در محیط‌های صنعتی، مقدار زیادی از داده‌ها تولید میشود که به نوبه خود انبار پایگاه داده و داده‌ها را از همه مناطق مربوطه مانند برنامه‌ریزی، طراحی فرآیند، مواد، مونتاژ، تولید، کیفیت، کنترل فرآیند، برنامه‌ریزی، تشخیص خطا، خاموش کردن، مدیریت ارتباط با مشتری و غیره جمع‌آوری می‌کند. داده‌کاوی به ابزار مورد استفاده برای کسب دانش برای روند صنعتی ساخت آهن و فولاد تبدیل‌شده است. با توجه به رشد سریع داده‌کاوی، صنایع مختلف از فنّاوری داده‌کاوی برای جستجوی الگوهای پنهان که ممکن است بیشتر به سیستم با دانش جدیدی که مدل‌های جدید را برای بهبود کیفیت تولید، هزینه مطلوب بهره‌وری و تعمیر و نگهداری و غیره بپردازند استفاده کردند. بهبود مستمر تمام فرایند تولید فولاد با توجه به اجتناب از کمبود کیفیت و بهبود تولید مرتبط با آن، یک وظیفه اساسی تولیدکننده فولاد است. بنابراین، استراتژی نقص صفر امروزه محبوب است و برای حفظ آن، چندین تکنیک تضمین کیفیت استفاده میشود. در این مقاله سعی میشود با استفاده از داده کاوی حسگرهای موثر در وضعیت سیستم شناسایی شوند وسپس با استفاده از ماشین بردار پشتیبان مدل مناسبی برای پیشبینی وضعیت سیستم به دست آورده شود که در این مقاله با دقت بیش از 95 درصد حالت خطا تشخیص داده شده است.
Ranjbar A, Rahmani A H. Fault Diagnosis by Using the Multi-class Support Vector Machine. تحقیقات نوین در سیستمهای قدرت هوشمند 2019; 8 (3) :27-35 URL: http://jeps.dezful.iau.ir/article-1-220-fa.html
رنجبر علی، رحمانی امیرحسین. تشخیص خطا با استفاده از ماشین بردار پشتیبان چندکلاسه. نشریه علمی-تخصصی تحقیقات نوین در سیستمهای قدرت هوشمند. 1398; 8 (3) :27-35
