Rolamentos são itens presentes onde quer que algo esteja em rotação, desde turbinas eólicas e equipamentos industriais até escovas de dente elétricas. Feitos de aço, eles devem ser cuidadosamente selecionados e testados quanto à sua qualidade.

 

O tamanho do grão tem um efeito crucial sobre as propriedades mecânicas do aço usado em rolamentos, e a sua avaliação normalmente é feita por meio de inspeção visual, um método subjetivo e sujeito a erros que foi revisto por pesquisadores do Instituto Fraunhofer de Mecânica de Materiais (IWM), em colaboração com a alemã Schaeffler Technologies. Eles desenvolveram um modelo de aprendizagem profunda (deep learning) que permite a avaliação e a determinação objetiva e automatizada do tamanho de grão nos aços.

 

As características microestruturais críticas em ligas de aço costumam ser inclusões não metálicas e a ocorrência de grãos maiores do que a média, que podem comprometer as suas propriedades mecânicas. Portanto, para efeitos de controle da qualidade, é essencial que esses parâmetros sejam avaliados de forma confiável.

 

 

Visualização com auxílio do modelo que reconhece regiões cristalinas grosseiras (em vermelho e amarelo) incorporadas em uma matriz mais fina, associando esse conjunto de dados ao estado beinítico do aço.

 

O modelo de aprendizagem profunda foi desenvolvido para determinar o tamanho de grão de aços martensíticos e bainíticos, ou seja, aços com microestrutura endurecida causada por resfriamento abrupto. O modelo foi projetado para complementar ou substituir a inspeção visual realizada por profissionais da metalografia, os quais utilizam potentes microscópios para localizar grãos maiores e outras falhas e reportam irregularidades com certa margem de erro associada à mediação humana. O procedimento de inspeção padrão também está sujeito a erros porque é baseado em pequenas amostras e, devido à grande quantidade de trabalho envolvido, a inspeção de todo o componente não costuma ser viável.

 

Já o modelo de aprendizagem profunda para determinação do tamanho de grão, conforme informado pelo Instituto Fraunhofer IWM, pode ser usado para avaliar áreas de componentes grandes e apresenta alta precisão e reprodutibilidade ideal. Ele é usado para classificar imagens de microestrutura em diferentes faixas de tamanho de grão. “Os rolamentos devem atender aos requisitos microestruturais, ou seja, os grãos não devem ultrapassar um determinado tamanho. Quanto menor o tamanho do grão, maior será a densidade dos contornos e, consequentemente, a resistência do aço”, explicou Ali Riza Durmaz, cientista do Fraunhofer IWM.

 

Os dados de imagem que integram o sistema computacional foram previamente classificados por especialistas e usados para treinar o modelo de modo que ele reconheça e classifique microestruturas em aço. Ao receber continuamente imagens anotadas com super e subestimação do tamanho do grão, o modelo aprende uma representação média e é treinado para avaliar as microestruturas de forma mais assertiva, “Neste caso, nem dados excepcionalmente limpos nem grandes volumes de dados são necessários para o treinamento”, comentou Durmaz.

 

Além do tamanho do grão, o modelo de aprendizagem profunda também é capaz de distinguir entre os estados martensítico e bainítico, bem como entre diferentes ligas de aço (variantes das famílias 100Cr6 e C56). O modelo está atualmente sendo implementado no ambiente industrial da Schaeffler Technologies para identificar defeitos em rolamentos de maneira automatizada e baseada em IA com uma reprodutibilidade anteriormente inatingível.

 

O fluxo de trabalho que envolve a adaptação do modelo de IA a materiais específicos, vinculando-o ao processamento de imagens e incorporando o modelo em interfaces amigáveis, pode ainda ser facilmente transferido para outras áreas de aplicação. “Nosso modelo de aprendizagem profunda abre caminho para a qualificação automatizada e baseada em inteligência artificial (IA), por exemplo, em qualquer situação em que componentes críticos para a segurança sejam submetidos a cargas altas e cíclicas, a exemplo de como componentes de acionamento elétrico”, concluiu o pesquisador.

 

Imagem: Fraunhofer IWM

 

Leia também:

 

IA e machine learning para parques fabris

 

IA no chão de fábrica será foco de consultoria especializada

 

 

Indústria 4.0 Tecnologia

---