Analysis of overall bow phenomenon in glass heat treatment process

Abstract

Overall bow is one of the measured quantities of heat treated glass. Overall bow phenomenon causes optical quality flaws to the glass and can in certain situations affect the usability and safety of a heat treated glass product. The current solution for recognizing overall bow from heat treated glasses is the responsibility of the heat treatment machine operator and can be done only after the heat treatment process. The work aims to identify best methods and to conduct analysis of available data from a real glass flat tempering machine to determine if it would be possible to recognize overall bow in glasses during the process. If the amount of overall bow could be predicted reliably during the process, it could still be fixed by adjusting the process parameters to manufacture a usable and salable glass product. In this work, data analysis methods and lightweight convolutional neural networks are used to find the correlation between the amount of overall bow in glasses and available data. Data consisted of annotations, process parameters, and thermal scanner images of glasses. Simple data analysis methods and lightweight convolutional neural networks were chosen as the methods because there was no previous research on the topic, and the amount of data and validity of it were poor. The results of the analysis indicate that there is a possibility to recognize and predict overall bow phenomenon during the process. The tests conducted with convolutional neural networks remained minimal in this work. The amount and validity of data bring uncertainty to test results, but the analysis and testing in this work provide a good background for future research.

Kokonaistaipuma on yksi lämpökäsitellyn lasin mitattavista suureista. Kokonaistaipuma ilmiö aiheuttaa lasiin optisia haittoja ja tietyissä tilanteissa sen määrä voi vaikuttaa lämpökäsitellyn lasin käytettävyyteen ja turvallisuuteen. Nykyinen ratkaisu kokonaistaipuman tunnistamiseen on lasin lämpökäsittelykoneen operaattorin vastuulla ja tunnistaminen voidaan tehdä täysin varmuudella vasta lämpökäsittely prosessin jälkeen. Tämän työn tavoitteena on löytää parhaat tavat ja tehdä analyysia datalle, jotta voitaisiin selvittää onko mahdollista tunnistaa lasien kokonaistaipumaa jo prosessin aikana. Työssä käytettävä data on oikeasta lasin tasokarkaisukoneesta. Jos lasin kokonaistaipuman määrää voitaisiin ennustaa luotettavasti prosessin aikana, asiaa voitaisiin vielä korjata säätämällä prosessi parametreja. Näin voitaisiin varmistaa, että saataisiin tuotettua käytettävä ja myytävä lasituote. Tässä työssä käytetään data-analyysi metodeja ja kevyitä konvoluutioneuroverkkoja, jotta löydettäisiin yhteneväisyyksiä kokonaistaipuman määrän ja käytettävissä olevan datan välillä. Työssä käytettävä data koostui annotoinneista, prosessiparametreista ja lasien lämpökamerakuvista. Yksinkertaiset data-analyysi metodit ja kevyet konvoluutioneuroverkot valikoituivat käytettäväksi työssä, sillä aikaisempaa tutkimusta aiheesta ei ollut saatavilla ja datan määrä ja kelpoisuus eivät olleet hyviä. Tuloksista voidaan päätellä, että on mahdollista tunnistaa ja ennustaa kokonaistaipuman tapahtumista prosessin aikana. Konvoluutioneuroverkkojen avulla toteutetut testit jäivät vähäiseksi tässä työssä. Datan vähäinen määrä ja kelpoisuus testeihin tuovat epävarmuutta testien tuloksiin, mutta työssä toteutetut testit ja analyysi antavat hyvän pohjan tulevaisuuden tutkimukselle.