مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

15
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

0
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

تشخیص هوشمند خطا در بوبین های کلیدهای قدرت مبتنی بر شبیه سازی چندفیزیکه

صفحات

 صفحه شروع 143 | صفحه پایان 158

چکیده

 1کلیدهای قدرت نقش بسزایی بر پایداری شبکه برق و رفع سریع خطا در این شبکه دارند. بنابراین, پایش مستمر این تجهیزات بحرانی به منظور تشخیص خرابی­های متداول الزامی است. در این صورت, می توان از خطاهای احتمالی و قطعی ناخواسته در شبکه برق جلوگیری کرد. در این مقاله, امکان پایش کلیدهای قدرت و تشخیص و دسته بندی خطاها به واسطه هوش مصنوعی (AI)[1] بررسی می شود. در این رویکرد امکان پیشگیری از وقوع خطا وجود خواهد داشت که باعث کاهش هزینه­های نگهداری خواهد شد. به همین منظور پایش عملکرد کلیدهای قدرت, با استراتژی نگهداری مبتنی بر وضعیت (CBM)[2] و استفاده از سیگنال جریان بوبین (CC)[3] وصل/قطع برای یک ساختار واقعی از کلید 5/72 کیلوولتی ارائه می گردد که با بهره­مندی از آن امکان تشخیص و پیش­بینی خطا در بخش­های مختلف کلید شامل منبع تغذیه, سیم بندی سیم­پیچ­ها, ضامن[4] و کنتاکت­های کمکی وجود دارد. با شبیه سازی بوبین کلید در نرم­افزار COMSOL Multiphysics و اتصال آن به نرم­افزار MATLAB, طیف گسترده ای از خطاهای موردنظر شبیه­سازی شده و داده­های لازم برای آموزش الگوریتم های یادگیری ماشین (ML)[5] تامین می­شود, الگوریتم های مورد استفاده که وظیفه تشخیص خطا را برعهده دارند, عبارتند از: رگرسیون منطقی[6], ماشین بردار پشتیبان (SVM)[7], درخت تصمیم­گیری[8] و K-نزدیک ترین همسایه (KNN)[9] . به این ترتیب می توان انواع خطاهای ممکن را تشخیص داد و طبقه بندی نمود. نتایج نشان می دهد که از میان الگوریتم های فوق, الگوریتم SVM به علت همپوشانی زیاد داده­ها عملکرد مناسبی نداشته و بیشترین دقت مربوط به الگوریتم KNN می باشد, بنابراین این الگوریتم برای سیستم تشخیص خطا انتخاب می گردد.   [1]. Artificial Intelligence [2]. Condition-Based Maintenance [3]. Coil Current [4]. Latch [5]. Machine Learning [6]. Logistic Regression [7]. Support Vector Machine (SVM) [8]. Decision Tree (DT) [9]. K-Nearest Neighbors (KNN)

چندرسانه ای

  • ثبت نشده است.

    • استنادها

  • ثبت نشده است.

    • ارجاعات

  • ثبت نشده است.

    • استناددهی

    مقالات مرتبط نشریه ای

  • ثبت نشده است.

    • مقالات مرتبط همایشی

  • ثبت نشده است.

    • طرح های مرتبط

  • ثبت نشده است.

    • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button