این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
محاسبات نرم، جلد ۹، شماره ۱، صفحات ۲-۱۳
عنوان فارسی طبقه‌بندی عیوب ترانسفورماتور با استفاده از تحلیل پاسخ فرکانسی بر پایه تکنیک همبستگی متقابل و ماشین بردار پشتیبان
چکیده فارسی مقاله یکی از مهم‌ترین روش‌های تشخیص عیب در ترانسفورماتورها (خصوصاً عیوب مکانیکی) روش تحلیل پاسخ فرکانسی (FRA) است. مهم‌ترین گام در فرآیند تشخیص عیب به کمک FRA، متمایزکردن عیوب و قراردادن آن‌ها در کلاس‌های متفاوت است. در این مقاله از روش هوشمند ماشین بردار پشتیبان (SVM) برای طبقه‌بندی عیوب ترانسفورماتور استفاده می‌شود. برای این منظور، دو گروه از ترانسفورماتورها مورد آزمایش قرار گرفته است. ابتدا آزمایش‌های لازم بر روی ترانسفورماتورهای مدل تحت شرایط سالم و تحت شرایط عیوب مختلف (جابجایی محوری، تغییر شکل شعاعی، تغییر فاصله بین بشقاب‌ها، اتصال کوتاه بین بشقاب‌ها و تغییر شکل هسته) انجام می‌شود. سپس با تقسیم‌بندی بازه‌های فرکانسی توابع تبدیل اندازه‌گیری شده از ترانسفورماتور، یک مشخصه جدید مبتنی بر تکنیک همبستگی متقابل برای آموزش و اعتبارسنجی SVM پیشنهاد می‌شود. بعد از انجام فرآیند آموزش، با اعمال داده‌های به‌دست‌آمده از ترانسفورماتورهای واقعی، عملکرد SVM در حالت‌های مختلف مورد ارزیابی و مقایسه قرار گرفته و مناسب‌ترین شاخص ارائه می‌شود.
کلیدواژه‌های فارسی مقاله ترانسفورماتور، تحلیل پاسخ فرکانسی، ماشین بردار پشتیبان، تشخیص عیب، تکنیک همبستگی متقابل،
عنوان انگلیسی Classification of transformer faults using frequency response analysis based on cross-correlation technique and support vector machine
چکیده انگلیسی مقاله One of the most important methods for transformers fault diagnosis (especially mechanical defects) is the frequency response analysis (FRA). The most important step in the FRA diagnostic process is to differentiate the faults and classify them in different classes. This paper uses the intelligent support vector machine (SVM) method to classify transformer faults. To this end, two groups of transformers were tested and necessary measurements were obtained; the transformers with healthy conditions and the ones with various fault conditions (axial displacement, radial deformation, disc space variation, short-circuits, and core deformation). Then, by dividing the frequency intervals of the measurements, a new feature based on the cross-correlation technique was proposed for SVM training and validation. After the training process, by applying the data obtained from actual transformers, the performance of SVM in different conditions was evaluated and compared. Finally, the most appropriate feature was presented.
کلیدواژه‌های انگلیسی مقاله ترانسفورماتور, تحلیل پاسخ فرکانسی, ماشین بردار پشتیبان, تشخیص عیب, تکنیک همبستگی متقابل
نویسندگان مقاله مهدی بیگدلی |
دانشکده فنی و مهندسی، گروه مهندسی برق، دانشگاه آزاد اسلامی واحد زنجان، زنجان، ایران

نشانی اینترنتی https://scj.kashanu.ac.ir/article_111448_4c7a72794138438262d07e179386d46c.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات