Professional Documents
Culture Documents
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..........................................................................................................................
)3تاریخچه5.......................................................................................................................
)4ویژگی پروژه5................................................................................................................
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
--------------
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؟
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
-----
)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.
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
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
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.
[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.
[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