هوش مصنوعی در صنعت فولاد: تحولی در تولید میلگرد و بهینه‌سازی خطوط نورد

در سال‌های اخیر، ورود هوش مصنوعی (AI) و اینترنت اشیاء صنعتی (IIoT) ساختار کارخانجات مدرن فولادسازی را به کلی تغییر داده است. پیاده‌سازی سیستم‌های هوشمند داده‌محور در خطوط تولید میلگرد نه تنها کیفیت ابعادی و متالورژیکی محصول را تضمین می‌کند، بلکه هزینه‌های عملیاتی و توقف‌های پرهزینه خط تولید را به حداقل می‌رساند.

در این مقاله، کاربردهای عملیاتی، متالورژیکی و اقتصادی هوش مصنوعی در صنعت فولاد را در فرایند تولید میلگرد بررسی می‌کنیم.

۱. بهینه‌سازی خواص مکانیکی و کنترل متالورژیکی میلگرد

خواص مکانیکی کلیدی میلگرد مانند مقاومت کششی (Ultimate Tensile Strength)، تنش تسلیم (Yield Strength) و قابلیت انحنا و شکل‌پذیری تحت تأثیر سه فاکتور اساسی تعیین می‌شوند:

1. ترکیب شیمیایی شمش اولیه (میزان کربن، منگنز، سیلیسیم و عناصر آلیاژی)
2. پروفایل دمایی در طول فرایند نورد گرم
3. نرخ و الگوی خنک‌کاری در فرایند ترمکس (QST – Quenched and Self-Tempered)

عملکرد الگوریتم‌های یادگیری ماشین در کنترل فرایند

در خطوط نورد سنتی، اپراتورها بر اساس تجربه و جدول‌های ثابت، سرعت خط یا میزان پاشش آب خنک‌کننده را تنظیم می‌کردند. اما الگوریتم‌های یادگیری ماشین (Machine Learning) به کمک سنسورهای پیرومتر لیزری و حرارتی، دمای شمش را در تمام قفسه‌های نورد به‌صورت آنی رصد می‌کنند.

کنترل دقیق فرایند ترمکس: هوش مصنوعی در صنعت فولاد بر اساس آنالیز کوانتومتری شمش و دمای خروجی از آخرین قفسه نورد، دبی و فشار پاشش آب در لوله‌های خنک‌کننده را در کسر از ثانیه تغییر می‌دهد. این کار باعث ایجاد پوسته سخت مارتنزیتی در سطح و هسته نرم فریت-پرلیتی در مرکز میلگرد می‌شود که بهترین نسبت استحکام به شکل‌پذیری را ایجاد می‌کند.

کاهش تلرانس وزنی و ابعادی: سیستم‌های کنترل پیش‌بینی‌کننده (MPC) با تنظیم فاصله بین غلتک‌ها (Gap Control)، تغییرات قطر و وزن هر متر از میلگرد را در محدوده استاندارد نگه می‌دارند و ضایعات ناشی از انحراف ابعادی را به حداقل می‌رسانند.

۲. نگهداری پیش‌بینی‌کننده و جلوگیری از حادثه کابل (Cobble)

یکی از پرهزینه‌ترین گلوگاه‌ها در کارخانجات نورد گرم، توقف‌های غیرمنتظره (Unplanned Downtime) به دلیل خرابی تجهیزات یا گیر کردن فولاد در خط است.

پدیده کابل (Cobble) چیست و هوش مصنوعی چگونه از آن جلوگیری می‌کند؟

هنگامی که شمش فولادی سرخ‌شده با سرعت بالا (گاهی بیش از ۳۰ متر بر ثانیه) در حال عبور از میان قفسه‌های متوالی نورد است، کوچک‌ترین ناهمخوانی در سرعت غلتک‌ها، عدم ورود درست سر شاخه به راهنماها (Guides) یا نوسان دمایی باعث می‌شود میلگرد از مسیر خود خارج شده و در فضای کارخانه درهم بپیچد. این حادثه که کابل (Cobble) نامیده می‌شود، آسیب شدیدی به تجهیزات وارد کرده و خط تولید را ساعت‌ها متوقف می‌کند.

سیستم‌های مبتنی بر یادگیری عمیق (Deep Learning) با تحلیل هم‌زمان چند کانال داده شامل:

• نوسانات ارتعاشی یاتاقان‌ها و گیربکس‌ها
• میزان جریان مصرفی و گشتاور موتورهای اصلی
• داده‌های تصویری دوربین‌های پرسرعت

می‌توانند علائم اولیه رخ دادن کابل را چند ثانیه قبل از وقوع تشخیص دهند. سیستم بلافاصله با تغییر خودکار سرعت رولرها یا در صورت لزوم، فعال‌سازی قیچی‌های پروانه (Flying Shears) برای برش مقطعی، از بروز حادثه و خسارات چند میلیاردی به قفسه‌ها جلوگیری می‌کند.

۳. بازرسی سطحی خودکار با بینایی ماشین (Computer Vision)

بازرسی دستی یا نمونه‌برداری مقطعی از میلگردهای تولیدشده به دلیل سرعت بالای خط و دمای زیاد محصولات، دقت بالایی ندارد و نمی‌تواند تمام طول شاخه‌ها را پوشش دهد.

تشخیص و طبقه‌بندی آنی عیوب سطحی

امروزه از سیستم‌های بینایی ماشین (Computer Vision) مجهز به الگوریتم‌های پردازش تصویر در انتهای خط نورد استفاده می‌شود. این سیستم‌ها از دوربین‌های خطی (Line-Scan) با نرخ تصویربرداری بسیار بالا و نورپردازی تخصصی LED بهره می‌برند:

• تصویربرداری کامل از سطح میلگرد: ثبت تصاویر دقیق از تمام زاویه‌های سطح میلگرد در حین حرکت.
• شناسایی خودکار عیوب: الگوریتم‌ها توانایی تشخیص انواع عیوب از جمله ترک‌های طولی و عرضی، پوسته پوسته شدن (Lap/Sliver)، فرورفتگی، و عدم شکل‌گیری درست آج‌ها را دارند.
• دسته‌بندی هوشمند کیفیت: سیستم به‌محض مشاهده عیوب بحرانی، شاخه مربوطه را علامت‌گذاری کرده یا دستور جداسازی آن را به اتوماسیون بسته‌بندی ارسال می‌کند تا تنها میلگردهای درجه یک وارد بخش بسته‌بندی شوند.

۴. مدیریت انرژی و کاهش مصارف جانبی در خطوط نورد

تولید فولاد یکی از صنایع انرژی‌بر در جهان است. کوره پیش‌گرم‌کن شمش (Reheating Furnace) بخش عمده‌ای از مصرف گاز و انرژی کارخانه را به خود اختصاص می‌دهد.

الگوریتم‌های هوش مصنوعی در صنعت فولاد با یادگیری الگوی تولید کارخانه و زمان‌بندی ورود شمش‌ها به کوره:

• نرخ سوخت‌رسانی و هوای احتراق را به‌گونه‌ای تنظیم می‌کنند که شمش‌ها بدون اکسیداسیون سطحی زیاد (کاهش تشکیل پوسته اکسیدی یا Scale)، به دمای یکنواخت ۱۱۰۰ تا ۱۲۰۰ درجه سانتی‌گراد برسند.
• این اقدام منجر به کاهش ۵ تا ۱۲ درصدی مصرف گاز و کاهش انتشار گازهای گلخانه‌ای در فرایند تولید می‌شود.

مقایسه خطوط تولید سنتی و خطوط هوشمندسازی‌شده

جمع‌بندی و چشم‌انداز صنعت فولاد

استفاده از هوش مصنوعی در صنعت فولاد در خطوط تولید میلگرد، فراتر از یک تغییر تکنولوژیک ساده است؛ این فناوری به معیاری اصلی برای تعیین سودآوری، کاهش ضایعات و رقابت‌پذیری کارخانجات فولاد تبدیل شده است. کیفیت یکنواخت ساختاری، دوام بالای آج‌ها و تطابق کامل با استانداردهای مهندسی، حاصل یکپارچه‌سازی این سیستم‌های هوشمند در فرایند نورد گرم است.