استفاده از هوش مصنوعی - یادگیری عمیق برای تشخیص خطای ماشینهای دوار

با پیشرفت سریع صنعت، تشخیص عیب نقش بیش از پیش در حفظ سلامت تجهیزات و اطمینان از عملکرد ایمن تجهیزات ایفا میکند. با توجه به اندازه بزرگ داده های پایش وضعیت تجهیزات، یادگیری عمیق به طور گسترده ای در تشخیص عیب ماشینآلات دوار استفاده میشود.تشخیص خطای ماشینهای دوار نقش مهمی در قابلیت اطمینان و ایمنی سیستمهای صنعتی مدرن دارد. تکنیک های هوش مصنوعی ( (AI به عنوان یک زمینه نوظهور در کاربردهای صنعتی و راهحلی موثر برای تشخیص عیب، توجه روزافزونی محققان را به خود جلب کرده است. با این حال، چالشهای بزرگی با روشهای هوش مصنوعی در شرایط مختلف عملیاتی واقعی مواجه میشوند.در این مقاله برای پیشبینی خطاهای ماشینهای دوار، از ترکیب دو شبکه CNN وLSTM؛ Bi برای تشخیص خطا استفاده شده است. استفاده از شبکه CNN به دلیل توانایی آن در استخراج ویژگیهای مکانی از داده ها، میتواند بهترین ویژگیها و الگوهای مربوط به خطاهای ماشینهای دوار را در داده ها شناسایی کند همچنین، استفاده از شبکهLSTM؛ Bi به دلیل توانایی آن در مدلسازی داده های دنبالهای و زمانی، میتواند الگوهای پیچیده تغییرات زمانی مرتبط با خطاها را مدل کند. در این شبکه ترکیبی، میتوان از ویژگیهای مکانی و زمانی همزمان استفاده کرد و به صورت کامل خطاهای ماشینهای الکتریکی را مدل کرد.به طور کلی، ترکیب دو شبکه CNN وLSTM؛ Bi برای پیشبینی خطاهای ماشینهای الکتریکی میتواند سیستمی قدرتمند با قابلیت تشخیص دقیقتر و به موقعتر خطاها ایجاد کند. در این مقاله یک مدل شبکه عصبی ترکیبی برای شناسایی خطا در موتورهای القایی پیشنهاد شده است که نتایج قابل قبولی در شناسایی خطاهای موتور القایی دارد.

کلیدواژه ها:

هوش مصنوعی ، یادگیری عمیق ، تشخیص خطا ، Bi -LSTM ، CNN