Research Info

زمينه: ماشينآالت دوار اجزاي حياتي در صنا يع مختلف از جمله نيروگاهها هستند و نقش مهمي در حفظ عملكرد مداوم فرآيندها ي صنعتي ايفا م يكنند. قابليت اطمينان اين ماشينآالت به شدت به عملكرد صحيح آنها وابسته است. بنابراين، تشخيص خطا در ماشينآالت دوار، از جمله ژنراتورها، پمپها، موتورها و كمپرسورها، براي جلوگيري از خرابيهاي فاجعهبار و كاهش توقفهاي ناخواسته توليد بسيار حائز اهميت است. هر روش پ يشنهادي براي تشخيص خطا در اين تجهيزات بايد از نظر زمان محاسباتي كارآمد، قابل اطمينان و به راحتي قابل اجرا باشد. در اين مطالعه، ما يك روش تشخيص خطاي برخط براي ماشين آالت دوار مبتني بر هوش مصنوع ي نيمه نظارت شده را پ يشنهاد ميدهيم كه از سيگنالهاي جانبي دستگاهها براي شناسا يي و پ يشبيني خطاها استفاده م يكند. هدف: به طور خاص، هدف ما استفاده از يك معماري شبكه عصبي كانولوشن )CNN )يك بعدي براي استخراج ويژگي سيگنالهاي جانبي است كه خطا هاي كاري ماشينآالت دوار را منعكس ميكند و يك ساختار شبكه عصبي نيمه نظارت شده پيشرفته را با استفاده از شبكههاي عصبي فازي پويا )DFNN )توسعه ميدهد كه ميتواند به طور دقيق خطا را طبقه بندي 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. روششناسي: در اين پژوهش از يك مجموعه دادهي طبقه بند ي شده ماشينآالت دوار در يادگيري نيمه نظارت شده استفاده م يكنيم و تمامي دادهها را برچسبدار ميكنيم. سپس به هدف استخراج ويژگي به عنوان ورودي، وارد CNN مي كنيم. درنهايت پس از استخراج ويژگي به هدف طبقهبندي دادهها از روش DFNN استفاده مي كنيم. يافتهها: يافتههاي اصلي اين پژوهش يك ساختار يادگيري نيمه نظارت شده CNN است كه به منظور تشخيص خطاي ماشين آالت دوار توسط DFNN طبقهبندي ميشود. نتيجهگيري: در اين پژوهش توسط شبكه عصبي نيمه نظارت شده ، مدل اوليه را توسط داده هاي برچسبدار بدست آورديم و در ادامه توسط اين مدل دادههاي بدون برچسب را شبه برچسب زديم و در نهايت توسط داده هاي برچسبدار و داده هاي شبه برچسب مدل نهايي را با دقت 99.88 درصد براي تشخيص خطاي ماشينآالت دوار پيادهسازي كرديم.