پایگاه تحلیلی خبری ایراسین؛ به‌عنوان یک فولادساز تخت یکپارچه، شرکت گروه آرسلورمتال در آیزنهوتنشات پیشرو کیفیت برای فولادهای خودرو در آلمان است. تأسیسات تولید شامل کارخانه آماده‌سازی مواد اولیه، کوره بلند، کنورتر، متالورژی ثانویه، ریخته‌گری مداوم اسلب، کارخانه نورد گرم، کارخانه اسیدشویی مداوم، نورد سرد تاندم، دو خط گالوانیزه و یک خط پوشش رنگی است. گروه آرسلورمتال در آیزنهوتنشات ورق گالوانیزه گرم و گالوانیل با مقاومت خوردگی قوی، خواص کاری عالی و کیفیت سطح برجسته تولید می‌کند. گریدهای فولادی فوق کم‌کربن (ULC) و فوق کششی (IF) برای کاربردهای در معرض دید خودرو از مهم‌ترین دسته‌های محصولات تخت هستند. گریدهای ULC/IF برای کاربردهای بیرونی خودرو نیاز به پردازش بسیار دقیق برای رسیدن به سطوح کیفیت موردنیاز دارند. پس از تخلیه فولاد خام از کنورتر، پالایش دقیق در متالورژی ثانویه قبل از ریخته‌گری مداوم اسلب‌ها انجام می‌شود. اسلب‌های ریخته‌گری‌شده سپس نورد گرم، اسیدشویی، نورد سرد و گالوانیزه می‌شوند. در طول فرایند تولید، بازرسی‌های دقیق از ترکیب شیمیایی، خواص مکانیکی و کیفیت سطح در مراحل متعدد انجام می‌شود. سیستم‌های دوربین خودکار برای بازرسی سطوح بالا و پایین در خطوط نورد گرم، اسیدشویی و گالوانیزه نصب شده‌اند. این شرکت از طریق کنترل فرایند پیشرفته، درجه‌بندی خودکار اسلب و کویل در ترکیب با بازرسی دستی اضافی، پایبندی دقیق به الزامات کیفیت برای هر سفارش مشتری را تضمین می‌کند.

تضمین بالاترین استانداردهای کیفیت سطح در تولید گریدهای ULC/IF گالوانیزه و گالوانیل، هزینه‌های کیفیت بالایی به همراه دارد. هر بار که نقص‌های سطحی شناسایی شوند، اسلب‌ها یا کویل‌های مربوطه تنزل درجه می‌یابند. در بدترین حالت، نقص‌ها تنها پس از گالوانیزه شناسایی می‌شوند و تنزل درجه پس از هزینه‌های پردازش بالا روی کویل صورت می‌گیرد. نقص‌های سطحی برجسته، یعنی اسلیورهای مرکزی و اسلیورهای لبه‌ای، از فرایند ریخته‌گری مداوم منشأ می‌گیرند. مکانیسم‌های فیزیکی زیربنایی که ممکن است منجر به تولید اسلیورها شوند و همچنین اقدامات متقابل مربوطه در دهه‌های گذشته به‌طور فشرده مطالعه شده‌اند تا روش‌های بهینه‌سازی فرایند متعارف مشخص شوند. در طول 15 سال گذشته، رویکردهای مبتنی بر داده برای بهینه‌سازی کیفیت ریخته‌گری مداوم تنها موفقیت محدودی داشته‌اند. مشکلات معمول شامل کمبود تخصص فرایند در تیم‌هایی که فقط از کارشناسان داده و یادگیری ماشین تشکیل شده‌اند، کمبود داده، کیفیت ناکافی داده، نقشه‌برداری غیردقیق داده‌ها از منابع مختلف و پیچیدگی‌های ریاضی است.

به‌منظور تسریع بهینه‌سازی مبتنی بر داده در این زمینه پروژه‌ای با همکاری شرکت هوش مصنوعی SST تعریف و اجرا شد. کاهش کلی نقص‌های اسلیور و تنزل درجه مرتبط تا ۵۰ درصد به‌عنوان هدف تعیین شد. هدف اصلی پروژه پیش‌بینی یا نظارت بر کیفیت سطح نبود، بلکه اصلاح فرایند ریخته‌گری مداوم به‌گونه‌ای بود که انحرافات کیفیت در وهله اول اجتناب شود. این هدف باید بدون تغییر تجهیزات ریخته‌گری مداوم محقق می‌شد. پیاده‌سازی باید ظرف شش ماه تکمیل می‌شد. شش ماه دیگر نیز برای آزمایش دقیق در تولید اختصاص داده شده بود. با وجود مشکلات غیرمنتظره، تیم‌های کارفرما و پیمانکار پروژه را با موفقیت و به‌موقع تکمیل کردند. تمام کارهای یکپارچه‌سازی نرم‌افزار و تحلیل داده تکمیل شدند که آغاز یک سری گسترده از آزمایش‌های تولید بود. اجرای سریع پروژه به خاطر ایجاد یک نیروی ضربت پروژه مؤثر و استفاده از سبد محصولات نرم‌افزاری آماده که به‌طور خاص برای بهینه‌سازی ریخته‌گری مداوم از طریق تحلیل داده‌های انبوه و هوش مصنوعی طراحی شده بودند امکان‌پذیر شد. پس از تکمیل تعداد زیادی توالی آزمایش ریخته‌گری و نورد و گالوانیزه بعدی کویل‌های مربوطه، نتیجه روشن بود. نرخ نقص‌های اسلیور در مقایسه با نرخ‌های متوسط نقص قبل از بهینه‌سازی به نصف کاهش یافته بود.

اندازه‌گیری‌های مؤثر، قابل‌مقایسه و از نظر آماری معنادار کیفیت، پیش‌نیاز هر رویکردی به بهینه‌سازی فرایند هستند؛ بنابراین سیستم‌های بازرسی سطح خودکار (ASIS) نوار را پس از نورد گرم، اسیدشویی و گالوانیزه بازرسی می‌کنند. این سیستم‌ها به‌طور خودکار تصاویر سطحی از نواحی مستطیلی در بالا یا پایین نوار که بی‌نظمی‌ها را نشان می‌دهند، ثبت می‌کنند. بسیاری از این تصاویر بی‌نظمی‌ها نامربوط مثل قطرات آب هستند. فناوری دوربین اکثر سیستم‌های بازرسی سطح خودکار وضوح کافی را فراهم می‌کند. اما طبقه‌بندی خودکار تصاویر سطحی به دسته‌های نقص که توسط ASISهای معمول ارائه می‌شود، دقت کافی ندارد و برای استفاده به‌عنوان سیگنال هدف برای بهینه‌سازی فرایند بیش‌ازحد غیرقابل‌اعتماد است. این امر به‌ویژه برای نقص‌های اسلیور صادق است، زیرا ظاهر آن‌ها بسیار متفاوت است. به همین دلیل نرم‌افزار تخصصی SST AI در کارخانه نورد گرم، خط اسیدشویی و هر دو خط گالوانیزه مداوم نصب شدند. نهایتاً طبقه‌بندی زنده دقیق و قوی هر تصویر سطحی به‌دست‌آمده توسط سیستم‌های ASIS از طریق معماری شبکه عصبی تخصصی کانولوشنال عمیق که به‌طور خاص برای طبقه‌بندی تصاویر نوار گرم، نوار اسیدشویی‌شده و نوار گالوانیزه طراحی شده‌اند، تضمین می‌شود. ابزارهای پشتیبانی اضافی برای تسهیل کار روزانه با تصاویر سطحی و تنظیم آسان طبقه‌بندی نصب شدند. این شامل SST DIS، یک موتور جستجوی تصویر معکوس است که به کاربر اجازه می‌دهد یک تصویر را پرس‌وجو و مشخص و سپس سیستم صدها میلیون تصویر سطحی تولید را در کسری از ثانیه اسکن می‌کند. با استفاده از طبقه‌بندهای نقص SST، تمام تصاویر سطحی جدید و تاریخی نورد گرم، اسیدشویی و گالوانیزه به دسته‌های صحیح نقص، مثلاً اسلیورها، ترک‌ها، خراش‌ها و غیره طبقه‌بندی شدند. از طریق این رویکرد، نرخ‌های معنادار نقص اسلیور برای تولیدات گذشته محاسبه شد. برای هر ترکیب گرید فولاد، خط تولید و سطح شدت، تعداد چنین نقص‌هایی در هر متر کویل، کویل به کویل، روز به روز، هفته به هفته و ماه به ماه محاسبه شد. این نرخ‌های نقص سطحی، بر اساس طبقه‌بندی دقیق تصاویر سطحی، شاخص عینی از کیفیت سطح و سیگنال هدف برای بهینه‌سازی ریخته‌گری مداوم فراهم کردند. با استفاده از یک دوقلوی دیجیتال برای هر کویل سیستم نرم‌افزاری تمام داده‌های بازرسی سطح و داده‌های فرایند را در سراسر تمام خطوط تولید مرتبط به‌محض در دسترس بودن داده‌ها مطابقت می‌دهد. تمام تصاویر بازرسی سطح و نتایج طبقه‌بندی نقص از نورد گرم، اسیدشویی و گالوانیزه به‌طور دقیق در یک سیستم مختصات مرکزی نقشه‌برداری می‌شوند.

الگوریتم‌ها عملیات بازپیچی، پیچیدن، برگرداندن، برش، جوشکاری، برش لبه‌ای و پیرایش را در طول هر مسیر تولید، از جمله خطوط بازرسی، در نظر می‌گیرند. نتیجه یک دوقلوی دیجیتال دقیق از هر کویل است که به‌طور خودکار محاسبه می‌شود. نرم‌افزار مسیر تولید و آمار نقص سطح را بر اساس طبقه‌بندی خودکار تمام تصاویر سطحی با استفاده از فناوری یادگیری عمیق نمایش می‌دهد. حالت‌های نمایش متعدد تحلیل سریع تمام نتایج بازرسی سطح موجود برای یک کویل معین را فراهم می‌کنند. گزارش‌های مربوطه می‌توانند به‌طور خودکار تولید شوند؛ درحالی‌که سیستم‌های متعارف فقط مقادیر میانگین پارامترهای فرایند را در نظر می‌گیرند، در این پروژه سری‌های زمانی واقعی استفاده شده‌اند، زیرا پیک‌های کوتاه در سیگنال‌ها (مثلاً انحرافات سطح قالب) حاوی اطلاعات ارزشمند هستند. همین امر برای داده‌های تکمیل اسلب (اطلاعات سنگ‌زنی و اسکارفینگ) صادق است. داده‌های ادغام‌شده برای بازرسی تجسم می‌شوند. کاربر می‌تواند زمان‌های تولید را انتخاب کند و به توالی‌های ریخته‌گری زوم کند. به‌دلیل پیچیدگی فرایند، کارشناسان فرایند به ابزارهای نرم‌افزاری آسان‌استفاده نیاز دارند که به آن‌ها اجازه دهد تمام ترکیبات اندازه‌گیری‌ها و تنظیمات، یعنی فضای ویژگی ماشین ریخته‌گری مداوم را بازرسی کنند که به کاربران اجازه می‌دهد ترکیبات دلخواه پارامترهای ریخته‌گری و کارگاه ذوب، گریدهای فولاد و داده‌های عملیاتی را انتخاب کنند و اثرات آن‌ها را بر کیفیت سطح بازرسی کنند. از طریق یکپارچه‌سازی زنده با سیستم برنامه‌ریزی تولید کارگاه ذوب و ریخته‌گری، یک برنامه توالی ریخته‌گری بهینه‌شده به‌طور پویا برای هر کمپین تولید محاسبه می‌شود. از طریق این برنامه‌ریزی پویا و خودکار بر اساس ۱۰۰ درصد داده‌های تاریخی موجود، تنظیمات بهینه ریخته‌گر برای هر اسلب فردی، هر ذوب و هر توالی استخراج می‌شود.