تشخیص خطای تجهیزات صنعتی دوار مبتنی بر هوش مصنوعی نیمه نظارت شده با تمرکز بر ژنراتورهای الکتریکی سنکرون
- سال انتشار: 1403
- محل انتشار: اولین کنفرانس بین المللی دوسالانه هوش مصنوعی و علوم داده
- کد COI اختصاصی: DSAI01_086
- زبان مقاله: فارسی
- تعداد مشاهده: 176
نویسندگان
دانشجوی کارشناسی ارشد مهندسی برق گرایش کنترل، دانشکده مهندسی سیستمهای هوشمند و علوم داده دانشگاه خلیج فارس
عضو هیات علمی گروه مهندسی برق گرایش کنترل، دانشکده مهندسی سیستم های هوشمند و علوم داده دانشگاه خلیج فارس
گروه پژوهشی و فناوری کنترل و پایش هوشمند، پژوهشکده فناوری اطلاعات و ارتباطات، دانشگاه خلیج فارس
چکیده
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 کانولوشنمقالات مرتبط جدید
- Community Detection and Hate Speech Analysis on Twitter Using a Hybrid LSTM-GRU Model
- بهبود الگوریتم خوشه بندی کا-مینز از طریق چینش جدیدی از عملگرهای ژنتیکی
- روش های شناسایی و مدیریت در سامانه های رادیو شناسه: مروری بر رویکردهای پیشرفته، الگوریتم های بهینه و چالش های موجود
- تشخیص سرطان سینه با استفاده از شبکه عصبی نگاشت های خودسازمان ده بهبودیافته با الگوریتم بهینه سازی پروانه
- امنیت داده های تجاری و اقتصادی و حفظ حریم خصوصی بازاریابی مبتنی بر هوش مصنوعی با تکنیک پریزما
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.