مهندسی گاز ایران

عیب‌یابی و رفع عیب برج جذب گازترش به‌وسیله شبکه‌های عصبی

نوع مقاله : مقاله ترویجی

نویسندگان

1 دپارتمان مهندسی گاز، دانشگاه صنعت نفت، اهواز، ایران

2 گروه مهندسی ابزار دقیق و اتوماسیون، دانشگاه صنعت نفت، اهواز، ایران

چکیده

عیب‌یابی و رفع عیب فرآیند یکی از مسائل بسیار مهم در کنترل فرآیند می‌باشد. این موضوع قسمت اصلی مدیریت حوادث غیرعادی  در فرآیندهای صنعتی می‌باشد که امروزه بسیار موردتوجه قرارگرفته است. در این تحقیق، از شبکه‌های عصبی به‌منظور ابزاری برای شناسایی عامل اختلال (خطا) در فرآیند جذب دی‌اکسید کربن  توسط محلول مونو اتانول آمین  در یک برج پرشده استفاده‌شده است. ورودی شبکه پارامتر اندازه‌گیری شدۀ فرآیند توسط حسگر و ابزار اندازه‌گیری و خروجی شبکه عامل اختلال یا عیب شناسایی‌شده می‌باشد. به‌منظور شناسایی عوامل اختلال، تغییر در پارامترهای فرآیند ازجمله: نرخ خوراک، ترکیب درصد خوراک، نرخ مایع جاذب و ترکیب درصد آن موردبررسی قرار گرفت. تغییر در این پارامترها منجر به تغییر کیفیت محصول، افت فشار در برج و تغییر دمای برج می‌شود. این در حالی است که مقدار دی‌اکسید کربن در محصول نباید از مقدار معینی تجاوز کند. هدف از استفاده از شبکه‌های عصبی، شناسایی عاملی است که منجر به این افزایش شده است. با انتخاب یک شبکه مناسب پرسپترون چندلایه  با آرایش ۸-۹-۵ این امکان فراهم آمد تا شبکه بتواند با دقت، عامل اختلال را در فرآیندی که داده‌های آن  قبلاً توسط شبکه مشاهده نشده بود  شناسایی کند. 

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

عیب‌یابی و رفع عیب برج جذب گازترش به‌وسیله شبکه‌های عصبی

نویسندگان [English]

  • Saeed Hajmirzayi 1
  • Reza mosayebi Behbahani 1
  • Hooshang Jazayeri-Rad 2

1 Department of Gas Engineering, Petroleum University of Technology, Ahwaz, Iran

2 Department of Automation and Instrumentation Engineering, Petroleum University of Technology, Ahwaz, Iran

چکیده [English]

عیب‌یابی و رفع عیب فرآیند یکی از مسائل بسیار مهم در کنترل فرآیند می‌باشد. این موضوع قسمت اصلی مدیریت حوادث غیرعادی  در فرآیندهای صنعتی می‌باشد که امروزه بسیار موردتوجه قرارگرفته است. در این تحقیق، از شبکه‌های عصبی به‌منظور ابزاری برای شناسایی عامل اختلال (خطا) در فرآیند جذب دی‌اکسید کربن  توسط محلول مونو اتانول آمین  در یک برج پرشده استفاده‌شده است. ورودی شبکه پارامتر اندازه‌گیری شدۀ فرآیند توسط حسگر و ابزار اندازه‌گیری و خروجی شبکه عامل اختلال یا عیب شناسایی‌شده می‌باشد. به‌منظور شناسایی عوامل اختلال، تغییر در پارامترهای فرآیند ازجمله: نرخ خوراک، ترکیب درصد خوراک، نرخ مایع جاذب و ترکیب درصد آن موردبررسی قرار گرفت. تغییر در این پارامترها منجر به تغییر کیفیت محصول، افت فشار در برج و تغییر دمای برج می‌شود. این در حالی است که مقدار دی‌اکسید کربن در محصول نباید از مقدار معینی تجاوز کند. هدف از استفاده از شبکه‌های عصبی، شناسایی عاملی است که منجر به این افزایش شده است. با انتخاب یک شبکه مناسب پرسپترون چندلایه  با آرایش ۸-۹-۵ این امکان فراهم آمد تا شبکه بتواند با دقت، عامل اختلال را در فرآیندی که داده‌های آن  قبلاً توسط شبکه مشاهده نشده بود  شناسایی کند. 

کلیدواژه‌ها [English]

  • برج پر شده
  • جذب دی اکسید کربن
  • شبکه عصبی مصنوعی
  • عیب یابی فرآیند
  1. S. J. Bailey, Control Eng. 1984, 31 (6), 86-90.
  2. F. P. Lees, London: Butterworth-Heinemann. 1996.
  3. Bureau of Labor Statistics,  Washington, DC: Government Printing Office, 1998.
  4. V. Venkatasubramanian, R. Rengaswamy, S.N. Kavuri, K. Yin, Computers and Chemical Engineering 2003, 27.
  5. T. Sorsa, H.N. Koivo, 1993, Automatica, 29(4), 843-849.
  6. D. M. Himmelblau, Korean J. Chem. Eng. 2000, 17(4), 373-392.
  7. V. Venkatasubramanian, Journal of Loss prevention in the Process Industries 1988, (2), 84-91.
  8. K. Watanabe, I. Matsura, A. M. Kubota, D.M. Himmelblau, American Inst. of Chem. Eng. Journal 1989, 35(11).
  9. V. Venkatasubramanian, K. Chan, American Inst. of Chem. Eng. Journal 1989, 35 (12), 1993-2002.
  10. L. H. Ungar, B. A. Powell, S. N. Kamens, Comp. and Chem. Eng. 1990, 14 (4-5), 561-572.
  11. J. C. Hoskins, K. M. Kaliyur, D. M. Himmelblau, American Inst. of Chem. Eng. Journal 1991, 37 (1), 137-141.
  12. V. Venkatasubramanian, R. Vaidyanathan, Y. Yamamoto, Comp. and Chem. Eng. 1990, 14 (7), 699-712.
  13. R.P. Lippmann, IEEE ASSP Magazine 1987, April, 4-21.
  14. A. Khan, M. Simioni, V. Zijll, D. Jong, S. Kentish, G. Stevens, 35th Australasian Chem. Eng. Conf. 2007, Melbourne, Australia, 23-26 Sep., 778-785.
  15. S.C. Huang, Y.F. Huang, IEEE Trans. Neural Networks 1991, vol. 2, 47-55, Springer-Verlag
مهندسی گاز ایران
دوره 1، شماره 2 - شماره پیاپی 2
اسفند 1393
صفحه 58-67
  • تاریخ دریافت: 03 اردیبهشت 1401
  • تاریخ پذیرش: 03 اردیبهشت 1401