بخشی از مقاله
چکیده
توربین گازي GT-35 در شرکت DMT با توان اسمی 13 مگا وات مورد استفاده است. از ان جا که این توربین در یک سیکل ترمودینامیکی با هوا - به عنوان سیال کاري - کار می کنند، از نظر کارایی داراي محدوده وسیعی می باشد.
با توجه به این موضوع، ارزیابی توربین از نظر ایمنی کاري و نیز اطمینان از عدم وجود عیب و خرابی در یک شرایط معین کاري بسیار مهم می باشد. آنالیز پارامترهاي ترمودینامیکی روندي است که در سال هاي اخیر در این بحث مورد پیگیري بوده است.
براي آنالیز خرابی توربین، روش هاي مختلفی از جمله روش تشکیل ماتریس خطا، آنالیز مسیر گاز، مدل سازي ریاضی و نیز استفاده از سیستم هاي هوشمند، وجود دارد. اما همان طور که ذکر شد، استفاده از سیستم هاي هوشمند و به خصوص شبکه هاي عصبی، به دلیل فراوانی داده ها و نیز محدوده وسیع کاري یک توربین بسیار کارا و مفید می باشد.
در این مقاله ابتدا یک مدل ریاضی براي این توربین استخراج می گردد و سپس با استفاده از داده هاي کاري توربین - مخصوصا در حالاتی که به همراه خرابی مشخص بوده است - ، یک شبکه عصبی کارا، انتخاب و تست گردیده است.
-1 مقدمه
وظیفه اصلی در عیب یابی - - diagnostic، آشکارنمودن عیوب و خرابی هاي توربین می باشد. این وظیفه می تواند با سطوح و درجه هاي مختلفی از حل همراه باشد. گاهی اوقات پیداکردن خود واقعیت وعلت بروز عیب کافی است. اغلب لازم است علاوه بر آن مکان و عمق عیب نیز مشخص گردد، براي مثال، در یک عیب یابی خاص، هدف تعیین مکان وقوع عیب در کمپرسور، توربین و یا متعلقات دیگر می باشد.
در هنگام حل مسائل کاربردي تشخیص عیب، بایستی دقیقا عمق لازم در حل مسئله مشخص گردد. آنچه مربوط به »عیب« توربین می گردد، احتیاج به توضیح دارد: هنگامی به یک توربین عنوان خراب اطلاق می گردد - که احتیاج به تعیین خرابی به روش هاي عیب یابی دارد - ، یعنی بروز هر پدیده اي که مانع ادامه سیکل کاري توربین موردنظر به صورت مطلوب باشد استنباط گردد. از جمله این پدیده ها - البته به معناي متداول آن - شکستگی ها، ترکها، فرسایش بیش از حد، افزایش بیش از حد درجه حرارت، سوختگی قطعات، افزایش ارتعاشات و یا تغییر رفتار ارتعاشی توربین، بروز عیب در سیستم روغنکاري و یا کنترل توربین و بسیاري از موارد دیگر را می توان نام برد.
توربین هایی که در آن ها بروز چنین پدیده هایی محرز شد، تحت عملیات هاي مختلف قرار می گیرند. در شرایط بهره برداري، تعیین به موقع علت بروز عیب از مهمترین وظایف پروسه تشخیص عیب می باشد زیرا بایستی شرایطی را براي توربین مدل کرد که به مراتب بسیار سختر از شرایط تست می باشد.
وقوع عیب توربین هایی که در حال کار و بهره برداري هستند، ماهیتی احتمالی دارد. با قبول ساده سازیهایی که در عمل نیز توجیه می شوند، احتمال کار توربین بدون از کار افتادن - - p در فاصله زمانی - - t به وسیله قانون نمایی برآورد می شود:
که در آن P شدت از کار افتادن بوده که به وسیله آمار بهره برداري تعیین می گردد و در صورت تعیین صحیح زمان کارکرد توربین - عمرمفید - ، در تمام دوره کاري بهره برداري این عدد، ثابت می ماند. براي اکثر توربین هاي تجاري امروزي، مقدار به گونه اي در نظر گرفته می شود که احتمال وقوع عیوب و خرابی ها به درستی بدست آید.
-2 مروري بر کار هاي گذشته
یک شبکه عصبی یک پروسه توزیع موازي حجم یافته است که از واحدهاي پردازش ساده ساخته شده است و یک تمایل فطري عصبی براي ذخیره دانش تجربی به گونه اي که آن دانش براي استفاده در دسترس باشد را دارد. اولین کسانی که شبکه هاي عصبی را در عیب یابی توربین هاي گازي کاربردي کرد، دنی - 1 - و دیتز و همکارانش - 2 - بود. توسط وایت هیت و همکارانش - 3 - ، کار بر روي توربینهاي فضایی با استفاده از شبکه هاي عصبی ادامه یافت. از آن پس شبکه هاي عصبی مختلفی در عیب یابی، آشکار سازي خرابی و اصلاح عیب توربین هاي پیشرانش مورد استفاده قرار گرفت. شبکه هاي عصبی مصنوعی که در عیب یابی توربین هاي گازي مورد استفاده قرار می گیرد، شبکه عصبی پس انتشار می باشد.
یک شبکه مناسب، هنگامی که اطلاعات دریافتی از لایه هاي ورودي به سمت لایه هاي خروجی توزیع می یابد که خطاهاي محاسبه شده برگردانده شده و در تعیین وزن هاي اتصال موضعی نرون ها مورد استفاده قرار گیرند، با این روش بهترین کارایی از شبکه حاصل می شود. معمولا هنگامی که یک شبکه از لایه ورودي ساخته می شود که مقادیر ورودي توسط نرون هاي ورودي دریافت می شوند.
یک یا چند لایه مخفی توسط رابطه نسبی با یک سري اتصالات وزنی که جانشین نرون ها شده اند ، بیان می شود و درنهایت لایه خروجی ، هنگامی که نرون هاي خروجی مقادیر خروجی را دریافت کنند تکمیل می گردد. یادگیري شبکه در خلال آموزش الگوریتم صورت می پذیرد که وزن ها براساس الگوي ورودي-خروجی اصلاح می گردند. کاربرد شبکه هاي عصبی فوق در عیب یابی توربین هاي گازي توسط محققین زیادي از جمله ایستاك - 4 - انجام پذیرفته است.
تورلا و لمباردو - 5 - ، به تشریح یک روش محاسباتی براي فاکتور نرخ یادگیريLRF پرداخته اند. وبراي بهبود نرخ یادگیري زدا و سینگ - 6 - یک سیستم شبکه عصبی مدولی را معرفی کرده اند که بر مشکل عیب یابی با مقادیر بزرگ فائق آید. . این شبکه را در عیب یابی توربین GarrettTFE1042 به کار برده اند. تنها مشکل این نوع شبکه ها زمان یادگیري طولانی و مشکلات ناشی از تعداد بالاي شبکه ها می باشد. ولپونی - 7 - یک شبکه ترکیبی را معرفی نمودند که در آن قسمتی از یک مدل عصبی توسط ضرائب مؤثر جایگزین شده بود و بدین ترتیب دقت این شبکه در مقایسه پس انتشار و روش هاي بر اساس فیلتر کالمن بالاتر شد.
سان - - 8 از قانون هاي آموزش هیبریدي - ترکیبی - بهره برد تا همگرایی و دقت شبکه ارتقا یابد. لوو - 9 - دو شبکه عصبی را با هم مقایسه کرده است که هر دو ساختار مشابهی دارند ، اولی با چهار ورودي و دومی با هشت ورودي، با مقایسه رفتار شبکه به این نتیجه رسید که هر دو از نرخ کارایی بالایی بهره می برند. کابایاشی و سیمون - 10 - از شبکه هاي پیشرو در سیستم عیب یابی هیبریدي خود بهره جستند. آن ها از شبکه هاي عصبی براي تخمین و تعیین بایاس سنسورهاي اندازه گیري استفاده نمودند.
-3 روش هاي برآورد وضعیت فنی توربینها ش
وضعیت اجراء توربین به وسیله مجموعه اي از علائم وضعیت که حاوي بیشترین اطلاعات هستند، تعیین نمود. مشخص است که هر تغییر وضعیت توربین فورا باعث از کار افتادن توربین نمی گردد. یکی از روش هاي تخمین وضعیت فنی، روش برآورد وضعیت بر طبق نرم فنی - یا تلرانس - مجاز عیب یابی می باشد که براي انحراف پارامترها استفاده می گردد.
وضعیت فنی توربین را می توان به کمک پارامترهاي تعمیم داده شده تخمین زد می توان پارامتر تعمیم داده شده را که بستگی به پارامترهاي کنترل شونده اصلی توربین دارد، ایجاد نمود. براي مثال تعداد ضریب هواي اضافی را می توان پارامتر تعمیم داده شده به شمار آورد، چرا که انحراف آن به وسیله انحراف چند پارامتر دیگر تعیین می گردد.
در حالت کلی، به عنوان پارامتر تعمیم داده شده می توان هر پارامتري که به طور عملیاتی با علائم اصلی وضعیت که حاوي اطلاعات هستند انتخاب نمود. در این حالت تمام اطلاعات درباره وضعیت در گزینه هاي پارامترهاي تعمیم داده شده وجود دارد. ایده چنین رویه اي براي ایجاد - تشکیل - پارامتر تعمیم داده شده در هنگام عیب یابی بر این پایه است که فرآیندي که به وسیله اجزاء معرفی می گردد، به وسیله تابعی از پارامترهاي کنترل شونده توربین بیان می گردد.
که π پارامتر تعمیم داده شده
Kj، ضرایب وزنی
Pj، پارامترهاي کنترل شونده
F، تابعی که براساس دلایل معینی انتخاب می گردد
نقص تخمین وضعیت توربین به کمک پارامترهاي تعمیم داده شده آن است که پارامتر تعمیم داده شده همیشه داراي مفهوم فیزیکی خاصی نمی باشد و عبارت ریاضی به شمار می آیند که به طور مصنوعی از پارامترهاي کنترل شونده ساخته می شود. مسئله تقریباً مشکل، تعیین ضرایب وزنی می باشد. برآورد وضعیت فنی توربین را نمی توان براساس تطابق علائم وضعیت با نرم هاي فنی انجام داد، بلکه به وسیله تطابق مشخصات اجزاء مسیر جریان توربین با برخی نرمهائی پارامترهاي وضعیت تعیین نمود. نرم هایی مورد استفاده در انحرافات مجاز این مشخصات براساس گستره هاي پراکندگی تعریف شده براي توربین سالم تعیین می گردد.
وضعیت توربین را می توان به وسیله ي بردار وضعیت در فضاي m بعدي، که مختصات فضایی m پارامتر توربین هستند، تعیین نمود.
در فرآیند بروز عیب، درجه قابلیت کار توربین تغییر می کند، در نتیجه، آن نقطه - انتهاي بردار - در فضاي وضعیت جا به جا شده و محل آن به وسیله مقادیر m پارامتر تعیین می گردد. بردار مقادیر مجاز درجه قابلیت کار در فضاي n بعدي، ناحیه قابلیت کار را ترسیم می کند و مرکز ثقل آن برابر بیشترین درجه قابلیت کار خواهد بود.
-4 مدل احتساب گروهی عوامل - به عبارت دیگر استفاده از شبکه عصبی -
این روش براي پیش بینی فرآیند هاي پیچیده چند فاکتوري که داراي توصیف تئوریک نیستند کاربرد دارد. برخلاف روش هاي شرح داده شده در بالا ساختار این مدل را نمی توان از قبل تضمین نمود. ساختار آن در فرآیند ساخت مدل به طو هم زمان با محاسبه ضرایب شکل می گیرد.
ساختن این مدل، از تقسیم حجم اطلاعات اولیه به دو قسمت شروع می گردد: قسمت اول: داده هاي آموزشی - داده هایی که در جهت آموزش مدل به کار برده شده - و قسمت دوم داده هاي بازرسی و چک. براي هر یک از پاسخ ها مدل آن تشکیل می گردد که بین یکدیگر مرتبط نیستند
مهم است که از قانون توزیع یکنواخت در جعبه احتمالات استفاده نمود. براي هر زوج فاکتور مدل شخصی ساخته می شود
