。

罗文马克利用这些元素对“双重监督”人工智能模型进行了微调，并把这类系统设计成能够同时处理文本和图像数据。这种技术可用于自动生成照片或视频片段的描述，或根据用户提供的提示创建合成图像。

新模型很快就证明了其处理实际状态监测任务的能力。罗文马克早期就成功地展示了人工智能模型能够可靠地识别由传感器或传感器电缆故障产生的信号。这些故障在大型状态监测装置中相对常见。它们很容易修复，但通常需要分析师花费大量时间进行审查，才能在数据中找到它们。

他说：“如果人工智能能够识别这些故障，那么分析师只需查看并确认诊断结果即可。这将有效节省时间。”

人工智能助手正在发展

人工智能还能帮助诊断更复杂的问题。罗文马克系统的最新版本旨在帮助分析师更快速、更准确地完成这项工作。罗文马克介绍说：“例如，分析师可以查看一个信号，并开始输入对问题的描述。与此同时，系统会自动检索过去发生的类似事件，显示数据的状态以及存在的问题。这可以帮助分析师做出自己的诊断，或让诊断类似问题更有经验的同事来完成这项工作。”

该系统的下一个迭代版本目前正在开发中，目标是将人工智能模型扩展成为状态监测分析师的交互式虚拟助手。它将拥有一个“聊天”界面，可以对用户的文本查询作出响应，提取相关数据，运行分析工具，并提出诊断问题所需的下一步建议。

这是否意味着人工智能状态监测技术已经成熟，可以广泛应用了吗？对此，罗文马克持乐观但谨慎的态度。他说：“可以说，我们已经有了一个强大的框架，但每个状态监测装置都是不同的，因此用户需要用自己的数据来训练模型，并根据自己的策略和流程进行调整。人工智能系统可以使用强化学习功能，所以模型会根据用户的反馈，逐步提高结果的相关性和准确性。”

目前，SKF正在研究其方法的可移植性。同时，他们也在讨论一个新的项目，旨在将这种人工智能方法应用于其他领域。

卡尔•罗文马克的工作得到了“战略创新计划-流程工业信息技术与自动化（由瑞典创新局、瑞典可持续发展研究委员会和瑞典能源署联合投资的项目）”的支持。除吕勒奥理工大学和SKF外，参与该项的还有RISE研究机构以及SCA 蒙克松德和司墨飞•卡帕•皮特奥两家造纸厂。