پایش وضعیت دیزل ژنراتور با ترکیب داده های ارتعاش، صدا و حسگرهای محیطی مبتنی بر مدل های یادگیری ماشین

دیزل ژنراتورها در زیرساخت های حیاتی مانند بیمارستان ها و مراکز داده نقش مهمی در تامین برق پایدار دارند. هرگونه خرابی یا افت عملکرد این تجهیزات می تواند منجر به توقف فرایندها و هزینه های سنگین تعمیرات شود. در این پژوهش رویکردی هوشمند برای تشخیص عیب دیزل ژنراتور ارائه شده است که بر پایه تحلیل داده های چند حسی شامل ارتعاش، صدا و پارامترهای محیطی و عملکردی (دمای موتور، فشار، رطوبت، ارتفاع، اکسیژن) انجام می گیرد. در مطالعه موردی، تاثیر گرفتگی فیلتر هوا در چند سطح مختلف ایجاد شده و داده های مربوطه توسط دستگاه پرتابل طراحی شده جمع آوری گردید. پس از انجام پیش پردازش و استخراج ویژگی، چندین مدل یادگیری ماشین شامل KNN، SVM، جنگل تصادفی و شبکه عصبی مصنوعی برای طبقه بندی وضعیت ها مورد ارزیابی قرار گرفتند. نتایج نشان داد شبکه عصبی بهترین عملکرد را داشته و توانست وضعیت گرفتگی فیلتر هوا را با دقت ۱۰۰٪ طبقه بندی کند. یافته های این پژوهش نشان می دهد ترکیب حسگرهای چندگانه با الگوریتم های یادگیری ماشین ابزار موثری برای تشخیص زودهنگام عیب و پیاده سازی نگهداری پیش بینانه در دیزل ژنراتورها است و می تواند از توقف های ناگهانی و هزینه های تعمیراتی جلوگیری کند.

کلیدواژه ها:

دیزل ژنراتور ، تشخیص عیب ، حسگرهای چندگانه ، یادگیری ماشین ، شبکه عصبی ، نگهداری پیش بینانه