دانلود رایگان ترجمه مقاله سیستم شناسایی برای تشخیص خطا (ساینس دایرکت – الزویر 2015)

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

در [47] نویسندگان مجموعه ای از الگوریتم های شناسایی مبتنی بر دریافت داده ها را برای پیش بینی دقیق RUL با مجموع خروجی های پنج روش مختلف پیشنهاد می کنند: روش درونیابی مبتنی بر تشابه (SBI) با ماشین برداری (RVM) به عنوان تکنیک رگرسیون، SBI با کمک ماشین برداری (SVM) با تعریف کمترین مربعات، یک رگرسيون خطی بيزين با روش حداقل مربعات، و یک رویکرد شبکه عصبی مکرر .(RNN) به طور خاص درشناسایی خطا در ترانسفورماتورهای قدرت، ممکن است برخی از مطالعات جدید را در متون علمی پیدا کنید مانند آنچه در [35،36] توضیح داده شده است. در [35]، نویسنده از فیلتر ذرات بیزی برای تخمین RUL ترانسفورماتور استفاده می کند، با توجه به درجه پلیمریزاسیون مواد عایق و اندازه گیری دما در نقاط خاص ترانسفورماتور (نقاط حساس). در [36] یک سیستم استنتاج فازی مبتنی بر شبکه (ANFIS) برای تعیین تغییرات در غلظت گاز محلول استفاده می شود. یک ANFIS برای هر گاز تعریف می شود به طوری که قوانین فازی خاص برای دینامیک هر یک از گازها با توجه به زمان عملکرد ترانسفورماتور قدرت به کار گرفته می شود.

3. سیستم شناسایی پیشنهادی برای شناسایی خطا
3.1. سیستم های شناسایی و هوشمند
با در نظر گرفتن مدل ها و سیستم های محاسباتی مبتنی بر دانش، به عنوان سیستم تشخیص خطا و پیش بینی در این مقاله، اولین گام توصیف و مدل سازی دانش و در نتیجه این که چگونه این دانش در واقعیت نشان داده شده و ذخیره شود. جالب است که توجه داشته باشید که فرایند شناسایی یک حالت دینامیک دارد. این دینامیک مربوط به تعامل آن با محیط است: جمع آوری اطلاعات، برنامه نویسی، ذخیره سازی و پردازش این اطلاعات به گونه ای که برخی از اعمال را در محیط بتوان انجام داد (شکل 2).
سیستم های شناسایی مصنوعی سیستم هایی هستند که با تکنیک های یادگیری ماشین طراحی می شوند. آنها قابلیت پیاده سازی و مدیریت اطلاعات برای کمک به بهبود مهارت و شناخت انسان، انجام تصمیم گیری پیچیده و اقدام در محیط را دارا هستند. معماری سیستم های شناسایی در واقع یک طرح برای عوامل هوشمند است. هر معماری پیشنهاد شده باید ویژگی هایی را فراهم سازد که ارایه یک مدل برای یک سیستم محاسباتی را تسهیل کند تا به عنوان یک سیستم هوشمند عمل کند.
بنابراین، به طور کلی، مدل سازی یک سیستم شناسایی و هوشمند باید شامل اجزای اساسی زیر باشد:
• سیستم حسگر؛
• سیستم ذخیره سازی، برنامه نویسی و پردازش؛
• سیستم عامل؛
•سیستم مخابراتی.
هدف این بخش توصیف مدل سازی و جنبه های پیاده سازی سیستم پیشنهاد شده است. مدل سازی تا حد ممکن به طور عمومی توصیف می شود تا آن را برای سایر کاربردها شامل سیستم های مبتنی بر دانش مفید سازد، اگرچه تمرکز بر روی سیستم شناسایی خطای ترانسفورماتور قدرت است.

3.2. ساختار پیشنهاد شده
سیستم شناسایی خطا (FPS) بر اساس معماری پیشنهاد شده برای مدل سازی سیستم های شناسایی توسعه یافته است. سیستم طراحی شده ترکیبی است از مدل های ارتباطی و تکاملی با سیستم مبتنی بر دانش، به طور خاص، یک سیستم شناسایی اتوماتیک دریافت داده.
به طور کلی، معماری پیشنهاد شده برای توسعه سیستم های شناسایی از ایده عوامل هوشمند مستقل برای دسته بندی اطلاعات و پردازش طبقات استفاده می کند. این دسته بندی اجازه می دهد تا پیاده سازی و سازماندهی بهتر اطلاعات را که توسط عوامل صورت گرفته، انجام گیرد و مقیاس پذیری بهتر را فراهم می کند. یکی دیگر از دلایل دسته بندی اطلاعات، این است که اجازه جداسازی عامل ها از نظر کلاس های کاربردی داده شود، با در نظر گرفتن نوع اطلاعات ارایه شده و نوع اعمال مورد نیاز. به این ترتیب، برای کاربرد درسیستم های پیچیده تر مانند سیستم های نظارت سلامت، همانطور که در [47] ارائه شده است، داده های سیستم را با دقت بالاتری را می توان بدست آورد. معماری پیشنهادشده یک سیستم چند منظوره است که اجازه می دهد تا با استفاده از تکنیک های مختلف ، به عنوان مثال، با استفاده از شبکه های بیزی، مدل های فازی و مدل های آماری در یک روش استفاده کرد. سیستم به لحاظ مقیاس پذیری به اندازه کافی قابل انعطاف است که شامل روش های جدید و روش های ترکیبی برای وظایف پیچیده باشد.
شکل 3 یک نمایش ماکروسکوپیک از سیستم را با چند نمونه خوشه ای نشان می دهد. هر خوشه سه عنصر پایه و ثابت دارد: 1) عامل Embryonic ،2) حافظه commoncluster و3) IntraClusterBus، با موارد مربوط به عامل آن ها.
عامل Embryonic ، ایجاد و یا حذف نمونه های عامل را مدیریت می کند. این مکانیزم اجازه می دهد تا خود-سازگاری سیستم چند عاملی با توجه به دینامیک محیط انجام گیرد. حافظه CommonCluster یک ناحیه مشترک برای ذخیره اطلاعات طولانی مدت (حافظه بلند مدت) است، یعنی اطلاعاتی نظیر پیکربندی، مشخصه سازی اطلاعات و تدوین مربوط به پروسه فعال سازی. IntraClusterBus و InterClusterBus عناصر ارتباطی هستند که توسط ساختارهای ذخیره ساز در مورد سیستم های نرم افزاری و یا بر اساس استاندارد Wishbone [48] در مورد سیستم های سخت افزاری پیاده سازی می شوند.
با این حال در مورد شکل 3، ممکن است به حضور نمونه های عوامل در خوشه توجه شود. هر عامل، به طورمستقل و با همکاری بقیه، مسئولیت دارد: i) کسب اطلاعات حسی (مربوط به سیستم حسگر)؛ ii) رمزگذاری، ذخیره سازی و پردازش اطلاعات؛ و iii) راه اندازی بر روی محیط.
برای اجرای چنین عملیاتی، هر عامل دارای یک ساختار عملی است که در شکل 4 نشان داده شده است. در این شکل می توان عناصر پایه ای را که شامل عامل شناسایی هست، دید: سیستم حسگر؛ سیستم ذخیره سازی، برنامه نویسی و پردازش (SCP System)؛ عامل هسته و حافظه عامل. این عناصر بعدا شرح داده خواهند شد.

3.3. سیستم حسگر
سیستم حسگر باید بتواند محرک ها (اطلاعات) را از محیط برای تغذیه سیستم SCP به دست آورد. عملکرد اصلی این واحد پردازش داده های جمع آوری شده است که می تواند توسط دیگر واحد های عملکردی سیستم مورد استفاده قرار گیرد و حرکت در محیط خارجی را تسهیل کند. این دو نوع پردازش به ترتیب رفتار مشورتی و واکنشی را نشان می دهد [8].
سیستم مشاوره حسگر مسئول برقراری ارتباط با محیط برای ضبط است، به عنوان مثال تصویر، صدا یا دیگر امواج. صرف نظر از نوع دستگاه مورد استفاده برای دریافت اطلاعات، هدف از سیستم مشورتی حسگر، رمزگذاری محرک های خارجی در نقشه های اتصال است.
نقشه های ارتباطی بر اساس سیستم شناسایی خواهد بود. ساختار سیستم حسگر در شکل 5 ارائه شده است. همانگونه که مشاهده می شود، سیستم حس گر مکانیزم هایی برای دریافت هر دو سیگنال جریان و داده های نمونه گیری شده از سنسورها / مبدل ها به کار می گیرد.
در سیستم شناسایی خطا، فرض بر این است که رابط دستگاه سنسور، اطلاعات را از واحد کروماتوگرافی گاز به طور آنلاین دریافت می کند که غلظت گاز را برای H2، C2H4، C2H2، CH4، C2H6 فراهم می کند.