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

उन विशाल, गूँजते हुए ट्रांसफार्मरों की कल्पना करें जो हमारी बत्तियाँ जलाए रखते हैं और हमारे फोन चार्ज करते हैं। इन दिग्गजों के भीतर, एक विशेष तरल जिसे इंसुलेटिंग ऑयल (इन्सुलेटिंग तेल) कहा जाता है, एक मूक रक्षक की तरह कार्य करता है, जो उपकरणों को ठंडा रखता है और बिजली को वहाँ कूदने से रोकता है जहाँ उसे नहीं जाना चाहिए। लेकिन जब इनके अंदर कुछ गलत होता है—जैसे कि एक छोटी सी चिंगारी या एक हॉट स्पॉट का बनना—तो तेल टूटने लगता है, जिससे हाइड्रोजन या मीथेन जैसी अदृश्य गैसें निकलती हैं। इन गैसों को उस आग के "धुएं" के रूप में सोचें जिसे आप अभी देख नहीं पा रहे हैं। दशकों से, इंजीनियरों ने इन गैसों को सूंघने और यह अनुमान लगाने के लिए कि क्या गलत हो रहा है, 'डिसॉल्व्ड गैस एनालिसिस' (DGA) नामक तकनीक का उपयोग किया है। यह एक डॉक्टर द्वारा दिल की धड़कन सुनने जैसा है; गैसों का पैटर्न मशीन के स्वास्थ्य के बारे में एक कहानी बताता है। हालाँकि, इस कहानी को पढ़ना हमेशा से कठिन रहा है। कुछ तरीके कठोर चेकलिस्ट की तरह हैं जो छोटे नंबरों के आने पर भ्रमित हो जाते हैं, जबकि अन्य जटिल मानचित्रों की तरह हैं जो ओवरलैप हो सकते हैं और आपको खो सकते हैं। और जबकि स्मार्ट कंप्यूटर प्रोग्राम (आर्टिफिशियल इंटेलिजेंस) पैटर्न पहचानने में सक्षम होते हैं, वे कभी-कभी 'ब्लैक बॉक्स' की तरह व्यवहार करते हैं क्योंकि वे यह नहीं समझा पाते कि उन्होंने कोई अनुमान क्यों लगाया, या यदि उन्होंने वह सटीक समस्या नहीं देखी है जो उनके सामने है, तो वे भ्रमित हो जाते हैं।

यह शोध पत्र इस भ्रम को दूर करने का एक नया तरीका पेश करता है, जिसे "हाइब्रिड कॉन्फिडेंस फ्यूजन मॉडल" कहा जाता है। केवल एक जासूस पर निर्भर रहने के बजाय, लेखक एक पूरी टीम को एक साथ लाने का सुझाव देते हैं। वे पुराने, नियम-आधारित चेकलिस्ट, दृश्य मानचित्रों (जैसे डुवल ट्राएंगल/Duval Triangle) और स्मार्ट AI कंप्यूटरों के सबसे अच्छे हिस्सों को लेते हैं और उन्हें यह तय करने के लिए मतदान करने को कहते हैं कि समस्या क्या है। लेकिन यहाँ चतुराई भरा हिस्सा यह है: हर जासूस को समान वोट नहीं मिलता है। मॉडल प्रत्येक विधि को एक "कॉन्फिडेंस स्कोर" (विश्वास स्कोर) प्रदान करता है, इस आधार पर कि वह विशिष्ट स्थिति के लिए कितनी विश्वसनीय है। यदि AI आमतौर पर इलेक्ट्रिकल स्पार्क्स (बिजली की चिंगारी) के बारे में सही होता है लेकिन गर्मी के मामले में खराब होता है, और पुराना चेकलिस्ट गर्मी के लिए बेहतरीन है लेकिन स्पार्क्स के लिए खराब है, तो मॉडल उनकी राय को तदनुसार तौलता है। परिणाम एक एकल, अधिक भरोसेमंद निदान है जो सभी की ताकत को जोड़ता है। अपने परीक्षणों में, इस टीम-अप दृष्टिकोण ने 89% की सटीकता प्राप्त की, जो अकेले काम करने वाले अधिकांश व्यक्तिगत तरीकों से बेहतर है। लेखक सुझाव देते हैं कि यह रखरखाव को सुरक्षित और अधिक विश्वसनीय बनाता है, विशेष रूप से तब जब उपकरण अजीब व्यवहार कर रहा हो या दोष विभिन्न समस्याओं का मिश्रण हो।

मौन रक्षकों की कहानी

पावर ग्रिड के गहरे भीतर, ट्रांसफार्मर और अन्य भारी-भरकम मशीनें इंसुलेटिंग ऑयल के स्नान से ढकी होती हैं। यह तेल उपकरणों का जीवनरक्त है, जो उन्हें ठंडा रखता है और बिजली को वहां आर्क (arc) बनाने से रोकता है जहाँ उसे नहीं बनना चाहिए। लेकिन जब कोई मशीन बीमार होने लगती है—शायद एक ढीले तार के कारण चिंगारी या कॉइल के अत्यधिक गर्म होने के कारण—तो तेल विघटित होने लगता है। यह टोस्ट के जलने जैसा है; गर्मी या बिजली तेल के रासायनिक बंधों को तोड़ देती है, जिससे हाइड्रोजन, मीथेन और एथिलीन जैसी गैसें निकलती हैं। ये गैसें तेल में घुल जाती हैं, और खोजे जाने का इंतज़ार करती हैं।

लंबे समय से, इंजीनियरों ने इन गैसों को खोजने के लिए डिसॉल्व्ड गैस एनालिसिस (DGA) का उपयोग किया है। यह एक डॉक्टर द्वारा रक्त का नमूना लेने जैसा है। यह मापकर कि प्रत्येक गैस की कितनी मात्रा मौजूद है, वे बता सकते हैं कि मशीन में थर्मल फॉल्ट (गर्मी का दोष) है या इलेक्ट्रिकल फॉल्ट (चिंगारी का दोष)। शोध पत्र बताता है कि ये गैसें विशिष्ट रासायनिक प्रतिक्रियाओं के माध्यम से बनती हैं। उदाहरण के लिए, जब तेल टूटता है, तो यह मीथेन (CH4) या एसिटिलीन (C2H2) उत्पन्न कर सकता है, और गैस का प्रकार दोष के "तापमान" या "ऊर्जा" को बताता है।

जासूस की दुविधा

समस्या यह है कि वास्तव में क्या गलत है, यह समझना हमेशा आसान नहीं होता है। शोध पत्र तीन मुख्य तरीकों पर प्रकाश डालता है जिनका इंजीनियरों ने इस पहेली को सुलझाने के लिए उपयोग किया है, और प्रत्येक की अपनी खामियां हैं।

पहला, रूल-बेस्ड मेथड्स (नियम-आधारित विधियाँ) हैं। ये सख्त निर्देश मैनुअल की तरह हैं। वे निश्चित अनुपातों (एक गैस की मात्रा की तुलना दूसरी गैस से करना) का उपयोग करते हैं या निर्णय लेने के लिए एक चार्ट देखते हैं। शोध पत्र IEC 60599 और IEEE C57.104 जैसे मानकों का उल्लेख करता है, जो आधिकारिक नियम पुस्तिकाएं हैं। हालांकि ये सरल और मानकीकृत हैं, लेकिन ये कठोर हो सकते हैं। यदि गैस का स्तर बहुत कम है, या यदि संख्याएँ किसी श्रेणी के बिल्कुल किनारे पर आती हैं, तो ये तरीके विरोधाभासी उत्तर दे सकते हैं या दोष को पूरी तरह से मिस कर सकते हैं। यह एक मार्बल (कंचे) को आकार के आधार पर एक ऐसे रूलर से छांटने जैसा है जिस पर केवल "छोटा" और "बड़ा" के निशान हैं, जिससे मध्यम आकार के मार्बल भ्रमित करने वाले ग्रे एरिया में रह जाते हैं।

दूसरा, ग्राफिकल मेथड्स (ग्राफिक विधियाँ) हैं, जैसे प्रसिद्ध डुवल ट्राएंगल और डुवल पेंटागन। कल्पना करें कि गैस के स्तर को एक रंगीन मानचित्र पर प्लॉट किया जा रहा है जो विभिन्न क्षेत्रों (zones) में विभाजित है। प्रत्येक क्षेत्र एक अलग प्रकार के दोष का प्रतिनिधित्व करता है। यह बहुत अधिक विजुअल है और कम गैस सांद्रता के साथ मदद करता है, लेकिन शोध पत्र नोट करता है कि इन मानचित्रों की सीमाएं निश्चित हैं। वास्तविक दुनिया के दोष हमेशा त्रिकोण में फिट नहीं होते; वे अव्यवस्थित, ओवरलैपिंग या नॉन-लीनियर हो सकते हैं। यह एक बादल के चारों ओर एक पूर्ण वृत्त खींचने की कोशिश करने जैसा है; आकार बस फिट नहीं बैठता।

तीसरा, आर्टिफिशियल इंटेलिजेंस (AI) विधियाँ हैं। ये स्मार्ट कंप्यूटर हैं जो पैटर्न पहचानने के लिए हजारों पिछले उदाहरणों से सीखते हैं। वे जटिल, अस्त-व्यस्त डेटा को संभालने में माहिर हैं जिसे नियम पुस्तिकाएं नहीं समझ पातीं। हालाँकि, शोध पत्र बताता है कि AI की अपनी समस्याएं हैं। यह काफी हद तक उस डेटा पर निर्भर करता है जिस पर इसे प्रशिक्षित किया गया है; यदि यह किसी नए प्रकार के दोष को देखता है जिसे इसने नहीं सीखा है, तो यह गलत अनुमान लगा सकता है। साथ ही, AI एक "ब्लैक बॉक्स" हो सकता है, जिसका अर्थ है कि यह एक उत्तर देता है लेकिन भौतिक कारण नहीं बताता कि उसने ऐसा क्यों किया, जिससे इंजीनियर इस पर आँख मूंदकर भरोसा करने में हिचकिचाते हैं।

टीम-अप समाधान

यहीं पर लेखक, जॉयदीप धर, सोवन दलाई और सैबल चटर्जी, अपने हाइब्रिड कॉन्फिडेंस फ्यूजन मॉडल के साथ आते हैं। केवल एक जासूस को चुनने के बजाय, उन्होंने एक ऐसी प्रणाली बनाई है जहाँ सभी जासूस मिलकर काम करते हैं और मतदान करते हैं।

यह "फ्यूजन" कैसे काम करता है:

1. वोटिंग बूथ: मॉडल सबसे अच्छे नियम-आधारित तरीकों (जैसे डुवल ट्राएंगल) और सबसे अच्छे AI तरीकों से प्राप्त परिणामों को लेता है।
2. कॉन्फिडेंस स्कोर: हर वोट का महत्व समान नहीं होता। एक प्रशिक्षण चरण के दौरान, मॉडल देखता है कि प्रत्येक विधि कितनी सटीक है। यदि एक विशिष्ट AI मॉडल इलेक्ट्रिकल फॉल्ट पकड़ने में बहुत अच्छा है लेकिन थर्मल फॉल्ट में खराब है, तो इसे इलेक्ट्रिकल फॉल्ट के लिए उच्च "कॉन्फिडेंस स्कोर" मिलता है और थर्मल के लिए कम।
3. वेटेड डिसीजन (भारित निर्णय): जब एक नया सैंपल आता है, तो मॉडल प्रत्येक संभावित दोष के लिए एक भारित स्कोर (weighted score) की गणना करता है। यह स्कोर को संयोजित करने के लिए एक गणितीय सूत्र का उपयोग करता है, और उन तरीकों को प्राथमिकता देता जो उस विशिष्ट स्थिति के लिए सबसे अधिक विश्वसनीय हैं।

इसे दोस्तों के एक समूह की तरह सोचें जो एक सामान्य ज्ञान (ट्रिविया) प्रश्न का उत्तर देने की कोशिश कर रहे हैं। एक दोस्त इतिहास का जानकार है, दूसरा विज्ञान का विशेषज्ञ है, और तीसरा केवल अनुमान लगाने में अच्छा है। यदि प्रश्न इतिहास के बारे में है, तो इतिहास के जानकार के अनुमान का महत्व अधिक होगा। यदि प्रश्न विज्ञान के बारे में है, तो विज्ञान विशेषज्ञ की आवाज सबसे तेज होगी। हाइब्रिड कॉन्फिडेंस फ्यूजन मॉडल बिल्कुल यही करता है, लेकिन ट्रांसफार्मर के दोषों के लिए। यह गतिशील रूप से तय करता है कि कौन बोल सकता है, इस आधार पर कि कौन आमतौर पर सही होता है।

उन्होंने क्या पाया

लेखकों ने वास्तविक दुनिया के डेटा का उपयोग करके अपने नए मॉडल का परीक्षण पुराने तरीकों के विरुद्ध किया। उन्होंने अपने "हाइब्रिड कॉन्फिडेंस फ्यूजन" (HCF) मॉडल की तुलना व्यक्तिगत तरीकों जैसे मशीन लर्निंग (ML) मॉडल, कैरेक्टेरिस्टिक गैस एन्सेम्बल (CGE), और डुवल ट्राएंगल 1 (DT1) से की।

परिणाम उत्साहजनक थे। व्यक्तिगत तरीकों की सफलता का स्तर अलग-अलग था:

• डुवल ट्राएंगल 1 (एक लोकप्रिय ग्राफिकल विधि) की सटीकता लगभग 72% थी।
• मशीन लर्निंग मॉडल (ML1 और ML2) 76% से 80% के बीच थे।
• हाइब्रिड कॉन्फिडेंस फ्यूजन मॉडल ने 89% की सटीकता प्राप्त की।

शोध पत्र ने प्रिसिजन (Precision) और रिकॉल (Recall) जैसे अन्य मेट्रिक्स को भी देखा (जो यह मापते हैं कि मॉडल कितनी बार "फॉल्ट" कहने पर सही होता है और यह कितने वास्तविक दोषों को पकड़ पाता है)। HCF मॉडल का प्रिसिजन 0.78 और रिकॉल 0.78 रहा, और F1-स्कोर 0.77 रहा। यह सुझाव देता है कि विधियों को संयोजित करके, मॉडल अधिक मजबूत हो गया, विशेष रूप से "मिक्स्ड फॉल्ट सिनेरियो" (मिश्रित दोष परिदृश्य) के साथ निपटने में जहाँ मशीन में एक साथ हीट और इलेक्ट्रिकल दोनों समस्याएं हो सकती हैं।

यह क्यों महत्वपूर्ण है

शोध पत्र निष्कर्ष निकालता है कि जबकि नियम-आधारित विधियाँ समझने में आसान होने के लिए अच्छी हैं, और AI जटिल पैटर्न पहचानने के लिए अच्छा है, लेकिन अकेले कोई भी पूर्ण नहीं है। हाइब्रिड कॉन्फिडेंस फ्यूजन मॉडल एक मध्य मार्ग का सुझाव देता है। यह पुराने, भरोसेमंद नियमों को नहीं फेंकता, न ही नए AI पर अंधा विश्वास करता है। इसके बजाय, यह एक ऐसी प्रणाली बनाता है जहाँ वे एक-दूसरे के पूरक बनते हैं।

लेखक इस बात पर जोर देते हैं कि यह दृष्टिकोण तब संघर्षों को हल करने में मदद करता है जब अलग-अलग विधियाँ अलग-अलग उत्तर देती हैं। "एडेप्टिव कॉन्फिडेंस स्कोर" का उपयोग करके, मॉडल स्पार्स डेटा (जब मापने के लिए बहुत कम गैस हो) और मिश्रित दोषों को अलग-अलग तकनीकों की तुलना में बेहतर तरीके से संभाल सकता है। हालांकि शोध पत्र नोट करता है कि यह एक सिमुलेशन है और विशिष्ट डेटासेट पर परीक्षण है, 89% की सटीकता बताती है कि यह "टीम-अप" रणनीति हमारे बिजली उपकरणों के रखरखाव के भविष्य के लिए एक मजबूत दिशा है। यह एक ऐसे भविष्य का वादा करता है जहाँ हम समस्याओं का जल्दी पता लगा सकते हैं और अधिक आत्मविश्वास के साथ बिजली चालू रख सकते हैं।