Smart Transformer Digital Twin for Real-Time Condition Monitoring, Loss Analysis, and Ai-Assisted Predictive Maintenance

In het uitgestrekte, zoemende netwerk dat elektriciteit naar onze huizen en steden levert, staat de transformator als een stille bewaker. Deze zware, met olie gevulde machines zijn de werkpaarden van het elektriciteitsnet, die het voltage omhoog en omlaag brengen om ervoor te zorgen dat energie veilig van elektriciteitscentrales naar onze stopcontacten stroomt. Omdat ze onder constante elektrische en thermische spanning werken, zijn ze gevoelig voor veroudering en defecten. Wanneer een transformator uitvalt, zijn de gevolgen ernstig: stroomuitval, dure reparaties en beschadigde apparatuur. Decennialang vertrouwde het gezond houden van deze machines op een reactieve aanpak. Technici kwamen periodiek langs om monsters van de olie te nemen of gebruikten thermische camera's om hotspots op te sporen. Deze methode is als het controleren van de motor van een auto slechts één keer per jaar; het mist de kleine problemen die zich tussen de bezoeken door ontwikkelen, wat vaak leidt tot plotselinge, catastrofale defecten.

Om dit op te lossen, hebben ingenieurs zich gericht op het Internet of Things, een systeem waarbij alledaagse objecten verbinding maken met het internet om gegevens te delen. Door kleine, goedkope sensoren aan een transformator te bevestigen, is het mogelijk om de vitale functies ervan — voltage, stroomsterkte en temperatuur — continu te volgen. Het verzamelen van gegevens alleen is echter niet voldoende. Een sensor kan defect raken of een foutieve meting geven, waardoor een computer een vals alarm geeft. Bovる, weten dat de temperatuur hoog is, is nuttig, maar begrijpen waarom deze hoog is, of voorspellen hoe lang de machine nog kan functioneren voordat hij faalt, vereist een dieper begrip van de fysica binnen de metalen behuizing. Hier wordt het concept van een "digitale tweeling" essentieel. Een digitale tweeling is een virtuele kopie van een fysiek object die in realtime wordt bijgewerkt. Het stelt ingenieurs in staat om simulaties uit te voeren en scenario's te testen op de computer zonder ooit het echte apparaat aan te raken, wat een veilige manier biedt om toekomstige problemen te voorspellen.

Een team van onderzoekers aan de SKN Sinhgad College of Engineering in India heeft een systeem gebouwd dat deze ideeën samenbrengt in een praktisch, betaalbaar hulpmiddel voor het monitoren van transformatoren. Ze hebben een "slim" monitoringsplatform ontwikkeld dat fysieke sensoren, een virtueel model en kunstmatige intelligentie combineert om rond het klokje over de gezondheid van een transformator te waken. Het hart van hun systeem is een kleine, goedkope microcontroller genaamd de ESP32. Dit apparaat fungeert als het brein en verzamelt gegevens van sensoren die de spanning van de transformator, de stroom die erdoorheen vloeit, de temperatuur van de isolatieolie, de temperatuur van het oppervlak van de transformator en het oliepeil in de transformator meten. In plaats van deze ruwe getallen alleen naar een computer te sturen, verwerkt het systeem ze onmiddellijk om complexe prestatieparameters te berekenen. Het berekent hoe efficiënt de transformator is, hoeveel energie er verloren gaat als warmte en hoeveel stress de interne componenten ervaren.

Wat dit systeem bijzonder slim maakt, is hoe het met onzekerheid omgaat. In veel monitoringsopstellingen kan het, als een sensor niet goed werkt, dat het systeem een defecte sensor aanziet voor een defecte transformator, wat leidt tot onnodige paniek. De onderzoekers hebben dit opgelost door hun systeem een "physics-informed" (op fysica gebaseerd) brein te geven. De computer gebruikt bekende natuurkundige wetten om te voorspellen wat de temperatuur en andere metingen zouden moeten zijn op basis van de belasting die de transformator draagt. Als de sensor zegt dat de olie kokend heet is, maar het fysica-model zegt dat de belasting te laag is om dat te veroorzaken, weet het systeem dat er iets mis is met de sensor, en niet met de machine. Dit vermogen om onderscheid te maken tussen een echt defect en een defecte sensor is een cruciale verbetering ten opzichte van oudere systemen die simpelweg reageren wanneer getallen een bepaalde grens overschrijden.

Om het systeem nog slimmer te maken, hebben de onderzoekers een model voor kunstmatige intelligentie getraind om patronen in de gegevens te herkennen. Ze hebben de computer geleerd om de conditie van de transformator in te delen in vier verschillende staten: normaal, waarschuwing, defect of sensorafwijking. In hun tests identificeerde deze kunstmatige intelligentie de staat van de transformator in 93% van de gevallen correct. Het was bijzonder goed in het detecteren van wanneer een sensor defect was, een taak die eenvoudigere systemen vaak in verwarring brengt. De onderzoekers genereerden een grote set trainingsgegevens die voorbeelden bevatten van deze verschillende staten, inclusief scenario's waarbij de olietemperatuur steeg zonder een overeenkomstige stijging van de oppervlaktetemperatuur — een duidelijk teken van een sensorfout in plaats van een echt oververhittingsevenement.

De gehele opstelling is verbonden met een cloud-gebaseerd dashboard dat iedereen met een internetverbinding kan bekijken. Dit dashboard doet meer dan alleen getallen tonen; het toont een live, gesynchroniseerde digitale tweeling van de transformator. Terwijl de fysieke machine opwarmt of afkoelt, verandert het virtuele model op het scherm exact mee. Hierdoor kunnen operators de gezondheid van de transformator in realtime volgen vanaf overal ter wereld. Het systeem bevat ook een veiligheidsfunctie waarbij defecten gesimuleerd kunnen worden. Een operator kan op een knop klikken om te zien wat er zou gebeuren als de transformator overbelast zou worden of als het oliepeil te laag zou worden. De digitale tweeling doorloopt deze scenario's onmiddellijk, waardoor de potentiële gevolgen worden getoond zonder het eigenlijke, dure hardwareonderdeel in gevaar te brengen. Dit is een krachtig hulpmiddel voor training en planning, waardoor ingenieurs veilig kunnen oefenen met het afhandelen van noodsituaties.

In hun experimenten testten de onderzoekers het systeem op een laboratoriumschaal transformator. Ze ontdekten dat het systeem gegevens met hoge precisie kon verzamelen, waarbij 20 metingen werden gedaan voor elke enkele cyclus van de elektrische stroom. De tijd die de gegevens nodig hadden om van de sensor naar het dashboard te reizen was ongelooflijk snel, variërend van 110 tot 265 milliseconden, wat snel genoeg is om ontwikkelende problemen te vangen voordat ze rampen worden. Het systeem berekende succesvol de efficiëntie van de transformator, die tijdens normale werking rond de 95% lag, en schatte de resterende bruikbare levensduur van de apparatuur in op basis van de huidige gezondheid. Door goedkope hardware te combineren met geavanceerde fysica-modellering en kunstmatige intelligentie, hebben de onderzoekers aangetoond dat er een manier is om transformatoren langer, veiliger en efficiënter te laten draaien. Hun werk suggereert dat de toekomst van onderhoud aan het elektriciteitsnet niet ligt in dure, complexe industriële systemen, maar in slimme, toegankelijke hulpmiddelen die breed kunnen worden ingezet om de kritieke activa te bewaken die onze lichten laten branden.