کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
11509115 1437553 2000 13 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Hydroelectric power plant management relying on neural networks and expert system integration
ترجمه فارسی عنوان
مدیریت نیروگاه برق آبی با تکیه بر شبکه های عصبی و ادغام سیستم های خبره
کلمات کلیدی
نگهداری پیشگویانه - شبکه های عصبی - تعیین میزان بردار آموزش - ایستگاه های برق - سیستم های کارشناسی -
فهرست مطالب مقاله
چکیده
1. مقدمه
2. معماری سیستم
شکل 1. رابط سیستم مانیتورینگ.
شکل 2. معماری پیش بینی کننده سیستم
شکل 3 نمودار جریان داده بین ماژول ها.
شکل 4. رابط سیستم پیش بینی کننده.
3. معادلات ART و LVQ
3.1 ART
شکل 5. معماریART.
3.2طرح عملیاتی کامل سیستم به شرح زیر است.
شکل 6. معماری سلول های ماکرو FA.
4. اکتساب اطلاعات
4.1 اکتساب اطلاعات حالت داخلی
شکل 7: یک گروه تولید کننده شامل یک جایگزین "A" و توربین "B" است. نقاط اکتساب آکوستیک به عنوان M1، M2، H1 نامگذاری می شوند
جدول 1. تجزیه یک گروه تولیدی
4.2 اکتساب اطلاعات آکوستیک
شکل 8. مجموعه ای از طیفFFT، نشان دهنده یکی از رژیم های عادی در گروه 3 است.
5.سیستم پیش بینی کننده: سیستم خبره و عصبی
جدول 2. وضعیت های قدرت برای به دست آوردن داده های صوتی اولیه استفاده می شود
6. پیش بینی آکوستیک شبکه عصبی
شکل 9. شرح روند آموزش ویژه
7. عملکرد سیستم در یک نیروگاه برق آبی: نتایج نهایی
شکل 10. آلارم دروغین در نیروگاه برق آبی: سیستم پیش بینی،NNPM و سیستم متخصص.
شکل 11. آلارم دروغین در یک نیروگاه برق آبی: اپراتور انسان، سیستم پیش بینی و NNAP.
شکل 12. هشدارهای دروغین در یک نیروگاه برق آبی.
ترجمه چکیده
استفاده از شبکه های عصبی (NN) یک رویکرد جدید است که می تواند در تصمیم گیری در هنگام یکپارچگی در یک سیستم عمومی تر، به ویژه با سیستم های خبره، مفید باشد. در این مقاله معماری مدیریت نیروگاه های برق آبی معرفی شده است. این امر به نظارت بر تعداد زیادی از سیگنال ها متکی است و نشان دهنده پارامترهای فنی نیروگاه واقعی است. معماری کلی متشکل از سیستمخبره و دو ماژول NN است: پیش بینی آکوستیک (NNAP) و تعمیر و نگهداری پیش بینی کننده (NNPM). ماژول NNAP براساس شبکه (LVQ) اندازه گیری بردار یادگیری کوهونن است و به منظور تشخیص صداهایی که توسط گروههای تولید کننده برق تولید می شود، طراحی شده است. NNPM از یکART-MAP برای شناسایی موقعیت های مختلف متغیرهای حالت نیروگاه استفاده می کند تا از ناهنجاری های آینده جلوگیری کند. علاوه بر این،یک فرآیند ویژه برای تولیدیک مجموعه آموزش کامل برای ماژول ART-MAP طراحی شده است. این فرآیند برای رسیدگی به فقدان اطلاعات در مورد وضعیت های غیر طبیعی نیروگاه توسعه داده شده است و بر اساس شبکه های عصبی آموزش دیده با الگوریتم انتشار رو به عقب است. © 2000 Elsevier Science Ltd. کلیه حقوق محفوظ است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
مدیریت نیروگاه برق آبی با تکیه بر شبکه های عصبی و ادغام سیستم های خبره
چکیده انگلیسی
The use of Neural Networks (NN) is a novel approach that can help in taking decisions when integrated in a more general system, in particular with expert systems. In this paper, an architecture for the management of hydroelectric power plants is introduced. This relies on monitoring a large number of signals, representing the technical parameters of the real plant. The general architecture is composed of an Expert System and two NN modules: Acoustic Prediction (NNAP) and Predictive Maintenance (NNPM). The NNAP is based on Kohonen Learning Vector Quantization (LVQ) Networks in order to distinguish the sounds emitted by electricity-generating machine groups. The NNPM uses an ART-MAP to identify different situations from the plant state variables, in order to prevent future malfunctions. In addition, a special process to generate a complete training set has been designed for the ART-MAP module. This process has been developed to deal with the absence of data about abnormal plant situations, and is based on neural nets trained with the backpropagation algorithm.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Engineering Applications of Artificial Intelligence - Volume 13, Issue 3, 1 June 2000, Pages 357–369
نویسندگان
, , , ,