Inhalt
Geschäftliche Herausforderung
Die Wartung von Transformatoren im Stromnetz ist ein komplexer Prozess, der stark auf die umfassende Erfahrung erfahrener Diagnostiker angewiesen ist. Diese Experten müssen eine Vielzahl von Parametern analysieren – von elektrischen Messwerten bis hin zu physikalisch-chemischen Eigenschaften –, um den Zustand jeder einzelnen Einheit zu beurteilen.
Dieser manuelle Prozess ist sowohl zeitaufwändig als auch schwer zu skalieren. Subtile, frühe Anzeichen einer Verschlechterung können übersehen werden, was möglicherweise zu schwerwiegenderen Ausfällen und Folgeschäden an anderen Komponenten führt. Die Festlegung der richtigen Wartungsmaßnahme und ihres optimalen Zeitpunkts ist nicht einfach. Ein zu frühes Eingreifen verursacht unnötige Kosten, während ein zu spätes Handeln das Risiko katastrophaler Ausfälle und Stromausfälle birgt.
Unser Kunde nutzte eine Reihe von Algorithmen zur Unterstützung dieses Prozesses, wollte jedoch untersuchen, ob moderne KI-Techniken eine genauere und zuverlässigere Lösung für die Vorhersage von Defekten und die entsprechenden Wartungsempfehlungen bieten könnten.
Entwicklung transparenter und zielgerichteter Vorhersagemodelle
Zunächst widmeten wir uns der Herausforderung unstrukturierter Daten. Wir entwickelten ein maßgeschneidertes OCR-Modell (Optical Character Recognition), um Tausende historischer PDF-Berichte aus den Jahren 2014 bis 2020 zu verarbeiten. Dieses „Digital Passport“-Projekt extrahierte erfolgreich wichtige Parameter extrahiert und einen einheitlichen, maschinenlesbaren Datensatz mit über 1.000 Transformator-Datensätzen erstellt.
Das Team untersuchte zunächst die Erstellung eines einzigen, umfassenden ML/KI-Modells (basierend auf neuronalen Netzen), um alle 14 Arten von Defekten und rund 30 Arten von Wartungsempfehlungen gleichzeitig vorherzusagen. Tests ergaben jedoch, dass dieser Ansatz unakzeptabel hohe Raten an Falsch-Positiven und Falsch-Negativen erzeugte. Die Analyse zeigte, dass verschiedene Arten von Defekten oft völlig unabhängig voneinander waren, was ein einziges Modell unwirksam machte.
Aufgrund dieser Erkenntnis wurde die Strategie geändert. Wir entwickelten eine Reihe individueller, spezialisierter Machine-Learning-Modelle (unter Verwendung sowohl traditioneller Techniken wie Support-Vektor-Maschinen als auch ausgefeilterer Lösungen wie Gradient Boosting), eines für jeden spezifischen Defekt und jede Empfehlung. Dieser modulare Ansatz ermöglichte es dem Team, für jedes einzelne Szenario den besten Algorithmus auszuwählen und fein abzustimmen, was die Vorhersageleistung erheblich verbesserte.
Eine zentrale Anforderung an das Projekt war Vertrauen. Damit das System von den Diagnostikern des Kunden angenommen wurde, durfte es keine „Black Box“ sein. Wir implementierten Techniken der erklärbaren KI (xAI) unter Verwendung der Dalex-Bibliothek. Anstatt nur einen Wahrscheinlichkeitswert anzugeben, erläutert das System seine Argumentation, indem es hervorhebt, welche Eingabeparameter den größten Einfluss auf seine Vorhersage hatten. Diese Transparenz ermöglicht es Experten, die Ergebnisse des Systems anhand ihres eigenen Fachwissens zu validieren und fundiertere, sicherere Entscheidungen zu treffen.
Vorteile unserer Zusammenarbeit
- Erzielung einer Genauigkeit und Präzision von über 90 %, eines F1-Scores von 85 % und einer Recall-Rate von rund 80 % bei der Vorhersage von Defekten und Wartungsempfehlungen
- Vollständige Transparenz im Entscheidungsprozess der KI durch Explainable AI (xAI), was das Vertrauen der Diagnostiker und die Akzeptanz erhöht
- Ermöglichung einer proaktiveren und kosteneffizienteren Wartungsplanung für kritische Stromnetzinfrastruktur
- Einrichtung eines skalierbaren Frameworks, das in der Lage ist, neue Fehler- und Empfehlungsmodelle zu integrieren, sobald mehr Daten verfügbar werden
Verwendete Technologien
