بخشی از مقاله
چکیده
بمنظور کاربرد تعمیرات پیشبینانه و تشخیص صحیح عیوب ماشینها، لازم است که به طور پیوسته از وضعیت ماشین مطلع بوده و بدینوسیله علاوه بر بهینهسازي راندمان، اقدامات لازم جهت جلوگیري از پیشرفت عیوب و بروز خطرات جدي انجام گیرد. این اقدامات علاوه بر کاهش زمان و هزینه تعمیرات ، مانع آسیب جدي دستگاه شده و موجب حفظ وافزایش عمر مفید آن میشود. در این راستا پروژهاي در گروه مکانیک پژوهشگاه نیرو انجام و طی آن یک سیستم مستقیم تشخیص خطا - بنام - VCM با استفاده از روش آنالیز ارتعاشات طراحی و در نیروگاه گازي آبادان بر روي مجموعه توربین-ژنراتور واحد یک با موفقیت پیاده سازي گردید. این سیستم از دو بخش سخت افزاري - شامل سنسورها، سیگنال کاندیشنرها و کارت A/D و ... - و نرم افزاري - شامل قسمتهاي دریافت و ذخیره داده ها در کامپیوتر و آنالیز دادههابمنظور شناسایی عیوب ماشینها - تشکیل شده است. در این مقاله کلیات روش طراحی و پیاده سازي سیستم مذکور ارائه شده است.
مقدمه
در راستاي کنترل و مانیتورینگ مستقیم1 ماشینهاي دوار وهمچنین عیبیابی آنها از طریق روش آنالیز ارتعاشات سیستم VCM طراحی و پیاده سازي گردید. این نرم افزار بهمراه بخش سخت افزاري مربوطه امکان مانیتورینگ و ثبت پارامترهاي ارتعاشی ماشینهاي دوار را فراهم نموده و قابلیت کنترل حدود آلارم و خطر و ذخیره سازي اطلاعات و آنالیز آنها را بمنظور عیب یابی دارا میباشد. بطور کلی اطلاعات سنسورها توسط کارت A/D از حالت آنالوگ به حالت دیجیتال تبدیل و در یک فایل موقت ذخیره می شوند. نرم افزار VCM داده هاي سنسورها را از فایل موقت خوانده وبعد از انجام عملیات مانیتورینگ در صورت وجود تغییرات محسوس در پارامترهاي ارتعاشی، داده هاي مربوطه را باتوجه به تاریخ و مکان و جهت سنسور در بانک داده ها ذخیره می-کند. داده هاي ذخیره شده در بانک توسط بخشهاي پردازش سیگنال و عیب یابی مورد استفاده قرار می گیرند.
در این نرم افزار دو زبانه - فارسی و انگلیسی - امکان تعریف کاربران باسطوح دسترسی متفاوت و استفاده همزمان چند کاربر از بانک اطلاعاتی SQL Server وجود داشته و همچنین در بخش مانیتورینگ و پردازش دادهها نمودارهاي ترند، شکل موج زمانی، طیف فرکانسی و مدار حرکت شفت قابل نمایش می-باشد. بخش اصلی این نرم افزار ماژول تشخیص عیب باروش آنالیز ارتعاشات میباشد که در آن با بکارگیري یک شبکه عصبی آموزش یافته، عیوب احتمالی ماشینهاي مورد نظر تشخیص داده میشود.استفاده از سنسورهاي ارتعاشی براي اعلام وضعیت هشدار وتریپ ماشینهاي دوار در نیروگاههاي جهان حدود 50 سال سابقه دارد و امروزه اکثر ماشینهاي دوار اصلی نیروگاهها به این سنسورها مجهز میباشند. اما کاربرد آنالیز ارتعاشات بمنظور مانیتورینگ شرایط و تعمیرات پیشبینی شونده حدود 30 سال است که در جهان آغاز شده و اخیراً در برخی ازنیروگاههاي ایران نیز این تکنولوژي بکار گرفته شده یا درحال نصب میباشد.
-1 ساختار بخش عیبیابی
در طراحی و تهیه بخشهاي مختلف سیستم - نرم افزاري وسخت افزاري - از مراجع متعددي استفاده شده که از مهمترین آنها میتوان به مراجع [6-1] اشاره کرد.بدلیل عملکرد مناسب شبکههاي عصبی در عیبیابیسیستمهاي غیرخطی، در بخش عیب یابی با آنالیز ارتعاشاتاز یک شبکه عصبی سه لایهاي پیشرونده1 با روش یادگیري پسانتشار2 استفاده شده است.بردار - یا لایه - ورودي شامل 8 مؤلفه بوده که درایههاي این بردار نشانگر مقادیر رشد نسبی دامنه ارتعاشات بصورت درصد در باند هاي فرکانسی مختلف میباشند. بردار - یا لایه - خروجی نیز داراي 9 درایه است که نشانگر درصد احتمال وجود عیوب زیر میباشند: نامیزانی، عدمهممحوري، خمیدگی شفت، سایش، لقی محور، لقی اجزاء یاتاقان یا لقی اتصالات پایه و فونداسیون، چرخش روغن، عیوب فرکانس بالا، سرعت بحرانی تابع فعالیت مورد استفاده در کلیه نرونهاي شبکه، تابع تانژانت هیپربولیک میباشد:
مقدار آستانه - bias - براي تمام نرونها برابر صفر و نرخ یادگیري و ضریب ترم مومنتوم بترتیب برابر η 0.1 وα 0.01 و مقادیر اولیه وزنها برابر اعداد رندوم در بازة1]و[-1 در نظر گرفته شدهاند، که با سعی و خطا بدست آمدهاند.تابع خطاي مورد استفاده در لایه آخر براي محاسبه خطاي مربوط به هر الگو - Ep - ، تابع خطاي میانگین مربعی - MSE - میباشد: که در آن OutNN,I بیانگر خروجی نرون I ام لایه آخر شبکه وOutact,I بیانگر خروجی تجربی همان نرون میباشد.بردار ورودي شامل 8 مؤلفه بصورت زیر میباشد:
درایههاي این بردار نشانگر مقادیر نسبی دامنه ارتعاشاتبصورت درصد در فرکانسهاي مختلف زیر میباشند:
