تحول در نگه داری پیش بینانه واحدهای غبارگیر فولادسازی با استفاده از یادگیری عمیق و بینایی ماشین

کنترل گردوغبار ناشی از کوره های قوس یکی از عوامل حیاتی در فرآیند فولادسازی محسوب می شود. با توجه به مقررات زیست محیطی سختگیرانه، یک واحد غبارگیر برای مدیریت آلاینده های خروجی از این کوره ها در مجاورت کارخانجات فولاد مستقر می گردد. با این حال، خرابی فیلترهای مربوط به واحد غبارگیر یک چالش عملیاتی مهم است؛ زیرا نقص حتی یک فیلتر می تواند به خروج گردوغبار از طریق اگزوز کوره ها به محیط زیست و در نتیجه بروز مشکلات زیست محیطی برای شرکت منجر شود. در این پژوهش یک رویکرد نوین برای تشخیص فیلترهای معیوب با استفاده از الگوریتم یولو نسخه ۳ (yolov۳) مورد بررسی قرار گرفته است. داده های ورودی به این الگوریتم به دو روش پیش پردازش شده اند: استفاده از فیلتر سوبل (Sobel) و استفاده از الگوریتم تجزیه حالت تجربی (EMD). فرآیند کار بدین صورت است که ابتدا خروجی هر اگزوز توسط دوربین پردازش شده و با استفاده از الگوریتم yolov۳ وزن های جدید به دست می آید. پس از تشخیص گردوغبار در خروجی، ناحیه ی شامل فیلترها کنترل شده و با سنجش اختلاف هر ناحیه نسبت به تصویر مرجع (قبل از انتشار گرد و غبار)، محل فیلتر معیوب مشخص می گردد. آموزش مدل در دو بستر مختلف انجام شد؛ نخست از محیط دارکنت (Darknet) بر روی گوگل کولب (Google Colab) و سپس از محیط پایتورچ (PyTorch) بر روی سیستم محلی استفاده شد. نتایج نشان داد علاوه بر افزایش سرعت آموزش در نسخه PyTorch، استفاده از فیلتر سوبل عملکرد بهتری نسبت به روش EMD در شناسایی دود دارد. در نهایت این روش می تواند به طور موثر در شناسایی فیلترهای معیوب واحد غبارگیر به کار گرفته شود و موجب کاهش هزینه ها و جلوگیری از آلودگی محیط زیست گردد.

کلیدواژه ها:

الگوریتم yolov۳ ، پردازش تصویر ، شبکه عصبی ، واحد غبارگیر ، تجزیه حالت تجربی ، فیلتر سوبل