تحول در نگه‌داری پیش‌بینانه واحدهای غبارگیر فولادسازی با استفاده از یادگیری عمیق و بینایی ماشین

کنترل‌ گرد‌و‌غبار ناشی‌ از کوره‌های‌ قوس، یکی‌ از عوامل حیاتی در فرآیند‌ فولادسازی‌ محسوب. با توجه‌ به‌ مقررات زیست‌محیطی سختگیرانه‌، یک‌ واحد غبارگیر برای مدیریت آلاینده‌های خروجی از این کوره‌ها در مجاورت کارخانجات فولاد مستقر می‌گردد. با این حال، خرابی فیلترهای‌ مربوط‌ به‌ واحد غبارگیر، یک چالش عملیاتی مهم است؛ زیرا نقص حتی‌ یک‌ فیلتر می‌تواند به‌ خروج‌ گرد‌و‌غبار از طریق اگزوز کوره‌ها‌ به‌ محیط‌زیست‌ و در نتیجه بروز مشکلات‌ زیست‌محیطی‌ برای‌ شرکت‌ شود. در این‌ پژوهش‌، یک رویکرد نوین برای تشخیص فیلترهای معیوب با استفاده از الگوریتم یولو نسخه 3‌ (yolov3) مورد بررسی قرار گرفته است. داده‌های ورودی به این الگوریتم به دو روش پیش‌پردازش شده‌اند: 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 yolov3، وزن‌های‌ جدید به‌‌دست‌ می‌آید. پس از تشخیص‌ گرد‌و‌غبار در خروجی، ناحیه‌ی شامل‌ فیلترها کنترل‌ شده و با سنجش اختلاف‌ هر ناحیه‌ نسبت به تصویر مرجع (قبل از انتشار گرد و غبار)، محل‌ فیلتر معیوب‌ مشخص‌ می‌گردد. 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 می‌تواند به‌طور موثر در شناسایی فیلترهای معیوب واحد غبارگیر به‌کار گرفته شود و موجب کاهش هزینه‌ها و جلوگیری از آلودگی محیط‌زیست گردد.