Real Time NILM Based Power Monitoring of Identical Induction Motors Representing Cutting Machines in Textile Industry
Dieser Beitrag stellt ein Echtzeit-NILM-Framework vor, das mit der Cloud verbunden ist und zur Überwachung identischer Asynchronmotoren in der Textilindustrie Bangladeschs dient, bewertet dieses, zeigt eine effektive Schätzung des Gesamtenergieverbrauchs auf, hebt gleichzeitig die erheblichen Herausforderungen der Entmischung identischer Lasten hervor und schlägt zukünftige Verbesserungen durch fortschrittliches Deep Learning sowie eine Datenerfassung mit höherer Frequenz vor.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich eine belebte Textilfabrik in Bangladesch vor wie eine riesige, laute Küche, in der Hunderte identischer Mixer (die Schneidemaschinen) gleichzeitig laufen. Der Besitzer möchte genau wissen, wie viel Strom jeder einzelne Mixer verbraucht, um Geld zu sparen und effizienter zu sein.
Normalerweise müsste man dafür einen separaten, teuren Stromzähler an jedem einzelnen Mixer installieren. Das wäre so, als würde man jedem Koch in der Küche einen persönlichen Buchhalter zur Seite stellen. Es ist unübersichtlich, kostspielig und schwer zu warten.
Dieser Artikel beschreibt ein kluges Experiment, um herauszufinden, ob wir einen Hauptstromzähler für die gesamte Küche und ein intelligentes Computerprogramm verwenden können, um herauszufinden, wer was verbraucht. Diese Technik heißt NILM (Non-Intrusive Load Monitoring – nicht-invasive Lastüberwachung). Stellen Sie sich das wie einen Detektiv vor, der versucht zu erraten, wer in einem dunklen Raum was isst, indem er nur die Kau-Geräusche aus einem einzigen Mikrofon in der Ecke hört.
Der Versuchsaufbau
Die Forscher bauten eine kleine Version dieser Fabrik in ihrem Labor nach.
- Die „Mixer": Sie verwendeten drei identische 50-Watt-Induktionsmotoren, um die Textil-Schneidemaschinen darzustellen. Da sie identische Zwillinge sind, erzeugen sie beim Laufen exakt das gleiche „Geräusch" (elektrische Signatur).
- Die „Beleuchtung": Sie fügten einige Glühbirnen hinzu, um andere Dinge in der Fabrik darzustellen, die Strom auf unterschiedliche Weise verbrauchen.
- Der „Detektiv": Sie bauten ein System mit einem Arduino (einem kleinen Computerhirn) und Sensoren, um den gesamten Strom zu messen, der in den Raum fließt. Sie sendeten diese Daten in die Cloud (Google Sheets) und verwendeten ein intelligentes KI-Modell namens MATNILM, um zu versuchen, die gesamte Leistung wieder in einzelne Mengen für jeden Motor aufzuteilen.
- Die „Fernansicht": Sie verbanden alles mit einer mobilen App (Blynk), sodass ein Fabrikleiter den Stromverbrauch von überall auf der Welt auf seinem Handy sehen konnte.
Was sie herausfanden
Die Forscher testeten ihre „Detektiv"-KI an einem Datensatz, den sie erstellten, der über 180.000 Proben enthielt, bei denen die Motoren in verschiedenen Kombinationen ein- und ausgeschaltet wurden.
Die guten Nachrichten:
- Das System funktionierte gut darin, die gesamte Strommenge zu bestimmen, die von der gesamten Gruppe verbraucht wurde. Es war so, als würde der Detektiv die Gesamtzahl der Personen im Raum richtig erraten, die essen.
- Das System konnte remote abgerufen werden, was bewies, dass eine Fabrik ihren Stromverbrauch überwachen kann, ohne an jeder einzelnen Maschine Kabel zu installieren.
Die schlechten Nachrichten (Das „Identische-Zwillinge"-Problem):
- Die KI hatte Schwierigkeiten, wenn die drei identischen Motoren gleichzeitig liefen. Da die Motoren Zwillinge waren, waren ihre elektrischen „Fingerabdrücke" identisch. Die KI geriet in Verwirrung und konnte nicht unterscheiden, welcher Motor wie viel Strom verbrauchte. Es war wie der Versuch, herauszufinden, welcher Zwilling spricht, indem man nur eine gedämpfte Stimme hört, während beide gleichzeitig reden.
- Das System hatte auch Schwierigkeiten mit den „Glühbirnen", wenn sie an waren; es schätzte manchmal die falsche Strommenge, obwohl es dies besser handhabte als bei den Motoren.
- Die Daten wurden mit einer relativ langsamen Geschwindigkeit erfasst (wie ein Foto alle 5 Sekunden). Die Forscher stellten fest, dass schnellere Daten (wie ein Hochgeschwindigkeitsvideo) der KI geholfen hätten, die winzigen, splittersekundenlangen „Blitze" von Strom zu erfassen, die auftreten, wenn ein Motor startet, was zur Unterscheidung geholfen hätte.
Das Fazit
Der Artikel kommt zu dem Schluss, dass dieser „ein-Zähler-für-alle"-Ansatz eine großartige, kostengünstige Idee für Fabriken ist, aber an eine Wand stößt, wenn die Maschinen identische Zwillinge sind. Die KI ist gut darin, das große Ganze zu sehen (Gesamtenergie), verirrt sich aber in den Details (wer was verbraucht hat), wenn die Maschinen zu ähnlich aussehen.
Um dies in der realen Welt besser funktionieren zu lassen, schlagen die Forscher vor, dass wir Folgendes benötigen:
- Schnellere Datenerfassung (um die winzigen elektrischen „Blitze" zu erfassen).
- Mehr Daten (um die KI mehr über das Verhalten dieser Maschinen zu lehren).
- Intelligentere KI, die speziell für den Umgang mit identischen Maschinen entwickelt wurde.
Kurz gesagt: Das System funktioniert als Fern-Energiemonitor, ist aber noch nicht perfekt als „maschinenindividueller Buchhalter", wenn die Maschinen identische Zwillinge sind.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.