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

Stel je de enorme, brommende transformatoren voor die onze lichten aanhouden en onze telefoons opladen. Binnen deze reuzen fungeert een speciale vloeistof genaamd isolatieolie als een stille bewaker, die de apparatuur koelt en voorkomt dat elektriciteit springt waar het niet hoort. Maar wanneer er binnen iets misgaat — zoals een kleine vonk of een hot spot die zich vormt — begint de olie af te breken, waarbij onzichtbare gassen zoals waterstof of methaan vrijkomen. Denk aan deze gassen als de "rook" van een vuur dat je nog niet kunt zien. Decennialang hebben ingenieurs een techniek genaamd Dissolved Gas Analysis (DGA) gebruikt om naar deze gassen te "snuiven" en te raden wat er mis is. Het is een beetje zoals een arts die luistert naar een hartslag; het patroon van de gassen vertelt een verhaal over de gezondheid van de machine. Echter, het lezen van dit verhaal is altijd lastig geweest. Sommige methoden zijn als rigide checklists die in de war raken wanneer de getallen klein zijn, terwijl andere methoden als complexe kaarten zijn die kunnen overlappen en je de weg kunnen doen verliezen. En hoewel slimme computerprogramma's (Artificiële Intelligentie) patronen kunnen leren herkennen, gedragen ze zich soms als zwarte dozen die niet uitleggen waarom ze een gok hebben gedaan, of raken ze in de war als ze precies dat specifieke probleem nog niet eerder hebben gezien.

Dit artikel introduceert een nieuwe manier om deze verwarring op te lossen, genaamd het "Hybrid Confidence Fusion Model". In plaats van te vertrouwen op slechts één detective, stellen de auteurs voor om een heel team bij elkaar te brengen. Ze nemen de beste onderdelen van de oude, op regels gebaseerde checklists, de visuele kaarten (zoals de Duval-driehoek) en de slimme AI-computers, en laten hen stemmen over wat het probleem is. Maar hier komt het slimme deel bij: niet elke detective krijgt een gelijk stemrecht. Het model wijst een "vertrouwensscore" toe aan elke methode op basis van hoe betrouwbaar deze is voor de specifiek situatie. Als de AI meestal goed is in het herkennen van elektrische vonken maar slecht in hitte, en de oude checklist geweldig is in hitte maar slecht in vonken, weegt het model hun meningen dienovereenkomstig. Het resultaat is een enkele, meer betrouwbare diagnose die de sterke punten van iedereen combineert. In hun tests bereikte deze team-aanpak een nauwkeurigheid van 89%, waarmee het de meeste individuele methoden die alleen werken, verslaat. De auteurs suggereren dat dit onderhoud veiliger en betrouwbaarder maakt, vooral wanneer de apparatuur vreemd doet of de fout een mix van verschillende problemen is.

Het Verhaal van de Stille Bewakers

Diep in het elektriciteitsnet zijn transformatoren en andere zware machines bedekt met een bad van isolatieolie. Deze olie is het levensbloed van de apparatuur, die het koel houdt en voorkomt dat elektriciteit ontspringt waar het niet hoort. Maar wanneer een machine ziek wordt — misschien door een losse draad die een vonk veroorzaakt of een spoel die oververhit raakt — begint de olie te ontleden. Het is alsoal een stuk toast dat verbrandt; de hitte of elektriciteit breekt de chemische verbindingen in de olie af, waardoor gassen zoals waterstof, methaan en etyleen vrijkomen. Deze gassen lossen op in de olie, wachtend om ontdekt te worden.

Al lange tijd gebruiken ingenieurs Dissolved Gas Analysis (DGA) om deze gassen te vinden. Het is een beetje zoals een arts die een bloedmonster neemt. Door te meten hoeveel van elk gas aanwezig is, kunnen ze zien of de machine een thermisch defect (oververhitting) of een elektrisch defect (vonken) heeft. Het artikel legt uit dat deze gassen ontstaan door specifieke chemische reacties. Bijvoorbeeld, wanneer de olie afbreekt, kan het methaan (CH4) of acetyleen (C2H2) produceren, en het type gas vertelt je de "temperatuur" of de "energie" van het defect.

Het Dilemma van de Detective

Het probleem is dat het uitzoeken wat er precies aan de hand is, niet altijd eenvoudig is. Het artikel belicht drie belangrijke manieren waarop ingenieurs geprobeerd hebben dit puzzelstukje op te lossen, en elk heeft zijn eigen gebreken.

Ten eerste zijn er de Regelgebaseerde Methoden. Dit zijn als strikte instructiehandleidingen. Ze gebruiken vaste ratio's (het vergelijken van de hoeveelheid van het ene gas met die van het andere) of kijken naar een grafiek om een defect te bepalen. Het artikel noemt standaarden zoals IEC 60599 en IEEE C57.104, die de officiële regelboeken zijn. Hoewel deze eenvoudig en gestandaardiseerd zijn, kunnen ze rigide zijn. Als de gasniveaus erg laag zijn, of als de getallen precies op de grens van een categorie vallen, kunnen deze methoden tegenstrijdige antwoorden geven of het defect volledig missen. Het is als het sorteren van knikkers op grootte met een liniaal die alleen markeringen heeft voor "klein" en "groot", waardoor de middelgrote knikkers in een verwarrend grijs gebied achterblijven.

Ten tweede zijn er de Grafische Methoden, zoals de beroemde Duval-driehoek en Duval-pentagon. Stel je voor dat je de gasniveaus plot op een kleurrijke kaart die verdeeld is in zones. Elke zone vertegenwoordigt een ander type defect. Dit is veel visueler en helpt bij lage gasconcentraties, maar het artikel merkt op dat deze kaarten vaste grenzen hebben. Defecten in de echte wereld passen niet altijd netjes in een driehoek; ze kunnen rommelig, overlappend of niet-lineair zijn. Het is als het proberen te tekenen van een perfecte cirkel rond een wolk; de vorm past simpelweg niet.

Ten derde zijn er de Artificiële Intelligentie (AI) methoden. Dit zijn de slimme computers die leren van duizenden voorbeelden uit het verleden om patronen te herkennen. Ze zijn uitstekend in het afhandelen van complexe, rommelige gegevens die de regelboeken niet kunnen begrijpen. Echter, het artikel wijst erop dat AI zijn eigen problemen heeft. Het leunt zwaar op de gegevens waarop het is getraind; als het een nieuw type defect ziet dat het nog niet heeft geleerd, kan het een foutieve gok maken. Bovendien kan AI een "black box" zijn, wat betekent dat het een antwoord geeft maar niet de fysieke reden uitlegt waarom, wat ingenieurs ertoe brengt om het niet blindelings te vertrouwen.

De Team-oplossing

Dit is waar de auteurs, Joydip Dhar, Sovan Dalai en Saibal Chatterjee, in beeld komen met hun Hybrid Confidence Fusion Model. In plaats van één detective te kiezen, hebben zij een systeem gebouwd waarin alle detectives samenwerken en stemmen.

Zo werkt de "fusie":

1. Het Stemhokje: Het model neemt de resultaten van de beste regelgebaseerde methoden (zoals de Duval-driehoek) en de beste AI-methoden.
2. De Vertrouwensscore: Niet elke stem telt even zwaar. Tijdens een trainingsfase kijkt het model naar hoe nauwkeurig elke methode is. Als een specifiek AI-model goed is in het opsporen van elektrische defecten maar slecht in thermische defecten, krijgt het een hoge "vertrouwensscore" voor elektrische defecten en een lagere score voor thermische defecten.
3. De Gewogen Beslissing: Wanneer een nieuwe monster binnenkomt, berekent het model een gewogen score voor elk mogelijk defect. Het gebruikt een wiskundige formule om deze scores te combineren, waarbij prioriteit wordt gegeven aan de methoden die het meest betrouwbaar zijn voor die specifieke situatie.

Denk aan een groep vrienden die probeert het antwoord op een trivia-vraag te raden. De ene vriend is een geschiedenisliefhebber, een ander is een wetenschapper en een derde is goed in gokken. Als de vraag over geschiedenis gaat, telt de gok van de geschiedenisliefhebber zwaarder. Als het over wetenschap gaat, krijgt de wetenschapper een luidere stem. Het Hybrid Confidence Fusion Model doet precies dit, maar dan voor transformatordefecten. Het past dynamisch aan wie er mag spreken op basis van wie er meestal gelijk heeft.

Wat Ze Vonden

De auteurs hebben hun nieuwe model getest tegen de oude methoden met behulp van real-world data. Ze vergeleken de nauwkeurigheid van hun "Hybrid Confidence Fusion" (HCF) model met individuele methoden zoals Machine Learning (ML) modellen, de Characteristic Gas Ensemble (CGE) en de Duval Triangle 1 (DT1).

De resultaten waren veelbelovend. De individuele methoden hadden wisselende niveaus van succes:

• De Duval Triangle 1 (een populaire grafische methode) had een nauwkeurigheid van ongeveer 72%.
• De Machine Learning-modellen (ML1 en ML2) varieerden van 7%， tot 80%.
• Het Hybrid Confidence Fusion Model bereikte een nauwkeurigheid van 89%.

Het artikel keek ook naar andere metrieken zoals Precisie en Recall (die meten hoe vaak het model gelijk heeft wanneer het "defect" zegt en hoeveel werkelijke defecten het vangt). Het HCF-model behaalde een precisie van 0,78 en een recall van 0,78, met een F1-score van 0,77. Dit suggereert dat door de methoden te combineren, het model robuuster werd, vooral bij het omgaan met "mixed fault scenarios" waarbij de machine zowel hitte- als elektrische problemen tegelijkertijd kan hebben.

Waarom Het Er Toe Doet

Het artikel concludeert dat hoewel regelgebaseerde methoden goed zijn omdat ze gemakkelijk te begrijpen zijn, en AI goed is in het herkennen van complexe patronen, geen van beide op zichzelf perfect is. Het Hybrid Confidence Fusion Model suggereert een middenweg. Het gooit de oude, vertrouwde regels niet weg, noch vertrouwt het blindelings op de nieuwe AI. In plaats daarvan creëert het een systeem waarin ze elkaar aanvullen.

De auteurs benadrukken dat deze aanpak hels bij het oplossen van conflicten wanneer verschillende methoden verschillende antwoorden geven. Door gebruik te maken van "adaptieve vertrouwensscores" kan het model beter omgaan met schaarse data (wanneer er weinig gas te meten valt) en gemengde defecten dan de geïsoleerde technieken. Hoewel het artikel opmerkt dat dit een simulatie is en getest wordt op specifieke datasets, suggereert de nauwkeurigheid van 89% dat deze "team-aanpak" een sterke richting is voor de toekomst van het onderhoud van onze elektrische apparatuur. Het belooft een toekomst waarin we problemen eerder kunnen detecteren en met meer vertrouwen het licht aan kunnen houden.