en یادگیری عمیق ترکیبی برای تشخیص خطای توربین بادی <p>تشخیص خطا در توربین‌های بادی برای حفظ عملکرد کارآمد و قابل‌اعتماد سامانه‌های انرژی تجدیدپذیر از اهمیت بالایی برخوردار است. در این مقاله، یک معماری نوین یادگیری عمیق ترکیبی با عنوان LSTM-Attention-CapsNet معرفی شده است که شبکه‌های حافظه کوتاه‌مدت بلندمدت (LSTM)، سازوکارهای توجه (Attention) و شبکه‌های کپسولی (Capsule Networks) را برای تشخیص خطا مبتنی بر سری‌های زمانی در توربین‌های بادی با یکدیگر ترکیب می‌کند.&nbsp;مدل پیشنهادی در هنگام آزمایش بر روی یک مجموعه‌داده مربوط به توربین بادی، عملکردی بی‌سابقه از خود نشان داد و به دقت (Accuracy)، امتیاز F1، دقت (Precision) و بازخوانی (Recall) برابر با 1 دست یافت. این عملکرد استثنایی، پیشرفت قابل‌توجهی در قابلیت‌های تشخیص خطا محسوب می‌شود و می‌تواند راهبردهای نگهداری پیشگویانه در بخش انرژی بادی را متحول کند.&nbsp;یافته‌های این پژوهش نویدبخش آغاز دوره‌ای جدید در زمینه تشخیص خطا و پایش وضعیت توربین‌های بادی است و می‌تواند به بهبود چشمگیر بهره‌وری و قابلیت اطمینان تولید انرژی بادی منجر شود.</p> <div style="text-align: justify;">Wind turbine fault detection is crucial for maintaining efficient and reliable renewable energy systems. This paper introduces a novel hybrid deep learning architecture, LSTM-Attention-CapsNet, which combines Long Short-Term Memory networks, attention mechanisms, and Capsule Networks for time series-based fault detection in wind turbines. Our proposed model achieved unprecedented performance metrics when tested on a wind turbine dataset, attaining 1 accuracy, F1 score, precision, and recall. This exceptional performance marks a significant advancement in fault detection capabilities, potentially revolutionizing predictive maintenance strategies in the wind energy sector. Our findings herald a new era in wind turbine fault detection and condition monitoring, promising substantial improvements in the efficiency and reliability of wind energy production.&nbsp;</div> توربین بادی, تشخیص خطا, یادگیری عمیق, شبکه‌های حافظه کوتاه‌مدت بلندمدت, مکانیسم توجه, شبکه‌های عصبی کپسولی Wind Turbine, Fault Detection, Deep Learning, LSTM, Attention Mechanism, Capsule Neural Networks 1 7 http://sjis.srpub.org/browse.php?a_code=A--1-68&slc_lang=en&sid=5 Fatemeh Alavi فاطمه علوی 1003194753284600898 1003194753284600898 No Sharif Energy, Water and Environment Institute (SEWEI), Sharif University of Technology, Tehran, Iran. پژوهشکده انرژی، آب و محیط زیست شریف (SEWEI)، دانشگاه صنعتی شریف، تهران، ایران. Mahdi Sharifzadeh مهدی شریف زاده m.sharifzadeh@ucl.ac.uk 1003194753284600899 1003194753284600899 Yes Sharif Energy, Water and Environment Institute (SEWEI), Sharif University of Technology, Tehran, Iran. کالج امپریال لندن، لندن، بریتانیا