عنوان پایان‌نامه
تعیین عدم یقین در مدلسازی و شبیه سازی حسگرهای نرم
- رشته تحصیلی
- مهندسی شیمی-انرژی و محیط زیست
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس یک فنی شماره ثبت: 1788.;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 77133
- تاریخ دفاع
- ۲۷ مرداد ۱۳۹۵
- دانشجو
- مهشاد ولیپور
- استاد راهنما
- رضا ضرغامی
- چکیده
- در این پایان نامه، حسگر نرمی برای اندازه گیری آنی غلظت هیدروژن دی سولفید در جریان گاز شیرین خروجی از واحد شیرین سازی گاز طبیعی، توسعه داده شده است. توسعه ی این حسگر نرم، به صورت داده- محور انجام گرفت. به دلیل نیاز به ایجاد و بررسی رخدادهای ناگهانی در فرایند، شبیه سازی دینامیک واحد شیرین سازی براساس اطلاعات و داده های حاصل از حسگرهای سخت افزاری موجود در واحد، نمودار جریان فرایند و نمودار لوله کشی و ابزار دقیق، در محیط نرم افزار INDISS Dynamics انجام گرفت. با استفاده از داده های تجربی گزارش شده از واحد صنعتی، ورود آن ها به صورت تک به تک به شبیه ساز و خروج گره های مورد نظر، داده های مورد نیاز برای توسعه ی حسگر نرم در اختیار قرار گرفت. توسعه حسگر نرم برپایه ی شبکه بیزین و با استفاده از نرم افزار متلب (ابزار شبکه بیزین) صورت گرفت. با تکیه بر دانش مهندسی شیمی و به کارگیری تجربه های کاربران صنعتی و انجام حدس و خطا، بهینه ترین شبکه برای پیش بینی غلظت هیدروژن دی سولفید در جریان گاز شیرین خروجی از واحد شیرین سازی گاز طبیعی شکل گرفت. تمامی گره های این شبکه پیوسته هستند و فرض توزیع گوسی برای آن ها در نظر گرفته شد. این فرض با توجه به نتایج پیش بینی و خطای بسیار پایین و قابل قبول نسبت به داده های دریافت شده از شبیه سازی انجام شده در نرم افزار INDISS Dynamics، فرض کارامدی در توسعه حسگر نرم در این پایان نامه بوده است. به علاوه، به-کارگیری فرایند گوسی در متن عملکرد نرم افزار ابزار شبکه بیزین، توزیع عدم یقین نرمال (گوسی) برای تمامی نقاط و لحظه های خروجی حسگر نرم را در اختیار قرار می دهد. با توجه به نرمال بودن توزیع ارایه شده توسط فرایند گوسی، در این پایان نامه روشی نوین در امر تخمین عدم یقین حسگرهای نرم به کار گرفته شد تا بتوان عدم یقینی کارامدتر ارایه نمود. با روش تولید نمونه گیری تصادفی، در هر لحظه از خروجی حسگر نرم، به ارایه ی یک توزیع واقعی از پیش بینی های ممکن پرداخته شد. به این ترتیب، علاوه بر توزیع نرمال، برای تمامی لحظه ها در خروجی حسگر نرم، توزیع واقعی عدم یقین منحصر به فرد ارایه شد. لازم به ذکر است که حسگر نرم توسعه داده شده به منظور توانمندسازی در انطباق با هرگونه تغییر ناگهانی در فرایند، با استفاده از روش پنجره ی متحرک بهبود داده شد و کارایی بالا و دقت قابل قبول پیش بینی آن، برای یک نمونه تغییر (گرفتگی شیر آمین بازگشتی به بالای برج و سپس رفع) ارایه شد.
- Abstract
- Concentration of hydrogen sulfide in the sweet gas stream has a pivotal role to evaluate the performance of gas sweetening unit. However, there is no hardware with an appropriate cost for online measurement of concentration of hydrogen sulfide. In the present work, a data-driven adaptive soft sensor was developed for online prediction of the concentration of hydrogen sulfide in the sweet gas stream using the Bayesian network. The gas sweetening unit was simulated by INDISS DYNAMIC process simulator. A large number of data was received from the simulator for training and testing of the soft sensor. All nodes of the Bayesian network were continuous type and assumed to have the Gaussian distribution. This method provides a Gaussian distribution as the uncertainty in the output of the model. Adaption of the soft sensor was performed by applying the moving window approach. It was shown that the proposed soft sensor developed using the Bayesian network with the Gaussian assumption and applying the moving window. This soft sensor has a high performance in modeling the uncertainty and can accurately perform online prediction of the concentration of hydrogen sulfide. Moreover, the irregular distribution of uncertainty was estimated using Generation Random Sampled (GRS) method.
