12843

بررسي تكنيك هاي يادگيري ماشين و كاربردهاي آن در شناسايي خطاهاي موتور هاي تركشن

1401

احمد ميرآبادي

يادگيري ماشين زيرشاخه‌اي از هوش مصنوعي است كه به‌طوركلي به‌عنوان توانايي ماشين براي تقليد از رفتار هوشمند انسان تعريف مي‌شود. سيستم‌هاي هوش مصنوعي براي انجام وظايف پيچيده به روشي مشابه نحوه عملكرد انسان‌ها در حل مشكلات، عمل مي‌كنند. به عبارتي يادگيري ماشين را مي‌توان استفاده و توسعه سيستم‌هاي كامپيوتري كه قادر به يادگيري و تطبيق بدون پيروي از دستورالعمل‌هاي صريح با استفاده از الگوريتم‌ها و مدل‌هاي آماري براي تحليل و استنتاج از الگوهاي موجود در داده‌ها هستند، تعريف نمود. امروزه استفاده از ماشين‌هاي الكتريكي به‌طور گسترده در سرتاسر دنيا موردتوجه قرارگرفته است. اين ماشين‌ها به‌طور ذاتي نياز به تعمير و نگهداري كمي دارند، اما وقوع خطا در آن‌ها اجتناب‌ناپذير مي‌باشد. خطا در مجموعه اين ماشين‌ها مي‌تواند باعث خاموشي‌هاي غيرمنتظره و افزايش تلفات و افزايش هزينه گردد كه اين امر در كاربردهاي صنعتي قابل‌قبول نخواهد بود. اندازه‌گيري ارتعاشات روش غيرتهاجمي اصلي براي مكان‌يابي و بازبيني عيوب در اجزاي ماشين‌هاي دوار است. در اين سمينار به بررسي تكنيك‌ها و ابزارهاي مورداستفاده براي جمع‌آوري و تجزيه‌وتحليل داده‌هاي ارتعاشات، و همچنين روش‌هاي مورداستفاده براي تفسير و تشخيص خطا در موتورهاي تركشن الكتريكي به كمك روش‌هاي ياد‌گيري ماشين خواهيم پرداخت. همچنين اين بررسي جامع به پتانسيل تحول‌آفرين كاربردهاي يادگيري ماشين در تعمير و نگهداري موتورهاي كششي مي‌پردازد. اين روش شامل انتخاب دقيق و تجزيه‌وتحليل مقالات مرتبط از پايگاه‌هاي اطلاعاتي معتبر ازجمله Scopus، Web of Science و Google Scholar بوده كه شامل بررسي كامل مدل‌هاي يادگيري ماشيني براي تشخيص خطا، تجزيه‌وتحليل پيش‌بيني كننده، نظارت بر سلامت موتور مي‌گردد. با شناخت داده‌ها به‌عنوان ريشه اصلي يادگيري ماشيني، استراتژي‌هايي براي افزايش كيفيت و در دسترس بودن آن مورد تأكيد قرار مي‌گيرد. علاوه بر اين، تفسيرپذيري و سازگاري مدل‌هاي يادگيري ماشيني به‌عنوان نقاط كانوني حياتي براي القاي اعتماد و اطمينان از كاربرد در زمان واقعي ظاهر مي‌گردد. پيش‌بيني آينده، تلاش‌هاي مشترك، استانداردسازي و توسعه مدل‌هاي قابل تفسير و تطبيقي به‌عنوان پارادايم‌هاي حياتي براي پيشبرد تعمير و نگهداري موتور كششي شناسايي مي‌گردد. درنتيجه، اين بررسي بر نقش رو به رشد يادگيري ماشين در تغيير شكل تعمير و نگهداري موتور كششي و بر نياز به پرداختن به چالش‌ها و پذيرش دستورالعمل‌هاي تحقيقاتي آينده براي باز كردن پتانسيل كامل آن براي افزايش كارايي عملياتي و قابليت اطمينان تأكيد مي‌كند

11/21/2023 12:00:00 AM

81218

1402/09/20

Investigating machine learning techniques and their applications in fault detection of traction motor