Estudo e classificação de um aço elétrico de grão não orientado quanto ao seu estado microestrutural através de sistema de visão computacional

Abstract

A crescente demanda mundial por energia elétrica, torna necessário a adoção de medidas que vão desde a exploração de novos recursos da matriz energética até o desenvolvimento de tecnologias que permitam elevados níveis de eficiência energética de máquinas e equipamentos. Os aços elétricos de grão não orientado são largamente utilizados na construção de rotores e estatores que formam o núcleo dos motores elétricos, e suas características microestruturais estão diretamente relacionadas ao seu desempenho eletromagnético. O presente trabalho apresenta uma abordagem rápida e eficiente para a classificação dos aços elétricos de grão não orientado quanto ao seu estado microestruturaledesempenhoeletromagnéticoàpartirdaanálisedesuasfotomicrografias,explorando a fundamentação científica acerca da interação entre suas propriedades magnéticas e sua microestrutura, a qual afirma que o tamanho do grão tem um efeito muito forte nas perdas magnéticas desse material. O estudo foi realizado em amostras de um aço elétrico de grão não orientado, semiprocessado com 1,28% de silício, laminados a frio com reduções de 50% e 70%, recozido em caixa a 730°C por 12 horas, submetidas à tratamento térmico de recozimento para crescimento de grão nas temperaturas de 620°C, 730°C, 840°C e 900°C pelos tempos de 1, 10, 100 e 1000 minutos em cada temperatura, o que levou a formação de um banco de dados com 192 imagens. A abordagem computacional empregada utilizou a combinação dos extratores de atributos, Gray Level Co-Ocurrence Matrix (GLCM),Local Binary Pattern (LBP),momentos centrais,momentos estatísticos e momentos de Hu, com os classificadores Bayes, K-Nearest Neighbor (KNN) com 1, 3 e 5 vizinhos mais próximos, K-means, Multi layer perceptron (MLP) com duas configuraviii ções, Support Vector Machines (SVM) com kernel linear, Radial Basis Function (RBF), sigmóide e polinomial,ainda combinados com 2 métodos de partição de dados,o hold out e o leave one out. A classificação realizada pelo método KNN com 1 vizinho, utilizando o banco de dados formado pelo extrator GLCM e método de partição de dados hold out, obteve a maior acurácia com taxa de 97,44%, alem de valores superiores a 96% nas demais métricas de validação,necessitando de apenas 15,4 milissegundos para teste. Vale ressaltar que com os resultados obtidos, pode-se constatar que a abordagem proposta nesse trabalho gera uma nova metodologia de analise microestrutural de aços elétricos de grão não orientado