AI Verbetert Foutdetectie in Inductieovens

In het hart van staalfabrieken smelten inductieovens metaal met een opmerkelijke efficiëntie. Maar wanneer deze systemen falen, komen productiestops met torenhoge kosten. Een doorbraak in uitlegbare kunstmatige intelligentie (XAI) biedt nu een oplossing voor preventieve foutdetectie en -diagnose in deze kritieke industriële systemen.

Inductieovens (IF's) zijn onmisbaar geworden voor industriële verwarming, smeltprocessen, lassen en metaalharding vanwege hun efficiëntie, snelheid, controleerbaarheid en schone werking. Deze complexe systemen bestaan uit vier hoofdonderdelen:

• Gelijkrichters die AC omzetten naar DC met behulp van siliciumgestuurde gelijkrichters (SCR's)
• DC-koppelingen met stroombegrenzende reactoren en filtercondensatoren
• Omvormers die het vermogen regelen door de schakelfrequentie aan te passen
• Resonantiekringen bestaande uit ovenwikkelingen en AC-condensatoren

De systemen vereisen nauwkeurige koeling om warmte van vermogenselektronica, stroomrails, condensatoren en inductiewikkelingen af te voeren. Elk defect in deze componenten kan leiden tot catastrofale productieverstoringen.

Een baanbrekend onderzoeksproject heeft een deep learning-framework ontwikkeld voor IF-foutdiagnose, versterkt door post-hoc XAI-modules die complexe modelbeslissingen interpreteren. Deze dubbele aanpak levert zowel nauwkeurige voorspellingen als begrijpelijke verklaringen, waardoor het vertrouwen van operators in AI-aanbevelingen wordt vergroot.

Het systeem biedt zes belangrijke operationele voordelen:

• Voorkomt secundaire schade aan kritieke componenten zoals vermogenselektronica
• Vermindert reparatietijd en totale stilstand door nauwkeurige foutlokalisatie
• Verlaagt onderhoudskosten door het voorkomen van cascade-effecten
• Verbetert de algehele systeemprestaties en gezondheid
• Verhoogt de productiviteit door ongeplande stilstanden te minimaliseren
• Vermindert veiligheidsrisico's door vroege detectie van gevaren

Het onderzoeksteam verzamelde uitgebreide elektrische parametergegevens van operationele 15-tons, 5MW inductieovens, waaronder:

• Metingen van spanning, stroom en vermogen
• Harmonische vervormingsmetingen tot de 22e orde
• Indicatoren voor stroomkwaliteit zoals THD, OHD en EHD
• Systeemonbalansverhoudingen en K-factoren

Na het voorbewerken van 218 parameters verzameld uit stroomkwaliteitsanalysers, gebruikten onderzoekers een Local Outlier Factor-algoritme voor semi-gesuperviseerde anomaliedetectie. De gelabelde gegevens trainden vervolgens een gestroomlijnde deep neural network (DNN)-architectuur, geoptimaliseerd voor realtime prestaties.

De ware innovatie van het systeem ligt in de integratie van LIME- en SHAP-algoritmen om DNN-voorspellingen te verklaren. Wanneer het model potentiële fouten detecteert zoals:

• Degradatie van condensatoren
• Storingen in regelcircuits
• Corrosie van schakelcontacten
• Aardlekincidenten
• Storingen in halfgeleiders

identificeert de XAI-module de meest invloedrijke parameters die bijdragen aan elke diagnose. In het geval van aardlekscenario's benadrukte het systeem bijvoorbeeld consequent het belang van de 13e harmonische spanning in Fase III (V3H13), samen met de totale arbeidsfactor (CosPhiT) en specifieke stroomharmonischen.

Vergelijkende tests toonden de superioriteit van de DNN aan ten opzichte van traditionele machine learning-benaderingen:

• Gemiddelde F-maat van 0,9187, beter dan gradient boosting (0,8998) en random forest-methoden
• 15,22% hogere nauwkeurigheid dan naive Bayes-classificatoren
• Consistente prestaties over alle evaluatiemetrieken (precisie, recall, nauwkeurigheid)

Het onderzoek bevestigt dat oneven harmonischen (met name de 3e, 11e, 13e en 17e) betrouwbare indicatoren zijn voor diverse foutcondities in inductieovensystemen. Deze bevinding strookt met principes van elektrotechniek met betrekking tot door gelijkrichters veroorzaakte harmonischen in industriële energiesystemen.

Hoewel de huidige implementatie veelbelovend is, merken onderzoekers beperkingen op, waaronder klasse-onbalans in trainingsgegevens en de technische complexiteit van het interpreteren van sommige XAI-uitvoer. Toekomstig werk zal gericht zijn op het verfijnen van deze aspecten om de systeemprestaties en bruikbaarheid in risicovolle industriële omgevingen verder te verbeteren.