


گروه رسانهای پردازش – فرآیند ریختهگری پیوسته رایجترین نحوه تولید فولاد است. در سالهای اخیر، بیش از ۹۶ درصد فولاد با فرآیند ریختهگری پیوسته تولید شده است. طیف وسیعی از محصولات مانند اسلبهای نازک، اسلبهای ضخیم یا بیلتها را میتوان با این فرآیند تولید کرد.
یک نمای کلی شماتیک از فرآیند ریختهگری پیوسته درشکل (۱) نشان داده شده است. فلز مذاب از پاتیل به تاندیش منتقل شده و از آنجا به داخل قالب جریان مییابد. قالب با آب خنک گردیده و فلز مذاب در حین حرکت رو به پایین منجمد میشود. فرآیند انجماد از سطح بیرونی رشته شروع میشود. از طریق خنکسازی بیشتر در ناحیه خنککننده ثانویه، تمام فلز مذاب منجمد میشود، بهطوریکه در مشعل برشکاری کاملاً بهصورت جامد شده است. در طی این فرآیند بین قالب و مشعل برشکاری، عیوب سطحی ممکن است رخ دهد. این عیوب برای کیفیت محصول فولادی مضر هستند. اسلبهای بیکیفیت باید تحت عملیات پسفرآوری (برای مثال، با سنگزنی یا رویهبرداری (اسکارفینگ) قرار گیرند. پسفرآوری هزینهها را بالا میبرد و وزن محصول نهایی را کاهش میدهد.اگر کیفیت یک اسلب خیلی پایین باشد، باید اسقاط (قراضه) شود.

برای پیشبینی و جلوگیری از بروز عیب، اپلیکیشن یا برنامه کاربردی “Cracks Preventer” توسعه داده شده است کهعیوب سطحی را قبل از وقوع پیشبینی میکند. از سیگنالهای قالب، منطقه خنککننده ثانویه و پایگاه داده L2 (سطح ۲ اتوماسیون) برای پیشبینی عیوب استفاده میکند.با پیشنهاد اقدامات مقابلهای مناسب، میتوان از عیوب جلوگیری کرد. این کار، از اپراتورها در تولید محصولات باکیفیت بالا حمایت میکند و منتج به عملیات پسفرآوری کمتر و اسقاط کمتر اسلبها و در نهایت کاهش هزینههای تولید و انتشار کمتر CO۲ میشود.
رویکردهای کلاسیک برای تشخیص عیب در ریختهگری پیوسته
عیوب ریختهگری از قبیلترکهای طولیمیتوانند کیفیت اسلب را کاهش دهند یا به بیرونزدگی مذاب از رشته در حال ریختهگری (بریکوت) منجر شوند.برای شناسایی این عیوب ریختهگری،در کارهای قبلی تلاش زیادیبرای یافتنراهحلهاییصورت گرفته است که بتواندآن عیوب را شناسایی و از آنها جلوگیری کند. بخش زیر یک دید کلی در مورد آخرین وضعیت پیشرفت در تشخیص عیب ارائه میدهد.

در تحقیق Liu و همکاران، یک میدان (فیلد) دما بر اساس سیگنالهای دمای اندازهگیری شده از سیستم پایش دما تهیه شد.تجسم میدان دما توسط ترموگراف دما درشکل (۲) نشان داده شده است.
میدانهای دمااز درونیابیبین ترموکوپلهای منفرد حاصل میشوند. ترموگراف دماامکان تشخیص بصری یک ترک طولیرا با تعیین تفاوت دمای بین ترموکوپلها فراهم میسازد. به این منظور، اختلاف دمای فعلی با استفاده از معادله (۱) محاسبه میشود:
(معادله۱) D![x, y] = T![x, y] − T”[x, y]

اگر موارد غیرعادیمانند ترک طولی رخ دهد،ترموگراف پنجرهای با دماهای منفی را نشان میدهد.این موضوع با ارائهمثالی درشکل (۳)نشان داده شده است.

با کمک یکالگوریتم فرآوری تصویر کامپیوتری، تشکیل و تغییر مکان یک ترک طولیدر ترموگراف ثبت میشود. به این منظور نواحی غیرعادیبا استفاده از الگوریتم بخشبندی از نواحی عادی جدا میشوند.بر اساسمناطق بخشبندی شده،ویژگیهای ترکطولی استخراج شده وبا ویژگیهای یک فرآیند تولیدثابت (برای مثال، سرعت ریختهگری ثابت) وویژگیهای یک فرآیندتولید غیرثابت (مانند کاهش دادن سرعت ریختگی)ترکیب میشوند. نتیجه این است که ترکهای طولیالگوی خاص خود را دارند (شکل۳)، که به این معنی است که این نوع عیب را میتوان با اطمینان نسبی تشخیص داد.
یکی دیگر از روشهای کلاسیک تشخیص ترکهای طولی، استفاده از تجزیه و تحلیل جزء اصلی بر اساس تحقیق Lieftucht و همکاران است. در اینجا، دماهای اندازهگیری شده از سیستم پایش قالب که برای مثال توسط ترموکوپلها تعیین میشوند، مورد استفاده قرار میگیرند.فرض بر این است، ترکهای طولیبا الگوهای دما بیان میشوندکه صورت نشان دادهشده در شکل (۴)را دارند.

شکل (۵) نمودار جریان مدل را برای تشخیص ترک طولی با استفاده از تجزیه و تحلیل جزء اصلی را نشان میدهد. اولین مرحله فیلتر کردن سیگنالها است. در این زمینه،تنها حالتهای فرآیند ثابت انتخاب میشوند.این بدان معنی است که حالتهایی مانند شروع ریختهگری و پایان آن نادیده گرفته میشوند و در معرض تجزیه و تحلیل جزء اصلی قرار نمیگیرند. این مرحلهنتایج اندازهگیریاشتباهیرا کهبرای مثال توسط ترموکوپلهای معیوبایجاد میشود،پاک میکند.
در مرحله دوم، تجزیه و تحلیل جزء اصلی بر روی دادههای آموزشی اعمال میشود که شامل سیگنالهای ترموکوپل نرمال شده است. نتیجه این تجزیه و تحلیل جزء اصلی بردارهای ویژه غیرهمبسته است که واریانس در مجموعه دادههای آموزشی (دادههای آموزشی برای آموزش الگوریتم یادگیری ماشین استفاده میشود که باید نشاندهنده دادههایی باشد که الگوریتم در دنیای واقعی با آن مواجه میشود.) را نشان میدهد. با اعمال تجزیه و تحلیل جزء اصلی برای دادههای جدید، مقایسه واریانسها امکانپذیر است. این مقایسه پیشبینیهایی را امکانپذیر میکند که آیا یک ترک طولی رخ میدهد یا خیر. در مرحله سوم و چهارم، از تجزیه و تحلیل گرادیاندماهای ترموکوپل برایتعیین نوع ناهنجاری و محل آن استفاده میشود.
رویکردهای ذکر شده در بالا فقط یک منبع داده را در یک زمان در نظر میگیرند. رویکرد اول توزیع دما را درحالیکه رویکرد دوم دمای ترموکوپل را درنظر میگیرد. اما، دلایل مختلفی برای شکلگیری عیوب ریختهگری وجود دارد. بررسی این موضوع نیاز به رویکردی دارد که بتواند منابع دادههای مختلفمانند دادههای سری زمانیرا برای دادههای حسگرو دادههای اسکالربرای ترکیبات شیمیایی یا گریدهای فولاد درنظر گیرد. رویکردهای شرح داده شده در بالا نه منابع دادههای مختلف را درنظر میگیرند و نه میتوانند علل را تعیین کنند.
روششناسی
معماری محصول
Cracks Preventer از چند جزء تشکیل شده است (شکل ۶):

این شیوه سیستمهای اتوماسیون (“بارگذار داده”)را با “مدلهای هوش مصنوعی” (تشخیص عیب، “توضیحدهنده مدل”) و “سیستمهای خبره” (اقدامات مقابلهای) ترکیب میکند. جریان برنامه به شرح زیر است:
دادههای سیستم اتوماسیون مشتری (برای مثال، سطح (۱) یا سطح (۲))در “بارگذار دادهها”، جایی که در آن ذخیره میگردند بارگذاری میشوند. “بارگذار دادهها” دادهها را برای آموزش و محیطهای تولید فراهم میکند.
هر بار که یک عیب شناسایی میشود، نوع عیب و احتمال آن به همراه دادههای سیگنال مربوطه به “توضیحدهنده مدل” ارسال میشود. “توضیحدهنده مدل” برای هر عیب سیگنالهایی را که بیشترین تأثیر را بر احتمال عیب دارند شناسایی میکند. بنابراین، یک رتبهبندی سیگنال برای هر عیب منفردی که مدل پیشبینی میکند ایجاد میشود.
این رتبهبندی سیگنال به همراه نوع عیب به “سیستم خبره” که دانش متالورژی در آنجا ذخیره میشود ارسال میگردد. با این کار مکانیزم منجر به آن عیب خاص را از سیگنالهای نوع عیب و تأثیرگذار استخراج میکند. با شناخت مکانیزمهای منجر به این عیب، میتوان اقدامات مقابلهای مناسبی را پیشنهاد کرد.
نتایج (نوع عیب، رتبهبندی سیگنال، مقادیر سیگنالها، اقدامات مقابلهای و…) به نتایج نهایی برنامه کاربردی ارسال شده و در آنجا نمایش داده میشوند. اپراتورهای ماشین ریختهگری پیوسته میتوانند نتایج نهایی را روی صفحهای در اتاق کنترل مشاهده کنند.مقادیر نتیجههمچنین میتواند به سیستم اتوماسیون مشتریوارد شود تا بهطور خودکار اقدامات مقابلهایرا آغاز کند.علاوه بر این، گزارشهای با قابلیت چیدمان را میتوان از نتایج نهایی بارگیری کرد.
Cracks Preventer را میتوان در فضای ابری یا در محل کارخانه (داخلی) مستقر کرد. نتایج نهایی معمولاً در اتاق کنترل بر روی صفحه مانیتور نمایش داده میشود. تنها مورد نیاز اتصال به سیستمهای پشتیبان (back-end) و صفحه نمایشی است که بتوان نتایج نهایی را در نرمافزار مرورگر استاندارد نشان داد.
“مدل هوش مصنوعی” انواع مختلف دادهها را جذب میکند، شامل:
سیگنالها از مکانهای مختلف در کارخانه منشأ میگیرند (پاتیل، قالب، منطقه خنککننده ثانویه، سیستم بازرسی سطح، و…)، به شکل (۱) مراجعه کنید. یک عیب تنها میتواند توسط سیستم بازرسی سطح بر روی کلاف نورد شده در پایان فرآیند شناسایی شود.تاریخچهعیب مهم است زیراموقعیت یک عیب شناسایی شده بر روی کلافباید متناظر باموقعیت آن بر روی اسلبو زمانهای ثبت شده مربوطه در زمان قرار داشتن این موقعیت در قالب و منطقه خنککننده ثانویه باشد. با انجام عملیات نورد، برشکاری و سایر مراحل فرآوری، این کار میتواند بسیار چالش برانگیز باشد. در قالب و منطقه خنککننده ثانویه، سیگنالها معمولا دارای زمانهای ثبت شدههستند. اما، موقعیت بر روی رشته معیوب ابتدا از قالب و سپس از منطقه خنککننده ثانویه عبور میکند. تفاوت زمانی بیناین دو موقعیت بایدبا استفاده ازسرعت ریختهگری درنظر گرفته شود تا فقط از سیگنالهای مرتبط با موقعیت معیوب روی رشته استفاده شوند.
اطلاعات سیستم بازرسی سطح میتواند تنها چند هفته یا چند ماه پس از تولید اسلبها در دسترس باشد زیرا ممکن است اسلبها انبار شده و بعداً به کلاف تبدیل شوند.برنامه کاربردیCracks Preventer میتواندتعدادی عیوب سطحی مختلف مانندسوراخها یاترکها راپیشبینی کند. هرگونه عیبی که توسط سیستم بازرسی سطحی تشخیص داده شود توسط Cracks Preventer نیز قابل پیشبینی است.پیشبینی در دو زمان مختلف در طی تولید انجام میشود. اولین پیشبینی بسته به عیب و منطقه وقوع آن در نقطهای بین قالب و منطقه خنککننده ثانویه صورت میگیرد. هر عیب ناحیه منشا متفاوتی دارد. این پیشبینی یک قسمت از پیش تعیینشده رشته را پوشش میدهد و هرگونه عیب حادث در این قسمت را پیشبینی میکند.این کار بهصورتدورهای بافاصله زمانی سفارشی انجام میشود.این روش تضمین میکند که عیوب در مراحل اولیه فرآیند شناسایی شده و میتوان اقدامات مقابلهای مناسب را در مورد آنها انجام داد.این اقدامات مقابلهای میتواندبر قسمتهای بعدی رشته(برای هرگونه اقدام مقابلهای اتخاذشده در قالب یا منطقه خنککننده ثانویه) یا بر ذوبهای بعدی (برای اقدامات مقابلهای اتخاذشده در کوره پاتیلی یا گاززدا) تأثیر بگذارد.پیشبینی دوم پس ازبرشکاری اسلب انجام میشود کهآیا درهیچ قسمتی از کل اسلب عیب وجوددارد یا خیر.سپس میتوان از این اطلاعات برای تعیین اینکه آیا اسلب باید قبل از نورد برای فرآوری بیشتر مانند رویهبرداری یا سنگزنی فرستاده شود، استفاده میشود.
مدل یادگیری عمیق
سیگنالهای مورد استفاده برای پیشبینی عیوب شامل سیگنالهای سری زمانی و سیگنالهای سری غیرزمانی هستند.بنابراین، از یک مدل ترکیبیاستفاده میشود کهمیتواند از هر دو نوع داده استفاده کند.نمونههایی از اینمدلها شبکههای حافظه کوتاهمدت طویل (LSTM)، واحدهای بازگشتی دروازهای (GRU) یا شبکههای عصبی پیچشی (CNN) هستند. آنها به کلاس مدلهای یادگیری عمیق تعلق دارند. مدلهای یادگیری عمیق معمولاً دارای تعداد زیادی لایه هستند کهآنها را قادر میسازد تاروابط پیچیده بین دادههای ورودی و خروجیها رایادگیری کنند.
LSTMها و GRUها متعلق به کلاس شبکههای عصبیبازگشتی (RNN) هستند.آنها بهطور خاصبرای مشکلاتیطراحی شدهاند که در آن ورودی فعلی به ورودی قبلی متکی است. LSTMها در مقایسه با سایر شبکهها، زمان آموزش طولانیتری دارند و به حافظه بیشتری برای آموزش نیاز دارند. آموزش GRUها سریعتر از LSTMهاصورت میگیرد زیرا دروازههای داخلی کمتری دارند. اشکال آنها این است که در کارهایی که نیاز به روابط از راه دور دارند خوب کار نمیکنند. تفسیر هر دو LSTM و GRU دشوار است، زیرا دارای حالتهای داخلی هستند. تفسیر CNNها آسانتر و آموزش آن سریعتر از RNNها است. از سه نوع مدل آزمایش شده بر روی مجموعه دادههای موجود، از نظر عملکرد مدل آنها بهترین عملکرد را داشت. بنابراین، CNN برای پیشبینی عیب انتخاب شد.
CNNها از چند لایه تشکیل شدهاند. هر لایه چند هایپرپارامتر دارد. تعداد لایهها و همچنین هایپرپارامترهای لایهها را میتوان برای تغییر معماری مدل تنظیم کرد.لایهها را میتوان به عنوان آجرهایی درنظر گرفت کهمیتوان آنها را به صورت جداگانه چید. آجرها را میتوان به مدل اضافه کرد (برای مثال، یک لایه جدید برای سیگنالهای سری زمانی) یا از آن حذف کرد تا معماری مدل را تغییر دهد. بر اساس دانش متالورژی، سیگنالها را میتوان به راحتی به مدل اضافه یا از آن حذف کرد. این ابزار همچنین امکان چرخههای آزمایشی کوتاه را بدون نیاز به تغییر بخشهای بزرگی از محیط آموزش فراهم میکند.
دادههای سری زمانی به پنجرههای زمانی با طول ثابت تقسیم میشوند. طول پنجره زمانی برای سیگنالهای گوناگون میتواند متفاوت باشد. برای دادههای آموزشی، پنجرههای زمانی سیگنالها میتوانند همپوشانی داشته باشند، همانطورکه درشکل (۷)نشان داده شده است. بنابراین، دادههای آموزشی بیشتری را میتوان ایجاد کرد. فرکانس نمونهبرداری برای سیگنالهای مختلف نیز میتواند متفاوت باشد. درحالیکه سطح قالب ممکن است با فرکانس بالا نمونهبرداری شود، سرعت ریختهگری میتواند با فرکانس پایینتر (یا برعکس) نمونهبرداری شود. طول پنجرههای زمانی پارامتر مهمی برای دقت پیشبینی است و در طی آموزش مدل تنظیم میشود. اگر پنجرهها خیلی کوچک باشند، نواحی پیشبینیکننده سیگنالها مفقود میشوند. اگر پنجرهها خیلی بزرگ باشند، اغتشاش (نویز) زیادی در سیگنالها وجود دارد.

دادهها به سه مجموعه تقسیم میشوند: مجموعههای آموزشی، توسعهای (اعتبارسنجی) و آزمایشی. مجموعه آموزشی برای تناسب وزنها و پارامترهای مدل استفاده میشود. در طی آموزش، از مجموعه توسعهای برای بهینهسازی این وزنها و پارامترها استفاده میشود. پس از پایان آموزش، از مجموعه آزمایشی برای بررسی میزان تعمیم مدل به دادههای دیده نشده استفاده میشود.
برای سیگنالهای سری زمانی، ترتیب سیگنالهای ورودی مهم است و نمیتوان آنها را بهطور تصادفی باهم مخلوط کرد. به خصوص، دادههای یک ذوب نمیتوانند در دو مجموعه مختلف وجود داشته باشند. این امر عملکرد مدل را بهمیزان زیادی بیش از حد برآورد میکند زیرا الگوریتم، هر ذوب را به حافظه میسپارد.
خروجی مدل یادگیری ماشینیک مقدار احتمالبین صفر و یک است کهمیزان احتمال وقوع عیب را توصیف میکند. این احتمال باید به نشانهای تبدیل شود که تعیین کند آیا یک عیب پیشبینی شده است یا خیر. بنابراین، یک مقدار آستانه تعیین میشود. اگر احتمال عیب بالاتر از مقدار آستانه باشد، عیب پیشبینی میشود. برای احتمالات زیر مقدار آستانه، هیچ عیبی پیشبینی نمیشود.مقدار آستانه مختص مدل است.
مدلهای یادگیری ماشینبر روی دادههای تاریخیکه برچسبهای عیب برای آنها موجود است آموزش داده میشوند.از سنجههای عملکرد کلاسیک برایمشکلات طبقهبندی میتوان برای تعیین کیفیت مدلها استفاده کرد. این موارد شامل ماتریس سردرگمی، صحت، دقت، فراخوانی و نمره F1 است. سنجههای عملکرد سفارشی نیز میتوانند اجرا شوند.