توسعه و پیاده‌سازی روش تحلیل مؤلفه‌های اصلی جهت پایش وضعیت توربین گازی

الموضوعات :

سمیرا پیری ¹ ( کارشناس ارشد گروه کامپیوتر، واحد یادگار امام خمینی (ره) شهر ری، دانشگاه آزاد اسلامی، تهران، ایران )
الهام قنبری ² ( استادیار گروه کامپیوتر، واحد یادگار امام خمینی (ره) شهر ری، دانشگاه آزاد اسلامی، تهران، ایران (نویسنده مسئول) )

تاريخ الإرسال : 16 الثلاثاء , ذو الحجة, 1444 تاريخ التأكيد : 23 الأحد , ربيع الأول, 1445 تاريخ الإصدار : 14 الأحد , ربيع الثاني, 1445

الکلمات المفتاحية: شبکه عصبی مصنوعی, تحلیل مؤلفه‌های اصلی, کلید واژه ­ها: توربین گاز, پایش وضعیت نیروگاه,

ملخص المقالة :

توربین های گازی ماشین های پیچیده و گران قیمتی هستند که هزینه های تعمیر خرابی های پیش‌بینی‌نشده‌ی آن‌ها بالاست. حس‌گرهای سامانه ی کنترلی توربین های گازی به‌طور پیوسته داده های زیادی را گزارش می کنند که ثبت و جمع آوری مقادیر آن‌ها، تشکیل داده های حجیم را می دهند. با داده کاویِ داده هایِ حجیمِ توربین گازی، می توان عیب و خرابی توربین را قبل از رخداد پیش بینی نمود. مجموعه ی ماتریسِ داده های تحقیق حاضر، حاصل ثبت و تجمیع مقادیر برخی از حس‌گرهای نصب‌شده بر روی توربین گاز فریم 9 یکی از نیروگاه های کشور هست. در این پژوهش پس از نرمالیزه کردن داده های ماتریس، سطرهای ماتریس بر حسب سالم یا معیوب بودن برچسب گذاری شدند. سپس با بهره گیری از تکنیک مؤلفه‌های اصلی، ابعاد ماتریسِ داده، از هفت بُعد به چهار بُعد کاهش داده شد و ویژگی های اصلی آن استخراج گردید. پس از یادگیریِ ماشین که بر روی 80% داده ها انجام گرفت معیار دقت، میزان خطا و همگرایی مدل برای کاهش های ابعادی مدل از دو تا شش بُعد بر روی 20% داده ها مورد مطالعه قرار گرفت که در نهایت مشخص گردید علاوه بر اینکه مدل ساخته شده به‌خوبی از پس کاهش ابعاد ماتریس، استخراج ویژگی ها با کمک تکنیک تحلیل مؤلفه‌های اصلی برآمده همچنین توانسته با تکنیک شبکه عصبی مصنوعی وقوع عیب را شناسایی و همچنین کلاس عیب را تشخیص دهد. مدل ساخته شده با تلفیق تکنیک تحلیل مؤلفه‌های اصلی با تکنیک شبکه مصنوعی عصبی توانسته دقتی بیش از 90% و با دقت خوب و بیشترین میزان همگرایی ماتریس داده ها را نمایش دهد و کلاس عیب توربین را مشخص نماید.

المصادر:

Rabbani, A., Rahimpour Daghian, M, (2016). Monitoring the state of output power of gas turbine V94.2 by means of time series neural network. 30th International Electricity Conference. (in Persian)
M. Khorram Kashkooli , M. Dehghani ,(2017). Fault Detection, Identification and Isolation of South Pars Gas Turbine Using a Combined Method Based on the Data Mining Techniques, k-means, PCA and SVM. Tabriz Journal of Electrical Engineering, vol74, no.2, pp 501-515, 2017. (in Persian)
Tomaj, A., Ahmadi, A., Behzadi, N., Esmaili, A. and Samadi, M, (2012). Gas turbine vibration fault diagnosis using decision tree and scoring methods. 8th specialized conference on condition monitoring and fault diagnosis, Iran, Tehran, Sharif University of Technology. (in Persian)
Lee, W. J., Mendis, G. P., Triebe, M. J., & Sutherland, J. W. (2019). Monitoring of a machining process using kernel principal component analysis and kernel density estimation. Journal of Intelligent Manufacturing, 31(5), 1175–1189. https://doi.org/10.1007/s10845-019-01504-w
Shakya, S. (2021). A Self Monitoring and Analyzing System for Solar Power Station using IoT and Data Mining Algorithms. https://irojournals.com/jscp/article/view/3/2/4
Swiercz, M., & Mroczkowska, H. (2020). Multiway PCA for Early Leak Detection in a Pipeline System of a Steam Boiler—Selected Case Studies. Sensors, 20(6), 1561. https://doi.org/10.3390/s20061561
De Andrade Melani, A. H., De Carvalho Michalski, M. A., Da Silva, R. A., & De Souza, G. F. M. (2021). A framework to automate fault detection and diagnosis based on moving window principal component analysis and Bayesian network. Reliability Engineering & System Safety, 215, 107837. https://doi.org/10.1016/j.ress.2021.107837
Rahmoune, M. B., Hafaifa, A., Kouzou, A., Chen, X., & Chaibet, A. (2021). Gas turbine monitoring using neural network dynamic nonlinear autoregressive with external exogenous input modelling. Mathematics and Computers in Simulation, 179, 23–47. https://doi.org/10.1016/j.matcom.2020.07.017
De Giorgi, M. G., Strafella, L., Menga, N., & Ficarella, A. (2022). Intelligent Combined Neural Network and Kernel Principal Component Analysis Tool for Engine Health Monitoring Purposes. Aerospace, 9(3), 118. https://doi.org/10.3390/aerospace9030118
An, Z., Cheng, L., Li, K., Ren, M., Yang, Z., Feng, W., Ling, J., Chen, H., & Chen, W. (2022). Fault diagnosis for nuclear power equipment based on a recursive principal component analysis approach. https://doi.org/10.1117/12.2627200
Abdi, H., & Williams, L. J. (2010). Principal component analysis. Wiley Interdisciplinary Reviews: Computational Statistics, 2(4), 433-459.
Hadroug, N., Hafaifa, A., Alili, B., & et al. (2022). Fuzzy Diagnostic Strategy Implementation for Gas Turbine Vibrations Faults Detection: Towards a Characterization of Symptom–fault Correlations. Journal of Vibration Engineering & Technologies, 10, 225–251.
Xie, J., Sage, M., & Zhao, Y. F. (2023). Feature selection and feature learning in machine learning applications for gas turbines: A review. Engineering Applications of Artificial Intelligence, 117, 105591.
Yu, H., Gao, H., He, Y., Lin, Z., & Xu, X. (2022). A novel motor fault diagnosis method based on principal component analysis (PCA) with a discrete belief rule base (DBRB) system. Measurement Science and Technology, 34(3), 035012.