25268

بكارگيري منطق فازي نوع دو مبتني بر خوشه بندي فازي به منظور تشخيص و شناسايي عيوب توربين هاي گاز

دكتري

مهندسي مكانيك - طراحي كاربردي - گرايش ديناميك ارتعاشات و كنترل

93

1400/01/28

مرتضي منتظري قهجاورستاني

مهندسي مكانيك

تشخيص و شناسايي عيوب به كمك اطلاعات جمع آوري شده از سنسورها يكي از كاربردي ترين رويكردها در حوزه پايش سلامت توربين هاي گاز است. مطالعات صورت گرفته در اين رابطه نشان مي دهد الگوريتم هاي متعددي براي شناسايي عيوب بكار گرفته شده است كه هركدام داراي مزايا و محدوديت هايي در زمينه دقت، قابليت اطمينان، مقاومت در برابر عدم قطعيت هاي اندازه گيري و سهولت در پياده سازي مي باشند. در اين ميان، منطق فازي نوع دو يكي از رويكردهاي نسبتاً جديد در حوزه يادگيري ماشيني است كه تاكنون براي شناسايي عيوب توربين هاي گاز بكار گرفته نشده است. اين روش قابليت مدلسازي دقيق تر عدم قطعيت ها را نسبت به منطق فازي نوع يك داشته و مي تواند در مواجهه با مسائل پيچيده غيرخطي كه هم پوشاني زيادي ميان الگوهاي داده در آنها مشاهده مي شود، موفق تر عمل كند. در اين رساله، منطق فازي نوع دو مبتني بر خوشه بندي فازي براي اولين بار به عنوان رويكردي جهت شناسايي عيوب مسير گاز توربين هاي گاز صنعتي معرفي و پياده سازي شده است. دقت بالاي تخمين در حضور نويز اندازه گيري، مقاومت در برابر عدم قطعيت هاي خارج از محدوده آموزش، توانايي تشخيص عيوب آستانه اي و قابليت شناسايي عيوب لحظه اي و تفكيك آن ها از عيوب تدريجي از جمله مهم ترين مزاياي سيستم عيب يابي پيشنهادي است كه موجب مي شود پيچيدگي محاسباتي اين روش نسبت به روش هايي مانند منطق فازي نوع يك و شبكه عصبي توجيه پذير باشد. توسعه سيستم عيب يابي بر پايه منطق فازي نوع دو موجب شده است قابليت اطمينان در حضور نويز نسبت به روش منطق فازي نوع يك بيش از 20% بهبود يابد. اين برتري به طور ميانگين در تشخيص عيوب آستانه اي بيش از 20%، در شناسايي عيوب لحظه اي سنسورها بيش از 25% و در تشخيص صحيح داده هاي خارج از محدوده آموزش بيش از 10% قابل مشاهده است. از سوي ديگر، در اين رساله نشان داده شده است كه بهره گيري از يك روش كاهش ابعاد مناسب مي تواند علاوه بر كاهش بار محاسباتي، اطلاعات حياتي را نيز تا حد زيادي محفوظ نگه داشته و اثر مثبتي بر سرعت، دقت و قابليت اطمينان فرآيند عيب يابي داشته باشد. بكارگيري نگاشت خود سازمان ده به طور مشخص در اين رساله باعث كاهش بيش از 85% حجم اطلاعات خام ورودي شده و قابليت تشخيص، تفكيك و شناسايي عيوب را نيز بطور كامل محفوظ داشته است.

1400/06/28

Application of Clustering based Type-2 Fuzzy Logic to Gas Turbine Fault Detection and Identification

4/17/2022 12:00:00 AM

Gas turbine fault diagnosis utilizing data collected from measurement sesnors is a popular approach in the field of gas turbine health monitoring. Studies in this area indicate the application of various algorithms, each having their own advantages and limitations against factors such as accuracy, reliability, robustness against measurement uncertainty and ease of implementation. In this context, Type-2 Fuzzy Logic (T2FL) is a relatively new approach in the field of machine learning that has not been employed to the issue of gas turbine fault diagnostics. In comparison to Type-1 Fuzzy Logic (T1FL), this method has the ability of modeling uncertainties in a more accurate manner, and thus is more capable of managing complex nonlinear problems in which overlap and similarity of data patterns is frequently observed. In this thesis, T2FL based on Interval Type-2 Fuzzy C-Means (IT2FCM) clustering is applied for detection, isolation and identification of gas path faults of industrial gas turbines for the first time. High estimation accuracy in presence of measurement noise, robustness against out of the train domain uncertainties, the ability to distinguish incipient fault signatures, the ability to detect abrupt sensor failures and isolate them from gradual component failures are among the most prominent advantages of the proposed FDI system which compensate for the higher computational complexity of T2FL in comparison to methods such as T1FL and Neural Network. The proposed IT2FL based FDI system has a reliability rate of more than 20% in comparison to T1FLS. This proficiency is also observed in incipient fault diagnosis rate (more than 20%), abrupt sensor failure identification (more than 25%) and generalization capacity (more than 10%). It is also demonstrated that utilizing a proper dimensionality reduction technique not only reduces the computational burden, but also preserves the essential information required for maintaining the accuracy and the reliability of the fault diagnosis process. Application of Self Organizing Map (SOM) in particular has reduced more than 85% of the raw data volume while completely preserving the detection, isolation and identification success rate of the FDI system.

منطق فازي نوع دو , تشخيص و شناسايي عيب , توربين گاز , نگاشت خود سازمان ده , عدم قطعيت اندازه گيري

Type-2 fuzzy logic , Fault detection and identification , Gas turbine , Self-organizing maps , Measurement uncertainty