Zastosowanie metod sztucznej inteligencji (AI) w procesach produkcji stali

Minimalizacja ilości defektów dzięki zastosowaniu sztucznej inteligencji

Stosując uczenie maszynowe, udało się zredukować ilość takich defektów w hucie ArcelorMittal Eisenhüttenstadt (Niemcy) aż o 50%. W drugim przypadku zastosowanie głębokich sieci neuronowych pozwoliło na przewidywanie optymalnej temperatury na kolejnych etapach procesu i tym samym redukcję kosztów związanych z nagrzewaniem ciekłej stali. Metodę zastosowano w hutach ArcelorMittal Duisburg w Niemczech a także Marienhütte Graz w Austrii. W pierwszej stosowany jest konwertor tlenowy. W drugiej: elektryczny piec łukowy. To pokazuje, że metoda jest odpowiednia dla obydwu technologii produkcji stali.

Natomiast w pracy [20] podjęto próbę przewidywania zmiennych charakteryzujących procesy hutnicze. Zastosowano trzy niezależne modele na różnych etapach produkcji hutniczej. W tym: na etapie obróbki pozapiecowej, ciągłego odlewania a także walcowania na gorąco. W każdym przypadku na wejściu do algorytmu uczenia maszynowego znajdowały się parametry odpowiadające danemu procesowi produkcji. Natomiast na wyjściu były to na przykład współczynnik lejności stali w przypadku modelu obróbki pozapiecowej, temperatura na środku górnej powierzchni kęsów przed prostownicą w przypadku modelu odlewania ciągłego oraz temperatura kęsów przed walcowaniem. W drugim a także trzecim modelu osiągnięto dobrą jakość przewidywania. Natomiast w pierwszym była ona niezadowalająca (R² na poziomie 0,3-0, 4). W każdym przypadku las losowy okazał się najlepszą spośród przetestowanych metod. Trzeba jednak zauważyć, że uwzględniona w porównaniu sieć neuronowa była niezbyt skomplikowana.

Czytaj też >> Czy spawanie można wykorzystać w procesie druku 3D?

Podsumowując, drugie podejście metodyczne (optymalizacja parametrów procesu) jest stosowane w różnych zakładach produkcyjnych na całym świecie. Często zastosowanie metod sztucznej inteligencji prowadzi do znacznych oszczędności (ograniczenie zużycia drogich pierwiastków i dodatków stopowych, prowadzenie procesu w niższej temperaturze, mniej wad materiałowych itp.). Z tego powodu warto rozważyć zastosowanie systemów sztucznej inteligencji w produkcji i przeróbce plastycznej wyrobów ze stali i innych stopów.

Podsumowanie – metody sztucznej inteligencji w produkcji stali

W artykule omówiono zagadnienie zastosowań uczenia maszynowego w procesie produkcji stali. Przedstawiono też dwa typowe zagadnienia związane z klasyfikacją defektów powierzchniowych oraz optymalizacją parametrów procesu. Pierwsze zagadnienie jest istotne zarówno z punktu widzenia wykrywania defektów powierzchniowych, jak i odróżniania defektów istotnych od nieistotnych. Z kolei drugie zagadnienie może skutkować redukcją kosztów lub też lepszymi parametrami produktu. Jak wynika z przeprowadzonego przeglądu literatury i badań własnych Autorów dotyczących możliwości zastosowania sztucznej inteligencji w procesach metalurgicznych, zarówno naukowcy, jak i przedstawiciele przemysłu hutniczego wykazują duże zainteresowanie zastosowaniem wyżej wymienionych metod. W tym również uczenia maszynowego w procesach produkcji i kontroli jakości stali.

W Polsce potencjał produkcji stali, pomimo jego obniżenia w ostatnim okresie, jest nadal na wysokim poziomie. Dlatego też w wybranych ośrodkach naukowo-badawczych oraz przemyśle metalurgicznym można również zaobserwować dynamiczny rozwój prac nad badaniami metod sztucznej inteligencji i uczenia maszynowego w dziedzinie metalurgii i inżynierii materiałowej. Biorąc pod uwagę powyższe stwierdzenia, jak również chęć utrzymania wysokiego i konkurencyjnego poziomu technologii hutniczych w krajowych zakładach wytwarzania i przetwórstwa stali, należy przewidywać, że w najbliższym czasie współpraca sektora nauki z branżą hutniczą w kontekście nowoczesnych metod AI będzie w trendzie wzrostowym.

Piśmiennictwo dostępne w redakcji.

dr inż. Karol Frydrych
mgr inż. Maciej Tomczak
dr hab. inż. Jarosław Jasiński
dr hab. Stefanos Papanikolaou
Centrum Doskonałości NOMATEN,
Narodowe Centrum Badań Jądrowych
napisz do autora: Karol.Frydrych@ncbj.gov.pl

Galeria

Zobacz więcej