Yapay zekâ, endüksiyon fırınlarında hata tespitini geliştirir

Çelik dökümhanelerinin kalbinde yer alan endüktif ocaklar, metalleri olağanüstü bir verimlilikle eritir. Ancak bu sistemler arızalandığında, üretim duruşları dudak uçuklatan maliyetlere yol açar. Açıklanabilir yapay zeka (XAI) alanındaki bir atılım, bu kritik endüstriyel sistemlerde önleyici arıza tespiti ve teşhisi için bir çözüm sunuyor.

Endüktif ocaklar (IF'ler), verimlilikleri, hızları, kontrol edilebilirlikleri ve temiz çalışmaları nedeniyle endüstriyel ısıtma, eritme, kaynaklama ve metal sertleştirme için vazgeçilmez hale gelmiştir. Bu karmaşık sistemler dört ana bileşenden oluşur:

• Redresörler silikon kontrollü redresörler (SCR'ler) kullanarak AC'yi DC'ye dönüştüren
• DC bağlantıları akım sınırlayıcı reaktörler ve filtreleme kapasitörleri ile
• Eviriciler anahtarlama frekansını ayarlayarak gücü düzenleyen
• Rezonans devreleri ocak bobinleri ve AC kapasitörlerinden oluşan

Sistemler, güç yarı iletkenlerinden, bara hatlarından, kapasitörlerden ve endüktif bobinlerden ısıyı dağıtmak için hassas soğutma gerektirir. Bu bileşenlerdeki herhangi bir arıza, felaketle sonuçlanan üretim kesintilerine yol açabilir.

Çığır açan bir araştırma girişimi, karmaşık model kararlarını yorumlayan post-hoc XAI modülleriyle geliştirilmiş, IF arıza teşhisi için bir derin öğrenme çerçevesi geliştirmiştir. Bu ikili yaklaşım, hem doğru tahminler hem de anlaşılabilir açıklamalar sunarak operatörlerin yapay zeka önerilerine olan güvenini artırır.

Sistem altı temel operasyonel fayda sağlar:

• Güç yarı iletkenleri gibi kritik bileşenlerde ikincil hasarı önler
• Kesin arıza lokalizasyonu yoluyla onarım süresini ve genel kesinti süresini azaltır
• Kademeli arızaları önleyerek bakım maliyetlerini düşürür
• Genel sistem sağlığını ve performansını iyileştirir
• Plansız duruşları en aza indirerek üretkenliği artırır
• Erken tehlike tespiti yoluyla güvenlik risklerini azaltır

Araştırma ekibi, operasyonel 15 tonluk, 5MW'lık endüktif ocaklardan kapsamlı elektriksel parametre verileri topladı, bunlar arasında:

• Voltaj, akım ve güç ölçümleri
• 22. dereceye kadar harmonik bozulma metrikleri
• THD, OHD ve EHD gibi güç kalitesi göstergeleri
• Sistem dengesizlik oranları ve K-faktörleri

Güç kalitesi analizörlerinden toplanan 218 parametrenin ön işlemesinin ardından, araştırmacılar yarı denetimli anomali tespiti için Yerel Aykırı Değer Faktörü algoritmasını kullandı. Etiketlenmiş veriler daha sonra gerçek zamanlı performans için optimize edilmiş akıcı bir derin sinir ağı (DNN) mimarisini eğitti.

Sistemin gerçek yeniliği, DNN tahminlerini açıklamak için LIME ve SHAP algoritmalarının entegrasyonunda yatmaktadır. Model potansiyel arızaları tespit ettiğinde, örneğin:

• Kapasitör bozulması
• Kontrol devresi arızaları
• Anahtarlama kontağı korozyonu
• Toprak kaçağı olayları
• Yarı iletken arızaları

XAI modülü, her teşhise katkıda bulunan en etkili parametreleri belirler. Örneğin, toprak kaçağı senaryolarında, sistem tutarlı bir şekilde Faz III'teki (V3H13) 13. harmonik voltajın, toplam güç faktörünün (CosPhiT) ve belirli akım harmoniklerinin önemini vurguladı.

Karşılaştırmalı testler, DNN'nin geleneksel makine öğrenmesi yaklaşımlarına göre üstünlüğünü gösterdi:

• Ortalama F-ölçüsü 0.9187, gradyan artırma (0.8998) ve rastgele orman yöntemlerinden daha iyi performans gösterdi
• Naive Bayes sınıflandırıcılarından %15.22 daha yüksek doğruluk
• Tüm değerlendirme metriklerinde (kesinlik, geri çağırma, doğruluk) tutarlı performans

Araştırma, tek sıralı harmoniklerin (özellikle 3., 11., 13. ve 17.) endüktif ocak sistemlerindeki çeşitli arıza koşulları için güvenilir göstergeler olarak hizmet ettiğini doğrulamaktadır. Bu bulgu, endüstriyel güç sistemlerindeki redresör kaynaklı harmoniklerle ilgili elektrik mühendisliği prensipleriyle uyumludur.

Mevcut uygulama dikkate değer bir vaat gösterse de, araştırmacılar eğitim verilerindeki sınıf dengesizliği ve bazı XAI çıktılarının yorumlanmasındaki teknik karmaşıklık gibi sınırlamaları belirtmektedir. Gelecekteki çalışmalar, yüksek riskli endüstriyel ortamlarda sistem güvenilirliğini ve kullanılabilirliğini daha da artırmak için bu yönleri iyileştirmeye odaklanacaktır.