Introduction to Dissolved Gas Analysis based Hybrid Confidence Fusion Model for improvement of Maintenance of Insulating Oil based Power Equipment

Imaginez les transformateurs massifs et bourdonnants qui permettent d'allumer nos lumières et de charger nos téléphones. À l'intérieur de ces géants, un liquide spécial appelé huile isolante agit comme un gardien silencieux, refroidissant l'équipement et empêchant l'électricité de sauter là où elle ne devrait pas. Mais quand les choses tournent mal à l'intérieur — comme une petite étincelle ou la formation d'un point chaud — l'huile commence à se décomposer, libérant des gaz invisibles comme l'hydrogène ou le méthane. Considérez ces gaz comme la « fumée » d'un incendie que vous ne pouvez pas encore voir. Depuis des décennies, les ingénieurs utilisent une technique appelée l'Analyse des Gaz Dissous (AGD) pour flairer ces gaz et deviner ce qui ne va pas. C'est un peu comme un médecin écoutant un battement de cœur ; le profil des gaz raconte une histoire sur la santé de la machine. Cependant, lire cette histoire a toujours été délicat. Certaines méthodes sont comme des listes de contrôle rigides qui s'embrouillent lorsque les chiffres sont faibles, tandis que d'autres sont comme des cartes complexes qui peuvent se chevaucher et vous laisser égaré. Et bien que des programmes informatiques intelligents (Intelligence Artificielle) puissent apprendre à repérer des motifs, ils agissent parfois comme des boîtes noires qui n'expliquent pas pourquoi ils ont fait une supposition, ou ils s'embrouillent s'ils n'ont pas vu exactement ce problème auparavant.

Ce document présente une nouvelle façon de résoudre cette confusion, appelée le « Modèle de Fusion de Confiance Hybride ». Au lieu de s'appuyer sur un seul détective, les auteurs suggèrent de réunir toute une équipe. Ils prennent les meilleures parties des anciennes listes de contrôle basées sur des règles, des cartes visuelles (comme le triangle de Duval) et des ordinateurs d'IA intelligents, et les font voter sur la nature du problème. Mais voici la partie ingénieuse : chaque détective ne reçoit pas un vote égal. Le modèle attribue un « score de confiance » à chaque méthode en fonction de sa fiabilité pour la situation spécifique. Si l'IA est généralement juste concernant les étincelles électriques mais mauvaise pour la chaleur, et que la vieille liste de contrôle est excellente pour la chaleur mais mauvaise pour les étincelles, le modèle pondère leurs opinions en conséquence. Le résultat est un diagnostic unique, plus fiable, qui combine les forces de chacun. Lors de leurs tests, cette approche de travail d'équipe a atteint une précision de 89 %, surpassant la plupart des méthodes individuelles travaillant seules. Les auteurs suggèrent que cela rend la maintenance plus sûre et plus fiable, surtout lorsque l'équipement se comporte bizarrement ou que le défaut est un mélange de différents problèmes.

L'histoire des gardiens silencieux

Profondément ancrés dans le réseau électrique, les transformateurs et autres machines de forte puissance sont recouverts d'un bain d'huile isolante. Cette huile est le fluide vital de l'équipement, le maintenant au frais et empêchant l'électricité de créer des arcs là où elle ne devrait pas. Mais lorsqu'une machine commence à tomber malade — peut-être à cause d'un fil desserré provoquant une étincelle ou d'une bobine en surchauffe — l'huile commence à se décomposer. C'est comme une tranche de pain grillé qui brûle ; la chaleur ou l'électricité brise les liaisons chimiques de l'huile, libérant des gaz comme l'hydrogène, le méthane et l'éthylène. Ces gaz se dissolvent dans l'huile, attendant d'être découverts.

Pendant longtemps, les ingénieurs ont utilisé l'Analyse des Gaz Dissous (AGD) pour trouver ces gaz. C'est un peu comme un médecin effectuant un prélèvement sanguin. En mesurant la quantité de chaque gaz présent, ils peuvent dire si la machine présente un défaut thermique (surchauffe) ou un défaut électrique (étincelles). Le document explique que ces gaz se forment par des réactions chimiques spécifiques. Par exemple, lorsque l'huile se décompose, elle peut produire du méthane (CH4) ou de l'acétylène (C2H2), et le type de gaz vous indique la « température » ou l'« énergie » du défaut.

Le dilemme du détective

Le problème est que déterminer exactement ce qui ne va pas n'est pas toujours facile. Le document souligne trois principales façons dont les ingénieurs ont tenté de résoudre ce puzzle, et chacune possède ses propres failles.

Premièrement, il y a les Méthodes Basées sur des Règles. Ce sont comme des manuels d'instructions stricts. Elles utilisent des ratios fixes (comparant la quantité d'un gaz à un autre) ou consultent un tableau pour décider du défaut. Le document mentionne des normes telles que l'IEC 60599 et l'IEEE C57.104, qui sont les registres officiels. Bien que ces méthodes soient simples et standardisées, elles peuvent être rigides. Si les niveaux de gaz sont très bas, ou si les chiffres tombent pile sur la limite d'une catégorie, ces méthodes peuvent donner des réponses contradictoires ou passer totalement à côté du défaut. C'est comme essayer de trier des billes par taille en utilisant une règle qui n'a que des marquages pour « petit » et « grand », laissant les tailles moyennes dans une zone grise déroutante.

Deuxièmement, il y a les Méthodes Graphiques, comme le célèbre triangle et le pentagone de Duval. Imaginez placer les niveaux de gaz sur une carte colorée divisée en zones. Chaque zone représente un type de défaut différent. C'est beaucoup plus visuel et cela aide avec les faibles concentrations de gaz, mais le document note que ces cartes ont des limites fixes. Les défauts réels ne rentrent pas toujours proprement dans un triangle ; ils peuvent être désordonnés, chevauchants ou non linéaires. C'est comme essayer de dessiner un cercle parfait autour d'un nuage ; la forme ne correspond tout simplement pas.

Troisièmement, il y a les Méthodes d'Intelligence Artificielle (IA). Ce sont les ordinateurs intelligents qui apprennent à partir de milliers d'exemples passés pour reconnaître des motifs. Ils sont excellents pour gérer des données complexes et désordonnées que les manuels de règles ne parviennent pas à comprendre. Cependant, le document souligne que l'IA a ses propres problèmes. Elle dépend fortement des données sur lesquelles elle a été entraînée ; si elle voit un nouveau type de défaut qu'elle n'a pas appris, elle peut se tromper. De plus, l'IA peut être une « boîte noire », ce qui signifie qu'elle donne une réponse mais n'explique pas la raison physique, ce qui rend les ingénieurs hésitants à lui faire confiance aveuglément.

La solution de l'équipe

C'est ici que les auteurs, Joydip Dhar, Sovan Dalai et Saibal Chatterjee, interviennent avec leur Modèle de Fusion de Confiance Hybride. Au lieu de choisir un seul détective, ils ont construit un système où tous les détectives travaillent ensemble et votent.

Voici comment la « fusion » fonctionne :

1. Le bureau de vote : Le modèle prend les résultats des meilleures méthodes basées sur des règles (comme le triangle de Duval) et des meilleures méthodes d'IA.
2. Le score de confiance : Chaque vote n'a pas le même poids. Pendant une phase d'entraînement, le modèle observe la précision de chaque méthode. Si un modèle d'IA spécifique est excellent pour détecter les défauts électriques mais mauvais pour les défauts thermiques, il reçoit un score de confiance élevé pour les défauts électriques et un score plus faible pour les défauts thermiques.
3. La décision pondérée : Lorsqu'un nouvel échantillon arrive, le modèle calcule un score pondéré pour chaque défaut possible. Il utilise une formule mathématique pour combiner ces scores, en donnant la priorité aux méthodes les plus fiables pour cette situation spécifique.

Imaginez un groupe d'amis essayant de deviner la réponse à une question de culture générale. Un ami est un passionné d'histoire, un autre est un génie des sciences, et un troisième est doué pour les suppositions. Si la question porte sur l'histoire, le vote du passionné d'histoire compte davantage. Si la question est scientifique, le génie des sciences a la voix la plus forte. Le Modèle de Fusion de Confiance Hybride fait exactement cela, mais pour les défauts de transformateurs. Il ajuste dynamiquement qui a le droit de s'exprimer en fonction de qui a habituellement raison.

Ce qu'ils ont trouvé

Les auteurs ont testé leur nouveau modèle par rapport aux anciennes méthodes en utilisant des données réelles. Ils ont comparé la précision de leur modèle de « Fusion de Confiance Hybride » (HCF) par rapport à des méthodes individuelles comme les modèles d'Apprentissage Automatique (ML1 et ML2) et le triangle de Duval 1 (DT1).

Les résultats sont prometteurs. Les méthodes individuelles avaient des niveaux de succès variables :

• Le Triangle de Duval 1 (une méthode graphique populaire) avait une précision d'environ 72 %.
• Les modèles d'Apprentissage Automatique (ML1 et ML2) variaient de 76 % à 80 %.
• Le Modèle de Fusion de Confiance Hybride a atteint une précision de 89 %.

Le document a également examiné d'autres mesures telles que la Précision et le Rappel (qui mesurent la fréquence à laquelle le modèle a raison lorsqu'il annonce un « défaut » et combien de défauts réels il détecte). Le modèle HCF a obtenu une précision de 0,78 et un rappel de 0,78, avec un score F1 de 0,77. Cela suggère qu'en combinant les méthodes, le modèle est devenu plus robuste, particulièrement lorsqu'il traite des « scénarios de défauts mixtes » où la machine peut présenter simultanément des problèmes de chaleur et des problèmes électriques.

Pourquoi c'est important

Le document conclut que si les méthodes basées sur des règles sont bonnes pour être faciles à comprendre, et que l'IA est bonne pour repérer des motifs complexes, aucune des deux n'est parfaite seule. Le Modèle de Fusion de Confiance Hybride propose une voie médiane. Il ne rejette pas les vieilles règles de confiance, et ne fait pas non plus une confiance aveugle à la nouvelle IA. Au lieu de cela, il crée un système où elles se complètent.

Les auteurs soulignent que cette approche aide à résoudre les conflits lorsque différentes méthodes donnent des réponses divergentes. En utilisant des « scores de confiance adaptatifs », le modèle peut mieux gérer les données éparses (lorsqu'il y a peu de gaz à mesurer) et les défauts mixtes que les techniques isolées. Bien que le document note qu'il s'agit d'une simulation et de tests sur des ensembles de données spécifiques, la précision de 89 % suggère que cette stratégie de « travail d'équipe » est une direction solide pour l'avenir de la maintenance de nos équipements électriques. Elle promet un avenir où nous pourrons détecter les problèmes plus tôt et maintenir la lumière allumée avec une plus grande confiance.