使用深度學習客觀分類鋼鐵材料
作者：安娜貝爾·泰姆（Anabel Thieme）
編者按：滾珠軸承被廣泛應用於各種需要旋轉的裝置上，從大型風力發電機到小型電動牙刷。這些由鋼鐵元件組成的軸承必須在質量和應用領域上進行仔細選擇和測試。晶粒大小對鋼鐵的機械效能有著至關重要的影響。迄今為止，金相學家透過目視檢查來評估微觀晶粒的大小-這是一種主觀且容易出錯的方法。法國《弗勞恩霍夫機械材料研究所》（Fraunhofer Institute for Mechanics of Materials，IWM）的研究人員與施拉夫勒科技公司合作，開發了一種深度學習模型，使得晶粒大小的評估能夠客觀且自動化地進行。
鋼材中的痕量晶體和晶粒大小
滾珠軸承通常使用表面硬化的碳鋼材料。表面硬化可以使材料耐用，從而防止由於迴圈載荷而導致元件失效、疲勞和致命開裂，從而避免嚴重事故的發生。鋼合金中的關鍵微觀特徵通常是非金屬夾雜物和大於平均值的晶粒。這些晶粒在鋼鐵的生產過程中形成，並在價值鏈的各個環節中不斷變化。鋼鐵的機械效能很大程度上是由晶粒大小等因素決定的。因此為了進行質量控制，可靠地評估晶粒大小至關重要。
深度學習模型的可靠性和精度
弗勞恩霍夫機械材料研究所的研究人員與施拉夫勒科技公司合作，開發了一種深度學習模型，用於確保馬氏體和貝氏體鋼的晶粒大小。這種模型旨在補充或替代經過時間長且繁瑣的人工金相學家視覺檢查，金相學家到當前為止一直是透過目視檢查來確保和分類缺陷的。金相學家主要檢測較大的晶粒和其他缺陷，因為這些地方失效的可能性最大。然而根據一項試驗顯示，由專家進行的晶粒大小評估存在差異。此外由於樣本較小且涉及的工作量較大，標準檢驗程式也容易出錯，無法對整個元件進行檢測。
相比之下，晶粒大小確保的深度學習模型可以用於評估任意大的元件區域，並表現出高準確性和理想的可重複性。為了實現這一目標，研究人員使用由專家分類的影象資料來訓練模型，以便模型能夠識別和分類鋼鐵中的微觀結構。在這裡的創新之處在於晶粒大小可以以一致客觀且自動化的方式進行評估。在最佳化模型時，透過不斷接受帶有晶粒大小過大或過小的標註圖片，模型學會了平均表示並訓練出更自信地評估微觀結構的能力。"在這種情況下，訓練所需的資料既不需要非常乾淨，也不需要大量的資料"，弗勞恩霍夫機械材料研究所的科學家阿裏·裏扎·杜爾馬茲博士說道。他和他的團隊還開發了一個網路應用程式來將模型的結果視覺化。在此過程中，採用可解釋的人工智慧方法，以提高模型決策過程的透明度。
晶粒大小的意義
深度學習模型用於將微觀結構影象分類到不同的晶粒大小範圍中。杜爾馬茲解釋說："滾珠軸承必須滿足微觀結構的要求，也就是說晶粒的大小不能超過一定的約束。晶粒大小越小，鋼材的強度就越大。"小晶粒的數量越多，晶界的密度就越高，也就是晶粒之間的接觸表面。高密度的晶界可以防止在極高載荷下元件的塑性變形。即使材料稍微但是永久性地變形，軸承也將無法平穩運轉，摩擦效能和能源效率也將受到損害。
應用和可擴充套件性
除了晶粒大小之外，深度學習模型還能夠區分馬氏體和貝氏體狀態以及不同的鋼鐵合金（如 100Cr6 和 C56 家族的變體）。該模型當前正在施拉夫勒科技公司的工業應用中進行實現，從而為該行業合作夥伴提供了一種以人工智慧為基礎並具有無法企及的可重復性的工業流程中用於檢測滾珠軸承缺陷的系統。該工作流程涉及將 AI 模型適應於特定材料、與影像處理相結合並將模型嵌入使用者友好的介面。該過程可以輕鬆運用到其他應用領域。杜爾馬茲博士總結道："我們的深度學習模型為基於人工智慧的自動鑒定鋼材資格開啟了一扇大門，例如，任何在高迴圈負載下經受安全性關鍵部件 ，如電動驅動部件或車輛的 B 柱"."
提供：Fraunhofer-Gesellschaft
引用：使用深度學習客觀分類鋼鐵材料 (2023 年 10 月 4 日) 檢索自 https://techxplore.com/news/2023-10-deep-steel-materials.html
