چکیده: در این پایان‌نامه، روشی برای تشخیص خطاهای ناشی از نامتعادلی بار در موتورهای القایی با استفاده از تحلیل تصویر توسط شبکه عمیق هوش مصنوعی ارائه شده است. برخلاف روش‌های سنتی که رشته‌های زمانی (سیگنال‌های جریان و ولتاژ) را به‌صورت تک‌بعدی و با روش‌هایی مانند تبدیل فوریه یا موجک تحلیل می‌کردند، این پژوهش داده‌ها را با استفاده از ترسیم بازگشتی (Recurrence Plot) به تصاویر دوبعدی نگاشت داده و سپس با بهره‌گیری از شبکه‌های عمیق، به تحلیل و استخراج ویژگی‌های حساس به خطا پرداخته است. مدل یادگیری عمیق پیشنهادی از یک شبکه کانولوشنی برای استخراج ویژگی، کاهش ابعاد و تبدیل تصاویر تولید شده به فرمت‌های آرایه‌ای سازگار با شبکه ترنسفورمر استفاده می‌کند. سپس معماری ترنسفورمر به عنوان موتور طبقه‌بندی اصلی عمل می‌کند. این مطالعه، تأثیر فرکانس نمونه‌برداری بر دقت طبقه‌بندی تصاویر رسم بازگشتی تولید شده از پایگاه داده جمع‌آوری‌شده را بررسی می‌کند. در ابتدا، برای اطمینان از تعمیم‌پذیری مدل و جلوگیری از سوگیری دانش پیشین، آزمایش‌ها با استفاده از تصاویر با وضوح پایین، که از سیگنال‌هایی با نرخ نمونه‌برداری محدود (۴ هرتز، ۸ هرتز و سپس ۱۶ هرتز) تولید شده بودند، انجام شد. پایگاه داده جمع‌آوری‌شده شامل داده‌های مربوط به خطاهای ناشی از نامتعادلی بار توسط مقاومت خارجی در موتورهای الکتریکی است. نتایج تجربی نشان‌دهنده همبستگی ابعاد تصاویر نمونه برداری شده با دقت طبقه بندی است. این یافته‌ها فرضیه اولیه را تأیید می‌کنند که افزایش نرخ نمونه‌برداری، به‌ویژه در اطراف فرکانس نامی موتور، توانایی مدل را در طبقه‌بندی دقیق خطاهای نامتعادلی بار به طور محسوسی افزایش می‌دهد. این پژوهش، امکان‌پذیری استفاده از روش‌های تحلیل تصویر، به‌طور خاص ترسیم های بازگشتی در ترکیب با شبکه CNN-Transformer برای تشخیص خطای مؤثر در موتورهای الکتریکی از روی داده‌های سری زمانی اثبات می‌کند.