کنترل

اهمیت استفاده از روش ­های داده ­کاوی در سامانه­ احتراق بویلر نیروگاه ­های حرارتی

به دلیل اهمیت فرآیند احتراق در سامانه­ بویلر، تنظیم پارامترهای مؤثر بر روی این فرآیند در نیروگاه ­های حرارتی نقش بسیار مهمی را در کاهش مصرف سوخت و کاهش انتشار آلاینده­ های زیست محیطی ایفا می­ کند. از طرفی این فرآیند یک فرآیند چند ورودی چند خروجی، متغیر با زمان، به شدت غیرخطی و متداخل می ­باشد که بیان یک مدل ریاضی جامع و دقیق برای این فرآیند در اندازه صنعتی بسیار مشکل است. از این­ رو استفاده از روش­ های کلاسیک مبتنی بر مدلسازی ریاضی برای این سامانه مشکل می­ باشد.
با وجود این مشکلات و با توجه به اینکه سامانه­ های کنترل توزیع شده به طور گسترده در نیروگاه ها مورد استفاده قرار می گیرد و داده های مربوط به پارامترهای مختلف از جمله پارامترهای مهم بویلر و سامانه احتراق آن جمع آوری و ثبت می­ شوند استفاده از روش های داده کاوی یک روش بسیار مؤثر می ­باشد.

حجم بالا داده های سامانه محتوی اطلاعات مفیدی از بویلر می باشد که می تواند بوسیله روش های داده کاوی مورد آنالیز قرار گرفته و به منظور بهینه سازی فرآیند  احتراق و همچنین در پیش بینی وقوع خطاهای ممکن و مدل سازی به کار گرفته شوند. یکی دیگر از مزیت های داده کاوی این است که داده های مورد نیاز برای آنالیز از این روش در حین شرایط کاری نرمال سامانه جمع آوری می ­شود و نیاز به ایجاد شرایط و وضعیت­ های خاصی برای سامانه نمی باشد و از آن­جایی که در نیروگاه ها تغییر شرایط عادی سامانه به حالت­ های خاص بسیار مشکل، هزینه ­بر و خطرناک می باشد، روش های داده کاوی می ­توانند روش های بسیار مفید و مؤثری باشند. در این مقاله به صورت خلاصه کاربرد روش های داده ­کاوی روی سامانه­ احتراق بویلر مورد بررسی قرار می­ گیرد.

1.مقدمه

استفاده از روش های داده کاوی در صنعت تقریباً از سال 1990 آغاز شد [2] و به تدریج با مورد توجه قرار گرفتن این روش ها از سوی مهندسین و تولیدکنندگان در سال­ های اخیر کاربرد این روش ها در صنعت پیشرفت چشم­ گیری داشته است؛ تا جایی که هم ­اکنون روش های داده کاوی در محیط ­های صنعتی زیادی به منظور استخراج دانش برای تعمیرات و نگهداری پیش گویانه، آشکارسازی خطا، طراحی، تولید، تضمین کیفیت، برنامه ­ریزی و … مورد استفاده قرار می ­گیرد.
مهم ­ترین کاربردهای روش های داده ­کاوی و کشف دانش در سامانه های احتراق بویلر نیروگاه ها شامل آنالیز وضعیت­ ها و بهینه سازی (افزایش بازده احتراق) [3،9،5]، تشخیص و پیش ­بینی خطا[7] و مدل­سازی [4،6،8] می باشد که در این مقاله سعی شده یک مرور اجمالی بر این روش­ ها صورت گیرد.
الگوریتمی که به منظور کاربرد روش های داده­ کاوی در اکثر مقالات مورد استفاده قرار گرفته است طبق شکل 1 شامل مراحل زیر می باشد:
1. جمع ­آوری داده ها: در این مرحله داده های بویلر توسط سامانه­ کنترل توزیع شده جمع­ آوری و ثبت می­ شود.
2. انتخاب ویژگی ­ها: پس از جمع ­آوری داده ها ویژگی­ های مهم و تأثیرگذار در سامانه­ احتراق بویلر به منظور اعمال فرآیند  داده­ کاوی انتخاب می ­شوند
3. کاهش داده ها: به منظور کاهش حجم داده ها و کاهش حجم محاسبات و فضای مورد نیاز برای ذخیره­ داده ها از روش های کاهش داده استفاده می­ شود. 
4. داده ­کاوی: اعمال روش داده ­کاوی مورد نظر به داده های پیش­ پردازش شده و بدست آوردن نتیجه­ مناسب از روی این داده ها
5. بررسی نتایج بدست آمده از فرآیند داده ­کاوی

شکل1.فلوچارت روش بکارگرفته شده

نکته­ قابل توجه این است که این الگوریتم به صورت خطی (مستقیم) نیست و در مرحله­ ای که نتایج بررسی می ­شود در صورت مناسب نبودن نتایج حاصله، امکان بازگشت به هر یک از مراحل قبلی و انجام تصحیحات مورد نظر وجود دارد. (شکل 1)

2.مدل­سازی با استفاده از روش های داده کاوی

بدست آوردن یک مدل ریاضی برای بویلر در یک نیروگاه حرارتی نقش بسیار مهمی را در کنترل، ارزیابی، عملکرد بهینه، تشخیص خطا و شبیه­ سازی­ ها ایفا می کند. سامانه­ بویلر دارای خصوصیاتی مثل متغیر با زمان، به شدت غیرخطی، چند متغیره و تداخل زیاد می باشد [1،10]. روش های معمول مدل­سازی یک سامانه­ بویلر به دو دسته­ روش های تئوری و روش های مبتنی بر آزمایش تقسیم­ بندی می ­شود. روش های تئوری بر اساس تحقیق روی سازوکار داخلی و ساختار و پارامترهای سامانه می باشد. در این روش به دلیل در نظر گرفتن برخی فاکتورگیری­ ها و ساده ­سازی­ ها دقت مدل­سازی کاهش می ­یابد. در روش آزمایش محور، مدل ریاضی سامانه در حین آزمون واقعی سامانه بدست می ­آید که معمولاً این روش های مدل­سازی به شناسایی سامانه معروف است [8،6]. در این روش برای بدست آوردن مدل سامانه، سیگنال­ های ورودی خاصی در نظر گرفته می ­شود و سپس پاسخ سامانه مورد آزمایش قرار گرفته و مدل بر اساس رابطه بین سیگنال­ های ورودی و داده های خروجی بدست می­ آید.
رابطه بین متغیرهای اندازه ­گیری و پارامترهای آزمون واقعی قبل از انجام تست باید مورد بررسی قرار گیرد و ساختار مدل باید قابل توجیه و قابل فهم باشد. مدل یک بویلر باید دارای دقت بالا بوده و رابطه بین متغیرهای ورودی و خروجی واضح باشد. از این رو در فرآیندهای مدل­سازی معمولی مفروضاتی در نظر گرفته می شود که به طور مستقیم روی دقت مدل سامانه تأثیر می ­گذارد. سامانه­ کنترل توزیع شده نیروگاه­ ها تعداد بسیاری از داده های کاری مربوط به پارامترهای مختلف بویلر را ذخیره می کند که این داده ها محتوی دانش و قوانین مهمی می باشند و علاوه بر آن این داده ها از شرایط کاری طبیعی سامانه (از ماهیت اصلی و خود سامانه) بدست می­ آیند.
روابط بین این داده ها یک اطلاعات صحیح از ساختار سامانه بدون هیچ ­گونه فرضیاتی را بازتاب می کند. استفاده از این داده ها برای پدید آوردن یک مدل دقیق ریاضی بسیار مفید است و می ­تواند ضعف روش های متداول مدل­سازی را از بین ببرد. به طور مثال در مقاله[­8] از روش های داده کاوی به منظور مدل سازی بویلر نیروگاه حرارتی فولاد مبارکه اصفهان استفاده شده است که تفاوت بین روش ارایه شده در این مقاله و سایر روش های مدل­سازی به شرح زیر است­:

1. در روش ارایه شده متغیرهای ورودی در شرایط طبیعی و بدون هیچ ­گونه دخالت انسان بدست می ­آیند که این نکته برای مدل­سازی سامانه های متداخل و چند بعدی بسیار مهم است.
2. در روش ارایه شده نیازی به در نظر گرفتن فرضیاتی برای ساختار سامانه نیست به همین خاطر دقت مدل­سازی افزایش می­ یابد.
3. داده های واقعی سامانه شامل حالت­ های مختلف سامانه است و به همین دلیل سودمندی مدل ارتقا می­ یابد.

3.آنالیز وضعیت ها و بهینه­ سازی

یکی از کاربردهای مهم داده ­کاوی در تحلیل وضعیت­ های سامانه و استخراج روابط بین پارامترهای مختلف سامانه می باشد و معمولاً قوانینی هم که از روش های داده کاوی استخراج می­ شوند کاملاً قابل فهم و سازگار با تجربه های افراد خبره در آن زمینه می باشد. در مقاله­[9] با استفاده از روش های داده کاوی و استفاده از داده های فازی راندمان بویلر نیروگاه حرارتی ذوب آهن اصفهان بهبود یافته است. در این مقاله به این نکته اشاره شده است که داده های موجود در سامانه بویلر، خروجی حسگرهای نصب شده روی این سامانه است و اغلب این داده ها دارای دقت مناسب نبوده و از آن­جایی که بدست آوردن خروجی مفید از روش های داده کاوی مستلزم داشتن داده های دقیق می باشد استفاده از داده های فازی در تحلیل این داده ­ها بسیار مفید می ­باشد. در مقاله مذکور یک روش مبتنی بر روش های داده­ کاوی فازی به منظور افزایش راندمان بویلر ارایه شده و سپس کارایی آن با استفاده از یک آزمون مجازی روی سامانه­ بویلر نیروگاه حرارتی ذوب­ آهن اصفهان مورد ارزیابی قرار گرفته است. از مهم­ ترین مزیت­ های روش ارایه شده در این مقاله می ­توان به موارد زیر اشاره کرد:

1. خروجی روش ارایه شده به آسانی قابل پیاده ­سازی با سامانه­ کنترل موجود در نیروگاه می باشد.
2. عدم نیاز به مدل­سازی ریاضی سامانه به منظور بهینه­ سازی.
3. کاهش تأثیر داده های اشتباه یا همراه با نویز به خاطر حذف داده های زاید و استفاده از داده های فازی.

البته باید به این نکته اشاره کرد که در همه­ این روش ها تصمیم ­گیری بر اساس داده های در دسترس می باشد و اگر دامنه­ این داده ها وسیع نبوده و همه­ شرایط سامانه را در بر نگیرد سودمندی خروجی الگوریتم­ ها کاهش می ­یابد که این یک عیب روش های عنوان شده می باشد.

4.کاربرد داده ­کاوی در آشکارسازی و پیش­ بینی خطا

یکی از کاربردهای دیگر داده­ کاوی در سامانه­ بویلر آشکارسازی و پیش ­بینی خطاهای سامانه می باشد. به طور مثال در مقاله­ [7] ابتدا داده ها به سه دسته­ داده های مربوط به شرایط عملکرد عادی سامانه، داده های مربوط به شرایط خطاهای آنی و داده های مربوط به شرایط خطاهای وابسته تقسیم شده و سپس از روش های داده ­کاوی به منظور تشخیص و پیش ­بینی خطا در مشعل بویلر نیروگاه بخار استفاده شده است.

اهمیت پیش ­بینی خطای مشعل در این است که می­ توان با داده های موجود سامانه احتمال وقوع خطا در مشعل بویلر را در چرخه های کاری آینده سامانه پیش­ بینی کرد و در صورت وجود خطا تمهیدات لازم را برای جلوگیری از وقوع خطا در سامانه لحاظ نمود.

5.نتیجه ­گیری

با توجه به اهمیت سامانه­ احتراق بویلر در نیروگاه های حرارتی و مشکلات تنظیم این سامانه و بکارگیری سامانه های کنترل توزیع شده در اکثر نیروگاه های برق، استفاده از روش های داده ­کاوی یک روش بسیار مناسب در تنظیم، مدل­سازی و پیش ­بینی پارامترهای مختلف این سامانه می باشد که در این مقاله به بررسی اجمالی کاربردهای روش های داده ­کاوی در سامانه­ احتراق بویلرها پرداخته شد.

مراجع:

1.Parsa. M, Kamyad. A. V and Sistani. M. B. N, “Improve Performance of Multivariable Robust Control in Boiler System,” Canadian Journal on Automation, Control & Intelligent Systems, Vol. 2, No. 4, pp. 57-62, June 2011.
2.J. A. Harding, M. Shahbaz, S.Srinivas, A. Kusiak, “Data Mining in Manufacturing: A Review, Journal of Manufacturing Science and Engineering, Vol. 128, pp969-976, Nov.2006.

برای امتیاز به این نوشته کلیک کنید!
[کل: 0 میانگین: 0]

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *