سیدامیرحسین موسوی - کارشناس ارشد مهندسی کامپیوتر- هوش مصنوعی، دانشگاه سجاد
جواد حمیدزاده - دانشیار گروه مهندسی کامپیوتر، دانشگاه سجاد

کاهش هزینه ها و افزایش بهره وری یکی از مهم ترین هدف هایی است که سازمان های تجهیزمحور دنبال می نمایند. روش متداول نگهداری و تعمیرات پیشگیرانه است، زمان بندی تعمیرات انجام شده در سرویس و نگهداری پیشگیرانه غالبا سخت گیرانه تدوین می شود، به این معنی که غالبا قبل از اتمام عمر مفید باقیمانده قطعات یدکی نسبت به تعویض آن ها اقدام می گردد. با توجه به محل نصب توربین های بادی خصوصا در توربین های فراساحلی، معضلات ارتفاعی و گرانی قطعات یدکی و نیروی انسانی متخصص از طرفی زمان انجام تعمیرات که توربین از مدار سرویس دهی خارج می شود، تعمیرات پیشگیرانه این تجهیزات با هزینه های گزافی انجام می شود. هدف این مقاله شناسایی پیش آگهی های خرابی است، تا با پیش بینی خرابی، انجام عملیات تعمیرات در زمان لازم (پیش بینانه) و نه زودتر (پیشگیرانه) انجام شود تا باعث کاهش هزینه های نگهداری و تعمیرات گردد. در این مقاله به شناسایی پیش آگهی های خرابی یاتاقان ژنراتور و یاتاقان گیربکس توربین بادی می پردازیم. چهارچوب پیشنهادی به این صورت است که دمای یاتاقان ژنراتور و دمای یاتاقان توربین با استفاده از ورودی های دمای ناسل، سرعت روتور، توان اکتیو، دمای محیط بیرون، دمای روغن، سرعت ژنراتور و دمای استاتور ژنراتور در بازه زمانی با استفاده از الگوریتم یادگیری عمیق GRU مدل سازی می شود. مقدار دمای پیش بینی شده مدل با مقدار واقعی اندازه گیری شده توسط سنسور مقایسه می شود، و اختلاف بیشتر از حد آستانه، به عنوان پیش آگهی خرابی در نظر گرفته می شود. در مرحله مقایسه، نتایج روش پیشنهادی با مطالعات پیشین و مجموعه های داده واقعی مقایسه شده و بهبود صحت مدل سازی و تسریع در شناسایی پیش آگهی خرابی را نشان داده می شود.

یادگیری عمیق، توربین بادی، نگهداری و تعمیرات پیش بینانه، پیش آگهی خرابی، GRU