تشخیص خرابی در سیستم پیل سوختی به کمک ماشین بردار پشتیبان

با افزایش پیچیدگی و پیشرفت سیستم های کنترلی و استفاده از ان ها در محیط ها و کاربردهای حساس ، تمایل روزافزونی در زمینه تشخیص خرابی ایجاد شده است. در گذشته شبکه های عصبی به عنوان ابزاری برای تشخیص مدل یا خرابی در یک سیستم به کار گرفته شده اند. اما مشکل الگوریتم بهینه سازی ان ها برای انتخاب پارامتر و کم کردن خطا در هر مرحله به جای کم کردن خطای کل مدل باعث شده است تا ماشین بردار پشتیبان جایگزین مناسبی برای ان ها شوند. ماشین بردار پشتیبان بر پایه تئوری یادگیری اماری Vapnik از جمله الگوریتم های یادگیری موفق در زمینه تشخیص و ایزوله نمودن خطا در سیستم های پیل سوختی می باشد. در این مقاله به کمک الگوریتم ماشین بردار پشتیبان اقدام به تشیص خرابی در یک سیستم پیا سوختی نموده و میزان دقت این الگوریتم در تشخیص خرابی تعیین کرده و نتایج حاصله با الگوریتم های شبکه عصبی مقایسه می شود.

کلیدواژه ها:

ماشین بردار پشتیبان ، تئوری یادگیری اماری ، پیل سوختی ، اسنک