Het beste staal voor je rollager? Dat selecteer je met deep learning

Overal waar iets draait, van tandenborstels tot windmolens, worden rollagers gebruikt. Het staal in deze lagers moet exact passen bij de toepassing. Maar hoe selecteer je passend staal?

De korrelgrootte heeft een cruciaal effect op de mechanische eigenschappen van het staal. Tot nu toe werd de grootte van de microscopische kristallieten door metallografen beoordeeld door middel van visuele inspectie – een subjectieve en foutgevoelige methode. Het Fraunhofer Institute for Mechanics of Materials en Schaeffler Technologies hebben een deep learning-model ontwikkeld dat een geautomatiseerde beoordeling en bepaling van de korrelgrootte mogelijk maakt.

Het materiaal dat typisch gebruikt wordt voor rollagers is oppervlaktegehard staal dat verrijkt is met koolstof. Oppervlakteharden wordt gebruikt om het materiaal duurzaam te maken om falen, vermoeidheid en kritische scheurgroei in de componenten als gevolg van cyclische belasting te voorkomen.

Kritische microstructurele kenmerken in staallegeringen zijn meestal niet-metallische insluitingen en korrels die groter zijn dan gemiddeld. Deze kristallieten worden gevormd tijdens het staalproductieproces en zijn onderhevig aan constante veranderingen tijdens de waardeketen.

Mens of machine

Het deep learning model bepaalt de korrelgrootte van martensitische en bainitische staalsoorten, dat wil zeggen staalsoorten met een geharde microstructuur veroorzaakt door abrupte afkoeling. Het model is ontworpen om de tijdrovende visuele inspectie door getrainde metallografen aan te vullen of te vervangen. Deze specialisten kijken vooral naar grotere korrels en andere gebreken omdat de kans op falen daar het grootst is. Uit een ringonderzoek bleek echter dat de evaluaties van de korrelgrootte door experts van elkaar verschillen. Afgezien van het feit dat de classificatie van de korrelgrootte inherent subjectief is, bleken de beoordelingen van de experts soms onnauwkeurig te zijn en, volgens Fraunhofer, ‘dus niet voldoende betrouwbaar, vooral voor toepassingen die relevant zijn voor de veiligheid’. De standaard inspectieprocedure is ook gevoelig voor fouten omdat het gebaseerd is op kleine monsters en, vanwege de grote hoeveelheid werk die ermee gemoeid is, doordat de inspectie van het hele onderdeel niet haalbaar is.

Het deep learning-model daarentegen kan worden gebruikt om willekeurig grote componentgebieden te beoordelen en vertoont een hoge nauwkeurigheid en ideale reproduceerbaarheid.

Om dit te bereiken werd het model voorzien van beeldgegevens die eerder door experts waren geclassificeerd. Deze beelden van de industriepartner werden gebruikt om het model te trainen in het herkennen en classificeren van microstructuren in staal. De innovatie hier is dat de korrelgrootte op een consistente objectieve en geautomatiseerde manier kan worden beoordeeld. De gegevens zijn onderhevig aan annotatieruis door verschillen in de manier waarop metallografen korrelgroottes beoordelen. Bij het optimaliseren van het model wordt de ruis, d.w.z. de foutieve beoordeling, er echter uitgefilterd. Door continu beelden te ontvangen met over- en onderschatting van de korrelgrootte, leert het model een gemiddelde representatie en wordt het getraind om de microstructuren met meer vertrouwen te beoordelen.

“In dit geval zijn er noch uitzonderlijk schone gegevens noch grote hoeveelheden gegevens nodig voor de training,” zegt Dr. Ali Riza Durmaz, een wetenschapper bij Fraunhofer IWM. Een webapplicatie ontwikkeld door Dr. Durmaz en zijn team visualiseert de resultaten. In het proces zorgen verklaarbare kunstmatige intelligentiebenaderingen voor meer transparantie in het besluitvormingsproces van het model.

Hoe kleiner de korrel, hoe sterker het staal

Het deep learning-model wordt gebruikt om microstructuurbeelden te classificeren in verschillende korrelgroottebereiken. “De rollagers moeten voldoen aan de microstructuurvereisten, wat betekent dat de korrels een bepaalde grootte niet mogen overschrijden. Hoe kleiner de korrelgrootte, hoe groter de sterkte van het staal,” zegt Durmaz. Hoe groter het aantal kleine korrels, hoe groter de dichtheid van de korrelgrenzen, dat wil zeggen de contactoppervlakken tussen de korrels. Een hoge dichtheid van korrelgrenzen voorkomt plastische vervorming van het onderdeel, zelfs bij zeer hoge belastingen. Zelfs als het materiaal licht maar permanent vervormd zou zijn, zou het lager niet meer soepel lopen en zouden de wrijvingseigenschappen aangetast worden, net als de energie-efficiëntie.

Workflow

Naast de korrelgrootte kan het deep learning-model ook onderscheid maken tussen martensitische en bainitische toestanden en tussen verschillende staallegeringen (varianten van de 100Cr6- en C56-families). Het model wordt momenteel geïmplementeerd in de industriële omgeving van Schaeffler Technologies. Hiermee beschikt de industriepartner over een systeem dat in industriële processen kan worden gebruikt om defecten in rollagers op een AI-gebaseerde en geautomatiseerde manier te identificeren met een voorheen onhaalbare reproduceerbaarheid. De workflow, waarbij het AI-model wordt aangepast aan specifieke materialen, wordt gekoppeld aan beeldverwerking en wordt ingebed in gebruiksvriendelijke interfaces, kan eenvoudig worden overgezet naar andere toepassingsgebieden.