AI เพิ่มประสิทธิภาพการตรวจจับความผิดปกติในเตาหลอมเหนี่ยวนำ

หัวใจสำคัญของโรงหล่อเหล็ก เตาหลอมเหนี่ยวนำหลอมโลหะได้อย่างมีประสิทธิภาพสูง อย่างไรก็ตาม เมื่อระบบเหล่านี้ล้มเหลว การหยุดการผลิตจะส่งผลให้เกิดค่าใช้จ่ายมหาศาล ความก้าวหน้าในปัญญาประดิษฐ์ที่อธิบายได้ (XAI) ตอนนี้นำเสนอโซลูชันสำหรับการตรวจจับและวินิจฉัยความผิดปกติเชิงป้องกันในระบบอุตสาหกรรมที่สำคัญเหล่านี้

เตาหลอมเหนี่ยวนำ (IFs) ได้กลายเป็นสิ่งที่ขาดไม่ได้สำหรับการให้ความร้อน การหลอม การเชื่อม และการชุบแข็งโลหะในอุตสาหกรรม เนื่องจากประสิทธิภาพ ความเร็ว การควบคุม และการทำงานที่สะอาด ระบบที่ซับซ้อนเหล่านี้ประกอบด้วยสี่ส่วนประกอบหลัก:

• วงจรเรียงกระแสที่แปลง AC เป็น DC โดยใช้ตัวควบคุมแบบซิลิคอน (SCRs)
• ลิงก์ DCพร้อมตัวจำกัดกระแสและตัวเก็บประจุตัวกรอง
• อินเวอร์เตอร์ที่ควบคุมกำลังไฟฟ้าโดยการปรับความถี่ในการสลับ
• วงจรเรโซแนนซ์ประกอบด้วยขดลวดเตาหลอมและตัวเก็บประจุ AC

ระบบต้องการการระบายความร้อนที่แม่นยำเพื่อกระจายความร้อนจากสารกึ่งตัวนำกำลัง บัสบาร์ ตัวเก็บประจุ และขดลวดเหนี่ยวนำ ความล้มเหลวใดๆ ในส่วนประกอบเหล่านี้สามารถลุกลามไปสู่การหยุดชะงักของการผลิตที่รุนแรงได้

โครงการวิจัยที่ก้าวล้ำได้พัฒนาเฟรมเวิร์กการเรียนรู้เชิงลึกสำหรับการวินิจฉัยความผิดปกติของ IF ซึ่งได้รับการปรับปรุงด้วยโมดูล XAI หลังการวิเคราะห์ที่ตีความการตัดสินใจของโมเดลที่ซับซ้อน แนวทางคู่เหล่านี้ให้ทั้งการคาดการณ์ที่แม่นยำและคำอธิบายที่เข้าใจได้ สร้างความไว้วางใจให้กับผู้ปฏิบัติงานในการแนะนำของ AI

ระบบมีประโยชน์ในการปฏิบัติงานหลักหกประการ:

• ป้องกันความเสียหายทุติยภูมิต่อส่วนประกอบที่สำคัญ เช่น สารกึ่งตัวนำกำลัง
• ลดเวลาซ่อมแซมและเวลาหยุดทำงานโดยรวมผ่านการระบุตำแหน่งความผิดปกติที่แม่นยำ
• ลดต้นทุนการบำรุงรักษาโดยการป้องกันความล้มเหลวที่ลุกลาม
• เพิ่มสุขภาพและประสิทธิภาพของระบบโดยรวม
• เพิ่มผลผลิตโดยลดการหยุดชะงักที่ไม่คาดคิด
• ลดความเสี่ยงด้านความปลอดภัยผ่านการตรวจจับอันตรายล่วงหน้า

ทีมวิจัยได้รวบรวมข้อมูลพารามิเตอร์ทางไฟฟ้าที่ครอบคลุมจากเตาหลอมเหนี่ยวนำขนาด 15 ตัน 5MW ที่ใช้งานอยู่ รวมถึง:

• การวัดแรงดันไฟฟ้า กระแส และกำลังไฟฟ้า
• เมตริกการบิดเบือนฮาร์มอนิกสูงถึงลำดับที่ 22
• ตัวบ่งชี้คุณภาพกำลังไฟฟ้า เช่น THD, OHD และ EHD
• อัตราส่วนความไม่สมดุลของระบบและปัจจัย K

หลังจากประมวลผลพารามิเตอร์ 218 รายการที่รวบรวมจากเครื่องวิเคราะห์คุณภาพกำลังไฟฟ้า นักวิจัยได้ใช้อัลกอริทึม Local Outlier Factor สำหรับการตรวจจับความผิดปกติแบบกึ่งมีผู้สอน จากนั้นข้อมูลที่มีป้ายกำกับได้ฝึกสถาปัตยกรรมโครงข่ายประสาทเทียมเชิงลึก (DNN) ที่ได้รับการปรับให้เหมาะสมสำหรับประสิทธิภาพแบบเรียลไทม์

นวัตกรรมที่แท้จริงของระบบอยู่ที่การรวมอัลกอริทึม LIME และ SHAP เพื่ออธิบายการคาดการณ์ของ DNN เมื่อโมเดลตรวจจับความผิดปกติที่อาจเกิดขึ้น เช่น:

• การเสื่อมสภาพของตัวเก็บประจุ
• ความล้มเหลวของวงจรควบคุม
• การกัดกร่อนของหน้าสัมผัสสวิตช์
• เหตุการณ์การรั่วไหลลงดิน
• ความผิดปกติของสารกึ่งตัวนำ

โมดูล XAI จะระบุพารามิเตอร์ที่มีอิทธิพลมากที่สุดที่ส่งผลต่อการวินิจฉัยแต่ละครั้ง ตัวอย่างเช่น ในสถานการณ์ความผิดพลาดลงดิน ระบบได้เน้นย้ำถึงความสำคัญของแรงดันฮาร์มอนิกที่ 13 ในเฟส III (V3H13) อย่างต่อเนื่อง ควบคู่ไปกับตัวประกอบกำลังรวม (CosPhiT) และฮาร์มอนิกกระแสเฉพาะ

การทดสอบเปรียบเทียบแสดงให้เห็นถึงความเหนือกว่าของ DNN เมื่อเทียบกับวิธีการเรียนรู้ของเครื่องแบบดั้งเดิม:

• ค่าเฉลี่ย F-measure ที่ 0.9187 ซึ่งดีกว่าการเพิ่มไล่ระดับสี (0.8998) และวิธีการป่าสุ่ม
• ความแม่นยำสูงกว่าตัวจำแนกประเภท Naive Bayes ถึง 15.22%
• ประสิทธิภาพที่สม่ำเสมอในทุกเมตริกการประเมิน (ความแม่นยำ การเรียกคืน ความถูกต้อง)

การวิจัยยืนยันว่าฮาร์มอนิกอันดับคี่ (โดยเฉพาะ 3, 11, 13 และ 17) ทำหน้าที่เป็นตัวบ่งชี้ที่เชื่อถือได้สำหรับสภาวะความผิดปกติที่หลากหลายในระบบเตาหลอมเหนี่ยวนำ ข้อค้นพบนี้สอดคล้องกับหลักการวิศวกรรมไฟฟ้าเกี่ยวกับฮาร์มอนิกที่เกิดจากวงจรเรียงกระแสในระบบกำลังไฟฟ้าอุตสาหกรรม

แม้ว่าการใช้งานในปัจจุบันจะแสดงให้เห็นถึงศักยภาพที่น่าทึ่ง แต่นักวิจัยได้สังเกตเห็นข้อจำกัดต่างๆ รวมถึงความไม่สมดุลของคลาสในข้อมูลการฝึกอบรมและความซับซ้อนทางเทคนิคในการตีความผลลัพธ์ XAI บางส่วน งานในอนาคตจะมุ่งเน้นไปที่การปรับปรุงแง่มุมเหล่านี้เพื่อเพิ่มความน่าเชื่อถือและการใช้งานของระบบในสภาพแวดล้อมอุตสาหกรรมที่มีความเสี่ยงสูง