استفاده از یادگیری عمیق برای تشخیص عیوب در سیستم های برق صنعتی

استفاده از یادگیری عمیق برای تشخیص عیوب در سیستم های برق صنعتی

سامان علیرضایی1 هلیا مهریاب2

1) دانشکده مهندسی برق دانشگاه شهید بهشتی ،تهران،ایران
2) دانشکده مهندسی برق دانشگاه شهید بهشتی ،تهران،ایران

کد IOI مقاله : XKBA-AZHZZD
محل انتشار : سومین کنفرانس بین المللی پیشرفت های اخیر در مهندسی، نوآوری و تکنولوژی - بلژیک(eitconf.com/3rd)
چکیده :
    در این مقاله، یادگیری عمیق (DL) به عنوان یک روش ابتکاری برای تشخیص عیب در سیستم های الکتریکی صنعتی استفاده شده است. سیستم های برق صنعتی با پیچیدگی و حساسیت بالایی روبرو هستند و ایراد در این سیستم ها می تواند منجر به زیان مالی و کاهش بهره وری شود. با استفاده از شبکه‌های عصبی کانولوشنال (CNN) برای تجزیه و تحلیل داده‌های تصویر و شبکه‌های عصبی تکراری (RNN) برای تجزیه و تحلیل سری‌های زمانی، یک رویکرد جامع برای تشخیص و طبقه‌بندی خطا پیشنهاد شده‌است. مدل پیشنهادی هم بر روی داده های شبیه سازی شده و هم بر روی داده های واقعی آزمایش شد و عملکرد بالایی در دقت و کاهش زمان پردازش نشان داد. نتایج نشان می‌دهد که یادگیری عمیق می‌تواند ابزار مؤثری برای افزایش قابلیت اطمینان سیستم‌های الکتریکی صنعتی و بهینه‌سازی فرآیندهای نگهداری باشد.

کلمات کلیدی : تشخیص عیب یادگیری عمیق شبکه‌های عصبی کانولوشنال (cnn) شبکه‌های عصبی تکراری (rnn) مدل‌های ترکیبی (cnn rnn)