عنوان پایان‌نامه
مونیتورینگ با ساختارتوزیعی پدیده نشت درخطوط انتقال سوخت با استفاده از روشهای ترکیب اطلاعات سنسوری
- رشته تحصیلی
- مهندسی برق-کنترل
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده برق و کامپیوتر شماره ثبت: E1544;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 40920;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 1544
- تاریخ دفاع
- ۱۳ اسفند ۱۳۸۷
- دانشجو
- سیما ولی زاده
- چکیده
- برای انتقال سوخت، از خطوط لوله استفاده می‌شود. ممکن است بر اثر تصادف، خوردگی و یا با گذشت زمان، نشتی در طول خط لوله به‌وجود آید. وجود نشتی سبب اتلاف سوخت و یا بروز حوادث می‌شود. در نتیجه ارائه روشی برای تشخیص نشتی از خطوط لوله، اهمیتِ زیادی دارد. در گذشته روشهای گوناگونی به این منظور ارائه شده است. در این تحقیق روشهای مختلف تشخیص نشتی به طور کامل معرفی و دسته‌بندی شده‌اند. پس از بررسی روشهای موجود، روش جدیدی برای مساله تشخیص نشتی از خطوط انتقال طرح گردیده است. این روش، در واقع یک روش مونیتورینگ نرم‌افزاری است که تنها از اندازه‌گیری‌هایی که ابزاردقیق موجود در خط، در اختیار قرار می‌دهد، استفاده می‌کند. در این روش، از مدل خط لوله استفاده نمی‌شود و به جای آن رفتار سیال درون لوله بررسی می‌شود. سیگنال‌های جریان، فشار و دمای اندازه‌گیری شده در ابتدا و انتهای لوله را به عنوان سیگنال‌های وابسته به زمان در نظر می‌گیریم. از هر یک از آنها، ویژگی‌هایی استخراج می‌کنیم. به کمک ویژگی‌های استخراج‌شده مساله تشخیص نشتی را به مساله طبقه‌بندی تبدیل می‌نماییم. از طبقه‌بندی‌کننده‌های بیزی، نزدیک‌ترین همسایه، خطی، شبکه عصبی و فازی برای حل مساله طبقه‌بندی استفاده شده است. به کمک معیارهایی، عملکرد طبقه‌بندی‌کننده‌های مختلف ارزیابی شده است. برای تست روش پیشنهاد شده، یک خط لوله، در نرم‌افزار اُلگا، شبیه‌سازی شده است. در شبیه‌سازی، از مشخصات واقعی خط و سیال درون آن استفاده شده است. جریان، فشار و دما در شرایط عادی و شرایط وقوع نشتی در ابتدا و انتهای لوله اندازه‌گیری و ثبت شده‌اند. برای نزدیک‌تر شدن نتایج شبیه‌سازی به واقعیت، نویز اندازه‌گیری به آنها اضافه شده است. با استفاده از این داده‌ها توانایی روش پیشنهاد شده برای تشخیص نشتی سنجیده شده است. برای آموزش طبقه‌بندی‌کننده‌ها از داده‌های مربوط به یک نشتی با اندازه متوسط در وسط لوله استفاده شده است. عملکرد طبقه‌بندی‌کننده‌ها برای تشخیص نشتی در مکان متفاوت و با اندازه‌های کمتر و بیشتر از داده آموزش ارزیابی شده است. همچنین توانایی طبقه‌بندی‌کننده برای جداسازی تغییر شرایط کاری لوله به دلیل افزایش یا کاهش جریان ورودی به آن، از حالت نشتی بررسی شده است. تاثیر افزایش نویز اندازه‌گیری در نتیجه طبقه‌بندی‌کننده‌ها نیز مورد بحث قرار گرفته است. برای افزایش نرخ طبقه‌بندی صحیح، از ترکیب طبقه‌بندی‌کننده‌ها استفاده شده است. روشهای ترکیب طبقه‌بندی‌کننده‌ها به طور مختصر معرفی شده‌اند. روش غالب تصمیم برای ترکیب طبقه‌بندی‌کننده‌ها پیاده‌سازی شده است. با ترکیب طبقه‌بندی‌کننده‌ها نرخ طبقه‌بندی صحیح افزایش می‌یابد که این امر به معنی بهتر شدن عملکرد طبقه‌بندی‌کننده‌ها در تشخیص نشتی است.
- Abstract
- Today pipelines are used for transporting vast quantities of hydrocarbons over long distances. The accidents of pipeline leakage have come up frequently because of pipelines’ oldness, rot and abrasion. Leakage would waste the hydrocarbon and pollutes the environment and may results in serious accidents such as fire disaster and explosion. Therefore it is of great importance to detect pipeline leakage. Many methods and techniques for leak detection with various applicability and restrictions have been proposed to prevent further loss and danger. This study explains different approaches for pipeline leak detection and categorizes them. Advantages and weak points of each approach over other methods are stated. The review covers both techniques that have already been applied for failure detection and location in pipelines and pipe networks and techniques that are in the stage of research and development. After investigation of various approaches, a new method for pipeline leak detection is proposed here. This method is a software-based monitoring approach that uses regular flow, pressure and temperature measurements and do not need any extra sensors. It doesn’t need a model of the pipeline, instead it captures the pattern of the fluid inside the pipe. So this method is regarded as a measurement based approach. Time domain features are extracted from flow, pressure and temperature measurements at the inlet and outlet of a pipe. With the help of extracted features, the problem of leak detection gets the form of a classification problem. Performance of various classifiers like bayes, k nearest neighbor, linear, neural network and fuzzy classifiers is evaluated for this classification problem. A real pipeline is simulated in OLGA software. The proposed approach is tested with the signals obtained from this simulated pipeline. Real characteristics of pipeline and the fluid inside it, are used in the simulator. Flow, pressure and temperature of the leak and normal conditions are measured at the inlet and outlet of the pipe. Measurement noise is added to the signals from simulator. Classifiers are trained with data from a medium leak in the middle of the pipe. Their performance is tested with data from leaks in other positions along the pipe and with different leak sizes. Also the ability of the classifiers for discriminating leaks from operational changes is tested. Operational changes are introduced with increasing or decreasing the inlet flow to the pipe. The effect of more measurement noise on the classification results is investigated. To increase correct classification rate, different classifiers are fused. Methods for classifier fusion are introduced. Decision template is a rule for adapting the class combiner to the application. This method is implemented for combining classifier results. Classifier fusion results in more correct classification rate for the proposed approach.
