Zastosowanie metod sztucznej inteligencji (AI) w procesach produkcji stali

• Autorzy: Frydrych Karol , Tomczak Maciej , Jasiński Jarosław , Papanikolaou Stefanos
• Języki publikacji: PL

Abstrakty

PL

Sztuczna inteligencja jest narzędziem, dla którego wciąż odkrywamy nowe zastosowania. W jaki sposób może wesprzeć procesy produkcji czy też obróbki stali?

Słowa kluczowe

PL

sztuczna inteligencja; AI; defekt; taśma stalowa

• Wydawca: ELAMED Media Group
• Czasopismo: Stal, Metale & Nowe Technologie
• Rocznik: 2023
• Tom: nr 7-8
• Strony: 8--14
• Opis fizyczny: Bibliogr. 20 poz., rys., wykr.

Twórcy

autor

Frydrych Karol

• Centrum Doskonałości NOMATEN, Narodowe Centrum Badań Jądrowych

autor

Tomczak Maciej

• Centrum Doskonałości NOMATEN, Narodowe Centrum Badań Jądrowych

autor

Jasiński Jarosław

• Centrum Doskonałości NOMATEN, Narodowe Centrum Badań Jądrowych

autor

Papanikolaou Stefanos

• Centrum Doskonałości NOMATEN, Narodowe Centrum Badań Jądrowych

Bibliografia

• 1. Frydrych K. et al.: Materials Informatics for Mechanical Deformation: A Review of Applications and Challenges. „Materials”, 2021, vol. 14, 5764.
• 2. Klimpel A.: Sztuczna inteligencja w produkcji spawalniczej. „Stal, Metale i Nowe Technologie”, 2023, 3-4.
• 3. Arinez J.F. et al.: Artificial Intelligence in Advanced Manufacturing: Current Status and Future Outlook. „Journal of Manufacturing Science and Engineering”, 2020, vol. 142, 110804.
• 4. Song K., Yan Y.: A noise robust method based on completed local binary patterns for hot-rolled steel strip surface defects. „Applied Surface Science”, 2013, vol. 285, 858-864.
• 5. Neogi N., Mohanta D.K. and Dutta P.K.: Review of vision-based steel surface inspection systems. „EURASIP Journal of Image and Video Processing”, 2014, vol. 1 (50), 1-19.
• 6. Fang X. et al.: Research Progress of Automated Visual Surface Defect Detection for Industrial Metal Planar Materials. „Sensors”, 2020, vol. 20, 5136.
• 7. http://faculty.neu.edu.cn/songkc/en/zdylm/263265/list/index.htm
• 8. Fu G.: A deep learning Lasers-based approach for fast and robust steel surface defects classification. „Optics and in Engineering”, 2019, vol. 121, 397-405.
• 9. Lee S.Y.: Steel surface defect diagnostics using deep convolutional neural network and class activation map. „Applied Sciences”, 2019, vol. 9, 5449.
• 10. Hao R. et al.: A steel surface defect inspection approach towards smart industrial monitoring. „Journal of Intelligent Manufacturing”, 2021, vol. 32, 1833-1843.
• 11. Villalba-Diez J. et al.: Quantum deep learning for steel industry computer vision quality control. „IFAC PapersOnline”, 2022, vol. 55, 337-342.
• 12. Papanikolaou and Alava: Direct detection of plasticity onset through total-strain profile evolution. „Physical Review Materials”, 2021, vol. 5, 083602.
• 13. Makinen et al.: Detection of the onset of yielding and creep failure from digital image correlation. „Physical Review Materials”, 2022, vol. 6, 103601.
• 14. Karimi et al.: Prediction of steel nanohardness by using graph neural networks on surface polycrystallinity maps. „Scripta Materialia”, 2023, vol. 234, 115559.
• 15. https://arxiv.org/abs/2104.00298
• 16. https://pytorch.org
• 17. Luo Q and He Y.: A cost-effective and automatic surface defect inspection system for hot-rolled flat steel. „Robotics and Computer-Integrated Manufacturing”, 2016, vol. 38, 16-30.
• 18. Carneiro M. et al.: Prediction of mechanical properties of steel tubes using a machine learning approach. „Journal of Materials Engineering and Performance”, 2021, vol. 30, 434-443.
• 19. Henrich et al.: Systematic application of AI to quality optimization from steelmaking to galvanizing. „Digital Transformations”, 2021, vol. 12, 44-50.
• 20. Boto F. et al.: Data driven performace prediction in steel making. „Metals”, 2022, vol. 12, 172.

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).