Ở trung tâm của các nhà đúc thép, lò cảm ứng làm tan chảy kim loại với hiệu quả đáng chú ý.Một bước đột phá trong trí tuệ nhân tạo có thể giải thích (XAI) hiện cung cấp một giải pháp cho việc phát hiện và chẩn đoán lỗi trước trong các hệ thống công nghiệp quan trọng này.
Các lò cảm ứng (IF) đã trở nên không thể thiếu cho việc sưởi ấm công nghiệp, nóng chảy, hàn và làm cứng kim loại do hiệu quả, tốc độ, khả năng kiểm soát và hoạt động sạch sẽ của chúng.Những hệ thống phức tạp này bao gồm bốn thành phần chính:
Các hệ thống đòi hỏi làm mát chính xác để phân tán nhiệt từ các chất bán dẫn điện, thanh bus, tụ điện và cuộn dây cảm ứng.Bất kỳ sự cố nào trong các thành phần này có thể dẫn đến sự gián đoạn sản xuất thảm khốc.
Một sáng kiến nghiên cứu đột phá đã phát triển một khuôn khổ học tập sâu cho chẩn đoán lỗi IF, được tăng cường bằng các mô-đun XAI sau hoc giải thích các quyết định mô hình phức tạp.Cách tiếp cận hai chiều này mang lại cả những dự đoán chính xác và những lời giải thích dễ hiểu, xây dựng sự tin tưởng của nhà khai thác vào các khuyến nghị AI.
Hệ thống cung cấp sáu lợi ích hoạt động chính:
Nhóm nghiên cứu đã thu thập dữ liệu tham số điện toàn diện từ các lò cảm ứng hoạt động 15 tấn, 5MW, bao gồm:
Sau khi xử lý trước 218 thông số được thu thập từ các máy phân tích chất lượng điện, các nhà nghiên cứu đã sử dụng thuật toán Local Outlier Factor để phát hiện bất thường bán giám sát.Dữ liệu được dán nhãn sau đó được đào tạo một kiến trúc mạng thần kinh sâu (DNN) được tối ưu hóa cho hiệu suất thời gian thực.
Sự đổi mới thực sự của hệ thống nằm trong việc tích hợp các thuật toán LIME và SHAP để giải thích các dự đoán DNN. Khi mô hình phát hiện các lỗi tiềm năng như:
Mô-đun XAI xác định các thông số có ảnh hưởng nhất góp phần vào mỗi chẩn đoán.hệ thống liên tục nhấn mạnh tầm quan trọng của điện áp hài hòa thứ 13 trong Giai đoạn III (V3H13), cùng với tổng yếu tố công suất (CosPhiT) và Harmonic hiện tại cụ thể.
Các thử nghiệm so sánh đã chứng minh sự vượt trội của DNN so với các phương pháp học máy truyền thống:
Nghiên cứu xác nhận rằng các âm thanh hài hòa thứ hạng lẻ (đặc biệt là thứ 3, 11, 13 và 17) phục vụ như là các chỉ số đáng tin cậy cho các điều kiện lỗi khác nhau trong các hệ thống lò cảm ứng.Phát hiện này phù hợp với các nguyên tắc kỹ thuật điện liên quan đến các âm thanh hòa âm do máy điều chỉnh trong các hệ thống điện công nghiệp.
Trong khi việc thực hiện hiện nay cho thấy hứa hẹn đáng chú ý, các nhà nghiên cứu lưu ý những hạn chế bao gồm sự mất cân bằng lớp học trong dữ liệu đào tạo và sự phức tạp kỹ thuật của việc giải thích một số đầu ra XAI.Công việc trong tương lai sẽ tập trung vào việc tinh chỉnh các khía cạnh này để tiếp tục nâng cao độ tin cậy và khả năng sử dụng hệ thống trong môi trường công nghiệp có rủi ro cao.
Ở trung tâm của các nhà đúc thép, lò cảm ứng làm tan chảy kim loại với hiệu quả đáng chú ý.Một bước đột phá trong trí tuệ nhân tạo có thể giải thích (XAI) hiện cung cấp một giải pháp cho việc phát hiện và chẩn đoán lỗi trước trong các hệ thống công nghiệp quan trọng này.
Các lò cảm ứng (IF) đã trở nên không thể thiếu cho việc sưởi ấm công nghiệp, nóng chảy, hàn và làm cứng kim loại do hiệu quả, tốc độ, khả năng kiểm soát và hoạt động sạch sẽ của chúng.Những hệ thống phức tạp này bao gồm bốn thành phần chính:
Các hệ thống đòi hỏi làm mát chính xác để phân tán nhiệt từ các chất bán dẫn điện, thanh bus, tụ điện và cuộn dây cảm ứng.Bất kỳ sự cố nào trong các thành phần này có thể dẫn đến sự gián đoạn sản xuất thảm khốc.
Một sáng kiến nghiên cứu đột phá đã phát triển một khuôn khổ học tập sâu cho chẩn đoán lỗi IF, được tăng cường bằng các mô-đun XAI sau hoc giải thích các quyết định mô hình phức tạp.Cách tiếp cận hai chiều này mang lại cả những dự đoán chính xác và những lời giải thích dễ hiểu, xây dựng sự tin tưởng của nhà khai thác vào các khuyến nghị AI.
Hệ thống cung cấp sáu lợi ích hoạt động chính:
Nhóm nghiên cứu đã thu thập dữ liệu tham số điện toàn diện từ các lò cảm ứng hoạt động 15 tấn, 5MW, bao gồm:
Sau khi xử lý trước 218 thông số được thu thập từ các máy phân tích chất lượng điện, các nhà nghiên cứu đã sử dụng thuật toán Local Outlier Factor để phát hiện bất thường bán giám sát.Dữ liệu được dán nhãn sau đó được đào tạo một kiến trúc mạng thần kinh sâu (DNN) được tối ưu hóa cho hiệu suất thời gian thực.
Sự đổi mới thực sự của hệ thống nằm trong việc tích hợp các thuật toán LIME và SHAP để giải thích các dự đoán DNN. Khi mô hình phát hiện các lỗi tiềm năng như:
Mô-đun XAI xác định các thông số có ảnh hưởng nhất góp phần vào mỗi chẩn đoán.hệ thống liên tục nhấn mạnh tầm quan trọng của điện áp hài hòa thứ 13 trong Giai đoạn III (V3H13), cùng với tổng yếu tố công suất (CosPhiT) và Harmonic hiện tại cụ thể.
Các thử nghiệm so sánh đã chứng minh sự vượt trội của DNN so với các phương pháp học máy truyền thống:
Nghiên cứu xác nhận rằng các âm thanh hài hòa thứ hạng lẻ (đặc biệt là thứ 3, 11, 13 và 17) phục vụ như là các chỉ số đáng tin cậy cho các điều kiện lỗi khác nhau trong các hệ thống lò cảm ứng.Phát hiện này phù hợp với các nguyên tắc kỹ thuật điện liên quan đến các âm thanh hòa âm do máy điều chỉnh trong các hệ thống điện công nghiệp.
Trong khi việc thực hiện hiện nay cho thấy hứa hẹn đáng chú ý, các nhà nghiên cứu lưu ý những hạn chế bao gồm sự mất cân bằng lớp học trong dữ liệu đào tạo và sự phức tạp kỹ thuật của việc giải thích một số đầu ra XAI.Công việc trong tương lai sẽ tập trung vào việc tinh chỉnh các khía cạnh này để tiếp tục nâng cao độ tin cậy và khả năng sử dụng hệ thống trong môi trường công nghiệp có rủi ro cao.
Địa chỉ
Công ty Thêm:3-007# Ramada Plaza, Quận Yuhu, Thành phố Xiangtan, tỉnh Hunan, Trung Quốc
Điện thoại
86-0731-55599699
