وبلاگ

فرآیند یاددهی و یادگیری، فرآیند دو جانبه ای است که در آن یاددهی با ابتکار  و خلاقیت معلم و یادگیری بر اساس مفاهیم و اهداف درس است به نحوی که هر دو  طرف فر آیند، معلم و متعلّم در این فعالیت مشارکت داشته باشند. به فعالیت هایی که بر اساس نوآوری و ابتکار معلمین در کنار تدریس و بر اساس آموزش مفاهیم و اهداف درس به کار گرفته شوند و در داخل یا خارج کلاس انجام   شود، فعالیت مکمل گفته می شود.

چنانچه این فعالیت ها با توجه به شرایط خاص منطقه ای یا اقلیمی باشد و یا در  راستای آموزش استعدادهای خاص فراگیران باشد، فعالیت فوق برنامه گفته می شود. همزمان با آغاز سال تحصیلی اعضای شورای مدرسه با توجه به علائق و نیاز های دانش آموزان اهداف یک ساله ای را تنظیم می نمایند که بعد از تعیین هدف شیوه  ای متناسب با رفع نیاز های عنوان شده دنبال می شود. به همین منظور برخی  فعالیت ها و برنامه ها پیش بینی می شود تا در مدت یک سال با نظارت کلیه ی عوامل اجرا شود( سیف، 1386).

اهمیت فعالیت های فوق برنامه و مکمل، در مدارس انتقال دانش نیست زیرا دستگاه ها بهتر دانش را منتقل می كنند. بلكه هدف مدارس یاد دادن است یعنی ایجاد شرایط برای یادگیری می باشد. مدارس به ویژه  مقاطع ابتدایی و راهنمایی محل كشف و بروز استعدادهای افراد و تمرین و تثبیت آنهاست.  مدیران و معلمان به طور موثر در برنامه یادگیری و رضایت دانش آموزان و فعالیت های بهبود و ارتقای مستمر

 كیفیت نقش دارند.

کار معلم و مربیان هنرمند این است که با فعالیت های زنده و پویا و با  ایجاد  لحظه های نشاط آور مفاهیم را به فراگیران عرضه کنند، نه آنکه به عنوان یک وظیفه مکانیکی، بدون تحریک اشتیاق دانش آموز و بدون نوآوری و خلاقیت، تنها ذهن دانش آموز نباید صرفاً مکانی برای انباشتن اطلاعات و محتویات کتاب باشد،  بلکه باید به رشد همه جانبه دانش به صورت یک جانبه و مستقیم مطالب را ارائه  کنند(حافظی، سیاسی و شهنی ییلاق، 1388).

به نظر می رسد هدف ضمنی فعالیت های فوق برنامه بهبود عملکرد تحصیلی دانش آموزان می باشد. از میان متغیرهای مختلف، خودکارآمدی تحصیلی رابطه ای مستقیم و قوی با عملکرد تحصیلی دارد. این حوزه اخیرا به یکی از حوزه های تحقیقاتی مهم مبدل شده است( بفرویی، سعدی پور، 1391). خودکارآمدی عبارت است، از توانایی تصوری شخص برای کسب نتایج مطلوب، افراد دارای خودکارآمدی تحصیلیبالا تمایل بیشتری دارند تا انرژی خود را صرف تحلیل و حل مسایل کنند، در حالی که افراد با خودکارآمدی ضعیف با ارزیابی دلواپسی ها و نگرانی های خود، آزرده خاطر شده و به توانایی ها و مهارت های خود با دیده شک و تردید می نگرند و پیش از تلاش برای حل مسئله انتظار شکست دارند( بندورا، 2001). با توجه به اینکه فعالیت های فوق برنامه تاثیر بر عملکرد تحصیلی دارد، و با توجه به رابطه خودکارآمدی تحصیلی وعملکرد تحصیلی جای پژوهش در این زمینه ضروری به نظر می رسد.

زندگی بشر در طول زمان همیشه با پدیده‌ها و مشکل های خاصی همراه بوده است که انسان را به تفکر واداشته و زمینه‌ای را مهیا نموده است تا با بررسی و پرسش بر آن‌ها غلبه کند. با پیشرفت بشر، گسترده شدن اجتماعات و درگیری بیشتر با مشکل ها، مسائل هم متعددتر گشته است. خودکشی، یکی از پدیده‌های رایج ناهنجار در جوامع غربی و کشور ایران است که درصدی از مرگ‌ومیر را به خود اختصاص می‌دهد. این عامل باعث شده است که جامعه‌شناسان و روان‌شناسان زیادی در مطالعات و پژوهش‌های خود آن را ، از جنبه‌های مختلفی آسیب‌شناسی و مطالعه کنند و  متغیرهای دخیل زیادی را در آن شناسایی و روش برخورد با آن‌ها یا رفع موانع را بیان نمایند.(علی اکبر سیاسی ،1371)

گرچه برخی از پژوهشگران پیش از این اعلام کرده‌اند که گرایش و میل به خودكشی می‌تواند ناشی از نواقص و اختلالات ژنتیكی باشد كه

 روی رشد سلول‌های عصبی تاثیر می‌گذارد، اما قطعاٌ این تاثیر به معنای علت بودن نیست و به عقید پژوهشگران، خودكشی هیچ‌گاه در نتیجه‌ی یك عامل یا حادثه اتفاق نمی‌افتد. معمولاٌ تعامل پیچیده‌ای از عوامل روانی، بیماری جسمی، سوء مصرف مواد، مشكلات خانوادگی، تعارض های بین فردی، شرایط محیطی، ویژگی‌های فردی و استرس‌های                                                                   زندگی فردی، اجتماعی و شغلی منجر به خودكشی در فرد می‌شود. (علی رضا احمدی ، 1384).

خودکشی به عنوان یک پدیده چندعاملی، نیاز به بررسی و مطالعه بیشتری دارد که پژوهش حاضر هم با این هدف انجام شده است و سعی دارد به مطالعه ویژگی‌های شخصیتی افراد اقدام کننده به خودکشی بپردازد و نقش این عوامل را در شیوع اقدام به خودکشی بررسی نماید.

پژوهش­ها نشان داده است که در بسیاری از رفتارها شخصیت نقش بسیار مهم و قابل توجه دارد. شخصیت به عنوان عاملی تعیین­كننده، كه تمامی رفتارهای انسان را در عرصه زندگی شخصی و اجتماعی تحت­تاثیر قرار می­دهد می­تواند فرد و اطرافیان وی را با مشكل جدی مواجه كند. همه  انسان­ها از حیث داشتن شخصیت به معنی وسیع كلمه با یگدیگر همانند هستند یعنی هر كسی شخصیتی دارد. ولی این شخصیت در همه یكسان نیست. بلكه در هر كسی به صورت خاصی می­باشد كه او را از دیگران متمایز می­سازد. تفاوت­هایی كه افراد با یگدیگر دارند­، به حدی است كه نمی­توان از میان آنها حتی دو نفر را یافت كه از هر لحاظ شبیه به هم باشند. هر انسان و رویدادی در نوع خود

منحصر به فرد است. با وجود این بین بسیاری از انسان­ها و رویدادهای زندگی آن­ها آنقدر شباهت وجود دارد كه بتوان نكات مشتركی را در نظر گرفت و درست همین الگوهای رفتاری است كه مورد توجه روانشاسی است( ستوده ، 1378).

پایداری سیستم های قدرت به عنوان یک مسئله ی مهم در دهه های اخیر مطرح گردیده است. بسیاری از قطعی های اساسی در سراسر جهان در اثر ناپایداری در شبکه های برق رخ داده است و این مسئله اهمیت موضوع را بیش از پیش مشخص می نماید. بررسی پایداری سیستم های قدرت با رویکردهای مختلفی امکان پذیر است که از انواع آن می توان به پایداری استاتیک و دینامیک اشاره کرد. در پایداری استاتیک رفتار سیستم در حالت ماندگار پس از مواجهه با یک اختلال بررسی می گردد تا دریابد که ولتاژ باس ها یا سرعت تجهیزات از حدود مجاز خارج نشده باشد. اما در پایداری دینامیکی رفتار گذرای سیستم در مواجهه با یک اغتشاش ارزیابی می گردد. با پیشرفت های بوجود آمده در زمینه سیستم های اندازه گیری و مانیتورینگ سطح وسیع، امکان ارزیابی سریع پایداری فراهم آمده است و واحدهای اندازه گیری فازور نقش مهمی را برای رسیدن به این منظور ایفا می کنند. با استفاده از داده های دریافتی از PMU های نصب شده بر روی باس بارهای منتخب با هدف رویت پذیری شبکه و تخمین اطلاعات مورد نیاز از سایر باس بارها و خطوط انتقال، امکان ارزیابی پایداری چه در حوزه ی استاتیک و چه در حوزه ی دینامیک امکان پذیر است. این اندازه گیری ها به همراه تکنیک های هوشمند یادگیری ماشین، راهبرد موثری در تعیین وضعیت پایداری و امنیت در شبکه های قدرت داشته اند و پیش بینی وضعیت پایداری به صورت سریع برای به کارگیری کنترل پیشگیرانه را میسر ساخته است.
در این پایان نامه می خواهیم با استفاده از داده های دریافتی از PMU ها به بررسی انواع مسائل امنیت اعم از امنیت استاتیک و امنیت دینامیک بپردازیم. با استفاده از این داده ها و تکنیک های هوشمند همچون درخت تصمیم گیری و بردار ماشین های پشتیبان وضعیت امنیت در شبکه های قدرت بررسی می شود. از آنجا که حجم اطلاعات دریافتی از شبکه های قدرت بزرگ بسیار زیاد است، به دنبال راهکارهایی برای کاهش حجم داده ها تا حد امکان هستیم به گونه ای که داده های کاهش یافته حاوی بخش عظیمی از اطلاعات شبکه باشند و اطلاعات از دست رفته قابل چشم پوشی باشند. با استفاده از تکنیک های انتخاب ویژگی و استخراج ویژگی همچون principal component analysis  و correlation analysis   این کاهش بعد صورت می گیرد. با این راهکار، ورودی های SVM وDT تا حد امکان کاهش می یابد و الگوریتم های یادگیری ماشین بهینه تر و مناسب با اهداف زمان حقیقی[1] و به روز رسانی مداوم تولید می گردد. همچنین با رویکرد ارزیابی امنیت دینامیک و همچنین توجه به رویت پذیر بودن کامل شبکه، راهکاری برای جایابی بهینه PMU ها با استفاده از دسته کننده های DT و  SVM ارائه شده است. بدین صورت که از اطلاعات تمامی باس بارها به عنوان نماینده های نصب PMU برای آموزش DT و SVM استفاده می شود و با توجه به تغییر خطای ایجاد شده در اثر ورود و یا خروج اطلاعات هر باس در رابطه با بهترین مکان برای نصب PMU ها اظهار نظر می شود.

1-2 پیشینه ی تحقیق

مسئله ی پایداری سیستم های قدرت برای اولین بار در سال 1920 به عنوان یک مسئله ی مهم مطرح شد]1[.  اولین نتایج آزمایشگاهی بررسی پایداری در سال 1924 گزارش شد]2[ و اولین نتایج بررسی پایداری بر روی شبکه ی عملی در سال 1925 ارائه شد]3 [. یک گام موثر در پیشرفت محاسبات وضعیت پایداری، توسعه ی تحلیل گر شبکه ای در سال 1930 بود. با تحقق سیستم های محرک با پاسخ سریعتر، ناپایداری گذرا در اولین سوئینگ محدود شد و حدود انتقال توان حالت دائم افزایش یافت، اما در برخی موارد موجب کاهش میرایی سوئینگ های توان می شد، بنابراین ناپایداری نوسانی به عنوان مسئله ی جدیدی مطرح شد. این روند نیاز به مدلسازی ماشین های سنکرون و سیستم محرک با جزئیات بیشتر داشت. در اوایل دهه ی 1950، کامپیوترهای آنالوگ برای آنالیز چنین مسائلی استفاده شد. اولین برنامه ی کامپیوتری دیجیتال برای آنالیز مسائل پایداری سیستم های قدرت در سال 1956 ارائه شد. اکثر تلاشها و علاقه مندی ها مربوط به پایداری سیستم قدرت در دهه ی 1960 به پایداری گذرا اختصاص یافت. نتیجه ی این تلاش ها، ایجاد یک ابزار  قدرتمند برای آنالیزهای پایداری گذرا بود که قابلیت آنالیز شبکه های بسیار بزرگ و مدلهای با جزئیات زیاد داشت. اضافه بر این، با استفاده از تکنیک های تشخیص خطا با سرعت بالا و محرک های با پاسخ سریع و جبرانسازهای سری و امدادهای پایداری مخصوص، پایداری گذرا به طرز قابل توجهی بهبود یافت. گرایشات جدید در برنامه ریزی و عملکرد سیستم های قدرت مدلهای جدیدی از پایداری را مطرح کرده است که باعث ایجاد تغییرات اساسی در مشخصه های دینامیکی شبکه های قدرت امروز شده است. مدهای ناپایداری روز به روز پیچیده تر می شوند و نیاز به یک توجه جامع از تمامی جوانب پایداری دارد، لذا اتخاذ روشهای كنترلی پیشگیرانه در این موارد بسیار ضروری است.[4] در ادامه، تاریخچه روش های کلاسیک و روشهای نوین بررسی پایداری، به تفکیک ارائه می گردد.

1-2-1 روش های کلاسیک:

یکی از روشهای  تشخیص پایداری گذرا، استفاده از شبیه سازی های حوزه ی زمان معادلات تفاضلی غیرخطی شبکه ی قدرت است که اولین بار توسط Kundur مطرح شد. در این رویکرد باید شبیه‌سازی های مرحله به مرحله در حوزه زمان انجام شود که محاسبات سنگینی دارد و نیاز به اطلاعات دقیق راجع  به پیکربندی شبکه حین رخداد خطا و بعد از آن دارد، درنتیجه زمان بر است و نمیتواند راهکار مناسبی در مسائل real-time باشد[4]. این موضوع دلیل اصلی عدم وجود ارزیابی امنیت سیستم (DSA)[2] بصورت online و در سطح وسیع در بسته EMS استاندارد بودن است.[5]-[7].
روش‌های بر اساس توابع انرژی گذرا کمک کرده تا ارزیابی امنیت به صورت مستقیم و بدون نیاز به شبیه‌سازی حوزه زمان انجام شود [8] . در یک راهکار پیشنهادی توسط Pai برای تشخیص پایداری بعد از یک رخداد، از تابع انرژی گذرا (TEF) بر پایه ی پایداری لیاپانف استفاده شده است براین اساس که تفاوت انرژی جنبشی و پتانسیل در حین رخداد و پس از پاک شدن خطا محاسبه می گردد و با یک مقدار بحرانی از پیش تعیین شده مقایسه می گردد]9.[ استفاده از متد (EAC)[3] که بر همین اساس پایه ریزی شده و یک راه برای تشخیص پایداری سیستم های چند ماشینه است، توسط  Ruiz-Vega وXue  مطرح شد. از اصول این روش این است که سیستم را با یک ماشین معادل که به باس بینهایت متصل شده است، مدل می کند و دیگر نیازی به حل معادلات تفاضلی در حوزه زمان ندارد، اما تنها به مدل کلاسیک ژنراتور که فقط دینامیک مکانیکی ژنراتور را معادل سازی کرده است، بسنده میکند]10[و]11[. از معایب این روش، فرضیات ساده کننده بسیاری است که وابسته به شرایط عملکردی سیستم است و همواره پاسخ درستی ندارد. همچنین در این دیدگاه، فقط بخشی از مسئله یعنی پایداری اولین Swing و شرایط پایداری دائمی در نظر گرفته می‌شود. بنابراین بسیار بعید به نظر می‌رسد که با این ابزار بتوان اثرات حوادث آبشاری، ناپایداری‌های ولتاژی سریع و چند Swing ای را ارزیابی کرد [6].
با توجه به روش های مذکور، در ارزیابی امنیت به صورت دینامیک می‌توان دو روند اصلی برای داشتن DSA سریع درنظر گرفت. اولی استفاده از توابع انرژی و تکنیک‌های تشخیص الگو برای رتبه‌بندی سریع و مشخص کردن شدت ناپایداری‌ها به صورتی که contingency‌ها گذرا سریعا حذف شوند و تنها تعداد اندکی از ناپایداری‌های شدیدتر که امکان ایجاد خطا در سیستم دارند، برای انجام عملیات بیشتر باقی بمانند[7]و[11-14]. دیدگاه دوم، تلاشی برای سرعت بخشیدن به شبیه‌سازی‌ها با جزئیات کامل و به صورت مرحله به مرحله برای همه contigncyها با استفاده از محاسبات چند پروسسوری است. البته می‌توان دیدگاه سومی را بصورت تلفیقی از دو عملکرد بالا در نظر گرفت که به عنوان روش های هایبرید شناخته می شوند[15]،[16].

اخیرا نتایج بسیار بهتری با استفاده از روش‌های هایبرید بدست آمده که در آنها، شبیه‌سازی در حوزه زمان انجام شده و همه مدل‌ها با جزئیات حفظ شده‌اند و از فواید توابع انرژی نیز بهره گرفته است. (EEAC)[4] یک روش است که بر همین مبنا پایه ریزی شده است و به صورت ترکیبی از شبیه سازیهای حوزه ی زمان وتوابع انرژی کار میکند. گرچه از دقت کمتری نسبت به روشEAC برخوردار است، اما از لحاظ محاسباتی کارآمدتر است و همچنین حد پایداری را برای سیستم مشخص میکند]17.[
در گذشته، برای ارزیابی امنیتonline  بر اساس data-mining از ویژگی­های حالت دائم[5] (SCADA-base) نظیر جریان خط و دامنه ولتاژ استفاده می‌شد[8]. با روی کار آمدن سیستم‌های مانیتورینگ سطح وسیع[6]، استفاده از ویژگی‌های مبتنی بر پاسخ سطح وسیع پر رنگ شد زیرا این ویژگی‌ها از اطلاعات دینامیک بدست آمده از فازورها استفاده کامل می‌کنند. در ادامه روش های مبتنی بر داده های دریافتی از PMU ها شرح داده می شود.

1- 2 –2 روش های نوین با استفاده از داده های PMU

واحد های اندازه گیری فازور در اواسط دهه ی 1980 معرفی شدند. از آن زمان به بعد هدف اندازه گیری متغیرهای ناحیه-گسترده در شبکه های قدرت با استفاده از PMU ها توجه بسیاری از محققان را در این زمینه برانگیخت و استفاده از اندازه گیری های واحد های اندازه گیری فازور تاثیر به سزایی در نحوه ی کارکرد و کنترل سیستم های قدرت داشته است]18[. PMU امکان اندازه گیری عملکرد دینامیك سیستم را به صورت زمان حقیقی، با استفاده از اندازه گیری متغیرهای اساسی مانند جریان و ولتاژ  فراهم می آورد كه نیاز اساسی برای آنالیز پایداری سیستم از جهات مختلف نظیر آنالیز ولتاژonline ، ارزیابی پایداری حالت گذرا و مانیتورینگ، پیشگویی، كنترل و حفاظت نوسانات فركانسی برای جلوگیری از فروپاشی سیستم قدرت است]18-26[. با توجه به کاربردهای بسیار زیاد PMU ها در چند دهه ی اخیر توجه و مطالعات درباره ی استفاده از این واحدهای اندازه گیری در ارزیابی پایداری و امنیت بیش از پیش مورد توجه قرار گرفته است]27-31 [.
بر پایه ی داده های اندازه گیری شده از PMU ها، روش های متعددی برای ارزیابی انواع پایداری ارائه شده است. به عنوان مثال در بحث پایداری ولتاژ می توان به استفاده از تکنیک های هوشمند همچون شبکه های عصبی اشاره کرد]32-34[. در این روش ها از شبکه عصبیradial basis function  و یا wavelet ها برای ارزیابی پایداری استفاده کرده است. همچنین با استفاده از روش های مختلف کاهش حجم داده، ورودی های شبکه های عصبی تا حد امکان کاهش داده شده است تا بتواند زمان آموزش این شبکه ها را کاهش دهد. از آنجا که آموزش و طراحی شبکه های عصبی معمولا یک فرآیند زمان بر است، لذا از روش های دیگر همچون درخت تصمیم گیری بیشتر استفاده می شود.
در مقالات ]27-29[ یک روش on-line بر پایه ی درخت تصمیم گیری برای ارزیابی پایداری ولتاژ ارائه شده است. بدین صورت که سیستم را تحت شرایط کاری مختلف شبیه سازی می کند و با استفاده از متغیرهایی همچون توان راکتیو دو سر خطوط، جریان تزریقی به شاخه ها، دامنه ی ولتاژ ، زاویه  ی باس بارها که اطلاعات دریافتی و با تخمین زده شده از PMU هاست، وضعیت سیستم را ارزیابی می کند. همچنین از یک سری اطلاعات توپولوژیکی مانند محل رخداد خطا، موقعیت سوئیچ ها و … استفاده کرده و این داده ها را به عنوان ورودی یا پیش بین به درخت تصمیم گیری می دهد و از روی آن وضعیت پایداری را پیش بینی می کند.
از دیگر مباحث ارزیابی امنیت، بحث امنیت دینامیک در شبکه های قدرت است و پایداری گذرا به عنوان زیر مجموعه ای از این نوع پایداری شناخته می شود. ارزیابی پایداری گذرا به صورت real time با استفاده از داده های PMU تقریبا از دهه ی 1990 شروع شد]35[.  می توان گفت که Phadke از پیشگامان بهبود روش های  real-time  برای تشخیص پایداری سیستم های قدرت با استفاده از داده های PMU است[35].  تحقیقات جدید تر نشان می دهد که تکنیک های یادگیری ماشین مانند شبکه های عصبی[7]، درخت تصمیم گیری، منطق فازی، کرنل بازگشتی و بردار ماشین های پشتیبان با استفاده از داده های PMUها برای ارزیابی امنیت دینامیک مفیدند.
در مقالات متعددی از تکنیک های هوشمند عصبی، فازی و یا ترکیب آنها در ارزیابی پایداری گذرا استفاده شده است. به عنوان مثال در ]19[، با استفاده از یک سری داده دریافتی از شرایط کاری مختلف سیستم قدرت نمونه، یک شبکه فازی- عصبی دو لایه ای به صورت  off-lineآموزش داده می شود. ورودی این شبکه یا همان پیش بین ها، بردارهای اندازه گیری از زوایای ژنراتورها، سرعت ژنراتورها و شتاب آنهاست. خروجی شبکه فازی-عصبی یک بردار دو وضعیتی نمایانگر وضعیت پایداری سیستم است؛ به گونه ای که به وضعیت پایدار عدد 1 و به وضعیت ناپایدار عدد 0 نسبت می دهد. در]22[، از یک روش ترکیبی فازی و عصبی برای ارزیابی پایداری استفاده شده است و با استفاده از  داده های PMU و شاخص هایی همچون چگالی طیف زاویه، فرکانس و ضرب داخلی آنها در حوزه ی فرکانس بهره گرفته است.
از جمله روش های real-time  تشخیص پایداری گذرای سیستم های قدرت، استفاده از درخت تصمیم گیری است. این ایده ابتدا توسط Wehenkel و همکارانش مطرح شد]36[. در این روش شاخصه های مختلفی مانند زاویه فازوری، دامنه ولتاژ ،توان انتقالی و… به عنوان ورودی DT های آموزش دیده شده داده می شود و سپس وضعیت پایداری سیستم تشخیص داده می شود. از مزایای این روش دقت بالای تشخیص خطا با استفاده از داده های  PMUاست. در مقالات متعددی با استفاده از DT ها و یا ترکیب آنها با سایر دسته بندی کننده ها، انواع مختلفی از پیش بین ها ارائه شده است]36-39[ .
در ]31[ از یک روش ترکیبی فازی و درخت تصمیم گیری برای ارزیابی پایداری استفاده شده است و با استفاده از  داده های PMU شاخص هایی همچون چگالی طیف زاویه، فرکانس و ضرب داخلی آنها در حوزه ی فرکانس  و همچنین معیار زاویه و ولتاژ در حوزه زمان بهره گرفته است. این شاخص ها به عنوان ورودی به DT داده شده است و در نهایت با استفاده از حدود مرزی بدست آمده در DT ها قوانین فازی بهینه توسعه داده شده است.
در روش درخت تصمیم گیری دسته جمعی یا جنگل های تصادفی[8]  که توسط  Samantarayو Kamwa ارائه شد، با استفاده از داده های استخراج شده  از PMUها و پردازش آنها در حوزه ی زمان و فرکانس، شاخص هایی تولید می گردند و به عنوان ورودی برای آموزش جنگلهای تصادفی استفاده می شوند. RF ها ترکیب تعداد زیادی درخت پیشبین ناهمبسته هستند که هر کدام از آنها به مقادیر یک بردار تصادفی که به صورت مستقل نمونه برداری شده است، وابسته است. انتخاب تصادفی شاخص ها به عنوان مجموعه داده ی آموزش برای هر درخت خطایی تولید می کند که ناهمبسته است و مقاوم تر نسبت به نویز خواهد بود. پس از آموزش دیدن تمامی درختان نوبت به پیش بینی از روی این جنگل ها می رسد. در پیش بینی دسته ای درختان، پیش بینی تمام تک درختان باید با هم ترکیب شود. کلاسی که اکثریت درختان به آن رای بدهند، به عنوان پیش بینی دسته جمعی شناخته می شود]40[.
همچنین می توان به مقالاتی در مورد نحوه ارزیابی پایداری گذرا با استفاده از بردار ماشین های پشتیبان که توسط GomezوRajapakse  و همکارانش ارائه شده است، اشاره کرد]41[و]42[. در یکی از این مقالات، با استفاده از دامنه ی ولتاژ بعد از رخداد خطا به عنوان ورودی به SVM، به پیش بینی مقاوم و دقیقی از وضعیت پایداری دست یافته اند. در مقاله ی دیگری ابتدا ولتاژ های اندازه گیری شده با یک سری الگوی از پیش تعیین شده مقایسه می شود و تابع عضویت فازی را شکل می دهند، سپس این توابع عضویت به عنوان ورودی به SVM های آموزش دیده داده می شوند تا وضعیت پایداری را تشخیص دهند.
در این پایان نامه ابتدا با داده های دریافتی از PMU ها و مطابق با پیش بین های مورد استفاده در مقالات ]27-29[، درخت تصمیم گیری برای شبکه های نمونه و عملی آموزش داده شده است و امنیت استاتیکی ولتاژ ارزیابی شده است. سپس با استفاده از داده های کاهش یافته با روش های PCA و correlation analysis درخت های بهینه ای آموزش داده شده و کارآمدی انها با درخت های آموزش دیده با داده های خام مقایسه گردیده است، همچنین با محاسبه ی اندیس هایی همچون Profile Index  و Loading Index سیستم به زیر دسته هایی از نظر درجه امنیت تقسیم گردیده است و حاشیه امنیت برای پایداری بدست آمده است.
امنیت دینامیک در شبکه های قدرت نیز در این پایان نامه بررسی شده است، ابتدا شاخص های WASI  به گونه ای كه در مقاله]31[ بدان اشاره شده است، یعنی استفاده از میانگین داده های PMU هایی كه در هر ناحیه قرار گرفته اند و همچنین تعدادی شاخص دیگر كه می توانند به عنوان ورودی برای آموزش تکنیک های هوشمند مفید باشد و بر اساس اندازه سیگنال ورودی در زمان وقوع خطا تعریف شده اند و در ]43 [آورده شده است، محاسبه می شوند. این شاخص ها  به عنوان ورودی به درخت تصمیم گیری و  بردارهای ماشین پشتیبان داده شده است تا امنیت شبکه را ارزیابی کنند. همچنین روش های کاهش داده بر روی این ورودی ها اعمال و تاثیر آنها در عملکرد تکنیک های هوشمند بررسی گردیده است. درنهایت با استفاده از تکنیک های هوشمند DT و SVM جایابی بهینه ی PMU ها با رویکرد امنیت دینامیک در شبکه قدرت صورت گرفته است.
[1] Real- time
[2] – Dynamic Security Assessment
[3] equal area criterion
[4] Extended equal area criterion
steady-state[5]
Wide-Area Monitoring and Measurement Systems[6]
[7] Artificial neural network(ANN)
[8] Random forests(RFs)
(ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل است

• کنترل‏کننده‏های قابل برنامه‏ریزی (PLC)

نیاز به کنترل­کننده­هایی با هزینه کمتر، کاربرد متنوع­تر و سهولت استفاده بیشتر، منجر به توسعه
کنترل­کننده­های قابل برنامه­ریزی بر مبنای CPU[2] و حافظه شد و از آن­ها به صورت گسترده­ای در کنترل فرآیندها و ماشین­آلات استفاده گردید. کنترل­کننده­های قابل برنامه­ریزی در آغاز به عنوان جانشینی برای سیستم­های منطقی رله­ای و تایمری غیر قابل تغییر توسط اپراتور طراحی شدند تا به جای تابلوهای کنترل متداول قدیمی استفاده شوند. این کنترل­کننده­ها می­توانند برنامه­ریزی شوند و توسط کاربری که مهارت کار کردن با رایانه­ها را ندارد، مورد استفاده قرار گیرند. این کار به وسیله­ی اجرای دستورالعمل­های منطقی ساده که اغلب به شکل دیاگرام نردبانی هستند صورت می­گیرد و در واقع اجزای یک دیاگرام نردبانی یا یک برنامه نویسی ساده می­تواند جایگزین تعداد زیادی از سیم‏کشی‏های خارجی مورد نیاز برای کنترل یک فرآیند شود. PLC ها دارای یک سری توابع درونی از قبیل تایمرها، شمارنده­ها و شیفت رجیسترها می­باشند که امکان کنترل مناسب را حتی با استفاده از کوچکترین PLC نیز فراهم می­آورند.
یک PLC با خواندن سیگنال­های ورودی کار خود را شروع کرده و سپس دستورالعمل­های منطقی را که از قبل برنامه ریزی شده و در حافظه آن قرار دارد، بر روی این سیگنال­های ورودی اعم از دیجیتال و آنالوگ اعمال می­کند و در نهایت سیگنال خروجی مورد نظر را برای راه­اندازی تجهیزات فرآیند تولید می­نماید. تجهیزات استانداردی در درون PLC تعبیه شده که به آنها اجازه می­دهد مستقیما و بدون نیاز به واسطه­های مداری یا رله­ای، به المان­های خروجی یا محرک و مبدل­های ورودی متصل شوند، بنابراین تغییر در سیستم کنترل بدون نیاز به تغییر محل اتصالات سیم­ها ممکن شده و برای هر گونه تغییر کافی است که برنامه کنترلی که بر روی حافظه ی PLC ذخیره شده تغییر یابد [1].

• ارتقاء و اعمال روش های کنترلی پیشرفته روی PLC ها

PLC یک رایانه کنترل فرآیند است که به علت مزایای فراوان ازجمله سرعت عملکرد مناسب، پردازش نسبتا سریع، عیب‏یابی ساده، مدت

 زمان کاری طولانی، داشتن استانداردهای صنعتی شناخته شده، قابلیت اعتماد بالا در برابر نویز و شرایط نامناسب محیطی و … کاربرد گسترده­ای در صنعت دارد، با این وجود قابلیت اعمال روش‏های کنترلی پیشرفته و یا حتی کنترل­کننده­های پیوسته­ی ساده با بسیاری از PLC ها چندان میسر نمی­باشد [2]. امروزه روش­های مدلسازی و کنترلی پیشرفته جدیدی مطرح شده‏اند که به علت کمبود حافظه و قدرت پردازشی پایین اغلب PLC ها، پیاده­سازی این روش­های کنترلی پیشرفته روی PLC ها با محدودیت­هایی روبه‏رو شده است. بنابراین ایجاد روش­هایی که بتواند قابلیت­های PLC را جهت دستیابی به کنترل دقیق­تر بهبود بخشد، مورد توجه قرار گرفته‏اند.

روش­های مختلفی برای ارتقاء قابلیت PLC ها وجود دارد. یک روش ساده و در عین حال پرهزینه برای ارتقاء قابلیت PLC های قدیمی جایگزین کردن آن­ها با PLC های جدیدتر با قدرت پردازشی بالاتر است و یا اگر PLC ماژولار باشد با افزودن ماژول­ها و کارت­های پیشرفته می‎‏توان قابلیت آن را افزایش داد. روش دیگری که می‏تواند قابلیت PLC ها را بالا ببرد ارتباط آن با کامپیوتر جانبی همرا با نرم‏افزارهای قدرتمند و پیشرفته­ای همچون Labview و Matlab می­باشد. این نرم‏افزار­ها از آنجا که در محیط­های آکادمیک مورد استفاده قرار می­گیرند برنامه­نویسی­های پیشرفته­ی مختلفی با استفاده از آن­ها قابل اجرا است. البته یک بستر ارتباطی برای ارتباط بین PLC و این نرم افزارها لازم است. این ارتباط ازطریق OPC [3، 4] امکان­پذیر است.
از طرف دیگر در سال­های اخیر روش­های کنترلی پیشرفته­ای مطرح شدند. کنترل مدل پیش بین (که در آن از مدل سیستم برای کمینه کردن یک تابع هزینه به منظور محاسبه سیگنال کنترل بهینه استفاده می­شود) یکی از روش­های قدرتمند کنترل پیشرفته است که به عنوان یک کنترل­کننده­ی قابل اطمینان در صنایع نیز مورد توجه بسیار قرار گرفته است، بنابراین پیاده­سازی این الگوریتم و سایر الگوریتم­های کنترلی پیشرفته به روش­های مختلف روی PLC ها و جایگزینی این روش­ها با روش­های کنترل سنتی مرسوم همچون PID[3]، به موضوعی جالب و قابل توجه تبدیل شده است.
[1]Programmable Logic Controller
[2]Central Processing Unit
[3] Proportional Integral Derivative controller
***ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل و با فرمت ورد موجود است***

متن کامل را می توانید دانلود نمائید

چون فقط تکه هایی از متن پایان نامه در این صفحه درج شده (به طور نمونه)

ولی در فایل دانلودی متن کامل پایان نامه

 با فرمت ورد word که قابل ویرایش و کپی کردن می باشند

موجود است

1-1-             پیشگفتار

در صنایع ساخت و تولید، تلاش فراوانی در راستای تولید محصول با کیفیت بالا صرف می شود. تولید محصول با کیفیت مطلوب، متعاقبا بایستی ایمنی بالا و توجه به مقررات زیست محیطی را به دنبال داشته باشد. عملیاتی که زمانی برای ما قابل قبول بودند، با توجه به بالا رفتن انتظارات ما از صنایع، بیش از این مناسب به نظر نمی‌رسند. بنابراین، برای دستیابی به استاندارد های مطلوب تر، در فرآیندهای صنعتی مدرن، چندین متغیر سیستم تحت کنترل حلقه بسته عمل می‌کنند. کنترل‌‌کننده‌های استاندارد( همانند PID ها، کنترل کننده‌های پیش‌بین و….) به گونه‌ای طراحی می‌شوند که باکمرنگ کردن تاثیرات اغتشاش وارده به سیستم، عملکرد سیستم را در شرایط رضایت بخشی نگهدارند. گرچه این کنترل‌کننده ها می توانند، از عهده‌ی انواع مختلفی از اغتشاش برآیند، اما تغییراتی وجود دارند که کنترل‌کننده نمی‌تواند آن‌ها را ساماندهی کند. این تغییرات عیب نامیده می‌شود[]. به بیان دیگر می‌توان هرگونه انحراف غیرمجاز در حداقل یک رفتار و یا پارامتر مشخصه‌ی سیستم را عیب تعریف کرد[1].
افزایش مداوم پیچیدگی و قابلیت اطمینان و بازدهی در سیستم‌های مدرن، مقتضی توسعه‌ی پیوسته‌ی حوزه ی کنترل و تشخیص خطا می‌باشد. این نیازمندی به وضوح در صنایعی که از لحاظ ایمنی بحرانی هستند، خود را نشان می‌دهد. این موارد شامل نیروگاه اتمی، صنایع شیمیایی و هواپیما گرفته تا صنایع جدید همچون وسایل نقلیه خودگردان و قطارهای سریع السیر می‌باشد. تشخیص و شناسایی به موقع خطا می‌تواند از توقف ناگهانی سیستم و خسارات جانی و مالی انسان‌ها جلوگیری کند. در شکل ‏1—1. سیستم کنترل مدرن نحوه‌ی روبرو شدن با عیب در سیستم‌های مدرن به تصویر کشیده شده‌است. همان‌گونه که مشاهده می‌شود، سیستم کنترل شده، بخش اصلی این تصویر می‌باشد که شامل محرک، سنسور و دینامیک فرآیند است. هرکدام از این بخش‌ها می‌تواند تحت تاثیر عوامل بیرونی مانند نویز فرآیند، نویز اندازه‌گیری و یا اغتشاش خارجی قرار گیرد. به علاوه در مواردی که بحث تشخیص خطا با قابلیت اطمینان بالا مطرح می شود، بایستی عدم قطعیت های سیستم را در نظر گرفت. در چنین شرایطی سیستم همچنان ممکن است تحت تاثیر عیب ( با تعریفی که قبلا از آن ارائه شد) باشد [[ii]]. در این صورت انتظار ما از سیستم تشخیص عیب این است که بتواند رخداد عیب را از بین سایر عوامل بیرونی تمیز دهد.
 
‏1—1. سیستم کنترل مدرن [2]
همان‌گونه که قبلا بیان شد، در حالت کلی می‌توان عیب را هر گونه انحراف غیر مجاز در رفتار و یا پارامترهای مشخصه‌ی سیستم تعریف کرد؛ به عنوان مثال عملکرد نامناسب حسگر[2] در سیستم را می‌توان به عنوان عیب در نظر گرفت. به بیان دیگر هر تغییر غیر منتظره‌ای که موجب تنزل عملکرد سیستم شود، در حوزه‌ی عیوب سیستم قرار می‌گیرد. در مقابل عیب اصطلاح نابودی[3] نیز مطرح می‌شود که به توقف و فروپاشی کامل سیستم اشاره دارد. شایان ذکر است که عیب بیشتر به عملکرد نامناسب گفته می‌شود و استفاده ازاصطلاح نابودی بیشتر مقتضی رخداد فاجعه است؛ چرا که در واقع نابودی، ناتوانی دائمی دستگاه را در انجام وظایفش تحت شرایط عملکرد تعریفی به همراه دارد[2].
دسته‌بندی‌های مختلفی می‌توان از عیب ارائه داد. دسته بندی‌ می‌تواند براساس مکان رخ دادن عیب در سیستم و یا بر اساس تغییرات زمانی پیشرفت عیب در سیستم باشد. بر اساس محل عیب میتوان سه دسته عیب به صورت زیر تعریف کرد[2]:
الف. عیب محرک[4]، که شامل عملکرد نادرست در تجهیزاتی است که سیستم را تحریک می‌کند. به عنوان مثال عیب محرک الکترومکانیکی در یک موتور دیزلی.
ب. عیب فرآیند[5]، هنگامی رخ می‌دهد که تغییرات در سیستم، عدم اعتبار روابط دینامیکی حاکم بر سیستم را به همراه داشته باشد. به عنوان مثال نشت تانک در یک سیستم کنترل دو-تانکه.
ج. عیب حسگر[6]، که خود را به صورت تغییرات جدی در اندازه‌گیری‌های سیستم نشان می‌دهد.
همچنین بر اساس روند تغییرات زمانی عیب می‌توان دسته‌بندی زیر را ارائه نمود[[iii]]:
الف. عیب ناگهانی[7]، که آن را به صورت توابع پله‌ای شکل مدل می کنند. این عیب معمولا خود را به صورت بایاس در سیگنال موردارزیابی نشان می‌دهد.
ب. عیب هموار[8]، که آن را به صورت توابع مرتبه اول مدل می‌کنند. این عیب معمولا خود را به صورت واگرا و منحرف شدن سیگنال موردارزیابی از مقادیر عادی نشان می‌دهد.
ج. عیب متناوب[9]، ترکیبی از ضربه‌ها با دامنه‌های متفاوت است.
در شکل ‏1—1. سیستم کنترل مدرن [2]بلوکی تحت عنوان تشخیص خطا[10] به موازات سیستم اصلی قرار دارد. نقش اصلی این بلوک، مانیتور کردن رفتار سیستم و جمع‌آوری هرگونه اطلاعات مربوط به عملکرد غیر عادی در هریک از اجزای سیستم است. بنابراین وظیفه‌ی تشخیص خطا را می‌توان به سه قسمت عمده تقسیم کرد[2]:
الف. کشف عیب[11]، این بخش به تصمیم‌گیری درباره‌ی وضعیت سیستم برمی‌گردد. تشخیص اینکه برای سیستم اتفاق غیر عادی رخ داده است و یا سیستم در شرایط عادی در حال کار است.
ب. تمیز دادن عیب[12]، این بخش به تعیین موقعیت و محل رخ­دادن خطا می‌پردازد. مثلا اینکه کدام سنسور و یا محرک درگیر عیب هستند.
ج. شناسایی عیب[13]، تعیین اندازه، نوع و طبیعت عیب در این بخش جا دارد.
روش­­های تشخیص خطای مختلفی تا کنون طراحی شده­اند. همچنین این روش­ها بر اساس معیارهای مختلفی به گروه­های متفاوت قابل طبقه بندی هستند. در این قسمت دسته­بندی زیر از [[iv]] ارائه شده است. روش­های عیب­یابی را می­توان در سه دسته­ی مختلف جای داد:
الف. سخت افزاری قابلیت اطمینان[14]، این روش از روش­های قدیمی عیب­یابی می­باشد. پایه­ی این روش بر اساس استفاده از چندین حسگر، محرک و پردازشگر سخت­افزاری و یا نرم­افزاری است که وظیفه­ی کنترل و اندازه­گیری پارامتر بخصوصی از سیستم را به عهده دارند. در ادامه یک سامانه‌ی رای‌گیری به کار گرفته می‌شود که در مورد رخداد و عدم رخداد عیب و محل نسبی رخداد خطا تصمیم می‌گیرد. استفاده از این روش در سیستم‌های بسیار حساس همچون کنترل پرواز بسیار مرسوم می‌باشد. گرچه این متود بسیار قابل اطمینان است؛ اما تجهیزات اضافه و نگهداری و تعمیر آن‌ها هزینه‌بر است. به‌علاوه نیاز به فضای لازم برای تجهیزات سخت افزاری این روش از مشکلات جدی آن به حساب می‌آید.
ب. روش‌های برپایه‌ی سیگنال[15]، این روش در عمل یکی از روش‌های متداول برای عیب‌یابی می‌باشد. ایده‌ی اصلی این روش مانیتور کردن سطح یک سیگنال خاص از سیستم می‌باشد؛ در صورتی که این سیگنال به یک حد آستانه‌ی مشخص برسد، آلارم رخداد عیب فعال می‌شود. این متود برای استفاده‌ی عملی بسیار راحت است؛ اما مشکلات و معایب جدی خاص خود را دارد. اولین مشکل این که این روش مقاوم[16] نیست. مقاوم نبودن به این معناست که در حضور نویز، تغییرات ورودی و یا تغییر نقطه‌ی کار ممکن است که آلارم رخداد عیب به اشتباه فعال شود. دومین مشکل این که یک عیب به تنهایی می‌تواند موجب تجاوز تعداد زیادی از سیگنال‌های سیستم از حد آستانه‌شان شود؛ بدین ترتیب، تشخیص موقعیت و محل خطا بسیار سخت می‌شود. در راستای حل این مشکلات، ترکیب این روش‌ها با روش‌های آماری و تصادفی مطرح می‌شود؛ این روش برای توسعه دادن مقاومت و دقت روش‌های عیب یابی است.
ج. روش‌های برپایه‌ی مدل[17]، کلیت این روش را می توان به این صورت بیان کرد که ابتدا یک مدل ریاضیاتی از سیستم، با اطلاعات اولیه‌ای که از سیستم داریم تعریف می‌کنیم؛ سپس برخی از پارامترهای قابل دسترس از سیستم اصلی اندازه‌گیری می‌شود. با استفاده از مدلی که در ابتدای کار طراحی شد، مقادیر پارامترهای اندازه‌گیری شده را تخمین می‌زنیم و پارامترهای واقعی سیستم با پارامترهای تخمینی از مدل سیستم مقایسه می‌شوند. سیگنالی به نام سیگنال باقیمانده از تفاوت بین مقادیر واقعی اندازه‌گیری شده‌ی پارامتر ها و مقدار تخمینی آنها ساخته می‌شود. در ادامه حد آستانه‌ای بررای سیگنال باقیمانده تعریف می‌شود. سیگنال‌های باقیمانده‌ی مختلفی برای تشخیص رویداد عیب در قسمت های مختلف سیستم قابل نعریف هستند. تحلیل هر یک از این سیگنال‌های باقیمانده می‌تواند در بخش تشخیص محل خطا مفید باشد.
گاه با در نظر نگرفتن متودهای عیب یابی سخت افزاری، که در دسته بندی قبل دسته‌ی الف را شامل می‌شدند، باقی روش های عیب یابی را در سه دسته جای می‌دهند. همانند آن چه در [1] آمده است. سه دسته‌ی یاد شده به این صورت می‌باشند:
الف. روش‌های بر پایه‌ی داده[18]، این دسته از روش‌های عیب‌یابی را می‌توان معادل دسته‌ی بر پایه‌ی سیگنال در دسته‌بندی قبلی دانست. مقادیر اندازه گیری لازم به صورت مستقیم از داده های فرآیند ضبط می‌شوند. سیستم‌های کنترل صنعتی مدرن، از یک سیستم کاملا صنعتی گرفته تا یک ماشین تولید کاغذ ساده، سیستم‌های بزرگ مقیاس[19] همراه با ابزارآلات پیچیده‌ی فر آیندهای مدرن هستند. سیستم های بزرگ مقیاس حجم عظیمی از داده‌ها را تولید می‌کنند. گرچه این داده‌های تولیدی معادل اطلاعات زیاد از سیستم هستند؛ اما از سوی دیگر این مسئله حائز اهمیت است که اپراتور و یا مهندس بتواند با مشاهده کردن داده‌های ضبط شده از سیستم به راحتی عملکرد سیستم را مورد ارزیابی قرار دهد. نقطه‌‌ی قوت متودهای عیب یابی برپایه‌ی داده این است که میتواند داده‌ها با ابعاد بالا را به فضای با ابعاد کوچکتر انتقال دهد، که در فضای جدید تنها داده‌های مهم موجود هستند.با محاسبه‌ی اطلاعات آماری معنادار از داده‌های مهم فضای کاهش یافته، روش‌های عیب‌یابی برای سیستم‌های بزرگ مقیاس به طرز قابل توجهی توسعه یافته‌اند. بزرگترین عیب این دسته، وابستگی شدید به کمیت و کیفیت داده‌های فرآیند می‌باشد.
ب. روش‌های تحلیلی[20]، این دسته را می توان به عنوان زیر دسته‌ای از گروه ج دسته‌بندی [4] در نظر گرفت. روش‌های تحلیلی بر خلاف روش‌های بر پایه‌ی داده، از مدل‌های ریاضیاتی استفاده می‌کنند؛ این مدل‌های ریاضیاتی از اصول اولیه به دست می‌آیند. روش‌های تحلیلی در مواردی که اطلاعات کافی از سیستم داریم، کاربرد دارند؛ به عنوان مثال در جایی که مدل رضایت‌بخش و اطلاعات سنسورهای کافی از سیستم را در اختیار داریم. این دسته شامل روش‌های تطبیقی تخیمن پارامتر[21]، روش‌های رویتگر[22] و روش‌های روابط معادل[23] می‌باشد. بیشترین کاربرد روش‌های تحلیلی در سیستم‌های با تعداد ورودی و خروجی و متغیرهای حالت کم می‌باشد. به کار بردن این روش برای سیستم‌های بزرگ مقیاس کار سختی می‌باشد، چرا که نیازمند مدلی با جزئیات کافی از سیستم می‌باشد و تعریف همچین مدلی از سیستم بزرگ مقیاس نیازمند دستیابی به تمام وابستگی‌های متقابل بین قسمت‌های مختلف یک سیستم چند متغیره می‌باشد. مهم‌ترین مزیت این روش همانگونه که از نام آن برمی‌آید قابلیت تفسیرپذیری فیزیکی پارامترهای فرآیند است. به عبارت دیگر هنگامی که مدل ریاضیاتی جزئی از سیستم در دسترس باشد، استفاده از روش‌های تحلیلی عیب‌یابی نسبت به روش‌های برپایه‌ی داده ارجحیت دارد.
ج. روش‌های برپایه‌ی اطلاعات، این دسته را می توان به عنوان زیر دسته‌ی دیگری ازگروه ج دسته‌بندی [4] در نظر گرفت. این روش‌ها از مدل‌های کیفی برای توسعه‌ی عملکرد عیب‌یابی استفاده می‌کنند.این روش‌ها به خصوص برای زمانی که مدل ریاضیاتی دقیقی از سیستم در دست نیست، بسیار قابل استفاده است.بسیاری از این روش‌ها بر پایه‌ی اطلاعات غیر دقیق، سیستم‌های هوشمند و شناسایی الگو عمل می‌کنند. همانند روش‌های تحلیلی، از این دسته نیز در مورادی که تعداد ورودی، خروجی و متغیرهای حالت سیستم کم باشد استفاده می‌کنند چرا که تعریف یک مدل کیفی از سیستم‌های بزرگ مقیاس نیازمند تلاش بسیار است. گاه با استفاده از روش‌های نرم‌افزاری، امکان استفاده از روش‌های برپایه‌ی اطلاعات، حتی برای سیستم‌های پیچیده فراهم می‌شود.
تا کنون دو دسته بندی متداول از روش‌های عیب‌یابی بیان شده است. اما دسته‌بندی کامل‌تری که در برخی مراجع دیده می‌شود به شرح زیر است. در این دسته‌بندی، روش‌ها را به دو دسته‌ی اصلی برپایه‌ی مدل و بر پایه‌ی حافظه‌ی فرآیند تقسیم می‌کنند. هر کدام از این دسته‌های اصلی به دو زیر دسته تقسیم می‌شوند، زیر دسته‌ی کمی[24] و کیفی[25].
روش‌های بر پایه‌ی مدل که در دسته‌ی ج دسته‌بندی[4] قبلا توضیح داده شد. این روش‌ها بر اساس فهم فیزیکی اولیه‌ای است که از سیستم در اختیار داریم. این اطلاعات پیشین هم در غالب مدل‌های کمی و هم در غالب مدل‌های کیفی قابل تحقق هستند. مدل‌های کمی نیازمند اطلاعات دقیق و جزئی از فیزیک سیستم هستند، در حالی که مدل‌های کیفی به صورت قواعد کیفی و مفاهیم فیزیکی کیفی قابل پیاده‌سازی هستند. دو زیر دسته‌ی اخیر پیش از این در دسته‌ی ب و ج از دسته‌بندی [1] توضیح داده شدند.
روش‌های بر پایه‌ی حافظه‌ی فرآیند[26]، از مقادیر کافی داده‌های موجود در حافظه‌ی سیستم برای عیب‌یابی بهره می‌برند. داده‌های حافظه به اطلاعات مفیدی تغییر شکل یافته و به سیستم تشخیص خطا گزارش می‌شود. به فرآیند تغییر شکل داده‌های حافظه به اطلاعات مفید، استخراج مشخصه گویند. استخراج مشخصه هم می تواند طی یک پروسه‌ی کمی صورت پذیرد و هم می‌تواند طی یک پروسه‌ی کیفی باشد. حالت اول از طریق روش‌های جعبه‌ی سیاه[27]، بدون هیچ گونه اطلاعاتی از سیستم و حالت دوم از طریق روش‌های جعبه‌ی خاکستری[28]، با اطلاعات کیفی و نسبی راجع به سیستم ممکن است [[v]].
دسته‌بندی فوق از بین سایر دسته‌بندی‌ها کامل‌تر به نظر می‌آید. روش‌های برپایه‌ی مدل کمی را می‌توان مجددا به دو زیر دسته‌ی جامع[29] و ساده شده[30] تقسیم کرد. برای مدل کردن حالت گذرای رفتار یک سیستم، استفاده از مدل جامع شامل جزئیات بسیار مفید است. زیر دسته‌ی دوم به جهت سادگی در مورد توجه است؛ چرا که با تبدیل مشتقات جزئی به مشتقات معمولی و یا حتی معادلات جبری، موجب سادگی محاسبات می‌گردد [[vi]]. مدل‌های فیزیکی ساده شده، معمولا از یک مدل ریاضی صریح و ساده استفاده می‌کنند؛این امر تشخیص عیب را با سهولت بیشتری همراه می‌کند. مشکل روش‌های کمی برپایه‌ی مدل این است که پیچیده هستند و به سختی قابل

 توسعه می‌باشند[6]، [[vii]]، [[viii]].

بر خلاف روش‌های کمی برپایه‌ی مدل که از روابط ریاضی برای نمایش اطلاعات سیستم استفاده می‌کنند، روش‌های کیفی برپایه‌ی مدل از روابط کیفی و اطلاعات پایه‌ای برای نمایش اطلاعات سیستم استفاده می‌کنند. این دسته را می‌توان به دو گروه روش‌های برپایه‌ی قواعد و گروه روش‌های بر پایه‌ی اطلاعات فیزیکی کیفی تقسیم کرد. روش‌های برپایه‌ی قواعد از اطلاعات سیستم برای نوشتن پایگاهی از قواعد اگر-آنگاه استفاده می‌کند.این روش‌ها به راحتی قابل توسعه و کاربرد هستند[6]. مدل‌های کیفی دربردارنده‌ی اطلاعات کیفی هستند که از رفتار فیزیکی سیستم استنباط می‌شود [[ix]]. روش های کیفی در فرآیندهای غیر حساس بسیار پرکاربرد هستند[6]. وبرای این که بتوان عیب را به درستی تشخیص داد بایستی پایگاه قواعد کاملی داشته باشیم.
روش‌های برپایه‌ی حافظه‌ی فرآیند، به دنیال یک رابطه‌ی صحیح بین ورودی‌ها و خروجی‌های اندازه‌گیری شده از سیستم هستند. اگر این رابطه هیچگونه کعنای فیزیکی خاصی نداشته باشد، روش جعبه سیاه خواهد بود[6]. اما در صورتی که رابطه‌ی استخراج شده بر اساس معانی فیزیکی نسبی سیستم باشد روش جعبه خاکستری خواهد بود. به‌طور کلی روش‌های برپایه‌ی حافظه هنگامی که داده‌های آموزشی به‌راحتی قابل تولید و جمع‌آوری باشند، بسیار کاربرد خواهند داشت [6].
 
دسته بندی های مختلفی از روش‌های عیب‌یابی بیان شد. برای این که کاربر بتواند به این روش‌ها اعتماد کند، این روش ها بایستی دارای خصوصیات لازم باشند. این خصوصیات در [7] به شرح زیر آمده است:

• کشف و تشخیص سریع محل عیب

• قابلیت تمیز دادن بین انواع مختلف عیب

• قابلیت شناسایی عیوب جدید

• مقاوم بودن، روش عیب‌یابی بایستی حساسیت کمی نسبت به نویز و عدم قطعیت‌های سیستم داشته باشد.

• قابلیت تطبیق، مدلی که برای عیب‌یابی استفاده می‌شود، بایستی قابلیت تطبیق به رفتار دینامیکی سیستم را داشته باشد.

• قابلیت تشخیص چندین عیب مختلف

• امکان تفسیر پذیری، تصمیم و عملکرد یک واحد عیب‌یابی بایستی توجیه‌پذیر باشد.

• روش عیب‌یابی بایستی عدم قطعیت سیستم، اغتشاشات فرآیند و عیب واقعی را از یکدیگر تمیز دهد.

 
[1]Fault
[2] Sensor
[3] Failure
[4] Actuator fault
[5] Process fault
[6] Sensor fault
[7] Abrupt fault
[8] Incipient fault
[9] Intermittent fault
[10] Fault diagnosis
[11] Fault detection
[12] Fault isolation
[13] Fault identification
[14] Hardware redundancy
[15] Signal based fault detection
[16] Robust
[17] Model based fault detection
[18] Data-driven methods
[19] Large-scale systems
[20] Analytical methods
[21] Adaptive parameter estimation
[22] Observer-based methods
[23] Parity relations
[24] Quantitative methods
[25] Qualitative methods
[26] Process history based
 
[27] Black box
[28] Gray box
[29] Quantitative detailed models
[30] Quantitative simplified models
[[i]] L. H. Chiang, E. L. Russell, and R. D. Braatz, Fault Detection and Diagnosis in Industrial Systems. Springer, 2001.
[[ii]] M. Witczak, Modelling and Estimation Strategies for Fault Diagnosis of Non-Linear Systems. Springer, 2007.
[[iii]] S. Simani, C. Fantuzzi, and R. J. Patton, Model-Based Fault Diagnosis in Dynamic Systems using Identification Techniques. Springer, 2002.
[[iv]] I. Izadi Najaf Abadi, “Fault diagnosis in sampled-data systems”,Ph. D. Dissertation, Dept. ECE, University of Alberta, Edmonton, Fall 2006.
[[v]] M. D. Shah, “Fault detection and diagnosis in nuclear power plant- a brief introduction”, International Conference on current trends in technology, NuiCone, 2011.
[[vi]] S. Katipamula, M. Brambley, “Methods for fault detection, diagnostics, and prognostics for building systems- a review”, International Journal of HVAC&R research, vol.11, no.2, Apr. 2005.
[[vii]] V. Venkatasubramanian, R. Rengaswamy, K. Yin and S. N. Kavuri, “A review of process fault detection and diagnosis Part I: Quantitative model-based methods”, Computers & Chemical Engineering 27, pp. 293-311, Apr. 2002.
[[viii]] V. Venkatasubramanian, R. Rengaswamy, K. Yin and S. N. Kavuri, “A review of process fault detection and diagnosis Part III: Process history based methods”, Computers & Chemical Engineering 27, pp. 327-346, Apr. 2002.
[[ix]] V. Venkatasubramanian, R. Rengaswamy, K. Yin and S. N. Kavuri, “A review of process fault detection and diagnosis Part II: Qualitative models and search strategies”, Computers & Chemical Engineering 27, pp. 313-326, Apr.2002.
***ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل و با فرمت ورد موجود است***

متن کامل را می توانید دانلود نمائید

چون فقط تکه هایی از متن پایان نامه در این صفحه درج شده (به طور نمونه)

ولی در فایل دانلودی متن کامل پایان نامه

 با فرمت ورد word که قابل ویرایش و کپی کردن می باشند

موجود است