تشخیص و طبقه بندی هوشمند خطاهای تجهیزات الکتریکی ایستگاه مترو بر پایه تحلیل سیگنال و یادگیری عمیق

تجهیزات الکتریکی ایستگاه های مترو به دلیل نقش مستقیم در ایمنی مسافران و تداوم سرویس دهی، از حساسترین بخشهای زیرساخت حمل ونقل شهری به شمار می روند. هرگونه خطا در اجزای شبکه برق ایستگاه از پست توزیع و تابلوهای فشار ضعیف تا سامانه های روشنایی، تهویه، آسانسور و تجهیزات کنترلی می تواند به خاموشی، اختلال عملیات و مخاطرات ایمنی منجر شود. در این پژوهش، یک چارچوب هوشمند مبتنی بر تحلیل سیگنال و شبکه عصبی کانولوشنی (CNN) برای تشخیص و طبقه بندی خطاهای تجهیزات الکتریکی ایستگاه مترو ارائه شده است. بدین منظور، نخست یک مدل شبیه سازی از شبکه برق ایستگاه شامل ترانسفورماتور کاهنده، خطوط توزیع، بارهای مقاومتی و دینامیکی و منابع اغتشاش هارمونیکی توسعه داده شد. سپس سیگنال های ولتاژ و جریان در چهار سناریوی «وضعیت عادی»، «اتصال کوتاه»، «خطای امپدانس بالا» و «اغتشاش هارمونیکی» استخراج، پیش پردازش و به نمایش زمان فرکانس تبدیل شدند. شبکه کانولوشنی پیشنهادی با استخراج خودکار ویژگی های سلسله مراتبی، قادر به تفکیک الگوهای پیچیده خطا از شرایط بهره برداری عادی است. نتایج ارزیابی نشان می دهد که مدل پیشنهادی دقت کلی ۹۷/۴ درصد و امتیاز F۱ میانگین ۰/۹۷۳ کسب می کند؛ ضمن اینکه دشوارترین سناریو، یعنی خطای امپدانس بالا، با دقت ۹۴ درصد بازخوانی می شود. یافته ها حاکی از آن است که روش ارائه شده می تواند به عنوان هسته ی یک سامانه ی پایش برخط و نگهداری پیش بینانه در شبکه برق مترو، جایگزین موثر و مکمل رله های حفاظتی کلاسیک باشد.

کلیدواژه ها:

تشخیص خطا ، ایستگاه مترو ، یادگیری عمیق ، شبکه عصبی کانولوشنی ، کیفیت توان