Sistema de análise automática de imagens por IA com termografia infravermelha para pontes rolantes e tecnologia de alerta em tempo real com diagnóstico de temperatura em 32 pontos de deteção

参照GB/T 3811-2008 «Disposições Essenciais da Norma de Concepção de Gruas»《起重机设计规范》对电气设备温度监控和绝缘检测的要求，天车（桥式起重机）长期在重载、连续运行工况下工作，电气系统发热、机械部件摩擦温升、绝缘老化等问题是导致设备故障的主要诱因。红外热成像技术能够非接触地检测设备表面温度分布，早期发现过热隐患，而AI智能判图系统则解决了传统人工判图经验依赖强、效率低、标准不统一的问题。

本文从现场拍摄规程、热像特征库构建、AI深度学习模型部署到巡检报告自动生成，完整阐述天车红外热成像智能巡检的全链路技术方案。

天车红外热成像巡检的适用场景与检测目标

天车红外热成像巡检的适用场景覆盖电气系统、机械传动系统和结构连接件三大类。在电气系统中，主要检测对象包括变频器IGBT模块发热、电机定子绕组温升、接线端子和电缆接头接触电阻超标导致的局部过热，以及控制柜内断路器、接触器、继电器等元件的异常温升。

在机械传动系统中，重点检测减速机轴承位温度分布是否均匀、制动器摩擦片与制动轮接触面的摩擦温升、联轴器对中偏差引起的局部过热，以及卷筒轴承座和车轮轴承的运行温度。在结构连接件方面，重点关注主梁与端梁连接螺栓、轨道压板、导电滑线支架等承载部位的异常温升，这些部位的温度异常往往反映结构松动或接触不良。

从检测周期来看，天车红外热成像巡检应按照设备运行状态和重要性等级分级实施。A类设备（冶金铸造天车、重要生产线关键天车）应每月进行一次全面热成像扫描，B类设备（普通作业区天车）每季度一次，C类设备（备用或低频使用天车）每半年一次。在大负荷运行后、夏季高温季节前、以及设备维修后恢复运行24小时内，应安排专项热成像复检。

检测应在天车处于额定负载运行状态下进行，通常选择负载率不低于70%的工况，以确保发热特征能够充分显现。

红外热像仪选型参数与现场拍摄规程

天车红外巡检对热像仪的核心性能参数有明确要求。探测器分辨率不应低于320×240像素，推荐使用640×480像素以上机型以保证远距离小目标的检测精度。温度灵敏度（NETD）应优于0.05℃，测量精度±2℃或读数的±2%。测温范围需覆盖-20℃至+350℃，以适应从低温环境到高温故障点的宽动态范围。

镜头焦距选择取决于检测距离：对于距离3~5米的天车电机和制动器检测，标准24°镜头即可满足；对于10米以上的高空滑触线和轨道接头检测，建议配置12°长焦镜头或激光测距自动对焦功能。热像仪应支持手动调焦、辐射率可调（0.1~1.0步长0.01）、反射环境温度补偿和大气透过率校正，这些参数对天车现场检测的精度至关重要。

现场拍摄应遵循标准化的操作规程。检测人员在拍摄前应首先录入环境参数：环境温度、湿度、风速、反射温度（通常用铝箔纸法测量）以及被检测表面的辐射率（金属表面涂漆面辐射率约0.85~0.92，裸露金属面约0.25~0.45）。拍摄距离应控制在热像仪最佳焦距范围内，一般不超过15米。

每个检测点应拍摄两张以上的热像图，一张全景定位图（包含周边参照物以便后期定位故障位置），一张特写聚焦图（目标物占据画面1/3以上）。热像图应保存为原始辐射温度数据格式（如FLIR的Radiometric JPEG或GuidIR的TMG格式），以便后期AI分析和温度趋势对比。

克鲁德重工在天车红外巡检实践中总结了一套标准拍摄点位表，覆盖每台天车电气柜、电机、制动器、减速机、卷筒轴承座、车轮组、滑触线接口、主梁连接螺栓等32个关键检测点。

热像特征库构建与AI深度学习模型训练

AI智能判图的核心是构建覆盖天车各类部件正常运行状态和典型故障状态的红外热像特征库。特征库的构建分为三个阶段。第一阶段是基准库采集，在天车处于健康运行状态下连续采集30天以上的红外热像数据，覆盖不同负载率、不同环境温度和不同运行时段，建立每个检测点的温度分布基准曲线。

基准库至少需要每个检测点100帧以上的有效热像数据，设备类型覆盖变频器、电机、制动器、减速机、电气接头五大类，每类至少包含3种不同品牌或型号的设备样本。第二阶段是故障样本扩充，通过人工模拟故障或收集历史故障热像数据，为每种故障类型积累至少50个正样本。

对于难以获取的实际故障数据，可以通过GAN生成对抗网络合成故障热像，或利用CycleGAN进行正常热像到故障热像的风格迁移来扩充样本集。

模型选型方面，天车红外热像AI判图系统通常采用两阶段检测架构。

第一阶段使用目标检测网络（如YOLOv8或RT-DETR）从全景热像图中自动识别各检测目标区域并裁剪，第二阶段使用分类网络（如ResNet-50、EfficientNet-B4或Vision Transformer）对每个目标区域进行温度模式分析，判断其状态为正常、预警或报警。

对于时序趋势分析场景，引入时间维度信息采用ConvLSTM或TimesNet模型对同一检测点在连续多次巡检中的温度变化曲线进行预测，判断温升速率是否异常。模型训练时将热像原始辐射温度数据归一化处理后作为输入，每个像素值对应真实温度值（分辨率0.1℃），上下文窗口设置为该检测点最近3次巡检的数据。

在克鲁德重工的实测部署中，YOLOv8m检测模型在NVIDIA Jetson Orin NX边缘设备上推理速度达到35fps，mAP@0.5达到94.7%，EfficientNet-B4分类模型准确率96.3%，单张热像从采集到输出诊断结果的总耗时控制在2秒以内。

AI判图系统架构与自动诊断工程实现

天车红外AI判图系统采用边缘端推理+云端管理的混合架构。

在边缘端，红外热像仪拍摄的热辐射原始数据通过USB 3.0或GigE Vision接口传输到部署在车间本地的边缘计算设备（NVIDIA Jetson Orin NX/AGX或工业级AI Box PC），边缘设备运行YOLOv8检测和EfficientNet分类模型，实现实时推理和即时告警。

对于需要时序趋势分析的检测点，边缘设备将裁剪后的目标区域热像数据和温度特征值通过MQTT协议上传到云端数据中心，云端部署ConvLSTM趋势预测模型和大规模热像特征库。云端还承担模型更新管理、巡检报告生成和多厂区数据汇总分析职能。

系统通信采用TLS加密，热像数据按GB/T 22239网络安全等级保护二级要求进行传输和存储。

AI自动诊断的输出采用三级分级策略。绿色级为正常状态，系统自动归档热像数据并更新该检测点的温度基准曲线。黄色级为关注状态，温差超过预警阈值但在报警阈值以下，系统在巡检报告中标记该检测点并建议在下次巡检时重点复测。

红色级为报警状态，温差超过报警阈值或温度变化速率异常，系统立即通过短信、微信和企业微信推送告警通知，并在巡检报告中生成详细的故障分析报告，包含热像图、可见光对比图、温度数据曲线、同类型历史数据和维修建议。

克鲁德重工在多个工厂的部署实践中，AI判图系统将人工判图时间从平均每台天车45分钟缩短至8分钟，漏报率控制在0.5%以下，误报率控制在3%以下，在天车电气接头过热和轴承早期磨损两个典型场景中实现了提前7~14天的预警能力。

巡检报告自动化与数据管理平台

巡检报告自动生成是AI智能判图系统价值落地的重要环节。

系统每次巡检完成后自动生成结构化的PDF/HTML双格式报告，报告内容包括：巡检基本信息（设备编号、巡检日期、环境参数、检测人员）、关键检测点温度数据汇总表（以红黄绿三色标注每个检测点的状态等级）、异常检测点的详细热像分析（包含热像图、温度分布直方图、同点位历史趋势曲线、AI诊断结论和维护建议）、以及设备健康评分总览。

设备健康评分采用加权评分模型，将32个检测点的温度状态按权重综合计算，电气系统权重占40%（其中变频器IGBT占15%、电机绕组占10%、接线端子占8%、控制电器占7%），机械传动系统权重占35%（减速机轴承占12%、制动器摩擦面占10%、卷筒轴承座占7%、车轮组占6%），结构连接件权重占25%（主梁连接螺栓占10%、轨道压板占8%、滑触线接口占7%）。

评分结果按百分制呈现，90分以上为优秀，75~89分为良好，60~74分为关注，60分以下为检修。

数据管理平台支持多维度数据分析功能：单台天车的历史温度趋势分析（可追溯12个月内的全部巡检数据）、同类型设备的横向对比分析（评估同型号设备的一致性和差异性）、季节性温度分布规律分析（用于优化巡检周期和预警阈值）、以及设备退化趋势预测（基于时序模型预测关键部件剩余寿命）。

数据平台还提供标准API接口，可与企业的EAM（企业资产管理）系统或CMMS（计算机化维护管理系统）对接，实现巡检数据到工单任务的自动化流转。克鲁德重工已经将这套红外热成像AI智能巡检方案集成到天车全生命周期管理系统中，形成从检测→诊断→维修→复检的完整闭环。

天车红外热成像智能巡检的工程实施要点

在实际工程实施中，天车红外热成像AI智能巡检系统的部署需重点关注以下几个方面。

第一，热像仪与边缘计算设备的选型匹配，必须根据现场检测距离、目标尺寸、环境温度和振动等级综合确定硬件参数，避免出现因焦距不足导致小目标无法分辨、或因NETD过大导致微温差无法识别的工程问题。

第二，AI模型的天车专项训练至关重要，通用预训练模型在天车特定部件（如变频器IGBT的六管封装、制动器摩擦片的弧形接触面）上的识别效果往往不理想，必须使用现场采集的真实热像数据进行微调训练才能达到可用的检测精度。

第三，巡检路径的规划和拍摄点位的标准化是保障数据一致性的基础，建议在车间地面上使用地标标记每个拍摄位置，在天车本体上使用高反光靶标标记拍摄角度，确保每次巡检的成像角度和距离一致，从而保证温度趋势对比的可靠性。

克鲁德重工提供从现场勘探、设备选型、模型训练到系统部署的全套工程服务，帮助企业建立标准化的天车红外热成像智能巡检体系。

Perguntas frequentes

天车红外热成像AI智能巡检系统是传统设备检测技术向数字化智能化升级的典型应用。通过标准化的拍摄规程、专业的热像特征库、高精度的AI深度学习模型和自动化的报告生成平台，将天车设备检测从经验驱动的定性判断转变为数据驱动的定量评估。如需了解更多天车智能检测与预测维护技术方案，欢迎联系克鲁德重工技术团队获取详细技术资料和现场勘查服务。克鲁德重工在天车智能维护领域积累了丰富的工程实践经验，可为企业提供从检测方案设计、系统集成到运维服务的全方位技术支持。