بهينه سازي جانشاني شبكه سنسوري بر مبناي ريسك جهت بهبود فرآيند پايش وضعيت، مطالعه موردي بر روي شبكه سنسوري توربين بخار

Improving Condition Monitoring Process using Risk-based Optimization of Sensor Network A Case Study on Sensor Network of Steam Turbine

پايش وضعيت يك سيستم نيازمند يك شبكه سنسوري بهينه مي-باشد تا وقوع عيب در هر يك از اجزاء در مراحل ابتدايي شناسايي شده و از وقوع خرابي¬هاي شديدتر جلوگيري شود. جهت بهينه سازي مكان قرار گيري سنسورها لازم است تا ابتدا تابع هدف و قيود مربوط به آن معين گردد. در اين پژوهش ابتدا مكان¬هاي بالقوه قرارگيري سنسورها به عنوان قيد مسئله مشخص شده و تركيب هاي مختلف از اين مكان ها به عنوان سناريوي جانشاني تعريف مي¬شوند. همچنين دو معيار به طور جداگانه به عنوان تابع هدف انتخاب شده و بهينه سازي بر مبناي آنها انجام مي پذيرد. اولين معيار، عدم قطعيت اطلاعات حاصل از سنسورها مي باشد. با در نظر گرفتن اطلاعات اوليه در مورد خرابي اجزاء، مدل خرابي سيستم توسعه مي¬يابد. سپس با استفاده از روش مونت كارلو، احتمال هشدار دادن سنسور محاسبه شده و در گام بعدي احتمال وقوع هر يك از علل خرابي تعيين مي¬شوند. واريانس نتايج بدست آمده از شبيه سازي مونت كارلو به عنوان معيار عدم قطعيت در نظر گرفته مي¬شود. معيار دوم، ريسك وقوع هر يك از علل خرابي مي¬باشد. اين معيار بصورت حاصلضرب احتمال عدم شناسايي عيب توسط سنسور در پيامدهاي ناشي از آن تعريف مي¬گردد. تمامي تركيب¬هاي ممكن مربوط به وقوع علل خرابي به عنوان بردارهاي حالت اجزاء معرفي مي¬گردند. احتمال عدم شناسايي عيب بر اساس احتمال وقوع عيب و احتمال خرابي سنسور تحريك شده توسط آن عيب محاسبه مي¬شود. پيامدهاي خرابي نيز با استفاده از معيار شدت خرابي از آناليز مودهاي خرابي و اثرات آن (FMEA) بصورت كمي استخراج مي¬گردند. نهايتا سناريوهاي جانشاني سنسورها بر اساس دو معيار مذكور اولويت بندي مي¬شوند. نهايتا تاثير خرابي سنسور و پيامدهاي ناشي از آن بر روي اوليت بندي سناريو ها مورد بحث و بررسي قرار مي¬گيرد. به عنوان مطالعه موردي، شبكه سنسوري پايش وضعيت توربين بخار انتخاب شده است. سناريوهاي مختلف مربوط به جانشاني سنسورهاي توربين بخار بر اساس دو معيار عدم قطعيت و ريسك اولويت بندي شده و نتايج مربوط به آنها ارائه مي¬گردند.

Condition monitoring of a system is in need of a sensor network optimization for detecting system faults in early stage to prevent the occurrence of severe damages. In order to optimize the location of sensors, it is needed to determine objective function and related. In this study, potential places of sensors are identified as constraints and different combinations of these locations are specified as scenarios. Two separate criteria are also considered as objective functions. The first criterion is sensor information uncertainty. Considering prior information about components failure, system failure model is developed. Then, using Monte Carlo method, the probability of sensor activation is calculated. In the next step, the probability of each failure cause is estimated. The variance of results from the Monte Carlo simulation is considered as a measure of uncertainty. The second criterion is considered as the risk of the occurrence of each failure cause. This criterion is determined as the product of multiplying the probability of sensor missed detection in its economic consequences. All possible combinations of failure causes are determined as components state vectors. The probability of missed-detection is estimated applying occurrence probability of failure causes and failure probability of sensors. The consequences of missed-detection are extracted using “Severity” index from FMEA. Finally, all scenarios are prioritized based on proposed criteria. Consequently, effect of sensor failure and its consequences are discussed on prioritization of scenario. As a case study, sensor network of steam turbine condition monitoring is selected. Various sensor placement scenarios of steam turbine are prioritized based on both uncertainty and risk criteria and the results are discussed.