I ricercatori dell’Istituto Fraunhofer, in collaborazione con un partner industriale, hanno sviluppato un modello di deep learning che consente la valutazione e la determinazione oggettiva e automatizzata della dimensione del grano che influenza le proprietà meccaniche dell’acciaio.
I cuscinetti volventi vengono installati ovunque ci sia qualcosa in rotazione: dalle grandi turbine eoliche ai piccoli spazzolini elettrici. Costituiti da componenti in acciaio, devono essere accuratamente selezionati e testati per quanto riguarda la qualità e l’applicazione di destinazione. La dimensione del grano ha un effetto determinante sulle proprietà meccaniche dell’acciaio. I ricercatori dell’Istituto Fraunhofer, in collaborazione con Schaeffler Technologies AG & Co. KG, hanno sviluppato un modello di deep learning che consente la valutazione e la determinazione oggettiva e automatizzata della dimensione del grano.
Dato che il materiale tipicamente utilizzato per i cuscinetti volventi sono gli acciai a tempra superficiale arricchiti con carbonio, il modello sviluppato dai ricercatori tedeschi mira a determinare la dimensione del grano degli acciai martensitici e bainitici, cioè acciai con una microstruttura indurita a causa di un brusco raffreddamento. Lo scopo è integrare o sostituire l’ispezione visiva effettuata da metallografi addestrati che non è sempre affidabile, perché soggettiva e basata su piccoli campioni del componente. Il modello di deep learning, al contrario, può essere impiegato per valutare aree di componenti arbitrariamente grandi e presenta un’elevata precisione.
Il modello è in grado di classificare le immagini della microstruttura in diversi intervalli di dimensioni dei grani: “I cuscinetti volventi devono soddisfare i requisiti microstrutturali, ovvero i grani non devono superare una certa dimensione – spiega il ricercatore Ali Riza Durmaz –. Minore è la dimensione del grano, maggiore è la resistenza dell’acciaio. Maggiore è il numero di piccoli grani, maggiore è la densità dei bordi dei grani, cioè delle superfici di contatto tra i grani. Un’elevata densità dei bordi dei grani impedisce la deformazione plastica del componente anche in caso di carichi molto elevati”. Oltre alla dimensione del grano, il modello è anche in grado di distinguere tra stati martensitico e bainitico e tra diverse leghe di acciaio (varianti delle famiglie 100Cr6 e C56).
Aree d’interesse
Il sistema è attualmente in fase di implementazione nel contesto industriale di Schaeffler Technologies, che ha messo a disposizione dei dati di imaging per addestrare il modello a riconoscere e classificare le microstrutture nell’acciaio. Il flusso di lavoro, che prevede l’adattamento del modello AI a materiali specifici, collegandolo all’elaborazione delle immagini e incorporando il modello in interfacce user friendly, può essere facilmente trasferito ad altre aree di applicazione. “Il nostro progetto apre la strada alla qualificazione automatizzata e basata sull’intelligenza artificiale, ad esempio, in qualsiasi situazione in cui i componenti critici per la sicurezza sono soggetti a carichi elevati e ciclici, come i componenti della trasmissione elettrica o il montante B dei veicoli”, conclude Urmaz.
