حسین حق بین

زمینه: ماشینآالت دوار اجزای حیاتی در صنا یع مختلف از جمله نیروگاهها هستند و نقش مهمی در حفظ عملکرد مداوم فرآیندها ی صنعتی ایفا م یکنند. قابلیت اطمینان این ماشینآالت به شدت به عملکرد صحیح آنها وابسته است. بنابراین، تشخیص خطا در ماشینآالت دوار، از جمله ژنراتورها، پمپها، موتورها و کمپرسورها، برای جلوگیری از خرابیهای فاجعهبار و کاهش توقفهای ناخواسته تولید بسیار حائز اهمیت است. هر روش پ یشنهادی برای تشخیص خطا در این تجهیزات باید از نظر زمان محاسباتی کارآمد، قابل اطمینان و به راحتی قابل اجرا باشد. در این مطالعه، ما یک روش تشخیص خطای برخط برای ماشین آالت دوار مبتنی بر هوش مصنوع ی نیمه نظارت شده را پ یشنهاد میدهیم که از سیگنالهای جانبی دستگاهها برای شناسا یی و پ یشبینی خطاها استفاده م یکند. هدف: به طور خاص، هدف ما استفاده از یک معماری شبکه عصبی کانولوشن )CNN )یک بعدی برای استخراج ویژگی سیگنالهای جانبی است که خطا های کاری ماشینآالت دوار را منعکس میکند و یک ساختار شبکه عصبی نیمه نظارت شده پیشرفته را با استفاده از شبکههای عصبی فازی پویا )DFNN )توسعه میدهد که میتواند به طور دقیق خطا را طبقه بندی 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. روششناسی: در این پژوهش از یک مجموعه دادهی طبقه بند ی شده ماشینآالت دوار در یادگیری نیمه نظارت شده استفاده م یکنیم و تمامی دادهها را برچسبدار میکنیم. سپس به هدف استخراج ویژگی به عنوان ورودی، وارد CNN می کنیم. درنهایت پس از استخراج ویژگی به هدف طبقهبندی دادهها از روش DFNN استفاده می کنیم. یافتهها: یافتههای اصلی این پژوهش یک ساختار یادگیری نیمه نظارت شده CNN است که به منظور تشخیص خطای ماشین آالت دوار توسط DFNN طبقهبندی میشود. نتیجهگیری: در این پژوهش توسط شبکه عصبی نیمه نظارت شده ، مدل اولیه را توسط داده های برچسبدار بدست آوردیم و در ادامه توسط این مدل دادههای بدون برچسب را شبه برچسب زدیم و در نهایت توسط داده های برچسبدار و داده های شبه برچسب مدل نهایی را با دقت 99.88 درصد برای تشخیص خطای ماشینآالت دوار پیادهسازی کردیم.