От зависимости от человеческого зрения до миллисекундного определения дефектов с помощью ИИ. Круглая непрерывнолитая заготовка большого сечения, являющаяся основной заготовкой для фланцев башен ветрогенераторов и высококачественных подшипников, долгое время проходила контроль внутреннего качества в режиме ручной интерпретации, который был «медленным», «сложным» и «неполным». Теперь объединенная команда Shandong Steel Group и Пекинского университета науки и технологий с помощью модели глубокого обучения ИИ впервые в области обнаружения дефектов в круглых непрерывнолитых заготовках большого сечения добилась высокопроизводительного интеллектуального и точного распознавания пяти типов дефектов, сократив время с нескольких секунд до менее чем 10 миллисекунд, а точность распознавания трещин достигла 95,4%. Соответствующие результаты были опубликованы в авторитетном журнале по металлургии «Steel Research International», где первый автор — участник команды.

«Три большие горы» ручной интерпретации

Круглая непрерывнолитая заготовка большого сечения является основной заготовкой для такого ответственного оборудования, как фланцы башен ветрогенераторов и высококачественные подшипники, и ее внутреннее качество напрямую определяет безопасность эксплуатации и срок службы конечной продукции. Долгое время традиционная технология ручного ультразвукового контроля имела три фундаментальных ограничения:

Сложный сигнал, трудная интерпретация: на круглую непрерывнолитую заготовку большого сечения влияет множество факторов, и традиционный ручной ультразвуковой контроль сталкивается с такими узкими местами, как низкое отношение сигнал/шум и высокое сходство характеристик сигналов различных дефектов.

Неединые стандарты, высокая субъективность: полная зависимость от опыта и зрения контролера легко приводит к пропуску дефектов и ложным заключениям, что является узким местом, сдерживающим высококачественное развитие специальных сталей.

Большие временные затраты, ограниченная производительность: ручное поштучное определение дефектов занимает от нескольких секунд до десятков секунд, и когда производственная линия работает в миллисекундном ритме, ручное определение дефектов становится узким местом.

Открытие новой парадигмы «ИИ-дефектоскопии» миллисекундного уровня

Для решения вышеуказанных проблем исследовательская группа Института цифровых интеллектуальных технологий Исследовательского института Shandong Steel, исходя из производственных потребностей, провела техническое исследование, взяв в качестве объекта непрерывнолитую круглую заготовку из специальной стали S355NL (Q355NE) для фланцев ветрогенераторов, и инновационно предложила классификационную модель глубокого обучения с многомасштабным слиянием признаков и усилением внимания. Эта технология позволила совершить скачкообразный переход от «ручного определения дефектов» к «интеллектуальному распознаванию», а основные технологические инновации проявляются на следующих четырех уровнях:

Многомасштабное слияние признаков, воспроизводящее «пространственно-временную симфонию» ультразвуковых сигналов

Центральная пористость, усадочные раковины, трещины и комбинированные дефекты, возникающие в процессе затвердевания стали, имеют совершенно разные характеристики ультразвукового сигнала с наложенными шумами. Команда, построив многомасштабную структуру сверточной нейронной сети, унифицированно захватывает признаки сигнала во временной области и искажения пространственного распространения, как если бы ИИ был оснащен «микроскопом с разделением фокуса», способным одновременно проводить адаптивный каскадный анализ дефектов разного размера и характеристик сигналов.

Механизм усиления внимания, точно улавливающий «мельчайшие аномалии» подозрительных дефектов

При обработке огромного количества слабых сигналов дефектов традиционные методы склонны к ошибкам и пропускам. Команда инновационно внедрила сетевую структуру с усилением внимания, что позволяет модели при обработке данных сигналов автоматически увеличивать вес внимания к незначительным аномалиям сигнала, синергетически повышая чувствительность распознавания различных типов дефектов. Этот механизм исследовательская группа образно называет «интеллектуальным усилителем» сигналов дефектов.

Точная классификация пяти типов дефектов, шесть ключевых показателей подтверждают внедрение технологии

Проверка на 239 реальных промышленных образцах показала, что общая точность классификации этим методом пяти состояний: центральной пористости, усадочных раковин, трещин, нормы и комбинированных дефектов — достигает 92,3%, при этом точность распознавания трещин еще выше — 95,4%. Еще более впечатляет то, что время одного логического вывода составляет менее 10 миллисекунд, а эффективность контроля примерно в 93,5 раза выше по сравнению с традиционным ручным методом, что полностью удовлетворяет требованиям контроля в реальном времени на промышленных линиях.

Полноценное развертывание от «лаборатории» до «производственной линии»

В настоящее время исследовательская группа уже внедрила этот технический результат на производстве и продолжает оптимизировать адаптивность модели к сложным рабочим условиям. Система контроля с ИИ может, подобно опытному эксперту по качеству, автоматически распознавать дефекты, интеллектуально классифицировать их и автоматически загружать данные, обеспечивая полную автоматизацию процесса от отбора проб до передачи информации, создавая новую модель интеллектуального контроля качества в металлургической промышленности: «миллиметровое распространение, миллисекундное принятие решений».

Преодоление узких мест «высококачественных специальных сталей», расширение новых сценариев металлургического контроля качества

Успешное применение этой технологии является не только техническим прорывом, но и оказывает глубокое влияние на производство высокотехнологичного оборудования и модернизацию металлургической промышленности Китая:

Укрепление «материальной основы» высококачественных подшипников и фланцев ветрогенераторов: срок службы такой продукции с высокой добавленной стоимостью, как фланцы башен ветрогенераторов и высококачественные подшипники, в решающей степени зависит от качества непрерывнолитой круглой заготовки. Система распознавания с ИИ может напрямую встроить точность распознавания трещин до 95,4% в замкнутый производственный цикл, фактически обеспечивая жесткую гарантию «нулевого брака» при проектировании ответственного оборудования.

Создание тиражируемой интеллектуальной парадигмы «ИИ + ультразвуковой контроль» в отрасли: этот результат является первой статьей Исследовательского института Shandong Steel в международном журнале на стыке областей «ИИ + неразрушающий контроль», которая разрушила стереотип о том, что датчики неразрушающего контроля в металлургической промышленности могут интерпретироваться только человеком. Универсальная архитектура распознавания, объединяющая сверточные нейронные сети и механизм усиления внимания, может быть перенесена и применена на других линиях, например, для слябов или квадратных заготовок большого сечения, предоставляя эталонный опыт для интеллектуального управления всем процессом в сталелитейной промышленности.

Возглавление новой волны цифровой трансформации контроля качества: переход от традиционного «постфактум контроля качества» к «управлению в реальном времени, прогнозированию и предотвращению». С развитием периферийных вычислений и технологий 5G в будущем эта система может быть развернута в более широких областях промышленного контроля, таких как горнодобывающая промышленность и контроль специальных труб, позволяя «зоркому глазу» ИИ осветить каждый скрытый уголок обрабатывающей промышленности.