|
Title
|
شبكه ي عصبي كانولوشني با درك متسع براي تشخيص خطا در ماشين هاي دوار
|
|
Type
|
Thesis
|
|
Keywords
|
شبكه ي عصبي كانولوشني، مدل هاي سبك، ماژول كانولوشن تعاملي لايه اي متسع، مكانيسم توجه به خود، تشخيص خطا
|
|
Abstract
|
تشخيص خطا در ماشين هاي دوار يكي از موضوعات مهم در پايش وضعيت و نگهداري پيش بينانه تجهيزات صنعتي است. خرابي اين ماشين ها مي تواند باعث توقف ناگهاني سامانه، كاهش كارايي و افزايش هزينه هاي تعمير و نگهداري شود. در اين ميان، سيگنال هاي ارتعاشي به دليل حساسيت بالا نسبت به تغييرات مكانيكي، يكي از منابع مهم براي شناسايي وضعيت سلامت ماشين و تشخيص خطا محسوب مي شوند.
در اين پژوهش، چند مدل مبتني بر شبكه عصبي كانولوشني براي تشخيص خطاي ماشين هاي دوار بررسي و مقايسه شده اند. هدف اصلي، ارزيابي توانايي اين مدل ها در يادگيري ويژگي هاي مؤثر از سيگنال ارتعاشي خام و بررسي پايداري آن ها در شرايط وجود اغتشاش است. در اين راستا، عملكرد مدل پايهCNN و مدل هاي GACNN،DSICNN و DPCCNN از جنبه هاي مختلفي مانند دقت تشخيص، مقاومت در برابر اغتشاش و پيچيدگي محاسباتي مورد تحليل قرار گرفته است.
نتايج كلي نشان مي دهد كه استفاده از معماري هاي بهينه تر مي تواند موجب بهبود عملكرد تشخيص خطا و افزايش پايداري مدل در شرايط اغتشاشي شود. همچنين، مقايسه مدل ها نشان مي دهد كه تنها افزايش دقت كافي نيست و توجه به تعداد پارامترها، هزينه محاسباتي و اندازه مدل نيز براي طراحي سامانه هاي عملي پايش وضعيت اهميت دارد. بر اين اساس، انتخاب معماري مناسب مي تواند نقش مؤثري در ايجاد توازن ميان دقت، پايداري و كارايي محاسباتي داشته باشد.
|
|
Researchers
|
Hossein Haghbin (First primary advisor) , Amin Torabi Jahromi (Second primary advisor)
|