Klassifizierung von Metallschrott mittels Deep Learning Methoden

Abstract

Zusammenfassung Der derzeitige Umstieg von Hochöfen auf Elektrolichtbogenöfen (EAF) in der Stahlindustrie setzt voraus, dass Störstoffe, wie etwa Kupfer, bereits in der Aufbereitungsphase aus dem Inputstrom entfernt werden. Dies ist im Fall von Kupfer darin begründet, dass sich Kupfer während der Stahlerzeugung in EAF weder in der Schlackephase noch in der Gasphase anreichert, sondern in der Schmelze verbleibt. Der erhöhte CU-Gehalt führt nach Erstarren zu Spannungen an den Korngrenzen und in weiterer Folge zu Versagen durch Bruch oder Riss während etwaiger Umformprozesse. In diesem Beitrag wird gezeigt, wie kupferhältige Partikel in einer Shredderfraktion mittels Convolutional Neural Networks erkannt werden können. Hierzu wurden 20 CNN-Architekturen auf Basis der erreichbaren Vorhersagegenauigkeit und Inferenzlatenz miteinander verglichen. Auf Basis dieser Metriken wurde die performanteste Architektur ausgewählt und die Inferenzlatenz durch Verschlankung reduziert. Im letzten Schritt wurde die adaptierte Architektur in Inline-Versuchen angewandt, um Kupferpartikel zu erkennen und eine Ausschleusungsmechanik zu steuern.

Bibliographic Information