Image of Leveraging real-time data analysis and multiple kernel learning for manufacturing of innovative steels
Penanda Bagikan

Electronic Resource

Leveraging real-time data analysis and multiple kernel learning for manufacturing of innovative steels

The implementation of thermally sprayed components in steel manufacturing presents challenges for production and plant maintenance. While enhancing performance through specialized surface properties, these components may encounter difficulties in meeting modified requirements due to standardization in the refurbishment process. This article proposes updating the established coating process for thermally spray coated components for steel manufacturing (TCCSM) by integrating real-time data analytics and predictive quality management. Two essential components–the data aggregator and the quality predictor–are designed through continuous process monitoring and the application of data-driven methodologies to meet the dynamic demands of the evolving steel landscape. The quality predictor is powered by the simple and effective multiple kernel learning strategy with the goal of realizing predictive quality. The data aggregator, designed with sensors, flow meters, and intelligent data processing for the thermal spray coating process, is proposed to facilitate real-time analytics. The performance of this combination was verified using small-scale tests that enabled not only the accurate prediction of coating quality based on the collected data but also proactive notification to the operator as soon as significant deviations are identified.

Implementasi komponen yang disemprot secara termal dalam manufaktur baja menghadirkan tantangan bagi produksi dan pemeliharaan pabrik. Meskipun meningkatkan kinerja melalui sifat permukaan khusus, komponen-komponen ini mungkin menghadapi kesulitan dalam memenuhi persyaratan yang dimodifikasi akibat standarisasi dalam proses perbaikan. Artikel ini mengusulkan pembaruan proses pelapisan yang telah mapan untuk komponen yang disemprot secara termal untuk manufaktur baja (TCCSM) dengan mengintegrasikan analitik data waktu nyata dan manajemen kualitas prediktif. Dua komponen penting—agregator data dan prediktor kualitas—dirancang melalui pemantauan proses berkelanjutan dan penerapan metodologi berbasis data untuk memenuhi tuntutan dinamis dari lanskap baja yang terus berkembang. Prediktor kualitas didukung oleh strategi pembelajaran multi-kernel yang sederhana dan efektif dengan tujuan mewujudkan kualitas prediktif. Agregator data, yang dirancang dengan sensor, flow meter, dan pemrosesan data cerdas untuk proses pelapisan semprot termal, diusulkan untuk memfasilitasi analitik waktu nyata. Kinerja kombinasi ini diverifikasi menggunakan uji skala kecil yang memungkinkan tidak hanya prediksi kualitas pelapisan yang akurat berdasarkan data yang dikumpulkan tetapi juga notifikasi proaktif kepada operator segera setelah deviasi signifikan teridentifikasi.

Ketersediaan

Tidak ada salinan data

Informasi Detail
Judul Seri
Journal of Mathematics in Industry
No. Panggil
-
Penerbit
: Springer Nature.,
Deskripsi Fisik
Hal. 1 - 22
Bahasa
English
ISBN/ISSN
21905983
Klasifikasi
NONE
Tipe Isi
text
Tipe Media
computer
Tipe Pembawa
online resource
Edisi
15, Article number: 10
Subjek
Artificial intelligence (AI)
Machine learning (ML)
Real-time analytics
Steel industry
Info Detail Spesifik
-
Pernyataan Tanggungjawab
Versi lain/terkait

Tidak tersedia versi lain

Lampiran Berkas
Komentar
Anda harus masuk sebelum memberikan komentar