Passer de la dépendance à l'œil humain à l'identification des défauts par IA en quelques millisecondes. La billette ronde de coulée continue de grande section, en tant que matériau de base pour les brides de tours d'éoliennes et les roulements haut de gamme, voyait son contrôle qualité interne longtemps tributaire d'une interprétation manuelle, un processus « lent », « difficile » et « lacunaire ». Aujourd'hui, l'équipe conjointe du groupe Shandong Steel et de l'Université des Sciences et Technologies de Pékin a réalisé, pour la première fois dans le domaine de la détection des défauts des billettes rondes de coulée continue de grande section, une identification intelligente et précise à haut débit de cinq types de défauts grâce à un modèle d'apprentissage profond par IA. Le temps de traitement est passé de plusieurs secondes à moins de 10 millisecondes, avec un taux de précision d'identification des fissures atteignant 95,4 %. Ces résultats, dont le premier auteur est issu de l'équipe, ont été publiés dans la revue de référence en métallurgie Steel Research International.

Les « trois obstacles » de l'interprétation manuelle

La billette ronde de coulée continue de grande section est le matériau de base pour des équipements clés tels que les brides de tours d'éoliennes et les roulements haut de gamme. Sa qualité interne détermine directement la sécurité de service et la durée de vie du produit final. Pendant longtemps, la technique traditionnelle de contrôle par ultrasons manuel a présenté trois limitations fondamentales :

Signal complexe, interprétation difficile : La billette ronde de coulée continue de grande section est influencée par de multiples facteurs. Le contrôle traditionnel par ultrasons manuel se heurte à des obstacles tels qu'un faible rapport signal/bruit et une grande similarité des caractéristiques des signaux pour différents défauts.

Normes variables, forte subjectivité : L'interprétation dépend entièrement de l'expérience et du coup d'œil du contrôleur, ce qui entraîne facilement des omissions et des erreurs de jugement, devenant un point de blocage pour le développement de l'acier spécial de haute qualité.

Temps de traitement long, capacité de production limitée : L'identification manuelle des défauts, pièce par pièce, prend de quelques secondes à plusieurs dizaines de secondes. Lorsque la ligne de production fonctionne à un rythme élevé, de l'ordre de la milliseconde, l'inspection manuelle devient un goulot d'étranglement.

L'avènement d'un nouveau paradigme d'« inspection par IA » en quelques millisecondes

Pour relever ces défis, l'équipe de R&D de l'Institut de Recherche en Intelligence Numérique de l'Institut de Recherche de Shandong Steel, en se basant sur les besoins de production, a mené des recherches techniques en prenant comme objet d'étude la billette ronde de coulée continue en acier spécial S355NL (Q355NE) pour brides d'éoliennes. Elle a proposé de manière innovante un modèle de classification par apprentissage profond basé sur la fusion de caractéristiques multi-échelles et l'amélioration de l'attention. Cette technologie a permis de franchir le pas de l'« inspection manuelle » à l'« identification intelligente ». Ses innovations techniques clés se distinguent principalement sur les quatre aspects suivants :

Fusion de caractéristiques multi-échelles, reproduisant la « symphonie spatio-temporelle » du signal ultrasonore

Les porosités centrales, les retassures, les fissures et les défauts composites apparaissant lors de la solidification de l'acier liquide présentent des caractéristiques de forme d'onde ultrasonore très différentes, avec un bruit superposé. L'équipe a construit une structure de réseau neuronal convolutif multi-échelle pour capturer de manière unifiée les caractéristiques de la forme d'onde dans le domaine temporel et les caractéristiques de distorsion de la propagation spatiale. C'est comme si l'IA était équipée d'un « microscope à mise au point fractionnée », capable d'analyser simultanément et de manière adaptative en cascade les défauts de différentes tailles et les caractéristiques du signal.

Mécanisme d'amélioration de l'attention, capturant avec précision les « infimes anomalies » des défauts suspects

Face à une masse de signaux de défauts très faibles, les méthodes traditionnelles sont sujettes aux erreurs et aux omissions. L'équipe a introduit de manière innovante une structure de réseau à mécanisme d'attention, permettant au modèle de renforcer automatiquement le poids de l'attention sur les anomalies subtiles du signal lors du traitement des données de forme d'onde, améliorant ainsi de manière synergique la sensibilité d'identification de tous les types de défauts. Ce mécanisme est imagé par l'équipe de recherche comme un « amplificateur intelligent » pour les signaux de défauts.

Classification précise de cinq types de défauts, six données clés témoignent de l'application concrète de la technologie

Vérifiée sur 239 échantillons industriels réels, cette méthode atteint un taux de précision de classification globale de 92,3 % pour les cinq cas que sont la porosité centrale, la retassure, la fissure, l'état normal et les défauts composites, avec un taux de précision d'identification des fissures culminant à 95,4 %. Plus impressionnant encore, le temps d'inférence unitaire est inférieur à 10 millisecondes, ce qui représente une efficacité de détection environ 93,5 fois supérieure à celle de la méthode d'interprétation manuelle traditionnelle, répondant pleinement aux exigences de contrôle en temps réel des lignes de production industrielles.

Déploiement complet, du « laboratoire » à la « ligne de production »

Actuellement, l'équipe de R&D a déployé ce résultat technique sur site et continue d'optimiser la capacité d'adaptation du modèle aux conditions de travail complexes. Le système de détection par IA peut, à l'instar d'un expert en contrôle qualité expérimenté, identifier automatiquement les défauts, effectuer une évaluation intelligente et télécharger automatiquement les données, réalisant ainsi l'automatisation complète du processus, du prélèvement d'échantillon à la transmission de l'information. Cela inaugure un nouveau mode de contrôle qualité intelligent dans l'industrie sidérurgique, caractérisé par une « propagation à l'échelle millimétrique et une décision à l'échelle de la milliseconde ».

Surmonter les obstacles de l'« acier spécial haut de gamme » et étendre les nouveaux scénarios de contrôle qualité en métallurgie

L'application réussie de cette technologie n'est pas seulement une percée technique, elle a aussi un impact profond sur la fabrication d'équipements haut de gamme et la modernisation de l'industrie métallurgique en Chine :

Consolider les « fondations matérielles » des roulements haut de gamme et des brides d'éoliennes : La durée de vie des produits à haute valeur ajoutée comme les brides de tours d'éoliennes et les roulements haut de gamme repose essentiellement sur la qualité de la billette ronde de coulée continue. Le système d'identification par IA, avec son taux de précision des fissures pouvant atteindre 95,4 %, peut être directement intégré dans la boucle de production, offrant une garantie rigide pour la conception « zéro défaut » des équipements haut de gamme.

Créer un paradigme intelligent reproductible d'« IA + contrôle par ultrasons » pour l'industrie : Ce résultat est le premier article publié dans une revue internationale par l'Institut de Recherche de Shandong Steel dans le domaine interdisciplinaire « IA + contrôle non destructif », brisant l'impasse où les capteurs de contrôle non destructif dans l'industrie métallurgique ne pouvaient être interprétés que manuellement. L'architecture de reconnaissance universelle, fusionnant réseau neuronal convolutif et mécanisme d'amélioration de l'attention, peut être transposée et appliquée à d'autres lignes de production comme les brames et les billettes carrées de grande section, fournissant une référence empirique pour le contrôle intelligent de l'ensemble du processus dans l'industrie sidérurgique.

Montrer la voie d'une nouvelle vague de transformation numérique du contrôle qualité : Passer du traditionnel « contrôle qualité a posteriori » au « contrôle en temps réel, à la prédiction et à la prévention ». Avec la superposition des technologies de l'informatique en périphérie et de la 5G, ce système pourra à l'avenir être déployé dans des domaines de contrôle industriel plus vastes tels que les mines et les tubes en acier spéciaux, permettant au « regard perçant » de l'IA d'éclairer chaque recoin caché de l'industrie manufacturière.