بهره گیری از یادگیری انتقالی برای مکان یابی فاز معیوب و شناسایی خطای یاتاقان در موتورهای الکتریکی با استفاده از شبکه ی عصبی ترنسفورمر

در این پژوهش، از مدل آموزش دیده ی قبلی مبتنی بر شبکه عصبی ترنسفورمر برای تشخیص شدت خطای اتصال کوتاه دور به دور استفاده شده است و با به کارگیری یادگیری انتقالی (Transfer Learning) و تنظیم دقیق (Fine-tuning)، این مدل برای کاربردهای جدیدی توسعه داده شده است. دو مدل با قابلیت های متفاوت در تشخیص خطا ارائه شده اند: مدل اول برای مکان یابی فاز معیوب و مدل دوم برای شناسایی انواع خطاهای یاتاقان در موتورهای الکتریکی. به منظور ارزیابی عملکرد معماری پیشنهادی، مدل تشخیص خطای یاتاقان با استفاده از داده های آزمایشگاهی آموزش داده شده و نتایج حاصل از آن مورد بررسی و گزارش قرار گرفته است. شبکه ی منبع از سیگنال های جریان در قاب مرجع آلفا-بتا به عنوان ورودی استفاده کرده و با بهره گیری از سازوکار توجه چندسر، ویژگی های مهم را استخراج و خروجی های دقیقی تولید می کند. در شبکه ی انتقال یافته برای تشخیص خطای یاتاقان، از جریان های فاز a و b استفاده شده است. فرآیند انتقال یادگیری شامل قفل کردن لایه های رمزگذار اصلی و آموزش مجدد لایه های انتهایی (لایه ی طبقه بند) برای مساله ی جدید است که منجر به کاهش بار محاسباتی و بهبود دقت پیش بینی می شود. تشخیص خطاهای یاتاقان با استفاده از یک مجموعه داده شامل ۱۰ کلاس مختلف از خطاها اعتبارسنجی شده است و دقت پیش بینی بالای ۹۵٪ گزارش شده است.

Keywords:

فاز معیوب , شناسایی خطای یاتاقان , موتورهای الکتریکی , شبکه ی عصبی ترنسفورمر