|
Title
|
تشخيص خطاي تجهيزات صنعتي دوار مبتني بر هوش مصنوعي نيمه نظارت شده با تمركز بر ژنراتورهاي الكتريكي سنكرون
|
|
Type
|
Presentation
|
|
Keywords
|
يادگيري نيمه نظارت شده؛ تشخيص خطا؛ ژنراتور سنكرون؛ شبكه عصبي كانولوشن.
|
|
Abstract
|
ژنراتورهاي سنكرون اجزاي ضروري در نيروگاهها هستند و نقش مهمي در توليد برق دارند. قابليت اطمينان سيستم توليد برق به شدت به عملكرد
مناسب ژنراتورهاي سنكرون بستگي دارد. بنابراين، تشخيص خطا در ژنراتورهاي سنكرون و همچنين بسياري از قطعات چرخشي صنعتي ديگر براي عملكرد
مداوم نيروگاهها و جلوگيري از خرابيهاي فاجعه بار بسيار مهم است. هر روش پيشنهادي تشخيص خطا براي ژنراتورهاي سنكرون، بايد در تشخيص خطاهاي
اوليه از نظر زمان محاسباتي كارآمد و قابل اطمينان باشد و در عين حال به راحتي اجرا شوند. در اين مقاله ما يك روش تشخيص خطاي ژنراتور سنكرون
مبتني بر هوش مصنوعي را پيشنهاد ميدهيم كه از سيگنالهاي جانبي ژنراتور استفاده ميكند. به طور خاص، هدف ما استفاده از يك معماري CNNيك
بعدي براي استخراج ويژگي سيگنالهاي جانبي است كه خطاهاي كاري ژنراتور را منعكس ميكند و يك ساختار شبكه عصبي نيمهنظارتشده پيشرفته را
توسعه ميدهد كه ميتواند به طور دقيق خطا را طبقهبندي و شناسايي كند. با در نظر گرفتن مفهوم مدل معمولي دستگاه، سعي مي شود مدل به اندازه كافي
ساده باشد تا در بردهاي محاسبات صنعتي معمولي و اقتصادي قابل پياده سازي باشد
|
|
Researchers
|
mohamad morteza gholami (First researcher) , Amin Torabi Jahromi (Second researcher) , Valiollah Ghaffari (Third researcher)
|