شناسایی عیوب ژنراتورهای برق با دقت ۸۴ درصدی

دستاورد پژوهشگران دانشگاه تهران با کمک هوش مصنوعی؛

به گزارش انجمن خرد آورده شده از ایسنا، در این پژوهش، عملکرد چند مدل هوش مصنوعی برای شناسایی و تعیین محل «تخلیه جزئی» در سیم‌پیچی ژنراتورها و همچنین برآورد شدت این پدیده مورد بررسی قرار گرفت.

تخلیه جزئی، از نشانه‌های اولیه آسیب‌دیدگی عایق‌های الکتریکی ژنراتورهاست و تشخیص به‌موقع آن می‌تواند از گسترش آسیب و وقوع خرابی‌های جدی جلوگیری کند. با این حال، تغییر سیگنال‌های ناشی از این پدیده در مسیر سیم‌پیچی، تشخیص دقیق محل وقوع و شدت واقعی آن را دشوار می‌کند.

در این مطالعه، پژوهشگران با استفاده از یک مدل شبیه‌سازی اجزای محدود از ژنراتور و تولید داده‌های مرتبط با تخلیه جزئی، پنج مدل هوش مصنوعی را برای دو هدف اصلی ارزیابی کردند: شناسایی محل وقوع عیب و برآورد شدت تخلیه جزئی.

نتایج پژوهش نشان داد مدل Transformer در شناسایی محل وقوع تخلیه جزئی عملکرد بهتری نسبت به سایر مدل‌های بررسی‌شده داشته و توانسته با دقت حدود ۸۴ درصدی محل وقوع عیب را در سیم‌پیچی ژنراتور شناسایی کند.

در بخش دیگری از پژوهش که به برآورد شدت تخلیه الکتریکی اختصاص داشت، مدل CNN کمترین میزان خطا را در میان مدل‌های بررسی‌شده نشان داد و توانست مقدار واقعی را با دقت بیشتری از اطلاعات ثبت‌شده در محل اندازه‌گیری تخمین بزند.

بر اساس یافته‌های این پژوهش، استفاده از مدل‌های هوش مصنوعی می‌تواند تحلیل وضعیت عایق ژنراتورها را هوشمندتر کرده و اطلاعات دقیق‌تری درباره محل و شدت عیب در اختیار متخصصان قرار دهد. این قابلیت می‌تواند زمینه را برای نگهداری پیش‌بینانه و شناسایی مشکلات پیش از تبدیل شدن آنها به خرابی‌های جدی فراهم کند.

 به گزارش روابط‌عمومی دانشگاه تهران، حاصل این پژوهش در مقاله‌ای با عنوان «Deep Learning Approaches for Partial Discharge Localization and Apparent Charge Prediction in Generator Stator Windings» به قلم مهدی نوراللهی، دانش‌آموخته دانشگاه تهران، دکتر محمدحامد صمیمی، عضو هیأت علمی دانشکده مهندسی برق و کامپیوتر دانشگاه تهران و عضو IEEE و دکتر آرش ابیض، دانش‌آموخته دکتری دانشکده مهندسی برق و کامپیوتر دانشگاه تهران، در مجله IEEE Transactions on Dielectrics and Electrical Insulation منتشر شده است.

این مقاله در این پیوند قابل مشاهده است.