پیش بینی دقیق عمر باقیمانده (RUL) ترانسفورماتورهای قدرت با ادغام داده های DGA و آنالیز ارتعاشات به کمک بینایی کامپیوتر و شبکه های عصبی گرافی (GNN)

ترانسفورماتورهای قدرت به عنوان یکی از حیاتی ترین و گران قیمت ترین دارایی ها در شبکه های انتقال و توزیع انرژی الکتریکی، نقشی بی بدیل ایفا می کنند. بروز خطای پیش بینی نشده در این تجهیزات می تواند منجر به خاموشی های گسترده، خسارات اقتصادی هنگفت و مخاطرات ایمنی شود. از این رو، نگهداری پیش بینانه (Predictive Maintenance) و تخمین دقیق عمر باقیمانده مفید (Remaining Useful Life - RUL) برای مدیریت بهینه دارایی ها و افزایش قابلیت اطمینان شبکه ضروری است. روش های سنتی پیش بینی RUL اغلب بر یک منبع داده واحد، مانند تحلیل گازهای محلول در روغن (DGA)، تکیه دارند که قادر به شناسایی تمامی مدهای خطا، به ویژه عیوب مکانیکی، نیستند. این مقاله یک چارچوب نوآورانه و جامع برای پیش بینی دقیق RUL ترانسفورماتورهای قدرت ارائه می دهد که بر ادغام هوشمند داده های شیمیایی (DGA) و مکانیکی (آنالیز ارتعاشات) استوار است. در رویکرد پیشنهادی، برای اولین بار از تکنیک های بینایی کامپیوتر جهت استخراج ویژگی های غنی از سیگنال های ارتعاشی استفاده می شود؛ بدین صورت که سیگنال های ارتعاشی یک بعدی به نمایش های دوبعدی زمان-فرکانس (مانند اسپکتروگرام) تبدیل شده و سپس یک شبکه عصبی کانولوشنی (CNN) برای استخراج ویژگی های پنهان از این تصاویر به کار گرفته می شود. در گام بعد، یک مدل مبتنی بر شبکه عصبی گرافی (GNN) برای مدل سازی ساختار پیچیده و روابط متقابل بین اجزای مختلف ترانسفورماتور (مانند سیم پیچ ها، هسته و سنسورها) طراحی می شود. این مدل گراف محور، ویژگی های استخراج شده از DGA و آنالیز ارتعاشات را به عنوان ویژگی های گره ها دریافت کرده و با انتشار اطلاعات در سراسر گراف، وابستگی های فضایی-زمانی پیچیده را فرا می گیرد. این رویکرد یکپارچه، با تلفیق اطلاعات مکمل از منابع داده ناهمگون و درک عمیق از فیزیک سیستم، قادر است پیش بینی بسیار دقیق تر و قابل اعتمادتری از RUL ارائه دهد. انتظار می رود این متدولوژی جدید، پارادایم موجود در پایش وضعیت و مدیریت سلامت ترانسفورماتورهای قدرت را متحول سازد.

کلیدواژه ها:

عمر باقیمانده مفید (RUL) ، ترانسفورماتور قدرت ، تحلیل گازهای محلول (DGA) ، آنالیز ارتعاشات ، بینایی کامپیوتر ، شبکه های عصبی گرافی (GNN) ، ادغام داده ها.