تشخیص، شناسایی و جداسازی عیب توربین گاز پالایشگاه دوم پارس جنوبی با استفاده از روش‌های ترکیبی داده‌کاوی، k-means، تحلیل مؤلفه‌های اصلی (PCA) و ماشین بردار پشتیبان (SVM)

نویسندگان

1 دانشگاه شیراز - دانشکده آموزش‌های الکترونیکی

2 دانشگاه شیراز - دانشکده مهندسی برق و کامپیوتر

چکیده

در این مقاله، به تشخیص، شناسایی و جداسازی عیب توربین گاز پرداخته شده است. در ابتدا، با استفاده از الگوریتم k-means، به کاهش بعد داده‌های اولیه پرداخته شده و سپس با پیاده‌سازی تحلیل مؤلفه‌های اصلی (PCA)، دانشی که درون داده‌های شرایط عملیاتی نرمال توربین پنهان بوده استخراج و با استفاده از آن به تشخیص و شناسایی عیب توربین گاز پرداخته شده است. در مرحله بعد، با به‌کارگیری ابزار ماشین بردار پشتیبان (SVM)، جداسازی عیب توربین گاز انجام شده است. استفاده ترکیبی از فنون داده‌کاوی و بهره‌گیری از نقاط قوت فنون به‌کاربرده‌شده، از نکات بارز این مقاله است. سامانه‌های مورد مطالعه، توربین گاز مدل MS6001 از شرکت جنرال الکتریک و توربین گاز مدل MS5002C از شرکت Nuovo Pignone، به‌ترتیب در واحد نیروگاه و ایستگاه تقویت فشار و صادرات گاز پالایشگاه دوم پارس جنوبی بوده و با توجه به دانش علمی و تجربی، سیگنال‌های مهم انتخاب و تجهیزات لازم جهت ثبت آنان توسط نویسندگان روی توربین‌های گاز به‌صورت عملی پیاده‌سازی و آزمایش شده و نتایج روش پیشنهادی، در این مقاله آورده شده است.

کلیدواژه‌ها


عنوان مقاله [English]

Fault Detection, Identification and Isolation of South Pars Gas Turbine Using a Combined Method Based on the Data Mining Techniques, k-means, PCA and SVM

نویسندگان [English]

  • M. Khorram Kashkooli 1
  • M. Dehghani 2
1 School of E-Learning, Shiraz University, Shiraz, Iran
2 School of Electrical and Computer Engineering, Shiraz University, Shiraz, Iran
چکیده [English]

In this paper, fault detection, identification and isolation of gas turbines has been investigated. At first, by using k-means algorithm, dimension of primary data is reduced and then with the implementation of principal component analysis (PCA), the knowledge hidden in the data of normal operating conditions of gas turbine, is extracted and faults in the gas turbine have been detected. Then, in the next step, by applying support vector machine (SVM), the detected faults are isolated. Using the combination of data mining techniques and utilizing strong points of these techniques are highlighted points of this paper. Two real systems, GE gas turbine MS6001 and Nuovo Pignone Gas turbine MS5002C, which are located in power generation unit and gas station in second refinery of south Pars are considered. Based on scientific and empirical knowledge, signals are selected and required devices for recording them is implemented on gas turbines by authors. The results of the proposed method are included in the paper.

کلیدواژه‌ها [English]

  • Gas turbine
  • fault detection and isolation
  • Clustering
  • Data Mining
  • Principal Component Analysis (PCA)
  • support vector machine (SVM)