خلاصه پایان نامه خطا یابی هوشمند توربین گازی نیروگاه با استفاده از روش تحلیل وقایع
پایان‌نامه کارشناسی‌ارشد مهندسی برق
گرایش کنترل
چکیده
روشهای نوین شناسایی خطا در سیستمها همچون استفاده از تحلیل کیفی‌وقایع می‌تواند منجر به نتایج ملموس و قابل فهمی‌برای همگان باشد. سیستم توربین گازی جزو سیستم‌هایی است که احتمال وقوع خطاهای زیادی در آن وجود دارد. و حتی گاهی مدلسازی آنها با روشهای ریاضی به سختی قابل انجام می‌باشد. روش تحلیل کیفی‌وقایع به زبانی ساده و گویا در‌پی راه‌حل این موضوع است. این روش برای اولین بار توسط اوربان در سال 1972 برای شناسایی خطا در توربین گازی پیادهسازی شد. ولی به‌دلیل ضعف در شناسایی خطا مسکوت ماند.
اساس روش تحلیل‌کیفی‌وقایع نشاندادن زبانی برای رویدادهایی است که در سلسله فرآیندهای بهم تنیده و مرتبط بهم انجام می‌پذیرد .در این روش، استخراج، تکه‌تکه کردن و مرتب‌سازی رویدادهای به‌هم پیوسته، بر پایه هفت شکل هندسی استوار شده است. وجه تمایز و خصوصیات منحصر بفرد این اشکال در مشتقات اول و دوم آنها است. که با استفاده از روش حداقل مجموع مربعات خطا برای شناسایی و اندازه‌گیری همسانی بین آنها صورت می‌پذیرد. بدین ترتیب که تابع چندجملهای (حداکثر تا مرتبه 2) بر روی کل داده، برآزش می‌شود. با نتیجه برآزش نامناسب، مجموعه داده، به دو قسمت مساوی تقسیم‌شده و فرآیند دو نیمه‌سازی تا جایی که برآزش مناسب حاصل شود، ادامه می‌یابد. در این میان، معیار سنجش مقبولیت خطا، به روش تست F صورت‌می‌پذیرد. و در نهایت، نظیر متناظر با منحنی برازش شده از اشکال هندسی با اختصاص نام مربوط به شکل هندسی بعنوان یکی از قطعه‌های شناسایی‌شده از رویداد در کتابخانهای ذخیره‌می‌شود. قطعه‌های بعدی نیز به همین منوال به ترتیب فواصل زمانی، در کنار یکدیگر قرارمی‌گیرند. که حاصل این فرایند شکل‌گیری یک سیگنال زمانی به‌زبان کاراکتراست (تبدیل به زبان مبتنی بر اشکال هندسی اولیه). با این روش سیگنال خطا به عنوان یک الگو، کاراکتر‌سازی می‌شود. و با استفاده از منطق فازی، شباهت‌های بین الگوهای ذخیره شده با دادههای جدید از سنسورها که ناشناخته می‌باشند؛ مورد ارزیابی، قرار می‌گیرند. و در صورت مشاهده همسانی با الگو های خطایی، فرآیند شناسایی خطا انجام می‌پذیرد.
کلمات کلیدی: دو نیمه سازی فواصل، تحلیل کیفی وقایع ، توربین گازی ، منطق فازی
فصل اول
1-1 مقدمه:
پیشرفت دانش و ظهور فناوری‌های نوین در زمینه اتوماسیون صنعتی و تجهیزات ابزار دقیق عرصه را بطور موثری برای حضور انسان در جهت کنترل و نظارت بر فرآیندها تنگ‌تر نموده‌است. به‌نحوی‌که رشد بی‌سابقه مدارات الکترونیکی در سالهای اخیر، موجب شده‌است؛ زمینه برای بسیاری از امکانات در ارتباط با مدیریت و تفسیر داده‌ها افزایش‌یابد. سیستم‌ها‌‌ی پیشرفته میکروپروسسوری یکی از مواردی هستند. که با سریعتر‌شدن سرعت آنها حجم قابل توجهی ازداده‌ها در مقیاس بزرگ بصورت همزمان در دسترس کاربران قرار‌‌گرفته است. که این خود بستر را برای استفاده ازهوش مصنوعی برای امور نظارتی، کنترلی و تشخیصی در طیف وسیعی از فرایندها بیشتر نمایان‌‌‌می‌سازد. در صنایع مهمی‌‌چون صنعت نیروگاه وجود سیستم توربین‌گاز بعنوان یک سیستم پیچیده چند‌بعدی که متشکل از زیر سیستم‌ها‌‌ی مختلف با پارامترهای غیرخطی است وجود داده‌هایی با تعداد و مقیاس‌های متنوع احتمال اشتباه در تصمیم‌گیری اپراتورها را در بسیاری از موارد با خطا مواجه‌‌‌می‌سازد. به همین منظور تلاش‌می‌شود برای بهره‌برداری بهینه و به حداقل رساندن خطاهای اپراتوری از فناوری‌های نوینی که بتوان بصورت خودکار با ذخیره‌سازی و تفسیر داده‌ها خطای بوجود‌آمده را تشخیص و شناسایی نمود؛ بکار‌گماشت. ازجمله این روش‌ها استفاده از روش تحلیل کیفی وقایع[1] است. در این روش، وقایع یا سیگنالهای یک فرآیند در فواصل زمانی مختلف که ترکیبی از چند رویداد متوالی است. با تکه‌تکه و ذخیره‌سازی تک‌تک آنها در قالب مشخصههای ریاضی که به صورت کیفی و کمی طبقه‌بندی شده‌اند. شرایطی را جهت مقایسه با الگوهای اصلی ذخیره‌شده، از یک سیگنال واقعی فراهم‌می‌‌آورد.
1-2 تعریف مساله
استفاده از معادلات پیچیده دیفرانسیلی برای شناسایی سیستم و مدلسازی آن همواره با مشکلاتی همراه بوده است. و گاها به دلیل استفاده از فرضیه‌ها‌‌ی ساده‌کننده یا خطاهای محاسباتی، از مدلسازی دقیقی بر‌خوردار نخواهد بود [۳]. بهمین‌منظور، امروزه استفاده از روش‌ها‌‌یی که دور از معادلات و محاسبات پیچیده ریاضی باشد. بیشتر مورد توجه قرار گرفته‌است. تحلیل کیفی یکی از روش‌ها‌‌یی است که این امکان را به صورت فراگیر در زمینه‌ها‌‌ی مختلف بوجود آورده است.
اساس تحلیل وقایع مشتمل بر دو جزء مهم است:
زبانی برای نشاندادن رویدادها
روشی برای شناسایی رویداد[2]
نحوه نگاشت رویدادها به شرایط و محیط عملیاتی در شکل (1-1) نشان داده شده است.در این شکل زبان وقایع با استفاده از هفت الگوی هندسی که با مشتقات اول و دوم واقعه در‌ارتباط است؛ درنظر گرفته می‌شود شکل (1-2). برای استخراج این هفت شکل ابتدا نیاز است. کل داده با یک چندجملهای طی یک فرآیند تکراری از درجه صفر تا دو برآزش‌شود. سپس با استفاده از روش تست F معیاری برای سنجش ساختار یا معادله برآزش‌شده به دست‌می‌‌آید و این روال با تکنیک دو‌‌‌نیمه‌سازی فاصله تا جایی که کل داده با معیار مقبولیت درجه، در معرض تحلیل کیفی یا همان شناسایی واقعه قرار‌می‌گیرد. دادههای به دست آمده پس از عملیات دو نیمه‌سازی، برآزش و سنجش معیار در کتابخانهای به نام الگوهای اولیه حاصل از تحلیل کیفی بعنوان پایگاه داده‌ای اصلی، استخراج و ذخیره‌‌‌می‌‌شوند. سپس به کمک منطق فازی و با استفاده از ماتریس شباهت، الگوهای ذخیره‌شده با دادههای ناشناخته‌ای که از سنسورها بدست آمده‌است. و با انجام فرآیند استخراج و کلیه مراحلی که برای سیگنالهای نمونه مورد
استفاده‌قرار‌‌می‌گیرد، شروع به مقایسه با الگوهای پایگاه که منطبق بر قوانین فازی (آنگاه - اگر) می‌باشد و از قبل برای رویدادهای این سیستم در نظر گرفته‌شده؛ اجرا می‌شود. و در نهایت غالب‌ترین شرط از حیث کمیت و کیفیت شناسایی خواهد‌شد [9].
تبدیل یک سیگنال متغیر با زمان به فرمت کاراکتر یا تعیین زبان واقعه در سال ۱۹۹۵ به صورت کاملا جزئی مطرح‌گردید. ولی از سال ۲۰۰۱ این موضوع بطور جد پیگیری‌شد تا حدی که مسئله دشوار الگوهایی که در فرآیندهای نویزی استخراج[3] که باعث فقدان شناسایی صحیح در تشخیص می‌شدند را مورد بازنگری و بهبود قرار‌‌داد. مشخصههای نویزی سطح نویز و تغییر یافتن اشکال الگوها با تغییر سرعت نمونه برداری و مقیاس‌ها را شامل‌می‌‌شدند. برای استخراج
خودکار رویدادها و رسیدن به برآزش[4]مناسب در فرآیند نویزی، روش دو‌‌‌نیمه‌سازی فواصل[5] پبشنهاد‌گردید[6] [8]. در این رویکرد پارامترى‌‌کردن داده‌ها، به صورت دنباله‌ای از الگو و شکل‌های با تکرار آن منجر به بهترین برازش نسبت به نویز خواهد‌شد [9].
روش دو‌‌‌نیمه‌سازی فواصل یک روش بازگشتی است که در آن، ابتدا یک الگو اولیه به کل داده‌ها، نسبت داده می‌شود (برآزش) و در صورتی که شرط لازم در شناسایی مدل احراز‌نگردید. شروع به نصف‌‌کردن فاصله داده‌ها از همدیگر و تکرار فرآیند نصف کردن، تا جایی که موفقیت در مدل به دست‌آید. روش استنتاج فازی برای روند[7] در این پایان‌نامه متکی بر استفاده از استخراج روند به صورت خودکار در فرآیندهای نویزی است [9].
مقدمه
یک سامانه خوب در زمینه آشکار‌سازی خطا[8] باید بتواند. در دو فضای ایمن و نا‌ایمن قابلیت تفکیک و جداسازی داشته باشد. و حتی با پیچیده شدن شرایط، سیستم با صرف کمترین هزینه در وقت و زمان و با سرعت بالا بتواند مرز بین حالت امن و ناامن را با فرض شرایط پر نویز درحالت‌های مختلفی همچون گذرا و ماندگار تشخیص بدهد و از داده‌ی استخراج شده این دو بعد را جداسازی نماید. در چنین سیستم‌هایی می‌توان از علوم هوش مصنوعی برای رسیدن به این اهداف بهره جست. در این روش‌ها اساس کار تعریف و ساماندهی دادههای پایگاه است[9]. که ازجمله آنها می‌توان به نرمالایز‌کردن و تبدیل آنها به بردار اشاره کرد. و یا شبکه را تحت آموزشقرارداد یعنی از روشهای مختلفی مجموعه‌های در دسترس را بصورت تصادفی برای آموزش و مجموعه دیگری را برای تست انتخاب نمود .ضمن اینکه در شرایط نویزی شبکه خود را مورد ارزیابی قرار می‌دهد. تا با دیتایی که تا بحال دیده نشده هم عکس العمل مناسبی داشته باشد. از آنجایی که در بیشتر صنایع داده‌ها بصورت رشته‌های ادامه‌دار ومتغیر با زمان به مرکز کنترل ارسال می‌شوند. استراتژیی شناسایی خطا انجام پردازش‌هایی بر روی این رشته‌ها یا بعبارت دیگر روندهاست (سری‌های زمانی). که با انتخاب شبکه مناسب و آموزش آن سعی در تفکیک دو کمیت مطرح شده‌ی امن و ناامن خواهد بود. که در ادامه به آن خواهیم پرداخت .
فهرست پایان نامه خطا یابی هوشمند توربین گازی نیروگاه با استفاده از روش تحلیل وقایع
فهرست:
چکیده 6
فصل اول
1-1 مقدمه 7
1-2 تعریف مساله 7
1-3 مروری بر روشهای تحلیل "Trend" 10
1-4 مروری بر روشهای استخراج "Trend" 20
فصل دوم
توربین‌گازی
2-1 مقدمه 25
۲-۲ اصول عملکرد توربین‌گازی 26
۲-۲-۲بررسی سیکل ترمودینامیکی 28
3-2 مدلسازی توربین‌گازی 30
مقدمه
۲-۳-۲بررسی معادلات ترمودینامیکی حاکم بر توربین‌گازی 30
2-4 کنترل،مانیتورینک وحفاظت توربین گاز 37
2-4-1 مقدمه 37
۲-۴-۲ وظایف کنترلی 38
2-4-3 وظایف نظارتی 44
2-4-4 وظایف حفاظتی 46
2-5 خودکار و هوشمند سازی 50
فصل سوم
آنالیز کیفی وقایع
3-1 مقدمه 52
3-2 اساس تحلیل کیفی وقایع 53
3-3 الگوریتم برآزش 56
۳-4 روش دو‌‌‌نیمه‌سازی فاصله 58
فصل چهارم
منطق فازی
4-1 مقدمه 62
4-2 مدلسازی فازی 63
4-3 تطبیق شناسایی فازی 65
4-4 تخمین سنجش تشابه با استفاده از تطبیق فازی 67
4-4-1 تطبیق شباهت بین دو الگو 68
4-4-2 همسان‌سازی زمانی سگمنت‌ها 69
فصل پنجم
پیادهسازی و شبیه‌سازی
5-1 مقدمه 74
5-2 وقوع خطا 76
5-3 شبیه ساز[1] توربین‌گاز 83
5-4 شناسایی و تشخیص خطا 85
5-4-1 مقدمه 85
5-4-2 آلودگی پرههای کمپروسور 87
5-4-3 خطای سنسور ترموکوپل 90
5-4-4 آسیب دیدگی نشت بندهای روغن در بخش توربین 92
فصل ششم
نتیجه گیری و جمع بندی 96
منابع 98
فهرست علائم و حروف یونانی
[1] - Simulator
منبع:
[1] هوشمند رحمت‌الله، تولید برق در نیروگاه‌ها، ویرایش دوم، اهواز، انتشارات دانشگاه شهید چمران، سال نشر1389.
[2] منصور‌زاده هادی، نیروگاه جنوب اصفهان اولین نیروگاه خصوصی ایران با روشBOT ، ویرایش اول، تهران، شرکت نیروگاه جنوب اصفهان، سال نشر 1386.
[3] کراری مهدی، شناسایی سیستمها، ویرایش دوم، تهران، دانشگاه صنعتی امیرکبیر سال نشر1388.
[4] تجلی سید‌محمد، محمدی‌احسان، منتظری مرتضی، مدلسازی و شبیه سازی توربین‌گازی دو محوره با در نظرگیری اثرات خنک کاری پرههای توربین، دانشگاه علم و صنعت ایران.
[5] رسائی‌نیا عباس، مشیری بهزاد، توسعه سیستم تشخیص خطا در توربینهای‌گازی ساخت داخل و ضرورت‌ها، دانشجوی دکتری کنترل واحد علوم و تحقیقات دانشگاه آزاد، مدیر گروه کنترل و ابزار دقیق شرکت موننکو ایران پردیس دانشکده‌های فنی دانشگاه تهران، 26 و 27 اردیبهشت ماه 1388
[6] اسفندیاری حسین، تشخیص‌خطا در نیروگاه‌های‌گازیV94-2، پایان‌نامه کارشناسی ارشد مهندسی برق-کنترل، دانشکده فنی، دانشگاه آزاداسلامی گناباد، 1390.
[7] شرکت مهندسی سی توربین‌گاز مپنا، جزوه آموزشی‌توربین‌گازی.
[8] Dash, Sourabh Maurya, Mano Ram, Venkatasubramanian, Venkat: “A Novel Interval-Halving Framework For Automated Identification of Process “ West Lafayette, January 2004, PP14
[9] Dash, Sourabh, Rengaswamy, Raghunathan: “Fuzzy-logic based Trend classification for fault diagnosis of chemical”, West Lafayette & Potsdam USA, 10 September 2002, PP16.
[10] Mauryaa, Mano Ram, Rengaswamyb, Raghunathan, Venkatasubramaniana, Venkat: “Fault diagnosis using dynamic Trend analysis: A review and recent evelopments”, , West Lafayette & Clarkson University Potsdam, USA, 28 June 2006, PP14.
[11] Maurya, Mano Ram, Rengaswamy, Raghunathan ,Venkatasubramanian, :“A Framework For On-Line Trend Extraction And Fault Diagnosis”,West Lafayette & Potsdam, USA, Copyright 2003 IFAC,PP6.
[12] Meherwan P.Boyce:”Gas turbine engineering hand book”, U.K,2001,PP819.
[13] Min LuoB.S. DATA-DRIVEN FAULT DETECTION USINGTRENDING ANALYSIS.,Taiyuan Tech University, 1996 M.S., Tennessee Tech Univer