پژوهشگر: محمد مهدی عوض‌پور

استاد راهنما:

دکتر حسین محمدی

تاریخ و زمان دفاع:

29/04/1404 ساعت 10

مکان برگزاری:

سالن قطب دانشکده مهندسی مکانیک

چکیده پایان‌نامه:

در سال‌های اخیر، پیچیدگی فزاینده سامانه‌های نیروگاهی و فشار مستمر بر ارتقاء بهره‌وری انرژی، لزوم استقرار سامانه‌های هوشمند برای پایش بلادرنگ، پیش‌بینی عملکرد و تشخیص به‌موقع ناهنجاری‌ها را به ضرورتی راهبردی بدل ساخته است. پژوهش حاضر با تکیه بر رویکردی داده‌محور و بهره‌گیری از الگوریتم‌های یادگیری عمیق، به طراحی و پیاده‌سازی مدل یکپارچه و چندلایه برای تحلیل بلادرنگ وضعیت عملکردی اجزای حیاتی در نیروگاه‌های سیکل ترکیبی می‌پردازد؛ مدلی که هدف آن، کاهش توقف‌های ناگهانی، بهینه‌سازی برنامه‌های نگهداری و ارتقاء پایداری تولید انرژی و نهایتاً افزایش توان خروجی نیروگاه است. معماری پیشنهادی این مدل از سه مؤلفه‌ی اصلی تشکیل شده است. نخست، ماژول پیش‌بینی مبتنی بر شبکه عصبی ترکیبی LSTM-CNN  که با تحلیل توالی‌های زمانی داده‌های حسگری چندمتغیره، توان تولیدی نیروگاه را با دقتی فراتر از 98 درصد در گام بعـدی برآورد می‌کند. دوم، ماژول تشخیص ناهنجاری که معماری آن از ترکیب مدل FFT-AutoEncoder  با تحلیل آماری چندسطحی تطبیقی و الگوریتم جنگل ایزوله‌سازی بهره می‌گیرد؛ این ساختار، با تبدیل سیگنال‌ها به فضای فرکانسی و استخراج بردارهای فشرده‌شده ویژگی، قادر است رفتارهای غیرخطی و تعاملات پنهان را شناسایی کرده و با دقتی بیش از 93 درصد وضعیت‌های سالم و معیوب را از یکدیگر تفکیک کند. سوم، لایه‌ی تصمیم‌یار که با تلفیق خروجی‌های دو مسیر فوق، سطح ریسک لحظه‌ای عملکرد مدل را ارزیابی کرده و به تولید هشدارهای سطح‌بندی‌شده با نرخ بسیار پایین اخطارهای نادرست منجر می‌گردد.

در گام نهایی، به‌منظور ارتقاء پایداری تولید انرژی و افزایش توان خروجی نیروگاه بدون اعمال تغییرات سخت‌افزاری، از تحلیل اهمیت نسبی متغیرهای کلیدی در عملکرد سامانه استفاده شده است. این تحلیل، با تکیه بر ضرایب حساسیت استخراج‌شده از مدل یادگیری عمیق، امکان شناسایی دقیق آن دسته از متغیرهای عملیاتی را فراهم می‌سازد که بیشترین تأثیر را بر تولید توان دارند. بر این اساس، با بازتنظیم هوشمند نقطه‌کار اجزای منتخب نظیر نرخ جریان سوخت، دمای ورودی به کمپرسور می‌توان افزایش توان تولیدی را در چارچوب محدودیت‌های فنی ایمن‌سازی کرد. پیاده‌سازی این راهبرد در بستر واقعی، به بهینه‌سازی مصرف سوخت، کاهش سایش تدریجی تجهیزات و در نهایت، افزایش پایدار توان خروجی تا سقف 1 مگاوات منجر شده است؛ دستاوردی که بدون نیاز به ارتقاء سخت‌افزار و صرفاً با تکیه بر هوش مصنوعی و تحلیل داده‌محور حاصل شده است.

از جمله نوآوری‌های برجسته در این پژوهش، مدل‌سازی دقیق و جامع تمام اجزای اصلی نیروگاه سیکل ترکیبی شامل کمپرسور، محفظه احتراق، توربین گاز و ژنراتور است. این مدل‌سازی، نه‌تنها در سطح مفهومی و تحلیلی، بلکه در سطح پیاده‌سازی عملی نیز تحقق یافته و بر پایه داده‌های عملیاتی یک نیروگاه واقعی با معماری پیچیده و غیرخطی صورت گرفته است. چنین رویکردی، امکان ارزیابی دقیق وضعیت سلامت هر مؤلفه و تحلیل هم‌زمان تعاملات دینامیکی میان آن‌ها را فراهم ساخته و در نتیجه، مدل پیشنهادی قادر است عملکرد کلی نیروگاه را در شرایط واقعی با دقتی بالا پایش و تحلیل نماید.

یکی دیگر از نوآوری‌های این پژوهش، تلفیق الگوریتم‌های یادگیری عمیق با تحلیل آماری تطبیقی در قالب ساختاری ماژولار و تعمیم‌پذیر است؛ به‌گونه‌ای که مدل پیشنهادی، در مواجهه با تنوع شرایط محیطی و عملیاتی، بی‌نیاز از بازآموزی کامل و مستقل از تغییرات سخت‌افزاری، عملکردی پایدار ارائه می‌دهد و قابلیت استقرار در محیط واقعی سایر نیروگاه‌ها و صنایع فرآیندی مشابه را نیز داراست.