مدلسازی خطی و غیرخطی سیستم های خنک کننده مشبک به منظور حفاظت در شرایط بحرانی

اختصاصی از یارا فایل مدلسازی خطی و غیرخطی سیستم های خنک کننده مشبک به منظور حفاظت در شرایط بحرانی دانلود با لینک مستقیم و پرسرعت .

چکیده:

اهمیت کارکرد سیستم های خنک کننده به منظور دستیابی به استانداردهای کیفی در محصول تولیدی و سیستم های غبارزدای مربوطه به منظور رعایت استانداردهای آلایندگی در صنعت سیمان باعث پویایی فناوری تولید این سیستم ها و به موازات آن افزایش هزینه های تولیدی آنها شده است. این مسئله ایجاب می کند که شرایط بحرانی احتمالی با منشاء هوای داغ که باعث صدمه زدن به کارکرد این سیستم ها خواهد شد شناسایی شده و اقدامات حفاظتی در مقابل آن صورت گیرد. شناسایی چنین شرایطی مستلزم شناسایی و مدلسازی رفتاری این سیستم می باشد که با توجه به رفتار فوق العاده غیرخطی آن نیاز به گرایش به سمت شیوه های مدلسازی هوشمند نظیر شبکه های عصبی می باشد. در این پروژه هدف بررسی رفتار غیرخطی سیستم خنک کننده مشبک به منظور شناسایی و مدلسازی آن در هنگام بروز تغییرات ناگهانی درجه حرارت یا فشار هوای ورودی به سیستم و حفاظت و کنترل سیستم در قبال این شرایط بحرانی گام های بعدی آن می باشد.

کولرهای مشبک با غبارزدایی فیبری استفاده وسیعی در صنعت سیمان داشته و به دلیل اهمیت کاربردی و همچنین هزینه بالای اقتصادی همواره مورد توجه ویژه موسسات مطالعاتی معتبر و کارخانجات تولیدی جهت حفاظت از آنها بوده اند.

این تحقیق منطبق بر نیاز فزاینده صنایع داخلی تولید سیمان برای دستیابی به شیوه های مطمئن در پیش بینی شرایط بحرانی محتمل برای کولرها و غبارگیرها و جلوگیری از آسیب دیدن آنها و نهایتا زیان های اقتصادی منتجه تعریف و اجرا گردید.

در این پروژه با بررسی رفتار فیزیکی کولر مشبک و تعیین ورودی و خروجی هایی که بتواند تا اندازه زیاد رفتار سیستم را بازتاب نمایند، و همچنین دریافت اطلاعات واقعی از کارخانه سیمان بجنورد روی مدل های خطی با استفاده از روش های شناسایی کار شد و در آخر مدل غیرخطی با استفاده از شبکه عصبی MLP ارائه گردید.

مقدمه:

یکی از مهمترین کاربرد سیستم های خنک کننده در صنعت سیمان است. خنک کننده های شبکه ای در صنعت سیمان برای خنک کردن ذرات داغ کلینکر مورد استفاده قرار می گیرد.

کلمه سیمان به هر نوع ماده چسبنده ای اطلاق می شود که قابلیت به هم چسباندن و یکپارچه کردن قطعات معدنی را دارا باشد. در شاخه مهندسی عمران سیمان گردی است نرم، جاذب آب، چسباننده سنگریزه که اساسا مرکب از ترکیبات پخته شده و گداخته شده اکسید کلسیم، اکسید سیلیسیم، اکسید آلومینیوم و اکسید آهن می باشد. ملات این گرد قادر است به مرور در مجاورت هوا یا در زیر آب سخت شود و در زیر آب، در ضمن داشتن ثبات حجم، مقاومت خود را حفظ نموده و در فاصله 28 روز زیر آب ماندن دارای حداقل مقاومت 250 کیلوگرم بر سانتیمتر مربع گردد.

چگونگی خنک کردن کلینکر روی ساختمان بلوری کانی ها، قابلیت خرد شدن و نهایتا کیفیت سیمان تاثیر دارد و اصولا به همین دلایل است که توجه به خنک کننده ها بسیار ضروری است. از طرفی به دلیل رفتارهای غیرخطی در مراحل پخت سیمان برخی پیش بینی ها قبل از وقوع حوادث از ضررهای هنگفتی جلوگیری می کند.

متاسفانه کارهای تحقیقاتی در جهت شناسایی و مدلسازی بخصوص در زمینه موضوع این پروژه بسیار کم انجام شده است. شاید یکی از دلایل آن ارتباط بیش از حد بین قسمت های مختلف پروسه و اثرگذاری آنها بر یکدیگر باشد. بیشتر مراجع موجود اطلاعات تجاری در زمینه کولرهای شبکه ای بود و بسنده کردن به چند مرجع محدود بسیار، پیشرفت کار را کند می کرد.

گام بعدی جمع آوری داده از سیستم واقعی بود. به دلیل بعد مسافت و مشکلات اداری گرفتن داده از طریق مکاتبه امکانپذیر نبود. کارخانه سیمان بجنورد یکی از کارخانه های سیمان بود که سیستم خنک کننده مشبک در آن موجود بود. با همکاری مدیریت و مسئولان این کارخانه داده ها جمع آوری شد (داده های مربوط به دو ماه کاری کارخانه در اختیار گذاشته شد) ولی با توجه به اشکالاتی که در قسمت ثبت داده به صورت اتوماتیک داشتند داده ها دستی توسط اپراتور و مجموعا 24 داده برای هر پارامتر در هر روز موجود بود و این نگرانی وجود داشت که به خاطر فرکانس پایین جمع آوری داده بعضی اطلاعات مفید را از دست داده باشیم. ولی پس از بررسی معلوم شد که جز در حالات غیرعادی کار داده ها از رنج تقریبا ثابتی برخوردار بودند. مرحله بعد بررسی کلی داده ها بود و سپس وارد تست روش های شناسایی خطی شدیم. با توجه به پیش بینی که از قبل هم می کردیم تست های شناسایی خطی جواب های قانع کننده ای نداشتند. که این اظهارنظر با توجه به بررسی خروجی، شاخص Fitness و تست های دیگر انجام گرفته است. مدلسازی غیرخطی را با توجه به داشتن تجربه قبلی از مدلسازی های خطی و همچنین مراجع موجود که درباره مدلسازی ریاضی سیستم کار کرده بودند با روش شبکه عصبی MLP و آموزش مارکوات رونبرگ انجام دادیم. پاسخ های گرفته شده موفقیت مدلسازی را تایید می کردند.

به هرحال امیدوارم این پروژه در عمل بتواند گامی هرچند کوچک در رفع مشکلات موجود در صنعت سیمان بردارد.

تعداد صفحه : 122