1

‫دانشكده برق‬
‫گروه قدرت‬

‫پيشنهاد طرح پژوهشی پایان نامه براي دريافت درجه کارشناسی ارشد‬
‫در رشته ي مهندسی برق قدرت گرايش الکترونیک قدرت و ماشین های الکتریکی‬

‫عنوان فارسي‬
‫ارائه سیستم پایش ترانسفورماتورهای کوره بر اساس تشخیص ناهنجاری 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
‫دکتر حیدری‬
‫استاد مشاور‬
‫‪---‬‬
‫پژوهشگر‬
‫مهران مجنون‬
‫تاریخ ارائه طرح پایان نامه‬

‫‪---‬‬

‫‪1‬‬
 ‫فهرست مطالب‪:‬‬
‫‪ )1‬مقدمه‪3..........................................................................................................................‬‬

‫‪ )2‬هدف پروژه ‪4..................................................................................................................‬‬

‫‪)a‬سئواالت تحقیق ‪4.....................................................................................................................‬‬

‫‪)b‬فرضیات تحقیق ‪4....................................................................................................................‬‬

‫‪ )3‬تاریخچه‪5.......................................................................................................................‬‬

‫‪)a‬مروری بر کوتاه برکارهای انجام شده ‪5.........................................................................................‬‬

‫‪ )4‬ویژگی پروژه‪5................................................................................................................‬‬

‫‪ )5‬روش های پیشنهادی‪11......................................................................................................‬‬

‫‪)a‬راهکار مورد نظر برای انجام پروژه ‪11........................................................................................‬‬

‫‪)b‬معیار ارزیابی موفقیت تحقیق ‪11..................................................................................................‬‬

‫برنامه زمانبندی شده انجام پایان نامه‪13........................................................................................‬‬

‫منابع و ماخذ ‪14.....................................................................................................................‬‬

‫‪2‬‬
 ‫‪ )1‬مقدمه‬
‫به دلیل هزینههای باالی خرید و تعویض ترانسفورماتورهای کوره‪ ،‬پایش عملکرد و وض‪ll‬عیت س‪ll‬المت آنه‪ll‬ا از‬
‫اهمیت ویژهای برخوردار است‪ .‬سیستمه‪ll‬ای پ‪ll‬ایش این امک‪ll‬ان را ف‪ll‬راهم میکنن‪ll‬د ت‪ll‬ا ض‪ll‬من آگ‪ll‬اهی از وض‪ll‬عیت‬
‫سالمت ترانسفورماتورهای کوره‪ ،‬در صورت بروز خطای احتمالی‪ ،‬با تشخیص زودتر و اتخاذ اقداماتی مانن‪ll‬د‬
‫قطع کامل چرخه‪ ،‬از آسیب های احتمالی جلوگیری شود‪.‬‬
‫امروزه تکنیکه‪l‬ای ه‪l‬وش مص‪l‬نوعی‪ ،‬ب‪l‬ه دلیل توان‪l‬ایی آنه‪l‬ا در سروکارداش‪l‬تن ب‪l‬ا حجم ب‪l‬االی داده و تش‪l‬خیص‬
‫الگوهای پیچیده موجود در آنها‪ ،‬بسیار مورد توجه قرار گرفتهاند‪ .‬لذا در این پژوهش سعی بر ارایه یک سیستم‬
‫پایش مبتنی بر هوش مص‪l‬نوعی‪ ،‬ب‪l‬ه منظ‪l‬ور بررس‪l‬ی عملک‪l‬رد ترانس‪l‬فورماتورهای ک‪l‬وره‪ ،‬ب‪l‬ر اس‪l‬اس تکنیک‬
‫تشخیص ناهنجاری در دادهها میباشد‪.‬‬
‫بدین منظور‪ ،‬پنج پارامتر اساسی که نشاندهنده وضعیت کلی یک ترانسفورماتور هس‪ll‬تند‪ ،‬ش‪ll‬امل‪ ،‬م‪ll‬یزان تخلیه‬
‫جزیی‪ ،1‬میزانگازهای موجود در روغنترانسفورماتور‪ ،‬دما و رطوبتروغنو در نهایت جری‪ll‬انو ولت‪ll‬اژ ب‪ll‬ار‬
‫انتخابمیشوند‪ .‬دادههایمرتبط با پارامترهای ذکرشده‪ ،‬سپس با اس‪ll‬تفاده از سنس‪ll‬ور ی‪ll‬ا ب‪ll‬ه کم‪ll‬ک دیتاس‪ll‬ت‪،‬‬
‫جمع آوریمیشوند‪ .‬از هر کدام از دادههایموج‪ll‬ود‪ ،‬وی‪ll‬ژگی ه‪ll‬ایزم‪ll‬انی‪،‬فض‪ll‬ایی و طیفیب‪ll‬ه عن‪ll‬وانورودیب‪ll‬ه‬
‫شبکه عصبی‪،‬استفاده میشوند‪ .‬از آنجا که دادهها ماهیتسری زم‪l‬انیدارن‪l‬د‪ ،‬از ش‪l‬بکه عص‪l‬بیحافظ‪l‬ه ط‪l‬والنی‬
‫‪2‬‬
‫مدت(‪ ،)LSTM‬استفاده میشود‪ .‬پس آموزشمدلبر رویدادههایموجود‪ LSTM ،‬قادر خواهد ب‪l‬ود‬ ‫کوتاه‬
‫که در مواجهه با دادههایجدید‪ ،‬عملکردیمشابه داشته باشد و در نهایت به عنوانیک سیستم پ‪ll‬ایش ب‪ll‬رای‬
‫ترانسفورماتورهای کوره مورد استفاده قرار گیرد‪.‬‬
‫خروجی مدل در نهایت‪ ،‬از جنس وضعیت عملکرد ترانسفورماتور میباشد‪ .‬به طور دقیقت‪l‬ر‪ ،‬وض‪l‬عیت عملک‪l‬رد‬
‫ترانسفورماتور را با سه ح‪l‬الت‪ ،‬ع‪l‬ادی‪ ،‬نیاز ب‪l‬ه بررس‪l‬ی و بح‪l‬رانی مش‪l‬خص میکن‪l‬د‪ .‬ب‪l‬ه عالوه امک‪l‬ان وق‪l‬وع‬
‫خرابی‪ ،‬در بخشهای پایش شده‪ ،‬بر حسب درصد را مشخص کرده و وضعیت س‪ll‬المتی کلی ترانس‪ll‬فورماتور را‬
‫گزارش میکند‪ .‬سیستم پیشنهادی‪ ،‬امکان محلی سازی خطا را دارا ب‪ll‬وده و نس‪ll‬بت ب‪ll‬ه سیس‪ll‬تمه‪ll‬ای پ‪ll‬ایش س‪ll‬نتی‪،‬‬
‫عملکرد بهتری از نظر هزینه محاسباتی و دقت خواهد داشت‪.‬‬

‫‪ )2‬هدف پروژه‬
‫‪--------------‬‬

‫سئواالت تحقیق‬ ‫‪)a‬‬

‫‪ ‬آیا استفاده از هوش مصنوعی در سیستم پایش ترانسفورماتور میتواند به عملک‪ll‬رد ب‪ll‬االتری نس‪ll‬بت ب‪ll‬ه‬
‫روشهای ستنی پایش‪ ،‬دست یابد؟‬

‫‪ ‬کدام پارامتر در سیستم پیشنهادی‪ ،‬بیش‪ll‬ترین ت‪ll‬اثیر را در تش‪ll‬خیص وض‪ll‬عیت س‪ll‬المت ترانس‪ll‬فورماتور‬
‫دارد؟‬
‫‪1‬‬
‫‪Partial discharge‬‬
‫‪2‬‬
‫‪Long short term memory‬‬

‫‪3‬‬
 ‫‪ ‬آیا تغییر نوع شبکه عصبی استفاده شده‪ ،‬میتواند عملکرد مدل را بهببود ببخشد؟‬

‫‪ ‬کدام نمایش از پارامترها و بردار ویژگیهای استخراج شده از آنها‪ ،‬عملکرد بهتری دارد؟‬

‫فرضیات تحقیق‬ ‫‪)b‬‬

‫‪ ‬به دلیل پایش پارامترهایی از بخشهای مختلف ترانسفورماتور‪ ،‬امکان شناسایی محل وقوع خطا وجود‬
‫دارد‪.‬‬

‫‪ ‬هوش مصنوعی قادر است بهگونهای آموزش ببیند که تفاوت بین خط‪ll‬ای واقعی و نوس‪ll‬انات لحظ‪ll‬های‬
‫را تشخیص داده و احتمال وقوع پیش بینی نادرست خطا‪ ،‬درسیستم پیشنهادی را کاهش دهد‪.‬‬

‫‪ ‬هوش مصنوعی به دلیل توانایی پردازش حجم باالی داده در زمان کم‪ ،‬نس‪l‬بت ب‪l‬ه روشه‪l‬ای ج‪l‬ایگزین‬
‫سرعت تشخیص باالتری دارد‪.‬‬

‫‪4‬‬
 ‫‪ )3‬تاریخچه‬
‫‪-----‬‬

‫‪ )a‬مروری بر کوتاه برکارهای انجام شده‬

‫در ]‪ ،[1‬یک سیستم نظارت مداوم بر وضعیت ترانسفورماتورهای کوره معرفی می شود‪ .‬این سیستم ب‪ll‬ر روی‬
‫کوره فوالدسازی قوس الکتریکی در یک کارخانه تولید فوالد نصب و به کارگیری شده است‪.‬‬
‫معماری کلی سیستم پیشنهادی در این مطالعه در شکل یک آمده است که این سیس‪ll‬تم ش‪ll‬امل تجه‪l‬یزات ب‪ll‬ه ش‪ll‬رح‬
‫یباشد‪:‬‬
‫زیر م ‌‬
‫یکند‬
‫‪ )۱‬یک ماژول پردازنده که پارامترهای دما و ارتعاش را کنترل م ‌‬
‫‪ )۲‬یک مینی ترانس‪l‬فورماتور تشخیص‪l‬ی ک‪l‬ه ب‪l‬ه ط‪l‬ور م‪l‬داوم ب‪l‬ر محت‪l‬وای گازه‪l‬ای محل‪l‬ول و رط‪l‬وبت روغن‬
‫یکند‬
‫ترانسفورماتور نظارت م ‌‬
‫یکند‪.‬‬
‫چها و هسته‌های مغناطیسی نظارت م ‌‬
‫‪ )۳‬یک ماژول پردازنده که بر وضعیت عایق سیم پی ‌‬
‫‪ )۴‬دو ماژول برای نظارت بر ‪ LVR3‬هر ترانسفورماتور بر اساسنظارت بر پارامترهای دما و ارتع‪ll‬اش و‬
‫پارامترهای درایو‪4‬های الکتر یکی آنها‬
‫‪ (۵‬ی‪l‬ک س‪l‬رور از راه دور ب‪l‬رای نظ‪l‬ارت و تجزی‪l‬ه و تحلیل پارامتره‪l‬ای تشخیص‪l‬ی ک‪l‬ه س‪l‬رور در س‪l‬اختمان‬
‫یشود (نیاز به پایش انسانی دارد)‬
‫کارکنان تعمیر و نگهداری نصب م ‌‬
‫یشود‬
‫‪ (۶‬یک مجموعه از مبدل‌ها به منظور اندازه‌گیری پارامترهایی که نظارت م ‌‬
‫در پایان نیز محققان نمونه‌ای از پارامترهای پایش شده و مزایای فنی و اقتصادی مدل پیشنهادی خ‪ll‬ود را ش‪ll‬رح‬
‫یدهند‪.‬‬
‫م‌‬

‫‪ )4‬ویژگی پروژه‬
‫پس از بررسی مطالعات انجام شده‪ ،‬مطالعه ای که به صورت جامع هوش مصنوعی را برای سیستمهای‬
‫پایش استفاده کرده باشد‪ ،‬یافت نشد‪ .‬لذا این پژوهش از این حیث که به تلفیق هوش مصنوعی در سیستم‬
‫پایش مبادرت ورزیدهاست‪ ،‬در مرز علم کنونی قرار دارد ونتایج آن‪ ،‬میتواند برای مطالعات آینده‪ ،‬ایده بخش‬
‫باشد‪.‬‬
‫به عالوه‪ ،‬استفاده از چندین پارامتر و چندین ویژگی متفاوت‪ ،‬در نهایت میتواند دقت تشخیص را باالتر ببرد‪.‬‬
‫زیرا همانطور که نشان دادهشد‪ ،‬اکثر مطالعات از یک یا دو پارامتر برای ساخت سیستم نظارتی خود استفاده‬
‫کردهاند‪.‬‬

‫‪3‬‬
‫‪Low voltage regulation‬‬
‫‪4‬‬
‫‪Drive‬‬

‫‪5‬‬
 ‫شکل ‪ :1‬ساختار کلی سیستم پایش پیشنهادی در ]‪[1‬‬
‫مطالعه ]‪ ،[2‬بر اهمیت پایش مداوم وضعیت فنی ترانسفورماتورهای ک‪ll‬وره ق‪ll‬وس الک‪ll‬تریکی تمرک‪ll‬ز دارد‪ .‬در‬
‫این مطالعه مشخصات فنی ترانسفورماتورهای ‪ FTOHBR-150‬نص‪ll‬ب ش‪ll‬ده در کوره‌ه‪ll‬ای ق‪ll‬وس الک‪ll‬تریکی‬
‫‪l‬تمهای کن‪ll‬ترل وض‪ll‬عیت‬
‫یشود‪ .‬نویسندگان در این پژوهش از توابع فناورانه مبتنی ب‪ll‬ر سیس‪‌ l‬‬
‫‪ ۱۸۰‬تنی بررسی م ‌‬
‫تکنیکی ترانسفورماتور استفاده کرده و نمودار عملیاتی و سیستم پایش مخصوص تشخیصی ترانسفورماتور‪( 5‬‬
‫‪T‬‬
‫یدهند‪.‬‬
‫‪)DMS‬خود را معرف ی و مزایای فنی و اقتصادی آنرا شرح م ‌‬

‫مطالعه ]‪ [3‬به موضوع بررسی وضعیت ف‪l‬نی ترانس‪l‬فورماتور ک‪l‬وره ب‪l‬ر اس‪l‬اس پ‪l‬ردازش آم‪l‬اری پارامتره‪l‬ای‬
‫اندازه‌گیری مداوم تخلی‌ههای جزئی‪ )PD( 6‬اختصاصدارد‪.‬‬
‫یکنن‪l‬د‪ .‬این مطالع‪l‬ه ب‪l‬ه مع‪l‬رفی‬
‫محققان در این کار علت وق‪l‬وع ‪ PD‬و ت‪l‬اثیرش ب‪l‬ر ش‪l‬رایط ع‪l‬ایق را بررس‪l‬ی م ‌‬
‫ستمهای پایش بر خط برای ترانسفورماتورهای ولتاژ باالی کوره‌های ذوب فوالد قوس الکتریکی در ص‪ll‬نایع‬
‫سی ‌‬
‫یپردازد‪.‬‬
‫متالوژی م ‌‬
‫این سیستم به منظور پایش وضعیت عایق‪ ،‬از پردازش ریاضی پارامترهای ‪ PD‬استفاده کرده و برای رس‪ll‬یدن‬
‫یشوند‪.‬‬
‫به توان و شدت ‪ PD‬نیز دو مقدار بار ظاهری و شدت تخلیه جزئی به طور مداوم اندازه‌گیری م ‌‬

‫‪5‬‬
‫‪Transformer diagnosis monitoring system‬‬
‫‪6‬‬
‫‪Partial discharge‬‬

‫‪6‬‬
‫به عالوه‪ ،‬محققان در این کار یک پارامتر دیگر به نام نیروی اتصال تصادفی متقابل بین دامنه ‪ PD‬و ‪ PDI‬ب‪ll‬ه‬
‫یدهن‪l‬د ک‪l‬ه در نه‪l‬ایت‪ ،‬امک‪l‬ان‬
‫عنوان یک معیار تعمیم یافته از وض‪l‬عیت ع‪l‬ایق و مح‪l‬ل س‪l‬ازی شکس‪l‬ت ارائ‪l‬ه م ‌‬
‫تشخیص نقض‌های نوظهور با مقایسه همبستگی بین این پارامترها تایید میشود‪.‬چرا که ی‪l‬ک نمون‪l‬ه وق‪l‬وع نقص‬
‫یتوان گفت‬
‫یکند‪ .‬در نتیجه م ‌‬
‫یشود که سیستم پیشنهادی به درستی آن را پیش بینی م ‌‬
‫در شرایط واقعی مشاهده م ‌‬
‫که این مطالعه یک رویکرد یکپارچه به منظور تشخیص وضعیت در حال کار‪ ،‬محلی سازی خطا و پیش‪ll‬گیری‬
‫یکند‪.‬‬
‫از وقوع حادثه را امکان‌پذیر م ‌‬
‫ستمهای نظارتی و تشخیصی کوره‌های ق‪ll‬وس الک‪ll‬تریکی بای‪l‬د ب‪ll‬ا در نظ‪ll‬ر‬
‫محققان در مطالعه ]‪ [4‬معتقدند که سی ‌‬
‫یهای خاص رژیم بارگذاری‪ ،‬ط‪ll‬راحی ش‪ll‬وند‪ .‬در نتیج‪ll‬ه‪ ،‬این‬
‫گرفتن ترکیب تجهیزات‪ ،‬شرایط سرویس و ویژگ ‌‬
‫یکند‪:‬‬
‫مطالعه به منظور طراحی سیستم پایش پیشنهادی خود از پارامترهایی به شرح زیر استفاده م ‌‬
‫‪)1‬وضعیت فنی ‪ :LVR‬از آنجا که سوئیچ کردن چند باره ‪LVR‬ها‪ ،‬تحت بار‪ ،‬منج‪ll‬ر ب‪ll‬ه خ‪ll‬رابی دائمی و ب‪ll‬اال‬
‫یشود‪ .‬بررسی عملکرد مستمر این پارامتر یکی از مهم‌ترین ملزومات سیستم پایش‬
‫رفتن ریسک وقوع حادثه م ‌‬
‫یباشد‪.‬‬
‫پیشنهادی م ‌‬
‫‪ )۲‬دمای روغن‪ :‬نظارت مداوم بر دمای روغن ض‪ll‬روری اس‪ll‬ت‪ ،‬چ‪ll‬را ک‪ll‬ه شناس‪ll‬ایی اف‪ll‬زایش سیس‪ll‬تماتیک دم‪ll‬ا‬
‫یکند‪.‬‬
‫تهای مخرب را امکان‌پذیر م ‌‬
‫ناشی از فعالی ‌‬
‫یش‪l‬وند ک‪l‬ه ان‪l‬دازه‌گیری‬
‫انه‪l‬ای روغن و آب خن‪l‬ک م ‌‬
‫‪ )3‬سیستم سرمایش‪ :‬ترانسفورماتورهای کوره توسط جری ‌‬
‫یتوان‪ll‬د اطالع‪ll‬ات مفیدی در رابط‪ll‬ه ب‪ll‬ا عملک‪ll‬رد درس‪ll‬ت ی‪ll‬ا نادرس‪ll‬ت‬
‫انه‪ll‬ا م ‌‬
‫فل‪ll‬و فش‪ll‬ار و دم‪ll‬ای این جری ‌‬
‫ترانسفورماتور فراهم کند‪.‬‬
‫‪ )4‬میزان رطوبت و ترکیب گازهای حل شده در روغن‪ :‬تغییرات دم‪ll‬ایی منج‪ll‬ر ب‪ll‬ه تغییر در م‪l‬یزان رط‪ll‬وبت‬
‫یش‪ll‬ود و از ط‪ll‬رف دیگ‪ll‬ر وج‪ll‬ود گازه‪ll‬ا‪ ،‬نش‪ll‬انه‌ای از وق‪ll‬وع فراین‪ll‬دهای مخ‪ll‬رب در روغن و ع‪ll‬ایق س‪l‬یم پیچ‬
‫م‌‬
‫نشانهای از شکست ق‪ll‬وی ب‪ll‬ا جری‪l‬ان (پدی‪ll‬ده ای‬
‫‌‬ ‫یتواند‬
‫یباشد‪ .‬به طور مثال مقادیر باالی هیدروژن و استیلن م ‌‬
‫م‌‬
‫در سیستمهای الکتریکی است که زمانی رخ میدهد که جریان الکتریکی ناگهان قطع شده و انرژی تجم‪ll‬ع یافت‪ll‬ه‬
‫در مدار به صورت یک تخلیه الکتریکی اتفاق بیافت‪ll‬د) باش‪ll‬د‪ ،‬ی‪l‬ا وج‪ll‬ود هیدروژن و هیدروکربن‌های س‪ll‬بک‌تر‬
‫نشانه‌ای از پدیده‌های تخلی‌های (فرآیندی است که در آن انرژی الکتریکی دریک نقطه خاص در ترانسفورماتور‬
‫یباشد‪ ،‬همچنین حجم قاب‪ll‬ل ت‪ll‬وجهی از مت‪ll‬ان و ات‪ll‬ان‪ ،‬نش‪ll‬انه گرم‪ll‬ای‬
‫به صورت جزیی یا محلی تخلیه میشود ) م ‌‬
‫یتوان‪l‬د‬
‫بیش از حد موضعی یا به وجود آمدن یک نقطه داغ میباش‪l‬د‪ .‬در نتیج‪l‬ه ان‪l‬دازه‌گیری م‪l‬یزان این گازه‪l‬ا م ‌‬
‫سیستم را در شناسایی بهتر خطرهای قریب الوقوع‪ ،‬کمک کند‪.‬‬
‫یتواند به تغییرات ارتعاش منجر شود‪ .‬در نتیج‪ll‬ه‪،‬‬
‫‪ )5‬نظارت بر پارامترهای ارتعاش‪ :‬تغییرات بار در نهایت م ‌‬
‫ژهای دارد‬
‫بررسی این پارامتر نیز در پایش ترانسفورماتور اهمیت وی ‌‬
‫‪ PD: )6‬مش‪lll‬ابه مطالع‪lll‬ه قبلی‪ ،‬در اینج‪lll‬ا ن‪lll‬یز از ‪ PD‬ب‪lll‬ه عن‪lll‬وان ی‪lll‬ک ف‪lll‬اکتور مهم در بررس‪lll‬ی س‪lll‬المت‬
‫یشود‬
‫ترانسفورماتور استفاده م ‌‬
‫مطالعه ]‪ ،[5‬حاوی داده‌های عملکرد کلی یک ک‪ll‬وره ق‪ll‬وس الک‪l‬تریکی و ب‪ll‬ه ط‪l‬ور خ‪l‬اص ترانس‪l‬فورماتورهای‬
‫یباشد‪ ،‬که استفاده از آن در سیستمهای پایش اهمیت داشته و میتواند ب‪ll‬ه عن‪ll‬وان دیتاس‪ll‬ت ب‪ll‬ه ک‪ll‬ار گرفت‪ll‬ه‬
‫کوره م ‌‬
‫شود‪.‬‬

‫‪7‬‬
‫یش‪l‬ود‪ .‬در‬
‫یهای رایج برای پایش زمان واقعی روغن ترانسفورماتورهای قدرت‪ ،‬ش‪l‬رح داده م ‌‬
‫در ]‪ [6‬استراتژ ‌‬
‫حالت کلی‪ ،‬یکی از راهبرده‪l‬ای پاس‪l‬خگو و قاب‪l‬ل اطمین‪l‬ان ب‪l‬رای ارزی‪l‬ابی تجه‪l‬یزات الک‪l‬تریکی پ‪l‬ر از روغن‪،‬‬
‫تجزیه و تحلیل گاز محلول در آن‪ )DGA( 7‬م ‌‬
‫یباش‪ll‬د‪ .‬ام‪ll‬روزه حس‪ll‬گرهای ش ‪l‬یمیایی ب‪ll‬ه عن‪ll‬وان ی ‪l‬ک ن‪ll‬وآوری‬
‫یرود ک‪ll‬ه‬
‫یش‪ll‬وند‪ .‬انتظ‪ll‬ار م ‌‬
‫کلیدی ب‪ll‬رای نظ‪ll‬ارت ب‪ll‬ر وض‪ll‬عیت س‪ll‬المت ترانس‪ll‬فورماتورها در نظ‪ll‬ر گرفت‪ll‬ه م ‌‬
‫ستمهای پ‪l‬ایش تجه‪l‬یزات‬
‫کهای ‪ DGA‬مبتنی بر حسگرهای شیمیایی کم هزینه‪ ،‬به طور چشمگیری در سی ‌‬
‫تکنی ‌‬
‫الکتریکی حاوی روغن افزایش یابد‪.‬‬
‫بن‪lll‬ا ب‪lll‬ه مطالع‪lll‬ه ]‪ ،[6‬اس‪lll‬تفاده از دو حس‪lll‬گر‪ ،‬یکی اختصاص‪lll‬ی ب‪lll‬رای تش‪lll‬خیص گ‪lll‬از محل‪lll‬ول در روغن‬
‫یتوان‪ll‬د عملک‪ll‬رد‬
‫ترانسفورماتور و دیگری غیر اختصاصی برای شرایط محیطی نزدیک به ترانس‪ll‬فورماتور‪ ،‬م ‌‬
‫س‪ll‬تمهای ‪ DGA‬و‬
‫یه‪ll‬ای عملیاتی سی ‌‬
‫آن را بهب‪ll‬ود ببخش‪ll‬د‪ .‬در ادام‪ll‬ه این مطالع‪ll‬ه‪ ،‬پس زمین‪ll‬ه کلی و راهنمای ‌‬
‫دگاهها و چالش‌ه‪ll‬ای‬
‫‪l‬رفتهای اخ‪l‬یر‪ ،‬دی‪‌ l‬‬
‫روش‌های تشخیص و تفسیر نتایج آنه‪ll‬ا ش‪ll‬رح داده ش‪ll‬ده و در پای‪l‬ان پیش‪‌ l‬‬
‫یشود‪.‬‬
‫ستمهای پایش‪ ،‬بیان م ‌‬
‫تحقیقاتی آینده برای توسعه این نوع از سی ‌‬
‫یده‪l‬د‪ .‬ب‪l‬ه‬
‫ستمهای اج‪l‬را ش‪l‬ده ب‪l‬ر روی ترانس‪l‬فورماتورهای ‪ OJCS‬را ارائ‪l‬ه م ‌‬
‫مطالعه ]‪ ،[7‬خالصه‌ای از سی ‌‬
‫عالوه این پژوهش‪ ،‬ترانسفورماتورهای مجموعه تولید برق نیروگاه حرارتی که به سیستم پ‪ll‬ایش مجه‪ll‬ز هس‪ll‬تند‬
‫را بررسی و همراه با روش‌های تش‪ll‬خیص فهرس‪ll‬ت میکن‪ll‬د‪ ،‬و درنه‪ll‬ایت‪ ،‬ی‪l‬ک س‪ll‬اختار سیس‪ll‬تم یکپارچ‪ll‬ه ارائ‪ll‬ه‬
‫یدهد‪ .‬سیستم پایش اشاره شده در این مطالعه نیز مبتنی بر کنترل شرایط روغن و یک آنالیزور هیدران ‪M2‬‬
‫م‌‬
‫برای شناسایی گازهای محلول در روغن بود‪ .‬با این حال در این پژوهش بیان میشود که توسعه روش‌هایی ب‪ll‬ه‬
‫یهای تشخیص‪l‬ی اس‪l‬تفاده ش‪l‬ده ک‪l‬اری چ‪l‬الش‬
‫منظور شناسایی دقیق و محلی خطا با استفاده از پارامترها و ویژگ ‌‬
‫یباشد‪.‬‬
‫برانگیز م ‌‬
‫بررسی مطالع‪l‬ات مختل‪l‬ف نش‪l‬ان داد ک‪l‬ه اک‪l‬ثر پژوهش‌ه‪l‬ای ص‪l‬ورت گرفت‪l‬ه در ح‪l‬وزه روش‌ه‪l‬ای س‪l‬نتی پ‪l‬ایش‬
‫ترانسفورماتور کوره‪ ،‬بوده اس‪l‬ت‪ .‬ب‪l‬ا این ح‪l‬ال ب‪l‬رخی مطالع‪l‬ات مانن‪l‬د ]‪ [8‬ب‪l‬ه اس‪l‬تفاده از ه‪l‬وش مص‪l‬نوعی در‬
‫ستمهای پایش خود روی آورده‌اند‪ .‬در این مطالعه‪ ،‬یک الگ‪l‬وریتم پ‪l‬ایش مس‪l‬تمر مبت‪l‬نی ب‪l‬ر روش‌ه‪l‬ای تخمین‬
‫سی ‌‬
‫شبکه عصبی برای پارامترهای مدار قدرت‪ ،‬مدل ریاض‪l‬یاتی دقیق م‪l‬دار ق‪l‬درت‪ ،‬ش‪l‬کاف‌های ق‪l‬وس الک‪l‬تریکی‬
‫سنسورهای اولیه مختصات کوره قوس الکتریکی‬
‫و روش محاسبه ولتاژ‌های قوس الکتریکی‪ ،‬با استفاده از ادغام عددی سیس‪ll‬تم مع‪ll‬ادالت دیفرانس ‪l‬یل غ ‪l‬یر خطی‪،‬‬
‫یشود‪.‬‬
‫پیشنهاد م ‌‬
‫ساختار و الگوریتم پایش مستمر ولتاژ‪ ،‬در این مطالعه‪ ،‬بر اساس اص‪l‬ول شناس‪l‬ایی پارامتره‪ll‬ای ش‪l‬بکه عص‪l‬بی‬
‫ایجاد شده است‪ .‬همچنین مدل عددی سیستم پایش ولتاژ قوس ایج‪ll‬اد و دقت پ‪ll‬ایش ولت‪ll‬اژ لحظه‌ای م‪ll‬ورد مطالع‪ll‬ه‬
‫یگیرد‪،‬‬
‫قرار م ‌‬
‫یش‪ll‬ود ک‪ll‬ه این‬
‫به عبارت دیگر‪ ،‬یک مدل ریاضیاتی محاسبه عملیاتی مقادیر ولتاژ قوس لحظه‌ای توس‪ll‬عه داده م ‌‬
‫یگیرد‪(.‬به ط‪ll‬ور م‪ll‬داوم توس‪ll‬ط‬
‫مدل مقادیر جریان پارامترهای اتصال کوتاه کوره قوس الکتریکی را در نظر م ‌‬
‫یده‪ll‬د ک‪ll‬ه در اث‪ll‬ر اس‪l‬تفاده از این‬
‫یش‪l‬ود)‪ .‬نت‪ll‬ایج پای‪l‬انی نش‪l‬ان م ‌‬
‫شبکه عصبی در طول فراین‪ll‬د ذوب شناس‪l‬ایی م ‌‬
‫یهای ولتاژ بهبود یافته است‪.‬‬
‫سیستم‪ ،‬دقت اندازه‌گیر ‌‬

‫‪7‬‬
‫‪Dissolved Gas analysis‬‬

‫‪8‬‬
‫مطالعه ]‪ ،[9‬با پیاده سازی منطق فازی‪ ،‬سعی در پایش وضعیت عایق ترانسفورماتور دارد‪ .‬به عقیده محقق‪ll‬ان‬
‫این مطالعه‪ ،‬مفهومی به نام ترانسفورماتورهای هوشمند‪ ،‬امروزه بسیار م‪l‬ورد توج‪l‬ه ق‪l‬رار گرفت‪l‬ه اس‪l‬ت‪ .‬ه‪l‬دف‬
‫اصلی این مطالعه‪ ،‬ایجاد یک سیستم خبره برای تشخیص شکست عایق و ارزیابی خطرات ناشی از آن عن‪ll‬وان‬
‫میشود‪.‬‬
‫بدین منظور از تجزیه و تحلیل روند تخلیه جزئی‪ ،‬بر روی یک ترانس‪ll‬فورماتور ‪ ۲۶‬مگ‪ll‬او ولت آم‪ll‬پری نص‪ll‬ب‬
‫یشود‪ .‬ترانسفورماتورها مجهز ب‪ll‬ه ی ‪l‬ک‬
‫شده بر روی یک کوره مالقه‌ای در یک کارخانه فوالدسازی استفاده م ‌‬
‫یکند‪.‬‬
‫سیستم نظارت شده‪ ،‬بوده و به طور مداوم بار ظاهری و شدت ‪ PD‬را اندازه‌گیری م ‌‬
‫یهای عم‪ll‬ومی ش‪ll‬ناخته ش‪ll‬ده‪،‬‬
‫هدف شناسایی وضعیت ترانسفورماتور و برچسب گذاری آن ب‪ll‬ا یکی از دس‪ll‬ته‌بند ‌‬
‫یشود‪.‬‬
‫تمهای فازی در پردازش‌های ریاضیاتی استفاده م ‌‬
‫یباشد‪ .‬در این کار‪ ،‬الگوری ‌‬
‫عادی‪ ،‬ضعیف و بحرانی م ‌‬
‫هدف این کار‪ ،‬خالصه کردن مجموعه‌ای از پارامترهایی ک‪ll‬ه ح‪l‬الت تش‪l‬خیص دارن‪ll‬د در ی‪l‬ک ش‪l‬اخص ب‪ll‬ه ن‪ll‬ام‬
‫شاخص وضعیت عایق بود‪.‬‬
‫در نهایت سیستم پایش تشکیل شده بر روی روندهایی که در آنها وض‪l‬عیت ترانس‪l‬فورماتور از ح‪l‬الت ع‪l‬ادی ب‪l‬ه‬
‫یسازی خط‪ll‬ا را ن ‪l‬یز نش‪ll‬ان‬
‫یکرد‪ ،‬آزمایش شد‪ .‬به عالوه این سیستم یک مثال عملی از محل ‌‬
‫بحرانی تنزل پیدا م ‌‬
‫یش‪ll‬ود ک‪ll‬ه سیس‪ll‬تم توس‪ll‬عه داده ش‪ll‬ده در این مطالع‪ll‬ه در‬
‫داد‪ .‬در پایان نتایج امیدوار کننده ذک‪ll‬ر ش‪ll‬ده و پیش‪ll‬نهاد م ‌‬
‫ستمهای خبره برای پایش در ترانسفورماتورهای ولتاژ باال استفاده شود‪.‬‬
‫سی ‌‬
‫استفاده از هوش مصنوعی فقط به سیستم پایش ترانسفورماتورهای کور محدود نش‪ll‬ده و ب‪ll‬رخی مطالع‪ll‬ات از آن‬
‫برای خود کوره قوس الکتریکی نیز استفاده کرده‌اند‪ .‬به طور مثال ]‪ [10‬از یک مدل کوره قوس الک‪ll‬تریکی ب‪ll‬ا‬
‫استفاده از سیستم استنتاج عصبی فازی تط‪ll‬بیقی‪ ،)ANFIS(8‬ب‪ll‬ه منظ‪ll‬ور ثبت الگوه‪ll‬ا ی ب‪ll‬ار تص‪ll‬ادفی غ‪l‬یر‬
‫یکن‪ll‬د ‪ .‬ب‪ll‬رای ارزی‪l‬ابی سیس‪ll‬تم پیش‪ll‬نهاد ی‪ ،‬از چن‪ll‬دین‬
‫خطی و متغ یر با زماندر یک کوره ق‪ll‬وس اس‪ll‬تفاده م ‌‬
‫یشود ‪.‬‬
‫مطالعه موردی با داده‌های واقع ی ثبت شده از کارخانه متالوژ ی استفاده م ‌‬
‫یا به عنوان نمونه دیگر در ]‪ ،[11‬مطالعه کاربردی جدیدی از یک سیستم کنترل مبتنی بر ژنتیک و فازی ک‪ll‬ه‬
‫یش‪ll‬ود‪ .‬ب‪ll‬ا تغییر پیوس‪ll‬ته‬
‫یکن‪ll‬د‪ ،‬ش‪ll‬رح داده م ‌‬
‫انرژی ورودی به یک کوره قوس الکتریکی سه ف‪ll‬از را کن‪ll‬ترل م ‌‬
‫سطح شارژ‪ ،‬الکترودها باید بتوانند طول قوس را تنظیم کنند تا ثبات ایجاد کنند‪ .‬بدین منظور ی‪l‬ک کن‪ll‬ترل کنن‪ll‬ده‬
‫یشود که مسئول تنظیم عمودی جابجایی نوک الک‪ll‬ترود ب‪ll‬ا توج‪ll‬ه ب‪ll‬ه‬
‫تمهای ژنتیک استفاده م ‌‬
‫‪ PI‬فازی با الگوری ‌‬
‫یباش‪l‬د‪ ،‬ت‪ll‬ا در نه‪ll‬ایت این اطمین‪ll‬ان حاص‪l‬ل ش‪l‬ود ک‪ll‬ه ط‪l‬ول ق‪ll‬وس ت‪ll‬ا ح‪l‬د ممکن ث‪ll‬ابت اس‪l‬ت‪.‬‬
‫نق‪l‬اط تنظیم ش‪l‬ده م ‌‬
‫یکنند که نتایج شبی‌هسازی عملکرد رضایت بخشی از مدل را نشان داده است‪.‬‬
‫نویسندگان در پایان ذکر م ‌‬
‫یگذرد‪ ،[12] ،‬یک مدل تشخیص شرایط کاری ب‪l‬رای‬
‫به عنوان مطالعه‌ای که کمتر از یک سال از انتشار آن م ‌‬
‫یده‪ll‬د‪ .‬ب‪ll‬دین منظ‪ll‬ور ابت‪ll‬دا ی‪l‬ک‬
‫کوره ذوب منیزیم‪ ،‬مبتنی بر پیکربندی تصادفی و ی‪l‬ادگیری تقوی‪l‬تی را ارائ‪ll‬ه م ‌‬
‫روش ترکیبی افزایش داده‌های مولد و غیر مولد برای به دست آوردن داده‌های نمونه با کیفیت ب‪ll‬اال و هم‪ll‬راه ب‪ll‬ا‬
‫یشود‪.‬‬
‫یهای شاخص‪ ،‬استفاده م ‌‬
‫ویژگ ‌‬
‫یشود‪.‬‬
‫یهای محلی چند مقیاسی استخراج م ‌‬
‫در مرحله دوم بر اساس‪ ،ResNext‬ویژگ ‌‬

‫‪8‬‬
‫‪adaptive network-based fuzzy inference system‬‬

‫‪9‬‬
‫در مرحله سوم بر اساس مکانیزم خود توجهی شبکه عصبی ترنس‪l‬فورمر‪ ،‬ش‪l‬بکه تش‪l‬خیص ش‪l‬رایط ک‪l‬اری چن‪l‬د‬
‫یه‪ll‬ای ت‪ll‬رکیب ش‪ll‬ده س‪ll‬پس ب‪ll‬ه ش‪ll‬بکه پیکربن‪ll‬دی آش‪ll‬وبی‪ SCN 9‬داده‬
‫یش‪ll‬ود‪ .‬ویژگ ‌‬
‫وجهی کوره منیزیم ساخته م ‌‬
‫یشود تا یک معیار طبقه‌بندی برای شرایط ک‪l‬اری غ‪l‬یر ع‪l‬ادی ک‪l‬وره من‪l‬یزیم ب‪l‬ا ق‪l‬ابلیت تعمیم ایج‪l‬اد ش‪l‬ود‪ .‬در‬
‫م‌‬
‫نهایت نیز از یادگیری تقویتی برای اصالح عملکرد خودکار و کاهش مستمر خطای سیستم پیش‪ll‬نهادی‪ ،‬اس‪ll‬تفاده‬
‫تمهای مرتبط‬
‫یدهد که مدل استفاده شده در این مطالعه‪ ،‬نسبت به تمام الگوری ‌‬
‫یشود‪ .‬نتایج آزمایشگاهی نشان م ‌‬
‫م‌‬
‫پیش از خود برتری دارد‪.‬‬

‫‪ )5‬روش های پیشنهادی‬

‫‪ )a‬راهکار مورد نظر برای انجام پروژه‬
‫در یک شماتیک کلی‪ ،‬انجام کار به شکل زیر پیشنهاد میشود‪:‬‬
‫‪-1‬جمع آوری داده‪ :‬تعبیه سنسورهای مناسب در مکانهای مشخص‪ ،‬به منظور ثبت داده یا استفاده از ی‪ll‬ک منب‪ll‬ع‬
‫داده‪.‬‬
‫‪-1‬پیش پردازش‪ :‬انجام اقدامات ابتدایی مانند حذف نویز‬
‫‪-2‬تقسیم بندی دادهها به سه گروه آموزش‪ ،‬راستی آزمایی و آزمون‪.‬‬
‫‪ -3‬استخراج ویژگی‪ :‬استخراج ویژگیهای طیفی‪ ،‬زمانی‪ ،‬فضایی برای هر سری زمانی (داده)‬
‫‪-4‬مهندسی ویژگی‪ :‬انتخاب نمایش های مختلف از ویژگی های استخراج شده و انتخاب بردار ویژگی که به‬
‫بهترین عملکرد مدل منجر میشود‪.‬‬
‫‪ -5‬آموزش شبکه ‪ :LSTM‬با استفاده از دادههای آموزش‪ ،‬شبکه آموزش میبیند تا وابستگی و الگوهای بین‬
‫دادهها را درک کند‬
‫‪-6‬تابع هزینه‪ :‬تعریف یک تابع از جنس خطا‪ ،‬که ضرایب شبکه را در جهت کاهش خطا‪ ،‬تغییر میدهد‪.‬‬
‫‪-7‬ارزیابی‪ :‬در گام آخر ارزیابی نتایج حاصل به وسیله سه معیار‪ ،‬دقت‪ ،‬بازخوانی و نمره ‪ F1‬صورت می‬
‫پذیرد‪.‬‬

‫‪ )b‬معیار ارزیابی موفقیت تحقیق‬

‫عملکرد سیستم از دو جنبه کلی‪ ،‬مورد ارزیابی قرار میگیرد‪ .‬در حالت اول‪ ،‬با استفاده از سه معیار رایج برای‬
‫ارزیابی شبکه های عصبی‪ ،‬شامل دقت‪ ،10‬بارخوانی ‪ 11‬و نمره افوان‪ ، 12‬نتایج مورد بررسی قرار می‪-‬‬
‫گیرد‪.‬‬

‫دقت (‪:)precision‬‬
‫این شاخص‪ ،‬دقت پیش بینی های مثبت را اندازه گیری می کند که در مورد پژوهش حاضر می شود تعداد‬
‫ناهنجاری هایی که به درستی ناهنجاری تشخیص داده شده اند‪ .‬مقدار این پارامتر در حقیقت نرخ پیش بینی‬
‫های مثبت درست به تمام پیش بینی های مثبت یک سیستم (مدل) می باشد‪ ،‬یعنی‪:‬‬
‫‪)1‬‬

‫بازخوانی (‪)Recall‬‬
‫‪9‬‬
‫‪stochastic configuration networks‬‬
‫‪10‬‬
‫‪Precision‬‬
‫‪11‬‬
‫‪Recall‬‬
‫‪12‬‬
‫‪F1 score‬‬

‫‪10‬‬
 ‫این شاخص عملکرد یک سیستم در تشخیص تمام مثبت های واقعی را می سنجد که در مورد کار حاضر می‬
‫شود تشخیص تمام ناهنجاری ها‪ ،‬فارغ از اینکه در چه کالسی تشخیص داده شده باشند‪ .‬در تشخیص ناهنجاری‬
‫داده ها‪ ،‬عدم تشخیص یک ناهنجاری‪ ،‬می تواند هزینه زیادی در پی داشته باشد‪ ،‬لذا اهمیت این معیار ارزیابی‬
‫غیرقابل انکار است‪ .‬مقدار این شاخص در حقیقت نرخ پیش بینی های مثبت به تمام نمونه های واقعی مثبت‬
‫(واقعا ناهنجاری هستند) در مجموعه داده تحت آزمایش می باشد‪.‬یعنی‪:‬‬
‫‪)2‬‬

‫نمره )‪F1 (F1 score‬‬

‫این شاخص دو معیار قبلی را با هم ترکیب کرده و یک توازن بین آن ها ایجاد می کند‪ .‬این پارامتر برای حالتی‬
‫که در کالس ها توزیع غیر یکسان وجود دارد و همچنین به منظور درک این موضوع که آیا مدل بر روی‬
‫اکثریت بیش از حد تاکید دارد یا خیر‪ ،‬استفاده می شود‪ .‬مقدار این شاخص میانگین هارمونیک دو معیار قبلی‬
‫است‪ .‬یعنی‪:‬‬
‫‪)3‬‬

‫در حالت دوم‪ ،‬به منظور ایجاد توانایی مقایسه‪ ،‬نتایج حاصل با مطالعات بررسی شده در قسمت مرور منابع‪،‬‬
‫مقایسه می شود‪.‬‬

‫‪11‬‬
 ‫برنامه زمانبندی شده انجام پایان نامه‬

‫‪12‬‬ ‫‪11‬‬ ‫‪10‬‬ ‫‪9‬‬ ‫‪8‬‬ ‫‪7‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫مدت (ماه)‬ ‫فعالیت‬

‫‪2‬‬ ‫آشنایی با مجموعه داده‌ه‪gg‬ا و‬

‫آماده سازی ه‪gg‬ر بخش ب‪gg‬رای‬
‫مدل‬

‫‪5‬‬ ‫پیاد ‌ه‌س‪gggggggg‬ازی معم‪gggggggg‬اری‬

‫پیشنهادی‬

‫‪2‬‬ ‫ارزی ‪g‬ابی معم‪gg‬اری پیش‪gg‬نهادی‬

‫با روش‌های قبلی‬

‫‪3‬‬ ‫نگارش پایان‌نامه‬

‫‪12‬‬
 ‫منابع و ماخذ‬
[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.

[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.

13
[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.

14