Título

Detecção de escória utilizando cnn-lstm aplicada a sinais de vibração industriais

Slag detection using cnn-lstm applied To industrial vibration signals

Autoria

NASCIMENTO, RAMYSON DE ARAUJO; OLIVEIRA, CAIO LOPES DE; CASSIMIRO, IGOR RODRIGUES; CUADROS, MARCO ANTÔNIO DE SOUZA LEITE; ALMEIDA, GUSTAVO MAIA DE

NASCIMENTO, RAMYSON DE ARAUJO

Eu sou esse autor

OLIVEIRA, CAIO LOPES DE

Eu sou esse autor

CASSIMIRO, IGOR RODRIGUES

Eu sou esse autor

CUADROS, MARCO ANTÔNIO DE SOUZA LEITE

Eu sou esse autor

ALMEIDA, GUSTAVO MAIA DE

Eu sou esse autor

DOI

10.5151/2594-5335-43102

Downloads

Resumo

O monitoramento da presença de escória durante o vazamento do aço é uma etapa crítica para a qualidade do produto final e para a eficiência operacional na siderurgia. Entre os sinais disponíveis, medições de vibração oferecem vantagens como caráter não intrusivo, baixo custo e coleta contínua. Este trabalho utiliza dados industriais de vibração provenientes do conjunto “An accelerometer-based dataset for monitoring slag in steel manufacturing”, com o objetivo de avaliar uma arquitetura híbrida CNN-LSTM para identificar estados temporais associados à passagem de escória. Os sinais do eixo x do acelerômetro foram segmentados por janelamento deslizante, com duração de 0,1 s e 50% de sobreposição, sendo as amostras classificadas em três classes: antes, durante e depois da passagem de escória. A partir desse pipeline de pré-processamento e modelagem supervisionada, o modelo alcançou acurácia global de 85,8% no conjunto de teste, indicando desempenho consistente e potencial de aplicação como ferramenta de apoio ao monitoramento industrial.

Monitoring slag presence during steel pouring is a critical step for ensuring final product quality and operational efficiency in the steel industry. Among the available signals, vibration measurements offer important advantages, such as being non-intrusive, low-cost, and suitable for continuous data acquisition. This work uses industrial vibration data from the dataset “An accelerometer-based dataset for monitoring slag in steel manufacturing” to evaluate a hybrid CNN-LSTM architecture for identifying temporal states associated with slag passage. The x-axis accelerometer signals were segmented using a sliding window approach with a duration of 0.1 s and 50% overlap, and the samples were classified into three classes: before, during, and after slag passage. Based on this supervised preprocessing and modeling pipeline, the proposed model achieved an overall accuracy of 85.8% on the test set, indicating consistent performance and potential application as a support tool for industrial monitoring systems.

Palavras-chave

Detecção de escória, Vibração, CNN-LSTM, Lingotamento

Slag detection, Vibration, CNN-LSTM, Continuous casting