فهرست نشریات علمی دسترسی آزاد ایران

در سال‌های اخیر، افزایش رقابت در صنعت فولاد و ضرورت کاهش هزینه‌ها در کنار بهبود کیفیت، استفاده از فناوری‌های هوشمند مبتنی بر یادگیری عمیق را بیش‌ازپیش ضروری کرده است. یکی از چالش‌های اصلی در این حوزه، کنترل کیفیت محصولات و شناسایی سریع نواقص سطحی است که مستقیماً بر بهره‌وری خطوط تولید و میزان مصرف انرژی اثر می‌گذارد. در این پژوهش یک چارچوب یکپارچه برای کنترل کیفیت و پیش‌بینی مصرف انرژی در فرآیند تولید فولاد ارائه شده است که از ترکیب پردازش تصویر و تحلیل داده‌های حسگری استفاده می‌کند. برای بخش کنترل کیفیت، تصاویر پایگاه داده NEU Surface Defect به‌عنوان داده مرجع به کار گرفته شد و برای بخش انرژی نیز یک مجموعه داده فرآیندی شبیه‌سازی‌شده در محیط صنعتی مورد استفاده قرار گرفت. معماری پیشنهادی شامل یک شبکه چندشاخه‌ای است که در آن شبکه‌ی کانولوشنی (CNN) به‌عنوان استخراج‌کننده ویژگی‌های تصویری و شبکه‌ی LSTM برای مدل‌سازی وابستگی‌های زمانی داده‌های انرژی به کار رفته‌اند. نتایج نشان می‌دهد که مدل پیشنهادی در بخش کنترل کیفیت به دقت 7/98 درصد و امتیاز F1 برابر با 5/98 درصد رسیده و در پیش‌بینی مصرف انرژی نیز به RMSE برابر 082/0 و MAPE معادل 1/2 درصد دست یافته است. این عملکرد نسبت به روش‌های پیشین برتری قابل‌توجهی داشته و منجر به کاهش ضایعات، بهبود دقت تشخیص عیوب و صرفه‌جویی معنادار در مصرف انرژی شده است. چارچوب پیشنهادی می‌تواند به‌عنوان گامی عملی در جهت حرکت به‌سوی تولید سبز و ارتقای پایدار بهره‌وری صنعتی مورد استفاده قرار گیرد.