Zastosowanie metod sztucznej inteligencji (AI) w procesach produkcji stali

Z artykułu dowiesz się:

• jakie możliwości w zakresie produkcji oraz przeróbki stali daje zastosowanie sztucznej inteligencji;
• o wynikach badań nad klasyfikacją defektów na powierzchni taśm stalowych z zastosowaniem sztucznej inteligencji;
• jakie dwa metodyczne podejścia znajdują wsparcie w sztucznej inteligencji.

Sztuczna inteligencja jest narzędziem, dla którego wciąż odkrywamy nowe zastosowania. W jaki sposób może wesprzeć procesy produkcji czy też obróbki stali?

Ciągłe zapotrzebowanie na wyroby walcowane oraz równoczesne dążenie do obniżenia kosztów produkcji ich wytwarzania zmusza przedsiębiorstwa produkcji i przetwórstwa stali do poszukiwania nowoczesnych rozwiązań technologicznych pozwalających na szybką a także precyzyjną kontrolę jakości otrzymywanych produktów. Coraz częściej etapy kontroli jakości wyrobów w hutach są realizowane za pomocą systemów komputerowych zintegrowanych z różnymi metodami badań nieniszczących jak również metodami analizy obrazu czy zastosowaniem sensorów termicznych lub laserowych. Jednak najnowszymi trendami w realizacji precyzyjnej kontroli jakości bezpośrednio w procesie produkcji są systemy bazujące na metodach sztucznej inteligencji AI (AI – ang. artificial intelligence).

Oprócz szeroko znanych zastosowań sztucznej inteligencji, takich jak rozpoznawanie i analiza obrazu czy też dźwięku, metody te są coraz częściej szeroko stosowane właśnie w aplikacjach inżynieryjno-technicznych, w tym w inżynierii materiałowej [1], spawalnictwie [2] czy optymalizacji procesów produkcji w wielu sektorach przemysłu, w tym również wskazanej powyżej branży hutniczej [3].

Możliwości zastosowania sztucznej inteligencji

Problematyka artykułu stanowi zaprezentowanie możliwości zastosowania sztucznej inteligencji AI do realizacji kontroli i oceny jakości lub też przewidywania właściwości elementów stalowych na różnych etapach procesu metalurgicznego oraz przeróbki plastycznej. W poruszanym w artykule zagadnieniu zasadniczo można wyróżnić dwa podejścia metodyczne. Pierwsze podejście polega na zastosowaniu metod sztucznej inteligencji do oceny i analizy występowania defektów powierzchniowych w wyrobach hutniczych, określaniu ich lokalizacji oraz klasyfikacji według danego rodzaju zdefektowania.

Natomiast podejście drugie zawiera element przewidywania. A zatem kompleksowego połączenia danych z procesu produkcyjnego z interesującym użytkownika parametrem materiałowym, np. prawdopodobieństwem występowania określonego rodzaju zdefektowania na powierzchni czy też najbardziej prawdopodobnymi wartościami właściwości mechanicznych wyrobu np. granicy plastyczności czy wytrzymałości na rozciąganie.

Podejście metodyczne 1: Klasyfikacja jakościowa wybranych wyrobów hutniczych metodami sztucznej inteligencji

Ważnymi produktami wytwarzanymi w procesach hutniczych, w produkcji których niezbędna jest precyzyjna kontrola jakości, są wyroby płaskie walcowane na gorąco lub też zimno. W tym – blachy i taśmy stalowe. Obecność defektów na powierzchni taśm stalowych wpływa negatywnie nie tylko na ich jakość wizualną, ale również na właściwości użytkowe takie jak, wytrzymałość mechaniczna, odporność na korozję, ścieranie czy też zmęczenie [4]. W zakładach produkcyjnych wyrobów płaskich, w celu diagnostyki defektów w czasie rzeczywistym instaluje się między innymi systemy automatycznej inspekcji powierzchni.

W działaniu takich systemów można wyróżnić rejestrację obrazu, wykrywanie defektów a także ich klasyfikację. O ile wykrycie defektów można z powodzeniem wykonywać, stosując typowe techniki analizy obrazu, o tyle klasyfikacja defektu jest zadaniem bardziej skomplikowanym, por. [5, 6]. Dlatego też trwają intensywne badania nad wykorzystaniem do tego celu nowoczesnych rozwiązań sztucznej inteligencji oraz modułów uczenia maszynowego (ang. machine learning), takich jak na przykład konwolucyjne sieci neuronowe, których ogólny schemat działania zaprezentowano na rys. 1.

Galeria

Zobacz więcej