آقای محمد رضا حسنی آهنگر دانشجوی دکترای جناب آقای دکتر محمدرضا کنگاوری روز یکشنبه مورخ 22/3/1390ساعت 15 در اتاق 304 واقع در طبقه سوم دانشکده مهندسی کامپیوتر از رساله دکتری خود تحت عنوان پایش سیستم های بی درنگ جهت تشخیص خطا با استفاده از فنون محاسبات نرم دفاع خواهد نمود. 

  چکیده پایان نامه:

  در این رساله، یک سامانه­ی پایش مبتنی بر مدل ترکیبی فنون محاسبات نرم برای تشخیص خطا در سیستم بی­درنگ ارائه شده است. خرابی در هر یک از زیرسیستم‌های سیستم بی­درنگ، سبب از کارافتادگی آن گشته و میلیون‌ها ریال ضرر مالی و گاهی خطرات جانی را به همراه دارد. یکی از دلایل اصلی خرابی ‌ در این سیستم‌ها، فقدان سامانه­ی پایش مناسب است. سامانه­ی پایش می ‌ تواند با مشاهده­ی پیوسته، حجم عظیمی از داده‌های دریافتی حسگرهای سیستم مورد پایش، وضعیت اجرای ساختارها و اجزای را در آن مشخص کند و از خرابی ‌ ها در عملکرد بی­درنگ آن جلوگیری نماید.

  با توجه به ماهیت و پویایی سیستم­های بی­درنگ، روش­های پایش مبتنی بر مدل کلاسیک، نمی­تواند به صورت مداوم کارآمد باشد. برای حل این مشکل، معماری سامانه­ی پایش هوشمند در سه سطح انتزاعی، وظیفه‌ای و اجرایی، طراحی و پیاده‌سازی شد. برای تشخیص خطا در این معماری از فنون ترکیبی به صورت منحصر به فرد؛ یعنی شبکه­ی بیزی و عصبی استفاده شد. فنون به­کار رفته در این ترکیب به­صورت مکمل عمل می­کند و دو نوع استنتاج را به ترتیب در حالت­های بی­درنگ و غیربی­درنگ فراهم نموده و توجیه نتایج خروجی را ارائه می‌دهد. علاوه براین، مدل زمان باقی مانده تا خرابی، از کارافتادگی ساختار و اجزا را نیز پیش ‌ ‌بینی می ‌ کند. در نهایت مدل مشاوره ‌ ای، اقدامات جا ‌ یگزین ممکن را که می ‌ تواند بر روی آن اقدام گردد، پیشنهاد می‌دهد. با توجه به مطالب بیان شده، معماری سامانه­ی پایش مطرح در این رساله، فارغ از محیط به­کارگیری خاص­­، قابلیت به­کارگیری در محیط‌های مختلف را دارد.

  تونل­باد، سیستمی برای شبیه‌سازی حرکت اجسام پرنده بوده و نقش اساسی در کاهش زمان و هزینه‌های تحقیقاتی، تست­های میدانی و عدم افشای اطلاعات در خارج از کشور را دارد. نازل‌کنترل‌پذیر تونل‌باد به­عنوان محیط اجرایی سامانه­ی پایش هوشمند مورد استفاده قرار گرفته است. در این راستا نحوه­ی مدل­سازی، اخذ و پیاده‌سازی دانش کیفی و کمی در سامانه و چالشهای پیش‌رو تشریح می‌گردد. جهت بررسی سازگاری و اعتبارسنجی خروجی شبکه­ی بیزی، سناریوهای بسیاری به عنوان فرضیه ارائه و اجرا گردید. نتایج سناریوهای مختلف با انتظارات خبرگان محیط مقایسه شده است، خروجی این مقایسه ‌ ها بر روی شبکه بیزی ترتیب اثر داده شده و شکل نهایی آن تنظیم و اصلاح گردیده است. سپس شبکه­ی عصبی براساس خروجی مدل شبکه بیزی آموزش دیده و طرح آن نهایی گردید. در ادامه سناریوهای بررسی نهایی با به­کارگیری هر دو مدل شبکه بیزی و عصبی برای حالت­های مختلف اجرا گردید. نمونه‌ای از آغاز و پیشرفت یک واقعه خطای اصلی در نازل تونل‌باد ارائه شده است و نتایج به دست آمده از مدل شبکه­ی بیزی و عصبی، نشان از دقت خوب دارد. پس از این مرحله، سامانه آماده به­کارگیری در محیط اجرایی گردید. ارزیابی‌ها بر روی نتایج عملکرد سیستم تونل‌باد در یک بازه­ی شش‌ماهه، قبل و بعد از عملیاتی شدن سامانه­ی پایش (چهارصد آزمون) انجام گردید. نتایج این ارزیابی‌ها نشان می‌دهد به­کارگیری این سامانه، سبب جلوگیری از رخداد خطا و خرابی، از کارافتادگی و تکرار آزمون­ها در تونل‌باد شده است. این امر ضمن جلوگیری از خسارات زیاد احتمالی، کاهش هزینه، افزایش سرعت انجام آزمون و نهایتاً افزایش 20 درصدی کارآیی تونل­باد را به­همرا ه داشت. این مطلب کاهش آزمون­های میدانی، عدم به تاخیر افتادن برخی از پروژه‌های ملی و اعتماد بیشتر صنایع وابسته به تونل‌باد را به­همراه داشته که دستاورد بسیار بزرگی است.

  کلمات کلیدی: پایش، تشخیص خطا، سیستم بی­درنگ، شبکه بیزی، شبکه عصبی و محاسبات نرم.

  ABSTRACT

  In this dissertation a condition monitoring system composed of a hybrid model of soft computing techniques for fault detection of real-time systems is presented. Failure of the real-time system components can lead to malfunction of the whole plant resulting in a considerable financial loss and possibly catastrophic events. One of the most effective strategies to prevent from these failures is design and implementation of a suitable monitoring scheme which can prevent from component failure by continuous observation of the system variables and processing data gathered from sensors to estimate condition of the plant.

  Due to dynamic nature of the real-time systems, condition monitoring schemes based on classical models cannot sustain their effectiveness over long periods of time. To resolve this problem architecture of the intelligent condition monitoring scheme in three levels (conceptual, functional and operational) is designed and implemented. In this architecture fault detection is performed via a unique and novel hybrid scheme including Bayesian and neural networks. The two methods used in this combination complement each other by producing two reasoning mechanisms based on real-time and non-real-time assumptions respectively to predict mean-time-to-failure of the system components alongside with a providing a set of complementary suggestions. The proposed scheme can be utilized for various real-time applications independent of complexity of the plant and physical characteristics of its subsystems.

  A wind tunnel is adopted to show feasibility of the suggested ideas. In this way, challenges in the modeling process and acquiring qualitative and quantitative knowledge of the system are discussed. Subsequently, outputs of the Bayesian networks for several scenarios are extracted and compared with anticipations of the domain experts in order to assure validity of the constructed model. After that, the neural network is trained by making use of Bayesian network outputs to build a real-time perception system. Consequently several possible failure scenarios were studied by making use of both Bayesian and neural networks. An example of fault initiation and fault development is provided to demonstrate this process. Outcomes of the Bayesian-neural network in this stage prove that the constructed system is able to do monitoring actions properly. In the last part of the current study the system is tested over 400 times during a period of six months to evaluate its applicability of the installed monitoring scheme in the operational condition. Assessment of these tests implies that utilization of the developed monitoring system has decreased repetition of the tests by preventing from several possible faults and the system failure, resulting in 20% improvement in the tunnel performance. The major achievement of this study lies in this fact that design and implementation of a novel condition monitoring scheme for the wind tunnel system has increased reliability of the tests which are related to several vital national projects.

  Key words: Condition Monitoring, Fault Detection, Real Time System, Bayesian Network, Neural Network, Soft Computing.

ارائه­دهنده:

 محمد رضا حسنی آهنگر

  استاد راهنما:

  دکتر محمدرضا کنگاوری

  هیات داوران:

1- دکتر سعید باقری2-دکترمحمدحسین قزل ایاغ3- دکتر مجمدرضا جاهد مطلق4- دکتر ناصرمزینی5-دکتر رضا برنگی 6-دکترپیمان کبیری

زمان : یکشنبه 22  خرداد ماه 1390

  ساعت 15

  مکان: دانشکده مهندسی کامپیوتر- طبقه سوم- اتاق 304

از اساتید بزرگوار، دانشجویان گرامی و دیگر متخصصان و علاقه مندان به موضوع دفاعیه دعوت
می شود با حضور خود موجبات غنای علمی و ارتقای کیفی را فراهم سازند.

  دانشکده مهندسی کامپیوتر مدیریت تحصیلات تکمیلی