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)

Authors

Abstract:

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.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

تشخیص، شناسایی و جداسازی عیب توربین گاز پالایشگاه دوم پارس جنوبی با استفاده از روش های ترکیبی داده کاوی، k-means، تحلیل مؤلفه های اصلی (pca) و ماشین بردار پشتیبان (svm)

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 داده های اولیه پرداخته شده و سپس با پیاده سازی تحلیل مؤلفه های اصلی (pca)، دانشی که درون داده های 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 به کارگیری ابزار ماشین بردار پشتیبان (...

full text

ارزیابی وپتانسیل سنجی خطروقوع سیل درشهرجناح با استفاده از الگوریتم ماشین پشتیبان بردار (SVM)

یکی از انواع فرآیند های دامنه ای که هر ساله موجب خسارت جانی و مالی فراوان در بسیاری از نقاط ایران و جهان می شود وقوع سیل است. شناسایی مناطق مستعد وقوع سیل از طریق پهنه بندی خطر، یکی از اقدامات موثر و ضروری در کاهش خطرات احتمالی و مدیریت آن می باشد. هدف اصلی این پژوهش، ارزیابی وقوع سیل در شهر جناح با استفاده از مدل ماشین بردار پشتیبان می باشد. در ابتدا نقشه DEM محدوده مورد مطالع...

full text

برآورد ارزش در معرض ریسک با استفاده از مدل ترکیبی ماشین بردار پشتیبان و گارچ

یکی از حوزه‎های اصلی مدیریت مالی، مدیریت ریسک می‏باشد. منظور از مدیریت ریسک، شناسایی، اندازه‎گیری و نظارت بر ریسک است. بنابراین اندازه‎گیری ریسک از جایگاه ویژه‎ای در مدیریت ریسک برخوردار است. از جمله روش‌های شناخته شده و پرکاربرد اندازه‎گیری ریسک، محاسبه ارزش در معرض ریسک می‎باشد که موضوع اصلی این پژوهش است. در این پژوهش با استفاده از مدل ترکیبی ماشین بردار پشتیبان و‎گارچ به پیش‎بینی نوسانات شا...

full text

شناسایی گردوغبار در تصاویر ماهواره‌ای MODIS با استفاده از روشهای ماشین بردار پشتیبان، شبکه عصبی مصنوعی و درخت تصمیمگیری

یکی از مهمترین بلایای طبیعی که طی سالیان اخیر موردتوجه قرارگرفته، پدیده‌ی گردوغبار است. در سال‌های اخیر این پدیده در ایران ابعاد تازه‌ای گرفته و از یک معضل محلی، به مسئله‌ای ملی تبدیل شده است. شناسایی و تشخیص طوفان گردوغبار اولین مرحله در بررسی و پایش آن می‌باشد. این تحقیق باهدف شناسایی مناطق دارای گردوغبار از تصاویر ماهواره‌ای، در منطقه خاورمیانه انجام گرفته است. در بررسی پدیده گردوغبار تصاویر...

full text

تشخیص سه‌بعدی سرطان پستان با استفاده توأم از روش‌های ماشین بردار پشتیبان و المان محدود

   Background & Aims: Breast cancer is one of the most prevalent non-skin-related malignancies among women in the world. Thus, many countries have commenced screening test in early stages in order to diagnose breast cancer. Buried object detection is performed in the present work to detect 3-D breast cancer applying SVM classifier. Some transmitters and receivers are located above the breast. E...

full text

پیش‌بینی ماهانه جریان با استفاده از ماشین بردار پشتیبان بر مبنای آنالیز مؤلفه اصلی

هدف اصلی این تحقیق بررسی تأثیر انتخاب متغیرهای ورودی با استفاده از آنالیز مؤلفه اصلی (PCA) بر عملکرد مدل ماشین بردار پشتیبان (SVM) برای پیش‌بینی ماهانه دبی رودخانه بود. به این منظور ابتدا با استفاده از 18 متغیر ورودی به مدل SVM، دبی جریان ماهانه پیش‌بینی شد. سپس با استفاده از PCA تعداد متغیرهای ورودی به مدل SVM از 18 متغیر به 5 مؤلفه کاهش یافت. در نهایت با استفاده از آماره توسعه یافته توسط نویس...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 47  issue 2

pages  501- 515

publication date 2017-06-22

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023