Desenvolvimento de um protótipo para medição de desgaste e controle dimensional dos bocais em convertedores LD/BOF por meio de visão computacional

Abstract

ABSTRACT: LD/BOF converters play a crucial role in the steelmaking process by enabling the injection of oxygen during primary refining, which directly impacts product quality. In this process, the nozzles of the lance tips are vital as they are responsible for injecting the oxygen. The wear on these nozzles becomes evident as they are used across various installations in the steel industry due to the continuous operation of the converters. This wear can lead to performance issues in the manufacturing process, including uncontrolled variations in the converters’ conditions, ultimately affecting steel quality. This issue is highly significant because it impacts not only operational efficiency, making it difficult to control oxygen flow, but also raises safety concerns for the operators involved in the process. Traditional manual inspections in the steel industry require process interruption and the removal of the lance. Typically, this procedure takes several hours to complete and requires a specialized team to measure the major and minor diameters of each nozzle with calipers, followed by calculating the average. This process is time-consuming and results in prolonged converter downtime on inspection days. Moreover, these manual inspections often lack the precision demanded by the steel industry, potentially leading to flow control issues and the emergence of hazardous situations. To overcome this challenge, this work, developed in collaboration with VisionTech and Lumar Metals, proposes a faster and more efficient inspection method using deep learning, particularly the YOLACT architecture. The project, which originated from an extension grant, involves the development of a compact computer vision device capable of capturing images through an FHD camera equipped with an extendable rod. These images are then sent to an onboard computer integrated into the camera device, where a trained neural network identifies and measures nozzle wear. This approach significantly optimizes the inspection procedure, making it faster, safer, more precise, and easier to execute.

RESUMO Os convertedores LD/BOF desempenham um papel crucial no processo de fabricação do aço, permitindo a injeção de oxigênio no refinamento primário, afetando diretamente a qualidade do produto. Neste processo os bocais dos bicos de lança são vitais, responsáveis por injetar o oxigênio. O desgaste dos bocais torna-se evidente à medida que são utilizados em diversas instalações da indústria siderúrgica, devido à operação contínua dos convertedores. Isso pode resultar em problemas de desempenho no processo de fabricação, incluindo variações não controladas nas condições dos convertedores, afetando a qualidade do aço. Esse problema é de extrema relevância porque impacta não somente a eficiência operacional, dificultando o controle da vazão de oxigênio, mas também coloca em xeque a segurança dos operadores envolvidos no processo. As inspeções manuais tradicionais nas indústrias siderúrgicas, ocorrem através de inspeções manuais que exigem a interrupção do processo e a remoção da lança. Normalmente, esse procedimento demanda várias horas para ser concluído e requer uma equipe especializada, consistindo em medir o diâmetro maior e menor de cada bocal com o paquímetro, calculando posteriormente a média. Este processo, por sua vez, consome um tempo considerável, resultando em uma parada prolongada dos convertedores nos dias de inspeção. Além disso, essas inspeções manuais não conseguem ter a precisão demandada pelas indústrias siderúrgicas, o que pode resultar em problemas no controle de vazão e surgimento de problemas potencialmente perigosos. Com o objetivo de superar esse desafio, este trabalho, desenvolvido em colaboração com aS empresas VisionTech e a Lumar Metals, propõe um método de inspeção mais rápido e eficiente, utilizando deep learning, em particular, a arquitetura YOLACT. O projeto, que nasceu de uma bolsa de extensão, envolve o desenvolvimento de um dispositivo de visão computacional, compacto capaz de capturar imagens por meio de uma câmera FHD equipada com uma haste extensível. Essas imagens são, então, enviadas a um computador de bordo integrado ao dispositivo da câmera, onde uma rede neural treinada identifica e mede o desgaste dos bocais. Dessa forma, o procedimento de inspeção pode ser significativamente otimizado, tornando-se mais rápido, seguro, preciso e fácil de ser executado. Palavras-chave: Segurança operacional. Manutenção Preventiva. Convertedor. Desgaste de Bocais. Rede Neural. Deep Learning. YOLACT