|
Title
|
پايش خطاي برخط تجهيزات صنعتي دوار با بهره گيري از شبكه عصبي كانولوشن نيمه نظارتي
|
|
Type
|
Presentation
|
|
Keywords
|
يادگيري نيمه نظارتي، پايش خطا، ماشين آلات دوار، شبكه عصبي كانولوشن
|
|
Abstract
|
ماشين آلات دوار اجزاي حياتي در صنايع مختلف از جمله نيروگاه ها هستند و نقش مهمي در حفظ عملكرد مداوم فرآيندهاي صنعتي ايفا مي كنند. قابليت اطمينان ماشين آلات به شدت به عملكرد صحيح آنها وابسته است. بنابراين، پايش خطا در ماشين آلات دوار، از جمله ژنراتورها، پمپ ها، موتورها و كمپرسورها، براي جلوگيري از خرابي هاي فاجعه بار و كاهش توقف هاي ناخواسته توليد بسيار حائز اهميت است. هر روش پيشنهادي براي پايش خطا در اين تجهيزات بايد از نظر زمان محاسباتي كارآمد، قابل اطمينان و به راحتي قابل اجرا باشد. در اين رويكرد، ما يك روش پايش خطاي برخط براي ماشين آلات دوار با بهره گيري از شبكه عصبي كانولوشن (CNN) نيمه نظارتي را پيشنهاد مي دهيم كه از سيگنال هاي جانبي دستگاه ها براي شناسايي و پيش بيني خطاها استفاده مي كند. در واقع هدف ما استفاده از يك معماري CNN يك بعدي براي استخراج ويژگي سيگنال هاي جانبي است كه خطا هاي كاري ماشين آلات دوار را منعكس مي كند و يك ساختار شبكه عصبي نيمه نظارتي پيشرفته را توسعه مي دهد كه مي تواند به طور دقيق خطا را طبقه بندي و شناسايي كند.
|
|
Researchers
|
mohamad morteza gholami (First researcher) , Amin Torabi Jahromi (Second researcher) , Valiollah Ghaffari (Third researcher)
|