بررسی پارامترهای حساسیت برای تشخیص خلازایی خودکار در توربین های آبی سد سفید رود با در نظر گرفتن عمر مفید باقی مانده

در تحقیق حاضر، تشخیص آستانه خلازایی و خودکارسازی تشخیص فرآیند، با توجه به عمر مفید باقی‌مانده توربین نیروگاه سفیدرود بررسی شده است. ورودی مدل تولیدشده در برنامه matlab، شامل داده‌های حاصل از هیدروتوربین کاپلان واقع در نیروگاه برق‌آبی تاریک می‌باشد. روش پیشنهادی بر مبنای 61 ویژگی حاصل از 6 پارامتر حساسیت خلازایی و 17 شرایط عملیاتی می‌باشد. به هدف آموزش برنامه matlab، تعداد 12 مجموعه آموزش فردی و 4095 ترکیب منحصر به فرد ایجاد گردید و تعداد 408 داده جهت آزمون انتخاب شده است. داده‌های آموزشی با ترکیب نوع حسگر و ویژگی حساسیت خلازایی، جهت پیش‌بینی خلازایی به خدمت گرفته شدند و بهترین دقت داده‌های آموزشی به 98 درصد رسید. نتایج نشان داد که استفاده از فرآیند کاملاً خودکار برای تعیین حساسیت و طبقه‌بندی خلازایی مناسب‌تر از یک فرآیند مبتنی بر آستانه‌های انتخاب شده به روش دستی می‌باشد. علاوه بر این، خودکارسازی روند تعیین آستانه خلازایی با در نظر گرفتن شرایط عملیاتی و عمر مفید باقی‌مانده، بدون دخالت انسانی با دقت بسیار زیادتری همراه بوده است .

Examination of the sensitivity parameters to detect automatic cavitation in Hydroturbines of the SefidRood dam considering remaining useful life

In this research، the evaluation of cavitation threshold detection and the automation of the detection process with regard to the Remaining Useful Life (RUL) of the Sefidrood power plant turbine، has been studied. The input of generated model by MATLAB program includes data driven from kaplan hydro turbine located on Tarik hydro power plant. The proposed model is based on 61 features resulting from 6 cavitation sensitivity parameters and 17 operational conditions. For training in MATLAB program, 12 individual data sets and 4095 unique combinations were created and 408 data were selected for examination. The training data combined with sensor rating and cavitation sensitivity feature were employed to predict the cavitation and the best training data set with 98% accuracy. The results showed that the use of a fully automated process for sensitivity determination and cavitation classification was more suitable than the use of a process based on manually selected thresholds. Furthermore, considering the operational conditions and RUL, the automation of determination of cavitation threshold without human intervention was much more accurate.