AI Meningkatkan Deteksi Kesalahan di Tungku Induksi

Di pusat pengecoran baja, tungku induksi melelehkan logam dengan efisiensi yang luar biasa.Sebuah terobosan dalam kecerdasan buatan yang dapat dijelaskan (XAI) sekarang menawarkan solusi untuk deteksi dan diagnosis kesalahan preventif dalam sistem industri kritis ini.

Tungku induksi (IF) telah menjadi sangat penting untuk pemanasan industri, peleburan, pengelasan, dan pengerasan logam karena efisiensi, kecepatan, kontrol, dan operasi yang bersih.Sistem kompleks ini terdiri dari empat komponen utama:

• Pengoreksiyang mengubah AC menjadi DC menggunakan rectifier yang dikendalikan silikon (SCR)
• Sambungan DCdengan reaktor pembatas arus dan kondensator penyaring
• Inverteryang mengatur daya dengan menyesuaikan frekuensi switching
• Sirkuit resonansiyang terdiri dari kumparan tungku dan kondensator AC

Sistem ini membutuhkan pendinginan yang tepat untuk menghilangkan panas dari semikonduktor daya, busbar, kapasitor, dan kumparan induksi.Setiap kegagalan pada komponen ini dapat menyebabkan gangguan produksi yang bencana.

Sebuah inisiatif penelitian yang inovatif telah mengembangkan kerangka pembelajaran mendalam untuk diagnosis kesalahan IF, ditingkatkan dengan modul XAI post-hoc yang menafsirkan keputusan model yang kompleks.Pendekatan ganda ini memberikan prediksi yang akurat dan penjelasan yang mudah dipahami, membangun kepercayaan operator pada rekomendasi AI.

Sistem ini memberikan enam manfaat operasional utama:

• Mencegah kerusakan sekunder pada komponen penting seperti semikonduktor daya
• Mengurangi waktu perbaikan dan waktu henti secara keseluruhan melalui lokalisasi kesalahan yang tepat
• Mengurangi biaya pemeliharaan dengan mencegah kegagalan berturut-turut
• Meningkatkan kesehatan dan kinerja sistem secara keseluruhan
• Meningkatkan produktivitas dengan meminimalkan pemadaman yang tidak direncanakan
• Mengurangi risiko keselamatan melalui deteksi awal bahaya

Tim peneliti mengumpulkan data parameter listrik yang komprehensif dari tungku induksi 15 ton, 5 MW yang beroperasi, termasuk:

• Pengukuran tegangan, arus, dan daya
• Metrik distorsi harmonik sampai urutan ke-22
• Indikator kualitas listrik seperti THD, OHD, dan EHD
• Rasio ketidakseimbangan sistem dan faktor K

Setelah memproses 218 parameter yang dikumpulkan dari analis kualitas daya, para peneliti menggunakan algoritma Local Outlier Factor untuk deteksi anomali semi-diawasi.Data yang diberi label kemudian dilatih arsitektur jaringan saraf mendalam (DNN) yang efisien dioptimalkan untuk kinerja real-time.

Inovasi sebenarnya sistem terletak pada integrasi algoritma LIME dan SHAP untuk menjelaskan prediksi DNN. Ketika model mendeteksi potensi kesalahan seperti:

• Degradasi kondensator
• Kegagalan sirkuit kontrol
• Korosi kontak switching
• Insiden kebocoran tanah
• Gangguan semikonduktor

modul XAI mengidentifikasi parameter yang paling berpengaruh yang berkontribusi pada setiap diagnosis.Sistem secara konsisten menyoroti pentingnya tegangan harmonik ke-13 dalam Fase III (V3H13), bersama dengan faktor daya total (CosPhiT) dan harmonik arus spesifik.

Pengujian komparatif menunjukkan superioritas DNN terhadap pendekatan pembelajaran mesin tradisional:

• Rata-rata F-ukuran 0.9187, mengungguli gradient boosting (0,8998) dan metode hutan acak
• 15.22% lebih akurat dari klasifikasi Bayes yang naif
• Kinerja yang konsisten di semua metrik evaluasi (keakuratan, penarikan kembali, akurasi)

Penelitian ini mengkonfirmasi bahwa harmonik orde ganjil (terutama ke-3, ke-11, ke-13, dan ke-17) berfungsi sebagai indikator yang dapat diandalkan untuk berbagai kondisi kesalahan dalam sistem tungku induksi.Temuan ini selaras dengan prinsip-prinsip teknik listrik mengenai harmonik yang diinduksi rectifier dalam sistem tenaga industri.

Sementara implementasi saat ini menunjukkan janji yang luar biasa, para peneliti mencatat keterbatasan termasuk ketidakseimbangan kelas dalam data pelatihan dan kompleksitas teknis untuk menafsirkan beberapa output XAI.Pekerjaan di masa depan akan berfokus pada penyempurnaan aspek ini untuk lebih meningkatkan keandalan dan kegunaan sistem di lingkungan industri berisiko tinggi.