تشخیص نرخ عدم تشخیص خطای تغییر ناگهانی متغیرها در فرآیند تنسی ایستمن به روش شبکه های عصبی :پایان نامه ارشد مهندسی برق
پایان نامه ای که به شما همراهان صمیمی فروشگاه دیجی لود معرفی میگردد از سری پایان نامه های جدید رشته مهندسی برق و با عنوان تشخیص نرخ عدم تشخیص خطای تغییر ناگهانی متغیرها در فرآیند تنسی ایستمن به روش شبکه های عصبی در 95 صفحه با فرمت Word (قابل ویرایش) در مقطع کارشناسی ارشد تهیه و نگارش شده است. امیدواریم مورد توجه کاربران سایت و دانشجویان عزیز مقاطع تحصیلات تکمیلی رشته های جذاب مهندسی برق قرار گیرد.
چکیده تحقیق تشخیص نرخ عدم تشخیص خطای تغییر ناگهانی متغیرها در فرآیند تنسی ایستمن به روش شبکه های عصبی:
تغییر پارامترهای موجود در یک فرآیند صنعتی باعث آن میگردد که فرآیند از نقطه کار مطلوب خود خارج گردد. این تغییر به نوبه ی خود کاهش کارایی کنترل کننده های حلقه بستهای را که برای نقطه کار مطلوب سیستم طراحی شدهاند را بهدنبال خواهد داشت. لذا نیاز است که ابتدا این تغییرات به صورت یک عیب تشخیص و شناسایی شود و سپس با تغییر پارامترهای فرآیند یا ساختار کنترلکننده برحسب نیاز نسبت به تصحیح رفتار سیستم اقدام نمود. به چنین سیستمی که ویژگی مذکور را داشته باشد کنترلکنندهی تحمل پذیر عیب گفته میشود.
لازمهی طراحی چنین سیستمی بهصورت کارآ، در مرحلهی نخست طراحی مناسب سیستم تشخیص عیب میباشد که مکان، زمان و بزرگی عیب را بهدرستی شناسایی کند. ارزیابی سیستم تشخیص عیب با ویژگیهای نرخ تشخیص/ عدم تشخیص و نرخ هشدارهای اشتباه صورت میگیرد. بهره گیری از قدرت مناسب شبکه های عصبی جهت طبقه بندی برای کاربری در این مهم هم در سالهای اخیر مورد توجه قرار گرفته است.
در این پژوهش نوع خاصی از شبکه های عصبی که دارای الگوریتم قوی آموزش پسانتشار خطای تعمیم یافته میباشد به منظور درک تغییر پارامترهای فرآیند طراحی و پیادهسازی شده است. این نوع از شبکهها در یک ساختار موازی اطلاعات جمعآوری شده از فرآیند را تحلیل میکنند و خروجی تجمیع شدهی شبکه ها را بهصورت یک نشانگر اطلاعات زمانی و مکانی وقوع عیب خواهیم داشت. پس از تشخیص عیب نسبت به تنظیم ضرائب کنترل کننده اقدام خواهد شد.
مقدمه
در طول دهه های گذشته با ظهور کنترل رایانه ای، نظارت بر روی فرآیندهای پیچیده پیشرفتهای شگرفی داشته است. با وجود تمامی این پیشرفتها هنوز هم یک وظیفهی کنترلی بسیار مهم در مدیریت فرآیندها بهصورت دستی باقی میماند و به وسیلهی عوامل انسانی اجرا میشود. این وظیفه، عملیات واکنش به پیشامدهای ناهنجار در یک فرآیند است، که شامل ردیابی بهنگام پیشامد ناهنجار، تشخیص عوامل وقوع آنها و سپس گرفتن تصمیمهای کنترلی و نظارتی مناسب و بازگرداندن فرآیند به حالت طبیعی، ایمن و عملیاتی میشود. به این عملیات، مدیریت پیشامدهای ناهنجار گفته میشود که یک عنصر کلیدی در کنترل نظارتی به شمار میرود.
ضرورت عیب یابی
اعتماد کامل تنها به عوامل انسانی برای کنترل پیشامدهای ناهنجار و امور اضطراری، به دلایل متعددی دشوار است. عملیات تشخیص بهعلت دربرگیری گستره بزرگی از سوء عملکردها، از جمله خرابیهای واحد کنترل، کاهش کارآیی ناگهانی واحد فرآیند، تغییرات در پارامترها و … دارای پیچیدگی است. برای مثال، در یک فرآیند صنعتی بزرگ ممکن است 1500 متغیر فرآیند در چند ثانیه مشاهده شوند که دربردارندهی زیادی از اطلاعات میشود. از این گذشته عملیات تشخیص خطا براساس داده های ناکافی یا دادههای اتکاناپذیر به عواقب غیرقابل پیشبینی منجر میگردد. در چنین شرایط دشواری، که سرعت عمل نیز لازمهی کار است هر اقدام عجولانهی کاربر ممکن است به حوادث ناگوار منجر گردد. آمارهای صنعتی نشان میدهد که حدود 70%از حوادث صنعتی بهدلیل خطاهای انسانی بوده است. این رویدادهای ناهنجار اثر اقتصادی، ایمنی و زیست محیطی قابل توجهی دارند. یکی از حوادث مهم اخیر انفجار در پالایشگاه نفتی الاحمدی کویت در ژوئن سال 2000 است که منجربه حدود 100 میلیون دلار خسارت شد [1]. از این گذشته، آمارهای صنعتی نشان دادهاند که گرچه ممکن است فجایع و خرابی های بزرگ در فرآیندهای شیمیایی نادر باشند، اما حوادث کوچک بسیار معمول هستند و هر روز اتفاق میافتند. حوادث کوچک منجربه بسیاری از آسیبهای کاری میشوند و هر سال میلیاردها دلار هزینه برای صنعت ایجاد میکنند. از اینرو آشکارسازی و شناسایی صحیح و سریع عیبهای یک فرآیند از نظر اقتصادی، ایمنی عملکرد و نگاههای انسانی و زیستی از اهمیت بسیار زیادی برخوردار است. همچنین آشکارسازی موفق یک عیب در مراحل اولیه میتواند موجب افزایش نرخ بهبود عملکرد سیستم گردد و از رویدادهای خطرناک بعدی و هشدارهای غیرضروری جلوگیری کند.
در سیستمهایی که ایمنی و قابلیت اعتماد بهعنوان شاخصهای اصلی کیفیت سیستم مطرح میشوند، تشخیص و شناسایی خطا بهعنوان روشی در بهبود شاخصهای مزبور مطرح است. چهبسا سانحهای هر چند کوچک در اثر خطا و خرابی ادوات و تجهیزات، تلفات جانی و هزینه های مالی هنگفتی را در پی خواهد داشت.
هدف از انجام تحقیق تشخیص نرخ عدم تشخیص خطای تغییر ناگهانی متغیرها
با استفاده از روشهای تشخیص و شناسایی خطا، امکان مدیریت خطا و همچنین نگهداری و تعمیر بهنگام فراهم میشود. شناسایی محل خطا، با تعمیرپذیری بهنگام، کاهش هزینه های مستقیم و غیرمستقیم بهرهبرداری و افزایش ایمنی و قابلیت اعتماد سیستم را به دنبال خواهد داشت. با انتشار خطا در سیستم، علاوهبر گسترش سطح خسارات، شناسایی علت اولیهی آن بسیار دشوارتر میشود. بنابراین، یک روش تشخیص و شناسایی دقیق خطا، میتواند از انتشار خطاهای بعدی در سیستم و پیامدهای ناشی از آنها جلوگیری کند. شبکه های عصبی به عنوان یک روش هوشمند جهت مدلسازی پیچیدگیهای غیرخطی فرآیند میتواند کمک شایانی به بهبود عملکرد سیستم عیبیابی کند.
هدف از بکارگیری روشهای تشخیص و شناسایی خطا، اعمال نظارت پیشرفته، مدیریت خطا، بهبود و قابلیت اطمینان و دسترسپذیری، کاهش سوانح و میزان پیامدهای آنها، همچنین اعمال تعمیر و نگهداری بهینه است. این قابلیتها از طریق پایش مستمر بر فرآیند و اندازهگیری کمیتها و در نهایت استفاده از الگوریتمهای مناسب جهت تحلیل بهدست میآیند.
مروری بر کارهای انجام شده
روشهای شناسایی عیب به دو دستهی عمده ی روشهای مبتنی بر مدل و روشهای مبتنی بر داده تقسیم میگردند. روشهای نظیر تخمین پارامتر و فیلتر کالمن از جمله روشهای مبتنی بر مدل میباشد. شبکه های عصبی مصنوعی یکی از پرکاربردترین روشهای مبتنی بر داده میباشد که مبنای آن استفاده از دادههای واقعی اندازهگیری شده از فرآیند میباشد و مستقل از روابط ریاضی بوده، لذا کاربرد وسیعی در سیستمهای پیچیده و غیرخطی دارد. ساختارهای متفاوتی جهت استفاده از شبکه عصبی در عیبیابی وجود دارد:
- شبکه های عصبی پسانتشار[2]
- شبکه های عصبی چندگانه[3]
- شبکه های عصبی متوالی[4]
- شبکه های عصبی هایبرید[5]
- شبکه های عصبی ماژولار[6]
در سالهای اخیر شبکه های عصبی پویا [7] بهدلیل توانایی در مدلسازی دینامیکهای غیرخطی فرآیندها مورد توجه زیادی قرار گرفته است. به همین دلیل مقالات و کارهای متفاوتی با استفاده از این شبکه انجام شده است. نظیر:
- فیلتراسیون داده ها [7,8]
- تشخیص و جداسازی عیب عملگری در سیستمهای غیرخطی [9]
- تشخیص عیب موتور ماهواره [10]
- تشخیص عیب فرآیند تبخیر شکر [11]
- تشخیص عیب موتور جت [12]
در مرجع [13] از یک روش مبتنی بر آنالیز مولفهی اصلی[1](PCA) بهنام آنالیز الگوی آماری[2] (SPA) برای عیب یابی فرآیند تنسی ایستمن استفاده شده است که در آن به جای آمارهی T2از دو آمارهی Dpو Dr که بهترتیب نرم و امید مانده میباشند، برای عیبیابی استفاده شده است که در حضور دینامیکهای غیرخطی جواب مناسبی دارد. در مرجع [14] از ترکیب PCA چند متغیره و یک شبکهی عصبی-فازی تطبیقی[3] (Anfis) به منظور عیبیابی استفاده شده است. در این ترکیب ابتدا PCA کاهش بعد خطی داده و سپس شبکهی Anfis جهت کلاسهای متفاوت آموزش داده میشود.
در این پایاننامه یک شبکه ی عصبی پویا برای تشخیص رفتار معیوب فرآیند تنسی ایستمن[4] طراحی و پیادهسازی گردیده است.
ساختار پایان نامه
در ادامهی پایاننامه در فصل دوم به معرفی روشهای تشخیص عیب و مزایا و معایب هر روش خواهیم پرداخت. در فصل سوم دو راهکار اصلی تشخیص عیب، PCA و شبکههای عصبی مصنوعی[5] به منظور یافتن ساختار مناسب بررسی گردیده است. این راهکارها منجربه پیاده سازی ساختار پیشنهادی گردیده است. در فصل چهارم نحوهی اجرای الگوریتم PCA بر روی فرآیند مورد آزمایش تشریح و شبیه سازی گردیده است. در فصل پنجم ساختار شبکه عصبی پیشنهادی به همراه چگونگی اجرای آن بر روی فرآیند تنسی ایستمن و نتایج بهدست آمده از شبیه سازی آورده شده است. در انتها به جمع بندی و ارائه پیشنهادات پرداخته شده است.
فهرست مطالب تحقیق تشخیص نرخ عدم تشخیص خطای تغییر ناگهانی متغیرها
چکیده 1
فصل 1- مقدمه 2
1-1- مقدمه 3
1-2- ضرورت عیبیابی. 3
1-3- هدف از انجام تحقیق. 4
1-4- مروری بر کارهای انجام شده 4
1-5- ساختار پایاننامه 5
فصل 2- بررسی انواع روشهای تشخیص و شناسایی خطا 6
2-1- مقدمه 7
2-2- دستهبندی روشهای شناسایی خطا 7
2-2-1- روشهای مبتنی بر مدل کمی. 8
2-2-2- روشهای مبتنی بر مدل کیفی. 9
2-2-3- روشهای مبتنی بر داده 10
فصل 3- معرفی روش آنالیز مولفهی اصلی و شبکه های عصبی مصنوعی. 12
3-1- مقدمه 13
3-2- روش آنالیز مولفهی اصلی 14
3-3- شبکههای عصبی. 18
3-3-1- تکنرون بهعنوان دستهبندی کننده 19
3-3-2- آموزش پرسپترون. 21
3-3-3- پرسپترون تکلایه 24
3-3-4- پرسپترون چندلایه 26
3-3-5- آموزش شبکههای عصبیMLP. 27
3-3-6- الگوریتم پسانتشار خطا برای یک شبکه با تعداد دلخواه لایه و نرون. 29
3-4- نقش شبکه عصبی در عیبیابی. 30
فصل 4- کارآیی روش PCA در تشخیص پارامترهای معیوب فرآیند تنسی ایستمن. 32
4-1- مقدمه 33
4-2- معرفی شرکت تنسی ایستمن. 33
4-3- شناخت فرآیند صنعتی تنسی ایستمن 35
4-3-1- متغیرهای فرآیند 37
4-3-2- عیوب فرآیند 40
4-4- پیاده سازی سیستم عیب یابی فرآیند TEP بر مبنای PCA. 41
4-4-1- بررسی موردی عیب 1. 41
4-4-2- نرخ عدم تشخیص… 44
4-4-3- میزان اهمیت متغیرهای فرآینددر تشخیص عیب 1. 44
4-4-4- نتایج شبیهسازی 51
فصل 5- طراحی یک شبکه عصبی پویا بهمنظور تشخیص پارامترهای معیوب فرآیند 52
5-1- مقدمه 53
5-2- معماری شبکه عصبی پویا 53
5-3- تشخیص و جداسازی عیب با استفاده از شبکه عصبی دینامیک… 54
5-3-1- مرحلهی اول: شناسایی سیستم 54
5-3-2- مرحلهی دوم: شناسایی و جداسازی عیب. 55
5-4- تشخیص پارامترهای معیوب TEP با تکیه بر ساختار پیشنهادی. 56
5-5- بررسی موردی عیب 1. 67
5-5-1- نرخ عدم تشخیص… 71
5-6- پیشنهاد راهکاری برای افزایش سرعت الگوریتم 71
5-7- نتایج حاصل از شبیهسازی. 74
فصل 6- نتیجهگیری و پیشنهادات. 76
فهرست مراجع 78
واژهنامه فارسی به انگلیسی 80
واژهنامه انگلیسی به فارسی. 82
چکیده لاتین 84
فهرست جدولها
جدول 4-1- متغیرهای دستی در فرآیند TE. 37
جدول 4-2- متغیرهای اندازه گیری در فرآیند TE. 38
جدول 4-3- اندازه گیریهای ترکیبی در فرآیند TE. 39
جدول 4-4- عیبها در فرآیندTE. 40
جدول 4-5- نرخ عدم تشخیص صحیح. 46
جدول 5-1- عیبها در فرآیند TE. 58
جدول 5-2- حدآستانه برای همهی کلاسها 65
جدول 5-3- سرعت تشخیص عیب توسط کلاسها 66
جدول 5-4- نرخ عدم تشخیص عیب 1. 71
جدول 5-5- انتخاب سنسورهای کارآمد در وقوع عیب 1. 72
فهرست شکلها
شکل 2-1- روشهای مختلف تشخیص و جداسازی خطا 8
شکل 2-2- ساختار کلی روشهای شناسایی خطای مبتنی بر مدل 9
شکل 2-3- الگوریتم تشخیص خطا بر مبنای داده 11
شکل 3-1- ساختار نرون. 20
شکل 3-2- توابع محرک.. 21
شکل 3-3- بعد از دو تکرار بزرگتر شدن از 90 و تغییر علامت . 23
شکل 3-4– بردار وزنها در فضای دو بعدی خطی برای جدا کردن کلاس دایره از ضربدر. 23
شکل 3-5- ساختار کلی پرسپترون تکلایه 24
شکل 3-6- دو حالت پراکندگی داده های چهار کلاس در فضای دو بعدی ورودی. 25
شکل 3-7- مرزهای جداکننده یک پرسپترون تکلایه با دو ورودی و سه خروجی 26
شکل 3-8- ساختار شبکه پیشرو دو لایه با توابع سیگموئید در لایهی پنهان و لایهی خروجی. 27
شکل 3-9- کمینهی کلی و کمینهی محلی. 28
شکل 3-10- ساختار کلی آموزش با ناظر. 29
شکل 4-1- شمای فرآیند تنسی ایستمن. 36
شکل 4-2- متغیرهای (1،4،18،19،34،44،45،50) تحت شرایط نرمال. 41
شکل 4-3- متغیرهای (1،4،18،19،34،44،45،50) تحت شرایط عیب 1.. 42
شکل 4-4- آمارهی هاتلینگ در تشخیص عیب 1. 43
شکل 4-5- آمارهی Q در تشخیص عیب 1. 43
شکل 4-6- سهم دادهها در وقوع عیب 1. 46
شکل 4-7- آمارهی T2 برای متغیرهای 1،4،18،19،34،44،45،50. 47
شکل 4-8- آمارهی Q برای متغیرهای 1،4،18،19،34،44،45،50 47
شکل 4-9- آمارهی T2 برای متغیرهای 1،4،44،50. 48
شکل 4-10- آمارهی Q برای متغیرهای 1،4،44،5. 48
شکل 4-11- آمارهی T2 برای متغیرهای 1،4،19،44،45،50. 49
شکل 4-12- آمارهی Q برای متغیرهای 1،4،19،44،45،50. 49
شکل 4-13- آمارهی T2 برای متغیرهای 1،4،23،44،50. 50
شکل 4-14- آمارهی Q برای متغیرهای 1،4،23،44،50. 50
شکل 5-1- شبکه عصبی دینامیک با فیلتر با پاسخ ضربه نامحدود 53
شکل 5-2- ساختار شبکه عصبی چندلایه 53
شکل 5-3- ساختار شبکه عصبی دینامیک پیشنهادی برای جداسازی عیب.. 55
شکل 5-4- ساختار شبکه عصبی دینامیک برای آموزش و شناسایی عیب.. 56
شکل 5-5- شبکه عصبی پیشنهاد شده برای آموزش 8 کلاس.. 59
شکل 5-6- آموزش DNN1 تحت حالت نرمال با دو خروجی. 61
شکل 5-7- آموزش DNN2 تحت حالت نرمال با دو خروجی. 61
شکل 5-8- آموزش DNN3 تحت حالت نرمال با دو خروجی. 62
شکل 5-9- آموزش DNN4 تحت حالت نرمال با دو خروجی. 62
شکل 5-10- آموزش DNN5 تحت حالت نرمال با دو خروجی. 63
شکل 5-11– آموزش DNN6 تحت حالت نرمال با دو خروجی. 63
شکل 5-12– آموزش DNN7 تحت حالت نرمال با دو خروجی. 64
شکل 5-13- آموزش DNN8 تحت حالت نرمال با دو خروجی. 64
شکل 5-14- باقیماندهی DNN1 در عیب 1. 67
شکل 5-15- باقیماندهی DNN2 در عیب 1. 67
شکل 5-16- باقیماندهی DNN3 در عیب 1. 68
شکل 5-17- باقیماندهی DNN4 در عیب 1. 68
شکل 5-18- باقیماندهی DNN5 در عیب 1. 69
شکل 5-19- باقیماندهی DNN6 در عیب 1. 69
شکل 5-20- باقیماندهی DNN7 در عیب 1. 70
شکل 5-21- باقیماندهی DNN8 در عیب 1. 70
راهنمای خرید و دانلود فایل
برای پرداخت، از کلیه کارتهای عضو شتاب میتوانید استفاده نمائید.
بعد از پرداخت آنلاین لینک دانلود فعال و نمایش داده میشود ، همچنین یک نسخه از فایل همان لحظه به ایمیل شما ارسال میگردد.
در صورت بروز هر مشکلی،میتوانید از طریق تماس با ما پیغام بگذارید و یا در تلگرام با ما در تماس باشید، تا شکایت شما مورد بررسی قرار گیرد.
برای دانلود فایل روی دکمه خرید و دانلود کلیک نمایید.
ديدگاه ها