EXPLOITATION OF THE ELEMENTS OF ARTIFICIAL INTELLIGENCE FOR TIME PREDICTION OF COOLING DOWN METAL SPECIMENS BEFORE FORMING

METAL 2008 13. –15. 5. 2008, Hradec nad Moravicí ___________________________________________________________________________

VYUŽITÍ PRVKŮ UMĚLÉ INTELIGENCE PRO PREDIKCI ČASU CHLADNUTÍ KOVOVÝCH VZORKŮ PŘED TVÁŘENÍM. EXPLOITATION OF THE ELEMENTS OF ARTIFICIAL INTELLIGENCE FOR TIME PREDICTION OF COOLING DOWN METAL SPECIMENS BEFORE FORMING. Milan Hegera Jiří Franzb Ivo Špičkac a

VŠB – TU OSTRAVA., Tř. 17. listopadu 15, 708 33 Ostrava - Poruba, ČR, [email protected] b AutoCont CZ as., Nemocniční 12, 702 00 Ostrava, ČR, [email protected] c VŠB – TU OSTRAVA., Tř. 17. listopadu 15, 708 33 Ostrava - Poruba, ČR, [email protected]

Abstrakt V laboratořích ústavu modelování a řízení tvářecích pochodů na VŠB - Technické univerzitě Ostrava je často nutné ochladit povrch vzorků před vlastním válcováním na předem definovanou teplotu. Vzorky jsou poměrně malých rozměrů, a proto velmi rychle chladnou. Manipulace s nimi, od pece až po válce stolice, musí být přesně načasovaná. K určení doby potřebné pro dosažení předem definované teploty vzorků různých geometrických rozměrů a chemického složení mohou být úspěšně využity umělé neuronové sítě. Cílem je co nejpřesněji predikovat čas chlazení v závislosti na parametrech vzorků a žádané teplotě jejich povrchů. Pro získání informací o chladnutí vzorků je nezbytné provést sadu měření. Měření by měla obsahovat nejpoužívanější tvary vzorků dané značky. Výsledkem měření jsou teplotní křivky chladnutí povrchu vzorků v čase, které jsou získány měřičem teploty s kontinuální registrací. Z porovnání naměřených hodnot lze konstatovat, že grafické průběhy vzorků stejných značek jsou s dostatečnou přesností geometricky podobné. Lze tedy určit koeficient časové transformace pro každý typ vzorku tak, aby se průběhy pro všechny typy vzorků prakticky shodovaly. Vztah mezi rozměry vzorku a koeficientem časové transformace lze získat z naměřených dat s využitím umělé neuronové sítě. Neuronová síť se naučí koeficient určovat z trénovací množiny, kde vstupem jsou rozměry měřených vzorků a výstupem odpovídající koeficient určený analýzou grafických průběhů chladnutí. Naučená neuronová síť pak díky své vlastnosti zevšeobecnění odhaduje koeficienty časové transformace i pro případy, které neobsahovala trénovací množina. Zpětnou časovou transformací pak získáme pravděpodobný průběh křivky chladnutí sledovaného vzorku, a tím i okamžik, ve kterém je dosaženo požadované teploty jeho povrchu. Abstract In laboratories of Institute of Modeling and Control of Forming Processes at VŠB – Technical University is often necessary to cool down the surface of specimens before rolling process to predefined temperature. Specimens are very small and that is why they cool down very quickly. Handling with them has to be exactly timed. For estimation of the time period which is necessary for achievement predefined temperature of specimens which vary in geometric shape as well as chemical composition, neural networks can be effectively

1

METAL 2008 13. –15. 5. 2008, Hradec nad Moravicí ___________________________________________________________________________ exploited. The result of the measurement generates temperature curves of cooling down the surfaces of specimens in time that are obtained by temperature meter with continuous recording. Based on comparison of measured values can be stated that graphic curves of specimens of the same brand are with the sufficient accuracy geometrically similar. It is accordingly possible to define a factor of time transformation for each kind of the specimen so that the curves for specimens of all kind were practically matched. The relationship between the dimension of the specimen and the factor of time transformation can be obtained from measured set of data with exploitation of artificial neural network. Learned neural network then thanks to its feature to generalize estimates factors of time transformation even for the cases that were not included in a trained data set. By backward time transformation is then possible to obtain probable cooling down curve flow of the monitored specimen and thereby also the moment in which its desired surface temperature is achieved. 1. ÚVOD Mezioperace mezi ohřevem a dalším zpracováním, například tvářením, je často doprovázená chladnutím materiálu volně na vzduchu. Rychlost poklesu teploty je tím větší, čím je jeho velikost menší, přičemž zde hraje významnou roli i druh materiálu a jeho tvar. Jsou-li vzorky poměrně malých rozměrů, jak je tomu v případě výzkumu v laboratořích ústavu modelování a řízení tvářecích pochodů na VŠB - Technické univerzitě Ostrava, chladnou tyto velmi rychle a manipulace s nimi, od pece až po válce stolice, musí být přesně načasovaná. K určení doby potřebné pro dosažení předem definované teploty vzorků různých geometrických rozměrů a chemického složení mohou být úspěšně využity umělé neuronové sítě [1],[2],[3],[4]. 2. CHLADNUTÍ VZORKŮ Pro získání informací o chladnutí vzorků je nezbytné provést sadu měření. Měření by měla obsahovat nejpoužívanější tvary vzorků dané značky. Měření byla uskutečněna na 17 vzorcích z materiálu St37 o rozměrech hranolu s konstantní délkou 110 mm, výškách v rozmezí od 2,3 – 19,9 mm a šířkách v rozmezí 19,8 40,2 mm. Pro přehlednost jsou zde uvedeny 4 vzorky následujících parametrů (viz tabulky 1.): vzorek 1 materiál vzorku St37 2,3 mm výška vzorku 35 mm šířka vzorku 110 mm délka vzorku

vzorek 2 St37 4,4 mm 40,1 mm 110 mm

vzorek 3 St37 8,1 mm 40,1 mm 110 mm

vzorek 4 St37 12,1 mm 40,2 mm 110 mm

Tabulka 1. Technické parametry vzorků Table 1. Technical parameters of specimens Výsledkem měření jsou teplotní křivky chladnutí povrchu vzorků v čase, které jsou získány pomocí pyrometru s kontinuální registrací maximální teploty zaměřené části povrchu vzorků. Pro zde uvedené vzorky 1 – 4 jsou zobrazeny průběhy teplot povrchů v čase na obrázku 1. Je zde pozorovatelné pásmo exponenciálního poklesu teplot v čase, pásmo doprovázené fázovými přeměnami a druhé pásmo exponenciálního poklesu teplot v čase.

2

METAL 2008 13. –15. 5. 2008, Hradec nad Moravicí ___________________________________________________________________________

GRAF CHLADNUTÍ VZORKŮ 1200 1100 teplota [st C]

1000 900 800 700 600 1

2

3

4

500 0

50

100

150

200

250

300

čas [s]

Obr. 1. Grafické průběhy teplot povrchů vzorků v čase Fig. 1. Graphic curves of specimen surfaces temperature in time

3. ČASOVÁ TRANSFORMACE KŘIVEK Z porovnání naměřených hodnot lze konstatovat, že grafické průběhy teplot v čase při chladnutí vzorků stejných značek jsou s dostatečnou přesností geometricky podobné. Pokud bychom pouze matematicky provedli prodloužení doby chladnutí vzorků 1 – 3 na dobu shodnou s dobou chladnutí vzorku 4, mohli bychom porovnat podobnost všech 4 křivek. Hovořili bychom pak o časové transformaci, jejímž parametrem je koeficient časové transformace (KCT) pro jednotlivé křivky 1 – 4. Při podobnosti křivek lze tedy určit koeficient časové transformace pro každý typ vzorku tak, aby se průběhy teplot chladnutí pro všechny typy vzorků prakticky shodovaly. Vlastní časová transformace je zobrazena v aplikačním programu pro PC (viz. obrázek 2.). Program načítá ze souboru naměřená data, následně je zpracuje a zobrazí průběhy křivek po časové transformaci pro jednotlivé navolené vzorky. Z obrázku 2. je patrno, že po časové transformaci vykazují všechny čtyři křivky poměrně dobrou shodu. Největší odchylky mezi jednotlivými křivkami můžeme pozorovat v oblasti fázových přeměn. Pro ilustraci byl vytvořen obrázek 3., který představuje zvětšený detail oblasti s největšími odchylkami mezi jednotlivými průběhy. Z obrázku je vidět, že rozdíly mezi maximální a minimální hodnotou jsou menší než 20 0C, což je pro daný účel dostačující.

3

METAL 2008 13. –15. 5. 2008, Hradec nad Moravicí ___________________________________________________________________________

Obr. 2. Průběhy teplot po časové transformaci zobrazené v aplikačním programu Fig. 2. Temperature curves after time transformation visualized in application program

4

3

2 1

Obr. 3. Detail teplotních průběhů Fig. 3. Detail of temperature curves

4

METAL 2008 13. –15. 5. 2008, Hradec nad Moravicí ___________________________________________________________________________ 4. VYUŽITÍ UMĚLÉ NEURONOVÉ SÍTĚ PRO URČENÍ KOEFICIENTU ČASOVÉ TRANSFORMACE Matematickou úpravou délky chladnutí všech vzorků na stanovenou teplotu 550 0C KCT získáme pro každý vzorek, a tedy i různé š rozměry, individuální koeficient časové d transformace. Nyní je cílem určit tento koeficient pro vzorek libovolných rozměrů (v vstupní vrstva - vnitřní vrstva - výstupní vrstva rozmezí rozměrů měřených vzorků). Znalost tohoto koeficientu umožní ze známé Obr. 4. Topologie NS univerzální křivky chladnutí zpětně vypočítat pravděpodobnou křivku chladnutí vzorku Fig. 4. NN topology libovolných rozměrů. K určení koeficientu časové transformace můžeme velmi dobře využít vlastností umělé neuronové sítě, která se z naměřených dat „naučí“, jaká je závislost mezi geometrickými rozměry vzorku a odpovídajícím koeficientu časové transformace a zevšeobecněním této závislosti dokáže určit tento koeficient i pro vzorek, na který nebyla neuronová síť učena. Příklad topologie umělé neuronové sítě je znázorněn na obrázku 4. Na neurony vstupní vrstvy jsou přivedeny geometrické údaje vzorku (v – výška, š – šířka, d – délka). Ve fázi učení jsou tyto údaje známých vzorků doplněny o příslušné koeficienty časové transformace (KCT). Ve fázi vlastní práce neuronové sítě jsou pak přivedeny na neurony vstupní vrstvy geometrické údaje vzorku a na výstupu neuronu ve výstupní vrstvě obdržíme předpokládanou hodnotu KCT. Pro řešení umělé neuronové sítě byl použit program „Neuronek“ [5]. Program využívá pro řešení třívrstvou neuronovou síť s dopředným šířením a se strategií učení „Backpropagation“. Jde tedy o způsob učení s učitelem, kdy pro fázi učení neuronové sítě byla použita data náhodně zvolených 14 vzorků ze všech naměřených 17 vzorků. Kvalita naučení neuronové sítě je mimo jiné závislá na počtu prvků testovací množiny. Proto byla využita data všech měření s výjimkou dat zahrnutých do testovací množiny. Testování neuronové sítě bylo provedeno s daty zbývajících 3 vzorků. Získané KCT byly využity pro porovnání naměřených a vypočítaných křivek chladnutí testovacích vzorků. Chyby mezi změřenými a vypočítanými křivkami s využitím neuronové sítě v tomto případě nepřesáhly hodnotu 15 0C. v

5. ZÁVĚR Z porovnání naměřených a vypočtených křivek chladnutí je patrno, že výpočet KCT s použitím umělých neuronových sítí umožňuje s dobrou přesností predikovat teploty povrchu vzorků během procesu chladnutí. Přesnost predikce je obecně závislá na přesnosti měření teplot vzorků, na počtu a vhodné volbě naměřených vzorků, na způsobu stanovení KCT a na kvalitě naučení umělé neuronové sítě [6]. Článek vynikl v rámci řešení úkolu MSM 6198910015 (MŠMT ČR). LITERATURA 1. HEGER, M.; FRANZ, J. Monitoring of Highly Heated Material Flow forIincreasing Reliability and Quality of Production Control Systems in Metallurgy, 3 th International Carpatian Control Conference – ICCC’2002, Ostrava: VŠB-TU Ostrava, 2002, pp. 341. – 346 5

METAL 2008 13. –15. 5. 2008, Hradec nad Moravicí ___________________________________________________________________________ 2. JANČÍKOVÁ, Z.: Umělé neuronové sítě v materiálovém inženýrství, monografie, GEP ARTS Ostrava, 2006, ISBN 80-248-1174-X 3. JANČÍKOVÁ, Z.: Utilization of Artificial Intelligence Elements for Prediction of of Forge Ingots Defects, In Acta Mechanica Slovaca, 1–A/2007, ročník 11, TU Košice, Slovenská Republika, 2007, ISSN 1335-2393 4. JANČÍKOVÁ, Z.: Investigation of Causes of the Forge Ingots Impaired Formability with Artificial Intelligence Elements Exploitation, In Sborník 8th International Carpatian Control Conference 2007, Štrbské pleso, Slovenská Republika, 2007, ISBN 978-80-8073-758-0. 5. HEGER, M.; DAVID, J. Neuronek – program pro výuku neuronových sítí. In Sborník semináře XXVI. ASŘ 2001 Instrumets and Control, Ostrava, 2001, ISBN 80-7078890-9. 6. HEGER, M.; FRANZ, J.; DAVID, J. Numeric Function Approximation With Utilization of Artificial Intelligence Elements, 4 th International Carpatian Control Conference – ICCC’2003, Košice, 2003, ISBN 80-7099-509-2, pp. 695. – 698

6