تشخيص هوشمند خطا در بوبين‌هاي كليدهاي قدرت مبتني بر شبيه‌سازي چندفيزيكه

كليدهاي قدرت نقش بسزايي بر پايداري شبكه برق و رفع سريع خطا در اين شبكه دارند. بنابراين، پايش مستمر اين تجهيزات بحراني به منظور تشخيص خرابي هاي متداول الزامي است. در اين صورت، مي‌توان از خطاهاي احتمالي و قطعي ناخواسته در شبكه برق جلوگيري كرد. در اين مقاله، امكان پايش كليدهاي قدرت و تشخيص و دسته‌بندي خطاها به واسطه هوش مصنوعي (AI) بررسي مي‌شود. در اين رويكرد امكان پيشگيري از وقوع خطا وجود خواهد داشت كه باعث كاهش هزينه هاي نگهداري خواهد شد. به همين منظور پايش عملكرد كليدهاي قدرت، با استراتژي نگهداري مبتني بر وضعيت (CBM) و استفاده از سيگنال جريان بوبين (CC) وصل/قطع براي يك ساختار واقعي از كليد 72.5 كيلوولتي ارائه مي‌گردد كه با بهره مندي از آن امكان تشخيص و پيش بيني خطا در بخش هاي مختلف كليد شامل منبع تغذيه، سيم‌بندي سيم پيچ ها، ضامن و كنتاكت هاي كمكي وجود دارد. با شبيه‌سازي بوبين كليد در نرم افزار COMSOL Multiphysics و اتصال آن به نرم افزار MATLAB، طيف گسترده‌اي از خطاهاي موردنظر شبيه سازي شده و داده هاي لازم براي آموزش الگوريتم‌هاي يادگيري ماشين (ML) تامين مي شود، الگوريتم‌هاي مورد استفاده كه وظيفه تشخيص خطا را برعهده دارند، عبارتند از: رگرسيون منطقي، ماشين بردار پشتيبان (SVM)، درخت تصميم گيري و K-نزديك‌ترين همسايه (KNN) . به اين ترتيب مي‌توان انواع خطاهاي ممكن را تشخيص داد و طبقه‌بندي نمود. نتايج نشان مي‌دهد كه از ميان الگوريتم‌هاي فوق، الگوريتم SVM به علت همپوشاني زياد داده ها عملكرد مناسبي نداشته و بيشترين دقت مربوط به الگوريتم KNN مي‌باشد، بنابراين اين الگوريتم براي سيستم تشخيص خطا انتخاب مي‌گردد.   [1]. Artificial Intelligence [2]. Condition-Based Maintenance [3]. Coil Current [4]. Latch [5]. Machine Learning [6]. Logistic Regression [7]. Support Vector Machine (SVM) [8]. Decision Tree (DT) [9]. K-Nearest Neighbors (KNN)