Прокатный стан — это комплекс оборудования для обработки металлов и других материалов давлением (прокатки) между вращающимися валками с целью получения проката заданной формы и размеров. В результате пластической деформации заготовка меняет свою форму и внутреннюю структуру. Прокатные станы используются в металлургии для производства листов, полос, профилей, труб и других изделий из стали и цветных металлов. Они применяются в строительстве, машиностроении, автомобилестроении, электротехнической промышленности и других отраслях.
Нейросеть активно проникает в промышленность и стремительно учится управлять производством. Технологии развиваются с такой скоростью, что не исключено: когда-нибудь человечество перестанет понимать, мы контролируем машины или они управляют нами. Но, пока во главе стоит человеческий разум, нужно использовать ИИ по полной программе, чем, собственно, и занимаются металлурги.
С использованием технологий искусственного интеллекта производственную цепочку можно сделать более прозрачной и эффективной, например с помощью оптимизации режима работы оборудования. Внедрение ИИ также помогает автоматизировать планирование ремонта и технического обслуживания оборудования. Нейросети способны учитывать множество факторов, таких как персонал, ресурсы и приоритеты производства. Путём сбора данных обо всех дефектах в онлайн-режиме технология может ежедневно обновлять расписание техобслуживания и ремонта на несколько недель вперёд. Что немаловажно, учёные нашли применение ИИ для наблюдения и контроля. Нейросети научились оперативно определять даже мельчайшие неисправности в металлических конструкциях.
С использованием технологий искусственного интеллекта производственную цепочку можно сделать более прозрачной и эффективной, например с помощью оптимизации режима работы оборудования. Внедрение ИИ также помогает автоматизировать планирование ремонта и технического обслуживания оборудования. Нейросети способны учитывать множество факторов, таких как персонал, ресурсы и приоритеты производства. Путём сбора данных обо всех дефектах в онлайн-режиме технология может ежедневно обновлять расписание техобслуживания и ремонта на несколько недель вперёд. Что немаловажно, учёные нашли применение ИИ для наблюдения и контроля. Нейросети научились оперативно определять даже мельчайшие неисправности в металлических конструкциях.
Контроль дефектов металлопроката с помощью ИИ
Одна из распространённых проблем, с которой сталкиваются металлопрокатные заводы, связана с возникновением брака на металлах. Причины этого могут быть разнообразными, например неправильная транспортировка металла или производственные ошибки. Возможно, металл неправильно хранили на складе, где из-за этого на нём образовались трещины и белая ржавчина. В таких случаях говорят о дефектах, которые означают несоответствие требованиям существующих стандартов. Чтобы избежать поступления металла с недостатками в дальнейшее производство, на металлопрокатных заводах применяют дефектоскопию.
Для этого на предприятиях используют ультразвуковой дефектоскоп, который обладает достаточными возможностями для выявления внутренних дефектов, таких как трещины, поры и шлаковые включения. Более того, он способен обнаруживать поверхностные дефекты, измерять их величину, определять тип и местоположение каждого из них.
Но металлургам оказалось недостаточно способностей этого прибора, поэтому сегодня существует и другой способ дефектоскопии, в основе которого лежат методы машинного обучения для распознавания поверхностных изъянов и искусственный интеллект. Этим способом удаётся распознать недочёты размером всего 0,1 мм с точностью не менее 98% и при этом не останавливать конвейер производства. Для этого устанавливаются камеры с машинным зрением для выявления несовершенства. Они способны обнаруживать пробелы в качестве с высокой точностью до 1 мм, включая тонкие царапины, которые делают материал непригодным для покраски. Для обеспечения хорошего освещения и исключения возможных ошибок специалисты поставили лампы с высокой интенсивностью. Система использует изображения, полученные камерами, и по ним определяет наличие дефектов на поверхности проката на специально разработанном сервере с высокопроизводительными графическими процессорами. Программа классифицирует различные дефекты, такие как изломы, пятна ржавчины, сквозные разрывы, перегибы и другие — в общей сложности больше 22 типов.
Более того, система автоматически распределяет их по различным параметрам, таким как класс, размер, количество и прочие, а также составляет карту расположения дефектов на поверхности листа. Данные об обнаруженных отклонениях передаются в систему управления производственными процессами для последующего использования в процессе аттестации продукции. Помимо этого, формируется архив дефектов.
Для этого на предприятиях используют ультразвуковой дефектоскоп, который обладает достаточными возможностями для выявления внутренних дефектов, таких как трещины, поры и шлаковые включения. Более того, он способен обнаруживать поверхностные дефекты, измерять их величину, определять тип и местоположение каждого из них.
Но металлургам оказалось недостаточно способностей этого прибора, поэтому сегодня существует и другой способ дефектоскопии, в основе которого лежат методы машинного обучения для распознавания поверхностных изъянов и искусственный интеллект. Этим способом удаётся распознать недочёты размером всего 0,1 мм с точностью не менее 98% и при этом не останавливать конвейер производства. Для этого устанавливаются камеры с машинным зрением для выявления несовершенства. Они способны обнаруживать пробелы в качестве с высокой точностью до 1 мм, включая тонкие царапины, которые делают материал непригодным для покраски. Для обеспечения хорошего освещения и исключения возможных ошибок специалисты поставили лампы с высокой интенсивностью. Система использует изображения, полученные камерами, и по ним определяет наличие дефектов на поверхности проката на специально разработанном сервере с высокопроизводительными графическими процессорами. Программа классифицирует различные дефекты, такие как изломы, пятна ржавчины, сквозные разрывы, перегибы и другие — в общей сложности больше 22 типов.
Более того, система автоматически распределяет их по различным параметрам, таким как класс, размер, количество и прочие, а также составляет карту расположения дефектов на поверхности листа. Данные об обнаруженных отклонениях передаются в систему управления производственными процессами для последующего использования в процессе аттестации продукции. Помимо этого, формируется архив дефектов.
Контроль технического состояния прокатного оборудования с помощью ИИ
Научив ИИ искать дефекты на поверхности стали, учёные пошли дальше и придумали, как с помощью нейросетей предупреждать поломку оборудования. Уже специалистами разработана система беспроводной диагностики для проверки исправности прокатных станов на металлургических предприятиях. Данная технология, основанная на ИИ, помогает формировать план ремонтных работ оборудования, при этом исключая внезапный выход техники из строя. Поломка хотя бы одного элемента прокатного стана вынуждает предприятие остановить всю производственную линию. Учёные натренировали нейросеть на анализ большого объёма информации об оборудовании и о его состоянии, которую ИИ получает благодаря установленным на линии датчикам. Помимо основных датчиков управления технологическими процессами на прокатном стане, специалисты для получения более точных данных разработали также дополнительные виброакустические контроллеры для измерения теплового потока. В целом новая технология поможет металлургическим заводам предупреждать остановку производства и вовремя определять проблемы в работе оборудования.
Оценка прочности металла с помощью ИИ
Также нейросети пришлось проанализировать и выучить данные о 300 сплавах алюминия, меди, железа и прочих металлов. Она должна была освоить способность выявления зависимости между физическими и химическими характеристиками, чтобы впоследствии определять устойчивость сплавов к сжатию и растяжению. Нейросети научились определять характеристики прочности металла с точностью до 98%. На базе исследований появилось предположение о связи прочностных и термодинамических характеристик.
Нейросеть выяснила, что модуль Юнга в основном зависит от предела текучести и температуры стеклования материала. Предел текучести показывает, при какой нагрузке сплав начнёт деформироваться, а температура стеклования указывает на температуру, при которой расплав застывает, становясь твёрдым аморфным сплавом. Используя эти два параметра, нейросеть смогла определить модуль Юнга с точностью до 98% по сравнению с действительными значениями.
Однако оказалось, что химические свойства сплава, такие как количество и молекулярная масса элементов, не влияют на его устойчивость к растяжению и сжатию. Это подтверждается тем, что алгоритм делал ошибку около 50% при расчёте модуля Юнга на основе подобных характеристик.
Нейросеть выяснила, что модуль Юнга в основном зависит от предела текучести и температуры стеклования материала. Предел текучести показывает, при какой нагрузке сплав начнёт деформироваться, а температура стеклования указывает на температуру, при которой расплав застывает, становясь твёрдым аморфным сплавом. Используя эти два параметра, нейросеть смогла определить модуль Юнга с точностью до 98% по сравнению с действительными значениями.
Однако оказалось, что химические свойства сплава, такие как количество и молекулярная масса элементов, не влияют на его устойчивость к растяжению и сжатию. Это подтверждается тем, что алгоритм делал ошибку около 50% при расчёте модуля Юнга на основе подобных характеристик.
Выводы:
- Нейросеть анализирует данные о металле, включая его структуру и характеристики.
- С помощью обучения на больших объёмах информации ИИ выявляет и классифицирует возможные дефекты.
- Нейросеть способна автоматически выявлять даже мельчайшие недостатки, которые могут ускользнуть от человеческого глаза.
- Благодаря нейронным сетям возможно проведение более точных и быстрых проверок качества в настоящем времени.
Минязева Луиза Халисовна, старший преподаватель кафедры «Метрология и взаимозаменяемость» Московского государственного технического университета имени Н.Э. Баумана