Aprendizaje basado en la física en capas transferibles para la detección de estado del horno de inducción de alta...

Área de la Ciencia:

• Ingeniería de sistemas termoeléctricos
• Física aplicada
• Aprendizaje automático para procesos industriales

Sus antecedentes:

• Los hornos de inducción de alta potencia (IF) exhiben comportamientos complejos, no lineales y variables en el tiempo.
• La falta de medición en línea directa dificulta la conciencia del estado, creando un sistema de "caja negra" con desafíos de detección.

Objetivo del estudio:

• Desarrollar un enfoque de modelado transferible, en capas, basado en el aprendizaje basado en la física para hornos de inducción.
• Mejorar el conocimiento del estado en línea y superar las dificultades de detección en sistemas termoeléctricos complejos.

Principales métodos:

• Establecimiento de modelos físicos lineales subyacentes en múltiples puntos de operación para guiar los modelos basados en datos.
• Incorpora restricciones no lineales globales basadas en conocimientos previos físicos para la precisión y la coherencia.
• Transformó el modelado en un problema de optimización de aprendizaje multitarea con capas compartidas y específicas de tareas.
• Implementó una estrategia de capacitación transferible para la transferencia de conocimientos entre lotes de fundición.

Principales resultados:

• El modelo propuesto captura efectivamente las características de los datos de los FI y la dinámica eléctrica.
• Asegurar la precisión del modelo y la consistencia física mediante restricciones integradas.
• Factibilidad y eficacia demostradas mediante validación experimental con datos reales de muestreo.

Conclusiones:

• El enfoque de aprendizaje basado en la física modela con éxito sistemas complejos de horno de inducción.
• El método mejora las capacidades de monitoreo y control en línea de los sistemas termoeléctricos.
• La estrategia de aprendizaje multitarea transferible optimiza la formación del modelo y la integración del conocimiento.