پیش بینی آنی افت عملکرد مبدلهای حرارتی در صنایع پتروشیمی با استفاده از شبکه عصبی LSTM چند حسگری

در این پژوهش رویکردی مبتنی بر شبکه عصبی حافظه طولانی کوتاه مدت (LSTM) برای پیش بینی افت عملکرد مبدلهای حرارتی با استفاده از داده های چند حسگری، دما، فشار، دبی و ارتعاش ارائه می شود. با توجه به اهمیت حیاتی مبدل های حرارتی در صنایع پتروشیمی و هزینه های ناشی از افت عملکرد و توقف های برنامه ریزی نشده، توسعه روش های پیش بینی دقیق و آنی برای نگهداری پیشگیرانه ضروری است. داده های مورد استفاده در این مطالعه به صورت شبیه سازی شده و طی یک دوره سه ماهه با بازه نمونه برداری ۵ دقیقه جمع آوری شده اند. در این فرآیند شبیه سازی، تلاش شده است تا واقع گرایانه بودن داده ها با لحاظ کردن نویزهای معمول سنسورها و همچنین گنجاندن رویدادهای ناگهانی که منجر به افت عملکرد می شوند افزایش یابد. مدل LSTM به دلیل توانایی ذاتی خود در یادگیری وابستگی های زمانی بلندمدت و پردازش دنباله های داده به عنوان گزینه اصلی انتخاب شده است. معماری مدل با دقت تنظیم شده و پارامترهای آن برای بهینه سازی عملکرد در پیش بینی افت عملکرد تیون شده اند. نتایج حاصل از ارزیابی مدل نشان داد که LSTM توانایی پیش بینی افت عملکرد با دقت بسیار بالا به طوریکه ضریب تعیین (R۲) حدود ۰.۹۵ را به دست آورده است. این دقت، بیانگر آن است که مدل قادر به توضیح حدود ۹۵ درصد از تغییرات در افت عملکرد است. علاوه بر این، عملکرد LSTM به طور قابل توجهی بهتر از مدل های کلاسیک سری زمانی مانند ARIMA (AutoRegressive Integrated Moving Average) و SVR (Support Vector Regression) که در مطالعات قبلی نیز مورد استفاده قرار گرفته اند، ارزیابی شد. این برتری در پیش بینی به دلیل قابلیت LSTM در مدل سازی روابط غیرخطی پیچیده و درک وابستگی های زمانی طولانی که در داده های عملکردی مبدل های حرارتی وجود دارد، حاصل شده است.

Keywords:

شبکه عصبی LSTM , پیش بینی افت عملکرد مبدل حرارتی , داده های چند حسگری , نگهداری پیشگیرانه , سری زمانی , ARIMA , SVR