چکیده مقاله
کنترل گردوغبار ناشی از کوره های قوس یکی از عوامل حیاتی در فرآیند فولادسازی محسوب می شود با توجه به مقررات زیست محیطی سختگیرانه، یک واحد غبارگیر برای مدیریت آلاینده های خروجی از این کوره ها در مجاورت کارخانجات فولاد مستقر می گردد با این حال، خرابی فیلترهای مربوط به واحد غبارگیر یک چالش عملیاتی مهم است؛ زیرا نقص حتی یک فیلتر می تواند به خروج گردوغبار از طریق اگزوز کوره ها به محیط زیست و در نتیجه بروز مشکلات زیست محیطی برای شرکت منجر شود در این پژوهش یک رویکرد نوین برای تشخیص فیلترهای معیوب با استفاده از الگوریتم یولو نسخه ۳ yolov۳ مورد بررسی قرار گرفته است داده های ورودی به این الگوریتم به دو روش پیش پردازش شده اند: استفاده از فیلتر سوبل Sobel و استفاده از الگوریتم تجزیه حالت تجربی EMD فرآیند کار بدین صورت است که ابتدا خروجی هر اگزوز توسط دوربین پردازش شده و با استفاده از الگوریتم yolov۳ وزن های جدید به دست می آید پس از تشخیص گردوغبار در خروجی، ناحیه ی شامل فیلترها کنترل شده و با سنجش اختلاف هر ناحیه نسبت به تصویر مرجع قبل از انتشار گرد و غبار ، محل فیلتر معیوب مشخص می گردد آموزش مدل در دو بستر مختلف انجام شد؛ نخست از محیط دارکنت Darknet بر روی گوگل کولب Google Colab و سپس از محیط پایتورچ PyTorch بر روی سیستم محلی استفاده شد نتایج نشان داد علاوه بر افزایش سرعت آموزش در نسخه PyTorch، استفاده از فیلتر سوبل عملکرد بهتری نسبت به روش EMD در شناسایی دود دارد در نهایت این روش می تواند به طور موثر در شناسایی فیلترهای معیوب واحد غبارگیر به کار گرفته شود و موجب کاهش هزینه ها و جلوگیری از آلودگی محیط زیست گردد
کلیدواژهها
نویسندگان
محمدرضا رشیدی
گروه مهندسی برق واحد یزد دانشگاه آزاد اسلامی یزد ایران
زهره بهشتی پور
گروه مهندسی برق واحد یزد دانشگاه آزاد اسلامی یزد ایران
طاهره دائمی
گروه مهندسی برق واحد یزد دانشگاه آزاد اسلامی، یزد، ایران
شیوه ارجاع
�شیدی، محمدرضا و بهشتی پور، زهره و دائمی، طاهره،1404،تحول در نگه داری پیش بینانه واحدهای غبارگیر فولادسازی با استفاده از یادگیری عمیق و بینایی ماشین،کنفرانس هوش مصنوعی در اقتصادهای نوظهور و کسب وکارهای دیجیتال،یزد
ارائهشده در
مجموعه مقالات کنفرانس هوش مصنوعی در اقتصادهای نوظهور و کسب وکارهای دیجیتال21 آبان 1404 · یزد