نویسنده
خدا رحمت کند، اطهر
تاریخ انتشار
2018-12-14
موضوع
سیستمهای پردازش اطلاعات، محاسبات ابری، دادههای بزرگ، نفت خام، بویلرها، پردازش داده، سریهای زمانی، تحلیل سریهای زمانی، مدل دادههای زمانی، دادههای چند متغیره
نوع
سند
زبان
انگلیسی
دیجیتال
بله
نسخه خطی
خیر
کتابخانه
دانشگاه اوزیغین
شماره ثبت
e6d66e8c-95ff-4d73-9932-49aba64bf08c
محل کتابخانه
گروه علوم کامپیوتر
تاریخ
2018-12-14
متن نمونه
این پایان نامه به چالش های کلان داده می پردازد که در کارخانه های صنعتی در مقیاس بزرگ و حیاتی مانند پالایشگاه های نفت دیده می شود. این نیروگاه ها مجهز به ماشین آلات سنگین (دیگ ها، موتورها، توربین ها و غیره) هستند که به طور مداوم توسط هزاران و انواع مختلف سنسور برای کارایی فرآیند، ایمنی محیطی و اهداف تعمیر و نگهداری پیش بینی نظارت می شوند. با این حال، خود سنسورها نیز مستعد خطا و خرابی هستند. کیفیت داده های دریافتی از آنها باید قبل از استفاده در مدل سازی یا پیش بینی سیستم تایید شود. نیاز به روش ها و سیستم های قابل اعتمادی وجود دارد که بتوانند اعتبار و تطبیق داده ها را در زمان واقعی با دقت بالا ارائه دهند. علاوه بر این، توسعه مدلهای تحلیلی دقیق، در عین حال ساده و کارآمد که میتوانند با جریانهای داده صنعتی پرسرعت مورد استفاده قرار گیرند، ضروری است. در این پایان نامه، طراحی و اجرای یک روش جدید به نام DREDGE، ابتدا با توسعه روشهایی برای اعتبارسنجی دادههای بلادرنگ، تشخیص خطای ناخالص (GED) و طبقهبندی خطای ناخالص (GEC) بر روی جریانهای داده حسگر چند متغیره، پیشنهاد و ارائه میشود. دادههای معتبر و با کیفیت بالا بهدستآمده از این فرآیندها بعداً برای تحلیل الگو و مدلسازی کارخانههای صنعتی استفاده میشوند. ما دادههای حسگر را از نیروگاههای پتروشیمی و نیروگاههای یک پالایشگاه نفت بهدست آوردیم و آنها را با استفاده از مدلسازی سریهای زمانی مختلف و تکنیکهای داده کاوی که در یک موتور پردازش رویداد پیچیده (CEP) ادغام شدهاند، تجزیه و تحلیل کردیم. در مرحله بعد، مفاهیم عملکرد محاسباتی روشهای پیشنهادی مورد مطالعه قرار میگیرند و رژیمهایی که در جریانهای سریع دادههای حسگر پایدار هستند، آشکار میشوند. سیستم های کنترل توزیع شده (DCS) به طور مداوم صدها حسگر را در سیستم های صنعتی نظارت می کنند و روابط بین متغیرهای سیستم می تواند در طول زمان تغییر کند. روشهای شناسایی حالت عملیاتی (یا حالت) برای این سیستمهای صنعتی در مقیاس بزرگ با استفاده از تجزیه و تحلیل جریان توسعه یافته و ارائه شدهاند، که نشان داده شده است که نسبت به مدلهای پردازش دستهای مؤثرتر هستند، به ویژه برای سیستمهای متغیر با زمان. برای تشخیص انحرافات بین حالتها، تکنیکهای مدلسازی پیشبینیکننده مانند تحلیل رگرسیون، K-means و خوشهبندی DBSCAN بر روی جریانهای داده حسگر از یک پالایشگاه نفت استفاده میشوند و مدلها در زمان واقعی با استفاده از تحلیل مبتنی بر پنجره بهروزرسانی میشوند. علاوه بر این، تغییرات بین حالتهای ثابت دادهها شناسایی میشوند که حالتهای عملکرد چندگانه سیستمها را نشان میدهد. همچنین زمانی که نیاز به بازسازی مدل است با استفاده از الگوریتم DBSCAN شناسایی می شود. یک رویکرد تنظیم اندازه پنجره تطبیقی بر اساس الگوریتم کنترل تراکم TCP پیشنهاد شده است که هزینههای بهروزرسانی مدل و همچنین خطاهای پیشبینی را کاهش میدهد. در نهایت، ما یک معماری لامبدا جدید برای صنعت نفت و گاز برای داده های یکپارچه و پردازش تحلیلی بر روی DCS پیشنهاد کردیم. ما در مورد مسائل یکپارچه سازی ابر بحث کردیم و تجربیات خود را با اجرای ماژول های تشخیص خطا و طبقه بندی حسگر در معماری پیشنهادی به اشتراک گذاشتیم. Bu tesislerde çalışan ağır Sanayi makinaları (kazanlar, motorlar, türbinler, vb.) binlerce sayıda ve çeşitli tipte duyargarlar ile sürekli olarak ölçümlenmekte ve üretimde verimlilik artışı, iş-çevre güvengazı, iş-çevre güvengaiği kararlar alınmaktadır. Ancak duyargalar da bozulabilmekte veya hatalı ölçümler yapabilmektedirler. بونلار تارافیندان اولچولن ورینین کالیتسی، سیستم مدللمسی ویا تهمین لمده kullanılmadan önce doğrulanmalıdır. Bu sebeple، gerçek-zamanlı ve yüksek doğrulukla veri duzeltmesi yapabilecek güvenilir metodlara ihtiyaç duyulmaktadır. Geliştirilen metodların çok-hızlı endüstriyel veri akışlarını takip edebilmeleri için, doğrulukları kadar, basit ve etkin olmaları da gerekmektedir. Bu tezde DREDGE isimli, öncelikle gerçek-zamanlı veri doğrulama, kaba hata tespiti ve kata hata sınıflandırması yapabilen yenilikçi metotun tasarım ve gerçekleme bilgileri sunulmaktadır. Bu süreçler sonrasında elden edilen doğrulanmış ve yüksek kaliteli veri, desen analizi ve endüstri tesislerinin bütünsel modellemesi için kullanılmaktadır. چالیشمادا بیر پترنزین رافینیریسینین گؤچ ورتیم و پتروکیمیا تسیسلریندن الده ادیلمیش گرچک دویارگا وریلری زمان-سریسی و ویری ساخته شده اندنجیلیگی مدللرینین اغیتیمنده kullanılmış و elde edilen مدلر Karmaşık Olay İşleme motoruna. داها سونرا، بو مدللرین موتور ایچریسیندکی اجرانسلاری چالیشلاراک، هیزلی ویری آکیشلاری وزریندکی سوردورولبیلر رجیملرین تسپیتی ساغلانمیشتیر. Sonrasında، büyük-ölçekli endüstriyel sistemlerin operatorel durum tespiti için akış analitiğine dayalı metodlar geliştirilmekte ve özellikle zamana-bağlı değişen sistemlerde، toplu işleme yapan modellere göre dahaısterilmekte. Dağıtık kontrol sistemleri sürekli olarak yüzlerce duyargayı takip etmekte ise de, değişkenler arası ilişkiler zaman içerisinde değişebilmektedir. بنزین rafinesindeki cihazların modlar arası geçişlerini farkedebilmek için veri akışları üzerinde gerçek-zamanlı ve zaman-penceresi temelli regresyon analizi، K-means ve DBSCAN kümeleme sezgisel modelleme teknikleri kullanılm. آیریجا، دوراغان-دوروملار آراسی کاییشلار تسپیت ادیلرک، اُپِنِل مد گچیشلری تسپیت ادیلمیشتیر. Gerçek-zamanlı DBSCAN kullanılarak مدل değişikliği veya düzenlemesinin gerektiği anlar tespit edilmiştir. Bu bölümde son olarak, zaman-pencere boyutlarının TCP algoritmaları ile adaptif olarak değiştirilmeleri önerilmiş ve model güncelleme maliyeti ile tahminsel hatalarına olumlu etkileri gözlemlenmiştir. Son olarak, rafineri endüstrisi için dağıtık kontrol sistemleri (DCS) verilerine yönelik, birleşik (çevrimiçi - çevrimdışı) analitik işleme içeren yeni bir Lambda mimarisi önerilmektedir. Önerilen mimarinin buluta entegrasyonu ile içerisindeki sensor hata tespiti ve sınıflandırmasına yönelik modul geliştirilmesine yönelik tecrübe paylaşımı yapılmaktadır.
