|
|
|
|
تشخیص خطای تجهیزات صنعتی دوار مبتنی بر هوش مصنوعی نیمه نظارت شده با تمرکز بر ژنراتورهای الکتریکی سنکرون
|
|
|
|
|
|
|
|
نویسنده
|
غلامی محمدمرتضی ,ترابی جهرمی امین ,غفاری ولی اله
|
|
منبع
|
اولين كنفرانس بين المللي دوسالانه هوش مصنوعي و علوم داده - 1403 - دوره : 1 - اولین کنفرانس بین المللی دوسالانه هوش مصنوعی و علوم داده - کد همایش: 03231-85169 - صفحه:0 -0
|
|
چکیده
|
ژنراتورهای سنکرون اجزای ضروری در نیروگاه ها 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 نیروگاه ها و جلوگیری از خرابی های فاجعه بار بسیار مهم است. هر روش پیشنهادی تشخیص خطا برای ژنراتورهای سنکرون، باید در تشخیص خطا های 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 می دهیم که از سیگنال‌های جانبی ژنراتور استفاده می‌کند. به طور خاص، هدف ما استفاده از یک معماری cnn یک بعدی برای استخراج ویژگی سیگنال‌های جانبی است که خطا های 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.
|
|
کلیدواژه
|
یادگیری نیمه نظارت شده، تشخیص خطا، ژنراتور سنکرون، شبکه عصبی کانولوشن
|
|
آدرس
|
, iran, , iran, , iran
|
|
پست الکترونیکی
|
vghaffari@pgu.ac.ir
|
|
|
|
|
|
|
|
|
|
|
|
|
|
fault diagnosis of rotating industrial equipment based on semi-supervised artificial intelligence with a focus on synchronous electric generators
|
|
|
|
|
Authors
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|