مقاله عيب يابي واحد تفكيك بوتان با استفاده از شبکه هاي عصبي

دسـته بنـدی   »  فایلهای عملی

مقاله عيب يابي واحد تفكيك بوتان با استفاده از شبکه هاي عصبي
  • Rating: (15)
  • 15\05\1393
  • 620

چكيده
در اين تحقيق, شبكه هاي عصبي مصنوعي جهت عيب يابي يكي ازفرايندهاي مورد استفاده در فرآورش گاز طبيعي به کار رفته است. اين شبكه ها در مدلسازي فرآيند هاي غير خطي و پيچيده قابل استفاده مي باشند و از اين رو کاربرد زيادي در فرآيندهاي صنايع نفت و گاز دارند. يکي از کاربردهاي شبکه هاي عصبي  تشخيص عيوب فرايند با استفاده از داده هاي به دست آمده از سيستمهاي اندازه گيري کميت هاي فرايندي ميباشد. تشخيص صحيح و سريع عيوب يكي از مسائل مهم در راهبري و مديريت عمليات واحدهاي فرآيندي مي باشد. عدم تشخيص به موقع مشکلات و عيوب باعث ادامه وضعيت غير نرمال فرايند شده که اين موضوع منجر به کاهش بازده فرايند, کيفيت محصول و استانداردهاي ايمني ميشود. به طور کلي وجود شرايط غيرنرمال در عمليات فرايند عامل ايجاد خسارت هاي مادي و در بدترين وضعيت, تلافات جاني ميباشد. فرآيندي كه در اين تحقيق مورد بررسي قرار گرفته برج تفکيک بوتان است. اين فرايند شامل يک برج تقطير سيني دار مجهز به کندانسور, ربويلر, وتجهيزات جانبي از قبيل محفظه تبخير ناگهاني, پمپ و سيستمهاي کنترل و اندازه گيري ميباشد. خوراك فرآيند به صورت دو جريان مجزا وارد سيني هاي چهارم و هشتم يك برج تقطير سيني دار مي شود. محصول بالاي برج عمدتاً شامل بوتان و بوتيلن و محصول پايين آن حاوي پنتان و هيدروكربنهاي سنگين تر مي باشد. داده هاي مورد نياز براي آموزش شبکه عصبي از شبيه سازي واحد در حالت ناپايا به دست مي آيد. بدين منظور فرايند مذکور با استفاده از نرم افزار HYSYS در حالت ديناميکي شبيه سازي شد. ده عيب محتمل بر اساس تجهيزات موجود در فرايند, در نظر گرفته شد. همچنين, سيزده کميت اندازه گيري شده توسط سيستم کنترل و ابزار دقيق واحد, جهت تشخيص عيب به عنوان بردار ورودي به شبکه عصبي لحاظ گرديدند. داده هاي آموزشي, آزمايشي و ارزيابي مورد نياز براي طراحي شبکه عصبي از شبيه سازي ديناميکي واحد به دست آمد. شبکه مورد استفاده در اين تحقيق از نوع شبکه هاي پيشرونده Multi-Layer Perceptron (MLP) ميباشد. اين شبكه عصبي شامل يک لايه مخفي و يک لايه خروجي هر کدام شامل ده نرون است. توابع انتقالي لايه مخفي و لايه خروجي به ترتيب از نوع tansig و logsig مي باشند. سيستم عيب يابي طراحي شده با استفاده از شبيه سازي واحد در حالت ناپايا مورد ارزيابي قرار گرفت. بررسي نتايج ارزيابي نشان داد که شبکه عصبي طراحي شده در اکثر موارد با دقت نسبتاً مناسبي قادر به تشخيص عيوب فرايند ميباشد.

واژه هاي کليدي: عيب يابي فرايند-شبکه هاي عصبي- شبيه سازي ديناميکي- برج تفکيک بوتان

مراجع
Beaumont ,A.J., and A.Scarisbick, "Adaptive transient air-fuel ratio control to minimize gasoline engine emissions", FISITA Congress, London (1992) 1-
Turner ,P., B. Lennox, G.A.Montague, and A.J.Morris, "modeling complex systems using artificial neural networks ", World Congress on Neural Networks,San Diego (1996) 2-
Lennox,B., G.A.Montague, A.M.Frith, C.Gent, and V.Bevan, "Industrial application of neural networks-an investigation", Journal of  Process control II (2001) 497-507 3-
Montague ,G.A., A.T.Tham, M.J.Willis, and A.J.Morris, "Predictive control of distillation columns using dynamic neural networks",Dycord,92,University of Maryland, College Park(1992) 4-
Zhang ,J., A.J. Morris, E.B. Martin, and C. Kiparissides," Estimation of impurity and fouling in batch polymerisation reactors through the application of neural networks", Computers and Chemical Engineering 23 (1999) 301–314 5-
Nimo.I. "Adequately address abnormal situation         operations",Chem.Eng.Progress,91(9),(1995)36-45 6-
Leung, D., and J. Romagnoli, “Dynamic probabilistic model-based expert system for fault diagnosis”, Computers and Chemical Engineering 24 (2000) 2473-2492 7-
Young Eo., S., T. S. Chang, D. Shin and E. S. Yoon, “Cooperative problem solving in diagnostic agents for chemical processes”, Computers and Chemical Engineering 24 (2000) 729-734 8-
Lin, W., U. Quian and X. Li, “Nonlinear dynamic principal component analysis for on-line process monitoring and diagnosis”, Computers and Chemical Engineering 24 (2000) 423-429 9-
Yon, S. and J. F. McGregor, “Statistical and causal model-based approaches for fault detection and isolation”, AIChE Journal 46 (2000) 1813-1824 10-
Venkatasubramanian,V. and K.Chan, "A neural network methodology for process fault diagnosis", AIChE Journal, 35(12)(1989)1803-1812 11-
Fan, J. Y., M. Nikolaou, and R. E. White, “An approach to fault diagnosis of chemical processes via neural networks”, AIChE Journal 93 (1993) 82-88 12-
Watanabe, K., I. Matsuura, M.Abe, M. Kubota, and D.M. Himelbelau, "Incipient fault diagnosis of chemical processes via artificial neural networks", AIChE Journal 35(11)(1989)1803-1812 13-
Eslamloueyan ,R., M. Shahrokhi, R. Bozorgmehri, "Multiple simultaneous fault diagnosis via hierarchical and single artificial neural networks", Scientia Iranica, Vol. 10,No. 3,(2003)300-310 14-
Eslamloueyan ,R., M. Shahrokhi, R. Bozorgmehri, "Designing an efficient probabilistic neural network for fault diagnosis of nonlinear processes operating at multiple operating regions", Scientia Iranica, in press (2006) 15-
Hagan, M. T., H. B. Demuth and M. Beale, Neural Netwrok Design, PWS Publishing Company, 1996. 16-


تعداد صفحه : 14 
نوع : فایل word

محصولات مشابه


...هنـوز نظـری داده نشـده اسـت

پـاسـخ

موارد اجبـاری : نـام
نمایش داده نخواهد شـد موارد اجبـاری : ایـمیـل
: وب سـایـت
موارد اجبـاری : کد امنیتی
موارد اجبـاری : نـظــر


«تمامي فعاليت‌هاي اين سايت تابع قوانين و مقررات جمهوري اسلامي ايران است»