کاربرد یادگیری ماشین در تحلیل داده های SCADA و پیش بینی خرابی توربین های گازی در نیرو گاه های پتروشیمی

تحلیل داده های عملیاتی جمع آوری شده توسط سیستم های کنترل و نظارت (SCADA) می تواند نقش مهمی در نگهداری پیش بین تجهیزات انرژی ایفا کند. در این مقاله به بررسی کاربرد یادگیری ماشین برای تحلیل داده های SCADA و پیش بینی خرابی یا وضعیت بحرانی توربین های گازی در یک نیروگاه پتروشیمی می پردازیم. ابتدا داده های واقعی عملیاتی شامل پارامترهای دما، فشار، ارتعاش و موارد مشابه جمع آوری شده و پس از پیش پردازش (حذف داده های پرت، پر کردن مقادیر گمشده و نرمال سازی)، چندین مدل یادگیری ماشین مانند درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان و شبکه عصبی آموزش داده شدند. برای بهبود کارایی مدل ها، از روش های انتخاب ویژگی استفاده شد. نتایج به دست آمده نشان می دهد که تمام مدل ها دقت بالایی (بیش از ۹۰٪) در پیش بینی شرایط بحرانی توربین گازی دارند. مدل شبکه عصبی عملکرد بهتری با دقت بیش از ۹۰٪ ارائه کرد. در ادامه، تحلیل معیارهای دقت، صحت و بازیابی برای هر مدل ارائه شده است. نتایج مطالعه نشان می دهد که استفاده از روش های یادگیری ماشین می تواند به طور قابل توجهی به کاهش توقف ناگهانی و بهبود کارایی نگهداری توربین های گازی منجر شود.

کلیدواژه ها:

یادگیری ماشین ، نگهداری پیش بین ، سیستم SCADA ، توربین گازی ، پیش بینی خرابی