AI+工业场景落地系列16:别等设备冒烟,先把“低烧”看出来

车间里最吓人的，很多时候不是「砰」的一声。

是设备还在转，产线也没停，值班的人看着一切正常，结果过了半小时，轴承抱死了，变压器局部过热扩大了，停机、排查、换件，一连串损失才真正开始。

工业设备的故障，很多不是突然坏，是先发了一阵“低烧”。这篇我就想讲清楚，怎么用红外热图把这个“低烧”提前看出来。

我自己摸索这类监测思路的时候，走了不少弯路。最开始容易盯着「有没有明显高温点」，后来才发现，真正有用的不是看见烫，而是在还没烫到冒烟之前，识别“不正常地变热”。

这俩不是一回事。

先说结论，异常热成像真正有用的地方，就三步

拆开来看其实不复杂。

第一步，先把红外热图稳定拿到。第二步，不是盯绝对温度，而是找异常模式。第三步，把预警放在“发烫瞬间”，而不是故障之后做事后分析。

听着像废话，对吧。但很多人搞反了，尤其第二步，表面上看是测温问题，其实是识别问题。

第一步，热图拿不稳，后面全是空谈

红外热成像不是拍张彩色图那么简单。

同一台设备，拍摄角度变一点，背景反射变一点，环境温度上来几度，热图读数就会飘。踩过这个坑的人都知道，你今天拍到的热点，明天可能就不是同一个样子了。不是设备好了，是图像条件变了。

所以我现在的做法是，先把采集条件尽量固定下来。

• 尽量固定相机位置和视角

• 给关键设备划定拍摄区域，比如轴承座、接线端子、变压器绕组外壳

• 同一类设备尽量在相近负载条件下比

• 连续采集，不看单帧，看趋势

这里有个小技巧很多人忽略了，先做区域对齐，再做温度分析。因为你要比较的不是整张图，而是那块轴承、那组线圈、那个接头。

如果你准备用 OpenCV 这套东西落地，像 github。com/opencv/opencv 里的基础图像处理能力，拿来做目标区域裁切、轮廓提取、配准、滤波，已经够你把第一步跑通了。不用一上来就想着多复杂的模型，先把图像位置和质量稳定下来，收益非常大。

今天看完先把这一步做了。找一台最常出问题的设备，连续拍一周同角度热图，别急着上算法，先把样本攒出来。

第二步，别只盯“高温”，要盯“反常”

这是花了真金白银换来的教训。

很多人拿到热图之后，第一反应是设个温度阈值，比如 80℃报警，90℃停机。这个思路不是不能用，但很容易漏掉早期故障。

为什么。

因为轴承异常、接触不良、绕组老化，早期未必会一下子冲到危险温度。它更常见的表现是这些：

• 左右同类部件温差突然拉开

• 某个热点面积在扩大

• 升温速度比平时快

• 局部温度分布变得不均匀

你想想看，一台电机两侧轴承，平时温差 3℃ 以内，某天变成 9℃，绝对温度也许还没高到吓人，但这已经很值得看了。变压器也一样，真正危险的往往不是整体热，而是局部异常热斑。

「异常热成像看的是“偏离正常”，不是只看“够不够热”。」

这时候自动分析就比人眼强了。

人眼看热图，能看出「这里有点红」。算法看热图，可以继续往下拆：

• 热点位置有没有漂移

• 热区面积是不是连续变大

• 与历史基线相比偏差多少

• 与同类设备相比是不是异常

OpenCV 这类库在这里就很顺手，图像分割、阈值处理、轮廓分析、区域统计这些基础活都能干。你先别嫌“基础”，工业现场很多问题，真不是输在模型不够新，是输在连热点区域都没切准。

说实话，很多教程不会告诉你的是，工业异常检测里，稳定的规则和基线模型，常常比花哨的端到端识别更早产生价值。

因为现场讲的是误报率、漏报率、维护成本，不是论文分数。

第三步，预警要卡在“发烫瞬间”

这一步没有捷径。

很多系统也会做热图分析，但只是把图存下来，出了事再回看。那不能叫预警，那是复盘。复盘当然也有用，可停机损失已经发生了。

真正有价值的，是在温升刚开始偏离的时候，把信号打出来。

我建议你把预警拆成两层。

第一层，轻预警

比如连续 5 分钟升温速度异常，或者同类部件温差超出历史波动区间，就先标黄。这时候不一定立刻停机，但建议安排点检。

第二层，强预警

如果热点面积继续扩大，或者局部高温叠加温升速度还在加快，再标红。这时就不是“有空看一眼”了，而是要介入处理。

这样做的好处很直接，现场不会被一堆误报烦死。

不瞒你说，我最早就吃过这个亏，阈值一设低，报警狂响，最后大家都学会无视它。系统还在报，现场已经麻了。你说这玩意儿有没有价值，有，但被自己设计废了。

所以大部分人卡在这一步，不是不会识别，是不会让预警真正进入维护流程。

轴承和变压器，为什么特别适合先做

如果你刚开始做，不用全厂铺开，建议你先拿这两类设备试试。

轴承

轴承异常通常会先体现在摩擦升温、润滑失效、偏载引起的局部发热。它的好处是位置明确，ROI 好圈，历史趋势也比较容易建立。

你可以今晚就试试这个最小动作，针对同型号设备做一组热图对比，看左右轴承、同工位设备之间有没有温差异常。

变压器

变压器更典型，接点松动、绕组问题、铁芯异常，很多都会先形成热斑。而且这类设备一旦拖到肉眼都能看出不对劲，通常就已经不轻了。

所以热成像在这里，不只是「看温度」，更像是在看电气故障留下的体温痕迹。这个比喻有点土，但确实好记，就是这样。

真正难的地方，不在算法，在标准

回到这块，最重要的一步其实是建立“正常长什么样”。

同样一台设备，夏天和冬天不一样，空载和满载不一样，新设备和老设备也不一样。所以不要上来就追求一个万能阈值。我的做法是，先做设备分组，再做各自基线。

一开始你甚至可以先用很朴素的方法：

• 每类设备采一段正常工况热图

• 给关键部位建立温度区间和波动范围

• 再叠加热点面积、温差、升温速率三个指标

够用了，真的。

先把一个小场景跑通，比一开始想做全能系统靠谱得多。

如果你今天就想开始，建议按这个顺序

先找一台最关键、也最容易出热问题的设备。连续采集热图。用 OpenCV 把固定区域切出来。别急着判断故障，先建立一份「正常时候的热分布档案」。

等你手里有了连续样本，再去做异常规则，心里就不慌了。

这事急不来，得慢慢磨。可一旦跑通，你会很明显地感觉到，维护思路变了。以前是等故障冒头，再追着火跑。现在是设备刚开始发热，系统已经先抬手提醒你了。

车间还是那个车间，风扇照样响，机器照样转。

只是有些看不见的“低烧”，终于被看见了。

大家好，欢迎大家点赞关注~