कृत्रिम बुद्धि ने प्रेरण भट्टियों में दोष का पता लगाने में सुधार किया

स्टील फाउंड्री के दिल में, प्रेरण भट्टियां उल्लेखनीय दक्षता के साथ धातु को पिघलाती हैं। फिर भी जब ये सिस्टम विफल हो जाते हैं, तो उत्पादन रुकने की लागत बहुत अधिक होती है। व्याख्यात्मक कृत्रिम बुद्धिमत्ता (XAI) में एक सफलता अब इन महत्वपूर्ण औद्योगिक प्रणालियों में पूर्वव्यापी दोष का पता लगाने और निदान के लिए एक समाधान प्रदान करती है।

प्रेरण भट्टियां (IFs) अपनी दक्षता, गति, नियंत्रणीयता और स्वच्छ संचालन के कारण औद्योगिक हीटिंग, पिघलने, वेल्डिंग और धातु को सख्त करने के लिए अपरिहार्य हो गई हैं। इन जटिल प्रणालियों में चार प्राथमिक घटक होते हैं:

• रेक्टिफायरजो सिलिकॉन-नियंत्रित रेक्टिफायर (SCRs) का उपयोग करके एसी को डीसी में परिवर्तित करते हैं
• डीसी लिंकवर्तमान-सीमित रिएक्टरों और फ़िल्टरिंग कैपेसिटर के साथ
• इन्वर्टरजो स्विचिंग आवृत्ति को समायोजित करके शक्ति को नियंत्रित करते हैं
• अनुनाद सर्किटभट्टी कॉइल और एसी कैपेसिटर से मिलकर बनता है

सिस्टम को बिजली अर्धचालक, बसबार, कैपेसिटर और प्रेरण कॉइल से गर्मी को दूर करने के लिए सटीक शीतलन की आवश्यकता होती है। इन घटकों में कोई भी विफलता विनाशकारी उत्पादन रुकावटों में बदल सकती है।

एक अभूतपूर्व अनुसंधान पहल ने IF दोष निदान के लिए एक गहन शिक्षण ढांचा विकसित किया है, जिसे जटिल मॉडल निर्णयों की व्याख्या करने वाले पोस्ट-हॉक XAI मॉड्यूल द्वारा बढ़ाया गया है। यह दोहरा दृष्टिकोण सटीक भविष्यवाणियों और समझने योग्य स्पष्टीकरण दोनों प्रदान करता है, जिससे ऑपरेटरों का AI सिफारिशों में विश्वास बढ़ता है।

सिस्टम छह प्रमुख परिचालन लाभ प्रदान करता है:

• बिजली अर्धचालक जैसे महत्वपूर्ण घटकों को माध्यमिक क्षति को रोकता है
• सटीक दोष स्थानीयकरण के माध्यम से मरम्मत समय और समग्र डाउनटाइम को कम करता है
• कैस्केडिंग विफलताओं को रोककर रखरखाव लागत को कम करता है
• समग्र सिस्टम स्वास्थ्य और प्रदर्शन को बढ़ाता है
• अनियोजित रुकावटों को कम करके उत्पादकता बढ़ाता है
• प्रारंभिक खतरे का पता लगाने के माध्यम से सुरक्षा जोखिमों को कम करता है

अनुसंधान दल ने परिचालन 15-टन, 5MW प्रेरण भट्टियों से व्यापक विद्युत पैरामीटर डेटा एकत्र किया, जिसमें शामिल हैं:

• वोल्टेज, वर्तमान और शक्ति माप
• 22वें क्रम तक हार्मोनिक विरूपण मेट्रिक्स
• THD, OHD और EHD जैसे पावर क्वालिटी संकेतक
• सिस्टम असंतुलन अनुपात और K-कारक

पावर क्वालिटी एनालाइज़र से एकत्र किए गए 218 मापदंडों को प्रीप्रोसेस करने के बाद, शोधकर्ताओं ने अर्ध-पर्यवेक्षित विसंगति का पता लगाने के लिए एक लोकल आउटलायर फैक्टर एल्गोरिथम का उपयोग किया। फिर लेबल किए गए डेटा ने वास्तविक समय के प्रदर्शन के लिए अनुकूलित एक सुव्यवस्थित डीप न्यूरल नेटवर्क (DNN) आर्किटेक्चर को प्रशिक्षित किया।

सिस्टम का वास्तविक नवाचार DNN भविष्यवाणियों की व्याख्या करने के लिए LIME और SHAP एल्गोरिदम के एकीकरण में निहित है। जब मॉडल संभावित दोषों का पता लगाता है जैसे:

• कैपेसिटर का क्षरण
• नियंत्रण सर्किट की विफलताएं
• स्विचिंग संपर्क का क्षरण
• ग्राउंड लीकेज की घटनाएं
• अर्धचालक दोष

XAI मॉड्यूल प्रत्येक निदान में योगदान करने वाले सबसे प्रभावशाली मापदंडों की पहचान करता है। उदाहरण के लिए, ग्राउंड फॉल्ट परिदृश्यों में, सिस्टम ने लगातार फेज III (V3H13) में 13वें हार्मोनिक वोल्टेज के महत्व को उजागर किया, साथ ही कुल पावर फैक्टर (CosPhiT) और विशिष्ट वर्तमान हार्मोनिक्स को भी।

तुलनात्मक परीक्षणों ने पारंपरिक मशीन लर्निंग दृष्टिकोणों पर DNN की श्रेष्ठता का प्रदर्शन किया:

• औसत एफ-माप 0.9187, ग्रेडिएंट बूस्टिंग (0.8998) और रैंडम फ़ॉरेस्ट विधियों से बेहतर प्रदर्शन
• नाइव बेयस क्लासिफायर की तुलना में 15.22% अधिक सटीकता
• सभी मूल्यांकन मेट्रिक्स (सटीकता, रिकॉल, सटीकता) में लगातार प्रदर्शन

अनुसंधान की पुष्टि करता है कि विषम-क्रम हार्मोनिक्स (विशेष रूप से 3, 11, 13 और 17) प्रेरण भट्टी प्रणालियों में विभिन्न दोष स्थितियों के लिए विश्वसनीय संकेतक के रूप में काम करते हैं। यह निष्कर्ष औद्योगिक बिजली प्रणालियों में रेक्टिफायर-प्रेरित हार्मोनिक्स के संबंध में विद्युत इंजीनियरिंग सिद्धांतों के साथ संरेखित होता है।

जबकि वर्तमान कार्यान्वयन उल्लेखनीय वादा दिखाता है, शोधकर्ताओं ने प्रशिक्षण डेटा में वर्ग असंतुलन और कुछ XAI आउटपुट की व्याख्या की तकनीकी जटिलता सहित सीमाओं को नोट किया है। भविष्य के काम में उच्च-दांव वाले औद्योगिक वातावरण में सिस्टम की विश्वसनीयता और प्रयोज्यता को और बढ़ाने के लिए इन पहलुओं को परिष्कृत करने पर ध्यान केंद्रित किया जाएगा।