دانلود مقاله ISI انگلیسی شماره 21704 + ترجمه فارسی
عنوان فارسی مقاله

مدیریت نیروگاه برق آبی با تکیه بر شبکه های عصبی و ادغام سیستم های خبره

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی
21704 2000 13 صفحه PDF 25 صفحه WORD
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
Hydroelectric power plant management relying on neural networks and expert system integration
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Engineering Applications of Artificial Intelligence, Volume 13, Issue 3, 1 June 2000, Pages 357–369

فهرست مطالب ترجمه فارسی
چکیده
1. مقدمه
2. معماری سیستم
شکل 1. رابط سیستم مانیتورینگ.
شکل 2. معماری پیش بینی کننده سیستم
شکل 3 نمودار جریان داده بین ماژول ها.
شکل 4. رابط سیستم پیش بینی کننده.
3. معادلات ART و LVQ
3.1 ART
شکل 5. معماریART.
3.2طرح عملیاتی کامل سیستم به شرح زیر است.
شکل 6. معماری سلول های ماکرو FA.
4. اکتساب اطلاعات
4.1 اکتساب اطلاعات حالت داخلی
شکل 7: یک گروه تولید کننده شامل یک جایگزین "A" و توربین "B" است. نقاط اکتساب آکوستیک به عنوان M1، M2، H1 نامگذاری می شوند
جدول 1. تجزیه یک گروه تولیدی
4.2 اکتساب اطلاعات آکوستیک
شکل 8. مجموعه ای از طیفFFT، نشان دهنده یکی از رژیم های عادی در گروه 3 است.
5.سیستم پیش بینی کننده: سیستم خبره و عصبی
جدول 2. وضعیت های قدرت برای به دست آوردن داده های صوتی اولیه استفاده می شود
6. پیش بینی آکوستیک شبکه عصبی
شکل 9. شرح روند آموزش ویژه
7. عملکرد سیستم در یک نیروگاه برق آبی: نتایج نهایی
شکل 10. آلارم دروغین در نیروگاه برق آبی: سیستم پیش بینی،NNPM و سیستم متخصص.
شکل 11. آلارم دروغین در یک نیروگاه برق آبی: اپراتور انسان، سیستم پیش بینی و NNAP.
شکل 12. هشدارهای دروغین در یک نیروگاه برق آبی.
کلمات کلیدی
نگهداری پیشگویانه - شبکه های عصبی - تعیین میزان بردار آموزش - ایستگاه های برق - سیستم های کارشناسی -
ترجمه چکیده
استفاده از شبکه های عصبی (NN) یک رویکرد جدید است که می تواند در تصمیم گیری در هنگام یکپارچگی در یک سیستم عمومی تر، به ویژه با سیستم های خبره، مفید باشد. در این مقاله معماری مدیریت نیروگاه های برق آبی معرفی شده است. این امر به نظارت بر تعداد زیادی از سیگنال ها متکی است و نشان دهنده پارامترهای فنی نیروگاه واقعی است. معماری کلی متشکل از سیستمخبره و دو ماژول NN است: پیش بینی آکوستیک (NNAP) و تعمیر و نگهداری پیش بینی کننده (NNPM). ماژول NNAP براساس شبکه (LVQ) اندازه گیری بردار یادگیری کوهونن است و به منظور تشخیص صداهایی که توسط گروههای تولید کننده برق تولید می شود، طراحی شده است. NNPM از یکART-MAP برای شناسایی موقعیت های مختلف متغیرهای حالت نیروگاه استفاده می کند تا از ناهنجاری های آینده جلوگیری کند. علاوه بر این،یک فرآیند ویژه برای تولیدیک مجموعه آموزش کامل برای ماژول ART-MAP طراحی شده است. این فرآیند برای رسیدگی به فقدان اطلاعات در مورد وضعیت های غیر طبیعی نیروگاه توسعه داده شده است و بر اساس شبکه های عصبی آموزش دیده با الگوریتم انتشار رو به عقب است. © 2000 Elsevier Science Ltd. کلیه حقوق محفوظ است.
ترجمه مقدمه
سیستم های مدیریت نیروگاه ها به طور پیوسته بر ویژگی های مختلف زیر سیستم ها نظارت می کنند: توزیع انرژی (در خارج از نیروگاه)، ژنراتورهای انرژی، موتورها، توربین ها و غیره. ویژگی های هر زیرسیستم مربوط به مجموعه ای از متغیرهایی هستند که وضعیت فعلی را تعریف می کنند. در زیر سیستم ارزیابی این متغیرها برخی از دستورالعمل ها را در اختیار اپراتورهای انسانی برای تشخیص شرایط غیر طبیعی در نیروگاه ها قرار میدهند. با این حال، فقط یک مجموعه کوچک از متغیرها می توانند مشاهده و تجزیه و تحلیل شوند تا اطلاعات مفیدی را برای ناظر انسانی فراهم کنند. از سوی دیگر، سیستم های نظارت خودکار ساده، به طور کلی قادر به تجزیه و تحلیل تمام مقادیر ورودی و تولید آلارم هستند. سیستم های نظارت ساده هنگامی که ارزش عددییک متغیر در خارج از محدوده تعیین شده توسط خبرهان انسانی مشاهده میشودآلارم می دهند. سیستم های پیشرفته تر شامل امکان پیش بینی رویدادهای آینده می شوند تا پیش بینی شرایط نادرست انجام شود. مزایای اصلی با استفاده از ماژول های پیش بینی شده بهینه سازی بهره وری، ایمنی عملیات و حفاظت از تجهیزات در مقابل آسیب های ناشی از عملکرد بد است. این سیستم های پیش بینی در مراکز توزیع بسیار مفید هستند زیرا فلسفه کلی، مدل سازی نیروگاه و پیش بینی موقعیت های آینده به جای صرف صرف اقدامات احتیاطی است (ایوانز و همکارانش 1994). توسعه سیستم های پیچیده تر مدیریت برای نظارت اتوماتیک پیش بینی شده نیاز به تکنیک های پیشرفته ای دارد. برخی از تکنیک های هوش مصنوعی (AI) در ادبیات برای چنین سیستمی پیشنهاد شده اند (راگاوان و سیمون، 1993؛ لاسکیویکز-بوکزاک و همکارانش، 1993). این تکنیک ها اطلاعات بیشتری را برای شناسایی شکست های احتمالی آینده و علل آنها ارائه می دهند. آنها روابط داده های اجزای حیاتییک نیروگاه بررسی می کنند، و به این ترتیب امکان انجام تعمیرات پیشگیرانه موثر را فراهم می کند. سیستم های مبتنی بر دانش (KBS) با استفاده از این مقادیر و با استفاده از دانش خبره اپراتورهای نیروگاه قادر به ارائه محدوده های معتبر برای متغیرها و پیش بینی موقعیت های غیر طبیعی در آینده هستند (کیمو همکارانش 1994). به منظور کاهش وابستگییکKBS نهایی به مرحله کسب دانش، برخی از تکنیک هاییادگیری ماشینی را نیز مورد استفاده قرار داده اند (یوشیکاوا و همکارانش 1995). به طور خاص، استفاده از شبکه های عصبی (NN) یک رویکرد خوب برای سیستم های کنترل پیش بینی کننده به دلیل ارتباطات بسیار غیر خطی بین داده ها و شرایط غیر عادی است (Iایساسی و همکارانش.، 1996؛ یانگونگ و کواونبرگ، 1995 ) در حالی که یک سیستم خبره تلاش می کند تا پاسخ یک اپراتور انسانی را تقلید کند، با تجزیه و تحلیل متغیرهای مشابه به عنوان انسان، شبکه های عصبی بر این محدودیت ها غلبه میکند و سعی در تحلیل روابط غیر خطی بین بسیاری از سیگنال های مختلف دارد. ارتباط انسان و دستگاه با یک سیستم خبره، ساده است، زیرا سیستم می تواند شکست را توضیح دهد و همچنین نشان می دهد که چرا برخی از تصمیم ها گرفته شده است. این ارتباط با NN سخت است، زیرا خروجی غیر خطی به سیگنال های مختلف بستگی دارد. بنابراین ادغام کامل این دو تکنیک می تواند سیستم مدیریت جهانی را بهبود بخشد. هر دو NN و سیستم اطلاعات خبره در تصمیم نهایی در نظر گرفته شده است. اولی تمام سیگنال های اندازه گیری شده در نیروگاه را در نظر می گیرد و تصمیم گیری پیچیده ای را انجام می دهد که روابط غیر خطی را در نظر می گیرد. دومی تنها یک زیر مجموعه از سیگنال را تجزیه و تحلیل می کند، اما می تواند توضیحی در مورد وقایع پیش بینی شده برای حمایت از تصمیم گیری های انسانی ایجاد کند. در این کار یک سیستم پیش بینی ترکیبی به نام MAPAIS (اختصاری از عبارت اسپانیایی سیستم پیشرفته برای نگهداری پیش بینی کننده همراه با صوتی و تصویری) برای پیش بینی آلارم در یک نیروگاه برق آبی توسعه یافته است و در سیستم نظارت کامل هایپرویژن نام گرفته است. تمام اطلاعاتی که برای کنترل کننده نیروگاه پردازش می شود می تواند به سه دسته تقسیم شود: متغیرهای حالت داخلی، سیگنال های صوتی و سیگنال های ویدئویی. متغیرهای حالت داخلی مربوط به اندازه گیری های فیزیکی (دما، فشار، سطح آب، سطح روغن، انقلاب ها، و غیره) در دستگاه های مختلف (دریچه ها، لوله ها، روتور ها، سوئیچ ها و غیره) است. سیگنال های صوتی در توربین ها ثبت می شوند تا ضبط صدا از روتور و آب در شرایط مختلف قدرت، از حالت نرمال تا رژیم های حیاتی صورت گیرد. دوربین های فیلمبرداری تصاویر را از اجزای نیروگاه خارجی استخراج می کند. تمام داده های ضبط شده از طریق رابط چندرسانه ای هایپرویژن به کارفرمایان نشان داده می شود و برای ارزیابی عملکرد MAPAIS استفاده می شود. سیستم پیش بینی (MAPAIS) به تکنیک های هوش مصنوعی پیشرفته، پردازش سیگنال های صوتی و تصویری، سیستم های دانش تخصصی و مدل سازیNN متکی است. درون ماژول های پیش بینی شده سیستم، هدف اصلی ماژول نگهداریNN، استفاده از اطلاعات ثبت شده در هر نقطه در نیروگاه برق آبی است. به این ترتیب، ماژولهای پیش بینی شده به عنوان پیش بینی کننده حوادث آینده عمل می کنند به این معنی که آنها یاد می گیرند موقعیت های بالقوه ای را شناسایی کنند. درون سیستم پیش بینی کننده ، دو NN مختلف توسعه یافته است: اولی مقدار تمام متغیرهای حالت داخلی (NN نگهداری عددی-NNPM) و دیگری ارزش های طیفی اندازه گیری های مختلف سیگنال های صوتی در توربین را دریافت می کند (NN آکوستیک پیش آگهی -NNAP) NNPM در اینجایکART-MAPاست که وضعیت آینده در نیروگاه را بر اساس متغیرهای وضعیت داخلی پیش بینی می کند. NNAP NQ LVQ است که طیف های صوتی را به نویز صوتی طبیعییا غیر طبیعی طبقه بندی می کند. استفاده از NN با استفاده از متغیرهای حالت داخلی هنگام برخورد با شرایط واقعی (نه شبیه سازی) یک مشکل مهمی را به وجود می آورد: به دست آوردن محدودیت های امنیتی و بهره وری در نیروگاه، دستیابی به مجموعه ای کامل از اطلاعات مربوط به شرایط غیر طبیعی امکان پذیر نیست. در این کار، یک روش خاص برای تولید مجموعه های آموزشی کامل ایجاد شده است. روابط غیر خطی بین متغیرهای حالت داخلی در یک پراسترن چند لایه (MLP) به دست آمده است، که با استفاده از الگوریتم برگشت ضریب تکمیل شده است. این سیستم در حال حاضر در نیروگاه نیروگاه آبی الکتریکیVillalcampo I (IBERDROLA)قرار دارد که در استان زامورا شمال غربی اسپانیا واقع شده است. ایننیروگاه نیز برای پیاده سازی و آزمایش بیشتر پروژه MAPAIS مورد استفاده قرار گرفته است.
پیش نمایش مقاله
پیش نمایش مقاله مدیریت نیروگاه برق آبی با تکیه بر شبکه های عصبی و ادغام سیستم های خبره

چکیده انگلیسی

The use of Neural Networks (NN) is a novel approach that can help in taking decisions when integrated in a more general system, in particular with expert systems. In this paper, an architecture for the management of hydroelectric power plants is introduced. This relies on monitoring a large number of signals, representing the technical parameters of the real plant. The general architecture is composed of an Expert System and two NN modules: Acoustic Prediction (NNAP) and Predictive Maintenance (NNPM). The NNAP is based on Kohonen Learning Vector Quantization (LVQ) Networks in order to distinguish the sounds emitted by electricity-generating machine groups. The NNPM uses an ART-MAP to identify different situations from the plant state variables, in order to prevent future malfunctions. In addition, a special process to generate a complete training set has been designed for the ART-MAP module. This process has been developed to deal with the absence of data about abnormal plant situations, and is based on neural nets trained with the backpropagation algorithm.

مقدمه انگلیسی

The management systems of power plants continuously monitor different features of several subsystems: energy distribution (located outside the power plant), energy generators, motors, turbines, etc. The features of each subsystem are related to a set of variables that define the current situation in the subsystem. The evaluation of these variables gives some guidelines to human operators to detect abnormal situations in power plants. However, only a small set of variables can be observed and analyzed, to give useful information to the human observer. On the other hand, simple automatic monitoring systems are, in general, able to analyze all the input values and generate alarms. Simple monitoring systems warn when the numerical value of a variable is outside the range set by human experts. More sophisticated systems include the possibility of forecasting future events, in order to anticipate malfunction situations. The main advantages to be gained by using predictive modules are the optimization of productivity, operating safety, and the protection of equipment against damage caused by malfunctions. These predictive systems are especially useful in distributed control centers, since the general philosophy is to model the plant and predict future situations instead of merely taking precautionary measures (Evans et al., 1994). The development of more complex management systems, for predictive automatic surveillance, needs more advanced techniques. Some Artificial Intelligence (AI) techniques have been suggested in the literature for such systems (Raghavan and Simon, 1993 and Loskiewicz-Buczak et al., 1993). These techniques give additional information for the identification of potential future failures and their causes. They analyze the relations between items of data coming from vital components of a power plant, thereby making it possible to perform effective preventive maintenance. Knowledge-based systems (KBS) are able to provide valid ranges for variables, and to predict future abnormal situations from these values, using the expert knowledge of plant operators (Kim et al., 1994). In order to reduce the dependence of a final KBS on the knowledge-acquisition phase, some machine learning techniques (Yoshikawa et al., 1995) have also been applied. In particular, the use of neural networks (NN) is a good approach to predictive control systems because of the highly non-linear relationships between the data and the abnormal situations (Isasi et al., 1996 and Yonghong and Van Cauwenberghe, 1995). While an expert system tries to mimic the response of a human operator, analyzing the same variables as the human, the neural networks overcome these limits and try to analyze non-linear relations between many different signals. The man–machine communication is simple with an expert system, because the system could explain failures and also indicate why some decisions have been taken. This communication is hard with an NN, because the output depends non-linearly on different signals. So a complete integration of these two techniques could improve the global management system. Both the NN and the expert system information has been taken into account in the final decision. The former considers all the signals measured in the power plant, and makes a complex decision that considers the non-linear relations. The latter analyzes only a subset of the signals but can generate an explanation about the predicted events to support the human decision-making. In this work, a hybrid predictive system named MAPAIS (an abbreviation of the Spanish for an advanced system for predictive maintenance incorporating audio and video) has been developed to forecast alarms in a hydroelectric power plant, and is included in a complete monitoring system named HYPERVISION. All the information that is processed to monitor the plant could be divided in three clusters: internal state variables, audio signals and video signals. The internal state variables are related to physical measures (temperature, pressure, water level, oil level, revolutions, etc.) taken in several devices (valves, pipes, rotors, switches, etc.). The audio signals are recorded in turbines in order to capture the sound of the rotors and the water in different power situations, from normal to critical regimes. The video cameras record images from external power-plant components. All the recorded information is shown to human operator through the HYPERVISION multimedia interface, and is used to evaluate the performance of MAPAIS. The predictive system (MAPAIS) relies on advanced artificial intelligence techniques, audio and video signal processing, expert knowledge systems and NN modeling. Within the predictive modules of the system, the main goal of the NN maintenance module is to take advantage of the data recorded at every point in the hydroelectric plant. In this way, the predictive modules are acting as predictors of future incidents in the sense that they learn to detect situations of potential conflict. Inside the predictive system, two different NN have been developed: the first receives the values of all the internal state variables (NN Predictive Maintenance-NNPM), and the other takes the spectral values of different acoustic signal measures in the turbines (NN Acoustic Prediction-NNAP). The NNPM developed here is an ART-MAP that predicts the future situation in the power plant on the basis of the internal state variables. The NNAP is an LVQ NN that classifies audio spectrums into normal or abnormal acoustic noise. The use of NN using internal state variables when dealing with real situations (not simulations) adds an important problem: the acquisition of a complete set of data corresponding to abnormal situations is not possible, due to security and productivity restrictions in the plant. In this work, a special procedure for generating complete training sets has been developed. The non-linear relationships between the internal state variables have been obtained in a Multilayer Perceptron (MLP), trained using a backpropagation algorithm. The system is currently working in the hydroelectric plant named Villalcampo I (IBERDROLA), which is located in the Zamora province of Northwest Spain. This plant has also been used for implementing and further testing of the MAPAIS project.

خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.