هوش مصنوعی تشخیص خطا را در کوره‌های القایی بهبود می‌بخشد

در قلب کارخانه های فولادی، کوره های اندوکسی فلز را با کارایی قابل توجهی ذوب می کنند. اما وقتی این سیستم ها شکست می خورند، تولید با هزینه های شگفت انگیز متوقف می شود.یک پیشرفت در هوش مصنوعی قابل توضیح (XAI) اکنون یک راه حل برای تشخیص خطای پیشگیرانه و تشخیص در این سیستم های صنعتی حیاتی را ارائه می دهد.

کوره های اندوکشن (IF) به دلیل کارایی ، سرعت ، کنترل و عملکرد تمیز آنها برای گرمایش صنعتی ، ذوب ، جوش و سخت کردن فلز ضروری شده اند.این سیستم های پیچیده از چهار جزء اصلی تشکیل شده اند:

• دستگاه های اصلاح کنندهکه از AC به DC با استفاده از تنظیم کننده های کنترل شده سیلیکون (SCR) تبدیل می شوند
• پیوندهای DCبا رآکتورهای محدود کننده جریان و خازن های فیلتر
• دستگاه های inverterکه قدرت را با تنظیم فرکانس سوئیچ تنظیم می کنند
• مدارهای رزونانتشامل اسپیل های کوره و خازن های AC

این سیستم ها نیاز به خنک سازی دقیق دارند تا گرما را از نیمه هادی های قدرت، بسبارها، خازن ها و کویل های تحرک از بین ببرند.هر گونه خرابی در این قطعات می تواند منجر به وقفه های فاجعه بار تولید شود.

یک ابتکار تحقیق پیشگامانه یک چارچوب یادگیری عمیق برای تشخیص خطای IF را توسعه داده است که با ماژول های XAI پس از زمان که تصمیمات مدل پیچیده را تفسیر می کند، تقویت شده است.این روش دوگانه هم پیش بینی های دقیق و هم توضیحات قابل درک را ارائه می دهد، ایجاد اعتماد اپراتور به توصیه های هوش مصنوعی.

این سیستم شش مزیت عملیاتی اصلی را فراهم می کند:

• از آسیب ثانویه به اجزای حیاتی مانند نیمه هادی های قدرت جلوگیری می کند
• کاهش زمان تعمیر و زمان خرابی کلی از طریق مکان دقیق خطا
• کاهش هزینه های تعمیر و نگهداری با جلوگیری از شکست های زنجیره ای
• بهبود سلامت و عملکرد کلی سیستم
• افزایش بهره وری با به حداقل رساندن توقف های برنامه ریزی نشده
• کاهش خطرات ایمنی از طریق تشخیص زودهنگام خطرات

تیم تحقیقاتی داده های پارامترهای الکتریکی جامع را از کوره های تحرک 15 تن و 5 مگاوات که در حال کار هستند جمع آوری کردند، از جمله:

• اندازه گیری ولتاژ، جریان و قدرت
• معیارهای تحریف هارمونیک تا نظم ۲۲
• شاخص های کیفیت برق مانند THD، OHD و EHD
• نسبت عدم تعادل سیستم و عوامل K

پس از پیش پردازش ۲۱۸ پارامتر جمع آوری شده از تحلیلگران کیفیت برق، محققان یک الگوریتم فاکتور متغیر محلی را برای تشخیص ناهنجاری نیمه تحت نظارت استفاده کردند.سپس داده های برچسب زده شده یک معماری شبکه عصبی عمیق (DNN) را برای عملکرد در زمان واقعی بهینه سازی کردند.

نوآوری واقعی سیستم در ادغام الگوریتم های LIME و SHAP برای توضیح پیش بینی های DNN است.

• تخریب خازن
• خرابی مدار کنترل
• خوردگی تماس با تغییر
• حوادث نشت خاک
• خطاهای نیمه هادی

ماژول XAI مهمترین پارامترهای موثر در هر تشخیص را شناسایی می کند. به عنوان مثال در سناریوهای نقص زمین،سیستم به طور مداوم اهمیت ولتاژ هارمونیک 13 را در فاز III (V3H13) برجسته کرده است.، همراه با فاکتور کل قدرت (CosPhiT) و هارمونیک های جریان خاص.

آزمایش های مقایسه ای نشان داد که DNN نسبت به روش های سنتی یادگیری ماشین برتر است:

• متوسط اندازه گیری F 0.9187، از افزایش شیب (0.8998) و روش های جنگل تصادفی بهتر است
• 15.22 درصد دقت بيشتر از طبقه بندي کننده هاي ساده بايز
• عملکرد سازگار در تمام معیارهای ارزیابی (دقیقت، یادآوری، دقت)

تحقیقات تأیید می کند که هارمونیک های نظم عجیب (به ویژه 3، 11، 13 و 17) به عنوان شاخص های قابل اعتماد برای شرایط مختلف خطا در سیستم های کوره های تحرک عمل می کنند.این یافته با اصول مهندسی برق در مورد هارمونیک های تحریک شده توسط تنظیم کننده در سیستم های برق صنعتی مطابقت دارد.

در حالی که پیاده سازی فعلی امیدوار کننده است، محققان محدودیت هایی از جمله عدم تعادل کلاس در داده های آموزشی و پیچیدگی فنی تفسیر برخی از خروجی های XAI را مشاهده می کنند.کار آینده بر بهبود این جنبه ها برای افزایش بیشتر قابلیت اطمینان و قابلیت استفاده از سیستم در محیط های صنعتی با ریسک بالا متمرکز خواهد شد.