پیش‌بینی آنی افت عملکرد مبدل‌های حرارتی در صنایع پتروشیمی با استفاده از شبکه عصبی LSTM چندحسگری
کلمات کلیدی:
شبکه عصبی LSTM, پیش‌بینی افت عملکرد, مبدل حرارتی, داده‌های چندحسگریچکیده
در این پژوهش، رویکردی مبتنی بر شبکه عصبی حافظه طولانی کوتاه‌مدت (LSTM) برای پیش‌بینی افت عملکرد مبدل‌های حرارتی، با استفاده از داده‌های چندحسگری دما، فشار، دبی و ارتعاش، ارائه می‌شود. با توجه به اهمیت حیاتی مبدل‌های حرارتی در صنایع پتروشیمی و هزینه‌های ناشی از افت عملکرد و توقف‌های برنامه‌ریزی نشده، توسعه روش‌های پیش‌بینی دقیق و آنی برای نگهداری پیشگیرانه ضروری است. داده‌های مورد استفاده در این مطالعه، به صورت شبیه‌سازی شده و طی یک دوره سه ماهه با بازه نمونه‌برداری ۵ دقیقه جمع‌آوری شده‌اند. در این فرآیند شبیه‌سازی، تلاش شده است تا واقع‌گرایانه بودن داده‌ها با لحاظ کردن نویزهای معمول سنسورها و همچنین گنجاندن رویدادهای ناگهانی که منجر به افت عملکرد می‌شوند، افزایش یابد. مدل LSTM به دلیل توانایی ذاتی خود در یادگیری وابستگی‌های زمانی بلندمدت و پردازش دنباله‌های داده، به عنوان گزینه اصلی انتخاب شده است. معماری مدل با دقت تنظیم شده و پارامترهای آن برای بهینه‌سازی عملکرد در پیش‌بینی افت عملکرد، تیون شده‌اند. نتایج حاصل از ارزیابی مدل نشان داد که LSTM توانایی پیش‌بینی افت عملکرد با دقت بسیار بالا، به طوریکه ضریب تعیین (R²) حدود 0.95 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 مدل‌های کلاسیک سری زمانی مانند ARIMA (AutoRegressive Integrated Moving Average) و SVR (Support Vector Regression) که در مطالعات قبلی نیز مورد استفاده قرار گرفته‌اند، ارزیابی شد. این برتری در پیش‌بینی، به دلیل قابلیت LSTM در مدل‌سازی روابط غیرخطی پیچیده و درک وابستگی‌های زمانی طولانی که در داده‌های عملکردی مبدل‌های حرارتی وجود دارد، حاصل شده است.
دانلودها
مراجع
1. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural
computation, 9(8), 1735-1780.
2. Zhang, G., Eddy Patuwo, B., & Hu, M. Y. (2019). Forecasting with artificial neural
networks: The state of the art. International Journal of Forecasting, 14(1), 35-62.
3. Wang, H., Yuan, Z., & Chen, X. (2020). Multisensor data fusion for industrial
prognostics. IEEE Transactions on Instrumentation and Measurement, 69(5), 1693-
1704.
4. Smith, J. K. (2018). Advanced Time Series Analysis for Industrial Applications.
Tech Press.
5. LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553),
436-444.
6. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press.
7. Chollet, F. (2017). Deep learning with Python. Manning Publications.
8. Hammer, M., & Hertel, R. (2004). Support vector machines: Classification,
regression, and bioinformatics. Springer Science & Business Media.
9. Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time series
analysis: forecasting and control. John Wiley & Sons.
10. Gers, F. A., Schmidhuber, J., & Cummins, F. (2000). Learning to forget: Continual
prediction with LSTM. Neural computation, 12(10), 2451-2471
