ในกระบวนการผลิตเหล็กกล้า การควบคุมปริมาณธาตุต่าง ๆ ที่อยู่ในน้าเหล็กให้มีปริมาณที่ถูกต้องตามมาตรฐานต่าง ๆ เป็นสิ่งสาคัญอย่างยิ่ง เนื่องจากการที่กระบวนการผลิตดาเนินไปอย่างต่อเนื่องทาให้เวลาที่ใช้ในการผลิตแต่ละ Batch ถูกจากัด การวัดปริมาณค่าเคมีต่าง ๆ จึงจาเป็นต้องมีความรวดเร็วและแม่นยา การนำ Technique การจาแนกข้อมูลแบบ Neural Network มาใช้ ทาให้สามารถวัดปริมาณ FeO ซึ่งเป็นสารประกอบที่ส่งผลสาคัญต่อคุณภาพของน้าเหล็กได้ด้วยการวัดการแผ่รังสี วิธีนี้มีพบว่ามีความรวดเร็ว แม่นยา ปลอดภัยและมีราคาถูก

1. Artificial Neural Network
กับการเพิ่มศักยภาพกระบวนการผลิตเหล็กกล้า
การตรวจวัดปริมาณ FeO ใน Slag ที่รวดเร็วและแม่นยา
นาย ภวินท์ ฟ้าภิญโญ
ในกระบวนการผลิตเหล็กกล้า การควบคุมปริมาณธาตุต่าง ๆ ที่อยู่ในน้าเหล็กให้มีปริมาณที่ถูกต้องตาม
มาตรฐานต่าง ๆ เป็นสิ่งสาคัญอย่างยิ่ง เนื่องจากการที่กระบวนการผลิตดาเนินไปอย่างต่อเนื่องทาให้เวลาที่ใช้ในการผลิต
แต่ละ Batch ถูกจากัด การวัดปริมาณค่าเคมีต่าง ๆ จึงจาเป็นต้องมีความรวดเร็วและแม่นยา การนา Technique การ
จาแนกข้อมูลแบบ Neural Network มาใช้ทาให้สามารถวัดปริมาณ FeO ซึ่งเป็นสารประกอบที่ส่งผลสาคัญต่อ
คุณภาพของน้าเหล็กได้ด้วยการวัดการแผ่รังสี วิธีนี้มีพบว่ามีความรวดเร็ว แม่นยา ปลอดภัยและมีราคาถูก
บทนำ
ในการผลิตเหล็กกล้า กระบวนการ
ผลิตแบบ Continuous Casting (หล่อ
แบบต่อเนื่อง) เป็นกระบวนการที่ได้รับความ
นิยมและใช้กันอย่างแพร่หลาย เนื่องจากมี
ประสิทธิภาพที่มากกว่า และมีต้นทุนการผลิตต่า
กว่าเมื่อเทียบกับกระบวนการอื่น ในโรงงานผลิตแบบ
Integrated Mill จะประกอบไปด้วย 2 กระบวนการ
หลักคือ1
ส่วนแรก การหลอมและหล่อเหล็กในส่วนของ
Melt Shop ทาหน้าที่ผลิต Semi-Product
เช่น Bloom Beam-Blank
หรือ Billet
เป็นต้น ส่วนที่สอง
การนา Semi-Product มา
รีดให้เป็นเหล็กรูปพรรณ อยู่ในส่วน
ของ Rolling Mill
สาหรับการผลิตในส่วนของ Melt Shop
นั้น เริ่มต้นจากการนาเศษเหล็ก หรือ Iron Ore มาหลอม โดย
ใช้ Basic Oxygen Furnace (BOF) หรือ Electric Arc Furnace (EAF) จากนั้นน้า
เหล็กจะถูกเทลงไปยังเบ้ารับน้าเหล็ก (Ladle) เพื่อส่งต่อไปยัง Ladle Refining
Furnace (LRF) เพื่อลดปริมาณ Sulphur และปรับแต่งปริมาณธาตุต่าง ๆ ให้ได้ตาม
มาตรฐานคุณภาพใด ๆ ที่ต้องการ จากนั้น Ladle จะถูกยกขึ้นไปยังเครื่องหล่อ
1
https://www.thermofisher.com
แบบต่อเนื่อง
(Continuous Casting
Machine, CCM) เพื่อหล่อเป็น Bloom
Beam-Blank หรือ Billet ในลาดับต่อไปตามแต่ละชนิด
ของเหล็กรูปพรรณที่ต้องการรีด
ในกระบวนการผลิตแบบ Continuous Casting ไม่สามารถหยุดได้
กลางคัน การหล่อจาเป็นต้องเป็นไปอย่างต่อเนื่อง การหยุดกลางครันจะส่งผลกระทบ
เป็นลูกโซ่ ทาให้เกิดความเสียหายมากมาย ซึ่งไม่ขอลงรายละเอียดในส่วนนี้ ดังนั้น ใน
การบวนการผลิต ทั้ง 3 ส่วน EAF LRF และ CCM จาเป็นอย่างยิ่งที่จะต้องทางาน
ประสานสอดคล้องกัน จากที่ได้อธิบายไปในข้างต้นจะเห็นว่า LRF ซึ่งเป็นกระบวนการ
ผลิตย่อยที่อยู่ตรงกลางเป็นส่วนที่ได้รับแรงกดดันมากที่สุด

2. การที่ LRF จะสามารถ Charge แร่และสารแต่งเติมอื่น ๆ ได้ในปริมาณที่
ถูกต้องจะต้องรู้ปริมาณค่าเคมีต่าง ๆ ของน้าเหล็กที่ได้รับมาจาก EAF โดยการเก็บ
ตัวอย่างน้าเหล็กแล้วนามาวิเคราะห์ด้วยเครื่อง X-Ray Fluorescence (XRF) แม้จะ
สามารถวัดได้อย่างแม่นยา แต่เนื่องจากการมี Slag ที่ติดมากจาก EAF ซึ่งมี
สารประกอบหลายชนิดรวมถึง FeO ทาให้ค่าเคมีที่ได้จากการ Change แร่และสารแต่ง
เติมต่าง ๆ ผิดเพี้ยนไป [1] ดังนั้นการทราบองค์ประกอบของ Slag จะทาให้การเชย
ชดเชยค่าเคมีทาได้แม่นยามากขึ้น การวัดสามารถทาได้โดยการใช้Probe วัดจุ่มลงไปใน
Slag โดยตรง แต่เนื่องจากทาได้ยากและมีต้นทุนสูงเนื่องจากการวัดแต่ละครั้ง Probe
จะถูกทาลาย ต้องเปลี่ยน Probe ใหม่เสมอ หลายบริษัทจึงเลือกที่จะละเลยและ
แก้ปัญหาโดยการทยอย Charge แล้วค่อย ๆ วัดองค์ประกอบของน้าเหล็กเป็นครั้ง ๆ
ไป ซึ่งในสถานการณ์ที่เร่งรัดวิธีนี้จะทาให้เกิดความผิดพลาดได้สูง และหลายครั้งไม่
สามารถทาให้น้าเหล็กมีคุณภาพตามที่ต้องการได้ทันเวลา ทาให้น้าเหล็กที่ส่งไปตกเกรด
Artificial Neuron Network และกำรวัด FeO
จากปัญหาที่กล่าวไปในข้างต้น การพัฒนาวิธีการวัดปริมาณ FeO ใน Slag
จึงเป็นไปในแนวทางเพื่อเพิ่มความรวดเร็วในการวัด และลดการสัมผัสโดยตรง การใช้
Technique วัดปริมาณรังสีที่แผ่ออกมาเพื่อคานวณค่า FeO นั้นจึงเป็นวิธีแก้ปัญหาที่มี
ความเหมาะสมอย่างยิ่ง
การวัดรังสีทาได้ด้วยการติดตั้งกล้องวัดจานวน 3 ตัวยิงตรงไปที่จุดถ่ายน้า
เหล็ก ระหว่าง EAF และ Ladle กล้องแต่ละตัวสามารถวัดรังสีได้แม่นยาในย่านความ
ยาวคลื่นที่แตกต่างกัน แต่เนื่องจากการใช้ Technique นี้มีปัญหาหลักอยู่ 2 ประการ
กล่าวคือ ประการแรก รังสีที่แผ่ออกมานั้นความหลากหลายมากเนื่องจากธาตุและ
สารประกอบที่มีอยู่มากมายอยู่ใน Slag และน้าเหล็ก ประการที่สอง บรรยากาศโดยรอบ
ของกระบวนการผลิตมีความซับซ้อนเนื่องจากฝุ่นควันและไอน้าที่เกิดขึ้นโดยทั่วไปทาให้
เกิด Noise ขึ้นมากมาย เพื่อแก้ปัญหาดังกล่าว การจาแนกข้อมูล (Classification) ด้วย
Neural Network จึงถูกนามาใช้เพื่อจาแนกหาเอกลักษณ์เฉพาะของการแผ่รังสีของ
FeO
ในขั้นแรกตอนจะทาการสร้าง Model จากข้อมูลที่เก็บได้ โดยทาการแบ่ง
ข้อมูลออกเป็น 2 กลุ่มเพื่อใช้ Train และทดสอบ (Validate) ทั้งนี้เพื่อลดปัญหา
Over-Training จากนั้นทาการคัดเลือกตัวแปรที่จะนามาสร้างเป็น Model โดยเลือก
จากตัวแปรที่มีความสัมพันธ์ (Pearson ’s Correlation) กับปริมาณ FeO ที่วัดได้จริง
ด้วย Probe วัดในระดับสูง จากนั้น Neural Network จะทาการจาแนกเอกลักษณ์
สุดท้าย ทาการปรับชัดเชยค่าต่าง ๆ เพื่อเพิ่มความแม่นยาให้กับ Model
จากการศึกษา [2] พบว่า Technique นี้สามารถใช้วัดปริมาณ FeO ได้
อย่างแม่นยา โดยมีความคลาดเคลื่อน (Estimation Error) เพียงร้อยละ 1.64 เท่านั้น
โดย Model นี้ประกอบไปด้วย ตัวแปรเพียง 6 ตัวคือ ตัวแปรความยาวคลื่น 4 ตัว
และตัวแปรปริมาณรังสีที่แผ่ออกมา 2 ตัว โดยมี Neuron เพียง 1 Layer และไม่มี
Hidden Layer
http://www.automationtechnology.de
สรุป
การทดลองของ R. S. ąkowskia [2] ยืนยันว่า FeO สามารถวัดได้ผ่านการวัด
ปริมาณการแผ่รังสีของน้าเหล็กและ Slag วิธีนี้สามารถทาได้อย่างรวดเร็วและมีความ
แม่นยาสูง อีกทั้งการวัดไม่จาเป็นต้องสัมผัสกับน้าเหล็กทาให้กระบวนการผลิตมีความ
ปลอดภัยมากยิ่งขึ้น ด้วยคุณประโยชน์ที่ได้เหล่านี้ช่วยลดแรงกดดันของ LRF ทาให้ทั้ง
กระบวนการผลิตมีความยืดหยุ่นมากขึ้น การ Refining สามารถทาได้นานยิ่งขึ้นทาให้
น้าเหล็กมีคุณภาพดีขึ้น ซึ่งช่วยลดค่าใช้จ่ายที่เกิดจากการ Charge แร่และสารแต่งเติม
ต่าง ๆ ในปริมาณที่มากเกินความจาเป็น อีกทั้งลดค่าใช้จ่ายที่เกิดจากความเสียหายที่
เกิดจากการความล่าช้าในการ Refining
ผู้เขียนมีความเชื่อว่านี่เป็นเพียงแค่ตัวอย่างหนึ่งของการนา Artificial
Intelligence และ Technique การวิเคราะห์ข้อมูลแบบ Neural Network มาใช้
แก้ปัญหาปลดล็อคข้อจากัดในกระบวนการผลิตที่มีมาอย่างยาวนาน ซึ่งจะไม่ถูกจากัด
ใช้เพียงแค่ในกระบวนการผลิตเหล็กเท่านั้น หากแต่จะสามารถนาไปใช้ได้ใน
อุตสาหกรรมอื่น ๆ ได้อีกมากมาย
References
[1] R. J. Fruehan, Ed., The Making, Shaping and Treating of Steel, 11
ed., vol. Steelmaking and Refining, Pittsburgh: The AISE Steel
Foundation, 1998, pp. 123-126.
[2] R. S. ąkowskia, K. Pacholskib, B. W. ęceka, R. Olbrychta, W.
Wittchenc and M. Boreckic, "Estimation of FeO content in the
steel slag using infrared imaging and artificial neural network,"
Measurement: Journal of the International Measurement
Confederation, vol. 117, pp. 380-389, 2018.