Искусственный интеллект в металлургии: как его используют для обнаружения дефектов

Глядя на то, как нейросеть активно проникает в промышленность и стремительно учится управлять производством, ненароком вспоминаешь технологическую сингулярность, которую сначала придумали писатели-фантасты, а потом рассчитали учёные. 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.

Как отмечает заместитель министра экономического развития Максим Колесников, ссылаясь на оценки экспертов, в 2023 году нейросети являлись частью уже 50% отечественных предприятий.

Почему? С использованием технологий искусственного интеллекта производственную цепочку можно сделать более прозрачной и эффективной, например с помощью оптимизации режима работы оборудования.

Учёные из Альянса в сфере искусственного интеллекта утверждают, что применение комбинации рекомендательных моделей и цифровой визуализации схемы производства может увеличить маржинальность производства на 10%. Рекомендательные системы также могут помочь в управлении запасами путём контроля ключевых параметров, таких как колебания спроса, маржинальность и издержки хранения. Это позволяет меткомбинатам не только снижать издержки, но и уменьшать затраты на складское хранение.

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.

Рассмотрим последние разработки способов применения искусственного интеллекта в металлургической отрасли для выявления дефектов на металле и техническом оснащении.

На смену дефектоскопу

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.

Одним из примеров внедрения такой технологии поделились представители компании ООО «Норд Клан». Они установили её на заводе компании «ТехноСтиль», который выпускает рулонную сталь. Предприятие нуждалось в способе оперативно и точно выявлять брак на металле, так как прежде заметить прорывы или непроцинковку на полотнах удавалось уже в процессе их окраски. Конечно, приходилось останавливать конвейер, а это немалые потери времени для производства.

Чтобы избежать простоев, на линию по их переработке установили 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.

Кроме того, машинным зрением с прошлого года пользуется Магнитогорский металлургический комбинат. На предприятии внедрили систему, которая умеет не только находить минусы холоднокатаного металлопроката, но и классифицировать их с точностью до 95%.

По словам пресс-службы компании, система использует изображения, полученные камерами, и по ним определяет наличие пороков 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 (MES) для последующего использования в процессе аттестации продукции. Помимо этого, формируется архив дефектов за последние три года. Впечатляет, правда?

Похожую технологию используют для контроля качества металла на непрерывно-травильном агрегате № 4 Череповецкого металлургического комбината (ключевой актив «Северстали»). Там применяется собственная модель компьютерного зрения VERA, которая позволяет вовремя выявлять брак металлопроката.

Нейросеть оценивает качество продукции по двум категориям, таким как перебраковка (как часто модель путает классы дефектов) и недобраковка (как часто модель не обнаруживает их).

Контроль состояния оборудования

Научив ИИ искать дефекты на поверхности стали, учёные пошли дальше и придумали, как с помощью нейросетей предупреждать поломку оборудования. Об этом стало известно буквально несколько дней назад.

Согласно информации с официального сайта искусственного интеллекта РФ, специалисты из Южно-Уральского государственного университета, что находится в Челябинске, разработали систему беспроводной диагностики для проверки исправности прокатных станов на металлургических предприятиях.

По словам директора Научно-исследовательского института опытного машиностроения ЮУрГУ Рамиля Закирова, технологию, основанную на ИИ, уже используют на ММК, где она помогает сотрудникам формировать план ремонтных работ оборудования, при этом исключая внезапный выход техники из строя.

Как отметил г-н Закиров, 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. В сообщении отмечается, что, помимо основных датчиков управления процессами, которые внедряются в оборудование традиционно, специалисты НИИ для получения более точных данных разработали также дополнительные виброакустические контроллеры для измерения теплового потока.

В целом новая технология поможет метзаводам предупреждать остановку производства и вовремя определять проблемы в работе оборудования.

Оценивают прочность

Следующей 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.

Специалисты из Казанского федерального университета добились, чтобы их модель нейросети научилась определять характеристики прочности с точностью до 98%. Кроме того, умение программы делать это всего по двум параметрам, одним из которых является температура стеклования, удивило даже учёных. По словам кандидата физико-математических наук, доцента кафедры вычислительной физики КФУ Булата Галимзянова, у экспертов 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.

Подведём итоги

1. Нейросеть анализирует данные о металле, включая его структуру и характеристики.
2. С помощью обучения на больших объёмах информации ИИ выявляет и классифицирует возможные дефекты.
3. Нейросеть способна автоматически выявлять даже мельчайшие недостатки, которые могут ускользнуть от человеческого глаза.
4. Благодаря нейронным сетям возможно проведение более точных и быстрых проверок качества в настоящем времени.

Со своей стороны, отметим также, что искать дефекты стали по фотографиям (без микроскопа) невероятно сложно! Хотя сотрудники металлургических предприятий занимались этим долгие годы, внедрение ИИ себя вполне оправдывает. «Северсталь» по этому поводу даже подготовила онлайн-тест «Кто найдёт больше дефектов — вы или обученная нейросеть?», в котором предложила пользователям определить наличие и виды брака на поверхности металлопроката, предоставив, таким образом, возможность сравнить потенциал человека и нейросети.