وبلاگ

وجود سر و صدای ناخواسته در جوامع شهری و صنعتی جلوه دیگری از آلودگیهای زیست محیطی است كه تاثیر آزار دهنده در محیط كار و زندگی افراد دارد.
از این نوع آلاینده ها كه با بسیاری از صنایع مرتبط است با عنوان نویزهای صوتی یاد می شود. این آلایش ها اگر به شكل مناسب كنترل نشوند می توانند عوارض متعددی را برای افراد حاضر در محیط پدید آورند. دو عارضه مستقیم برای نویز صوتی ذكر شده است، عارضه اول آن است كه نویز صوتی در كوتاه مدت موجب خستگی ذهنی شنونده می شود و تمركز او را كاهش م یدهد كه این امر اغلب موجب تاثیر گذاری بر عملكرد افراد، پریشانی و حواس پرتی ایشان می گردد. عارضه دوم كه تنها در اثر قرار گرفتن دراز مدت در محیط دارای نویز صوتی با دامنه بالا بوجود می آید كاهش قدرت شنوایی افراد را بدنبال خواهد داشت. برای كنترل نویز صوتی دو روش كلی مورد استفاده قرار می گیرد كه از آنها با عناوین كنترل غیر فعال و كنترل فعال نویز (ANC) یاد می شود.
ایده كنترل غیر فعال، روش سنتی برای كنترل و كاهش نویز صوتی می باشد. در این روش محفظه، مانع و مواد جاذب صوت برای كاهش نویز ناخواسته بكار گرفته می شود. مواد جاذب صوت غیر فعال معمولا در اگزوزهای موتورهای احتراق داخلی كاربرد دارد. در حالیكه عای قهای صوتی مقاومتی بیشتر در فن داخل لوله استفاده می شود. مواد جاذب صوت، تضعیف صوت قابل توجهی در محدوده فركانسی بالای 500 هرتز ایجاد می نمایند و در فركانس های پائین قابلیت خود را از دست می دهد. در عمل ثابت شده است كه ضخامت عایق صوتی كه باید استفاده شود با طول موج صوت حذف شونده دارای نسبت مستقیم است.
در فركانس های پائین بدلیل بلند بودن طول موج های صوتی، استفاده از محفظه های سنگین، مواد جاذب صوت ضخیم و حجیم و خفه كننده های بزرگ جهت كنترل نویز ضروری می باشد. در نتیجه كاربرد كنترل كننده های غیر فعال نویز پرهزینه، حجیم، مشكل و غیر موثر است.

در روش كنترل فعال نویز برخلاف روش كنترل غیر فعال سعی نمی شود كه با استفاده از مواد جاذب، نویز تضعیف گردد بلكه هدف آن است كه نویز صوتی دیگری با همان دامنه و فركانس نویز اصلی اما با فاز مخالف ایجاد شود تا در اثر تركیب آن با نویز اولیه، نویز صوتی حذف شده و یا حداقل تا حد قابل ملاحظه ای تضعیف گردد.
روش كنترل فعال نویز توسط Paul Leug در سال 1936 میلادی اختراع شد و به ثبت رسید. اولین بار سیستم كنترل فعال نویز بر روی یك لوله كه از نظر صوتی دارای ساده ترین مدل می باشد پیاده شد. این پیاده سازی اولین گام در جهت رسیدن به سیست مهای عملی امروز بود. در این آزمایش با فرستادن یك سیگنال مزاحم یا نویز از ابتدای لوله و پخش سیگنالی دیگر با همان دامنه و فركانس نویز اصلی با فاز مخالف از طریق یك بلندگو كه باز هم در ابتدای لوله نصب شده است سعی بركاهش نویز و حداقل نمودن خطا با استفاده از سیگنال دریافتی از میكروفن خطا در انتهای لوله می باشد. این سیستم یكی از سیستم های عملی و ساده در آزمایشگاهها برای آزمون روش كنترل فعال نویز است.
بسیاری از فرآیندهای تجاری و صنعتی كه از نزدیك با افراد ارتباط دارند آلودگی بالایی از لحاظ شنیداری ایجاد می كنند و این موضوع از جمله نكاتی می باشد كه موجب گستردگی توجه به كاربرد سیستم های كنترل فعال نویز صوتی (ANC) شده است. بسیاری از صنایع، كارخانجات، سیست مهای حمل و نقل و… در عمل با آلودگی بسیاری همراه هستند و به همین دلیل تامین سلامتی افرادی كه با این سیستم ها سروكار دارند یكی از اهداف كنترل فعال نویز است.
سیستم های كنترل فعال نویز (ANC) كاربردهای زیادی در صنعت دارند كه از آن جمله به كاربرد آن در صنایع حمل و نقل و وسایل نقلیه شامل اتومبیل، وانت، كامیون، صنایع خودروهای زمینی، خودروهای نظامی، هواپیما (بخصوص نوع ملخی آن)، هلیكوپتر اشاره كرد. همچنین در سایر كاربردهای صنعتی نظیر كانال ها و دستگاههای تهویه هوا، فن ها، كانا لهای هوای صنعتی، دودكش ها، ترانسفورماتورها، كمپرسورها، پمپ ها، تونل های باد، یخچال، ماشین لباسشویی، جاروبرقی، كوره ها، رطوبت گیرها، كابین های اداری، ناحیه های آرام (ایزوله) بلحاظ صدا، گوش یهای محافظ و گوشی تلفن می توان اشاره كرد. توضیحات بیشتر در مورد كاربردهای سیستم های ANC و محدودیتهای موجود برای كاربرد آنها در حال و آینده در [HAN04] ارائه گردیده است.

:

با معرفی تلفن ھمراه، در اوایل دھه ی ھشتاد میلادی به عنوان یک وسیله ارتباطی ھمگانی، سیر صعودی بھره مندی از این گونه سیستمھا با رشد ھمراه بود. با گسترش استفاده از سیستمھای مخابرات سیار و شبکھھای بیسیم، بخصوص در شھرھای بزرگ و مکان ھای پر رفت و آمد، مشکل کمبود ظرفیت نمایان شد. این کمبود با بالا رفتن توقع کاربران در کیفیت و تنوع سرویسھای ارائه شده، نمود بیشتری پیدا کرد. استفاده از مخابرات باند پھن تا حدودی این مشکل را حل کرده است، ولی در اکثر سیستمھای مخابراتی و اطلاعاتی، طراحان با کمبود پھنای باند و افزایش تداخل روبرو ھستند.

استفاده از آنتنھای آرایه ای تطبیقی در سیستمھای مخابراتی بیسیم و سیار سلولی، مشکلات ناشی از تداخل ایجاد شده را کاھش میدھد. با استفاده از آنتنھای آرایھای تطبیقی و تغییر وزن ھا، میتوان الگوی تشعشعی را در جھت سیگنال مطلوب و صفرھا را در جھت سیگنالھای مزاحم شکل دھی نمود. برای دستیابی به الگوی تشعشعی در جھتی خاص و نحوهی كنترل و وزن دھی عناصر آرایه، الگوریتم ھای تطبیقی زیادی وجود دارد. این الگوریتم ھای تطبیقی به دو صورت است:
1- الگوریتم ھایی که نیاز بھ یک سیگنال مرجع یا رشته آموزشی دارند و به اصطلاح الگوریتم ھای مبتنی بر رشته ی آموزشی گفته میشوند.
2- الگوریتم ھایی که نیاز به یک سیگنال مرجع یا رشته آموزشی ندارند و با استفاده از الگوریتم ھای DOA، جھت ورود سیگنال به آرایه تخمین زده میشود و سپس از این اطلاعات در تعیین وزنھای آرایه استفاده میشود، به این الگوریتمھا، الگوریتمھای کور گفته میشود.
با استفاده از الگوریتم ھای مناسب تخمین جھت ورود سیگنال، میتوان به تخمینھای قابل قبولی رسید. با معلوم بودن جھت سیگنال کاربر، دامنه و فاز سیگنالھای دریافتی، باعث تقویت سیگنال مطلوب و تضعیف تداخل میشوند و این خود باعث بھبود عملکرد و افزایش ظرفیت میشود.

:
استفاده از مولدهای كوچك برای تولید برق بعد از ایجاد نیروگاه های بزرگ رنگ باخت، اما با پیشرفت تكنولوژیهای تولید برق در مقیاس كوچك و ایجاد تجدید ساختار در صنعت برق و مسائل زیست محیطی، باعث مطرح شدن مجدد این مولدها در صنعت تولید برق شده است. عموماً DG یا تولید پراكنده عبارتست از تولید برق در محل مصرف اما در بعضی مواقع به تكنولوژی هایی گفته میشود كه از منابع تجدیدپذیر برای تولید برق استفاده میكنند. چیزی كه عموماً مورد قبول است، این است كه این مولدها صرف نظر از نحوه تولید توان آنها، نسبتاً كوچك میباشد و مستقیماً به شبكه توزیع وصل میشوند. بالا رفتن هزینه های انتقال و توزیع، به مولدهای تولید پراكنده این امكان را میدهد كه برق تولیدی خود را به قیمتی ارزانتر در اختیار مصرفكنندگان قرار دهد. علاوه بر این تولید پراكنده امكان استفاده از منابع پاك برای تولید برق را میدهد.
تولید پراكنده یكی از سیستم های متناوب تولید نیروی الكتریكی میباشد. نیاز به تولید پراكنده با توجه به محدودیت كیفیت توان و نیازمندیهای سیستم از لحاظ قابلیت اطمینان بسیار مورد توجه قرار گرفته است. در سیستم تولید پراكنده، منابع انرژی متناوب با مقیاس كوچك یا تجدیدپذیر در مجاورت مركز بار قرار داده میشوند. اخیراً تكنولوژی های زیادی در زمینه تولید پراكنده در حال بررسی میباشد. این تكنولوژیها شامل پیلهای خورشیدی، توربینهای بادی، پیلهای سوختی و توربینهای گازی كوچك یا میكروتوربین (MT) است.
میكروتوربین یكی از منابع انرژی است كه توسط ژنراتورهای الكتریكی با سرعت بالا، میتواند توانی در بازه 10MW – 30kW را برای كاربران سیستمهای تولید پراكنده تامین نماید. این واحدها بسیار ساده و كوچك بوده و نصب راحت و هزینه بهره برداری پایینی دارند. همچنین هزینه نگهداری این واحدها به علت داشتن فقط یك قطعه متحرك، بسیار پایین میباشد.
پیشرفت تكنولوژی توربوشارژرها، توربینهای گازی و سیستمهای جانبی سبب توسعه كاربرد میكروتوربینها گشته است. میكروتوربینها توربینهای گازی كوچك و سادهای هستند و قسمتهای اصلی آن كمپرسور، محفظه احتراق و توربین میباشد. هوای فشرده خروجی كمپرسور بهنگام اختلاط با سوخت موجود، مخلوط قابل احتراقی ایجاد میكند. سوختن این مخلوط در محفظه احتراق باعث ایجاد جریان گاز گرم محرك توربین میگردد. میكروتوربینها به دو دسته میكروتوربینهای تك محور یا سرعت

بالا و میكروتوربینهای دو محور یا سرعت پایین تقسیم میشوند. ساختار میكروتوربین های تك محور صورتی است كه كمپرسور، توربین، ژنراتور بر روی یك محور نصب شدهاند. در میكروتوربینهای دو محور، محور توربین توسط یك چرخدنده به ژنراتور متصل میباشد.

 میكروتوربین متصل شده به ژنراتور سنكرون، چهار حلقه كنترلی توان، دما، سرعت و ولتاژ میباشد. خروجی سه حلقه اول به منظور تعیین نوع كنترل سیستم سوخت رسانی وارد بلوكی بنام درگاه كمترین مقدار میگردد. حلقه ولتاژ جهت پایدارسازی ولتاژ سیستم در طول تغییر بار بكار گرفته میشود. در این پایان نامه اختلاف بین دو كنترل كننده در یك میكروتوربین 250kW مدل میكروتوربین در مرجع توضیح داده شده است. كنترل كننده اول شبكه عصبی (NN) و كنترل كننده دوم PI میباشد. مشخصه اصلی كنترل كننده های شبكه عصبی حساسیت كم آنها نسبت به نویز و نیاز به اطلاعات اولیه كم است كه علت انتخاب این روش برای كنترل سیستم میكروتوربین میباشد. همچنین كنترل كننده های شبكه عصبی دارای سرعت و قابلیت اطمینان بالا بوده و برای كنترل فرآیندهایی كه بصورت بلادرنگ كنترل میشوند، از جمله میكروتوربین ها، كاربرد دارد.

در فصل اول پس از آشنایی با كلیات تولید پراكنده و همچنین مزایا و معایب آن، به بررسی میكروتوربینها و كاربرد آنها میپردازیم. همچنین در این فصل پیشینه تحقیقاتی كنترل میكروتوربین، روش كار و شیوه ابداعی به صورت اجمالی بررسی میشوند.
جهت كنترل یك واحد میكروتوربین گازی باید عملكرد توربین گازی، گاورنر و سیستم تحریك آن، مورد بررسی قرار گیرد. در نتیجه در فصل 2 توربین گازی و گاورنر و سیستم تحریك تشریح و مدل سازی میشود. در این فصل همچنین مدل میكروتوربین كه در شبیه سازی های فصل 3 استفاده شده، بررسی میشود. با توجه به اینكه از شبكه عصبی به عنوان كنترل كننده اصلی میكروتوربین در این پایان نامه استفاده شده است به همین منظور شبكه عصبی و كاربرد آن به صورت كلی بحث میشود، در ادامه راهكارهایی جهت بهبود عملكرد شبكه عصبی مطرح میشود.
شبیه سازی مدل ارائه شده در فصل 3 انجام میشود همچنین طراحی و تولید شبكه عصبی و آموزش آن در این فصل مورد بررسی قرار میگیرد. راهكارهای بهبود عملكرد شبكه نیز در این فصل اعمال میشود.
نتایج شبیه سازی و مقایسه سه شاخص اندازه گیری خطا در فصل 4 مطرح میشود.
و در پایان با توجه به نتایجی كه در فصل 4 آمده است به نتیجه گیری در مورد این پایان نامه و ارائه پیشنهاداتی خواهیم پرداخت.
اطلاعات لازم جهت تولید و آموزش شبكه عصبی و همچنین نمای كلی از شبیه سازی های انجام شده در پیوست آمده است.

با توجه به گسترش سیستم های قدرت الکتریکی استفاده از وسایلی که بتواند تجهیزات را به طور اتوماتیک و از راه دور کنترل کند لازم و ضروری است، بدین منظور استفاده از کنترل نظارتی پا به میان می گذارد، شرکت زیمنس که یکی از بزرگترین شرکتهای تولید کننده تجهیزات الکتریکی و الکترونیکی است که در زمینه تولید وسایل کنترل نظارتی اسکادا، نیز پیشگام بوده و بدین ترتیب با شرکت مدیریت شبکه ایران قراردادی را به امضاء می رساند که در این قرارداد دو اسکادا در کشور به کار می رود که یکی در تهران و دیگری در اصفهان می باشد. این دو اسکادا که یکی اصلی و دیگری به عنوان پشتیبان است وظیفه نظارت و کنترل بر کلیه تجهیزات اعم از کیدها، خطوط انتقال، پست ها، ترانس ها و ژنراتورها و… را بر عهده دارند تا در هر لحظه و هر شرایطی تصمیمات لازم را گرفته و به پایانه های دریافت پیام، RTU ها انتقال دهد. بدین وسیله اطلاعاتی هرچند کم در اختیار خواننده می گذاریم، تا از طریق آن گامی کوچک در عرصه مهندسی برق برداشته باشیم، قسمت اعظم این مجموعه از گزارشات شرکت زیمنس در قبال شرکت مدیریت شبکه ایران جهت توسعه مطالعات گسترده HV ایران می باشد که خواننده جهت کسب اطلاعات بیشتر می تواند به این گزارشات مراجعه کند.
SCADA چیست؟

SCADA یا supervisory control and data acquisition از اصول کلی سیستم های dcs پیروی می کند. گرچه هردو سیستم بر پایه یک هدف بنا شده اند. تفاوت های عمده ای نیز باهم دارند از جمله این تفاوت ها می توان به نوع کاربرد و کارایی این سیستم ها اشاره کرد.

 سیستم اسکادا همانطور که از نام آن پیداست یک سیستم کامل نیست بلکه جهت ارائه مدیریت نظارت و بررسی بر کنترل و جمع آوری اطلاعات طراحی شده و اهداف اولیه و طراحی و تولید آن عبارت از مونیتورینگ، مدیریت در تصمیم گیری در کنترل و اعلام اخطار و آلارم در مواقع مورد نیاز از طریق یک مرکز واحد می باشد.

هسته اصلی این سیستم بسته های نرم افزاری حرفه ای می باشد که بروی سخت افزارهای استاندارد و مشخص از قبیل plc ها و RTU ها قرار گرفته اند.
سیستم اسکادا علاوه بر کاربرد در فرآیندهای صنعتی مانند تولید و توزیع برق (به شیوه های مرسوم یا هسته ای) ساخت فولاد، صنایع شیمیایی، صنایع آب، گاز و نفت در بعضی از امکانات آزمایشی مانند فوزیون هسته ای نیز کاربرد دارد این چنین تأسیساتی از 1000 تا چندین ده هزار کانال می باشد و با کمک شبکه ها و سیستم های مخابراتی، منطقه وسیعی را تحت بازرسی و نظارت قرار می دهند.
سیستم های اسکادا بر روی سیستم عامل های DOS و WMS و UNIX قابل اجرا هستند در سال های اخیر همه سیستمهای اسکادا به سیستم عامل NT و بعضی هم به سمت LINUX گرایش پیدا کرده اند. مطالبی در زیر می آید مربوط به سیستم اسکادا به کار برده شده توسط شرکت زیمنس می باشد که در ایران و تحت نظارت شرکت مدیریت شبکه ایران (IGMC) می باشد.

:
نویز یك صوت ناخواسته می باشد. كه هر یك دارای یك سطح از قدرت می باشد. نویزهای با قدرت بالا آزاردهنده هستند و می توانند مضراتی برای سلامتی انسان، سیستم های مخابراتی و دیگر سیستم ها داشته باشند. با توجه به خصوصیات نویز مانند فركانس و خواص آماری آن مانند تابع خودهمبستگی، روش مناسبی برای آن انتخاب می شود.

روش كلاسیك حذف نویز، روش غیرفعال است كه در آن از عایق بندی صوتی استفاده می شود كه برای دسته خاصی از نویزها، آنها كه دارای فركانس بالا می باشند مورد استفاده قرار می گیرد. در روش الكترونیكی كه همان روش فعال نامیده می شود از كنترل كننده فعال نویز استفاده می شود كه این روش نیز برای نویزهایی با فركانس پائین مناسب است. در این كنترل كننده، هدف ایجاد نویزی برابر با نویز اصلی و فاز مخالف است تا بتواند با تركیب با نویز اولیه آنرا حذف نماید و ایجاد سكوت كند. برای این كار به یك بلندگو كه سیگنال كنترلی یا حذف كننده را پخش می كند و یك سنسور برای اندازه گیری خطا احتیاج میباشد. در روش كلاسیك استفاده از كنترل نویز فعال، از فیلترهای تطبیقی با ساختارهایی مانند FIR, IIR, Ladder,… و از الگوریتم هایی مانند LMS, n‐LMS, RLS, FX‐LMS,… برای ساختن یك كنترل كننده استفاده می شود. در این روش ها الگوریتم با استفاده از معیارهایی مانند بیشترین شیب نزولی ضرایب فیلترها را تعیین می كند.

در روش هوشمند برای ساختن كنترل كننده به جای فیلتر از شبكه های عصبی استفاده می كنیم و به جای الگوریتم های LMS,… از الگوریتم هایی مانند backpropagation, filtered‐X, backpropagation,… استفاده می كنیم. شبكه های عصبی به صورت موفقیت آمیزی به منظور تقریب، شناسایی و كنترل بر روی سیستم های دینامیك اعمال می شوند. شبكه های عصبی به خوبی می توانند در ساختارهای كنترلی نظیر Model predictive control , Adaptive inverse control , Nonlinear model control, Model reference control ایفای نقش كنند. زمانی كه از شبكه های عصبی استفاده می شود باید ابتدا وزن ها، بایاس ها، تعداد نرون ها، لایه ها، تعداد ورودی و خروجی مشخص گردد كه این وزن ها و بایاس ها توسط الگوریتم های آموزشی و داده های آموزشی در مرحله آموزش تعیین می شوند. در مرحله آموزش معمولاً داده های ورودی و خروجی مطلوب برای شبكه عصبی مشخص می شود. ساختار شبكه عصبی كه چگونگی اتصال نرون ها در یك لایه و از لایه ای به لایه دیگر را نشان می دهد بر اساس میزان سرعت و پیچیدگی و حجم شبكه بوجود آمده تعیین می شود. ساختارهای متعارف شبكه عصبی ساختار feedforward, recurrent,… می باشند. بعد از زمان آموزش و برای داده های بعدی كه به شبكه های عصبی وارد می شود این خود شبكه است كه برای خروجی تصمیم می گیرد. به همین جهت است كه شبكه های عصبی جزو روش های هوشمند به شمار می آیند. برای ایجاد یك كنترل كننده فعال نویز با شبكه عصبی باید از ساختار Model reference control استفاده نمود. در این ساختار دو شبكه عصبی وجود دارد. (الف) شبكه عصبی مدل پلنت (ب) شبكه عصبی كنترل كننده.
شبكه مدل پلنت برای در نظر گرفتن تاثیر مسیر ثانویه است و قبل از آموزش شبكه كنترل كننده باید آموزش ببیند. از طریق روش شناسایی سیستم، پلنت را مدل می كنیم. كنترل كننده را به گونه ای آموزش می دهیم كه بتواند سیگنال آنتی نویزی تولید كند كه از پلنت عبور كرده و در عین حال رفتار مدل مرجع را دنبال كند. این شبكه عصبی كنترل كننده با توجه به مسیری كه قرار است نویز طی كند یك سیگنال كنترلی تولید می كند كه این سیگنال پس از طی مسیر ثانویه با نویز اصلی تركیب شده و باید بتواند تا حدودی آن را خنثی نماید. از الگوریتم filtered‐x backpropagation برای آموزش كنترل كننده استفاده می كنیم. میزان موفقیت آمیز بودن حذف نویز توسط سنسور خطا اندازه گیری می شود. شبیه سازی ها را در حالت های مختلف و بر روی یك سیستم داكت با دو ورودی نویز متفاوت انجام می دهیم. همچنین سیستم را در دو حالت خطی و غیرخطی نیز بررسی خواهیم نمود.