سال انتشار: ۱۳۹۱

محل انتشار: دومین کنفرانس ملی هیدروژن و پیل سوختی

تعداد صفحات: ۴

نویسنده(ها):

امیر امینی زازرانی – کارشناس ارشد برق گرایش کنترل- کارشناس برق گروه پیل سوختی- مرکز تحقیقات
مهدی زمانی – کارشناس ارشد برق گرایش کنترل- کارشناس برق گروه پیل سوختی- مرکز تحقیقات
باقر فقیه ایمانی – کارشناس ارشد فیزیک گرایش اتمی- مدیر گروه پیل سوختی-مرکز تحقیقات مهندسی

چکیده:

با افزایش پیچیدگی و پیشرفت سیستم های کنترلی و استفاده از ان ها در محیط ها و کاربردهای حساس ، تمایل روزافزونی در زمینه تشخیص خرابی ایجاد شده است. در گذشته شبکه های عصبی به عنوان ابزاری برای تشخیص مدل یا خرابی در یک سیستم به کار گرفته شده اند. اما مشکل الگوریتم بهینه سازی ان ها برای انتخاب پارامتر و کم کردن خطا در هر مرحله به جای کم کردن خطای کل مدل باعث شده است تا ماشین بردار پشتیبان جایگزین مناسبی برای ان ها شوند. ماشین بردار پشتیبان بر پایه تئوری یادگیری اماری Vapnik از جمله الگوریتم های یادگیری موفق در زمینه تشخیص و ایزوله نمودن خطا در سیستم های پیل سوختی می باشد. در این مقاله به کمک الگوریتم ماشین بردار پشتیبان اقدام به تشیص خرابی در یک سیستم پیا سوختی نموده و میزان دقت این الگوریتم در تشخیص خرابی تعیین کرده و نتایج حاصله با الگوریتم های شبکه عصبی مقایسه می شود.