روش نوین شناسایی عیوب ژنراتورهای برق با دقت ۸۴ درصد

به گزارش انرژی خبر؛ پژوهشگران دانشکده مهندسی برق و کامپیوتر به بررسی عملکرد چند مدل هوش مصنوعی برای شناسایی و تعیین محل «تخلیه جزئی» در سیم‌پیچی ژنراتورها و همچنین برآورد شدت این پدیده پرداخته‌اند.

تخلیه جزئی یکی از نشانه‌های اولیه آسیب‌دیدگی عایق‌های الکتریکی ژنراتورهاست که تشخیص به‌موقع آن می‌تواند از گسترش آسیب و بروز خرابی‌های جدی جلوگیری کند. با این حال، تغییرات سیگنال‌های ناشی از این پدیده تشخیص دقیق محل وقوع و شدت واقعی آن را دشوار می‌سازد.

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

نتایج این پژوهش نشان داد که 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.

یافته‌های این پژوهش نشان می‌دهد که بهره‌گیری از مدل‌های هوش مصنوعی می‌تواند تحلیل وضعیت عایق ژنراتورها را هوشمندتر کرده و اطلاعات دقیقی درباره محل و شدت عیب در اختیار متخصصان قرار دهد. این امکان می‌تواند زمینه را برای نگهداری پیش‌بینانه و شناسایی مشکلات پیش از بروز خرابی‌های جدی فراهم کند.

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، محمدحامد صمیمی و آرش ابیض منتشر شده است. مقاله در مجله IEEE Transactions on Dielectrics and Electrical Insulation قابل مشاهده است: https://ieeexplore.ieee.org/abstract/document/11268523