مقاله درمورد نقطه تقاطع

دانلود پایان نامه ارشد

بين حلقه ها روي پارامترهاي مدلمشروح
براي وارد محاسبه كردن و درنظرگرفتن يك عيب در ترانسفورماتور مورد مطالعه، المانهاي مـاتريسامپدانس (رابطة (4-8)) و ماتريس ادميتانس (رابطة (4-5)) به طور مناسب محاسـبه مـيشـوند . تغييـراتالمانهاي ماتريسهاي امپدانس و ادميتانس در اثر بروز يك عيـب، دراثـر تغييـرات پارامترهـاي مـدل و يـاواردشدن يك عنصر جديد در مدل بوجود ميآيند. در اثر جابجائي محوري و نيز تغييـر شـكل مكـانيكيشعاعي سيمپيچها، پارامترهاي مدل مشروح تغيير ميكنند. درحاليكه در اثر بروز يـك اتـصال كوتـاه بـينحلقههاي سيمپيچ، يك عنصر جديد كه برابر امپدانس اتصال كوتاه است به مدل مشروح اضافه ميشـود .
اثر يك اتصال كوتاه بين واحدهاي سيمپيچm وm+1 با انجـام تغييـرات زيـر در رابطـة (4-5) قابـلمحاسبه است:
تبديل به
Y(m,m) → Y(m,m) + 1/ZKS Y(m+1,m+1) → Y(m+1,m+1) + 1/ZKS
Y(m+1,m) → Y(m+1,m) – 1/ZKS
Y(m,m+1) → Y(m,m+1) – 1/ZKS

به طوريكه ZKS امپدانس مؤثر اتصال كوتاه است كه در شكل (6-10) نشان داده شده است.

شكل 6-10- درنظرگرفتن اتصال كوتاه بين حلقهها در مدل مشروح
براي تع يين اثر اتصال كوتاهها و محل آنها روي تابع تبديل ،يك اتصال كوتاه بين دو انشعاب متوالي سيمپيچ در محلهاي مختلف در طول سيم پيچ انجام شده اسـت. بـراي هـر كـدام از وضـعيتهاي اتـصالكوتاه،تابع تبد يل اندازه گيري م يشود. به عنوان مثال تابع تبد يل ولتاژ انتقالي محاسبه شده،در حـالتي كـهبين انشعابهاي 22و23 و انشعابهاي 73و74 اتصال كوتاه عمدي ا يجـاد شـده در شـكلهاي (6-11)و (6-12) نشان داده شده است.
شكل (6-11)تابع تبديل ولتاژ انتقالي در حالتي كه يك اتصال كوتاه بين انشعابهاي 22و23 وجود دارد

شكل 6-12- تأثير اتصال كوتاه بين حلقه هاي73 و 74 يك سيم پيچ روي تابع تبديل ولتاژ انتقالي
با توجه به شكلهاي فوق ميتوان ديد كه در اثر اتصال كوتاه بين دو حلقه مجاور ،فركانسهاي تشديدافزايش يافته است.

فصل 7
تشخيص نوع عيب ترانسفورماتور به كمك شبكه عصبي

هدف از انجام اين تحق يق ع يب يابي ترانسفورماتور به روش آناليز پاسخ فركانسي با اسـتفاده از روشهوشمند شبكه عصبي م يباشد. لذا اولين گام در استفاده از ايـ ن الگـوريتم هوشـمند اسـتخراج ويژگيهـا وپارامترهاي مناسب و مرتبط با عيوب مختلف به منظور آموزش شبكه عصبي م يباشـد . در ايـن فـصل، بـااستخراج و يژگيها و پارامترهاي مرتبط با عيوب مختلف و با بكارگ يري الگوهـاي مناسـب و همچنـين بـااستفاده از شبكه عصبي كه خود به عنوان يكي از روشهاي تشخ يص الگو 13 شناخته مـي شـود نـوع عيـ ب ترانسفورماتور تشخيص داده مي شود. روند اين فرآيند، در شكل(7-1)نشان داده شده است. اين روند،كه اساسكار هر سيستم تشخ يص الگو ميباشد،از سه بخش عمـده تـشكيل شـده اسـت. بخـش اول شـامل محاسبات و پردازشهاي لازم براي بدست آوردن تابع انتقال م ي باشد.
شكل(7-1). مراحل عي ب يابي ترانسفورماتور

در بخش دوم كه استخراج ويژگي نام دارد، مناسبترين ويژگيها جهت دسته بندي استخراج ميشوند. در بخش سوم با استفاده از ويژگيهاي مناسب ي كه از بخش قبل اسـتخراج شـده، دسـته بنـدي بوسـيله شـبكهعصبي صورت م يپذيرد.ويژگيهاي استخراج شده در مراحل قبل به منظور آموزش و تست شبكه عـصبي بكارگرفته م يشود. آنگاه درباره داده هاي جد يد، توسط شبكه آموزش ديده تصميمگ يـري بـه عمـل مـي آيد.در ادامه ، بصورت اجمالي به مباحث استخراج ويژگي14 و شبكههاي عصبي اشاره شده است و سـپس نتايج حاصله ارائه شدهاند.
7-1 استخراج ويژگيها
يكي از بخشهاي مهم هر سيستم تشخ يص الگو، بخش استخراج ويژگي است . هـر چقـدر ويژگي هـاي مناسبتري براي يك مساله انتخاب شوند، تشخيص الگو با موفقيت بيشتري انجام خواهـد شـد. در ا يـن تحقيق، استخراج و يژگيها با استفاده از اطلاعات تابع انتقال ولتاژ خروجي در حوزه زمان و فركانس انجام ميپذيرد. به عبارت كاملتر، تابع انتقال ترانسفورماتور سالم محاسبه شده به عنوان تـابع انتقـال مرجـع درنظر گرفته شده و توابع انتقال ديگر نسبت به اين تابع مرجع مقايسه ميشوند.
يكي از روشهاي ممكن براي مقا يسه توابع انتقال با تابع مرجع، استفاده از مشخصه دامنه هاي فركـانستشديدو زمان فرو نشست در حوزه زمان ميباشدكه اين مشخصه ها بصورت زير تعريف ميشوند.
بزرگترين دامنه فركانس تشديد موجـود در تـابع انتقـال ولتـاژ خروجـي و مكـان آن ( فركـانس تـشديد بزرگترين دامنه ) بعنوان وجه تمايز بين توابع انتقال ولتاژ خروجي ترانسفورماتورها ي معيوب ميباشد.
ويژگي متمايز كننده ديگر در حوزه زمان ، زمان فرونشست تابع انتقال ولتاژ خروجي ميباشد كه در اين

شكل (7-2)مراحل محاسبه ويژگي زماني
با توجه به شكل فوق ابتدا تابع انتقال ولتاژ خروجي را از مقدار متوسط اش(Mean) كم ميكنيم آنگاه بـااستفاده از دستور قدر مطلق سطح بالا ي محور افقي بدست ميآيد سپس با استفاده از دستورSum سـطحزير هر قسمت منحني با همـد يگر جمـع شـده و از مقـدار جمـع تجمعـي(Cumulative Sum) آن كـم ميگردد تا منحني شكل نزولي بخود بگيرد. آنگاه با تعريف حد آستانه ، نقطه تقاطع اين حـد بـا منحنـي مذكور كه همان زمان فرو نشست مي باشد بدست ميآيد.
7-2 شبكهها ي عصب ي مصنوعي
شبكههاي عصبي مصنوعي با الهام از سيستمهاي عصبي طبيعي شكل گرفته اند. اگرچه اين شبكه هـايمصنوعي با سيستمهاي عصبي طبيعي قابل مقايسه نيـستند، امـا ويژگيهـايي دارنـد كـه آنهـا را در بعـضيكاربردها مانند تفكيك الگو، پردازش تصوير،كنترل و بطور كلي در هـر جـا كـه نيـاز بـه يـادگيري يـكنگاشت خطي و يا غيرخطي باشد،ممتاز مينمايند.شبكه هاي عصبي در زمره سيستمهاي ديناميكياي قراردارند كه با پردازش روي داده هاي تجربي، دانش يا قانون نهفتـه در وراي داده هـا را بـه سـاختار شـبكهمنتقل مي كنند. از مهمترين ويژگيهاي شبكههاي عصبي ميتوان به قابليت يادگيري و قابليت تعميم اشـارهكرد. قابليت يادگيري يعني توانايي تنظيم پارامترهاي شبكه درمسير زمان كه محيط شبكه تغيير مـيكنـد وشبكه شرايط جديد را تجربه ميكند، با اين هدف كه اگر شبكه براي يك شرايط خـاص آمـوزش ديـد وتغيير كوچكي در شرايط محيطي آن رخ داد، شبكه بتواند با آمـوزش مختـصر بـراي شـرايط جديـد نيـزكارآمد باشد . قابليت تعميم بدين معناست كه پس از آنكه مثالهاي اوليه به شبكه آمـوزش داده شد،شـبكهميتواند در مقابل يك ورودي آموزش داده نـشده قرارگيـرد و يـك خروجـي مناسـب ارائـه نمايـد.ايـنخروجي بر اساس مكانيزم تعميم، كه در حقيقت چيزي جز فرايند درونيابي نيست، بدست ميآيد.
7-2-1 ساختار شبكه ها ي عصبي
نرون كوچكترين واحد پردازشگر اطلاعات است كه اساس عملكرد شبكه هاي عصبي را تـشكيل مـي دهد.شكل(7-3) ساختار يك نرون را نشان ميدهد.
شكل(7-3) ساختار و ارتباطات نرون f : تابع تحريك معادل هسته سلول.
W : معادل شدت سيناپسي(وزن).
a : خروجي معادل سيگنال گذرنده از آكسون.
p : ورودي معادل تحريك.
پارامترهاي b و w قابل تنظيم هستند و تابع محركf نيـز توسـط طـراح انتخـاب مـيشـود .بـر اسـاسانتخابf و نوع الگوريتم يادگيري، پارامترهاي شبكه تنظيم م ي شوند. يادگيري بدين معني است كهw وb بگونهاي تنظيم شوند كه رابطه ورودي و خروجي نرون ها با هدف خاصي مطابقت نمايد.تابع محرك f ميتواند خطي ويا غيرخط ي باشد.در عمل تعداد محدودي از توابع محرك مورد استفاده قرار ميگيرند.
مهمترين و كاربردي ترين تابع محرك، تابع محرك زيگموئيد،به فرم زير، ميباشد.
f (x) = 1+ exp(1 −cx) (1-7)
مقدارc وسعت ناحيه خطي بودن تابع را تعيين مي كند . اين تابع در شبكه هاي عصب ي چند لايه با قـانونيادگيري پس انتشارِ خطا، فراوان مورد استفاده قرار ميگيرد.
با توجه به ساختار نشان داده شده در شكل(7-3)، شبكه از يك لايه ورودي،يك لايه خروجـ ي ويـك يـاچند لايه مياني بهره ميگيرد. شبكه ها ي عصب ي چند لايه نسبت به شـبكه هـاي عـصبي تـك لايـه داراي توانايي بيشتري هستند.بطوريكه شبكه هاي عصب ي دولايه با تابع زيگموئيد در لايه اول، قادرند هر تـابعي را با دقت دلخواه تقريب بزنند در حاليكه شبكه هاي تك لايه قادر به چنين كار ي نيستند.
7-2-2- شبكههاي عصب ي پرسپترون چند لايه15
شبكه ها ي پرسپترون، بويژه چند لايه ها، در زمره كاربردي ترين شبكه هـاي عـصبي مـي باشـد. ايـنشبكه ها قادرند با انتخاب مناسب تعداد لايه ها و سلولهاي عصب ي كه اغلب زياد هم نيستند، يك نگاشتغيرخطي را با دقت دلخواه انجام دهند.شكل(7-4) فرم ساده شبكه پرسپترون با دو لايه مياني را نشان مي دهد. بمنظور يادگير ي شبكه، دو روش يادگيري با معلم و يادگيري بدون معلم وجود دارد.در يادگير ي بـامعلم(كه اين تحقيق از اين روش يادگيري بهره جسته است)، فرض بر اين است كه در هر مرحله تكـرارِالگوريتمِ يادگير ي، جواب مطلوب سيستمِ يادگيرنده از قبل آمـاده اسـت. امـا در يـادگيري بـدون معلـم،جواب مطلوب برا ي سيستم يادگيرنده موجود نيست.در اين نوع يادگيري ، پارامترهاي شبكه تنها توسـطپاسخ سيستم اصلاح و تنظيم ميشوند. براي آموزش شبكه ها ي عصبي پرسپترون چند لايه (MLP)، از قانون يادگيري پس انتشار خطا16 (BP) استفاده م ي كننـد.قـانون پـس انتـشار خطـا از دو مـسير اصـلي تشكيل شده است.
شكل(7-4). فرم ساده شبكه پرسپترون با دو لايه مياني
مسير اول به مسير رفت مرسوم مي باشد كه در اين مسير، بردار ورودي به شبكهMLP اعمال مي شـود واثراتش ازطريق لايه هاي ميان ي به لايه خروجي انتشار مييابد. بردارخروجي تشكيل يافته درلايه خروجي ، پاسخ واقعي شبكه را تشكيل مي دهد .در اين مسير پارامترهاي شبكه ثابت و بدون تغيير در نظـر گرفتـهمي شود . مسيردوم به مسير برگشت مرسوم مي باشد . در اين مسير برعكس مسير رفت،پارامترهاي شـبكه

تغيير و تنظيم ميگردند. اين تنظيم مطابق با قانون تنظيم خطا در لايه خروجي محاسـبه مـيشـود . بـردارخطا برابر با اختلاف پاسخ مطلوب وپاسخ واقعي شبكه ميباشد. مقدار خطـا پـس از محاسـبه، در مـسيربرگشت، از لايه خروجي و از طريق لايه هاي شبكه در كل شبكه توزيع ميشود. چـون توزيـع اخيـر درخلاف جهت ارتباطات نروني سيناپسها صورت ميپذيرد، كلمه پس انتشار خطا جهـت توضـيح اصـلاحرفتاري شبكه انتخاب شده است.پارامترهاي شبكه به مقاديري همگرا ميشوند كه پاسخ واقعي شبكه هـرچه بيشتر به پاسخ مطلوب نزديكتر شود.توضيحات كاملتر دراين زمينه در مرجع [1] ارائه شده است.
7-3- پياده سازي شبكه عصبي مصنوعي براي تشخيص نوع عيب ترانسفورماتور
براساس مطالب ارائه شده در فصل جاري، براي تخم ين نوع ع يب تر انسفورماتور ، بـردار آموزشـي بـهطول 20 در نظر گرفته شده كه نيمي از آن براي حالت معيوب و نيمي د يگر برا ي حالت سالم لحاظ شدهاست. در مرحله آزمايش يك برداربه طول10 از خطاها را بصورت تصادفي توليد ميكنـيم .عناصـر بـردارمذبور پس از عبور از تابع استخراج كننده ويژگي،وروديهاي لازم براي شبكه را مهيا ميسازند كه با توجهبه تعداد ويژگي استخراج شده (سه)يك ماتريس 10×3 حاصل ميشود كه در جدول (7-2) آن داده هـارا با نوع خطاي متناظرش مشاهده ميگردد. تعداد سلولها ي لايه مياني برابر 20 ميباشد. تعـداد سـلولهاي لايه خروجي برابر 2 بوده كه با در نظر گرفتن مقدار صفر و يك نشانگر ، چهار حالت ممكن م يباشد كه سه حالت آن مع يوب و يك حالت باق يمانده سالم

پایان نامه
Previous Entries مقاله درمورد سيمپيچ، ظرفيت، ظرفيتهاي، زير Next Entries مقاله درمورد حمل و نقل