شناسایی محل وقوع عیب ژنراتور های برق با دقت بیش از 80 درصد

به گزارش خبرگزاری صدا و سیما ، در این پژوهش، عملکرد چند مدل هوش مصنوعی برای شناسایی و تعیین محل «تخلیه جزئی» در سیم پیچی ژنراتور ها و همچنین برآورد شدت این پدیده بررسی شد.

تخلیه جزئی، از نشانه های اولیه آسیب دیدگی عایق های الکتریکی ژنراتورهاست و تشخیص به موقع آن می تواند از گسترش آسیب و وقوع خرابی های جدی جلوگیری کند. با این حال، تغییر سیگنال های ناشی از این پدیده در مسیر سیم پیچی، تشخیص دقیق محل وقوع و شدت واقعی آن را دشوار می کند.

در این مطالعه، پژوهشگران با استفاده از یک مدل شبیه سازی اجزای محدود از ژنراتور و تولید داده های 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 مدل های بررسی شده داشته و توانسته با دقت حدود 84 درصدی محل وقوع عیب را در سیم پیچی ژنراتور شناسایی کند.

در بخش دیگری از پژوهش که به برآورد شدت تخلیه الکتریکی اختصاص داشت، مدل CNN کمترین میزان خطا را در میان مدل های بررسی شده نشان داد و توانست مقدار واقعی را با دقت بیشتری از اطلاعات ثبت شده در محل اندازه گیری تخمین بزند.

بر اساس یافته های این پژوهش، استفاده از مدل های هوش مصنوعی می تواند تحلیل وضعیت عایق ژنراتور ها را هوشمندتر کرده و اطلاعات دقیق تری درباره محل و شدت عیب در اختیار متخصصان قرار دهد. این قابلیت می تواند زمینه را برای نگهداری پیش بینانه و شناسایی مشکلات پیش از تبدیل شدن آنها به خرابی های جدی فراهم کند.

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