การใช้ “Deep Learning” จำแนกวัสดุเหล็กอย่างแม่นยำ

การใช้ “Deep Learning” จำแนกวัสดุเหล็กอย่างแม่นยำ

อัปเดตล่าสุด 29 พ.ย. 2566
  • Share :
  • 842 Reads   

ตลับลูกปืนถูกติดตั้งทุกที่ที่มีการหมุนเคลื่อนอะไรบางอย่าง การประยุกต์ใช้งานที่หลากหลายตั้งแต่ปีกของกังหันลมขนาดใหญ่จนถึงแปรงสีฟันไฟฟ้าขนาดเล็ก ตลับลูกปืนเหล่านี้ประกอบด้วยองค์ประกอบที่ทำจากเหล็ก ต้องถูกเลือกและทดสอบอย่างรอบคอบโดยคำนึงถึงคุณภาพและการใช้งานที่ต้องการ ผลึกเล็ก ๆ มีผลอย่างมากต่อคุณสมบัติทางกลของเหล็ก จนถึงตอนนี้ ผลึกเล็กเหล่านี้ได้รับการตรวจสอบด้วยสายตาผ่านกล้องจุลทรรศน์โดยนักโลหะวิทยา ซึ่งเป็นวิธีการที่เสี่ยงต่อข้อผิดพลาด

Advertisement

เยอรมนี, 4 ตุลาคม 2023, นักวิจัยสถาบัน Fraunhofer IWM สำหรับกลศาสตร์ของวัสดุ ร่วมกับ Schaeffler Technologies ได้พัฒนาโมเดลการเรียนรู้เชิงลึกที่ช่วยให้สามารถประเมินและกำหนดขนาดเกรนได้อย่างอัตโนมัติและเป็นไปตามวัตถุประสงค์

วัสดุที่มักใช้ทำตลับลูกปืนชนิด Roller bearing คือเหล็กชุบแข็งที่พื้นผิวเสริมด้วยคาร์บอน การชุบแข็งพื้นผิวทำให้วัสดุมีความทนทาน เพื่อป้องกันความเสียหาย ความล้า และการขยายตัวของรอยแตกร้าวที่สำคัญในส่วนประกอบอันเนื่องมาจากการโหลดแบบวนรอบ ดังนั้นจึงหลีกเลี่ยงอุบัติเหตุร้ายแรง

ลักษณะทางโครงสร้างจุลภาคที่สำคัญในโลหะผสมเหล็กโดยทั่วไปคือการเจือปนที่ไม่ใช่โลหะและมีเกรนที่มีขนาดใหญ่กว่าค่าเฉลี่ย ผลึกเหล่านี้เกิดขึ้นในระหว่างกระบวนการผลิตเหล็กและอาจมีการเปลี่ยนแปลงอย่างต่อเนื่องตลอดห่วงโซ่คุณค่า คุณสมบัติทางกลของเหล็กส่วนใหญ่จะถูกกำหนดโดยขนาดเกรน ดังนั้น เพื่อวัตถุประสงค์ในการควบคุมคุณภาพ จึงจำเป็นอย่างยิ่งที่จะต้องมีการประเมินอย่างน่าเชื่อถือ

นักวิจัยที่ Fraunhofer IWM ในเมืองไฟรบูร์ก ได้ร่วมมือกับ Schaeffler Technologies พัฒนาแบบจำลองการเรียนรู้เชิงลึก (Deep Learning) เพื่อกำหนดขนาดเกรนของเหล็กกล้ามาร์เทนซิติกและเหล็กกล้าไบนิติก นั่นคือเหล็กกล้าที่มีโครงสร้างจุลภาคชุบแข็งที่เกิดจากการระบายความร้อนอย่างกะทันหัน ซึ่งออกแบบมาเพื่อเสริมหรือแทนที่การตรวจสอบด้วยสายตาที่ใช้เวลานานโดยช่างโลหะวิทยาที่ผ่านการฝึกอบรม จนถึงขณะนี้ได้พิจารณาและจำแนกข้อบกพร่องด้วยสายตาแล้ว พวกเขามองหาผลึกที่มีขนาดใหญ่กว่าและข้อบกพร่องอื่นเป็นหลัก เนื่องจากนี่คือจุดที่มีโอกาสเกิดความล้มเหลวมากที่สุด

อย่างไรก็ตาม จากการทดสอบแบบเปรียบเทียบผลระหว่างห้องปฏิบัติการ การประเมินขนาดเกรนที่ดำเนินการโดยผู้เชี่ยวชาญนั้นแตกต่างกัน นอกเหนือจากการจำแนกขนาดเกรนที่เป็นอัตวิสัยแล้ว การให้คะแนนของผู้เชี่ยวชาญยังแสดงให้เห็นว่าไม่ถูกต้องในบางครั้ง ดังนั้นจึงไม่มีความน่าเชื่อถือเพียงพอ โดยเฉพาะสำหรับการใช้งานที่เกี่ยวข้องกับความปลอดภัย ขั้นตอนการตรวจสอบมาตรฐานยังมีแนวโน้มที่จะเกิดข้อผิดพลาดได้ เนื่องจากต้องใช้ตัวอย่างขนาดเล็ก และมีปริมาณงานจำนวนมากที่เกี่ยวข้อง การตรวจสอบส่วนประกอบทั้งหมดจึงไม่สามารถทำได้

ระบบอัตโนมัติระดับสูง ปรับปรุงความแม่นยำและความสามารถในการทำซ้ำในการตรวจจับข้อบกพร่อง

โมเดลการเรียนรู้เชิงลึกสำหรับการกำหนดขนาดเกรนสามารถใช้เพื่อประเมินพื้นที่ส่วนประกอบขนาดใหญ่ได้ตามใจ ซึ่งมีความแม่นยำสูงและมีความสามารถในการทำซ้ำได้ เพื่อให้บรรลุเป้าหมายนี้ แบบจำลองจึงได้รับข้อมูลรูปภาพที่ผู้เชี่ยวชาญจัดประเภทไว้ก่อนหน้านี้ รูปภาพจากพันธมิตรในอุตสาหกรรมเหล่านี้ถูกนำมาใช้ในการฝึกแบบจำลองเพื่อจดจำและจำแนกโครงสร้างจุลภาคในเหล็ก

นวัตกรรมนี้สามารถประเมินขนาดเกรนได้โดยอัตโนมัติและแม่นยำได้อย่างสม่ำเสมอ ข้อมูลอาจถูกรบกวนจากคำอธิบายประกอบเนื่องจากความแตกต่างในวิธีที่นักโลหะวิทยาประเมินขนาดเกรน อย่างไรก็ตาม เมื่อปรับโมเดลให้เหมาะสม สัญญาณรบกวน เช่น การประเมินที่ผิดพลาดจะถูกกรองออก ด้วยการรับภาพที่มีคำอธิบายประกอบด้วยขนาดเกรนที่มากเกินไปหรือต่ำเกินไป โมเดลจะเรียนรู้การนำเสนอโดยเฉลี่ย และได้รับการฝึกอบรมให้ประเมินโครงสร้างจุลภาคได้อย่างมั่นใจมากขึ้น 

Dr. Ali Riza Durmaz นักวิทยาศาสตร์จาก Fraunhofer IWM กล่าว “ในกรณีนี้ ไม่จำเป็นต้องมีการจัดระเบียบข้อมูลเป็นพิเศษหรือข้อมูลปริมาณมากสำหรับการฝึกอบรม” เว็บแอปพลิเคชันที่พัฒนาโดย Dr. Durmaz และทีมของเขาแสดงภาพผลลัพธ์ในกระบวนการนี้ แนวทางปัญญาประดิษฐ์ (AI) ที่อธิบายได้ให้ความโปร่งใสมากขึ้นในกระบวนการตัดสินใจของแบบจำลอง

ขนาดเกรนเล็กลง เหล็กก็จะยิ่งแข็งแรงขึ้น

โมเดล Deep Learning ใช้เพื่อจัดประเภทภาพโครงสร้างจุลภาคตามช่วงขนาดเกรนต่าง ๆ “ลูกกลิ้งในตลับลูกปืนต้องเป็นไปตามข้อกำหนดทางโครงสร้างจุลภาค ซึ่งหมายความว่าผลึกเล็ก ๆ เหล่านี้ต้องมีขนาดไม่เกินที่กำหนด ยิ่งขนาดเกรนเล็กลง เหล็กก็จะยิ่งมีความแข็งแรงมากขึ้น” Durmaz อธิบาย ยิ่งขนาดเกรนเล็กมาก ความหนาแน่นของเกรนจะยิ่งมากขึ้น เช่น พื้นผิวสัมผัสระหว่างเกรน ขอบเกรนที่มีความหนาแน่นสูงช่วยป้องกันการเสียรูปเนื่องจากพลาสติกของส่วนประกอบแม้ภายใต้การรับน้ำหนักที่สูงมาก แม้ว่าวัสดุจะมีรูปร่างผิดปกติเล็กน้อยแต่ถาวร ตลับลูกปืนก็จะทำงานไม่ราบรื่นอีกต่อไป และคุณสมบัติการเสียดสีก็จะลดลง เช่นเดียวกับประสิทธิภาพการใช้พลังงาน

นอกจากขนาดเกรนแล้ว โมเดลการเรียนรู้เชิงลึกยังสามารถแยกความแตกต่างระหว่างสถานะของมาร์เทนซิติก (martensitic) และไบนิติก (bainitic) รวมถึงระหว่างโลหะผสมเหล็กที่แตกต่างกัน (ชนิดต่าง ๆ ของตระกูล 100Cr6 และ C56) 

ขณะนี้แบบจำลองนี้กำลังถูกนำไปใช้ในสภาพแวดล้อมทางอุตสาหกรรมของ Schaeffler Technologies สิ่งนี้ทำให้พันธมิตรอุตสาหกรรมมีระบบที่สามารถใช้ในกระบวนการทางอุตสาหกรรมเพื่อระบุข้อบกพร่องในตลับลูกปืนในลักษณะอัตโนมัติและที่ใช้ AI โดยมีความสามารถในการทำซ้ำที่ไม่สามารถบรรลุได้ก่อนหน้านี้ ขั้นตอนการทำงานที่เกี่ยวข้องกับการปรับโมเดล AI ให้เข้ากับวัสดุเฉพาะ การเชื่อมโยงเข้ากับการประมวลผลภาพ และการฝังโมเดลในอินเทอร์เฟซที่ใช้งานง่าย สามารถถ่ายโอนไปยังส่วนอื่น ๆ ของการใช้งานได้อย่างง่ายดาย “โมเดลการเรียนรู้เชิงลึกนี้ปูทางไปสู่คุณสมบัติที่ใช้ AI และอัตโนมัติ เช่นในส่วนประกอบที่มีความสำคัญด้านความปลอดภัยต้องรับภาระสูงและเป็นวงจร อย่างส่วนประกอบของระบบขับเคลื่อนด้วยไฟฟ้า หรือเสา B ในยานพาหนะ” Durmaz สรุป

 

#DeepLearning #MaterialsScience #QualityControl #AIinnovation #IndustryAdvancement #Mreport #ข่าวอุตสาหกรรม

 

ที่มา: Fraunhofer

 

บทความยอดนิยม 10 อันดับ

 

อัปเดตข่าวทุกวันที่นี่ www.mreport.co.th   

Line / Facebook / Twitter / YouTube @MreportTH