دوره 21، شماره 1 - ( 3-1403 )
جلد 21 شماره 1 صفحات 38-27 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Parvinnia E, Safari M, khayami S. Exploring on rotating machines abnormal state with data mining in protective parameters. JSDP 2024; 21 (1) : 3
URL: http://jsdp.rcisp.ac.ir/article-1-1351-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1351-fa.html
پروین نیا الهام، صفری محمد، خیامی سید علیرضا. تشخیص حالت غیر نرمال ماشین های دوار با داده کاوی در پارامترهای حفاظتی. پردازش علائم و داده‌ها. 1403; 21 (1) :27-38
دانشگاه آزاد اسلامی واحد شیراز
چکیده: (316 مشاهده)
برای محافظت از ماشین های دوار و جلوگیری از کارکرد آنها در حالتهای غیر عادی به صورت سنتی از سیستمهای کنترل حفاظتی و داده های فرایندی بهره گیری می شود. در این مقاله روشی پیشنهاد شده است که بتوان از تاثیرات غیر مستقیم حالتهای کارکرد غیر عادی با استفاده از شیوه های داده کاوی حالت غیر طبیعی کارکرد ماشین های دوار را تشخیص داد. یکی از حالت های خطرناک کارکرد غیر عادی در کمپرسورها به عنوان یکی از ماشین های دوار با اهمیت در صنایع، وضعیت سرج می باشد. دراین مقاله، با استفاده از داده های واقعی ذخیره شده در طول سه سال متوالی یک کمپرسور سه مرحله ای واحد سرمایش یک پالایشگاه گاز ارتباط میان وضعیت سرج کمپرسور و میزان لرزش نقاط مختلف آن بررسی شده است. با شیوه های داده کاوی اثبات شده است که ارتباط مستقیمی بین حالت سرج و میزان لرزش وجود دارد. همچنین نقاط حساس تر به لرزش در زمانهای سرج شناسایی شده است و اثبات شده است که از طریق اندازه گیری این نقاط میتوان سرج را تشخیص داد. بنابراین علاوه بر شیوه های موجود و سنتی قبلی که از داده های فرایندی استفاده می کنند، میتوان از میزان لرزش نقاط به عنوان یک سیستم حفاظتی افزونه برای تشخیص سرج بهره گرفت و از این طریق حفاظت بیشتری از کمپرسور در برابر وضعیت سرج بعمل آورد. در این مطالعه، ارزیابی شیوه های مختلف داده کاوی نیز صورت گرفته است که نتایج روش نزدیکترین همسایه با تعداد همسایه دو دارای بهترین کارایی بوده است و همچنین اثرات تعداد رکورد موجود در مجموعه داده روی کیفیت و دقت نتایج بررسی شده است.
شماره‌ی مقاله: 3
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش داده‌های رقمی
دریافت: 1401/8/22 | پذیرش: 1402/12/6 | انتشار: 1403/5/13 | انتشار الکترونیک: 1403/5/13
دریافت: 1401/8/22 | پذیرش: 1402/12/6 | انتشار: 1403/5/13 | انتشار الکترونیک: 1403/5/13
فهرست منابع
1. پروین نیا، فرداد، "ارائه یک سامانه تصمیم یار جهت پیش بینی خاموشی اضطراری نیروگاه های برق آبی با استفاده از استخراج قوانین انجمنی"، نشریه علمی پژوهشی کیفیت و بهره‌وری صنعت برق ایران، شماره 13، 15- 27، 1397.
2. L. Chang Zheng, X. Bing, Compressor Surge Detection Based on Online Learning, Third International Conference on Intelligent Human-Machine Systems and Cybernetics, Vol. 2 , PP. 123-126, 2011 [DOI:10.1109/IHMSC.2011.100]
3. A. Chaouni, Benabdellah, A. Benghabrit, I. Bouhaddou, A survey of clustering algorithms for an industrial context, Second International Conference on Intelligent Computing in Data Sciences (ICDS 2018), 2019 [DOI:10.1016/j.procs.2019.01.022]
4. A. Contreras-Valdes, JP. Amezquita-Sanchez, D. Granados-Lieberman, M. Valtierra-Rodriguez, Predictive data mining techniques for fault diagnosis of electric equipment: a review. Applied Sciences,2020. [DOI:10.3390/app10030950]
5. R.H. Cunha, I.N. DaSilva, A. Goedtl, W.F. Godoy, A Comprehensive Evaluation of Intelligent Classifiers for Fault Identification in Three Phases Induction Motors, Electric Power System Research, Vol.127, PP.249-258, 2015 [DOI:10.1016/j.epsr.2015.06.008]
6. M. Diaz, D. Morinigo Sotelo, O. Duque Perez, Advances in Classifier Evaluation: Novel Insight for an Electric Data Driven Motor Diagnosis, IEEE Access, Vol.4, PP.7028-7038, 2016 [DOI:10.1109/ACCESS.2016.2622679]
7. M. Gribbestad, MU. Hassan, IA. Hameed, K. Sundli, Health Monitoring of Air Compressors Using Reconstruction-Based Deep Learning for Anomaly Detection with Increased Transparency, Entropy, 2021. [DOI:10.3390/e23010083]
8. L. Guo, Y. Lei, S. Xing, T. Yan, N. Li, Deep Convolutional Transfer Learning Network: A New Method for Intelligent Fault Diagnosis of Machines with Unlabeled Data, IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS, 2018 [DOI:10.1109/TIE.2018.2877090]
9. A. Kusiak, A. Verma, Analyzing Bearing Fault in Wind Turbines: A Datamining Approach, Renewable Energy, Vol.48, PP.110-116,2012 [DOI:10.1016/j.renene.2012.04.020]
10. G.K. McMillan, Centrifugal And Axial Compressor Control, Momentum Press, 2010
11. M. Orkisz, P. Lipnicki, " International Symposium on Power Electronics, Electrical Drives, Automation and Motion (SPEEDAM)", Electronic ISBN: 978-1-4799-4749-2, 2014 [DOI:10.1109/SPEEDAM.2014.6871978]
12. A. Purarjomand Langrudi, A. Ghapanchi, M. Esmalifalak, A Datamining Approach for Fault Diagnosis: An Application of Anomaly Detection Algorithm, Measurement, Vol. 55, PP. 343-352, 2014 [DOI:10.1016/j.measurement.2014.05.029]
13. A. Sivakumar, S. Vaithiyanathan, Vibration based Data Analysis of Single Acting Compressor through Condition Monitoring and Multilayer Perceptron-A Machine Learning Classifier, InIOP Conference Series: Materials Science and Engineering, 2021. [DOI:10.1088/1757-899X/1012/1/012032]
14. P.N. Tan, M. Steinbach, V. Kumar, Introduction To Data mining, Pearson,2005
15. L. Wen, X. Li, L. Gao, Y. Zhang, A New Convolutional Neural Network Based Data-Driven Fault Diagnosis Method, IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS, 2017
16. A. Contreras-Valdes, JP. Amezquita-Sanchez, D. Granados-Lieberman, M. Valtierra-Rodriguez, Predictive data mining techniques for fault diagnosis of electric equipment: a review, Applied Sciences, 2020. [DOI:10.3390/app10030950]
17. L. Zhong, Y. Liu, J. Zhao, W. Wang, Deep predictive controller designed for centrifugal compressor system anti-surge, In2020 Chinese Automation Congress (CAC), 2020 [DOI:10.1109/CAC51589.2020.9327381]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
