Sztuczna inteligencja poprawia wykrywanie usterek w piecach indukcyjnych

W centrum odlewni stalowych są piece indukcyjne, w których metal topi się z niezwykłą wydajnością.Przełom w dziedzinie wytłumaczalnej sztucznej inteligencji (XAI) oferuje teraz rozwiązanie do prewencyjnego wykrywania i diagnozowania usterek w tych kluczowych systemach przemysłowych.

Piece indukcyjne (IF) stały się niezbędne do przemysłowego ogrzewania, topienia, spawania i twardzenia metali ze względu na ich wydajność, prędkość, kontrolowalność i czystą pracę.Te złożone systemy składają się z czterech podstawowych elementów::

• Sprzęt do poprawianiao pojemności nieprzekraczającej 1 kVA
• Połączenia prądu stałegoz reaktorami ograniczającymi prąd i kondensatorami filtrującymi
• Inwerteryktóre regulują moc poprzez regulację częstotliwości przełączania
• Obwody rezonansowezawierające cewki piecowe i kondensatory AC

Systemy te wymagają precyzyjnego chłodzenia, aby rozpraszać ciepło z półprzewodników mocy, prętów prądowych, kondensatorów i cewek indukcyjnych.Każda awaria tych komponentów może doprowadzić do katastrofalnych przerw w produkcji..

Przełomowa inicjatywa badawcza opracowała ramy głębokiego uczenia się do diagnostyki błędów IF, wzmocnione przez moduły XAI post-hoc, które interpretują złożone decyzje dotyczące modeli.To podwójne podejście zapewnia zarówno dokładne przewidywania, jak i zrozumiałe wyjaśnienia, budowanie zaufania operatorów do zaleceń AI.

System zapewnia sześć kluczowych korzyści operacyjnych:

• Zapobiega wtórnym uszkodzeniom krytycznych komponentów, takich jak półprzewodniki mocy
• Zmniejsza czas naprawy i ogólny czas przerwy dzięki precyzyjnej lokalizacji usterek
• Obniża koszty utrzymania poprzez zapobieganie awariom kaskadowym
• Poprawia ogólne funkcjonowanie systemu
• Zwiększa wydajność poprzez zminimalizowanie nieplanowanych przerw pracy
• Zmniejszenie ryzyka dla bezpieczeństwa poprzez wczesne wykrywanie zagrożeń

Zespół badawczy zebrał kompleksowe dane dotyczące parametrów elektrycznych z działających pieców indukcyjnych o pojemności 15 ton i mocy 5 MW, w tym:

• Pomiary napięcia, prądu i mocy
• Wskaźniki zniekształceń harmonijnych do 22. rzędu
• Wskaźniki jakości energii, takie jak THD, OHD i EHD
• Wskaźniki nierównowagi systemu i czynniki K

Po wstępnym przetworzeniu 218 parametrów zebranych z analizatorów jakości zasilania naukowcy wykorzystali algorytm Local Outlier Factor do pół nadzorowanego wykrywania anomalii.Zapewnione dane wyszkoliły usprawnioną architekturę głębokiej sieci neuronowej (DNN) zoptymalizowaną dla wydajności w czasie rzeczywistym.

Prawdziwą innowacją systemu jest integracja algorytmów LIME i SHAP w celu wyjaśnienia przewidywań DNN.

• Upadek kondensatora
• Nieprawidłowości układu sterowania
• Kororacja w kontaktach przełączania
• Incydenty związane z wyciekami z gruntu
• Wady półprzewodników

Moduł XAI identyfikuje najbardziej wpływowe parametry przyczyniające się do każdej diagnozy.system konsekwentnie podkreślał znaczenie 13 harmonicznego napięcia w fazie III (V3H13), wraz z całkowitym współczynnikiem mocy (CosPhiT) i specyficznymi harmonikami prądu.

Badania porównawcze wykazały przewagę DNN nad tradycyjnymi metodami uczenia maszynowego:

• Średnia wartość F wynosi 0.9187, przewyższając metodę zwiększania gradientu (0,8998) i metody lasów losowych
• 15.22% większa dokładność niż naiwne klasyfikatory Bayesa
• Konsekwentna wydajność we wszystkich wskaźnikach oceny (dokładność, odwołanie, dokładność)

Badania potwierdzają, że harmoniki nieparzystego rzędu (zwłaszcza 3rd, 11th, 13th i 17th) służą jako wiarygodne wskaźniki różnych warunków awarii w systemach pieców indukcyjnych.Wyniki te są zgodne z zasadami inżynierii elektrycznej dotyczącymi harmonik wyprostowujących w systemach energetycznych przemysłowych.

Podczas gdy obecne wdrożenie jest niezwykle obiecujące, naukowcy zauważają ograniczenia, w tym nierównowagę klasową w danych szkoleniowych i złożoność techniczną interpretacji niektórych wyników XAI.Przyszłe prace będą koncentrować się na udoskonaleniu tych aspektów w celu dalszego zwiększenia niezawodności i użyteczności systemu w środowiskach przemysłowych o wysokim ryzyku.