Híbrido-Entrada FCN-CNN-SE para Aplicaciones Industriales: Clasificación de Grietas Longitudinales durante el Moldeo Continuo
Autores: Sala, Davi Alberto; Van Yperen-De Deyne, Andy; Mannens, Erik; Jalalvand, Azarakhsh
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
Categoría
Ciencias de los Materiales
Subcategoría
Materiales estructurales
Palabras clave
Aprendizaje automático
Aprendizaje profundo
Señales de termopares
Red Neuronal Convolucional
Bloques de Compresión y Excitación
Detección de defectos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 2
Citaciones: Sin citaciones
En la investigación presentada, se aplicaron métodos de aprendizaje automático para la predicción de grietas longitudinales en los lingotes de acero durante el colado continuo. Empleamos un enfoque de aprendizaje profundo para procesar 68 señales de termopares como una serie temporal multivariante (MTS) junto con 32 características estáticas, que abarcan tanto la composición química como la información del proceso. Nuestro enfoque de aprendizaje profundo integra dos módulos paralelos distintos, seguidos de un bloque de agregación; una Red Neuronal Convolucional (CNN) procesa la MTS de termopares, mientras que en paralelo, los datos estáticos son procesados a través de una Red Totalmente Conectada (FCN). Para mejorar el rendimiento de la CNN, incorporamos dos bloques de Squeeze and Excitation (SE), que actúan como un mecanismo de atención a través de diferentes canales. Al integrar información química con MTS en el sistema de detección, mejoramos el rendimiento de la detección de defectos en un 15% relativamente.
Descripción
En la investigación presentada, se aplicaron métodos de aprendizaje automático para la predicción de grietas longitudinales en los lingotes de acero durante el colado continuo. Empleamos un enfoque de aprendizaje profundo para procesar 68 señales de termopares como una serie temporal multivariante (MTS) junto con 32 características estáticas, que abarcan tanto la composición química como la información del proceso. Nuestro enfoque de aprendizaje profundo integra dos módulos paralelos distintos, seguidos de un bloque de agregación; una Red Neuronal Convolucional (CNN) procesa la MTS de termopares, mientras que en paralelo, los datos estáticos son procesados a través de una Red Totalmente Conectada (FCN). Para mejorar el rendimiento de la CNN, incorporamos dos bloques de Squeeze and Excitation (SE), que actúan como un mecanismo de atención a través de diferentes canales. Al integrar información química con MTS en el sistema de detección, mejoramos el rendimiento de la detección de defectos en un 15% relativamente.