نکات کلیدی:

• ریخته‌گری پیوسته (Continuous Casting) قلب تولید فولاد است: از فولاد مذاب، بیلت/اسلب/بلوم به‌صورت پیوسته ساخته می‌شود. هر عیب داخلی (ترک، حباب گاز، جدایش، آخال) که در این مرحله شکل بگیرد، در کل زنجیره (نورد، قطعه‌سازی) پخش می‌شود.
• بازرسی سنتی کیفیت (بازرسی بصری، تست‌های نمونه، پس‌از نورد) «واکنشی» است: عیب بعد از اینکه بیلت سرد و بریده شد دیده می‌شود — دیر، و ضایعات میلیاردی (برش و حذف، توقف، دوباره‌کاری).
• راه‌حل مدرن: «کیفیت پیش‌بینی‌شونده» — تحلیل داده لحظه‌ای فرآیند (دما، سرعت ریخته‌گری، ترکیب شیمیایی، ارتعاش قالب، جریان آب خنک‌کننده، سطح مذاب) با مدل‌های یادگیری ماشین برای پیش‌بینی عیب «قبل از تشکیل» و تنظیم خودکار پارامترها یا هشدار به اپراتور.
• مزایا: کاهش ۴۰-۶۰٪ ضایعات و برش، افزایش بازده (Yield) تا ۵٪، کاهش توقف (کمتر حذف/دوباره‌کاری)، بهبود کیفیت سازگار (کمتر واریانس)، و کاهش هزینه انرژی (کمتر ذوب دوباره). در یک کارخانه فولادسازی، کاهش ۱٪ ضایعات، سالانه میلیاردها تومان صرفه‌جویی ایجاد می‌کند.
• سازگاری با مقررات کیفیت صنعت فولاد ایران و استانداردهای بین‌المللی (ASTM، DIN، ISO 9001) و سازگار با گیرنده‌های نورد (تحویل بیلت سالم).

مدیر یک کارخانه فولادسازی (در اصفهان، خوزستان، یا چادگان) با سناریویی آشناست: در ریخته‌گری پیوسته، یک تغییر ناگهانی در دما یا سطح مذاب در قالب، باعث ترک‌خوردگی داخلی بیلت می‌شود. این عیب با چشم دیده نمی‌شود — فقط بعد از سرد شدن، برش و در نورد ظاهر می‌شود. وقتی مشخص شد، ۲۰ تن بیلت معیوب است که باید بریده/حذف شود یا به‌صورت قراضه برگردد — توقف، ضایعات، و هزینه انرژی اضافه. در ایران، با رقابت قیمت فولاد و فشار بهره‌وری، کیفیت پیش‌بینی‌شونده تفاوت بزرگ می‌سازد.

بر اساس گزارش‌های صنعت فولاد و ارزیابی‌های LNS Research/Automation World، بیش از ۶۰٪ ضایعات در ریخته‌گری پیوسته «قابل پیش‌بینی» با تحلیل داده فرآیند هستند و پیاده‌سازی مدل‌های پیش‌بینی کیفیت می‌تواند بازده را ۳-۵٪ و سود این حاشیه را به‌طور قابل توجه افزایش دهد. فناوری سنسور (دماسنج، ارتعاش، لیزر سطح) + مدل‌های یادگیری ماشین، این امکان را فراهم می‌کند.

معماری سیستم کیفیت پیش‌بینی‌شونده

اجرای سیستم کیفیت پیش‌بینی‌شونده در ریخته‌گری پیوسته شامل ماژول‌های زیر است:

• سنسور و جمع‌آوری داده (Sensing & Data):
  • داده فرآیند بلادرنگ: دمای فولاد مذاب، دمای قالب، دبی جریان آب خنک‌کننده، سرعت ریخته‌گری، سطح مذاب (Mold Level)، ارتعاش قالب (Mold Oscillation)، تحلیل گازها (PO2)، ترکیب شیمیایی (Spectrometer).
  • سنسورهای پیشرفته (اختیاری): سنسور لیزر سطح، دوربین مادون قرمز برای دما، سنسور حرارتی در قالب (Thermocouple).
  • اتصال به PLC/SCADA/MES: داده از کنترل‌کننده ریخته‌گری و سیستم مدیریت تولید (MES) به‌صورت پیوسته. ضبط برچسب زمانی برای هر بیلت/بخش.
• مدل پیش‌بینی کیفیت (Predictive Quality Model):
  • پیش‌بینی عیب: مدل طبقه‌بندی (XGBoost، Random Forest، شبکه عصبی) که با داده‌های فرآیند، احتمال هر نوع عیب (ترک، bubble، آخال، جدایش) را برای هر بخش بیلت پیش‌بینی می‌کند.
  • پیش‌بینی پارامتر/درجه (Grade): پیش‌بینی کیفیت نهایی (کلاس A/B/C) برای تصمیم‌گیری (فروش به‌عنوان درجه پایین‌تر به‌جای ضایعات).
  • ریشه‌یابی (Root Cause): مدل‌های تفسیرپذیری (Shapley) برای تشخیص اینکه کدام پارامتر (دما، سرعت، سطح) باعث عیب شده — برای اقدام اصلاحی.
• لایه تصمیم و کنترل (Decision & Control):
  • هشدار به اپراتور: هشدار بلادرنگ (HMI) وقتی پیش‌بینی عیب پرهزینه است — اپراتور پارامتر را اصلاح می‌کند.
  • کنترل خودکار (MPC/Adaptive): تنظیم خودکار سرعت ریخته‌گری، جریان آب خنک‌کننده، سطح مذاب بر اساس پیش‌بینی — کاهش خطاهای انسانی.
  • تخصیص درجه (Grade Allocation): اگر عیب غیرقابل اجتناب است، بیلت به درجه پایین‌تر (نه ضایعات) تخصیص می‌یابد — بهینه‌سازی ارزش.
• گزارش و یکپارچگی (Reporting & Integration):
  • داشبورد کیفیت: پیش‌بینی عیوب، روند، ریشه علل، بازده، ضایعات — برای مدیریت.
  • ردیابی کامل: اتصال به سیستم ردیابی برای هر بیلت (شماره ذوب → بیلت → نورد). گزارش‌های سازگاری (ASTM، ISO).

مثال عملی: فولادسازی در اصفهان

یک کارخانه فولاد (کوره قوس الکتریکی + ریخته‌گری پیوسته بیلت ۱۵۰×۱۵۰) چالش: ضایعات داخلی (ترک، آخال) و برش/حذف ۶٪ از تولید، توقف‌های ۲۰ ساعت در ماه به‌خاطر حذف و دوباره‌کاری، و واریانس کیفیت (شکایت نورد از بیلت‌های ناهمگون).

پیاده‌سازی در ۵ ماه:

1. ماه ۱: داده و اتصال. اتصال به PLC/SCADA (دماسنج، سرعت، سطح، آب خنک‌کننده). جمع‌آوری ۶ ماه داده تاریخی (با ثبت عیوب واقعی از گزارش نورد به‌عنوان برچسب).
2. ماه ۲: مدل اولیه. آموزش مدل پیش‌بینی عیب (XGBoost) بر ۳۰ پارامتر. دقت ۸۷٪ در پیش‌بینی عیب (قبل از تشکیل). حالت سایه ۳ هفته (مقایسه با عیوب واقعی).
3. ماه ۳: هشدار و فعال‌سازی. هشدار به اپراتور در HMI هنگام پیش‌بینی خطر. آموزش اپراتورها برای اقدام اصلاحی (تنظیم سرعت/سطح/جریان). کاهش خطاهای انسانی.
4. ماه ۴: تخصیص درجه. فعال‌سازی تخصیص درجه (بیلت‌های با عیب جزئی به درجه پایین‌تر، نه ضایعات). اتصال به سیستم ردیابی.
5. ماه ۵: بهینه‌سازی و کنترل. پیاده‌سازی کنترل خودکار پارامتر (MPC) بر اساس پیش‌بینی. داشبورد کیفیت/بازده.

نتایج ۱۲ ماهه: ضایعات/برش از ۶٪ به ۲.۸٪ (۵۳٪ کاهش). بازده +۴.۲٪. توقف از ۲۰ ساعت به ۶ ساعت در ماه. واریانس کیفیت ۳۵٪ کاهش (رضایت نورد). صرفه‌جویی/ارزش افزوده سالانه ۸ میلیارد تومان. بازگشت سرمایه در ماه ۹.

فوکوس: پیش‌بینی ترک ناشی از لرزش/سطح مذاب

بحرانی‌ترین عیب در ریخته‌گری پیوسته، ترک‌های ناشی از نوسان سطح مذاب و اختلاف قالب است. مدل پیش‌بینی بر داده ارتعاش قالب + سطح مذاب + سرعت، می‌تواند ۵-۱۰ دقیقه قبل از تشکیل ترک، هشدار دهد. در یک فولادسازی در خوزستان، این مدل هشدار زودهنگام را برای اپراتور فعال کرد که ۳ بار از تشکیل ۱۵۰ تن بیلت معیوب جلوگیری کرد (صرفه‌جویی ۱ میلیارد تومان). ترکیب سنسور ارتعاش (با فرکانس بالا) + مدل سری زمانی، دقت را از ۸۴٪ به ۹۳٪ رساند.

چالش‌های ایران و راهکارها

نقشه راه عملی: از صفر تا کیفیت پیش‌بینی‌شونده در ۱۵۰ روز

فاز ۱: ماه ۱-۲ — داده، اتصال، و برچسب

• اتصال به PLC/SCADA/MES، جمع‌آوری داده (دما، سرعت، سطح، آب، ارتعاش). جمع‌آوری عیوب واقعی به‌عنوان برچسب (گزارش نورد/بازرسی).
• تعریف KPI: ضایعات/برش درصد، بازده، توقف، واریانس کیفیت، دقت پیش‌بینی.

فاز ۲: ماه ۳ — مدل پیش‌بینی

• آموزش مدل (XGBoost/شبکه عصبی) بر ۳۰+ پارامتر. حالت سایه ۲-۳ هفته. بهبود دقت ≥ ۸۵٪. ریشه‌یابی (Shapley) برای تعیین پارامترهای بحرانی.

فاز ۳: ماه ۴ — هشدار، کنترل، و تخصیص

• هشدار به اپراتور (HMI) برای اقدام اصلاحی. آموزش تیم. پیاده‌سازی کنترل خودکار (MPC) بر پیش‌بینی. فعال‌سازی تخصیص درجه.

فاز ۴: ماه ۵ — فعال‌سازی و گزارش

• فعال‌سازی کامل. داشبورد مدیریت. ردیابی/گزارش سازگاری. بهینه‌سازی مستمر. گسترش به خطوط/ماشین‌های دیگر.

جمع‌بندی: تصمیم این هفته

کیفیت در ریخته‌گری پیوسته دیگر با بازرسی بعد از سرد شدن مدیریت نمی‌شود؛ این روش ضایعات، توقف و واریانس دارد. در ایران، با رقابت قیمت فولاد و فشار بهره‌وری، کیفیت پیش‌بینی‌شونده به مزیت تعیین‌کننده تبدیل شده است. با تحلیل داده لحظه‌ای فرآیند، مدل عیوب را قبل از تشکیل پیش‌بینی می‌کند، ضایعات را کاهش می‌دهد و بازده را بالا می‌برد.

این هفته، با مدیر تولید فولاد و کارشناس فرآیند بنشینید و بپرسید:

1. «ضایعات و برش/حذف ما در ریخته‌گری پیوسته چقدر است؟ هزینه‌اش چقدر؟»
2. «عیوب را قبل یا بعد از تشکیل تشخیص می‌دهیم؟ چه مدت طول می‌کشد؟»
3. «کدام پارامترهای فرآیند (دما، سرعت، سطح، آب) بیشترین تأثیر را روی عیوب دارد؟ آیا داده آن ثبت می‌شود؟»

اگر پاسخ‌ها هزینه‌ساز است، پروژه کیفیت پیش‌بینی‌شونده را این هفته شروع کنید: به PLC/SCADA متصل شوید و داده ۶ ماهه را (با برچسب عیوب) جمع‌آوری کنید، و یک مدل اولیه روی خط اصلی در ۳ ماه پیاده کنید. ۵ ماه بعد، کیفیت شما از «برش و ضایعات بعد از سرد شدن» به «پیش‌بینی قبل از تشکیل» تبدیل شده است.

اقدام این هفته

برای شروع عملی در مسیر کیفیت پیش‌بینی‌شونده، این هفته یک ممیزی داده‌محور از خط ریخته‌گری پیوسته خود انجام دهید. ابتدا فهرستی از تمام سنسورهای فعال در خط (دما، سرعت، سطح مذاب، ارتعاش قالب، دبی آب خنک‌کننده) تهیه کنید و مشخص کنید کدام‌یک از آن‌ها به‌صورت لحظه‌ای به PLC یا MES متصل هستند. سپس، داده‌های ۳۰ روز اخیر را برای یک گرید پرتیراژ استخراج کنید و آن را با گزارش‌های ضایعات و برش‌های همان بازه تطبیق دهید. در پایان هفته، سه مورد از عیوب ثبت‌شده را انتخاب کنید و با بررسی داده‌های لحظه‌ای قبل از وقوع آن‌ها، الگوی تغییر پارامترها (مثلاً افت ناگهانی دما یا نوسان سطح مذاب) را شناسایی کنید. این تمرین ساده، نقشه راهی برای انتخاب مدل یادگیری ماشین مناسب و توجیه سرمایه‌گذاری برای مدیریت ارشد فراهم می‌کند.

منابع

• سازمان ملی استاندارد ایران — استانداردهای فولاد و ریخته‌گری
• انجمن صنایع فلزی غیرآهنی ایران — گزارش‌های بهره‌وری و کیفیت در صنعت فولاد
• سازمان توسعه و نوسازی معادن و صنایع معدنی ایران (ایمیدرو) — آمار تولید و ضایعات فولاد
• American Iron and Steel Institute (AISI) — Continuous Casting Quality Control Resources
• Automation World — Predictive Quality in Metals Manufacturing