بررسی یک رویکرد هوش مصنوعی مبتنی بر داده برای تشخیص خطا در کوره های القایی جهت افزایش بهره وری کارکرد

برای بیش از یک قرن، کوره های القایی در هسته ی ریخته گری برای ذوب و گرم کردن فلزات استفاده شده اند. این کوره ها نرخ های بالای ذوب گرما را با کارایی بهینه ارائه میدهند. بروز خطاها نه تنها خطرات ایمنی را به همراه دارد بلکه به دلیل خاموشیهای غیر منتظره بهره وری را نیز کاهش میدهد. مسئله ی تشخیص خطا در کوره های القایی هنوز مورد مطالعه قرار نگرفته است و این کار نخستین بار یک چارچوب مبتنی بر داده را برای تشخیص خطا در این کاربرد پیشنهاد میدهد. این مقاله یک چارچوب شبکه عصبی عمیق را برای تشخیص خطاهای الکتریکی از طریق اندازه گیری پارامترهای الکتریکی در زمان واقعی در سمت تامین ارائه میدهد، سپس از یک رویکرد یادگیری نیمه نظارت شده به نام عامل ناهنجاری محلی برای تفکیک نمونه های نرمال و معیوب از یکدیگر و برچسب گذاری نمونههای داده استفاده شده است. سپس یک شبکه عصبی عمیق با نمونه های برچسب گذاری شده جمع آوری شده آموزش داده میشود. عملکرد مدل توسعه یافته با چندین تکنیک پیشرفته دیگر از نظر معیارهای عملکرد مختلف مقایسه میشود. نتایج نشان دهنده ی عملکرد برتر مدل شبکه عصبی عمیق انتخاب شده نسبت به سایر طبقه بندها با میانگین معیار F برابر با ۰۹۱۸۷ است. به دلیل ماهیت جعبه سیاه شبکه عصبی ساخته شده، پیش بینی های مدل با استفاده از توضیحات افزایشی شاپلی و توضیحات محلی قابل تفسیر مستقل از مدل تفسیر میشوند. تحلیل تفسیر پذیری نشان میدهد که خطاهای طبقه بندی شده به شدت با تغییرات هارمونیکهای ولتاژ جریان فردی از مرتبههای ۳ ۱۱، ۱۳ و ۱۷ مرتبط هستند و تاثیر حیاتی این پارامترها بر پیش بینی مدل را برجسته میکنند.

کلیدواژه ها:

کوره القایی ، تشخیص خطا ، شبکه عصبی عمیق ، هوش مصنوعی قابل تفسیر ، تفسیر SHAP