‫أ‬

‫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

‫تاریخ ارائه طرح پایان نامه‬

‫‪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،‬‬

‫از آسيب هاي احتمالی جلوگيري شود‪.‬‬

‫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

‫محاسباتی و دقت خواهد داشت‪.‬‬

‫‪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.‬‬

‫‪ )4‬مرور مطالعات گذشته‬

‫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:‬‬

‫‪ )1‬یک ماژول پردازنده که پارامترهاي دما و ارتعاش را کنترل میکند‬

‫‪ )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

‫درایو‪۴‬هاي الكتریكی آنها‬

‫‪ (۵‬یک سرور از راه دور براي نظارت و تجزیه و تحليل پارامترهاي تشخيصی که سرور در ساختمان کارکنان تعمير و‬

‫نگهداري نصب میشود (نياز به پایش انسانی دارد)‬

‫‪ (۶‬یک مجموعه از مبدلها به منظور اندازهگيري پارامترهایی که نظارت میشود‬

‫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

‫مزایاي فنی و اقتصادي آن را شرح میدهند‪.‬‬

‫مطالعه ]‪ [۳‬به موضوع بررسی وضعيت فنی ترانسفورماتور کوره بر اساس پردازش آماري پارامترهاي اندازهگيري‬

‫مداوم تخليههاي جزئی‪ (PD)۶‬اختصاص دارد‪.‬‬

‫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

‫فعاليتهاي مخرب را امكانپذیر میکند‪.‬‬

‫‪ )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

‫این پارامتر نيز در پایش ترانسفورماتور اهميت ویژهاي دارد‬

‫‪ :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

‫پایش‪ ،‬بيان میشود‪.‬‬

‫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

‫اندازهگيريهاي ولتاژ بهبود یافته است‪.‬‬

‫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،‬‬

‫بوده و به طور مداوم بار ظاهري و شدت ‪ PD‬را اندازهگيري میکند‪.‬‬

‫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

‫براي پایش در ترانسفورماتورهاي ولتاژ باال استفاده شود‪.‬‬

‫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

‫ثبت شده از کارخانه متالوژي استفاده میشود‪.‬‬

‫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.‬‬

‫‪ )5‬مواد و روش ها (روش تحقيق)‬

‫در یک شماتيک کلی‪ ،‬انجام کار به شكل زیر پيشنهاد میشود‪:‬‬

‫‪-1‬جمع آوري داده‪ :‬تعبيه سنسورهاي مناسب در مكانهاي مشخص‪ ،‬به منظور ثبت داده یا استفاده از یک منبع‬
‫داده‪.‬‬
‫‪-1‬پيش پردازش‪ :‬انجام اقدامات ابتدایی مانند حذف نویز‬
‫‪-2‬تقسيم بندي دادهها به سه گروه آموزش‪ ،‬راستی آزمایی و آزمون‪.‬‬
‫‪ -۳‬استخراج ویژگی‪ :‬استخراج ویژگیهاي طيفی‪ ،‬زمانی‪ ،‬فضایی براي هر سري زمانی (داده)‬

‫‪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.‬‬

‫‪ )6‬معيار ارزيابي موفقيت تحقيق‬

‫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)‬

‫‪2‬‬ ‫با‬ ‫آشنايي‬

‫مجموعه‬
‫و‬ ‫دادهها‬
‫آماده سازی‬
‫هر بخش برای‬
‫مدل‬

‫‪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

[1] Karandaev, A. S., Evdokimov, S. A., Khramshin, V. R., & Sarlybaev, A. A.

(2015). System for real-time monitoring of the technical state of a transformer on an
ultrahigh-power electric-arc steelmaking furnace. Metallurgist, 58, 872-879.

[2] Karandaev, A. S., Evdokimov, S. A., Khramshin, V. R., & Karandaeva, O. I.

(2014, October). Information and measuring system for electric arc furnace
transformer monitoring. In 2014 12th International Conference on Actual Problems of
Electronics Instrument Engineering (APEIE) (pp. 273-279). IEEE.

[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.

[7] Evdokimov, S. A., Kondrashova, Y. N., Karandaeva, O. I., & Gallyamova, M. S.

(2016). Stationary system for monitoring technical state of power transformer.
Procedia Engineering, 150, 18-25.

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