Neues Deep‑Learning erkennt Schmelzflüssigkeit in Stahlwerken mit 99 % Genauigkeit

In der Stahlindustrie können Fehler beim Gießprozess zu erheblichen finanziellen Verlusten führen. Ein neues Verfahren nutzt Vibrationen, die in einer Stahlgießerei aufgezeichnet werden, um die verschiedenen Phasen des Schmelzflusses präzise zu erkennen.

Das Verfahren kombiniert ein eindimensionales Convolutional Neural Network (CNN) mit Long‑Short‑Term‑Memory‑(LSTM)‑Schichten. Durch die Verarbeitung roher Zeit‑Domain‑Signale von Beschleunigungssensoren und die Anwendung einer Wurzel‑Mittel‑Quadrat‑Vorverarbeitung erreicht das Modell eine außergewöhnlich hohe Klassifikationsgenauigkeit.

Im Vergleich zu einem herkömmlichen 1‑D‑CNN wurde das hybride Modell auf 16 unterschiedlichen Domänen getestet. Mit einer gezielten Embedding‑Datenlade‑Strategie erzielte es eine Testgenauigkeit von 99,10 % ± 0,30 %. Diese Leistung übertrifft sowohl traditionelle Modelle als auch herkömmliche Ladeverfahren deutlich.

Das Ergebnis zeigt, dass die Methode robust generalisiert und sich praktisch für die Echtzeit‑Überwachung von Schmelzflüssigkeiten in der Stahlproduktion eignet. Durch die verbesserte Zuverlässigkeit und Effizienz kann die Methode die Betriebskosten senken und die Produktionsqualität steigern.