Jak Amazon SageMaker pomoże hucie na Śląsku przewidywać wady prętów żebrowanych już na etapie walcowania?

Jak Amazon SageMaker przewiduje wady prętów żebrowanych?

SageMaker uczy modele na danych z walcowni i zwraca ryzyko wady dla każdej sztuki lub odcinka w czasie zbliżonym do rzeczywistego.

Platforma łączy przygotowanie danych, trening, wersjonowanie i wdrożenie modeli. Dane z czujników trafiają do magazynu danych. Modele uczą się na historii produkcji i wynikach kontroli jakości. Po wdrożeniu działają jako usługi, które oceniają bieżące sygnały z linii. Wynik to liczba ryzyka, klasa defektu lub tolerancja geometrii. Można pracować w chmurze lub na brzegu sieci, blisko sterowników, co zmniejsza opóźnienia.

Jakie parametry prętów żebrowanych wpływają na defekty?

Kluczowe są skład i temperatura stali, kinematyka walcowania oraz chłodzenie i zużycie narzędzi.

W praktyce modele biorą pod uwagę wiele zmiennych procesowych i jakościowych:

• skład chemiczny wsadu i numer wytopu
• temperatura na wyjściu z pieca, między klatkami i przed chłodzeniem
• prędkości walcowania, naciągi między klatkami, siły i momenty na stojakach
• ciśnienie i wydajność odskalowania wodnego
• przepływ i temperatura wody w strefie chłodzenia i samoodpuszczania
• stan prowadników, osiowanie i wibracje
• zużycie rowków i czas kampanii walców
• średnica, owalizacja, skok i wysokość żeber
• temperatura i warunki chłodzenia na ławie oraz parametry zwijania w kręgi

Jakie dane produkcyjne są potrzebne do modelu?

Potrzebne są zsynchronizowane sygnały procesowe, etykiety jakości z kontroli oraz pełna genealogia materiału.

Skuteczny zestaw danych obejmuje:

• szeregowe dane z SCADA i PLC z time stampem oraz identyfikacją sztuki
• wyniki kontroli jakości online i offline, w tym pomiary geometrii żeber i średnicy
• obrazy i wideo z kamer oraz profile z profilometrów
• oznaczenia wytopu, gatunku, średnicy, passów i kampanii narzędzi
• logi utrzymania ruchu, wymiany narzędzi i przestojów
• przyczyny złomu i reklamacji powiązane z konkretną sztuką
• warunki otoczenia w hali i na chłodzeniu
• harmonogram i parametry przezbrojeń

Jakie czujniki i sygnały warto podłączyć w walcarni?

Sprawdzają się czujniki temperatury, wizja maszynowa, profilometria, prądy wirowe i sygnały z napędów.

W praktyce warto zebrać:

• pirometry i kamery termowizyjne do profilu temperatury
• kamery szybkie do powierzchni, żeber i detekcji pęknięć
• profilometry laserowe 2D i 3D do średnicy, owalizacji i geometrii żeber
• układy prądów wirowych i strumienia magnetycznego do wad powierzchniowych
• czujniki wibracji, momentu i siły z napędów klatek
• przepływomierze i czujniki ciśnienia wody chłodzącej i odskalowaniu
• enkodery prędkości i znacznik pozycji sztuki na linii
• sygnały z PLC i SCADA przez bramkę komunikacyjną

Jakie techniki uczenia maszynowego najlepiej wykrywają defekty?

Dla sygnałów procesowych działają modele drzewiaste i sekwencyjne, dla obrazu sieci konwolucyjne i transformatory.

W zależności od danych stosuje się:

• dla danych tabelarycznych i szeregu czasowego: gradient boosting, lasy losowe, modele liniowe jako punkt odniesienia
• dla sekwencji: LSTM, GRU oraz sieci konwolucyjne czasowe
• dla obrazu i wideo: sieci konwolucyjne do klasyfikacji i segmentacji, a także modele typu transformer
• dla wykrywania anomalii: autoenkodery, Isolation Forest i One-Class SVM
• techniki na nierównowagę klas: ważenie klas, augmentacja i funkcje straty odporne na rzadkie wady
• uczenie aktywne z półautomatycznym etykietowaniem obrazów i sygnałów

SageMaker wspiera te podejścia, automatyzuje trening i dostarcza narzędzia do monitorowania driftu oraz jakości predykcji.

Jak zintegrować predykcję z systemem sterowania zakładem?

Wystawia się usługę predykcji i łączy ją z MES, SCADA i PLC przez bezpieczną bramkę. Reakcje definiuje się jako proste reguły.

Wdrożenie zwykle wygląda tak:

• dane z linii trafiają strumieniem do modułu inferencji w chmurze lub na brzegu
• wynik modelu i klasa wady wracają do SCADA i MES z opóźnieniem rzędu milisekund lub sekund
• bramka OPC UA lub MQTT przekazuje alarm do PLC
• reguły uruchamiają działania, na przykład korektę prędkości, zmianę chłodzenia, zjazd do inspekcji, znakowanie sztuki lub wykluczenie z wysyłki
• MES zapisuje predykcję do genealogi sztuki oraz raportów jakości
• MLOps monitoruje stabilność modelu, drift danych i skuteczność reguł

Jakie korzyści operacyjne daje wykrywanie wad w procesie walcowania?

To niższy udział złomu, stabilniejsza jakość i lepsze decyzje podczas produkcji.

Najczęściej obserwuje się:

• mniej reklamacji i szybkie dojście do przyczyn źródłowych
• krótsze przezbrojenia dzięki wczesnym sygnałom o zużyciu rowków i prowadników
• oszczędność energii przez ograniczenie nieudanych przebiegów
• wyższą dostępność i wskaźnik OEE dzięki planowym interwencjom
• pełną genealogię partii i dokumentację jakości
• większą przewidywalność terminów dostaw prętów żebrowanych na Śląsku i poza regionem

Od czego zacząć wdrożenie predykcyjnego wykrywania wad w hucie?

Od audytu danych i pilota na jednej średnicy oraz wybranym gatunku. Potem skalować na kolejne profile i linie.

Praktyczny plan startu:

• zdefiniuj cel jakościowy i metryki akceptacji, na przykład redukcja złomu o ustalony procent
• zinwentaryzuj czujniki, strumienie danych i dostęp do wyników kontroli
• zacznij od jednej rodziny wyrobu, na przykład B500B w średnicy często walcowanej
• zbuduj zestaw danych z genealogiami i etykietami wad
• opracuj proste modele bazowe i wybierz architekturę docelową
• zaplanuj wdrożenie na brzegu z buforem bezpieczeństwa i trybem cichym
• włącz reguły do SCADA i MES, przetestuj scenariusze reakcji
• rozwiń monitoring MLOps, a po walidacji rozciągnij na kolejne średnice i gatunki