A IA melhora a detecção de falhas em fornos de indução

No coração das fundições de aço, os fornos de indução derretem metal com notável eficiência. No entanto, quando esses sistemas falham, as paralisações na produção acarretam custos exorbitantes. Um avanço na inteligência artificial explicável (XAI) agora oferece uma solução para detecção e diagnóstico proativos de falhas nesses sistemas industriais críticos.

Os fornos de indução (IFs) tornaram-se indispensáveis para aquecimento, fusão, soldagem e endurecimento de metais industriais devido à sua eficiência, velocidade, controlabilidade e operação limpa. Esses sistemas complexos consistem em quatro componentes principais:

• Retificadores que convertem AC para DC usando retificadores controlados por silício (SCRs)
• Links DC com reatores limitadores de corrente e capacitores de filtragem
• Inversores que regulam a potência ajustando a frequência de comutação
• Circuitos ressonantes compostos por bobinas do forno e capacitores AC

Os sistemas requerem resfriamento preciso para dissipar o calor dos semicondutores de potência, barramentos, capacitores e bobinas de indução. Qualquer falha nesses componentes pode levar a interrupções catastróficas na produção.

Uma iniciativa de pesquisa inovadora desenvolveu uma estrutura de aprendizado profundo para diagnóstico de falhas em IFs, aprimorada por módulos XAI pós-hoc que interpretam decisões complexas do modelo. Essa abordagem dupla oferece previsões precisas e explicações compreensíveis, construindo a confiança do operador nas recomendações da IA.

O sistema oferece seis benefícios operacionais chave:

• Previne danos secundários a componentes críticos como semicondutores de potência
• Reduz o tempo de reparo e o tempo de inatividade geral através da localização precisa de falhas
• Diminui os custos de manutenção prevenindo falhas em cascata
• Melhora a saúde e o desempenho geral do sistema
• Aumenta a produtividade minimizando paradas não planejadas
• Mitiga riscos de segurança através da detecção precoce de perigos

A equipe de pesquisa coletou dados abrangentes de parâmetros elétricos de fornos de indução operacionais de 15 toneladas e 5 MW, incluindo:

• Medições de tensão, corrente e potência
• Métricas de distorção harmônica até a 22ª ordem
• Indicadores de qualidade de energia como THD, OHD e EHD
• Rácios de desequilíbrio do sistema e fatores K

Após o pré-processamento de 218 parâmetros coletados de analisadores de qualidade de energia, os pesquisadores empregaram um algoritmo Local Outlier Factor para detecção de anomalias semi-supervisionada. Os dados rotulados então treinaram uma arquitetura de rede neural profunda (DNN) simplificada, otimizada para desempenho em tempo real.

A verdadeira inovação do sistema reside em sua integração dos algoritmos LIME e SHAP para explicar as previsões da DNN. Quando o modelo detecta falhas potenciais como:

• Degradação de capacitor
• Falhas no circuito de controle
• Corrosão de contato de comutação
• Incidentes de fuga à terra
• Falhas em semicondutores

o módulo XAI identifica os parâmetros mais influentes que contribuem para cada diagnóstico. Por exemplo, em cenários de falha de aterramento, o sistema destacou consistentemente a importância da harmônica de 13ª ordem na Tensão da Fase III (V3H13), juntamente com o fator de potência total (CosPhiT) e harmônicas de corrente específicas.

Testes comparativos demonstraram a superioridade da DNN sobre abordagens tradicionais de aprendizado de máquina:

• Média da F-measure de 0,9187, superando métodos de gradient boosting (0,8998) e random forest
• 15,22% mais precisão do que classificadores naive Bayes
• Desempenho consistente em todas as métricas de avaliação (precisão, recall, acurácia)

A pesquisa confirma que as harmônicas de ordem ímpar (particularmente 3ª, 11ª, 13ª e 17ª) servem como indicadores confiáveis para várias condições de falha em sistemas de fornos de indução. Essa descoberta está alinhada com os princípios de engenharia elétrica em relação às harmônicas induzidas por retificadores em sistemas de energia industrial.

Embora a implementação atual mostre uma promessa notável, os pesquisadores observam limitações, incluindo desequilíbrio de classes nos dados de treinamento e a complexidade técnica de interpretar algumas saídas de XAI. O trabalho futuro se concentrará em refinar esses aspectos para aprimorar ainda mais a confiabilidade e a usabilidade do sistema em ambientes industriais de alto risco.