تشخیص خطای تجهیزات صنعتی دوار مبتنی بر هوش مصنوعی نیمه نظارت شده با تمرکز بر ژنراتورهای الکتریکی سنکرون

ژنراتورهای سنکرون اجزای ضروری در نیروگاه ها هستند و نقش مهمی در تولید برق دارند. قابلیت اطمینان سیستم تولید برق به شدت به عملکردمناسب ژنراتورهای سنکرون بستگی دارد. بنابراین، تشخیص خطا در ژنراتورهای سنکرون و همچنین بسیاری از تجهیزات دوار صنعتی دیگر برای عملکردمداوم نیروگاه ها و جلوگیری از خرابی های فاجعه بار بسیار مهم است. هر روش پیشنهادی تشخیص خطا برای ژنراتورهای سنکرون، باید در تشخیص خطاهای 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 میدهیم که از سیگنال های جانبی ژنراتور استفاده میکند. به طور خاص، هدف ما استفاده از یک معماری CNN یک بعدی برای استخراج ویژگی سیگنالهای جانبی است که خطاهای کاری ژنراتور را منعکس میکند و یک ساختار شبکه عصبی نیمه نظارت شده 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 ها:

یادگیری نیمه نظارت شده ، تشخیص خطا ، ژنراتور سنکرون ، شبکه عصبی کانولوشن