ترجمه مدلسازی حسگر نرم‌افزاری برای بازدهی مرحله آخر توربین بخار با استفاده از رگرسیون ماشین بردار پشتیبانی

توضیحات

 عنوان فارسی: مدلسازی حسگر نرم‌افزاری برای بازدهی مرحله آخر توربین بخار با استفاده از رگرسیون ماشین بردار پشتیبانی

عنوان انگلیسی مقاله ترجمه شده:

Soft sensor modeling for the efficiency of steam turbine last stage group using Support Vector Machine Regression1

مدلسازی حسگر نرم‌افزاری برای بازدهی مرحله آخر توربین بخار با استفاده از رگرسیون ماشین بردار پشتیبانی

چکیده

در این مقاله، برای محاسبه آنتالپی اگزوز توربین بخار، یک روش حسگر نرم‌افزاری با استفاده از رگرسیون ماشین بردار پشتیبانی (SVR)[1] پیشنهاد شده است. روش پیشنهادی، براساس استراتژی سه مرحله‌ای زیر است. ابتدا، عامل‌های اصلی که بر بازدهی مرحله آخر اثر می‌گذارند، با تحلیل مکانیزم تعیین می‌شوند. در مرحله دوم، بر اساس داده‌های نمونه طراحی شده، از رگرسیون ماشین بردار پشتیبانی برای ایجاد ارتباط تابعی بین آنتالپی اگزوز و این عوامل اصلی استفاده می‌شود. برای شناسایی پارامترهای درگیر در SVR، از الگوریتم ژنتیک (GA)[2] عنوان بهینه‌ساز بهره گرفته شده است. در نهایت، داده‌های آزمایشی نمونه که از یک واحد 600 مگاواتی جمع‌آوری شده‌اند، برای اعتبارسنجی مدل حسگر نرم‌افزاری استفاده شده‌اند. نتایج با مقایسه داده‌های تست حرارتی نشان می‌دهند که روش پیشنهادی دارای دقت پیش‌بینی بالایی می‌باشد.

کلمات کلیدی: آنتالپی اگزوز، بازدهی مرحله آخر، بهینه‌سازی پارامتر مدل.

1- مقدمه

آنتالپی اگزوز توربین بخار، یک پیش مرحله‌ی مهم برای محاسبه بازدهی سیلندر، قدرت سیلندر و چرخش جریان آب است. از آنجایی که اگزوز مرحله آخر توربین بخار در حالت مرطوب قرار دارد، فشار، دما و خشکی برای تعیین آنتالپی اگزوز لازم هستند. با این حال، روش‌های موجود برای اندازه‌گیری مستقیم خشکی اگزوز، مشکل هستند. بنابراین، برخی روش‌های حسگر نرم‌افزاری برای تخمین غیر مستقیم آنتالپی اگزوز، بطور گسترده مورد استفاده قرار می‌گیرند.

روش‌های فعلی برای تخمین آنتالپی اگزوز عبارتند از: روش تعادل انرژی، روش افت آنتالپی معادل، روش بازدهی درونی نسبی، برون‌یابی منحنی و محاسبات تکراری با شرایط متغیر. در مرجع (4)، روش‌های فوق‌الذکر مقایسه شده‌اند. الگوریتم یادگیری شبکه عصبی معرفی شده در مرجع (5) بر اساس اصول تجربی حداقل‌سازی ریسک است و دارای برخی معایب نظیر مشکل بودن تعیین اعداد پنهان، پدیده‌ی بیش یادگیری[3] و حداقل محلی در فرآیند آموزش می‌باشد که از عدم وجود تحلیل‌های کمّی یا نتایج نظری کامل ناشی می‌شوند.

از آنجا که بازده مرحله‌ی آخر توربین بخار بطور غیر مستقیم مربوط به محاسبه آنتالپی اگزوز است، در این مقاله استفاده از بازدهی مرحله آخر پیشنهاد شده است که غالبا از نسبت فشار در مرحله‌ی آخر و تحلیل جابجایی مکانیزم، حاصل می‌شود. از این نقطه نظر، برای محاسبه برخط بازدهی مرحله آخر، یک مدل حسگر نرم‌افزاری (که مدل GA-SVR نامیده می‌شود) براساس SVR و GA ایجاد شده است. نتایج آزمایشی نشان می‌دهند که این مدل دقت پیش‌بینی بالایی دارد. مورد دیگرِ این مدل پیشنهادی این است که نمونه‌های استفاده شده برای شناسایی مدل می‌توانند براحتی بدست آیند.

2- مختصری در مورد SVR

مدل SVM بر اساس اصل حداقل سازی ریسک ساختاری در نظریه یادگیری آماری، ارائه گردیده است. ایده‌ی اولیه، استفاده از تابع کرنل برای تصویر کردن ارتباط غیر خطی به یک فضای ویژه با بعد بالا است که در آن الگوریتمی خطی برای تخمین رگرسیون طراحی شده است. مدل، چندین مشکل نظیر نمونه کم، غیر خطی بودن، بالا بودن بعد، بیش یادگیری و نقطه حداقل محلی در شبکه عصبی را حل می‌کند. مساله رگرسیون در SVM، SVR نامیده می‌شود.

مساله رگرسیون در SVR می‌تواند بصورت زیر تفسیر گردد: محاسبه ارتباط بین ورودی و خروجی، مطابق مجموعه داده‌های ورودی- خروجی {(xi, yi) i=1, 2, …, N} که: xi بردار ورودی N بعدی i، yi خروجی اسکالر و N اندازه نمونه هستند. برای رگرسیون خطی داریم:

برای اطمینان از اسپارس بودن راه حل و مقاوم بودن نتیجه رگرسیون، از تابع زیان غیر حساس ε بعنوان استفاده می‌شود:

با فرض اینکه مجموعه آموزش قیود معادله (2) را ارضا می‌کنند، می‌توان به خطای صفر در تابع خطی درستی ε رسید. این بدان معناست که اگر اختلاف بین مقدار پیش‌بنی شده و واقعی کمتر از ε و زیان صفر باشد، نقاط در ε تاثیری بر تابع زیان ندارند. به این ترتیب، اسپارس بودن راه‌حل حاصل می‌گردد.

در نتیجه، مساله رگرسیون به مساله حداقل‌سازی ریسک در تابع زیان غیر حساس تبدیل می‌گردد که در واقع حداقل سازی  می‌باشد. وقتی فرمول مقید (2) نتواند ارضا گردد، متغیرهای غیر منفی  و  معرفی می‌شوند. سپس هدف بهینه‌سازی به حداقل‌سازی تبدیل می‌شود:

[1]– support vector machine regression

[2]– genetic algorithm

[3]– over learning

توجه:

• برای دانلود فایل word کامل ترجمه از گزینه افزودن به سبد خرید بالا استفاده فرمایید.
• لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.

سفارش ترجمه مقاله

به منظور سفارش ترجمه تخصصی مقالات خود بر روی کلید زیر کلیک نمایید.

سفارش ترجمه تخصصی