ИИ улучшает обнаружение ошибок в индукционных печах

В основе сталелитейных заводов лежат индукционные печи, которые с удивительной эффективностью расплавляют металл. Однако при отказе этих систем остановка производства влечет за собой огромные затраты. Прорыв в области объяснимого искусственного интеллекта (XAI) теперь предлагает решение для упреждающего обнаружения и диагностики неисправностей в этих критически важных промышленных системах.

Индукционные печи (ИП) стали незаменимыми для промышленного нагрева, плавления, сварки и закалки металлов благодаря своей эффективности, скорости, управляемости и чистоте работы. Эти сложные системы состоят из четырех основных компонентов:

• Выпрямители которые преобразуют переменный ток в постоянный с помощью тиристоров (SCR)
• Звенья постоянного тока с реакторами ограничения тока и фильтрующими конденсаторами
• Инверторы которые регулируют мощность, изменяя частоту переключения
• Резонансные контуры состоящие из печных катушек и конденсаторов переменного тока

Системы требуют точного охлаждения для рассеивания тепла от силовых полупроводников, шин, конденсаторов и индукционных катушек. Любой сбой в этих компонентах может привести к катастрофическим перебоям в производстве.

Революционная исследовательская инициатива разработала фреймворк глубокого обучения для диагностики неисправностей ИП, дополненный пост-хок модулями XAI, которые интерпретируют сложные решения модели. Этот двойной подход обеспечивает как точные прогнозы, так и понятные объяснения, укрепляя доверие операторов к рекомендациям ИИ.

Система обеспечивает шесть ключевых эксплуатационных преимуществ:

• Предотвращает вторичные повреждения критически важных компонентов, таких как силовые полупроводники
• Сокращает время ремонта и общее время простоя за счет точной локализации неисправностей
• Снижает затраты на техническое обслуживание, предотвращая каскадные отказы
• Повышает общее состояние и производительность системы
• Увеличивает производительность за счет минимизации незапланированных остановок
• Снижает риски для безопасности за счет раннего обнаружения опасностей

Исследовательская группа собрала полные данные об электрических параметрах эксплуатируемых индукционных печей мощностью 15 тонн и 5 МВт, включая:

• Измерения напряжения, тока и мощности
• Показатели гармонических искажений до 22-го порядка
• Индикаторы качества электроэнергии, такие как КНИ, КОИ и КЭИ
• Коэффициенты дисбаланса системы и K-факторы

После предварительной обработки 218 параметров, собранных анализаторами качества электроэнергии, исследователи использовали алгоритм Local Outlier Factor для полуавтоматического обнаружения аномалий. Затем размеченные данные использовались для обучения оптимизированной для реального времени архитектуры глубокой нейронной сети (DNN).

Истинная инновация системы заключается в интеграции алгоритмов LIME и SHAP для объяснения прогнозов DNN. Когда модель обнаруживает потенциальные неисправности, такие как:

• Деградация конденсатора
• Отказы цепи управления
• Коррозия контактов переключения
• Инциденты утечки на землю
• Неисправности полупроводников

модуль XAI определяет наиболее влиятельные параметры, способствующие каждому диагнозу. Например, в сценариях с утечкой на землю система последовательно подчеркивала важность 13-й гармоники напряжения в фазе III (V3H13), а также общий коэффициент мощности (CosPhiT) и специфические гармоники тока.

Сравнительное тестирование продемонстрировало превосходство DNN над традиционными методами машинного обучения:

• Средняя F-мера 0,9187, превосходящая градиентный бустинг (0,8998) и методы случайного леса
• На 15,22% более высокая точность, чем у классификаторов наивного байесовца
• Стабильная производительность по всем метрикам оценки (точность, полнота, правильность)

Исследование подтверждает, что нечетные гармоники (особенно 3-я, 11-я, 13-я и 17-я) служат надежными индикаторами различных неисправностей в системах индукционных печей. Этот вывод согласуется с принципами электротехники в отношении гармоник, вызванных выпрямителями, в промышленных электроэнергетических системах.

Хотя текущая реализация демонстрирует многообещающие результаты, исследователи отмечают ограничения, включая несбалансированность классов в обучающих данных и техническую сложность интерпретации некоторых выходных данных XAI. Будущая работа будет сосредоточена на уточнении этих аспектов для дальнейшего повышения надежности и удобства использования системы в условиях высоких рисков в промышленных средах.