L'intelligenza artificiale migliora la rilevazione dei difetti nei forni a induzione

Nel cuore delle fonderie di acciaio, i forni a induzione fondono il metallo con notevole efficienza.Una svolta nell'intelligenza artificiale spiegabile (XAI) offre ora una soluzione per la rilevazione e la diagnosi preventiva dei guasti in questi sistemi industriali critici.

I forni a induzione (IF) sono diventati indispensabili per il riscaldamento industriale, la fusione, la saldatura e l'indurimento dei metalli a causa della loro efficienza, velocità, controllabilità e funzionamento pulito.Questi sistemi complessi sono costituiti da quattro componenti principali::

• Rettificatoricon una capacità di accensione superiore a 50 W,
• Collegamenti in CCcon reattori limitatori di corrente e condensatori di filtraggio
• Invertitoriche regolano la potenza regolando la frequenza di commutazione
• Circuiti di risonanzadi cilindrata inferiore o uguale a 50 cm3 ma non superiore a 50 cm3

I sistemi richiedono un raffreddamento preciso per dissipare il calore da semiconduttori di potenza, busbar, condensatori e bobine di induzione.Qualsiasi guasto di questi componenti può causare interruzioni catastrofiche della produzione..

Un'iniziativa di ricerca rivoluzionaria ha sviluppato un quadro di apprendimento approfondito per la diagnosi di errori di IF, migliorato da moduli XAI post-hoc che interpretano decisioni di modelli complessi.Questo duplice approccio offre sia previsioni accurate che spiegazioni comprensibili, rafforzando la fiducia degli operatori nelle raccomandazioni dell'IA.

Il sistema offre sei vantaggi operativi chiave:

• Previene danni secondari a componenti critici come i semiconduttori di potenza
• Riduce il tempo di riparazione e il tempo di inattività complessivo attraverso una precisa localizzazione dei guasti
• Riduce i costi di manutenzione evitando guasti a cascata
• Migliora la salute e le prestazioni complessive del sistema
• Aumenta la produttività riducendo al minimo gli arresti non pianificati
• Mitigare i rischi per la sicurezza attraverso la rilevazione precoce dei pericoli

Il gruppo di ricerca ha raccolto dati completi sui parametri elettrici di forni a induzione in funzione da 15 tonnellate e 5 MW, tra cui:

• Misurazioni di tensione, corrente e potenza
• Metrici di distorsione armonica fino al 22° ordine
• Indicatori di qualità dell'energia come THD, OHD ed EHD
• Rapporti di squilibrio del sistema e fattori K

Dopo aver pre-elaborato 218 parametri raccolti dagli analizzatori di qualità della potenza, i ricercatori hanno impiegato un algoritmo di fattore di differenziazione locale per il rilevamento di anomalie semi-supervisionato.I dati etichettati hanno poi addestrato un'architettura di rete neurale profonda (DNN) ottimizzata per le prestazioni in tempo reale.

La vera innovazione del sistema risiede nell'integrazione degli algoritmi LIME e SHAP per spiegare le previsioni DNN. Quando il modello rileva potenziali difetti come:

• Degradazione del condensatore
• Errori del circuito di controllo
• Corrosione a contatto di commutazione
• Incidenti di perdite di terreno
• Errori dei semiconduttori

il modulo XAI identifica i parametri più influenti che contribuiscono a ciascuna diagnosi.il sistema ha costantemente evidenziato l'importanza della 13a tensione armonica nella fase III (V3H13), insieme al fattore di potenza totale (CosPhiT) e agli armonici di corrente specifici.

I test comparativi hanno dimostrato la superiorità del DNN rispetto agli approcci tradizionali di apprendimento automatico:

• Misura F media pari a 0.9187, superando il gradient boosting (0,8998) e i metodi forestali casuali
• 15.22% di precisione superiore rispetto ai classificatori Bayes.
• prestazioni coerenti su tutte le metriche di valutazione (precisione, richiamo, precisione)

La ricerca conferma che le armonie di ordine dispari (in particolare la terza, l'undicesima, la tredicesima e la diciassettesima) servono come indicatori affidabili per varie condizioni di guasto nei sistemi di forno a induzione.Questa constatazione è in linea con i principi di ingegneria elettrica in materia di armoniche indotte da raddrizzatori nei sistemi di alimentazione industriale.

Mentre l'attuale attuazione mostra notevoli promesse, i ricercatori notano limitazioni tra cui lo squilibrio di classe nei dati di formazione e la complessità tecnica dell'interpretazione di alcuni risultati XAI.I lavori futuri si concentreranno sull'affinamento di questi aspetti per migliorare ulteriormente l'affidabilità e l'usabilità del sistema in ambienti industriali ad alto rischio.