الهام قنبری

توربین های گازی ماشین های پیچیده و گران قیمتی هستند که هزینه های تعمیر خرابی های پیش بینی نشده ی آن ها بالاست. حس گرهای سامانه ی کنترلی توربین های گازی به طور پیوسته داده های زیادی را گزارش می کنند که ثبت و جمع آوری مقادیر آن ها، 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 حس گرهای نصب شده 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 مؤلفه های 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 به خوبی از پس کاهش ابعاد ماتریس، استخراج ویژگی ها با کمک تکنیک «تحلیل مؤلفه های 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 مؤلفه های 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.