Professional Documents
Culture Documents
دانشكده برق
گروه قدرت
پيشنهاد طرح پژوهشی پایان نامه براي دریافت درجه کارشناسی ارشد
در رشته ي مهندسی برق قدرت گرایش
عنوان فارسي
ارائه سيستم پایش ترانسفورماتورهاي کوره بر اساس تشخيص ناهنجاري در داده ها با
استفاده از هوش مصنوعی
عنوان انگليسي
Providing furnace transformers monitoring system based on
detection of anomalies in data using artificial intelligence
استاد راهنما
استاد مشاور
پژوهشگر
1
2
فهرست مطالب:
صفحه
)1مقدمه4 ..............................................................................................................
)2سئواالت تحقيق5 .............................................................................................
)3فرضيات تحقيق5 .............................................................................................
)4مروری بر کوتاه برکارهای انجام شده5 ...........................................................
)5راهکار مورد نظر برای انجام پروژه11 .................................................................
)6معيار ارزيابي12 ..................................................................................................
)7برنامه زمانبندی شده انجام پايان نامه14 .........................................................
)8ويژگي پروژه14 .................................................................................................
)9منابع و ماخذ15 .................................................................................................
3
)1مقدمه
به دليل هزینه هاي باالي خرید و تعویض ترانسفورماتورهاي کوره ،پایش عملكرد و وضعيت سالمت آنها از اهميت
ویژهاي برخوردار است .سيستمهاي پایش این امكان را فراهم میکنند تا ضمن آگاهی از وضعيت سالمت
ترانسفورماتورهاي کوره ،در صورت بروز خطاي احتمالی ،با تشخيص زودتر و اتخاذ اقداماتی مانند قطع کامل چرخه،
امروزه تكنيکهاي هوش مصنوعی ،به دليل توانایی آنها در سروکارداشتن با حجم باالي داده و تشخيص الگوهاي
پيچيده موجود در آنها ،بسيار مورد توجه قرار گرفتهاند .لذا در این پژوهش سعی بر ارایه یک سيستم پایش مبتنی
بر هوش مصنوعی ،به منظور بررسی عملكرد ترانسفورماتورهاي کوره ،بر اساس تكنيک تشخيص ناهنجاري در دادهها
میباشد.
بدین منظور ،پنج پارامتر اساسی که نشاندهنده وضعيت کلی یک ترانسفورماتور هستند ،شامل ،ميزان تخليه
جزیی 1،ميزان گازهاي موجود در روغن ترانسفورماتور ،دما و رطوبت روغن و در نهایت جریان و ولتاژ بار انتخاب می-
شوند .دادههاي مرتبط با پارامترهاي ذکرشده ،سپس با استفاده از سنسور یا به کمک دیتاست ،جمع آوري میشوند.
از هر کدام از دادههاي موجود ،ویژگی هاي زمانی ،فضایی و طيفی به عنوان ورودي به شبكه عصبی ،استفاده می-
شوند .از آنجا که دادهها ماهيت سري زمانی دارند ،از شبكه عصبی حافظه طوالنی کوتاه مدت ،)LSTM(2استفاده
میشود .پس آموزش مدل بر روي دادههاي موجود LSTM ،قادر خواهد بود که در مواجهه با دادههاي جدید،
عملكردي مشابه داشته باشد و در نهایت به عنوان یک سيستم پایش براي ترانسفورماتورهاي کوره مورد استفاده قرار
گيرد.
خروجی مدل در نهایت ،از جنس وضعيت عملكرد ترانسفورماتور میباشد .به طور دقيقتر ،وضعيت عملكرد
ترانسفورماتور را با سه حالت ،عادي ،نياز به بررسی و بحرانی مشخص میکند .به عالوه امكان وقوع خرابی ،در بخش-
هاي پایش شده ،بر حسب درصد را مشخص کرده و وضعيت سالمتی کلی ترانسفورماتور را گزارش میکند .سيستم
پيشنهادي ،امكان محلی سازي خطا را دارا بوده و نسبت به سيستمهاي پایش سنتی ،عملكرد بهتري از نظر هزینه
1
Partial discharge
2
Long short term memory
4
)2سئواالت تحقيق
آیا استفاده از هوش مصنوعی در سيستم پایش ترانسفورماتور میتواند به عملكرد باالتري نسبت به روش-
هاي ستنی پایش ،دست یابد؟
کدام پارامتر در سيستم پيشنهادي ،بيشترین تاثير را در تشخيص وضعيت سالمت ترانسفورماتور دارد؟
آیا تغيير نوع شبكه عصبی استفاده شده ،میتواند عملكرد مدل را بهببود ببخشد؟
کدام نمایش از پارامترها و بردار ویژگیهاي استخراج شده از آنها ،عملكرد بهتري دارد؟
)3فرضيات تحقيق
به دليل پایش پارامترهایی از بخشهاي مختلف ترانسفورماتور ،امكان شناسایی محل وقوع خطا وجود دارد.
هوش مصنوعی قادر است بهگونهاي آموزش ببيند که تفاوت بين خطاي واقعی و نوسانات لحظهاي را
تشخيص داده و احتمال وقوع پيش بينی نادرست خطا ،درسيستم پيشنهادي را کاهش دهد.
هوش مصنوعی به دليل توانایی پردازش حجم باالي داده در زمان کم ،نسبت به روشهاي جایگزین
سرعت تشخيص باالتري دارد.
در ] ،[1یک سيستم نظارت مداوم بر وضعيت ترانسفورماتورهاي کوره معرفی می شود .این سيستم بر روي کوره
فوالدسازي قوس الكتریكی در یک کارخانه توليد فوالد نصب و به کارگيري شده است.
معماري کلی سيستم پيشنهادي در این مطالعه در شكل یک آمده است که این سيستم شامل تجهيزات به شرح زیر
میباشد:
)2یک مينی ترانسفورماتور تشخيصی که به طور مداوم بر محتواي گازهاي محلول و رطوبت روغن ترانسفورماتور
نظارت میکند
)۳یک ماژول پردازنده که بر وضعيت عایق سيم پيچها و هستههاي مغناطيسی نظارت میکند.
5
)۴دو ماژول براي نظارت بر LVR۳هر ترانسفورماتور بر اساس نظارت بر پارامترهاي دما و ارتعاش و پارامترهاي
(۵یک سرور از راه دور براي نظارت و تجزیه و تحليل پارامترهاي تشخيصی که سرور در ساختمان کارکنان تعمير و
در پایان نيز محققان نمونهاي از پارامترهاي پایش شده و مزایاي فنی و اقتصادي مدل پيشنهادي خود را شرح
میدهند.
3
Low voltage regulation
4
Drive
6
شکل :1ساختار کلي سيستم پايش پيشنهادی در ][1
مطالعه ] ،[2بر اهميت پایش مداوم وضعيت فنی ترانسفورماتورهاي کوره قوس الكتریكی تمرکز دارد .در این مطالعه
مشخصات فنی ترانسفورماتورهاي FTOHBR-150نصب شده در کورههاي قوس الكتریكی 1۸۰تنی بررسی
میشود .نویسندگان در این پژوهش از توابع فناورانه مبتنی بر سيستمهاي کنترل وضعيت تكنيكی ترانسفورماتور
استفاده کرده و نمودار عملياتی و سيستم پایش مخصوص تشخيصی ترانسفورماتور (TDMS)۵خود را معرفی و
مطالعه ] [۳به موضوع بررسی وضعيت فنی ترانسفورماتور کوره بر اساس پردازش آماري پارامترهاي اندازهگيري
محققان در این کار علت وقوع PDو تاثيرش بر شرایط عایق را بررسی میکنند .این مطالعه به معرفی سيستمهاي
پایش بر خط براي ترانسفورماتورهاي ولتاژ باالي کورههاي ذوب فوالد قوس الكتریكی در صنایع متالوژي میپردازد.
5
Transformer diagnosis monitoring system
6
Partial discharge
7
این سيستم به منظور پایش وضعيت عایق ،از پردازش ریاضی پارامترهاي PDاستفاده کرده و براي رسيدن به توان
و شدت PDنيز دو مقدار بار ظاهري و شدت تخليه جزئی به طور مداوم اندازهگيري میشوند.
به عالوه ،محققان در این کار یک پارامتر دیگر به نام نيروي اتصال تصادفی متقابل بين دامنه PDو PDIبه عنوان
یک معيار تعميم یافته از وضعيت عایق و محل سازي شكست ارائه میدهند که در نهایت ،امكان تشخيص نقضهاي
نوظهور با مقایسه همبستگی بين این پارامترها تایيد میشود.چرا که یک نمونه وقوع نقص در شرایط واقعی مشاهده
میشود که سيستم پيشنهادي به درستی آن را پيش بينی میکند .در نتيجه میتوان گفت که این مطالعه یک
رویكرد یكپارچه به منظور تشخيص وضعيت در حال کار ،محلی سازي خطا و پيشگيري از وقوع حادثه را امكانپذیر
میکند.
محققان در مطالعه ] [۴معتقدند که سيستمهاي نظارتی و تشخيصی کورههاي قوس الكتریكی باید با در نظر گرفتن
ترکيب تجهيزات ،شرایط سرویس و ویژگیهاي خاص رژیم بارگذاري ،طراحی شوند .در نتيجه ،این مطالعه به منظور
طراحی سيستم پایش پيشنهادي خود از پارامترهایی به شرح زیر استفاده میکند:
)1وضعيت فنی :LVRاز آنجا که سوئيچ کردن چند باره LVRها ،تحت بار ،منجر به خرابی دائمی و باال رفتن
ریسک وقوع حادثه میشود .بررسی عملكرد مستمر این پارامتر یكی از مهمترین ملزومات سيستم پایش پيشنهادي
میباشد.
)2دماي روغن :نظارت مداوم بر دماي روغن ضروري است ،چرا که شناسایی افزایش سيستماتيک دما ناشی از
)۳سيستم سرمایش :ترانسفورماتورهاي کوره توسط جریانهاي روغن و آب خنک میشوند که اندازهگيري فلو فشار
و دماي این جریانها میتواند اطالعات مفيدي در رابطه با عملكرد درست یا نادرست ترانسفورماتور فراهم کند.
)۴ميزان رطوبت و ترکيب گازهاي حل شده در روغن :تغييرات دمایی منجر به تغيير در ميزان رطوبت میشود و از
طرف دیگر وجود گازها ،نشانهاي از وقوع فرایندهاي مخرب در روغن و عایق سيم پيچ میباشد .به طور مثال مقادیر
باالي هيدروژن و استيلن میتواند نشانهاي از شكست قوي با جریان (پدیده اي در سيستمهاي الكتریكی است که
زمانی رخ می دهد که جریان الكتریكی ناگهان قطع شده و انرژي تجمع یافته در مدار به صورت یک تخليه الكتریكی
اتفاق بيافتد) باشد ،یا وجود هيدروژن و هيدروکربنهاي سبکتر نشانهاي از پدیدههاي تخليهاي (فرآیندي است که
در آن انرژي الكتریكی دریک نقطه خاص در ترانسفورماتور به صورت جزیی یا محلی تخليه میشود ) میباشد،
همچنين حجم قابل توجهی از متان و اتان ،نشانه گرماي بيش از حد موضعی یا به وجود آمدن یک نقطه داغ می-
باشد .در نتيجه اندازهگيري ميزان این گازها میتواند سيستم را در شناسایی بهتر خطرهاي قریب الوقوع ،کمک کند.
8
)۵نظارت بر پارامترهاي ارتعاش :تغييرات بار در نهایت میتواند به تغييرات ارتعاش منجر شود .در نتيجه ،بررسی
:PD )۶مشابه مطالعه قبلی ،در اینجا نيز از PDبه عنوان یک فاکتور مهم در بررسی سالمت ترانسفورماتور استفاده
میشود
مطالعه ] ،[۵حاوي دادههاي عملكرد کلی یک کوره قوس الكتریكی و به طور خاص ترانسفورماتورهاي کوره میباشد،
که استفاده از آن در سيستمهاي پایش اهميت داشته و میتواند به عنوان دیتاست به کار گرفته شود.
در ] [۶استراتژيهاي رایج براي پایش زمان واقعی روغن ترانسفورماتورهاي قدرت ،شرح داده میشود .در حالت کلی،
یكی از راهبردهاي پاسخگو و قابل اطمينان براي ارزیابی تجهيزات الكتریكی پر از روغن ،تجزیه و تحليل گاز محلول
در آن )DGA(7میباشد .امروزه حسگرهاي شيميایی به عنوان یک نوآوري کليدي براي نظارت بر وضعيت سالمت
ترانسفورماتورها در نظر گرفته میشوند .انتظار میرود که تكنيکهاي DGAمبتنی بر حسگرهاي شيميایی کم
هزینه ،به طور چشمگيري در سيستمهاي پایش تجهيزات الكتریكی حاوي روغن افزایش یابد.
بنا به مطالعه ] ،[۶استفاده از دو حسگر ،یكی اختصاصی براي تشخيص گاز محلول در روغن ترانسفورماتور و دیگري
غير اختصاصی براي شرایط محيطی نزدیک به ترانسفورماتور ،میتواند عملكرد آن را بهبود ببخشد .در ادامه این
مطالعه ،پس زمينه کلی و راهنماییهاي عملياتی سيستمهاي DGAو روشهاي تشخيص و تفسير نتایج آنها شرح
داده شده و در پایان پيشرفتهاي اخير ،دیدگاهها و چالشهاي تحقيقاتی آینده براي توسعه این نوع از سيستمهاي
مطالعه ] ،[7خالصهاي از سيستمهاي اجرا شده بر روي ترانسفورماتورهاي OJCSرا ارائه میدهد .به عالوه این
پژوهش ،ترانسفورماتورهاي مجموعه توليد برق نيروگاه حرارتی که به سيستم پایش مجهز هستند را بررسی و همراه
با روشهاي تشخيص فهرست میکند ،و درنهایت ،یک ساختار سيستم یكپارچه ارائه میدهد .سيستم پایش اشاره
شده در این مطالعه نيز مبتنی بر کنترل شرایط روغن و یک آناليزور هيدران M2براي شناسایی گازهاي محلول در
روغن بود .با این حال در این پژوهش بيان میشود که توسعه روشهایی به منظور شناسایی دقيق و محلی خطا با
استفاده از پارامترها و ویژگیهاي تشخيصی استفاده شده کاري چالش برانگيز میباشد.
بررسی مطالعات مختلف نشان داد که اکثر پژوهشهاي صورت گرفته در حوزه روشهاي سنتی پایش ترانسفورماتور
کوره ،بوده است .با این حال برخی مطالعات مانند ] [۸به استفاده از هوش مصنوعی در سيستمهاي پایش خود روي
7
Dissolved Gas analysis
9
آوردهاند .در این مطالعه ،یک الگوریتم پایش مستمر مبتنی بر روشهاي تخمين شبكه عصبی براي پارامترهاي مدار
قدرت ،مدل ریاضياتی دقيق مدار قدرت ،شكافهاي قوس الكتریكی سنسورهاي اوليه مختصات کوره قوس الكتریكی
و روش محاسبه ولتاژهاي قوس الكتریكی ،با استفاده از ادغام عددي سيستم معادالت دیفرانسيل غير خطی ،پيشنهاد
میشود.
ساختار و الگوریتم پایش مستمر ولتاژ ،در این مطالعه ،بر اساس اصول شناسایی پارامترهاي شبكه عصبی ایجاد شده
است .همچنين مدل عددي سيستم پایش ولتاژ قوس ایجاد و دقت پایش ولتاژ لحظهاي مورد مطالعه قرار میگيرد،
به عبارت دیگر ،یک مدل ریاضياتی محاسبه عملياتی مقادیر ولتاژ قوس لحظهاي توسعه داده میشود که این مدل
مقادیر جریان پارامترهاي اتصال کوتاه کوره قوس الكتریكی را در نظر میگيرد(.به طور مداوم توسط شبكه عصبی در
طول فرایند ذوب شناسایی میشود) .نتایج پایانی نشان میدهد که در اثر استفاده از این سيستم ،دقت
مطالعه ] ،[9با پياده سازي منطق فازي ،سعی در پایش وضعيت عایق ترانسفورماتور دارد .به عقيده محققان این
مطالعه ،مفهومی به نام ترانسفورماتورهاي هوشمند ،امروزه بسيار مورد توجه قرار گرفته است .هدف اصلی این
مطالعه ،ایجاد یک سيستم خبره براي تشخيص شكست عایق و ارزیابی خطرات ناشی از آن عنوان میشود.
بدین منظور از تجزیه و تحليل روند تخليه جزئی ،بر روي یک ترانسفورماتور 2۶مگاو ولت آمپري نصب شده بر روي
یک کوره مالقهاي در یک کارخانه فوالدسازي استفاده میشود .ترانسفورماتورها مجهز به یک سيستم نظارت شده،
هدف شناسایی وضعيت ترانسفورماتور و برچسب گذاري آن با یكی از دستهبنديهاي عمومی شناخته شده ،عادي،
ضعيف و بحرانی میباشد .در این کار ،الگوریتمهاي فازي در پردازشهاي ریاضياتی استفاده میشود .هدف این کار،
خالصه کردن مجموعهاي از پارامترهایی که حالت تشخيص دارند در یک شاخص به نام شاخص وضعيت عایق بود.
در نهایت سيستم پایش تشكيل شده بر روي روندهایی که در آنها وضعيت ترانسفورماتور از حالت عادي به بحرانی
تنزل پيدا میکرد ،آزمایش شد .به عالوه این سيستم یک مثال عملی از محلیسازي خطا را نيز نشان داد .در پایان
نتایج اميدوار کننده ذکر شده و پيشنهاد میشود که سيستم توسعه داده شده در این مطالعه در سيستمهاي خبره
استفاده از هوش مصنوعی فقط به سيستم پایش ترانسفورماتورهاي کور محدود نشده و برخی مطالعات از آن براي
خود کوره قوس الكتریكی نيز استفاده کردهاند .به طور مثال ] [1۰از یک مدل کوره قوس الكتریكی با استفاده از
10
سيستم استنتاج عصبی فازي تطبيقی ،(ANFIS)۸به منظور ثبت الگوهاي بار تصادفی غير خطی و متغير با زمان
در یک کوره قوس استفاده میکند .براي ارزیابی سيستم پيشنهادي ،از چندین مطالعه موردي با دادههاي واقعی
یا به عنوان نمونه دیگر در ] ،[11مطالعه کاربردي جدیدي از یک سيستم کنترل مبتنی بر ژنتيک و فازي که انرژي
ورودي به یک کوره قوس الكتریكی سه فاز را کنترل میکند ،شرح داده میشود .با تغيير پيوسته سطح شارژ،
الكترودها باید بتوانند طول قوس را تنظيم کنند تا ثبات ایجاد کنند .بدین منظور یک کنترل کننده PIفازي با
الگوریتمهاي ژنتيک استفاده میشود که مسئول تنظيم عمودي جابجایی نوک الكترود با توجه به نقاط تنظيم شده
میباشد ،تا در نهایت این اطمينان حاصل شود که طول قوس تا حد ممكن ثابت است .نویسندگان در پایان ذکر
میکنند که نتایج شبيهسازي عملكرد رضایت بخشی از مدل را نشان داده است.
به عنوان مطالعهاي که کمتر از یک سال از انتشار آن میگذرد ،[12] ،یک مدل تشخيص شرایط کاري براي کوره
ذوب منيزیم ،مبتنی بر پيكربندي تصادفی و یادگيري تقویتی را ارائه میدهد .بدین منظور ابتدا یک روش ترکيبی
افزایش دادههاي مولد و غير مولد براي به دست آوردن دادههاي نمونه با کيفيت باال و همراه با ویژگیهاي شاخص،
استفاده میشود.
در مرحله دوم بر اساس ،ResNextویژگیهاي محلی چند مقياسی استخراج میشود.
در مرحله سوم بر اساس مكانيزم خود توجهی شبكه عصبی ترنسفورمر ،شبكه تشخيص شرایط کاري چند وجهی
کوره منيزیم ساخته میشود .ویژگیهاي ترکيب شده سپس به شبكه پيكربندي آشوبی SCN9داده میشود تا یک
معيار طبقهبندي براي شرایط کاري غير عادي کوره منيزیم با قابليت تعميم ایجاد شود .در نهایت نيز از یادگيري
تقویتی براي اصالح عملكرد خودکار و کاهش مستمر خطاي سيستم پيشنهادي ،استفاده میشود .نتایج آزمایشگاهی
نشان میدهد که مدل استفاده شده در این مطالعه ،نسبت به تمام الگوریتمهاي مرتبط پيش از خود برتري دارد.
8
adaptive network-based fuzzy inference system
9
stochastic configuration networks
11
-۴مهندسی ویژگی :انتخاب نمایش هاي مختلف از ویژگی هاي استخراج شده و انتخاب بردار ویژگی که به بهترین
عملكرد مدل منجر میشود.
-۵آموزش شبكه :LSTMبا استفاده از دادههاي آموزش ،شبكه آموزش میبيند تا وابستگی و الگوهاي بين دادهها
را درک کند
-۶تابع هزینه :تعریف یک تابع از جنس خطا ،که ضرایب شبكه را در جهت کاهش خطا ،تغيير میدهد.
-7ارزیابی :در گام آخر ارزیابی نتایج حاصل به وسيله سه معيار ،دقت ،بازخوانی و نمره F1صورت می پذیرد.
عملكرد سيستم از دو جنبه کلی ،مورد ارزیابی قرار میگيرد .در حالت اول ،با استفاده از سه معيار رایج براي ارزیابی
11نمره اف وان 12،نتایج مورد بررسی قرار میگيرد.
شبكه هاي عصبی ،شامل دقت1۰،بارخوانی و
دقت (:)precision
این شاخص ،دقت پيش بينی هاي مثبت را اندازه گيري می کند که در مورد پژوهش حاضر می شود تعداد
ناهنجاري هایی که به درستی ناهنجاري تشخيص داده شده اند .مقدار این پارامتر در حقيقت نرخ پيش بينی هاي
مثبت درست به تمام پيش بينی هاي مثبت یک سيستم (مدل) می باشد ،یعنی:
)1
بازخوانی ()Recall
این شاخص عملكرد یک سيستم در تشخيص تمام مثبت هاي واقعی را می سنجد که در مورد کار حاضر می شود
تشخيص تمام ناهنجاري ها ،فارغ از اینكه در چه کالسی تشخيص داده شده باشند .در تشخيص ناهنجاري داده ها،
عدم تشخيص یک ناهنجاري ،می تواند هزینه زیادي در پی داشته باشد ،لذا اهميت این معيار ارزیابی غيرقابل انكار
است .مقدار این شاخص در حقيقت نرخ پيش بينی هاي مثبت به تمام نمونه هاي واقعی مثبت (واقعا ناهنجاري
هستند) در مجموعه داده تحت آزمایش می باشد.یعنی:
)2
1 0
Precision
1 1
Recall
1 2
F1 score
12
نمره )F1 score( F1
این شاخص دو معيار قبلی را با هم ترکيب کرده و یک توازن بين آن ها ایجاد می کند .این پارامتر براي حالتی که
در کالس ها توزیع غير یكسان وجود دارد و همچنين به منظور درک این موضوع که آیا مدل بر روي اکثریت
بيش از حد تاکيد دارد یا خير ،استفاده می شود .مقدار این شاخص ميانگين هارمونيک دو معيار قبلی است .یعنی:
)۳
در حالت دوم ،به منظور ایجاد توانایی مقایسه ،نتایج حاصل با مطالعات بررسی شده در قسمت مرور منابع ،مقایسه
می شود.
13
)7برنامه زمانبندی شده انجام پايان نامه:
12 11 10 9 8 7 6 5 4 3 2 1 مدت فعاليت
(ماه)
5 پيادهسازی
معماری
پيشنهادی
2 ارزيابي
معماری
پيشنهادی با
روشهای
قبلي
3 نگارش
پاياننامه
)8ويژگي پروژه
پس از بررسي مطالعات انجام شده ،مطالعه ای که به صورت جامع هوش مصنوعي را بررای سيسرتمهرای
پايش استفاده کرده باشد ،يافت نشد .لذا اين پژوهش از اين حيث کره بره تلفيرق هروش مصرنوعي در
سيستم پايش مبادرت ورزيدهاست ،در مرز علم کنوني قرار دارد ونتايج آن ،مريتوانرد بررای مطالعرات
آينده ،ايده بخش باشد.
به عالوه ،استفاده از چندين پارامتر و چندين ويژگي متفاوت ،در نهايت ميتواند دقت تشخيص را براالتر
ببرد .زيرا همانطور که نشان دادهشد ،اکثر مطالعات از يک يا دو پارامتر برای ساخت سيستم نظارتي خود
استفاده کردهاند.
14
:) منابع و ماخذ8
[3] Karandaeva, O. I., Yakimov, I. A., Filimonova, A. A., Gartlib, E. A., & Yachikov,
I. M. (2019). Stating diagnosis of current state of electric furnace transformer on the
basis of analysis of partial discharges. Machines, 7(4), 77.
[4] Karandaev, A. S., Evdokimov, S. A., Khramshin, V. R., & Lednov, R. A. (2014).
Diagnostic functions of a system for continuous monitoring of the technical condition
of the transformers of arc steelmaking furnaces. Metallurgist, 58, 655-663.
[5] Morello, S., Gnesda, J., & Dionise, T. J. (2019). Arc furnace performance
validation: using modeling, monitoring, and statistical analysis. IEEE Industry
Applications Magazine, 25(5), 95-103.
[6] Sun, C., Ohodnicki, P. R., & Stewart, E. M. (2017). Chemical sensing strategies
for real-time monitoring of transformer oil: A review. IEEE Sensors Journal, 17(18),
5786-5806.
15
[8] Paranchuk, Y. S., & Paranchuk, R. Y. (2016). Neural network system for
continuous voltage monitoring in electric arc furnace. Науковий вісник
Національного гірничого університету, (2), 74-80.
[9] Karandaev, A. S., Yachikov, I. M., Radionov, A. A., Liubimov, I. V., Druzhinin,
N. N., & Khramshina, E. A. (2022). Fuzzy algorithms for diagnosis of furnace
transformer insulation condition. Energies, 15(10), 3519.
[10] Haruni, A. M. O., Negnevitsky, M., Haque, M. E., & Muttaqi, K. M. (2008,
December). Implementation of artificial intelligence technique to model arc furnace
responses. In 2008 Australasian Universities Power Engineering Conference (pp. 1-
6). IEEE.
[11] Moghadasian, M., & Alenasser, E. (2011). Modelling and artificial intelligence-
based control of electrode system for an electric arc furnace. Journal of
Electromagnetic Analysis and Applications, 2011.
[12] Li, W., Guan, S., Zhang, Q., Sun, W., & Li, Q. (2023). Working condition
recogition of fused magnesium furnace based on stochastic configuration networks
and reinforcement learning.
16
17