Анализ и классификация замеров температуры, выполненных в процессе плавки и разливки сплавов с применением нейронных сетей

Рассмотрены вопросы организации мониторинга тепловых режимов выплавки и разливки сплавов для литейных предприятий. Отмечено, что наименее надежным является способ, когда проведение замеров и фиксирование температуры возлагается на рабочего. С другой стороны, полностью автоматический подход не всегда доступен для небольших литейных предприятий. В связи с этим, показана целесообразность применения автоматизированного подхода, при котором проведение замеров возлагается на рабочего, а фиксирование значений производится автоматически. Такой способ предполагает реализацию алгоритма автоматической классификации температурных замеров на основе сквозного массива данных, полученных в производственном потоке. Решение поставленной задачи разделено на три этапа. На первом этапе производится подготовка исходных данных к процессу классификации. На втором этапе решается задача классификации замеров с использованием принципов искусственных нейронных сетей. Анализ результатов работы искусственной нейронной сети показал ее высокую эффективность и степень соответствия результатов анализа с фактической ситуацией на рабочей площадке. Так же отмечается, что применение принципов искусственных нейронных сетей позволяет сделать процесс классификации гибким, благодаря возможности легко дополнить процесс новыми параметрами и нейронами. Заключительным этапом является анализ полученных результатов. Корректно проведенная классификация данных предоставляет возможность не только проводить оценку соблюдения технологической дисциплины на участке, но и улучшить процесс выявления причин образования брака литья. Применение предложенного подхода позволяет снизить влияние человеческого фактора в процессе анализа тепловых режимов плавки и разливки сплавов при минимальных затратах на обеспечение мониторинга плавки.

1. Дубинин Н.П. Стальное литье: Справочник для мастеров литейного производства. – М.: Машгиз, 1961. – 887 с.

2. Campbell J. Complete Casting Handbook: Metal Casting Processes, Techniques and Design. 1st ed. Oxford, UK; Waltham, MA: Butterworth-Heinemann, 2011. – 1220 p.

3. Гиршович Н.Г. Справочник по чугунному литью. – Л.: Машиностроение, 1978. – 758 с.

4. Воронин Ю.Ф., Камаев В.А. Атлас литейных дефектов. Черные сплавы. – М.: Машиностроение-1, 2005. – 328 с.

5. Вологдин В.В., Харазов В.Г. Об измерении высоких температур в литейном и металлургическом производствах // Литейное производство. 2008. № 10. С. 21 – 27.

6. Гордов А.Н. Основы температурных измерений. – М.: Энергоатомиздат, 1992. – 304 с.

7. Childs P.R.N. Practical Temperature Measurement. Elsevier, 2001. – 386 p.

8. Гордеев Ю., Швецов Г., Репин А. Новые технологии контроля параметров металлических расплавов // НМ-оборудование. 2004. № 2. С. 11 – 14.

9. Кропачев Д.Ю., Гришин А.А., Масло А.Д. Способы оперативного измерения температуры расплава металлов на машиностроительных предприятиях // Металлург. 2012. № 6. С. 82 – 83.

10. Чистяков С., Синявин С., Савин А., Киркин Д. Система измерения температуры и окисленности и отбора проб расплавов стали в электросталеплавильной печи через рабочее окно // Современные технологии автоматизации. 2010. № 4. С. 28 – 34.

11. Chertov A.D. Use of artificial intelligence systems in the metallurgical industry (survey) // Metallurgist. 2003. Vol. 47. No. 7. P. 257 – 264.

12. Sizyakin R. etc. Defect detection on videos using neural network // MATEC Web of Conference. 2017. Vol. 132. Article 05014.

13. Ботников С.А., Хлыбов О.С., Костычев А.Н. Разработка модели прогнозирования температуры металла в сталеразливочном и промежуточном ковшах в литейно-прокатном комплексе // Металлург. 2019. № 8. С. 26 – 35.

14. He F. etc. Hybrid model of molten steel temperature prediction based on ladle heat status and artificial neural network // Journal of Iron and Steel Research Int. 2014. Vol. 21. No. 2. P. 181 – 190.

15. Tian H., Mao Z., Wang A. A new incremental learning modeling method based on multiple models for temperature prediction of molten steel in LF // ISIJ International. 2009. Vol. 49. No. 1. P. 58 – 63.

16. Bednaya T.A., Konovalenko S.P. Development of a neural network model for predicting the physical and chemical properties of materials from the technological parameters of their formation // IOP Conference Series: Material Science and Engineering. 2018. Vol. 447. No. 1. Article 012086.

17. Azimi S.M. etc. Advanced steel microstructural classification by deep learning methods // Scientific Reports. 2018. Vol. 8. No. 1. P. 1 – 14.

18. Masci J. etc. Steel defect classification with Max-Pooling Convolutional Neural Networks // The 2012 Int. Joint Conference on Neural Networks (IJCNN). 2012. P. 1 – 6.

19. Трофимов В.Б. Многоструктурный распознаватель поверх- ностных дефектов рельсов // Металлург. 2016. № 4. С. 11 – 16.

20. Sizyakin R., Voronin V., Gapon N. eds. Automatic detection of welding defects using the convolutional neural network // Automated Visual Inspection and Machine Vision III / Beyerer J., Puente León F. eds. Munich, Germany: SPIE, 2019. P. 14.

21. Каллан Р. Основные концепции нейронных сетей. – Москва: Вильямс, 2001. – 288 с.