Wykorzystanie głębokiego uczenia do klasyfikacji materiałów stalowych
FraunhoferŁożyska toczne są montowane wszędzie tam, gdzie coś się obraca. Szeroki zakres zastosowań rozciąga się od dużych turbin wiatrowych po małe elektryczne szczoteczki do zębów. Łożyska te, składające się z elementów stalowych, muszą być starannie dobrane i przetestowane pod kątem ich jakości i danego zastosowania. Wielkość ziaren ma kluczowy wpływ na właściwości mechaniczne stali. Do tej pory wielkość mikroskopijnych krystalitów była oceniana przez metalografów za pomocą kontroli wizualnej - metody subiektywnej i podatnej na błędy. Naukowcy z Fraunhofer Institute for Mechanics of Materials IWM we współpracy z Schaeffler Technologies opracowali model głębokiego uczenia się, który umożliwia obiektywną i zautomatyzowaną ocenę i określenie wielkości ziarna.
Materiałem zwykle stosowanym w łożyskach tocznych jest stal utwardzana powierzchniowo wzbogacona węglem. Hartowanie powierzchniowe jest stosowane w celu zapewnienia trwałości materiału, aby zapobiec awariom, zmęczeniu i krytycznemu wzrostowi pęknięć w komponentach z powodu cyklicznego obciążenia, zapobiegając w ten sposób poważnym wypadkom. Krytycznymi cechami mikrostrukturalnymi stopów stali są zazwyczaj wtrącenia niemetaliczne i większe niż przeciętne ziarna. Krystality te powstają podczas procesu produkcji stali i podlegają ciągłym zmianom w całym łańcuchu wartości. Właściwości mechaniczne stali w dużej mierze zależą między innymi od wielkości ziaren. Dlatego też, dla celów kontroli jakości, istotne jest, aby były one rzetelnie oceniane.
Naukowcy z Fraunhofer IWM we Fryburgu w Niemczech we współpracy z Schaeffler Technologies opracowali model głębokiego uczenia się do określania wielkości ziarna stali martenzytycznych i bainitycznych, tj. stali o utwardzonej mikrostrukturze spowodowanej nagłym chłodzeniem. Model ten został zaprojektowany w celu uzupełnienia lub zastąpienia czasochłonnej kontroli wizualnej przeprowadzanej przez wyszkolonych metalografów, którzy do tej pory określali i klasyfikowali wady wizualnie. Szukają oni przede wszystkim większych ziaren i innych wad, ponieważ to właśnie tam prawdopodobieństwo awarii jest największe. Jednakże, jak wykazał międzylaboratoryjny test typu round robin, oceny wielkości ziaren przeprowadzane przez ekspertów różnią się od siebie. Oprócz tego, że klasyfikacja wielkości ziaren jest z natury subiektywna, oceny ekspertów okazały się czasami niedokładne, a tym samym niewystarczająco wiarygodne - szczególnie w zastosowaniach związanych z bezpieczeństwem. Standardowa procedura kontroli jest również podatna na błędy, ponieważ opiera się na małych próbkach, a ze względu na dużą ilość pracy, kontrola całego komponentu jest niewykonalna.
Wysoki stopień automatyzacji, zwiększona dokładność i powtarzalność w wykrywaniu wad
Z drugiej strony, model głębokiego uczenia do określania wielkości ziarna może być wykorzystywany do oceny dowolnie dużych obszarów komponentów i wykazuje wysoką dokładność i idealną powtarzalność. Aby to osiągnąć, modelowi dostarczono dane obrazu, które wcześniej zostały sklasyfikowane przez ekspertów. Te obrazy od partnera przemysłowego zostały wykorzystane do wytrenowania modelu do rozpoznawania i klasyfikowania mikrostruktur w stali. Innowacja polega na tym, że wielkość ziarna może być oceniana w sposób obiektywny i zautomatyzowany. Dane podlegają szumowi adnotacji ze względu na różnice w sposobie oceny wielkości ziaren przez metalografów. Jednak podczas optymalizacji modelu szum, tj. błędna ocena, jest odfiltrowywany. Dzięki ciągłemu otrzymywaniu obrazów z adnotacjami o zawyżonej i zaniżonej wielkości ziarna, model uczy się średniej reprezentacji i jest szkolony w celu pewniejszej oceny mikrostruktur.
MOŻE ZAINTERESUJE CIĘ TAKŻE
– W tym przypadku do szkolenia nie są wymagane ani wyjątkowo czyste dane, ani duże ilości danych – mówi dr Ali Riza Durmaz, naukowiec z Fraunhofer IWM.
Aplikacja internetowa opracowana przez dr Durmaza i jego zespół wizualizuje wyniki. W procesie tym możliwe do wyjaśnienia podejścia sztucznej inteligencji zapewniają większą przejrzystość w procesie podejmowania decyzji przez model.
Im mniejszy rozmiar ziarna, tym mocniejsza stal
Model głębokiego uczenia jest wykorzystywany do klasyfikowania obrazów mikrostruktury do różnych zakresów wielkości ziaren.
– Łożyska toczne muszą spełniać wymagania mikrostrukturalne, co oznacza, że ziarna nie mogą przekraczać określonego rozmiaru. Im mniejszy rozmiar ziarna, tym większa wytrzymałość stali – wyjaśnia Durmaz.
Im większa liczba małych ziaren, tym większa gęstość granic ziaren, tj. powierzchni styku między ziarnami. Wysoka gęstość granic ziaren zapobiega odkształceniom plastycznym elementu nawet przy bardzo dużych obciążeniach. Nawet gdyby materiał uległ niewielkiemu, ale trwałemu odkształceniu, łożysko nie pracowałoby już płynnie, a właściwości cierne uległyby pogorszeniu, podobnie jak wydajność energetyczna.
Oprócz wielkości ziarna, model głębokiego uczenia jest również w stanie rozróżnić stany martenzytyczne i bainityczne, a także różne stopy stali (warianty z rodzin 100Cr6 i C56). Model jest obecnie wdrażany w środowisku przemysłowym Schaeffler Technologies. Zapewnia to partnerowi przemysłowemu system, który może być wykorzystywany w procesach przemysłowych do identyfikacji wad łożysk tocznych w sposób zautomatyzowany i oparty na sztucznej inteligencji, z nieosiągalną wcześniej powtarzalnością. Przepływ pracy, który obejmuje dostosowanie modelu AI do określonych materiałów, połączenie go z przetwarzaniem obrazu i osadzenie modelu w przyjaznych dla użytkownika interfejsach, można łatwo przenieść do innych obszarów zastosowań.
– Nasz model głębokiego uczenia toruje drogę do opartej na sztucznej inteligencji i zautomatyzowanej kwalifikacji, na przykład w każdej sytuacji, w której komponenty o krytycznym znaczeniu dla bezpieczeństwa są poddawane dużym i cyklicznym obciążeniom, takim jak komponenty napędu elektrycznego lub słupek B w pojazdach – podsumowuje Durmaz.
Źródło: Instytut Fraunhofera
