KI verbessert die Fehlererkennung in Induktionsöfen

Im Zentrum der Stahlgießereien schmelzen Induktionsöfen Metall mit bemerkenswerter Effizienz.Ein Durchbruch in der erklärbaren künstlichen Intelligenz (XAI) bietet nun eine Lösung für die präventive Fehlererkennung und -diagnose in diesen kritischen industriellen Systemen.

Induktionsöfen (IFs) sind aufgrund ihrer Effizienz, Geschwindigkeit, Steuerbarkeit und sauberen Bedienung für industrielle Heizung, Schmelzen, Schweißen und Metallhärten unverzichtbar geworden.Diese komplexen Systeme bestehen aus vier Hauptkomponenten::

• Rectifikatorenmit einer Leistung von mehr als 100 W und einer Leistung von mehr als 100 W,
• Gleichstromverbindungenmit Strombegrenzungsreaktoren und Filterkondensatoren
• mit einer Leistung von mehr als 10 Wdie die Leistung durch Anpassung der Schaltfrequenz regulieren
• Resonanzkreisemit einer Breite von mehr als 20 mm,

Die Systeme benötigen eine präzise Kühlung, um die Wärme von Leistungshalbleitern, Busbars, Kondensatoren und Induktionsspulen abzuleiten.Ein Ausfall dieser Komponenten kann zu katastrophalen Produktionsunterbrechungen führen..

Eine bahnbrechende Forschungsinitiative hat ein Deep Learning-Rahmenwerk für die Fehlerdiagnose von IF entwickelt, das durch post-hoc XAI-Module erweitert wird, die komplexe Modellentscheidungen interpretieren.Dieser doppelte Ansatz liefert sowohl genaue Vorhersagen als auch verständliche Erklärungen, um das Vertrauen der Betreiber in die Empfehlungen der KI zu stärken.

Das System bietet sechs wesentliche Betriebsvorteile:

• Verhindert sekundäre Schäden an kritischen Komponenten wie Leistungshalbleitern
• Reduziert die Reparaturzeit und die gesamte Ausfallzeit durch präzise Fehlerlokalisierung
• Senkung der Wartungskosten durch Verhinderung von Störungen
• Verbessert die allgemeine Systemgesundheit und -leistung
• Steigert die Produktivität, indem ungeplante Stillstände minimiert werden
• Verringerung der Sicherheitsrisiken durch Früherkennung von Gefahren

Das Forschungsteam sammelte umfassende elektrische Parameterdaten von in Betrieb befindlichen 15-Tonnen-Induktionsöfen mit 5 MW, darunter:

• Spannungs-, Strom- und Leistungsmessungen
• Harmonische Verzerrungsmetriken bis zur 22. Ordnung
• Leistungsqualitätsindikatoren wie THD, OHD und EHD
• Systemungleichgewichtsquoten und K-Faktoren

Nach der Vorverarbeitung von 218 Parametern, die von Leistungsqualitätsanalysatoren gesammelt wurden, verwendeten die Forscher einen Local Outlier Factor-Algorithmus zur halbüberwachten Anomalie-Erkennung.Die markierten Daten trainierten dann eine optimierte Deep Neural Network (DNN) Architektur, die für die Echtzeitleistung optimiert wurde..

Die wahre Innovation des Systems liegt in der Integration von LIME- und SHAP-Algorithmen, um DNN-Vorhersagen zu erklären.

• Abbau der Kondensatoren
• Ausfälle der Steuerungskette
• Wechselkontaktkorrosion
• Vorfälle von Bodenleckagen
• Fehler bei Halbleitern

Das XAI-Modul identifiziert die wichtigsten Parameter, die zu jeder Diagnose beitragen.Das System hat die Bedeutung der 13. Harmonie in Phase III (V3H13) konsequent hervorgehoben., zusammen mit dem Gesamtleistungsfaktor (CosPhiT) und den spezifischen Stromharmoniken.

Vergleichende Tests zeigten die Überlegenheit des DNN gegenüber herkömmlichen Methoden des maschinellen Lernens:

• Durchschnittliche F-Messung von 0.9187, übertrifft die Steigerung des Gradients (0,8998) und die zufälligen Waldmethoden
• 15.22% höhere Genauigkeit als naive Bayes-Klassifikatoren
• Konsistente Leistung bei allen Bewertungskennzahlen (Genauigkeit, Rückruf, Genauigkeit)

Die Forschung bestätigt, daß ungerade Harmoniken (insbesondere die 3., 11., 13. und 17.) als zuverlässige Indikatoren für verschiedene Fehlerbedingungen in Induktionsöfen dienen.Diese Feststellung entspricht den Prinzipien der Elektrotechnik in Bezug auf Geradliner induzierte Harmoniken in industriellen Stromversorgungssystemen.

Während die derzeitige Umsetzung bemerkenswert vielversprechend ist, stellen die Forscher Einschränkungen fest, darunter Klassenungleichgewicht in den Ausbildungsdaten und die technische Komplexität bei der Interpretation einiger XAI-Ausgänge.Die künftigen Arbeiten werden sich auf die Verfeinerung dieser Aspekte konzentrieren, um die Zuverlässigkeit und Benutzerfreundlichkeit der Systeme in industriellen Umgebungen mit hohem Einsatz weiter zu verbessern.