پایان نامه خطایابی هوشمند توربین‌گازی 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 الگوهای خطایی، فرآیند شناسایی خطا انجام می‌پذیرد.

کلمات کلیدی: دونیمه‌سازی فواصل، تحلیل کیفی وقایع ، توربین‌گازی ، 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

زبان ترند

مشخصه استخراج

ویژگی ها

کمی

کیفی

مشخصه نگاشت

شناسایی ترندها

الگو های اولیه

ب

پایگاه داده و قوانین

ب

فرآیندها(حالت/رفتار)

دو نیمه سازی فاصله

ب

شکل (۱-1): نگاشت رویداد به شرایط عملیاتی از نظر کیفیت و کمیت ‌[9]

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].

1-3 مروری بر روش‌های تحلیل Trend

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 .

1-3-1 روش سه گوشه‌سازی یا مثلث‌بندی

در سیستم‌های‌‌ هوشمند، برتری اصلی در حل مساله تشخیص و شناسایی، ‌‌می‌توان به سهولت در تعمیم، برهان شفاف و گویای آن اشاره نمود. یکی از این روش‌‌ها‌ که اخیرا در بیشتر موارد تحقیقاتی مورد توجه قرار گرفته است روشCheung  می‌باشد. که در غالب یک چهارچوب اصلی و پایه‌ای بعنوان اساس کار برروی روندهایی از فرآیند[10] در سال 1992ایجاد و ارائه گردید. که به روش مثلث‌بندی ضمنی[11] فرموله شده، برای بررسی روندها مطرح گردید. و اساس کار این روش  مبتنی بر اصول هندسی مدل شده می‌باشد.

Triangulation  یا سه گوشه‌سازی روشی است؛ که در آن بخش‌هایی از روند توسط شیب ابتدا و انتهای منحنی با یک خطی بر روی قطعه‌ای از روند[12]، مابین دو نقطه متصل می‌گردد، تعریف می‌شود. الگوهایی در شکل(1-3) منطبق بر این روش نشان داده شده است.

شکل(1-3): روش سه گوشه‌سازی یا مثلث‌بندی

یکی از مزایای استفاده از این تکنیک کاربردهای فراگیر آن در هر نوع سیگنالی‌ است. به نحوی که می‌توان آنرا بر روی هر سیگنالی پیاده‌سازی نمود. و الگوریتم سه گوشه‌سازی را در اجزا مختلف سیگنال اجرا و طبقه بندی نمود؛ بعبارتی می‌توان در هر نوع از سیگنال با استفاده از اشکال هدسی بدست آمده؛ به هر واقعه‌ای از فرآیند تعمیم داد (شکل (1-4)).

شکل(1-4): الگوهای تعمیم یافته برای هر نوع روند از روش سه گوشه‌سازی

این روش مشابه با روش‌های‌‌ دیگر کار بر روی روند‌‌‌ها بوده و نقطه اشتراک‌ها با سایر روش‌ها دقیقا در جایی متمایز می‌شود که علامت مشتقات اول و دوم به عنوان عوامل تعیین کننده برای جداسازی و طبقه‌بندی قطعات کاربرد عینی داشته باشند (شکل(1-2)).

 در روش‌های‌‌ مشابه دیگر که هدف این مقاله حول این موضوع قرار دارد؛ بصورت اجزاء پایه‌ای و اصلی از روند و به عنوان الگوهای اولیه محسوب شده و به شکل‌های زیر نشان داده می‌شوند.

A(0,0), B(+,+), C(+,0), D(+,-), E(-,+), F(-,0), G(-,-)

1-3-2 روش موجک‌‌[13]

تئوری موجک[14]، که بر مبنای سیستم تطبیقی غیرخطی بود در سال 1997برای شناسایی روند‌ها از اطلاعات استخراج شده از سنسورها با نام W-ASTRA ارائه گردید. و بعدها به B-Splines پایه‌گذاری و برای کاربردهای روندها پیشنهاد گردید. در این تکنیک از مفهوم آنالیز multiresolution در ورودی شبکه عصبی استفاده شد. و پیش از هر کاری اطلاعات سنسورها بر روی توابع سنجشی[15] در سطوح مختلف طرح‌ریزی می‌شدند؛ صورت پذیرفت.  و ضرایب از سطوح بالاتر برای شناسایی الگوهای اولیه استفاده می‌گردید. و زمانی‌که یک الگو یکتا و منحصربفرد شناسایی می‌شد. آنرا در مجموعه از نمونه‌‌ها،‌ جمع‌آوری می‌کرد. و در غیر اینصورت ضرائب از سطوح پایین مورد استفاده قرار می‌گرفت. و در نهایت W-ASTRA رویداد یا داده سنسور را با اثر خطایی[16]، که قطعه‌ای از خود روند بود و از قبل بهمین روش در پایگاه داده‌ای ذخیره شده بود مقایسه می‌شد. و بدین ترتیب الگوریتم شناسایی خطا انجام می‌پذیرفت.

1-3-3 روش جداسازی دو بعدی

در روش جداسازی یک بعدی برای آشکارسازی خطا، با تعیین مرزهایی از هدف، زمانی که داده‌، توزیع غیر محدبی داشت. صراحتا در جداسازی داده‌ی نامعلوم و ناشناخته، با اطمینان خاطر صورت نمی‌پذیرفت. ولی با فرض استفاده از روش جداسازی به شیوه دوبعدی می‌توان برای تعیین محدوده نرمال و خطا، دو فضای متفاوتی تعریف کرد. که براحتی قابل تفکیک باشند مطابق شکل(1-5) به نحوه ساخت مرزهای تصمیم‌گیری بین دو بعد از دیتاها، دیتای نرمال و دیتای فالتی با این فرض که دیتای فالتی در دسترس و قابل اندازه‌گیری باشد. انجام پذیرفت.

شکل(1-5): مرزهای تصمیم‌گیری بین دو بعد

تابع جداکننده دو بعدی را که خروجی آن با +1 و -1 علامت گذاری شده را در نطر بگیرید:

(۱-1)