Real Time NILM Based Power Monitoring of Identical Induction Motors Representing Cutting Machines in Textile Industry

Technische Samenvatting: Real-time NILM-gebaseerde vermogensmonitoring van identieke inductiemotoren in de textielindustrie

Probleemstelling
De textielindustrie in Bangladesh is een belangrijke economische bijdrager, maar blijft zeer energie-intensief met verouderde monitoringpraktijken. Het huidige energiebeheer in veel faciliteiten is afhankelijk van handmatige tracking of Intrusive Load Monitoring (ILM), wat uitgebreide sensorinstallatie, complexe bedrading en hoge onderhoudskosten vereist. Hoewel ILM gedetailleerde data biedt, is het moeilijk schaalbaar in grote fabrieken en lijdt het aan kalibratieproblemen in ruwe industriële omgevingen. Non-Intrusive Load Monitoring (NILM) biedt een kosteneffectief alternatief door individueel apparaatverbruik te schatten vanuit één enkel geaggregeerd meetpunt. Echter, bestaand NILM-onderzoek is voornamelijk gericht op residentiële omgevingen met diverse lasten. Er is een aanzienlijke kloof in het toepassen van NILM op industriële settings, specifiek voor het onderscheiden van identieke motor-aangedreven lasten (zoals textiel-snijmachines) onder real-time, laagfrequente monitoringcondities.

Methodologie
De auteurs ontwikkelden een hardware- en softwarekader om deze uitdagingen aan te pakken:

• Experimentele Opstelling: Het systeem emuleert een textiel-snijsectie met drie identieke 50W inductiemotoren (die snijmachines vertegenwoordigen) en twee 15W lampenlasten (die hulpverlichting vertegenwoordigen).
• Hardware-architectuur:
  • Sensoren: ZMPT101B (spanning) en ZMCT103C (stroom) sensoren vangen data op van de hoofdleiding en individuele lastleidingen.
  • Verwerking: Een Arduino Mega 2560 digitaliseert signalen en berekent real-time elektrische parameters.
  • Transmissie: Een ESP8266 Wi-Fi-module zendt data naar cloudplatforms.
  • Visualisatie: Data wordt opgeslagen in Google Sheets en gevisualiseerd via een lokale 20×4 LCD en een externe Blynk mobiele/webapplicatie.
• Datasetcreatie: Gedurende een periode van 15 dagen verzamelde het team 180.631 samples met een gemiddelde sample-interval van 5 seconden. De dataset omvat 16 verschillende laststatuscombinaties, waarbij zowel geaggregeerde als individuele lastdata wordt vastgelegd.
• Modelselectie: De studie hanteert MATNILM (Multi-Appliance-Task Non-Intrusive Load Monitoring), een state-of-the-art model dat Multi-Head Self-Attention (2DMA) mechanismen gebruikt. In tegenstelling tot eerdere studies die residentiële datasets (REDD, UK-DALE) gebruikten, werd dit model getraind en geëvalueerd op de nieuw gecreëerde industriële dataset.
• Trainingsstrategie: De dataset werd chronologisch gesplitst (81% training, 7,6% validatie, 11,4% testen) om temporale lastpatronen te behouden. Het model werd fijn afgestemd met specifieke hyperparameters (batchgrootte 32, leersnelheid 0,001) en gebruikte data-augmentatie om om te gaan met de beperkte datasetgrootte.
• Evaluatiemetrics: De prestaties werden beoordeeld met Mean Absolute Error (MAE), Signal Aggregate Error (SAE), F1-score en Normalized Disaggregation Error (NDE).

Belangrijkste Bijdragen

1. Industriële Datasetcreatie: Het paper introduceert een nieuwe dataset afgeleid van experimenteel geteste identieke inductiemotoren, die een benchmark biedt die specifiek relevant is voor textielindustrie-applicaties in plaats van te vertrouwen op synthetische of residentiële data.
2. Geïntegreerd Real-time Kader: De auteurs presenteren een compleet systeem dat data-acquisitie, modelimplementatie en remote monitoring (via Blynk) combineert, verder gaand dan offline evaluatie naar een functioneel industrieel prototype.
3. Evaluatie op Identieke Lasten: De studie test specifiek de prestaties van het MATNILM-model in een uitdagend scenario met identieke lasten, een situatie waarin de meeste NILM-algoritmen moeite hebben.
4. Identificatie van Industriële Beperkingen: Het onderzoek benadrukt expliciet de moeilijkheden waar NILM mee te maken krijgt in industriële contexten, met name wat betreft het onderscheid tussen identieke machines en de impact van laagfrequente sampling.

Resultaten en Inzichten

• Geaggregeerde versus Gedisaggregeerde Prestaties: Het systeem toonde redelijke nauwkeurigheid in het schatten van het totale geaggregeerde energieverbruik (gemiddelde SAE van 8,65%). Echter, disaggregatie per apparaat stuitte op aanzienlijke uitdagingen.
• Impact van Identieke Lasten: Het model presteerde goed wanneer slechts één machine actief was. Echter, de prestaties verslechterden scherp wanneer twee of meer identieke motoren gelijktijdig draaiden. In deze scenario's allocatieerde het model frequent energie verkeerd tussen de identieke eenheden, wat leidde tot een hogere MAE (variërend van 6,20W tot 12,68W) en lagere F1-scores (0,66–0,79).
• Statusdetectie: Het model had moeite om ON/OFF-overgangen te onderscheiden voor de identieke motoren vanwege overlappende vermogenshandtekeningen. Omgekeerd volgde het de niet-motorlast (lampen) effectiever, hoewel steady-state grootheden nog steeds onderhevig waren aan fouten.
• Real-time Implementatie: Na implementatie bleef het systeem functioneel met remote toegankelijkheid. Hoewel de F1-scores verbeterden in de real-time test (wat wijst op betere lastaanwezigheidsdetectie), namen MAE en SAE toe, waarschijnlijk door sensorgeluid en dataverschuivingen die niet aanwezig waren in de gecontroleerde trainingsomgeving.

Betekenis en Claims
Het paper concludeert dat hoewel NILM potentie heeft voor industriële energemonitoring, de toepassing op motor-aangedreven lasten momenteel beperkt is. De auteurs maken bescheiden de claim dat hun werk zowel de praktische haalbaarheid van een real-time, kosteneffectief monitoringkader als de specifieke technische barrières die nog bestaan, benadrukt.

De studie stelt dat de primaire beperkingen die hoge-nauwkeurige disaggregatie in deze context voorkomen, zijn:

1. Het onvermogen van huidige modellen om onderscheid te maken tussen identieke vermogenshandtekeningen.
2. De afhankelijkheid van laagfrequente data, die geen transiënte handtekeningen vastlegt die noodzakelijk zijn voor differentiatie.
3. De beperkingen van kleinschalige datasets op modelgeneralisatie.

De auteurs suggereren dat toekomstige verbeteringen vereisen: datacollectie met hogere frequentie, grotere en diversere industriële datasets, en geavanceerde deep learning-benaderingen die specifiek zijn ontworpen om om te gaan met identieke lasten. Zij claimen niet het probleem van disaggregatie van identieke lasten opgelost te hebben, maar bieden eerder een kritische evaluatie van huidige capaciteiten in een industriële setting.