Spis treści
Wyzwanie biznesowe
Konserwacja transformatorów sieci energetycznej to złożony proces, który w dużym stopniu opiera się na bogatym doświadczeniu starszych diagnostów firmy. Eksperci ci muszą analizować ogromną liczbę parametrów, od odczytów elektrycznych po właściwości fizykochemiczne, aby ocenić stan każdej jednostki.
Ten ręczny proces jest zarówno czasochłonny, jak i trudny do skalowania. Subtelne, wczesne oznaki degradacji mogą zostać przeoczone, co potencjalnie prowadzi do poważniejszych awarii i kaskadowych uszkodzeń innych komponentów. Określenie właściwego działania konserwacyjnego i jego optymalnego terminu nie jest proste. Zbyt wczesna interwencja powoduje niepotrzebne koszty, podczas gdy zbyt późne działanie wiąże się z ryzykiem katastrofalnej awarii i przerw w dostawie prądu.
Nasz klient korzystał z zestawu algorytmów wspomagających ten proces, ale chciał sprawdzić, czy nowoczesne techniki sztucznej inteligencji mogą zapewnić dokładniejsze i bardziej niezawodne rozwiązanie do przewidywania zarówno usterek, jak i odpowiednich zaleceń dotyczących konserwacji.
Tworzenie przejrzystych i ukierunkowanych modeli predykcyjnych
Najpierw zajęliśmy się wyzwaniem związanym z danymi nieustrukturyzowanymi. Opracowaliśmy dostosowany do potrzeb model optycznego rozpoznawania znaków (OCR) w celu przetworzenia tysięcy historycznych raportów w formacie PDF z lat 2014–2020. W ramach tego projektu „cyfrowego paszportu” wyodrębniliśmy kluczowe parametry i stworzyliśmy ujednolicony, czytelny dla maszyn zbiór danych zawierający ponad 1000 rekordów dotyczących transformatorów.
Zespół najpierw rozważał stworzenie jednego, kompleksowego modelu ML/AI (opartego na sieciach neuronowych) do jednoczesnego przewidywania wszystkich 14 rodzajów usterek i około 30 rodzajów zaleceń konserwacyjnych. Testy wykazały jednak, że podejście to generowało niedopuszczalnie wysoki odsetek wyników fałszywie pozytywnych i fałszywie negatywnych. Analiza wykazała, że różne rodzaje usterek często nie były ze sobą w ogóle skorelowane, co sprawiało, że pojedynczy model był nieskuteczny.
W oparciu o to odkrycie zmieniono strategię. Opracowaliśmy zestaw indywidualnych, wyspecjalizowanych modeli uczenia maszynowego (wykorzystujących zarówno tradycyjne techniki, takie jak maszyny wektorów nośnych, jak i bardziej zaawansowane rozwiązania, takie jak gradient boosting), po jednym dla każdej konkretnej usterki i zalecenia. To modułowe podejście pozwoliło zespołowi wybrać i dostroić najlepszy algorytm dla każdego unikalnego scenariusza, znacznie poprawiając wydajność prognozowania.
Podstawowym wymogiem projektu było zaufanie. Aby system został przyjęty przez diagnostów klienta, nie mógł być „czarną skrzynką”. Wdrożyliśmy techniki wyjaśnialnej sztucznej inteligencji (xAI) przy użyciu biblioteki Dalex. Zamiast po prostu podawać wynik prawdopodobieństwa, system wyjaśnia swoje rozumowanie, wskazując, które parametry wejściowe miały największy wpływ na jego prognozę. Ta przejrzystość pozwala ekspertom zweryfikować wyniki systemu w oparciu o własną wiedzę i podejmować bardziej świadome i pewne decyzje.
Korzyści z naszej współpracy
- Osiągnęliśmy ponad 90% dokładności i precyzji, 85% wskaźnika F1 oraz około 80% wskaźnika przypomnienia podczas przewidywania usterek i rekomendacji dotyczących konserwacji
- Zapewniono pełną przejrzystość procesu podejmowania decyzji przez AI dzięki wyjaśniającej sztucznej inteligencji (xAI), zwiększając zaufanie diagnostów i akceptację rozwiązania
- Nasze rozwiązanie umożliwiło bardziej proaktywne i opłacalne planowanie konserwacji krytycznej infrastruktury sieci energetycznej
- Stworzyliśmy skalowalną infrastrukturę zdolną do włączania nowych modeli usterek i zaleceń w miarę pojawiania się nowych danych i potrzeb
Technologie użyte w projekcie
