Η τεχνητή νοημοσύνη βελτιώνει την ανίχνευση σφαλμάτων σε φούρνους επαγωγής

Στην καρδιά των χαλυβουργείων, οι επαγωγικοί κλίβανοι λιώνουν μέταλλο με αξιοσημείωτη αποδοτικότητα. Ωστόσο, όταν αυτά τα συστήματα αποτυγχάνουν, οι διακοπές παραγωγής έχουν αστρονομικό κόστος. Μια καινοτομία στην επεξηγήσιμη τεχνητή νοημοσύνη (XAI) προσφέρει τώρα μια λύση για την προληπτική ανίχνευση και διάγνωση βλαβών σε αυτά τα κρίσιμα βιομηχανικά συστήματα.

Οι επαγωγικοί κλίβανοι (IFs) έχουν γίνει απαραίτητοι για τη βιομηχανική θέρμανση, τήξη, συγκόλληση και σκλήρυνση μετάλλων λόγω της αποδοτικότητάς τους, της ταχύτητας, της ελεγξιμότητας και της καθαρής λειτουργίας τους. Αυτά τα σύνθετα συστήματα αποτελούνται από τέσσερα κύρια στοιχεία:

• Ανορθωτές που μετατρέπουν το AC σε DC χρησιμοποιώντας ανορθωτές ελεγχόμενους με πυρίτιο (SCRs)
• Σύνδεσμοι DC με αντιδραστήρες περιορισμού ρεύματος και πυκνωτές φιλτραρίσματος
• Αντιστροφείς που ρυθμίζουν την ισχύ προσαρμόζοντας τη συχνότητα μεταγωγής
• Συντονισμένα κυκλώματα που αποτελούνται από πηνία κλιβάνου και πυκνωτές AC

Τα συστήματα απαιτούν ακριβή ψύξη για τη διάχυση θερμότητας από τους ημιαγωγούς ισχύος, τους αγωγούς, τους πυκνωτές και τα επαγωγικά πηνία. Οποιαδήποτε βλάβη σε αυτά τα εξαρτήματα μπορεί να οδηγήσει σε καταστροφικές διακοπές παραγωγής.

Μια πρωτοποριακή ερευνητική πρωτοβουλία έχει αναπτύξει ένα πλαίσιο βαθιάς μάθησης για τη διάγνωση βλαβών IF, ενισχυμένο με μετα-ανάλυση μονάδων XAI που ερμηνεύουν σύνθετες αποφάσεις μοντέλων. Αυτή η διπλή προσέγγιση προσφέρει τόσο ακριβείς προβλέψεις όσο και κατανοητές εξηγήσεις, χτίζοντας την εμπιστοσύνη των χειριστών στις συστάσεις της ΤΝ.

Το σύστημα παρέχει έξι βασικά λειτουργικά οφέλη:

• Αποτρέπει δευτερογενείς ζημιές σε κρίσιμα εξαρτήματα όπως ημιαγωγοί ισχύος
• Μειώνει τον χρόνο επισκευής και τη συνολική διακοπή λειτουργίας μέσω ακριβούς εντοπισμού βλαβών
• Μειώνει το κόστος συντήρησης αποτρέποντας αλυσιδωτές βλάβες
• Βελτιώνει τη συνολική υγεία και απόδοση του συστήματος
• Αυξάνει την παραγωγικότητα ελαχιστοποιώντας τις απρογραμμάτιστες διακοπές
• Μειώνει τους κινδύνους ασφαλείας μέσω πρώιμης ανίχνευσης κινδύνων

Η ερευνητική ομάδα συνέλεξε ολοκληρωμένα δεδομένα ηλεκτρικών παραμέτρων από λειτουργικούς επαγωγικούς κλιβάνους 15 τόνων, 5MW, συμπεριλαμβανομένων:

• Μετρήσεις τάσης, ρεύματος και ισχύος
• Μετρικές αρμονικής παραμόρφωσης έως την 22η τάξη
• Δείκτες ποιότητας ισχύος όπως THD, OHD και EHD
• Λόγοι ανισορροπίας συστήματος και παράγοντες Κ

Μετά την προεπεξεργασία 218 παραμέτρων που συλλέχθηκαν από αναλυτές ποιότητας ισχύος, οι ερευνητές χρησιμοποίησαν έναν αλγόριθμο Local Outlier Factor για ημι-επιβλεπόμενη ανίχνευση ανωμαλιών. Τα επισημασμένα δεδομένα στη συνέχεια εκπαίδευσαν μια βελτιστοποιημένη αρχιτεκτονική βαθιού νευρωνικού δικτύου (DNN) για απόδοση σε πραγματικό χρόνο.

Η πραγματική καινοτομία του συστήματος έγκειται στην ενσωμάτωση αλγορίθμων LIME και SHAP για την εξήγηση των προβλέψεων του DNN. Όταν το μοντέλο ανιχνεύει πιθανές βλάβες όπως:

• Υποβάθμιση πυκνωτή
• Βλάβες κυκλώματος ελέγχου
• Διάβρωση επαφών μεταγωγής
• Περιστατικά διαρροής γείωσης
• Βλάβες ημιαγωγών

η μονάδα XAI εντοπίζει τις πιο επιδραστικές παραμέτρους που συμβάλλουν σε κάθε διάγνωση. Για παράδειγμα, σε σενάρια βλάβης γείωσης, το σύστημα τόνισε σταθερά τη σημασία της 13ης αρμονικής τάσης στη Φάση III (V3H13), μαζί με τον συνολικό συντελεστή ισχύος (CosPhiT) και συγκεκριμένες αρμονικές ρεύματος.

Συγκριτικές δοκιμές έδειξαν την υπεροχή του DNN έναντι παραδοσιακών προσεγγίσεων μηχανικής μάθησης:

• Μέσος όρος F-measure 0.9187, ξεπερνώντας τις μεθόδους gradient boosting (0.8998) και random forest
• 15,22% υψηλότερη ακρίβεια από τους ταξινομητές naive Bayes
• Συνεπής απόδοση σε όλες τις μετρικές αξιολόγησης (ακρίβεια, ανάκληση, ορθότητα)

Η έρευνα επιβεβαιώνει ότι οι περιττές αρμονικές (ιδιαίτερα η 3η, 11η, 13η και 17η) χρησιμεύουν ως αξιόπιστοι δείκτες για διάφορες συνθήκες βλάβης σε συστήματα επαγωγικών κλιβάνων. Αυτό το εύρημα ευθυγραμμίζεται με τις αρχές της ηλεκτρολογικής μηχανικής σχετικά με τις αρμονικές που προκαλούνται από ανορθωτές σε βιομηχανικά συστήματα ισχύος.

Ενώ η τρέχουσα υλοποίηση δείχνει αξιοσημείωτη υπόσχεση, οι ερευνητές σημειώνουν περιορισμούς, συμπεριλαμβανομένης της ανισορροπίας κλάσεων στα δεδομένα εκπαίδευσης και της τεχνικής πολυπλοκότητας της ερμηνείας ορισμένων εξόδων XAI. Η μελλοντική εργασία θα επικεντρωθεί στη βελτίωση αυτών των πτυχών για την περαιτέρω ενίσχυση της αξιοπιστίας και της χρηστικότητας του συστήματος σε βιομηχανικά περιβάλλοντα υψηλού κινδύνου.