L'IA améliore la détection des défauts dans les fours à induction

Au cœur des fonderies d'acier, les fours à induction fondent le métal avec une efficacité remarquable.Une percée dans l'intelligence artificielle explicable (IAX) offre désormais une solution pour la détection et le diagnostic préventifs des défauts dans ces systèmes industriels critiques.

Les fours à induction sont devenus indispensables pour le chauffage industriel, la fusion, le soudage et le durcissement des métaux en raison de leur efficacité, de leur vitesse, de leur contrôle et de leur fonctionnement propre.Ces systèmes complexes se composent de quatre composantes principales:

• Les produits de rectificationqui convertissent le courant alternatif en courant continu à l'aide de redresseurs contrôlés au silicium (SCR)
• Liens en courant continuavec des réacteurs à limite de courant et des condensateurs de filtration
• autres appareils de traitement des gazqui régulent la puissance en ajustant la fréquence de commutation
• Circuits résonnantscomprenant des bobines de four et des condensateurs AC

Les systèmes nécessitent un refroidissement précis pour dissiper la chaleur des semi-conducteurs de puissance, des barres de bus, des condensateurs et des bobines d'induction.Toute défaillance de ces composants peut entraîner des interruptions de production catastrophiques..

Une initiative de recherche révolutionnaire a mis au point un cadre d'apprentissage en profondeur pour le diagnostic des défauts d'IF, amélioré par des modules XAI post-hoc qui interprètent des décisions de modèles complexes.Cette double approche offre à la fois des prédictions précises et des explications compréhensibles, renforcer la confiance des opérateurs dans les recommandations de l'IA.

Le système offre six avantages opérationnels clés:

• Prévient les dommages secondaires aux composants critiques tels que les semi-conducteurs de puissance
• Réduit le temps de réparation et le temps d'arrêt global grâce à une localisation précise des défauts
• Réduit les coûts de maintenance en évitant les pannes en cascade
• Améliore la santé et les performances globales du système
• Augmente la productivité en minimisant les arrêts imprévus
• Atténue les risques pour la sécurité grâce à la détection précoce des dangers

L'équipe de recherche a recueilli des données complètes sur les paramètres électriques provenant de fours à induction de 15 tonnes et 5 MW en service, notamment:

• Mesures de tension, de courant et de puissance
• Mesures de distorsion harmonique jusqu'au 22e ordre
• Indicateurs de qualité de l'énergie tels que THD, OHD et EHD
• Coefficients de déséquilibre du système et facteurs K

Après avoir pré-traité 218 paramètres recueillis à partir d'analyseurs de qualité de l'alimentation, les chercheurs ont utilisé un algorithme de facteur d'exception local pour une détection d'anomalie semi-supervisée.Les données étiquetées ont ensuite formé une architecture de réseau neuronal profond (DNN) optimisée pour les performances en temps réel.

La véritable innovation du système réside dans son intégration des algorithmes LIME et SHAP pour expliquer les prédictions DNN.

• Dégradation du condensateur
• Échec du circuit de commande
• Corrosion par contact de commutation
• Incidents de fuite du sol
• Défauts des semi-conducteurs

le module XAI identifie les paramètres les plus influents contribuant à chaque diagnostic.le système a constamment mis en évidence l'importance de la 13e tension harmonique dans la phase III (V3H13), ainsi que le facteur de puissance totale (CosPhiT) et les harmoniques de courant spécifique.

Des tests comparatifs ont démontré la supériorité du DNN par rapport aux approches traditionnelles d'apprentissage automatique:

• Mesure F moyenne de 0.9187, surpassant les méthodes de stimulation des gradients (0,8998) et les méthodes forestières aléatoires
• 15.22% plus de précision que les classificateurs Bayes naïfs
• Performances cohérentes sur l'ensemble des indicateurs d'évaluation (précision, rappel, exactitude)

La recherche confirme que les harmoniques d'ordre impair (en particulier les 3e, 11e, 13e et 17e) servent d'indicateurs fiables pour diverses conditions de défaut dans les systèmes de four à induction.Cette conclusion s'aligne sur les principes de l'ingénierie électrique concernant les harmoniques induites par un redresseur dans les systèmes d'alimentation industrielle.

Bien que la mise en œuvre actuelle soit remarquablement prometteuse, les chercheurs notent des limites, notamment le déséquilibre des classes dans les données de formation et la complexité technique de l'interprétation de certaines sorties XAI.Les travaux futurs se concentreront sur le raffinement de ces aspects afin d'améliorer davantage la fiabilité et la convivialité du système dans les environnements industriels à enjeux élevés..