|
عنوان
|
تشخیص خطای تجهیزات صنعتی دوار مبتنی بر هوش مصنوعی نیمه نظارت شده با تمرکز بر ژنراتورهای الکتریکی سنکرون
|
|
نوع پژوهش
|
مقالات در همایش ها
|
|
کلیدواژه‌ها
|
یادگیری نیمه نظارت شده؛ تشخیص خطا؛ ژنراتور سنکرون؛ شبکه عصبی کانولوشن.
|
|
چکیده
|
ژنراتورهای سنکرون اجزای ضروری در نیروگاهها هستند و نقش مهمی در تولید برق دارند. قابلیت اطمینان سیستم تولید برق به شدت به عملکرد
مناسب ژنراتورهای سنکرون بستگی دارد. بنابراین، تشخیص خطا در ژنراتورهای سنکرون و همچنین بسیاری از قطعات چرخشی صنعتی دیگر برای عملکرد
مداوم نیروگاهها و جلوگیری از خرابیهای فاجعه بار بسیار مهم است. هر روش پیشنهادی تشخیص خطا برای ژنراتورهای سنکرون، باید در تشخیص خطاهای
اولیه از نظر زمان محاسباتی کارآمد و قابل اطمینان باشد و در عین حال به راحتی اجرا شوند. در این مقاله ما یک روش تشخیص خطای ژنراتور سنکرون
مبتنی بر هوش مصنوعی را پیشنهاد میدهیم که از سیگنالهای جانبی ژنراتور استفاده میکند. به طور خاص، هدف ما استفاده از یک معماری CNNیک
بعدی برای استخراج ویژگی سیگنالهای جانبی است که خطاهای کاری ژنراتور را منعکس میکند و یک ساختار شبکه عصبی نیمهنظارتشده پیشرفته را
توسعه میدهد که میتواند به طور دقیق خطا را طبقهبندی و شناسایی کند. با در نظر گرفتن مفهوم مدل معمولی دستگاه، سعی می شود مدل به اندازه کافی
ساده باشد تا در بردهای محاسبات صنعتی معمولی و اقتصادی قابل پیاده سازی باشد
|
|
پژوهشگران
|
محمد مرتضی غلامی (نفر اول)، امین ترابی جهرمی (نفر دوم)، ولی اله غفاری (نفر سوم)
|