user8344

پیوست ها
فهرست جداول فصل چهار
جدول 4-1 : توزیع واحدهای مورد پژوهش بر حسب سن.......................................................50
جدول 4-2 : توزیع واحدهای مورد پژوهش بر حسب جنس.....................................................50
جدول 4-3 : توزیع واحدهای مورد پژوهش بر حسب BMI ....................................................51
جدول 4-4 : توزیع واحدهای مورد پژوهش برحسب تشخیص بیماری.......................................51
جدول 4-5 : توزیع واحدهای مورد پژوهش بر حسب مد دستگاه ونتیلاتور.................................52
جدول 4-6 : میانگین وانحراف معیار واحدهای مورد پژوهش بر حسب طول مدت بستری ، SOFA و متغیر های فشاری :......................................................................................................... 53
جدول 4-7 : میانگین وانحراف معیارIAP واحدهای مورد پژوهش بر حسب زوایای مختلف سر تخت به تفکیک دفعات اندازه گیری .............................................................................................54
جدول 4-8 : تغییرات IAP در سه وضعیت صفر ، 15 و30 درجه بر اساس درجه بندی هیپرتانسیون
داخل شکمی ...................................................................................................................56
جدول 4-9 : مقایسه میانگین وانحراف معیارIAP بر حسب گرو های سنی به تفکیک وضعیتهای مختلفسرتخت......................................................................................................................58
جدول 4-10 : مقایسه تغییرات IAP بین زوایای 15-0 و 30-0 بر حسب سن واحدهای مورد پژوهش...60
جدول 4- 11 : مقایسه میانگین وانحراف معیار IAP بر حسب جنس به تفکیک زوایای مختلف سر تخت..61
جدول 4- 12 : مقایسه متوسط تغییرات IAP بین زوایای 15-0 و 30-0 بر حسب جنس .....................63
جدول 4- 13 : مقایسه میانگین وانحراف معیار IAP بر حسب گروه های BMI به تفکیک زوایای مختلف
سرتخت...............................................................................................................................64
جدول 4-14: مقایسه متوسط تغییرات IAP بین زوایای 15-0 و 30-0 سر تخت بر حسب گروه های BMI..................................................................................................................................66
جدول 4 – 15 : مقایسه اختلاف IAP در سه زوایه مختلف سر تخت بین گرو های BMI ....................67
جدول 4 – 16 : مقایسه میانگین وانحراف معیار IAP بر حسب تشخیص بیماری به تفکیک زوایای مختلف سرتخت...............................................................................................................................68
جدول 4- 17 : مقایسه متوسط تغییرات IAP بین زوایای 15- 0 و 30 – 0 سر تخت بر حسب تشخیص بیماری................................................................................................................................70
جدول 4 – 18: مقایسه میانگین وانحراف معیار IAP بر حسب مد دستگاه ونتیلاتور به تفکیک زوایای مختلف سر تخت..................................................................................................................71
جدول 4 -19 : مقایسه تغییرات IAP بین زوایای 15- 0 و 30 -0 بر حسب مد دستگاه ونتیلاتور .........73
جدول 4 - 20 : ضریب همبستگی پیرسون متغیرهای IAP و تغییرات آن در زوایای مختلف سر تخت....74
جدول 4 – 21 : محدوده توافق و میزان خطای IAP بین زوایای مختلف سر تخت.............................75
فهرست نمودار های فصل چهار :
نمودار 4- 1 : تغییرات فشار داخل شکمی از زاویه صفر درجه به سمت زاویه 30 درجه .....................55
نمودار 4- 2 : تغییرات فشار داخل شکمی بر اساس درجه بندی هیپرتانسیون داخل شکمی در سه زاویه صفر ، 15 و 30 درجه ..........................................................................................................57
نمودار4_3 : روند و مقدار تغییرات فشار داخل شکمی در زوایای مختلف سر تخت بر حسب گروه های سنی واحدهای مورد پژوهش..................................................................................................59
نمودار 4_4 : روند ومقدار تغییرات فشار داخل شکمی در زوایای مختلف بر حسب جنس واحدهای مورد پژوهش...............................................................................................................................62
نمودار 4 _ 5 : : روند ومقدار تغییرات فشار داخل شکمی در زوایای مختلف سر تخت بر حسب گروه های BMI واحدهای مورد پژوهش................................................................................................65
نمودار 4 _ 6 : : روند ومقدار تغییرات فشار داخل شکمی در زوایای مختلف سر تخت بر حسب تشخیص بیماری واحدهای مورد پژوهش..............................................................................................69
نمودار 4 _ 7 : روند ومقدار تغییرات فشار داخل شکمی در زوایای مختلف سر تخت بر حسب مد دستگاه ونتیلاتور ............................................................................................................................72
نمودار 4 – 8 : محدوده توافق و میزان خطا بین زوایای 15 و 0 درجه سر تخت ................................76
نمودار 4 – 9 : محدوده توافق و میزان خطا بین زوایای 30 و 0 درجه سر تخت ................................77

بیان مسئله :
فشار داخل شکمی ( (IAPبه شکل فزاینده ای به عنوان یک عامل مهم فیزیولوژیکی در بیماران بخش مراقبت ویژه مورد توجه قرار گرفته است (2،1). افزایش فشار داخل شکمی یک فرایند خاموش بالینی است که تا وقتی به طور کامل پیشرفت نکند تشخیص داده نمی شود .انجمن جهانی سندرم کمپارتمان شکمی (WSACS) میزان بروز هیپرتاسیون داخل شکمی (IAH)در بیماران بخشهای مراقبت ویژه از 18درصد تا8/58 درصد و در بیماران بدحال داخلی وجراحی 65 - 4/54 درصد بیان کرده است (2 ) . این دامنه وسیع در محیط های بالینی مختلف( جراحی یا داخلی ) ، وضعیت بیمار ( تروما ، سوختگی، بیماران بعد از عمل ) ، تنوع روش های اندازه گیری IAP و نیز عددی که برای تعریف هپیرتاسیون داخل شکمی انتخاب می شود ( 25-12 میلی مترجیوه ) متفاوت است (3). از این رو IAHبه عنوان یک سندرم دیسترس حاد تنفسی ((ARDS شکمی شناخته می شود(4). افزایش فشار داخلی شکمی نتایج و اثرات مختلف و مخربی برروی بافتهای اطراف و ارگانهای دیگر بدن دارد . اثر ایسکمیک وقتی IAP به 10 میلی متر جیوه و یا بیشتر برسد رخ می دهد .اما وقتی فشار به 20 میلی متر جیوه و بالاتر رسید ، آسیب ارگانی غیر قابل برگشت رخ می دهد سندرم کمپارتمان شکمی ایجاد می گردد (4،2) .
تحقیق رین تام و همکاران نشان داد که میزان مرگ و میر درروز بیمارن مبتلا به IAH بستری در بخش مراقبت ویژه در مقایسه با بیماران بدون ابتلاء به IAH در طی 28 روز به ترتیب 9/37 در مقابل 1/19 و در طی 90 روز 7/53 در مقابل 8/35 بود ، IAH اولیه به عنوان عامل خطر مستقل مرگ و میر شناخته شده است (5).
مطالعات نشان داده است که با پایش IAP در بیماران بستری در بیمارستان وبه بخصوص بیماران بستری در بخش های مراقبت ویژه طول مدت بستری بین 10 تا 13 روز کاهش پیدا می کند و بدنبال آن روازانه 2000 دلار صرفه جویی در هزینه های درمان می گردد. با درمان و مراقبت به موقع و زود هنگام در بیماران مبتلاء به IAH به ازای هر بیمار مبتلاء 10000 تا 20000 دلار صرفه جویی خواهد شد (2).


-22669567945
00
یافتهها در مطالعه کربز نشان داد که در بیماران تحت تهویه مکانیکی، تنظیم دستگاه تهویه مکانیکی بخصوص ((PEEP باید با توجه به اثرات فشار داخل شکمی برروی قفسه سینه و کمپلیانس ریه ها انجام شود(6). از طرف دیگرفشار داخل شکمی افزایش یافته می تواند یک عامل پیش بینی کننده نارسایی ارگانی و میزان مرگ و میر در این بخش ها باشد (7،3).
اکثر بیماران بخش های مراقبت ویژه تحت تاثیر مانیتورینگ های مختلف همودینامیک مانند (CVP ( و ((CO می باشند چیزی که اغلب به آن توجه نمی گردد این مسأله است که اندازه گیری های مختلف همودینامیک تحت تاثیر عوامل دیگری مثل تهویه مکانیکی وIAP می باشند (9،7،8 ) . علیرغم شیوع بالای IAH و اهمیت ACS و کنترل آن در بیماران بستری در بخش های مراقبت ویژه ، اندازه گیری فشار داخل شکمی کمتر مورد توجه قرار گرفته است و این در حالی است که اگر سندرم کمپارتمان شکمی و عوارض شدید آن رخ دهد تنها درمان جراحی برای کاهش فشار داخل شکمی کاربرد دارد . بنابراین تشخیص زود رس برای مداخله کافی و کنترل آسیب ضروری می باشد ( 3 ) .
بررسی و اندازه گیری فشار داخل شکمی همانند سایر بررسی های پارامترهای همودینامیک از وظایف پرستار بخش مراقبت ویژه است. کسب مهارت های پرستاری به منظور تشخیص بیماران در معرض خطر IAH اساسی و ضروری می باشد تا با مداخلات غیر جراحی زود هنگام به کاهش IAP و جلوگیری از بروز ACS کمک نماید. تحقیقات نشان داده است که در 60-40 درصد موارد معاینات بالینی در تشخیص IAHدر مقایسه با اندازه گیری فشار داخل شکمی موفق نبوده است(10،11) . اندازه گیری سریال IAP برای تشخیص و درمان IAH/ACS ضروری است زیرا حساسیت معاینه بالینی تنها 60درصد می باشد (13،12).
به دلیل اهمیت IAH ، پرستاران باید به طور ویژه ای از فرایند اندازه گیری فشار داخل شکمی و جنبه های مختلف آن آگاه باشند . از طرفی اگر به این امر توجه نشود منجر به بروز اشتباه در سایر اندازه گیری همودینامیک خواهد شد ( 16،14،15).
از این رو طبق توصیه انجمن جهانی سندرم کمپارتمان شکمی ، اندازه گیری روتین در بیماران دارای دو یا چند عامل خطر مثل اتصال به تهویه مکانیکی ، ترانسفوزیون خون بیش از 10 واحد در 24 ساعت ، دریافت مایعات بیش از 5 لیتر در 24 ساعت ، پنومونی ، سپسیس و ... باید هر 6-4 ساعت تا زمان حذف عامل خطر انجام شود(17) .
معمولاً وضعیت استاندارد مورد استفاده برای اندازه گیری فشار داخل شکمی صفر درجه می باشد.اما برای بیماران بستری در بخش مراقبت ویژه این وضعیت می تواند عواقب جبران ناپذیری از جمله پنومونی ، دیسترس تنفسی و ... داشته باشد بخصوص وقتی که این اندازه گیری بصورت مداوم صورت گیرد. لذا چالشی که اغلب پرستاران بخش مراقبت ویژه با آن روبرو هستند این مسئله است که هنگام مانیتورینگ همودینامیک بیمار از جمله IAP نیاز است که بیمار حتماً در وضعیت طاقباز قرار گیرد؟(14)
پیشبرد راحتی و آسایش بیمار از طریق مداخلات پرستاری یک جزء جدایی ناپذیر از مراقبت پرستاری در بخش های ویژه است و از وظایف پرستاران می باشد. یکی از جنبههای راحتی وآسایش بیمار برقراری وضعیت مناسب و راحت برای بیمار می باشد (18 ) .
شواهدی در مقالات درباره تاثیر وضعیت بدن برروی اندازه گیری فشار داخل شکم وجود دارد ، اما تاثیر درجه ای که معمولاَ برای وضعیت های مختلف زاویه سرتخت در بیماران بخش های مراقبت ویژه استفاده می شود برروی فشار داخل شکم روشن نیست(19). اندازه گیری فشار داخل شکم در وضعیت صفر درجه که وضعیت مطلوب در بیماران بخش مراقبت ویژه نمی باشند ، باعث می شود که فشار داخل شکم کمتر از میزانی که اغلب اوقات بیماران با آن روبرو هستند ،اندازه گیری گردد( 1،13،15 ).
از سوی دیگر عدم تحمل این وضعیت دربیماران با شرایط خاص منجر به افزایش کاذب IAP خواهد شد (12،11). تحقیقات در زمینه این بیماران، که تحمل چنین وضعیتی را ندارند همانند بیماران مبتلا به نارسایی قلبی ، سندرم دیسترس تنفسی ، سپسیس یا جراحی به اندازه کافی در دسترسی نمی باشد(13). علاوه بر آن قرار گرفتن بیمار در وضعیت خوابیده به پشت بدون بالا آوردن سرتخت حتی برای مدت کوتاه با هدف اندازه گیری فشار داخل شکمی خطر پنومونی آسپراسیون را افزایش میدهد. این وضعیت برخلاف خط مشیهای توصیه شده مرکز کنترل بیماریها برای پیشگیری از این عارضه می باشد در اصول توصیه شده در بیماران بخش های مراقبت ویژه تاکید میشود تادر صورت عدم ممنوعیت درهمهزمان ها حداقل30 درجه افزایش سرتخت وجود داشته باشد . علت این امر شواهدی از کاهش پنومونی وابسته به ونتیلاتور است واینکه این وضعیت میزان بروز زخم های فشاری را کاهش می دهد (14). بنابراین درک تاثیر وضعیت بدن بر اندازه گیری فشار داخل شکمی مهم است بطوریکه اندازه های فشار داخل شکمی می تواند به شکل مناسبی تفسیر گردد (20) .
برخی از مطالعات نشان داده اند که با افزایش سر تخت بیش از 20 درجه فشار داخل شکمی به شکل معنی داری افزایش پیدا خواهد کرد (12) و نیز در مواردیکه بیمار در معرض خطر کمپارتمان شکمی قرار دارد و فشار داخل شکمی بیش از 20 میلی مترجیوه می باشد ، فشار داخل شکمی می تواند در وضعیت نیمه نشسته اندازه گیری گردد(1). همچنین تحقیقات نشان داده اند که ارتباط فشار داخل شکمی و زاویه سر تخت در مردان و بیماران با شاخص توده بدنی بالاتر معنی دار تر بوده است(19،20) .
ثبات وضعیت بیمار از یک اندازه گیری تا اندازه گیری بعدی در روش اندازه گیری متناوب فشار داخل شکمی در صحت آن برای تصمیم گیری بالینی اهمیت دارد . تغییر وضعیت های مختلف در فواصل اندازه گیری فشار داخل شکمی بر صحت میزان اندازه گیری شده تاثیر گذار است و می تواند در تصمیم گیری بالینی اختلال ایجاد نماید ( 2 ) .
مطالعات بیشتر در این زمینه این امکان را خواهد داد تا در تکنیک اندازه گیری فشار داخل شکمی در زوایای مختلف سرتخت بدون آنکه بیمار در وضعیت صاف (صفر درجه) و عوارض بالقوه آن قرار داده شود ، تصحیحی صورت گیرد و همچنین از آنجائیکه ACS برمبنای اندازه گیری فشار داخل شکمی در وضعیت صاف تعریف می شود ، برای اینکه وضعیتی غیر از صفر درجه برای اندازه گیری فشار داخل شکمی استفاده شود نیاز به مطالعات بیشتری است (11). انجمن جهانی سندرم کمپارتمان شکمی یکی از توصیه ها و پیشنهادات برای پژوهش و تحقیق درباره روش اندازه گیری فشار داخل شکمی و تاثیر وضعیت بدن بر روی اندازه گیری IAP بیان کرده است (17) .
ازآنجائیکه عوارض ناشی از وضعیت صفر درجه در برخی موارد مانع از انجام اندازه گیری IAP می شود ، لذا پژوهشهای متعددی در مورد درجه زاویه سرتخت که کمترین تفاوت را با اندازه گیری فشار داخل شکمی در وضعیت صفر درجه دارد لازم به نظر می رسد . برخی از محققین بیان می کنند که تعیین معیار های اصلاح شده فشار داخل شکمی اجازه می دهد که بتوان فشار داخل شکمی را در وضعیت های نیمه نشسته تفسیر کرد(20) . آنچه در مراقبت از بیماران مهم بوده این است که سعی شود مراقبت ها به گونهای انجام گردد که حداقل عوارض احتمالی را برای بیماران به دنبال داشته باشد و نیز در عین حال با حفظ راحتی و آسایش بیمار مانیتورینگ بیمار دقیقاً منعکس کننده وضعیت واقعی او باشد (2) .
با توجه به اینکه اندازه گیری فشار داخل شکمی به صورت استاندارد و معمول در وضعیت صفر درجه انجام می شود و از طرفی اندازه گیری فشار داخل شکمی دربیماران بخش مراقبت ویژه با داشتن عوامل خطر متعدد و اثرات آن بر روی وضعیت بیمار امری لازم الاجراء به شمار می رود و نیز عدم تحمل قرار گیری بیماران دراین وضعیت مانعی درجهت این امر به شمار می رود ، پژوهشگر به دنبال درجهای از زاویه سر تخت است که کمترین تغییر را در وضعیت بیمار و میزان فشار داخل شکمی ایجاد مینماید. این درجه با توجه به مطالب ذکر شده متفاوت است. با توجه بهاینکه همانند سایر شاخصهای همودینامیک اندازهگیری فشار داخل شکمیاز وظایف و مسئولیتهای پرستار بخش مراقبت ویژه محسوب می شود (2) و تاکنون نیزدر کشور ایران تحقیقی در این زمینه انجام نشده است لذا پژوهشگر برآن شد تا به بررسی تغییرات فشار داخل شکمی در وضعیت های مختلف پرداخته و به وضعیت مناسب برای اندازه گیری فشار داخل شکمی دست یابد تا شاید این یافته ها بتواند در ارتقاء کیفیت مراقبت بیماران در بخش های مراقبت ویژه ممورد استفاده قرار گیرد.
اهداف پژوهش:
هدف کلی پژوهش:
مقایسه تغییرات فشار داخل شکمی در وضعیت صفر ،15 و 30 درجه سر تخت در بیماران بستری در بخش های مراقبت ویژه مراکز آموزشی درمانی شهر رشت در سال 91-1390.
اهداف ویژهی پژوهش :
تعیین میانگین فشار داخل شکمی بیماران بستری در بخش های مراقبت ویژه در وضعیت صفر درجه سر تخت
تعیین میانگین فشار داخل شکمی بیماران بستری در بخش های مراقبت ویژه در وضعیت 15 درجه سر تخت
تعیین میانگین فشار داخل شکمی بیماران بستری در بخش های مراقبت ویژه در وضعیت 30 درجه سر تخت
مقایسه میانگین فشار داخل شکمی در وضعیت های صفر ، 15 و 30 درجه سر تخت با برحسب عوامل فردی ومداخله گر
تعیین محدوده توافق L.A ومیزان خطا بین گروه 15 و صفر
تعیین محدوده توافق و میزان خطا بین گروه 30 و صفر
فرضیه پژوهش :
1.میانگین فشار داخل شکمی در وضعیت های صفر و 15 درجه تفاوتی ندارد.
2.میانگین فشار داخل شکمی در وضعیت های صفر و 30 درجه تفاوتی ندارد.
سؤالات پژوهش :
میانگین فشار داخل شکمی در وضعیت صفر درجه سر تخت چقدر است؟
میانگین فشار داخل شکمی در وضعیت 15 درجه سر تخت چقدر است؟
میانگین فشار داخل شکمی در وضیت 30 درجه سر تخت چقدر است؟
میانگین فشار داخل شکمی در وضعیت های صفر ، 15 و30 درجه سر تخت بر حسب متغیرهای فردی و مداخله گر چقدر است؟
محدوده توافق و میزان خطا بین گروه صفر و15 درجه چقدر است؟
محدوده توافق و میزان خطا بین گروه صفر و 30 درجه چقدر است؟
تعاریف علمی واژه ها :
فشار داخل شکمی :
فشار داخل شکمی ، فشار نهفته ثابت در درون حفره شکم می باشد که میزان آن در افراد طبیعی 5-0 میلی متر جیوه و در بیماران بستری در بخش های مراقبت ویژه 7-5 میلی متر جیوه می باشد (20، 2 ) .
اندازه گیری فشار داخل شکمی :
فشار داخل شکمی هم به شکل مستقیم وهم به شکل غیر مستقیم قابل اندازه گیری می باشد . به شکل معمول فشار داخل شکمی به روش غیر مستقیم از طریق کاتتر فولی اندازه گیری می شود . به عبارتی فشار داخل مثانه منعکس کننده فشار داخل شکمی می باشد. به شکل استاندارد بعد از قرار دادن بیمار در وضعیت سوپاین ، با اتصال کاتتر فولی به یک مانومتر آب یا ترانسدیوسر فشار بعد از کلامپ کردن ابتدای کیسه ادراری متصل به کاتتر فولی به آهستگی حدود 25 میلی لیتر محلول نرمال سالین استریل هم دمای بدن وارد مثانه خواهد شد و بعد از 60-30 ثانیه فشار از روی مانومتر آب و یا مانیتور ترانسدیوسر در انتهای بازدم خوانده خواهد شد (2) .
تعاریف عملی واژه ها :
زاویه سر تخت:
زاویه سر تخت بیمار بوسیله ابزار اندازه گیری ارائه شده توسط سایت انجمن جهانی سندرم کمپارتمان شکمی در زوایای صفر ، 15و 30 درجه از سطح افق قرار داده می شود.
تغییرات فشار داخل شکمی:
اندازه گیری آن بر اساس تعریف علمی و با استفاده از مانومتر آب هر 8 ساعت برای هر واحد پژوهشی در زوایای صفر ، 15 و 30 درجه انجام گردید و سپس برای تعیین تغییرات فشار داخل شکمی ، پس از اندازه گیری IAP در سه زاویه ، میانگین اندازه گیری در 24 ساعت در صفر ، 15 و30 محاسبه و سپس بر اساس آزمونهای آماری میانگینIAP در زوایای 15 و30 با میانگین اندازه گیری در زاویه صفر درجه که وضعیت استاندارد می باشد ، مقایسه گردید.
محدوده توافق و میزان خطا در تغییرات فشار داخل شکمی
محدوده توافق بر اساس انجمن جهانی سندرم کمپارتمان شکم بین 4- تا 4+ و میزان خطا 1 میلی متر جیوه تعیین شده است . در این پژوهش نیز محدوده توافق و میزان خطا بین زاویه صفر و 15 و بین صفر و30 بر همین اساس مورد سنجش قرار گرفت و در صورتیکه در این محدوده قرار بگیرد تغییر ایجاد شده پذیرفته می شد.
پیش فرض های پژوهش
شیوع هیپرتانسیون داخل شکمی در بیماران بستری در بخش های مراقبت ویژه 18 تا 8/58 در صد می باشد.(8 ، 2)
معاینات بالینی تنها در60 در صد موارد قابلیت تشخیص هیپرتانسیون داخل شکمی را دارد.(2)
فشار بالاتر از 20 میلی متر جیوه می تواند منجر به ACS واختلال عمل ارگان های شکمی شود.(2)
اندازه گیری فشار داخل شکمی در تشخیص زود رس هیپرتانسیون شکمی مؤثر است.(2)
اندازه گیری فشار داخل شکمی در بیماران بخش مراقبت ویژه از اهمیت برخوردار می باشد ( 8 ، 2 )
جهت اندازه گیری فشار داخل شکمی نیاز به قرار دادن بیمار در وضعیت سوپاین می باشد.(17)
تحمل وضعیت سوپاین توسط برخی از بیماران خاص منجر با افزایش کاذب فشار داخل شکمی خواهد شد.(11،12)
قرار گرفتن بیمار در وضعیت سوپاین ممکن است منجر به بروز خطراتی مانند آسپیراسیون تنفسی ، دیسترس تنفسی و اختلالات همودینامیک و ... گردد.(21،2)
وضعیت توصیه شده برای بیماران بخش مراقبت ویژه جهت پیشگیری از پنومونی وابسته به ونتیلاتور ، زخم فشاری و... افزایش 30 درجهای زاویه سر تخت می باشد.(21،2)
حفظ راحتی وآسایش بیمار از وظایف پرستار مراقبت ویژه می باشد.(2)
یکی از وظایف پرستار اندازه گیری فشار داخل شکمی می باشد.(2)
تغییرات فشار داخل شکمی در وضعیت های مختلف قابل اندازه گیری است.
محدودیت های پژوهش :
با توجه به عدم امکان اندازه گیری دقیق وزن بیماران جهت محاسبه BMI از وزن تقریبی ثبت شده در پرونده پزشکی بیماران استفاده شد.
عدم وجود ست مخصوص اندازه گیری فشار داخل شکمی

چهارچوب پژوهش :
چهارچوب این پژوهش پنداشتی بوده و بر اساس مفهوم فشار داخل شکمی می باشد. براین اساس ، تعریف فشار داخل شکمی ، عوامل مؤثر بر آن ،هیپرتانسیون داخل شکمی و شیوع آن در ICU ، عوارض ناشی از افزایش آن ، اهمیت اندازهگیری و روشهای آن ، وضعیت بیمار حین اندازه گیری ، پیشگیری ودرمان هیپرتانسیون داخل شکمی مورد بحث قرار می گیرد.
شکم به صورت یک حفره بسته با دیواره های سخت ( دنده ها ، ستون فقرات و لگن ) و انعطاف پذیر ( دیواره شکم و دیافراگم ) است. الاستیسیته این دیواره ها و ماهیت محتویات شکم تعیین کننده فشار درون آن میباشد. بنابراین فشار داخل شکمی به صورت یک فشار ثابت و نهفته درون حفره شکم تعریف می گردد.IAP در هنگام دم (با انقباض دیافراگم ) افزایش و در هنگام بازدم (با شل شدن دیافراگم ) کاهش می یابد. همچنین IAP به صورت مستقیم تحت تاثیر حجم ارگان های جامد و یا احشایی توخالی( که ممکن است خالی یا پر شده بوسیله هوا ، مایع و یا مواد دفعی باشد.) ، آسیت ، خون یا شرایطی مثل بارداری یا وجود تومور نیز می باشد. همچنین وجود شرایطی که باز شدن دیواره شکم را محدود می کند جوشگاه های سوختگی یا ادم نیز بر روی IAP موثر است(2،21).
از آنجاییکه میزان IAP بحرانی که باعث نارسایی ارگانی شود از یک بیمار به بیمار دیگر متفاوت است و تحت تاثیر تفاوت های فیزیولوژیکی هر فرد و بیماری های همراه می باشد. تلاش های زیادی برای به دست آوردن معیارپیش گویی کننده تاثیر IAP بر روی پیش آگهی بیماران انجام شده است که در نهایت مفهوم فشار خونرسانی شکمی (APP) معرفی شد. APP نه تنها نشان دهنده IAP می باشد بلکه نشان دهنده پارامتر فیزیولوژیکی متوسط فشار شریانی که نماینده خونرسانی شکمی و ارگانی است نیز می باشد. مطالعات نشان داده است که APP بر روی IAP، PH ، کمبود باز و لاکتات شریانی در پیش گویی پیش آگهی بیمار ارجحیت دارد ( 23).
فشار خونرسانی شکمی با کم کردن IAP از متوسط فشار شریانی ( ( APP=MAP_IAP محاسبه می گردد که می تواند عامل پیشگویی کننده خونرسانی شکمی و بصورت بالقوه تعیین کننده پایان احیای مایعات باشد. میزان APP هدف حداقل 60 میلی متر جیوه است (10) .
میزان طبیعی IAP بین 5-0 میلی متر جیوه است اما شرایط خاص فیزیولوژیکی مانند چاقی مرضی یا بارداری موجب افزایش مزمن IAP بین 15-10 میلی متر جیوه می شود که فرد بدون بروز علائم پاتولوژیک با آن سازگاری پیدا می کند. در کودکان میزان IAP پایین تر می باشد. در بیماران بالغ بدحال IAP اغلب از میزان طبیعی بالاتر و بین 7-5 میلیمتر جیوه می رسد. جراحی اخیر شکم ،نارسایی ارگانی ، نیاز به تهویه مکانیکی و تغییرات در وضعیت بدن با افزایش IAP در ارتباط است. در بعضی از موارد افزایش IAP به شکل گذرا است (چند ثانیه تا چند دقیقه) اما اغلب بیشتر از این طول می کشد( چند ساعت تا چند روز ) که به طور بالقوه منجر به اختلال عملکرد و یا نارسایی ارگانی می شود (21، 19،2).
طبق تعریف ارائه شده توسط انجمن جهانی سندرم کمپارتمان شکمی، به افزایش مکرر و پاتولوژیکی 12 IAP ≥ میلی متر جیوه IAH اطلاق می گردد. شدت درجات IAH تعیین کننده درمان اورژانسی جهت کاهش فشار داخل شکمی (درمان های جراحی یا غیر جراحی ) می باشد. بر این اساس IAH به چهار درجه تقسیم بندی می گردد ؛ درجه I 15-12 میلی مترجیوه ، درجه II 20-16 میلی مترجیوه ، درجه III 25-21 میلی مترجیوه و درجه IV 25 IAP> میلی مترجیوه (20،17،2). بر اساس طول مدت نشانه ها به چهار گروه خیلی حاد ، حاد ، تحت حاد و مزمن تقسیم می گردد. در نوع خیلی حاد ، IAH در عرض چند ثانیه تا دقیقه به دنبال سرفه ، عطسه و یا هرگونه فعالیت فیزیکی و ... افزایش می یابد. افزایش IAH نوع حاد در عرض چند ساعته و بطور اولیه در بیماران که تحت عمل جراحی قرار گرفتند و یا در نتیجه آسیب یا خونریزی داخل شکمی ، اتفاق می افتد و ممکن است به سرعت منجر به سندرم کمپارتمان شکمی شود. IAH تحت حاد در طی چند روز بروز می کند و در بیماران داخلی شایعتر است. نوع مزمن در طی چند ماه ( مثل بارداری ) یا چند سال ( چاقی مرضی ، تومورهای داخل شکمی ، دیالیز صفاقی ، آسیب مزمن یا سیروز ) رخ می دهد و ممکن است بیماران را در معرض خطر نوع حاد و تحت حاد IAH قرار دهد (2).
افزایش فشار داخل شکمی به 20 میلی مترجیوه و بیشتر به همراه بروز یک نارسایی ارگانی نشانگر کمپارتمان شکمی است.( شکل2-1) ACS منجر به کاهش خطرناک جریان خون دیواره شکم و ارگان ها می گردد که منجر به ایسکمی و نکروز بافت های اطراف و سیستم عروقی می شود.ایسکمی به شکل اولیه منجر به پاسخ التهابی حاد شامل آزاد شدن سیتوکین ، تشکیل رادیکال آزاد ، کاهش تولید آدنوزین تری فسفات می شود.
این واسطه های شیمیایی باعث افزایش نفوذپذیری و ادم سلولی می گردد. کاهش ATP منجر به اختلالات الکترولیتی و خارج شدن محتویات داخل سلولی به فضای خارج سلولی می شود. از طرفی پاسخ های التهابی حاد منجر به انتقال باکتری از دستگاه گوارش به داخل خون بیماران مستعد می شود که بیماران را به سمت سپسیس و نارسایی چند ارگانی سوق خواهد داد (7،2).

شکل 2-1 سیر بروز سندرم کمپارتمان شکمی (17)
از این رو تشخیص بیماران درمعرض خطر از نظر بالینی بسیار مهم است تا با مداخله به موقع از بروز ACS جلوگیری شود و بیمار پیش آگهی بهتری داشته باشد. پرستار باید قادر باشد علائم و نشانه های ACS را در بیماران پرخطر شناسایی کند.برای این منظور آشنایی با اندازه گیری فشار داخل شکمی و فشار خونرسانی شکمی ضرورت دارد و اندازه گیری IAP باید قویاً در بیماران پرخطر انجام گردد (2) .
اخیرا اهمیت IAP در بیماران بدحال به شکل فزاینده ای مورد توجه قرار گرفته است چندین مطالعه اخیر نشان داده است که بالا رفتن میانگین IAP با بدتر شدن پیش آگهی بیماران در بخش های مراقبت ویژه در ارتباط است . پیشرفت IAH در طول دوره بستری در ICU یک عامل خطر مستقل برای مرگ و میر می باشد . شیوع IAH در بیماران بخش های مراقبت ویژه تا 50درصد نیز گزارش شده است . تاثیر IAP در بیماران بستری در در بخش های مختلف مراقبت ویژه داخلی و جراحی احتمالا متفاوت است (8) .اطلاعات بدست آمده شیوع و بروز IAH/ACS را در بیماران بخش های مختلف مراقبت ویژه تأیید می کند. در پایین میزان شیوع IAH در جمعیت های مختلف بیماران آمده است ؛
سپسیس شدید 87 -41% ( 23،24،22،7)
سوختگی وسیع 100-22% ( 25،26 )
جراحی وسیع شکم 45-32% (8)
ترومای بزرگ 5-2 % (7،10)
پانکراتیت 40-31% ( 27،28 )
بیماری احتقانی قلب و بعد از بای پس عروق کرونر 60-40% (29)
بیماران ICU داخلی 64-33% (30)
ICU کودکان 18-1% ( 31 )
مطالعات نشان داده است که اندازه گیری IAP به هیچ گروه خاصی از بیماران ، بیماری یا درمان محدود نمی شود بلکه باید به شکل روتین در همه گروههای در معرض خطر اندازه گیری انجام شود. طبق توصیه انجمن جهانی سندرم کمپارتمان شکمی در بیمارانیکه 2 یا بیشتر از 2 عامل از عوامل خطر IAH/ACS در بدو ورود به ICU داشته باشند و یا دچار یک نارسایی ارگانی جدید یا پیشرفت نارسایی ارگانی شوند IAP باید اندازه گیری گردد (33).
بیماران بستری در بخش های مراقبت ویژه دارای عوامل خطر IAH/ACS متعدد می باشند که به طور کلی این عوامل را می توان به چهار گروه اصلی تقسیم کرد:
عوامل کاهنده کمپلیانس دیواره شکم که شامل نارسایی حاد تنفسی ، جراحی شکم همراه با بستن اولیه فاشیا ، آسیب یا سوختگی وسیع ، در وضعیت دمر ، بالا بردن سر تخت بیش از 30 درجه ، BMI بالا و چاقی مرکزی
افزایش محتویات داخل لومن که شامل فلج گوارشی ،ایلئوس و انسداد کاذب کولون
افزایش محتویات شکم مانند: هموپریتوئن ، پنوموپریتوئن ، آسیت ، اختلال عملکرد کبدی
نشت مویرگی و احیای مایعات که شامل اسیدوز2/7 > PH ، هیپوتانسیون ، هیپوترمی (دمای مرکزی کمتر از 33 درجه ساتنی گراد)، کواگولوپاتی ( پلاکت کمتر ازmm3 /55000 یا PTT کمتر از 50 در صد ویا 5/1< INR ) دریافت مایعات کلوییدی یا کریستالوییدی بیش از 5 لیتر در 24 ساعت ویا اولیگوری و سپسیس (17)
بالا رفتن فشار داخل شکمی تقریباً بر همه ارگان های بدن اثرسوء دارد.IAH همراه با افزایش فشار داخل قفسه سینه منجر به کاهش برون ده قلبی علی رغم کسر تخلیه ای و حجم طبیعی می گردد. علاوه براین IAH باعث بالا رفتن فشار ورید مرکزی و فشار وج مویرگ های ریوی (PCWP) با وجود کاهش حجم مایعات بدن می شود، به طوریکه بیان شده است برای محاسبه میزان دقیق CVP و PCWPبه اندازه نیمی از IAPاندازه گیری شده باید از این فشارها کاسته شود. بنابراین بدنبال چنین تغییراتی ناشی از افزایش فشار داخل شکمی ارزیابی احیای مایعات با استفاده از PCWP وCVP می تواند گمراه کننده باشد. عدم تشخیص این مشخصه مهم بر روی عملکرد قلبی می تواند منجر به احیای ناکافی، ایسکمی مقاوم و بدتر شدن پیشآگهی گردد( 8،9،2). افزایش IAP باعث افزایش فشار پرده جنب و داخل قفسه سینه و به دنبال آن ادم ، آتلکتازی ، کاهش ظرفیت باقی مانده عملکردی ، کمپلیانس ریه و حجم باقیمانده می گردد. به صورتیکه علائم یک بیماری محدود کننده ریوی را بروز می دهد. اثرات IAP بر روی سیستم تنفسی بیشتر به صورت مکانیکی می باشد. کلاپس آلوئولی ناشی از کوچک شدن فضای داخل قفسه سینه و بالارفتن فشار داخل قفسه سینه ، باعث عدم تطابق تهویه و پرفیوژن ، هیپوکسی و اسیدوز تنفسی می شود. بنابراین فرد مراقبت کننده باید بیمار را از نظر هیپرتانسیون ریوی و انقباض عروقی ناشی از هیپوکسی تحت نظر قرار دهد.
در بیمارانیکه تحت تهویه مکانیکی هستند فشار مثبت انتهای بازدمی خودبخودی ، فشار حداکثر راه هوایی ، فشار پلاتو و متوسط فشار راه هوایی اغلب در نتیجه آسیب آلوئولی ناشی از فشار بالا می رود. علاوه بر این کمپلیانس استاتیک و دینامیک به طور واضحی کاهش پیدا می کند . افزایش ایسکمی ناشی از هیپوکسی منجر به آزاد شدن واسطههای التهابی شده و سندرم نارسایی تنفسی که در بیماران ICU شایع است بروز می کند. نارسایی تنفسی در نتیجه ترکیبی از عواملی مثل ؛ کلاپس آلوئولی ، افزایش فشار قفسه سینه و ادم بینابینی است.
اثر افزایش فشار داخل شکمی بر روی سیستم کلیوی از طریق افزایش جریان خون کلیوی ، فیلتراسیون کلیوی می باشد. در IAP15 و بالاتر علائم اولیگوریک و در بیشتر از 30 میلیمتر جیوه آنوری رخ می دهد. علت اختلال عملکرد کلیوی ناشی از چندین عامل همانند ؛ کاهش برون ده ادراری ، افزایش مقاومت عروق کلیوی و کاهش فیلتراسیون گلومرولی می باشد .کاهش برون ده ادراری ناشی از IAH منجر به افزایش مقاومت عروق سیستمیک وانقباض شریان های کلیوی میشود. این شرایط تحت تاثیر فاکتورهای هورمونی مثل آنتی دیورتیک و افزایش فعالیت رنین ، آلدوسترون پلاسما بدتر خواهد شد. افزایشIAP منجر به کاهش جریان خون احشایی به دنبال انقباض عروق مزانتر و ترشح وازوپرسین می گردد. وقتی IAP به 10 میلی متر جیوه و بیشتر برسد جریان خون ورید پورت کاهش پیدا می کند . کاهش جریان خون پورت منجر به ایسکمی کبد و بروز اختلالات انعقادی می گردد.
IAP بالا باعث ایسکمی بافتی در همه ارگانهای داخل شکمی به جزء غده آدرنال می شود. سیکل معیوب افزایش احتقان وریدی و کاهش جریان خون شریانی باعث ایسکمی و نشت مویرگی و آسیب سلولی می گردد. سپسیس و نارسایی چند ارگانی باعث می شود که سیستم گوارش دچار هیپوکسی بیشتر و دوره های ایسکمی و چرخه پاسخ های التهابی می شود.
IAH یک عامل خطر مستقل برای آسیب ثانویه مغزی می باشد که بر روی فشار داخل جمجمه اثر می کند. افزایش IAP باعث بالا رفتن دیافراگم و به دنبال آن کاهش حجم داخل قفسه سینه و افزایش فشار داخل توراسیک می گردد. بالا رفتن این فشار منجر به افزایش فشار ورید مرکزی و به تبع آن افزایش فشار در ورید ژگولار داخلی می شود. این افزایش فشار ، جریان خون وریدی را مختل و منجر به احتقان داخل جمجمه ای و کاهش فشار خونرسانی مغزی و ایسکمی مغزی می شود(2).
ارتباط IAP و (ICP) در پژوهشی که توسط دیرن وهمکارانش بر روی 11 بیمار تحت تهویه مکانیکی با آسیب غیر ترومایی مغز در سال 2005 انجام شد به اثبات رسیده است . حتی افزایش ناچیز IAP نیز منجر به افزایش ICP می گردد.(66/3 ±13/8) همچنین در این پژوهش بیان شده است IAP می تواند عامل هیپرتانسیون داخل جمجمهای ایدیوپاتیک در افراد مبتلاء به چاقی مرضی باشد و یا علت بدتر شدن وضعیت نورولوژیک در بیماران مبتلاء به آسیب چندگانه بدون آسیب آشکار عصبی باشد (33).
با توجه به اثر IAH بر روی سیستم های مختلف و عوارض ناشی از افزایش آن، تشخیص زودهنگام جهت پیشگیری وبرطرف نمودن علت زمینهای ضروری است. درصورت شناسایی به موقع IAH با مداخلات غیرجراحی قابل کنترل می باشد. برای رسیدن به این هدف باید IAH قبل از بروز علائم سندرم کمپارتمان شکمی تشخیص داده شود. شواهد جدیدتر بیان می کند که اندازه گیری IAP هریک تا دو ساعت تا ثابت ماندن IAP برای جلوگیری از افزایش سریع IAP لازم می باشد (2) .
بررسی و اندازه گیری فشار داخل شکمی همانند سایر بررسی های همودینامیک از وظایف پرستار بخش مراقبت ویژه است. تحقیقات نشان داده است که تنها در 60درصد موارد معاینات بالینی در تشخیص IAH در مقایسه با اندازه گیری فشار داخل شکمی موفق بوده است. اندازه گیری سریال IAP برای تشخیص و درمان ACS/IAH ضروری است. زیرا حساسیت معاینه بالینی تنها 60-40درصد می باشد(10،11،12). از این رو طبق توصیه انجمن جهانی سندرم کمپارتمان شکمی، اندازه گیری روتین در بیماران دارای دو یا چند عامل خطر IAH باید هر 6-4 ساعت تا زمان حذف عامل خطر انجام شود(17).
IAP به دو روش مستقیم و غیر مستقیم اندازه گیری می شود. در روش مستقیم با استفاده از یک کاتتر داخل پریتوئن که به مانومتر آب یا ترانسدیوسرفشار متصل می شود مستقیماً فشار داخل شکمی اندازه گیری می گردد. این روش به شکل اولیه در طی جراحی لاپاراتومی استفاده می گردد(34).(شکل 2-2) اما این روش برای استفاده در محیط های ICU به دلیل عوارض بالقوه آلودگی پریتوئن یا پارگی روده قابل استفاده و عملی نیست.

شکل 2-2: اندازه گیری IAP به روش مستقیم( 34)
IAP به طور غیر مستقیم بوسیله اندازه گیری فشار ارگان های خاص درون شکم نیز قابل محاسبه است. قرار دادن یک کاتتر از طریق ورید فمورال به داخل ورید اجوف تحتانی یک روش اندازه گیری غیر مستقیم IAP است. اما این روش نیز دلیل عوارضی مثل عفونت و تشکیل ترومبوز محدود می باشد. روش دوم اندازه گیری غیر مستقیم شامل اندازه گیری فشار معده از طریق لوله های گاستروستومی یا بینی _معدی است.(شکل 2-3)در نهایت روش اخیر و استاندارد، پایش IAP از طریق سوند فولی و اندازه گیری فشار داخل مثانه می باشد.(شکل 2-4) دیواره مثانه وقتی حاوی حجمی به اندازه 50 تا 100 میلی لیتر مایع می باشد به عنوان یک دیواره غیر فعال عمل می کند و از قانون پاسکال تبعیت می کند و فشار را به مانومتر آب و یا ترانسدیوسر منتقل می کند( 34، 2) .

شکل 2-3: اندازه گیری IAP از طریق معده(34)

شکل 2-4 اندازه گیری فشار داخل شکمی از طریق کاتتر فولی( روش korn) (34)
مطالعات اخیر بیان کرده است که حجم 50-25 میلی لیتر کمترین میزان خطا را از نظربالینی برای اندازه گیری IAP دارد. در اندازه گیری IAP به این روش باید متغیر هایی که برروی حرکت دیواره مثانه مؤثر باشد مثل مثانه نوروژنیک تشخیص داده شود چرا که این اثر منجر به اندازه گیری کاذب IAP خواهد شد. در صورت بروز این موارد از دیگر روش های غیر مستقیم می توان استفاده کرد.استفاده از سوند مثانه سه راهه برای این روش مناسب تر است.با این حال از سوند فولی دوراهه نیز می توان برای اندازه گیری استفاده کرد. در صورت استفاده از سوند سه راهه می توان با استفاده از پورت شستشوی مثانه بدون نیاز به دسترسی مکرر به سیستم بسته بوسیله یک سر سوزن اندازه گیری را انجام داد. در صورت استفاده از سوند دو راهه بوسیله یک سوزن شماره 18 می توان ارتباط داخل مثانه را به سیستم اندازه گیری فشار برقرار کرد. این روش یک روش غیر تهاجمی ، مناسب، ساده ودقیق است که در همه محیط های ICUقابل استفاده می باشد. روش اخیر اولین بار در سال 1984 توسط کرن معرفی شد وبوسیله چتام تعدیل گردید . شرکت های مختلفی در پی تولید دستگاهای ساده ای برای اندازه گیری IAP بوده اند. یکی از نمونه هایی که امروزه بیشتر استفاده می گردد کیت ابوایزر می باشد که خطر بالقوه انتقال عفونت را به سیستم ادراری با بسته نگه داشتن سیستم اندازه گیری کاهش می دهد. (شکل 2-5) هرچند تحقیقات انجام شده در این زمینه که توسط چتام انجام شده است میزان بروز خطر انتقال عفونت را ناچیز گزارش کرده اند (2).

شکل شماره 2- 5 : کیت Ab viser (17)
از روش های اندازه گیری دیگر استفاده از کاتتر ادراری بیمار به عنوان یک مانومتر اندازه گیری فشار می باشد که اولین بار توسط هارا هیل (روش لوله U) ارائه گردید (35 ). (شکل 2- 6 ) در این روش نیاز به ترانسدیوسر فشار یا مانیتورینگ نمی باشد بنابراین برای استفاده در محیط های غیر از ICU مناسب است. امروزه چندین شرکت تجاری در پی ساخت تجهیزاتی هستند که به صورت غیر تهاجمی و با کمترین صرف وقت کادر پرستاری قادر به اندازه گیری IAP باشد. مبنای اندازه گیری همه این وسایل از طریق فشار مثانه به عنوان عنوان فشار داخل شکمی است(2).

شکل 2-6 اندازه گیری فشار داخل شکمی به روش لوله U(35)
طبق استاندارد طلایی ارائه شده توسط انجمن جهانی سندرم کمپارتمان شکمی و سایت هیپرتانسیون داخل شکمی اندازه گیری IAP به هر کدام از روش های ذکر شده باید در وضعیت صفر درجه انجام گردد. اما به دلیل اثرات نامطلوب این وضعیت بر روی سیستم تنفسی و قلبی_عروقی در بیماران بستری در بخش های مراقبت ویژه به ندرت این بیماران قادر به تحمل این وضعیت می باشند. بنابراین پژوهشگران مطالعات زیادی در این زمینه انجام داده اند تا به وضعیت مناسبی که با حفظ راحتی و آسایش بیماران منجر به اندازه گیری دقیق تر IAP دست پیدا کنند (12،11،1).
مدیریت مناسب بیماران در معرض خطر IAH و بررسی دقیق وضعیت قلبی_ عروقی همراه با در نظر گرفتن خطاهایی است که IAP می تواند بر روی وضعیت همودینامیک داشته باشد، ضروری است(8).
تنظیم مناسب ونتیلاتور با توجه به اثرات افزایش IAP بر روی کمپلیانس دیواره قفسه سینه بسیار مهم است . مدیریت دقیق مایعات و وازوپرسورها نیز بسیار کلیدی و مهم است چرا که مایع کم ممکن است منجر به ایسکمی روده ای و تولید سایتوکین ها گردد. این جریان وقتی سندرم نفوذپذیری مویرگی رخ میدهد خیلی بدتر خواهد شد(2). جهت کمک به درمان این گونه پیچیدگیها انجمن جهانی سندرم کمپارتمان شکمی توصیه به استفاده از الگوریتم بررسی و درمان سندرم کمپارتمان شکمی و هیپرتانسیون شکمی کرده است (شکل 2-7) (37،36) .
2282825-63500اندازه گیری IAP و APP به صورت مداوم یاحداقل هر 6-4 ساعت
ادامه درمان تا حفظ IAP کمتر از mmHg 15 و APP بیش از mmHg 60
00اندازه گیری IAP و APP به صورت مداوم یاحداقل هر 6-4 ساعت
ادامه درمان تا حفظ IAP کمتر از mmHg 15 و APP بیش از mmHg 60
2879725-440690002386965-1088390mmHg 12< IAP
شروع درمان طبی تا کاهش IAP
00mmHg 12< IAP
شروع درمان طبی تا کاهش IAP

52673252768600039681152768600047498027686000156781527686000290893527686000
4648200259715بهبود جریان خون سیستمیک و منطقه ای
00بهبود جریان خون سیستمیک و منطقه ای
3420110259715مطلوب سازی تجویز مایعات
00مطلوب سازی تجویز مایعات
2278380259715بهبود کمپلیانس دیواره شکم
00بهبود کمپلیانس دیواره شکم
1019175259715خارج کردن توده های فضاگیر خل شکمی
00خارج کردن توده های فضاگیر خل شکمی
-90170259715تخلیه محتویات داخله روده ای
00تخلیه محتویات داخله روده ای

-5162552924810مرحله اول
00مرحله اول
4623435263525احیای مایعات با هدف مستقیم
00احیای مایعات با هدف مستقیم
3420110263525اجتناب از تجویز بیش از حد مایعات
00اجتناب از تجویز بیش از حد مایعات
2278380263525اطمینان از آرامبخشی و بی دردی کافی
00اطمینان از آرامبخشی و بی دردی کافی
1019175238760سونوگرافیشکمی جهت تشخیص ضایعات
ایعات
00سونوگرافیشکمی جهت تشخیص ضایعات
ایعات
-90170238760گذاشتن NGT یا رکتال تیوب
00گذاشتن NGT یا رکتال تیوب

-90170272415شروع داروهای افزایش دهنده حرکات معده روده
00شروع داروهای افزایش دهنده حرکات معده روده

3334385111125کمک به حفظ تعادل منفی مایعات برای سه روز
00کمک به حفظ تعادل منفی مایعات برای سه روز
-4667254046855مرحله دوم
00مرحله دوم
-90170111125به حداقل رساندن تغذیه روده ای
00به حداقل رساندن تغذیه روده ای
4623435111125حفظ فشار پرفیوؤن شکمی mmHg60≤APP
00حفظ فشار پرفیوؤن شکمی mmHg60≤APP
2194560111125برداشتنپانسمانها واسکارهایمحدودکننده شکم
00برداشتنپانسمانها واسکارهایمحدودکننده شکم
933450111125توموگرافی کامپیوتری شکم برای تشخیص ضایعات شکمی
00توموگرافی کامپیوتری شکم برای تشخیص ضایعات شکمی

4592955169545مانیتورینگ همودینامیک جهت احیای مایعات
00مانیتورینگ همودینامیک جهت احیای مایعات
2194560169545اجتناب از وضعیت دمر وافزایش سرتخت بیش از20 درجه
00اجتناب از وضعیت دمر وافزایش سرتخت بیش از20 درجه
3363595169545احیا با مایعات هیپرتونیک وکلوییدی
00احیا با مایعات هیپرتونیک وکلوییدی
963295270510درناژ با کاتتر از طریق پوست
00درناژ با کاتتر از طریق پوست
-90170208280تجویز انما
00تجویز انما

9563105080برداشتن ضایعات توسط جراحی
00برداشتن ضایعات توسط جراحی
459359025400تجویز داروهای وازواکتیو جهت حفظ APP>60 mmHg
00تجویز داروهای وازواکتیو جهت حفظ APP>60 mmHg
333375025400برداشتن مایعات توسط دیورتیک
00برداشتن مایعات توسط دیورتیک
211455025400وضعیت عکس ترندلنبرگ
00وضعیت عکس ترندلنبرگ
-692158255کلونوسکوپی با هدف کاهش فشار
00کلونوسکوپی با هدف کاهش فشار
-4152905200015مرحله سوم
00مرحله سوم

336359551435انجام همودیالیز / اولترافیلتراسیون
00انجام همودیالیز / اولترافیلتراسیون
211455051435تجویز بلوک کننده های عصبی-عضلانی
00تجویز بلوک کننده های عصبی-عضلانی
-3937089535قطع تغذیه روده ای
00قطع تغذیه روده ای

-4152906217285مرحله چهارم
00مرحله چهارم
-90170189865در صورت mmHg 25< IAP (و یا mmHg 60 < APP ) و وجود نارسایی یا اختلال عملکرد ارگانی جدید IAH/ACS بیمار به درمان طبی مقاوم می باشد. انجام لاپاراتومی با هدف کاهش فشار داخل شکمی به طور اکید توصیه می گردد.
00در صورت mmHg 25< IAP (و یا mmHg 60 < APP ) و وجود نارسایی یا اختلال عملکرد ارگانی جدید IAH/ACS بیمار به درمان طبی مقاوم می باشد. انجام لاپاراتومی با هدف کاهش فشار داخل شکمی به طور اکید توصیه می گردد.

شکل 2-7: الگوریتم درمان هیپرتانسیون داخل شکمی و سندرم کمپارتمان شکمی(36)
درمان های غیر جراحی شامل 5 مداخله درمانی می باشد.
1. تخلیه محتویات داخل روده ای
2. تخلیه محتویات خارج روده ای (درون شکم یا فضای رتروپریتوئن)
3. بهبود کمپلیانس دیواره شکم
4. تعدیل تجویز مایعات (به اندازه کافی ونه خیلی زیاد)
5. بهبود پرفیوژن بافتی
تخلیه محتویات داخل روده ای
حجم زیاد هوا در دستگاه گوارش و ایلئوس دو عارضه ای است که در بیماران بخش های مراقبت ویژه که تحت تهویه مکانیکی و دریافت ترکیبی از داروهای مختلف می باشند رخ می دهد. تجمع مایعات و گازهای داخل لوله گوارش حجم درون حفره شکم را افزایش می دهد و منجر به افزایش IAP و کاهش خونرسانی می گردد.یک مداخله ساده مثل ساکشن لوله بینی –معدی و درناژ رکتال تیوب اغلب اوقات برای درمان این مشکل وپایین آوردن IAP مؤثر است. تجویز داروهای محرک پروکینتیک مثل اریترومایسین و متوکلوپروماید به تخلیه مواد داخل روده ای کمک خواهد کرد. به ندرت برای کاهش فشار داخل روده ای از کلونوسکوپی کاهنده فشار یا حتی جراحی شکم نیز ممکن است استفاده گردد(38).
تخلیه فضای خارج روده ای از توده های فضاگیر
مایع آزاد در شکم ، آبسه یا هماتوم رتروپریتوئن می تواند منجر به افزایش IAP گردد. این موارد بوسیله معاینه فیزیکی ، سنوگرافی و سی تی اسکن لگن قابل تشخیص می باشد. درناژ مایعات جمع شده از طریق پوست پرفیوژن ارگانی را بهبود می بخشد و از انجام مداخله جراحی جلوگیری می کند. مطالعات اخیر نشان داده است که درناژ مایعات باعث کاهش سطح سایتوکین های التهابی هم در فضای داخل شکمی و هم در سطح سرمی می گردد (40،39)
بهبود کمپلیانس دیواره شکم
وقتی دیواره شکم بیش از حد اتساع پیدا می کنددیگر افزایش فشار داخل شکمی تحمل نخواهد شد. بویژه در بیمارانیکه تحت تهویه مکانیکی می باشند و یا درد دارند. در حقیقت نوسانات IAP در طی تهویه مکانیکی می تواند یک شاخص مفید کاهش کمپلیانس دیواره شکم باشد. اگر تفاوت زیادی بین IAP در انتهای بازدم و انتهای دم وجود داشته باشد به این معنی می باشد که بیمار به سمت IAH در حال پیشرفت است .گاهی اوقات به کاربردن مداخلات بسیار ساده مثل تجویز مسکن یا آرامبخش ها در کاهش IAP مؤثر است.با توجه به تاثیر وضعیت بدن بر روی IAP ، مداخله ساده دیگر در کاهش فشار داخل شکمی قرار دادن بیمار در وضعیتی است که شکم صاف و بدون چین خوردگی باشد به طور مثال قرار دادن بیمار دروضعیت طاقباز همراه با وضعیت ترندلنبرگ بر عکس می تواند به کاهش IAP کمک کند. قرار دادن بیمار در وضعیت خوابیده به شکم همچنین باعث افزایش IAP می گردد که در این موارد مراقبت دقیق از نظر ایسکمی روده ای باید انجام گردد. برخی از مطالعات و شواهد بالینی بیان می کند که اگر با این مداخلات همچنان IAP بیش از 20 میلی متر جیوه باشد استفاده از بلوک کننده های عصبی _عضلانی می تواند مؤثر باشد (40).
از دیگر روش های مشابه استفاده از بی دردی اپی دورال است. ها کابیان و همکارانش در مطالعه ای که بروی بیماران بعد از عمل جراحی با IAP بالای 15 میلی متر جیوه که تحت بی دردی اپی دورال قرارگرفتند به این نتیجه رسیدند که یک ساعت بعد از بی دردی اپی دورال IAP از 7/15 به 9/5 کاهش یافت . این در حالی است که کاهش متوسط فشار شریانی در این بیماران دیده نشد(41).
احیای مایعات
احیای مناسب مایعات ممکن است کار دشواری در بیماران بدحال باشد . بخصوص در حضور IAP بالا وجود IAH ممکن است تفسیر بسیاری از شاخص های همودینامیک را تحت تاثیر قرار دهد. این در حالی است که تجویز بیش از حد مایعات نیز منجر به افزایش فشار داخل شکمی و بدتر شدن نتایج درمان می گردد. پیچیدگی تداخل بین فشارهای داخل شکمی ، داخل قفسه سینه ای و داخل عروقی صحت استفاده از CVP و PCWP را در بررسی حجم مایعات بدن دچار مشکل می سازد . بررسی حجم پایان دیاستولی بوسیله اکوکاردیوگرافی روش دقیقتری برای بررسی حجم داخل عروقی می باشد که معمولاً در دسترس نمی باشد.IAP می تواند به عنوان پارامتری برای تصحیح استاندارد CVP و PCWP به کار برده شود. بیمارانیکه در خطر IAH قرار دارند نیازمند مراقبت دقیق تر از نظر تجویز مایعات می باشند. احیای مایعات در این بیماران باید با توجه به وضعیت پارامترهای قلبی ، اکسیژناسیون ، برون ده ادراری و اندازه گیری IAP انجام گردد.( 42،43)
اصلاح پرفیوژن بافتی
بدنبال احیای مطلوب مایعات ، جریان خون شکمی برقرار می گردد که این موضوع بوسیله فشار پرفیوژن شکمی قابل محاسبه است . اساس این مفهوم همانند فشار پرفیوژن مغزی است. جریان خون بافتی در ارتباط مستقیم با MAP می باشد. APP که منعکس کننده اکسیژناسیون واقعی بافتی است نسبت به اندازه گیری IAP یک معیار پیشگویی کننده دقیق تری است. بیمارانیکه به درستی در آنها احیای مایعات انجام شده است بوسیله عوامل اینوتروپیک وضعیت اکسیژناسیون بافتی بهتری خواهند داشت . به منظور اطمینان از اکسیژناسیون کافی بافتی APP نباید کمتر از 60 میلی متر جیوه باشد.(44)
MAP- IAP=APP
درمان های جراحی (لاپاراتومی کاهنده فشار)
وقتی همه راه های کاهش فشار داخل شکمی منجر به شکست می شود و بیمار از IAH به سمت ACS پیشرفت می کند نیاز به یک جراحی فوری پیدا میکند. این بیماران معمولاً از مرحله پایانی ایسکمی بافتی رنج می برندکه به سمت اختلال عملکرد سلولی و در نهایت مرگ سلولی پیش می رود. مناسب ترین درمان ، جراحی فوری کاهنده فشار از طریق تکنیک های شکم باز و یا به صورت اولیه انجام فاشیاتومی زیر پوستی است. عدم تعجیل در انجام دکمپرسیون جراحی ACS منجر به طولانی شدن زمان و افزایش شدت ایسکمی مزانتر و نیز کاهش خونرسانی ارگان های چند گانه و نهایتاً افزایش مرگ ومیر می گردد (39).
به هرحال علی رغم شیوع بالای IAH/ACS در بیماران داخلی اکثر پزشکان و پرستاران بر این باور هستند که تنها درمان IAH دکمپرسیون جراحی می باشد . در حالی که درمان غیر جراحی سنگ بنای درمان این سندرم می باشدو نقش حیاتی را در پیشگیری و درمان نارسایی ارگانی ناشی از IAH ایفا می کند. امروزه مطالعات زیادی نشان داده اند که درمان غیر جراحی نه تنها میزان بقا را بهتر می کند بلکه از پیشرفت کامل ACS نیز جلوگیری خواهد کرد و طول مدت بستری در ICU و بیمارستان را کاهش خواهد داد و از طرفی از نظر اقتصادی نیز مقرون به صرفه خواهد بود(45).
اندازه گیری IAP به هر روشی که انجام گردد حفظ راحتی وآسایش بیمار در حین اندازه گیری IAP بسیار مهم و ضروری است. یکی از جنبه های راحتی وآسایش، بیماران بخصوص بیماران بستری در بخش های مراقبت ویژه حفظ وضعیت مناسب و بی خطر آنها می باشد.از طرفی وضعیت بیمار باید به گونه ای باشد که به صحت اندازه گیری IAP و سایر پارامترهای همودینامیکی خللی وارد نکند.
مطالب ذکر شده نشان می دهد که اندازه گیری IAP می تواند در تشخیص زود هنگام IAH بسیار مفید باشد و لزوم انجام این فرایند نیاز به وضعیت ایمن و راحتی بیمار با توجه به شیوع آن دارد لذا تعیین وضعیتی از زاویه سر تخت برای اندازه گیری IAP بویژه در روش اندازه گیری مداوم جهت پیشگیری از عوارض وضعیت صفر درجه بسیار مهم می باشد از این رو این پژوهش با توجه به اهمیت مسئله مزبور انجام گردید.
مروری بر مطالعات انجام شده :
اهمیت اندازه گیری سریال IAPدر بررسی و احیای بیماران به شدت بد حال در دهه گذشته به طور فزاینده ای تشخیص داده شده است. IAP باید در بیمارانیکه عوامل خطر IAH / ACS را دارند کنترل گردد.
چتام و همکاران (2009) مطالعه ا ی کهورت آینده نگر با هدف تعیین تاثیر سه وضعیت مختلف بدن (وضعیت طاقباز یا صفر درجه ، 15 درجه و 30 درجه ) برروی فشار داخل مثانه که روش استاندارد شده برای اندازه گیری فشار داخل شکمی می باشد می باشد انجام دادند .
-296164015144751)Intra-ahdomind Prerruse
2)Su Iutya-abdominal hypertension
3)Abodmind Comartment sundrome
4) Yentilatore –Associated pneumonia
5) Supine position
6 )chcathametal
001)Intra-ahdomind Prerruse
2)Su Iutya-abdominal hypertension
3)Abodmind Comartment sundrome
4) Yentilatore –Associated pneumonia
5) Supine position
6 )chcathametal
معیارهای ورود نمونه شامل بیماران 18 سال و بالاتر دریافت داروی آرامبخش و اتصال به تهویه مکانیکی که حداقل یک عامل خطر IAH/ACS به شمار می رود. معیارهای خروج هر بیماری که نمی توانست تغییر در وضعیت بدن را تحمل کند مثل بیماران با ضایعات نخاعی ، هیپرتانسیون داخل جمجمه ای ، بی ثباتی همودینامیک را شامل می شد .
با توجه به موارد فوق تعداد 132 بیمار در مطالعه شرکت داده شدند . بعد از کسب اجازه از کمیته اخلاق و اخذ فرم رضایت ، بیماران در سه وضعیت طاقباز ، 15 درجه و 30 درجه قرار گرفتند و از خار ایلیاک به عنوان نقطه صفر اندازه گیری استفاده شد و برای کنترل تاثیر انقباض عضله دیواره شکم برروی اندازه گیری IAPبیمارانآرام میشدند به طوریکه نمرهآرامبخش و آژیتاسیون براساس معیار ریچموند (RASS ) در طی دوره اندازه گیری (4-) بود .
اندازه گیری از طریق مثانه و با تزریق 20 میلی لیترنرمال سالین به داخل مثانه با استفاده از کیت ابوایزر انجام شد . سه بار اندازه گیری در هر وضعیت ( صفر درجه ، 15 درجه و 30 درجه ) حداقل به فاصله 4 ساعت انجام شد. اندازه گیری در انتها ی بازدم و در حالیکه انقباض فعال عضله شکم وجود نداشت و بعد از حداقل 30 ثانیه برای جلوگیری از انقباض مثانه صورت گرفت. نرمال سالین تزریق شده اجازه می دهد تا مثانه برای اندازه گیری بعدی IAP به طور کامل تخلیه شود . اطلاعات فردی در نظر گرفته شده شامل : سن ، جنس ، وزن قد تشخیص زمان پذیرش یا مکانیزم آسیب و وجود عامل خطر IAP بود .-915225569851)Acute physidogy and Chronic Health Evalution Score version
2)Simlified Acute physiology Score Version
3)Seoyuential organ failure Assessment score
001)Acute physidogy and Chronic Health Evalution Score version
2)Simlified Acute physiology Score Version
3)Seoyuential organ failure Assessment score

Text of Final Project -فایل پروژه - ریسرچ-.Pdf)

-2-3-2 معادلات حرکت 28...................................................................................................
-4-2 پارامترهای ماشین سنکرون 29....................................................................
-1-4-2 پارامترهای اساسی29
-2-4-2 پارامترهای عملیاتی 30........................................
-3-4-2 پارامترهای دینامیکی31
-5-2 محاسبه پارامترهای دینامیکی ماشین سنکرون بر اساس پارامترهای اساسی
ماشین31
-1-5-2 محاسبه راکتانسهای ماشین 33..................................................................................
-2-5-2 محاسبه ثابت زمانی های ماشین35
5
-6-2 مراتب مختلف مدلهای ماشین سنکرون بر اساس مدل دو محوری پارک37
فصل سوم: بررسی روشهای شناسایی پارامترهای دینامیکی ژنراتور سنکرون..39
-1-3 مروری بر پیشینه شناسایی پارامترهای ژنراتورهای سنکرون 40..............................
-2-3 انواع روشهای تعیین پارامترهای دینامیکی ژنراتور سنکرون 42................................
-1-2-3 روشهای کلاسیک اندازه گیری پارامترهای دینامیکی ژنراتورهای شبکه42
-2-2-3 روشهای جدید تعیین پارامترهای دینامیکی ژنراتورهای سنکرون43
فصل چهارم: شناسایی بلادرنگ پارامترهای ژنراتور سنکرون با استفاده از شبکه عصبی
مصنوعی ....45
-1-4 کلیات و اصول کارشبکه های عصبی 46....................................
-2-4 اصول کار شبکه عصبی تخمین گر پارامترها46
-1-2-4 دادههای آموزشی و آموزش شبکه عصبی.48
-2-2-4 تست شبکه عصبی تخمینگر50
-3-4 نتایج 51...................................................................
-1-3-4 نمونههایی از نتایج شبکه عصبی تخمینگر53
-2-3-4 بررسی تحلیلی نتایج .89
فصل پنجم: نتیجهگیری و پیشنهادات ...97
ضمیمهها100
ضمیمهالف- طرحهای بکار گرفته شده برای شبیهسازی ژنراتور سنکرون101
ضمیمهب- نمودار پارامترهای بکار گرفته شده در شبیهسازی ژنراتور سنکرون..105
منابع و ماخذ.110
6
فهرست جدول ها
عنوان شماره صفحه
1-2 : مراتب مختلف مدلهای ژنراتور سنکرون 24
1-4 : فهرست پارامترهای دینامیکی ژنراتورهای سنکرون 38
2-4 : نتایج شبکه عصبی در دوره آموزش و تست از دیدگاه فراوانی خطا 81
3-4 : نتایج شبکه عصبی در دوره آموزش و تست از دیدگاه دامنه خطا 82

7
فهرست شکلها
عنوان شماره صفحه
: 1-1 نمای کلی فرایند ارزیابی و بهبود سیستمهای قدرت 3
: 1-2 مدارهای استاتور و روتور ماشین سنکرون 9
:2-2 مدار معادل ماشین بر اساس تئوری پارک 13
:3-2 توزیع شار در ماشین سنکرون طی دورههای زیرگذرا، گذرا و ماندگار 18
:4-2 مدار معادل ژنراتور سنکرون در حالت ماندگار 19
:5-2 مدار معادل ماشین سنکرون در دوره گذرا 20
:6-2 مدار معادل ماشین سنکرون طی دوره زیر گذرا 20
:7-2 مدار معادل ماشین جهت استخراج ثابت زمانی های گذرای مدار باز 21
: 8-2 مدارمعادل ماشین جهت استخراج ثابت زمانی های زیر گذرای مدار باز 22
: :1-4 طرح کلی سلول عصبی انسان 32
:2-4 شکل کلی سلول عصبی مصنوعی 33
:3-4 ساختار شبکه عصبی توسعه یافته 33
:4-4 شکل کلی روش تهیه اطلاعات بهرهبرداری ژنراتورهای سنکرون 35
:5-4 آلگوریتم آموزش شبکه عصبی 36
:6-4 طرح کلی روش تست و بهرهبرداری از شبکه عصبی 37
:7-4 نمودار خروجی شبکه عصبی درفرایند آموزش برای تخمین xd" 39
:8-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 39
:9-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 40
:10-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین xd" 40
:11-4 هیستوگرام خطای شبکه عصبی در مرحله تست 41
:12-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 41
:13-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین xd" 42

8
:14-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 42
:15-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 43
:16-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین xd" 43
:17-4 هیستوگرام خطای شبکه عصبی در مرحله تست 44
:18-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 44
:19-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین xd" 45
:20-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 45
:21-4 نمودار خطای تخمین شبکه عصبی در مرحلهآموزش 46
:22-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین xd" 46
:23-4 هیستوگرام خطای شبکه عصبی در مرحله تست 47
:24-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 47
:25-4 نمودار خروجی شبکه عصبی درفرایند آموزش برای تخمین xq" 48
:26-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 48
:27-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 49
:28-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین xq" 49
:29-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 50
:30-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 50
:31-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین xq" 51
:32-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 51
:33-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 52
:34-4 نمودار خروجی شبکه عصبی تحت تست برای تخمین xq" 52
:35-4 هیستوگرام خطای شبکه عصبی در مرحله تست 53
:36-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 53
:37-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین xq" 54
:38-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 54
:39-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 55
9
:40-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین xq" 55
:41-4 هیستوگرام خطای شبکه عصبی در مرحله تست 56
:42-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 56
:43-4 نمودار خروجی شبکه عصبی درفرایند برای تخمین Td" 57
:44-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 57
:45-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 58
:46-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین Td" 58
:47-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 59
:48-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 59
:49-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین Td" 60
:50-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 60
:51-4 نمودار خطای تخمین شبکه عصبی در مرحلهآموزش 61
:52-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین Td" 61
:53-4 هیستوگرام خطای شبکه عصبی در مرحله تست 62
:54-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 62
:55-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین Td" 63
:56-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 63
:57-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 64
:58-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین Td" 64
:59-4 هیستوگرام خطای شبکه عصبی در مرحله تست 65
:60-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 65
:61-4 نمودار خروجی شبکه عصبی درفرایند آموزش برای تخمین Tq" 66
:62-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 66
:63-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 67
:64-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین Tq" 67
:65-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 68
10
:66-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 68 :67-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین Tq" 69 :68-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 69 :69-4 نمودار خطای تخمین شبکه عصبی در مرحلهآموزش 70 :70-4 نمودار خروجی شبکه عصبی تحت تست برای تخمین Tq" 70 :71-4 هیستوگرام خطای شبکه عصبی در مرحله تست 71 :72-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 71 :73-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین Tq" 72 :74-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 72 :75-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 73 :76-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین Tq" 73 :77-4 هیستوگرام خطای شبکه عصبی در مرحله تست 74 :78-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 74 ض-:1 طرح شبیه سازی ژنراتور سنکرون متصل به شین بینهایت با اغتشاش تغییر 88 ناگهانی تحریک ض-:2 طرح شبیه سازی ژنراتور سنکرون متـصل بـه شـین بینهایـت بـا اغنـشاش 89 اتصالکوتاه درترمینال ژنراتور ض-:3 طرح شبیه سازی ژنراتور سنکرون متصل به شین بینهایت با اغتشاش تغییر 90 ناگهانی توان ورودی ض-:4 تغییرات مقادیر Xd بکار گرفته شده 92 ض-:5 تغییرات مقادیر Xd' بکار گرفته شده 92 ض-:6 تغییرات مقادیر Xd" بکار گرفته شده 92 ض-:7 تغییرات مقادیر Xq بکار گرفته شده 93 ض-:8 تغییرات مقادیر Xq" بکار گرفته شده 93 ض-:9 تغییرات مقادیر Xl بکار گرفته شده 93 ض-:10 تغییرات مقادیر Td' بکار گرفته شده 94 ض-:11 تغییرات مقادیر Td" بکار گرفته شده 94 11
ض-:12 تغییرات مقادیر Tq" بکار گرفته شده 94
ض-:13 تغییرات مقادیر Rs بکار گرفته شده 95
ض-:14 تغییرات مقادیر WR بکار گرفته شده 95
ض-:15 تغییرات مقادیر H بکار گرفته شده 95
12
چکیده پایاننامه:
این پروژه روشی نو را برای بکارگیری رؤیتگرهای شبکه عـصبی در جهـت شناسـایی و تعیـین پارامترهـای دینامیکی ژنراتورهای سنکرون با استفاده از اطلاعات بهرهبرداری ارائه کرده است. اطلاعات بهـرهبـرداری از طریق اندازهگیریهای بلادرنگ بعمل آمده در قبال اغتشاشات حوزه بهرهبرداری فراهم مـیشـود. دادههـای آموزشی مورد نیاز شبکه عصبی از طریق شبیهسازیهای غیرهمزمـان بهـرهبـرداری از ژنراتـور سـنکرون در محیط یک ماشین متصل به شین بینهایت فراهم شده است. مقـادیر نمونـه ژنراتورهـای سـنکرون در مـدل مذکور بکار گرفته شدهاند. شبکه آموزش دیده در قبال اندازهگیریهای بلادرنگ شبیهسازی شـده در جهـت تخمین پارامترهای دینامیکی ژنراتورهای سنکرون تست شده است. مجموعه نتایج بدست آمده نشان دهنـده قابلیتهای نوید بخش شبکه عصبی مصنوعی در حوزه تخمین پارامترهای دینامیکی ژنراتورهـای سـنکرون، بصورت بلادرنگ و با استفاده از اطلاعات بهرهبرداری میباشد. اگرچه برای دست یـابی بـه خطـای تخمـین قابل قبول در مسیر شناسایی کلیه پارامترهای دینامیکی ژنراتورهای سنکرون، پارهای اصلاحات ضروری بـه نظر میرسد. در نگاه کلّی این اقدامات تکامل بخش را میتوان به دو مجموعه: پیشنهادات مربوط به اصـلاح شبکه عصبی رؤیتگر در حوزه شبیهسازی و آموزش و بخش دیگر را به عنوان گامهای تکاملی تلقی نمود، که سازماندهی این گامها در مبادی ورودی و خروجی شبکه عصبی، زمینه مناسبتـری را بـرای بهـرهگیـری از قابلیتهای آن فراهم خواهد کرد.
کلید واژه:
ژنراتور سـنکرون، پارامترهـای دینـامیکی، شناسـایی بلادرنـگ، شـبکههـای عـصبی مـصنوعی، اطلاعـات بهرهبرداری
13
14
مقدمه:
در سالهای اخیر با پیشرفت سیستمهای کامپیوتری, سیستمهای هوش مصنوعی نیز متولد شده و رشد کرده است. یکی از سیستمهای هوش مصنوعی, شبکه های عصبی مصنوعی هستند. این شبکه ها به علت عواملی چون قطعیت در پاسخ, سادگی در اجرا, قابلیت انعطاف بالا و .... جایگاه ویژه ای را به خود اختصاص داده اند. با توجه به ساختار و کارکرد شبکه های عصبی مصنوعی و اهمیت تعیین پارامترهای دینامیکی اجزاء سیستمهای قدرت از جمله ژنراتورهای سنکرون, بهره گیری از شبکه های عصبی مصنوعی در این حوزه قابل طرح است. از طرف دیگی نتایج ارائه شده از بکار گیری این شبکه ها در حوزه های مشابه, کارکردهای نوید بخشی را نشان می دهد. با توجه به مراتب فوق این پروژه بر آنست تا با طراحی و اجرای طرح شناسایی پارامترهای دینامیکی ژنراتورهای سنکرون با استفاده از شیکه عصبی مصنوعی, قابلیت های این سیستم را در حوزه شناسایی بلادرنگ پارامترهای دینامیکی ژنراتورهای سنکرون نیز بیازماید.
15
فصلاول:

کلیات
16
سیستم های قدرت متشکلند از مجموعه ای از مراکز تولید(نیروگاهها) که توسط شبکه های انتقال و توزیع و تجهیزات حفاظتی و کنترل آن به مراکز مصرف متصل می گردند. وظیفه اصلی یک سیستم قـدرت تولیـد و تامین انرژی الکتریکی مورد نیاز مصرف کنندگان با حفظ شرایط سه گانه:
-1 ارزانی قیمت انرژی
-2 کیفیت بالا
-3 امنیت تامین انرژی میباشد. مراد از امنیت، پیوستگی و تداوم در تولید و تامین انرژی می باشد. عوامل مؤثر در امنیـت عبارتنـد از:
-1 سرمایه گذاری اولیه (تجهیزات سیستم ) -2 روشها و امکانات نگهداری و تعمیرات سیستم قدرت.
همانگونه که در کلیه وسایل و سیستم های غیرالکتریکی همواره دو ویژگی ارزانـی و بـالا بـودن کیفیـت-
امنیت با یکدیگر متعارض و متقابل می باشند در مقوله انرژی الکتریکی و سیستم هـای قـدرت نیـز بهمـان گونه خواهد بود. امنیت یک سیستم قدرت در حقیقت درجه و میدان توانایی آن سیستم در مواجهه با حـوادث
اغتشاشات می باشد . امنیت کلی یک سیستم به دو زیر شاخه:
امنیت دینامیکی
امنیت استاتیکی
قابل تقسیم است. از توانایی سیستم قدرت برای حفظ و نگهداری خود در دوره وقوع اختلال (که خود از سـه دامنه فوق گذرا-گذرا-دینامیک تشکیل شده است) با عنوان امنیت دینامیکی تعبیر مـی گـردد. بـا توجـه بـه اهمیت بسیار زیاد امنیت سیستمهای قدرت، فرایند ارزیابی وبهبود آن همواره مورد توجه مهندسـین طـراح و بهرهبردار بوده، به قسمی که عملیات ارزیابی و بهبود امنیت سیستم های قدرت یکی از وظایف بسیار مهـم و اساسی مراکز کنترل و بهره برداری شبکه های قدرت می باشد. شکل کلی فرایند ارزیـابی و بهبـود سیـستم های قدرت در شکل1-1 بیان شده است. باتوجه به اهمیت امنیت در سیستم های قدرت و همچنین تغییرات مستمری که در حین عملیات بهره برداری 24 ساعته در شبکه اتفاق می افتد ضرورت دارد که دائماً از طرف بهره بردار، عملیات بهره برداری به شکلهای مختلف بر روی سیستم های قدرت اعمال گردد،اما با توجه بـه ویژگی بالا بودن امنیت نباید این عملیات بگونه ای باشدکه سبب بروز اغتشاش در رفتار سیستم و در نتیجـه نقض غرض گردد. از طرفی سیستم قدرت هر کشور منحصر بفرد بوده به قسمی که نمونه دومی نمی تـوان برای آن ایجاد نمود. بنابر این با توجه به ویژگی منحصر بفرد بودن سیستمهای قدرت و ضـرورت اجتنـاب از عملیات بهره برداری بررسی نشده، برای ارزیابی اولیه از نتایج عملیات بهره برداری و یا طراحی ضرورتاً مـی باید از یک نمونه مشابه سیستم قدرت استفاده نمود تا بتوان ابتداً نتایج مانورهای طراحی یا بهـره بـرداری را برآن آزمایش و در صورت اطمینان از بی خطر بودن، نتایج آن مانورها را بر شبکه واقعی اعمال نمود.
17

نمونه مشابه سیستم قدرت را شبیه ساز1 و عملیات آزمایشی بـرروی نمونـه مـشابه را محاسـبات و مطالعـات شبیه سازی2 گویند. فرایند شبیه سازی سیستمهای قدرت فارغ از اینکه دیجیتال باشد یـا آنـالوگ از مراحلـی بدین ترتیب تشکیل شده است:
_1 شناسایی اجزاء سیستم قدرت
_2 ساخت و یا استخراج معادلات حاکم بر اجزاء
_3 ترکیب اجزاء و یا معادلات آنها
_4 حل معادلات با روشهای ریاضی بوسیلهکامپیوتر
_5 استخراج نتایج که در این میان مدلسازی اجزاء سیستم قدرت که همان شناسایی و استخراج معـادلات حـاکم بـر اجـزاء آن
است یکی از قدم های اصلی این فرایند بشمار میرود. به بیان دیگر یک متخـصص شـبکه در روش کـاری خود اولویت بندی هایی دارد که اولین آنها رساندن انرژی الکتریکی تولیدی به مصرف کننده است، در مرحله
دوم به تامین امنیت شبکه اهتمام می ورزد. و نهایتاً تلاش خویش را در جهت بهبود هر چـه بیـشتر کیفیـت انرژی که به مصرف کننده تحویل داده می شود مصروف می دارد. اگر چه بسیاری از اقداماتی که در جهـت امنیت سیستم های قدرت انجام می شود کیفیت توان را نیز ارتقاء می دهد. تامین امنیت سیستم خود شـامل مراحل و اولویتهایی است که اولین گام آن را مقاوم سازی و پایدار سازی شبکه در حالت های گذرا می باشد

1-simulator 2-simulation
18
و دومین گام شامل پایدار سازی دینامیکی شبکه می شود. از دیدگاه فرکانسی می توان حالت هـای گـذرا در شبکه را با نوسانات فرکانس بالا و حالت های دینامیکی آن را با نوسانات فرکانس پایین معرفی کرد. در اکثر شبکه های دنیا خاصه با پیچیده شدن شبکه ها پدیده نوسانات فرکانس پایین مشاهده شده است. ژنراتورهـا به عنوان تولید کننده نقش اصلی در ارتباط با این نوسانات دارند. اینها از نوع نوسان در پارامترها هستند و با اغتشاشات حالتهای گذرا متفاوتند. گاه این اغتشاشات بدون رخ دادن هیچ واقعهای در طی کار معمول شـبکه بوجود می آیند مثلاً با تغییر تپ ترانس درکم باری و مواردی از این قبیل. اگرچه در مرحله بعد از حالت هـای گذرای شبکه (از دیدگاه زمانی) نیز چنین بحثی مطرح می شود. بایـد توجـه داشـت کـه ایـن نوسـانات را در مقایسه با فرکانس شبکه، فرکانس پایین نام نهاده اند. دامنه فرکانسی مطرح از کسر یک تا چند هرتـز اسـت که بطور معمول بازه 0.5-2.5HZ را در بر می گیرند و در موارد حدی 0.1-4HZ می باشد. این نوسانات را به انواع :
-1 محلی
-2 بین ناحیه ای تقسیم کرده اند. که نوسانات یک ماشین نسبت به شبکه بزرگ یا شین بی نهایت متّصل به آن را محلّی نـام
نهاده اند. نوسانات بین ناحیه ای نمونه هایی مانند دو ژنراتور که با خطوطی به هم متصل هستند یا مجموعه دو ناحیه با یکدیگر را در برمی گیرد. از دیدگاه فرکانسی نیز این دو نوع نوسانات دینامیکی باهم تفاوت دارند.
ثابت می شود عامل این نوسانات، مد مکانیکی توربوژنراتور است. همانگونه کـه پـیشتـر توضـیح داده شـد تامین امنیت سیستم های قدرت در برابر نوسانات دینامیکی مانند سایر شاخه ها نیازمند شبیه سازی شبکه از این زاویه دید میباشد. مقادیر پارامترهای دینامیکی اجزاء در این شبیه سازی دارای نقش کلیدی هـستند. بـا توجه به نقش ژنراتور در میان اجزاء شبکه از دیدگاه نوسانات دینامیکی تعیین پارامترهـای آن بـسیار مهـم و تعیین کننده خواهد بود. صحت و دقّت تعیین این پارامترها وابسته است به روش بکار گرفته شده برای بـرای تعیین آنها . این مطالب موجب پیدایش روشهای گوناگون برای تعیین این پارامترها شده است. از طرف دیگـر این پارامترها برای هر ژنراتور مقدار ثابتی نیستند و بخـاطر عـواملی چـون پیرشـدن ژنراتـور، ایجـاد بعـضی خطاهای داخلی و ..... تغییر می کنند. این شرایط موجـب طـرح روشـهای بلادرنـگ1 در تعیـین پارامترهـای دینامیکی ژنراتور سنکرون شده است. از جهت دیگر روش بکارگیری و تبعات عملی یک تکنیک شناسـایی و ملزومات آن نیز حائز اهمیت است. گروهی از این روشها اگر چه نتایج نسبتاً دقیق و قابل اعتمادی نیز فراهم می آورند لیکن به علت خطر های ناشـی از تـست هـای مطـرح در آنهـا (ماننـد آزمـایش اتـصال کوتـاه2 و
باربرداری( 3 و یا ملزوماتشان چون جداسازی ژنراتور از شبکه چندان مطلـوب نیـستند. بعـضی از اجـزاء ایـن گروه روشها به مرور مطرود شده اند. مقالات جدید ارائه شده در سایر اجزاء این گروه با هـدف بهبـود آنهـا و حذف مشکلات مذکور شکل گرفتهاند. دسته دیگر این روشها نمونههـایی هـستند کـه بـا چنـین مـشکلاتی

3-On-Line 4-Short Circuit 5-Load Rejection
19
مواجه نیستند(مانند استفاده از تخمینگر شبکه عصبی مصنوعی.(1 کارهای انجام شده درباره ایـن روشـها در راستای بهبود هرچه بیشتر آنها و یا اطمینان از نتایج حاصله توسط آنها شکل گرفته اند. با توجه بـه مقدمـه ذکر شده ابتداً لازم است کلیات روشهای مدل سازی ژنراتور سنکرون مورد بررسی قرارگیـرد تـا درگـام بعـد نسبت به بررسی روشهای شناسایی پارامترهای آن اقدام شود.

6- Artificial-Neural Network
20
فصل دوم:

مدل سازی ماشین سنکرون
21
-1-2 پیشگفتار:
شبیه سازی رفتار ژنراتورهای سنکرون برای انجام مطالعات گوناگون دینامیکی در سیستمهای قدرت، مستلزم انتخاب یک مدل مناسب جهت مدلسازی ماشین میباشد. مدل ارائه شده برای هر سیستم شامل یک ساختار و تعدادی پارامتر میباشد که جهت پیشگویی رفتار آن سیستم در حالتهای مورد نظر بکار گرفته میشود. مدل مورد استفاده برای یک سیستم باید به سادگی قابل فهم بوده، بکارگیری آن سهل باشد و در عین حال بتواند رفتار سیستم را با دقت و صحت قابل قبولی برای یک محدوده مشخص پیشگویی نماید.
بعبارت بهتر رفتار پیشبینی شده سیستم بواسطه شبیهسازی براساس مدل ارائه شده تا حد قابل قبولی به رفتار واقعی سیستم نزدیک باشد. هر چند این دو خاصیت از مدل یعنی سادگی و واقعی بودن همواره در تضاد با یکدیگر هستند، (یعنی مدلهای واقعی به ندرت ساده هستند و مدلهای ساده به ندرت میتوانند واقعی باشند)، اما میتوان جهت رسیدن به پاسخ دلخواه مصالحهای منطقی مابین این دو خاصیت برقرار کرد. مدل دو محوری پارک از معمولترین و پذیرفتهترین مدلهای ماشین سنکرون میباشد. در این فصل ابتدا اصول مدلسازی ماشین سنکرون براساس تئوری دو محوری پارک به اختصار بررسی میشود، سپس پارامترهای ماشین سنکرون معرفی شده و نحوه محاسبه پارامترها براساس مدل دو محوری پارک و همچنین نحوه مدلسازی ماشین با داشتن پارامترهای آن بررسی میگردد. همچنین در این فصل ارتباط میان مرتبههای مختلف مدل پارک با نوع ژنراتور و نوع مطالعه مورد نظر تشریح میشود.
-2-2 ساختار فیزیکی ماشین سنکرون:
-1-2-2 ساختار روتور و استاتور:
بزرگترین و شاید متداولترین ماشین های الکتریکی که با سرعت سنکرون می چرخند، ماشین های سنکرون سه فاز میباشند. اگرچه ساخت ماشین های سنکرون سه فاز پر هزینه میباشد، اما بازده بالای این ماشینها در قدرتهای بالا بزرگترین مزیت آنها میباشد.
استاتور ماشینهای سنکرون معمولاً متشکل از یک هسته مورق فرومغناطیس با شیارهایی جهت قرار گیری سیم پیچیهای سه فاز گسترده میباشد. روتور ماشین نیز میتواند بصورت قطب برجسته یا قطب صاف ساخته شود. ماشینهای قطب برجسته اغلب به عنوان ژنراتورهای آبی جهت تطبیق سرعت پائین توربین-
های آبی با سرعت سنکرون استفاده میشوند. قطبهای روتور این نوع ماشین به صورت جداگانه ساخته شده و سپس بر روی یک استوانه سوار میشوند. ساختار روتور گرد یا قطب صاف نیز برای کاربردهای سرعت بالا مناسب است. ماشینهای سنکرون با روتور گرد با دو یا چهار قطب به عنوان ژنراتورهای واحدهای بخاری جهت تطابق با سرعت بالای توربین به کار میروند. همچنین در این ماشینها میتوان نسبت قطر به طول روتور را به منظور محدود کردن تنش های مکانیکی ناشی از نیروهای گریز از مرکز کوچک گرفت.
22
-2-2-2 سیمبندیهای ماشین
ماشین سنکرون سه فاز معمولاً متشکل از یک سیم پیچی سه فاز به عنوان آرمیچر و یک سیم پیچی تحریک میباشد که بنام سیم پیچی میدان نیز نامیده میشود. سیمپیچی آرمیچر معمولاً در ولتاژی بسیار بالاتر از ولتاژ تحریک کار میکند و از این رو نیازمند فضایی بیشتر برای عایقبندی مناسب میباشد.
همچنین با توجه به اینکه جریانهای گذرای شدیدی از این سیمپیچیها عبور می کند، باید قدرت مکانیکی کافی داشته باشند. از این رو معمول است که سیمپیچی آرمیچر را بر روی استاتور ماشین قرار دهند. از نظر فضایی سیمپیچیهای سه فاز آرمیچر، 120º با یکدیگر اختلاف مکان دارند و این موضوع سبب میشود که با چرخش یکنواخت روتور و به تبع آن چرخش یکنواخت میدان تحریک، در این سیمپیچیها ولتاژهایی القا شود که از نظر زمانی 120º با یکدیگر اختلاف فاز دارند. سیم پیچی تحریک یا میدان معمولاً بر روی روتور قرار داده میشود. در ماشینهای قطب برجسته معمولاً میله های مسی یا برنجی در سطح قطب جای می-
گیرند که عموماً این میلهها در دوانتها به وسیله حلقههایی به یکدیگر متصل میشوند تا یک قفس سنجابی شبیه آنچه در یک موتور القایی وجود دارد، ساخته شود. مجموعه این میلهها و حلقهها به عنوان سیم پیچی میراکننده میباشند.
روتور ژنراتورهای قطب صاف بصورت استوانهای است که از فولاد یکپارچه ساخته میشود. سیم پیچیهای میدان در این گونه روتورها بصورت یکنواخت در شکافهای بدنه روتور توزیع شدهاند که معمولاً به کمک گوههایی در جای خود محکم میشوند. اغلب در چنین ماشینهایی سیم پیچی میراکننده وجود ندارد، زیرا که روتور یکپارچه فلزی اجازه عبور جریانهای گردابی را فراهم می آورد که تاثیری مشابه جریانهای سیمپیچی-
های میراکننده دارد. برخی از سازندگان تاثیر میرایی بیشتر و قابلیت عبور جریان مولفه منفی را با استفاده از گوههای فلزی مستقر در شکافهای سیمپیچی تحریک (که در انتها به یکدیگر متصل شدهاند) یا با استفاده از میلههای مسی مستقل زیر گوههای نگه دارنده، فراهم میآورند.
-3-2 توصیف ریاضی ماشین سنکرون
-1-3-2 معادلات ریاضی حاکم بر ماشین سنکرون
در این قسمت مدل ریاضی ماشین سنکرون بر اساس تئوری دو محوری بصورت خلاصه پارک تشریح می-
شود. شکل (1-2) مدارهای در نظر گرفته شده برای استاتور و روتور ماشین را نشان میدهد. مدار استاتور شامل یک سیم پیچی سه فاز است و روتور نیز یک سیم پیچی تحریک و یک سیمپیچی میراکننده بر روی محور d و دو سیم پیچی میراکننده بر روی محور q دارد. تعداد سیم پیچیهای میراکننده در نظرگرفته شده به عوامل متعددی از جمله نوع ژنراتور بستگی دارد که در قسمتهای بعدی به آن اشاره خواهد شد. مدل نشان داده شده در شکل (1-2) مدل 2-2 براساس استاندارد IEEE Std 1110 میباشد.
23
i fd d ωr a e fd q ib i1d ikq Ψb Ψa θ eb i1q b a ia ea ec
c

Ψc
ic

شکل :(1-2) مدارهای استاتور و روتور ماشین سنکرون
:c , b, a سیم پیچی های سه فاز استاتور : fd سیم پیچی تحریک

: 1d سیم پیچی میرا کننده محور d

1q و : 2q سیم پیچی های میراکننده محور q : ωr سرعت زاویه ای روتور برحسب رادیان بر ثانیه
: θ زاویه مابین محور مغناطیسی روتور و محور مرجع (محور مغناطیسی فاز (a
در بدست آوردن معادلات ماشین سنکرون برای ساده سازی فرضیات زیر درنظر گرفته میشود:
الف ) شکافهای موجود بر روی سطح داخلی استاتور تاثیر قابل توجهی بر اندوکتانسهای روتور درحال حرکت ندارند.
) پسماند مغناطیسی آهن استاتور و روتور قابل صرف نظر کردن است.
) از نظر تاثیر متقابل استاتور و روتور، سیم پیچیهای استاتور بصورت سینوسی در امتداد فاصله هوایی
توزیع شدهاند.
هر چند در مدل ارائه شده اثر اشباع مستقیماً منظور نشدهاست، اما با تصحیح راکتانسهای دو محور با استفاده از ضرایب اشباع و یا با داخل کردن مولفههای جبرانکننده درتحریک میدان اصلی، پدیده اشباع نیز لحاظ میشود.
با فرض حالت ژنراتوری معادلات ولتاژ مربوط به سیم بندی های استاتور و روتور را میتوان به شکل روابط
(1-2) و (2-2) نوشت.
Ψs d vs  −is Rs  dt (1-2) d vr  −ir Rr  Ψr dt که در آن :
24
vs  v a vb vc t vr  v f v1d v1q v2q t is  i a ib ic t ir  i f i1d i1q i2q t Ys  Ya Yb Yc t Yr  Y f Y1d Y1q Y2q t Ra 0 0 0 Rb Rs  0 0 0 Rc Rf 0 0 0 R1d Rr  0 0 0 0 0 R1q 0 0 0 0 R2q :درک نایب ریز لکش هب ناوت یم ار روتور و روتاتسا یاهرودراش تلاداعم Ψs  Lssis  Lsrir (2-2) Ψ  Lt .i  L i r sr srr r : نآ رد هک
Lss  − −

Lls  L0 − Lms cos 2θr 1 L0 − Lms cos 2(θr − π 1 L0 − Lms cos 2(θr  π − 3 ) − 3 ) 2 2 1 π 2π 1 2 L0 − Lms cos 2(θr − 3 ) Lls  L0 − Lms cos 2(θr − 3 ) − 2 L0 − Lms cos 2(θr −π) 1 L0 − Lms cos 2(θr  π 1 L0 − Lms cos 2(θr  π) Lls  L0 − Lms cos 2(θr  2π ) − ) 2 3 2 3 25
0 0 L f 1d Llf  L f 0 0 L L L  L 1d l1d 1df L1q 2q Ll1q  L1q 0 0 rr Ll 2q  L2q L2q1q 0 0 Ls 2q cosθr Ls1q cosθr 2π Ls 2q cos(θr − 2π ) ( cos(θr − 3 3 2π Ls 2q cos(θr  2π ) 3 ( 3 cos(θr 
s1q
s1q

L L

Ls1d sin θr
Ls1d sin(θr − 23π )

Ls1d sin(θr  23π )

Lsf sin θr 2π t ( − r sin(θ sf L  rs L sr L 3 ( 2π sin(θr  Lsf 3 با استفاده از دسته معادلات (2-1) و((2-2 میتوان بطور کامل ماشین سنکرون را بررسی نمود. اما همچنانکه در این معادلات نیز دیده میشود، معادلات دارای عباراتی هستند که با θ تغییر میکنند. با توجه به اینکه θ نیز تابعی از زمان میباشد، این موضوع سبب پیچیدهتر شدن تحلیل ماشینهای سنکرون می-
شود. میتوان با تبدیل مناسبی متغیرهای استاتور را به شکل سادهتری درآورد. این تبدیل به نام تبدیل پارک معروف است. تبدیل پارک به صورت رابطه (3-2) میباشد.
2π cos(θ  Sa ) 3 (3-2) Sb ) 2π −sin(θ  3 1 Sc 2
( 2π − cos(θ cosθ 3 2 2π 3 ) −sin(θ − 3 −sinθ 1 1 2 2
Sd
Sq S0
که S میتواند هر کدام از متغیرهای ولتاژ، جریان یا شاردور ماشین باشد. عکس تبدیل پارک نیز بصورت رابطه (4-2) بیان میشود.
1 −sinθ Sd 2 (4-2) Sq 1 ( 2π −sin(θ − 2 3 S0 1 ( 2π −sin(θ  2 3
cosθ 2π 2 ( cos(θ − 3 3 ( 2π cos(θ  3
Sa
Sb Sc
با اعمال تبدیل، معادلات حاکم بر ماشین و متغیرهای متناظر بسیار ساده میشوند. این ساده شدن در دو مفهوم کلیدی زیر ریشه دارد:
الف: با اعمال این تبدیل در شرایط بهرهبرداری عادی و حالت ماندگار تمامی جریانها و شارهای سیم-
پیچیهای استاتور و روتور دارای مقدار ثابتی خواهند بود.
26
ب: با انتخاب دو محور d و q که 90درجه اختلاف فاز دارند، شارهای تولید شده توسط جریانها بر روی یک محور هیچ پیوندی با شارهای محور دیگر نخواهند داشت. بنابراین دو دسته متغیر متعامد بدست خواهد آمد که این موضوع باعث ساده سازی بسیاری خواهد شد، زیرا هم باعث ساده سازی مقادیر راکتانسها میشود و هم می توان مدار معادل ماشین را بصورت دو مدار مستقل از هم در نظر گرفت.
معادلات نهایی پریونیت شده در دستگاه مرجع روتور به شکل روابط (5-2) و (6-2) میباشند. جزئیات بدست آوردن این معادلات در مراجع مختلف تشریح شدهاست و در اینجا از تکرار مجدد آن خودداری می-
شود. باداشتن روابط فوق، رفتار الکتریکی ماشین شبیه سازی می شود.
(5-2)
(6-2)

Yd 1 d Yq + wr V d = - i d Ra - w0 dt w0 Y d 1 Y + wr + a R q = - i q V q w0 dt d w0 Yfd 1 d efd = i fd Rfd + w0 dt Y d 1 + 1d R 1d 0 = i 1d w0 dt Y d 1 + 1q R 1q 0 = i 1q w0 dt Y2q d 1 0 = i 2q R 2q + w0 dt id Xad Xad Xl  Xad 1 Yd i fd Xad Xlf  Xad Xad  Yfd Xad Xad W0 Xl1q  Xad i1d Y1d i Xaq Xaq Xl  Xaq Yq i q Xaq Xl1q  Xaq Xaq 1  Y1q W 1q Xaq Xaq 0 Xl2q  Xaq i2q Y 2q x 0i 0 1 Y0 = - w0 براساس روابط ولتاژ و شار ارائه شده میتوان مدار معادل ماشین سنکرون را بدست آورد. این مدار درشکل
(2-2) نشان داده شده است.
27

الف: محور طولی،

ب: محور عرضی، q
xl i 0 R0
+
V 0
ج: محور صفر

-
شکل :(2-2) مدار معادل ماشین بر اساس تئوری پارک
-2-3-2 معادلات حرکت
معادلات حرکت معادلاتی هستند که اهمیت اساسی در مطالعات پایداری سیستمهای قدرت دارند. این معادلات که بعنوان معادلات لختی چرخشی نیز نامیده میشوند، تاثیر عدم تعادل بین گشتاور الکترومغناطیسی و گشتاور مکانیکی ماشین سنکرون را بیان مینمایند. در این بخش نیز معادلات حاکم بدون ذکر جزئیات بیان میشوند که برای دسترسی به جزئیات کامل میتوان به مراجع مختلف موجود مراجعه نمود.
زمانی که عدم تعادل بین گشتاورهای اعمال شده بر روی روتور وجود داشته باشد، گشتاور خالص اعمال شده، باعث شتاب گرفتن (یا کندشدن حرکت) روتور میشود. این گشتاور برابر است با:
Ta  Tm −Te(5-2)
: Ta گشتاور شتاب دهنده برحسب N.m
28
: Tm گشتاور شتاب مکانیکی برحسبN.m : Te گشتاور الکترومغناطیسی برحسب N.m معادله حرکت نیز به صورت رابطه (6 - 2) میباشد: (6-2) TaTm−Te dωr J dt در شبیه سازیهای ماشین سنکرون معمولاً شارها به عنوان متغیرهای حالت فرض میشوند. در این صورت توان الکتریکی ماشین در مبنای واحد به شکل رابطه (7-2) خواهد بود.
Pe ωr (ψd iq −ψqid )(7-2)
با تقسیم رابطه توان الکتریکی بر سرعت مکانیکی روتور، رابطه گشتاور الکترومغناطیسی به شکل رابطه -2) (7 در میآید :
Te ψd iq −ψqid(8-2)
-4-2 پارامترهای ماشین سنکرون
در معادلات حاکم بر ماشین سنکرون که در قسمت 3-2 ارائه شد، اندوکتانسها و مقاومتهای مدارهای استاتور و روتور به صورت پارامتر ظاهر شدند. این پارامترها موسوم به پارامترهای اصلی یا اساسی ماشین هستند و بصورت اجزای مدارهای معادل دو محور d و q در شکل (2-2) قابل تشخیص هستند. هر چند این پارامترها بطور کامل مشخصههای الکتریکی ماشین را بیان میکنند، اما آنها را نمیتوان از عکسالعملهای قابل اندازهگیری ماشین مستقیماً بدست آورد. از اینرو، روش مرسوم در تعیین اطلاعات ماشین این است که آنها را برحسب پارامترهایی بیان میکنند که از رفتار قابل مشاهده ماشین در پایانههای آن قابل تشخیص بوده و تحت آزمایشهای مناسب، قابل اندازهگیری هستند. در این قسمت انواع پارامترهای ماشین و ارتباط آن با پارامترهای اساسی مورد بررسی قرار میگیرد.
-1-4-2 پارامترهای اساسی ماشین
پارامترهای اساسی ماشین یا پارامترهای مدار معادل، از اعمال تبدیل پارک بر روی معادلات حوزه زمان ماشین سنکرون بدست میآیند و مشخص کننده عناصر مدارهای معادل محورهای طولی و عرضی ماشین هستند. تعداد این پارامترها با مرتبه مدل تغییر میکنند. از مشکلات عمده کار با این پارامترها، مشخص نبودن دقیق مقدار همگی آنها است. بعبارت دیگر روشی برای تعیین مقادیر دقیق این پارامترها بصورت یک-
جا وجود ندارد و روشهای موجود همگی مقادیر تقریبی مربوط به این پارامترها را بدست می دهند.
29
بعنوان نمونه اگر مدل 2-2 استاندارد IEEE Std1110 که در شکل (1-2) نشان داده شدهاست را درنظر بگیریم، کلیه عناصر مداری که در شکل نشان داده شدهاند، پارامترهای مدار معادل بوده و به راحتی قابل محاسبه و اندازهگیری نمیباشند. حتی بعضی از آنها مخصوصاً بعضی از پارامترهای برخی از شاخههای مدار محور q وجود فیزیکی خارجی نداشته و صرفاً جهت مدل سازی رفتار ماشین در نظر گرفته میشوند.
-2-4-2 پارامترهای عملیاتی
همانگونه که از نام این پارامترها پیداست، پارامترهای عملیاتی، ماشین سنکرون را از دید سیستمی بیان می-
کنند و معین کننده رابطه ورودی و خروجی ماشین سنکرون هستند. در این حالت تغییرات شار محور طولی و عرضی، تغییرات جریان محورهای طولی و عرضی و تغییرات ولتاژ سیستم تحریک بعنوان ورودی یا خروجیهای سیستم در نظرگرفته شده و با استفاده از پارامترهای عملیاتی این ورودیها و خروجیها به یکدیگر مرتبط میشوند.
در شکل عملیاتی, معادلات روتور را میتوان به صورت سیستمی با پارامترهای گسترده محسوب کرد. این پارامترها را می توان از طریق محاسبات طراحی و یا آسانتر از طریق آزمایش پاسخ فرکانسی بدست آورد.
زمانیکه تعداد محدودی مدار برای روتور در نظر گرفته شود، می توان این پارامترها را بصورت نسبت دو چند جملهای برحسب S (عملگر لاپلاس) بیان نمود. درجه چند جملهای مخرج حداکثر برابر تعداد مدارهای فرض شده بر روی روتور است. پارامترهای عملیاتی نسبت به پارامترهای مدار معادل کاربرد بیشتری داشته و به ماشین وجهه سیستمی میدهند. این پارامترها درحقیقت مشخصههای فرکانسی ماشین سنکرون هستند و عبارتند از یک دسته منحنیهای مشخصه یا روابط تحلیلی که رابطه بین امپدانس مختلط (یا عکس آن) را نسبت به لغزش در فرکانس نامی مشخص مینمایند. در زیر سه مشخصه فرکانسی مهم ماشین معرفی می شوند .
الف ) امپدانس عملیاتی محور طولی ( ( Zd(s)
این مشخصه بصورت نسبت بین دامنه مولفه اصلی و ماندگار ولتاژ آرمیچر (ناشی از مولفه محور طولی جریان آرمیچر) به دامنه مولفه اصلی و مختلط این جریان که بصورت تابعی از فرکانس بیان میشود، تعریف شده و آن را Zd(s) مینامند. این مشخصه را در حالتی که سیم بندی میدان اتصال کوتاه گردیده است، برای فرکانسهای مختلف اندازهگیری مینمایند.
ب) امپدانس عملیاتی محور عرضی ( ( Zq(s)
این مشخصه بصورت نسبت بین دامنه مولفه اصلی ولتاژ آرمیچر تولید شده توسط شار مغناطیسی محور عرضی ناشی از مولفه جریان آرمیچر در جهت محور عرضی به دامنه مولفه اصلی این جریان تعریف شده و بر حسب تابعی از فرکانس(لغزش) بیان میگردد.
ج) مشخصه فرکانسی G(s) بین سیم بندی میدان و آرمیچر
30
این مشخصه به صورت نسبت بین دامنه مولفه اصلی ولتاژ آرمیچر ناشی از جریان سیمبندی میدان در فرکانسهای مختلف به دامنه مولفه اصلی ولتاژ اعمالی در سیم بندی میدان تعریف میگردد.
-3-4-2 پارامترهای دینامیکی
این پارامترها به لحاظ سابقه، اهمیت و کاربرد فراوان آنها پارامترهای استاندارد ماشین نامیده میشوند، اما از آنجائیکه بیشتر حالتهای گذرا و دینامیکی ژنراتور را مدنظر دارند، به آنها پارامترهای دینامیکی نیز اطلاق می شود. یکی از دلایل اهمیت این پارامترها، قابلیت تشخیص و اندازهگیری آنها میباشد. این پارامترها را میتوان با استفاده از آزمایشهای خاصی که بعضی استانداردها نیز به آن اشاره دارند، مستقیماً بدست آورد. با استفاده از این پارامترها میتوان ژنراتور سنکرون را بویژه در حالات گذرا و دینامیکی تحلیل نمود. آزمایشات مربوط به استخراج این پارامترها سابقه نسبتاً زیادی دارد. تقسیم بندی این پارامترها که شامل اندوکتانسها و ثابت زمانیها هستند، به صورت پارامترهای دینامیکی محور طولی،محور عرضی همچنین پارامترهای
تندگذر و کندگذر میباشند که بسته به نوع تحلیل، جهت بررسی یک پدیده، پارامترهای مورد نیاز متفاوت
خواهد بود. این پارامترها بطور خلاصه شامل راکتانسهای سنکرون ( X q , X d )، راکتانسهای تندگذر و کندگذر محورهای طولی و عرضی( ( X ′q′, X ′d′, X ′q , X ′d ثابت زمانیهای کندگذر و تندگذر مدار باز محورهای طولی و عرضی ( ( T ′′qo ,T ′′do ,T ′qo ,T ′do و ثابت زمانیهای کندگذر و تندگذر اتصال کوتاه محورهای طولی و عرضی ( ( Tq′′,Td′′,Tq′,Td′ می باشند.
-5-2 محاسبه پارامترهای دینامیکی ماشین سنکرون بر اساس پارامترهای
اساسی ماشین
در محاسبه مقادیر اولیه شارهای گذرا در مدارهای تزویج شده از تئوری ثابت بودن شار دور استفاده میشود.
این تئوری بطور خلاصه عبارتست از اینکه شاردور مدار القائی با مقاومت و emf کوچک نمیتواند بطور لحظهای تغییر یابد. در حقیقت اگر emf یا مقاومتی در مدار موجود نباشد، شاردور آن ثابت خواهد ماند. این تئوری را میتوان در محاسبه جریانها بلافاصله بعد از تغییر شرایط مدار برحسب جریانهای قبل از تغییر استفاده کرد. هنگامی که یک اغتشاش همانند اتصال کوتاه در سمت استاتور ماشین اتفاق میافتد، شار استاتور تغییر میکند. پاسخ ماشین به اغتشاش براساس نحوه تغییرات جریانها و شارها عموماً به سه دوره زیرگذرا، دوره گذرا و ماندگار تقسیم میشود. در دوره زیرگذرا تغییر در جریان سیمپیچیهای میراکننده مانع از نفوذ شار ایجاد شده توسط استاتور به روتور میگردد. با کاهش جریان سیم پیچیهای میراکننده، دوره گذرا آغاز میشود که در آن تغییر جریانهای سیمپیچی میدان همان اثر را، اما ضعیفتر خواهد داشت. در نهایت در حالت ماندگار شار ایجاد شده استاتور به داخل روتور نفوذ خواهد کرد. شکل (3-2) توزیع شار در دورههای زیر گذرا، گذرا و ماندگار ماشین پس از وقوع یک اغتشاش سمت استاتور را نشان میدهد که بر اساس مسیر شار در هر یک از این حالتها میتوان راکتانسهای سنکرون، گذرا و زیرگذرای ماشین را تعریف کرد.
31

دوره زیرگذرا

دوره گذرا

حالت ماندگار

25%

25%

90 9090

90 9090

25%
25%
شکل (3-2) توزیع شار در ماشین سنکرون طی دورههای زیرگذرا، گذرا و ماندگار
در این قسمت نحوه محاسبه پارامترهای دینامیکی ماشین سنکرون برحسب پارامترهای اساسی یا همان پارامترهای مدار معادل ماشین تشریح میشود. همچنین مدار معادل ماشین برای هر یک حالتهای ماندگار، گذرا و زیرگذرا ارائه میشود. مدل در نظر گرفته شده برای ژنراتور بر اساس استاندارد IEEE Std1110،
32
مدل 2-2 میباشد. در صورت استفاده از مدلهایی با مرتبه متفاوت، رابطه پارامترهای دینامیکی تغییر یافته اما نحوه محاسبه آنها بصورت مشابه میباشد.
-1-5-2 محاسبه راکتانسهای ماشین
الف – راکتانسهای سنکرون
معمولاً اندوکتانس را به عنوان نسبت شاردور به جریان تعریف می کنند. وقتی که قله mmf گردان در امتداد محور d قرار گرفت، نسبت شاردور استاتور به جریان استاتور اندوکتانس محور (Ld) d نامیده میشود.
با بدست آمدن اندوکتانسها بدیهی است که راکتانسهای متناظر نیز به سادگی قابل محاسبه هستند.
همچنین وقتی قله mmf گردان در امتداد محور q قرار بگیرد، نسبت شاردور استاتور به جریان آن، اندوکتانس سنکرون محور (Lq) q خواهد بود. شکل (4-2) مدار معادل ماشین در شرایط حالت ماندگار را نشان می دهد.
x fd xl x1q xl i fd i1q  0 x1d X d → x2q X q → xad xaq 0 i i2q  0 1d الف-مدار معادل محور d ب-مدار معادل محورq شکل :(4-2) مدار معادل ژنراتور سنکرون در حالت ماندگار
در حالت ماندگار، راکتانسهای سنکرون محور d و q به ترتیب با توجه به شکل (4-2) محاسبه می شوند.
مقادیر این راکتانس ها در روابط (9-2) و (10-2) ارائه شده است.
(9-2) X d  xl  xad
(10-2) X q  xl  xaq
ب- راکتانسهای گذرا
برای محور مستقیم، با توجه به اینکه مقاومت سیمپیچیهای میراکننده معمولاً بزرگتر از مقاومت سیم بندی میدان میباشد، جریان القایی در این سیم پیچیها بسیار سریعتر از جریانهای القایی در سیم بندی میدان میرا میشود. برای دوره گذرا فرض میشود که حالت گذرای میراکننده با میرایی فوقالعاده زیاد تمام شده است، در حالیکه جریانهای القایی در سیم بندی میدان هنوز برای مخالفت با تغییر شاردور ناشی از جریان-

های استاتور تغییر میکنند. مدارهای معادل ماشین در دوره گذرا مطابق شکل (5-2) می باشد. مدار معادل محور q نیز به طریق مشابه قابل توجیه است.

33
x fd xl Vfd x1d X ′d → xad i1d  0 الف-مدار معادل محور d ب-مدار معادل محورq
شکل :(5-2) مدار معادل ماشین سنکرون در دوره گذرا
براساس مدارهای معادل بدست آمده، راکتانس های گذرای محورهای d و q به شکل روابط (11-2) و(-2 (12 محاسبه می گردند.
(11-2) xad x fd x fd xl  X ′d  xl  xad xad  x fd (12-2) xaq x1q x1q xl  X ′q  xl  xaq x aq x 1q ج-راکتانس های زیر گذرا
در دوره زیرگذرا، جریانهای گذرای القا شده در سیم بندیهای روتور سعی دارند تا شاردور هر یک از مدارهای روتور را در ابتدا ثابت نگه دارند. براین اساس مدارهای معادل محورهای d و q ماشین سنکرون در این حالت مطابق شکل (6-2) میباشد.

الف-مدار معادل محور dب-مدار معادل محورq
شکل :(6-2) مدار معادل ماشین سنکرون طی دوره زیر گذرا
در این حالت برای محور d راکتانس دیده شده معادل سه راکتانس موازی xad ، x fd و x1d میباشد که با xl سری شده است. راکتانس زیر گذرای مدار باز محور q نیز مشابه محور d محاسبه میشود. براساس مدار معادل های ارائه شده، این راکتانس ها طبق روابط (13-2) و (14-2) محاسبه میشوند.
(13-2) xad x fd x1d xl x fd  x1d X ′d′  xl  xad xad x fd  xad x1d  x fd x1d 34
(14-2) xad x fd x1d xl x1d x fd  X ′d′  xl  xad x x x ad x fd x ad x fd 1d 1d -2-5-2 محاسبه ثابت های زمانی ماشین
حضور دو مجموعه سیم بندی برروی روتور، دو مجموعه ثابت زمانی مختلف را سبب شدهاست. مجموعه با مقادیر بزرگتر مربوط به ثابت زمانیهای گذرا و مجموعه با مقادیر کوچکتر مربوط به ثابت زمانیهای زیرگذرا هستند. معمولاً سیم بندیهای میراکننده که مقاومت بیشتری نسبت به سیم بندیهای میدان دارند، با ثابت زمانیهای زیرگذرا متناظرند.
ثابت زمانیهای گذرا و زیرگذرا بر روی محورهای d و q معمولاً در دو حالت تعریف میشوند. در یک حالت که استاتور مدار باز است و ثابت زمانیهای مدار باز تعریف میشود، ( ( T ′′qo ,T ′′do ,T ′qo ,T ′do، و درحالت دیگرسیم پیچی استارتور بصورت اتصال کوتاه فرض می شود( .( Tq′′,Td′′,Tq′,Td′ میتوان نشان داد که نسبت ثابت زمانی گذرای محور d با استاتور اتصال کوتاه به ثابت زمانی گذرای محور d با استاتور مدار باز برابر است با نسبت راکتانس ظاهری که جریان استاتور با سیم بندی میدان اتصال کوتاه شده می بیند، به راکتانسی که جریان استاتور با سیم بندی میدان مدار باز میبیند.
الف -ثابت زمانی های گذرا
مدار معادل ماشین جهت استخراج ثابت زمانیهای گذرای مدار باز محور d و q در شکل (7-2) نمایش داده شدهاست.

Rfd
′ T do ← R1d
i1q=0
xfd
Rsxl
x1d
xad
الف :
محور dب: محورq
شکل :(7-2) مدار معادل ماشین جهت استخراج ثابت زمانی های گذرای مدار باز
براساس فرضیات فوق و مدارمعادل شکل (7-2) ثابت زمانیهای مدارباز ماشین بصورت روابط (15-2) و
(16-2) بدست می آیند. (15-2) xfdxad 1 T ′do  ω0 R fd (16-2) x1qxaq 1 T ′qo  R ω 0 1q 35
همچنین مقادیر ثابت زمانیهای گذرا با استاتور اتصال کوتاه شده بر اساس روابط (17-2) و (18-2) محاسبه میشوند.
(17-2) x′d  Td′ xd T ′do (18-2) x′q  Tq′ xq T ′qo ب- ثابت زمانیهای زیر گذرا
ثابت زمانی زیرگذرای مدار باز محور d عبارتست از زمان لازم برای کاهش مولفه d جریان به مقدار 1e ام مقدار اولیه خود، هنگامی که در ترمینال ماشینی که با سرعت نامی می چرخد، بطور ناگهانی اتصال کوتاهی رخ دهد. بعبارت دیگر این ثابت زمانی عبارتست از ثابت زمانی جریان سیمبندی میراکننده d وقتی سیمبندی میدان اتصال کوتاه شده و سیمبندیهای استاتور مدار باز باشند. از مقاومت سیم بندی میدان در این دوره کاهش ولتاژ صرف نظر میشود. ثابت زمانی های زیر گذرای مدار باز محور q نیز به طریق مشابه تعریف میشوند. مدار معادل ماشین جهت استخراج ثابت زمانیهای زیرگذرای مدار باز مطابق شکل (8-2) میباشد.

براساس فرضیات فوق و مدار معادلهای ماشین در دوره زیرگذرا و ثابت زمانیهای زیرگذرای مدار باز ماشین بر اساس روابط (19-2) و (20-2) محاسبه میگردند.

الف : محورdب:محورq
شکل :(8-2) مدارمعادل ماشین جهت استخراج ثابت زمانی های زیر گذرای مدار باز
(19-2)
(20-2)

 x fd xad x fd  xad x1q xaq  aq x x 1q
1 1 ′′ xad  ω x1dxfd x1d R R 0 Tdo  ω 1d 0 1d 1 1 ′′ xaq  ω x2qx1q x2q 2q R 0 R 0 Tqo  ω 2q 36
-6-2 مراتب مختلف مدلهای ژنراتور سنکرون براساس مدل دو محوری پارک
روابط ارائه شده در قسمت (3-2) تا حدود قابل قبولی عملکرد الکتریکی دینامیکی یک ماشین سنکرون را بیان می کنند. اما گاهی این روابط را نمی توان بطور مستقیم برای مطالعات سیستمهای قدرت بزرگ بکار برد. از طرفی برخی از اوقات نیز لازم است رفتار ماشین سنکرون با جزئیات بیشتری مدل شود. در مدل دو محوری پارک همانگونه که قبلاً هم تشریح شد، مقادیر استاتور به دو سری مقادیر در دو جهت تبدیل می-
شوند که یکی در راستای محور مغناطیسی سیم پیچی میدان بوده (محور (d و دیگری با 90 درجه اختلاف با محور d عمود بر محور مغناطیسی سیم پیچی میدان میباشد (محور .(q محور d روتور شامل سیم پیچی میدان و سیم پیچیهای میراکننده میباشد. محور q نیز شامل سیم پیچیهای میراکننده این محور است.
باتوجه به تعداد سیم پیچیهای درنظر گرفته شده برای محور d و q روتور، مراتب مختلفی برای مدل ژنراتور سنکرون متصور است. براساس استاندارد IEEE Std 1110، مدل ژنراتور بایک شماره دورقمی Model AB مشخص میشود که A تعداد سیم پیچیهای درنظر گرفته شده برای محور d روتور و B

تعداد سیمپیچیهای منظور شده برای محور q روتور میباشد. جدول (1-2) مراتب مختلف ژنراتور سنکرون را نشان میدهد. نوع مدل انتخاب شده برای ژنراتور سنکرون وابسته به پارامترهای مختلفی از جمله نوع ژنراتور و ساختار فیزیکی روتور و انواع مطالعه مورد نظر است که در قسمتهای بعدی تشریح میشود.
37
جدول :(1-2) مراتب مختلف مدلهای ژنراتور سنکرون

فصل سوم:

بررسی روشهای شناسایی پارامترهای
دینامیکی ژنراتورهای سنکرون
39
-1-3 مروری بر پیشینه شناسایی پارامترهای دینامیکی ژنراتور سنکرون:
بحث پارامترهای دینامیکی ماشین سنکرون و یا به عبارت دیگر این مطلب کـه بـرای بیـان رفتـار ماشـین سنکرون در حالتهای گذرا از راکتانسهای مربوط به حالت دائم نمیتوان استفاده کرد، برای اولین بار در سـال
1920 با طرح مفهوم راکتانس اتصال کوتاه مطرح گردید. بعدها این ایده بعنوان پایه و اسـاس اولیـه تئـوری
"ثابت بودن شاردور در برگیرنده" قرار گرفت و در مقالاتی توسط دوهرتی1 درسال 1923 و بیـولی2 در سـال
1929 دوباره عنوان گردید.
آقای کری3 این مطلب را به این صورت طرح کرد که در هر مدار بسته بلافاصله بعد از هر تغییر بوجود آمـده در جریان، ولتاژ ویا موقعیت فیزیکی این مدار نسبت به موقعیت مدارات دیگـر کـه بـا آن بطـور مغناطیـسی درگیر میباشند، شار دور در برگیرنده ثابت باقی خواهد ماند . با توجه به مقاومت موجود در سیم پیچی میدان و دیگر سیم پیچیهای روتور (دمپرها) و در نتیجه تغییرات حاصله در شاردور در بر گیرنده در طی مدت زمان بعد از وقوع تغییرات ناگهانی، لزوم معرفی ثابت زمانیهای گوناگون ماشین نیز بعدها بـرای تحلیـل دقیـق تـر مورد ملاحظه قرار گرفت.
بر این اساس پارک4 و روبیرتسون5 در سال 1928 راکتانسهای دیگری از قبیل راکتانسها و ثابـت زمانیهـای محور عرضی و محور طولی را برای رژیم های تندگذر و کندگذر و به همین صورت مفاهیم دیگری همچون حالات کندگذر و تندگذر را در شارها، ولتاژها و جریانها نیز مطرح نمودند. گام بعدی در همین رونـد معرفـی مدار معادل ماشین بود. بسط منطقی این طریقه تحلیـل رفتـار ماشـین (بعـد از هـر تغییـر ناگهـانی) معرفـی مدارهای مربوط به محورهای طولی و عرضی ماشین با این فرض بود که بتوان یک اندوکتانس متقابل بـین سیم بندیهای موجود در روتور و استاتور تعریف نمود. بدین ترتیب و با در نظر گرفتن یک اندوکتانس متقابـل برای کوپلاژ بین سیم بندیهای روتور و استاتور و همچنین انتساب یک اندوکتانس پراکندگی به هـر کـدام از سیم بندیها (استاتور، میدان وبدنه روتور) مدار معادل مربوط به محور طولی ماشین. در سال 1931،کیلگوری6
در طی یک پروژه - ریسرچفاکتورهای مؤثر در محاسبات مربوط به بدست آوردن راکتانسهای ماشین سـنکرون را کـه مبنای خواص فیزیکی و ابعاد هندسی ماشین(استاتور، روتور و سیم پیچی میدان) میباشند بیان نمود. در ایـن مسیر در سال 1929، پارک نیز ایده محورهای طولی و عرضی برای ماشین را که قبلا توسط خـود او مطـرح شده بود به تبدیلات d-q که طی آن کمیات مربوط به سه فاز به متغیرهای q-d مرتبط می گردیـد بـسط داده و به این ترتیب پایه معادلات ماشین بر مبنای تئوری دو محوری بنا نهاده شد.

1-Doherty 2- Biowly 3- Cary 4- Park 5- Robertson 6- Kilgore
40
در سال 1931، شروین1 روابط لازم جهت بدست آوردن پارامترهای ماشین سنکرون را بـرای حالـت دائـم و گذرا، از طریق نتایج آزمایش ارائه نمود و این در حقیقت اولین روش پذیرفته شده بطور عام برای آزمایشهای ماشین سنکرون بود.که در سال 1945 میلادی توسط کمیته مربوط به ماشین سنکرون AIEE چاپ گردید.
از لحاظ تاریخی کمیته ماشینهای الکتریکی و استاندارد شماره 115 مربوط به IEEE ماحصل همان کمیتـه و همان روش آزمایشی ارائه شده در طی سالهای بعدی می باشد.
در طی اوائل دهه 60 میلادی به همان صورت که ابزار و تکنیکهای محاسباتی کـه در تحلیـل سیـستمهای قدرت بکار می رفت از لحاظ ابعاد و سرعت با روند رو به رشدی روبرو بود نیاز به مـدلهای دقیـقتـر ماشـین سنکرون جهت مطالعات پایداری نیز محسوس شده و بـرای ایـن خـاطر روشـهای کلاسـیک بدسـت آوردن پارامترهای ماشین سنکرون نیز دوباره مورد توجه بیشتر و دقیقتر قرار گرفت. در طی ایـن سـالها عـلاوه بـر مقالات متعددی که در این رابطه به چاپ رسید، استانداردهایی نظیر اسـتانداردBS, IEC, IEEE مربـوط به بخش ماشین نیز به دفعات متعدد چاپ و مورد تجدید نظر قـرار گرفتنـد. ایـن اسـتانداردها از میـان انـواع روشهای متفاوت و گوناگونی که ارائه میگردیدند و با توجه به رعایت نکات عملی و تکنیکهای انـدازهگیـری در طی جلسات متعدد کمیتههای ماشینهای الکتریکی، آنهایی را که تا حدی قابل قبول تشخیص مـی دادنـد انتخاب کرده و در استانداردها به عنوان روشهای کلاسیک مطرح و مورد تایید قرار می دادنـد. از مشخـصات مهم آزمایشات کلاسیک مربوط به قبل از دهه 80 تاکید روی آزمایش اتصال کوتاه سه فاز ناگهـانی و سـعی در بدست آوردن پارامترهای ماشین بـا اسـتفاده از چنـین آزمایـشی بـود کـه در حـال حاضـر هنـوز هـم در مشخصات ارائه شده در نیروگاهها نتایج حاصل از آزمایش اتصال کوتاه ناگهانی ارائه می گردد.
از جمله نکات محدودکننده اینگونه آزمایشها عدم دسترسی به پارامترهای مربـوط بـه محـور عرضـی، عـدم صرفه اقتصادی و قابلیت انجام آن در محل نیروگاهها و در تحت ولتاژ نامی بود. در حقیقت تـا قبـل از سـال
1983 روشهای دسترسی به پارامترهای مربوط به محور q در استانداردها مسکوت گذارده شده بود.
در طی سالهای 1960 الـی 1980 آزمایـشات گونـاگونی جهـت پاسـخگویی بـه سـؤالاتی از قبیـل اهمیـت پارامترهای مربوط به محور عرضی و همچنین درجه دقّت مورد لزوم برای پارامترهای ماشین و یا درجه مدل بکار رفته برای ماشین مطرح شده است. آزمایشات نیروگاه نورث فلیت2 در سال 1969 و تحقیقات انجام شده مؤسساتی چون EPRI, NPCC & Ontario-Hydro از این دسـتهانـد. ایـن مجموعـه فعالیـتهـا نتایجی از این قبیل را به همراه داشت:
در شبیه سازی دینامیکی رفتار ماشینهای الکتریکی، اطلاع دقیـق از پارامترهـای ماشـین بـه انـدازه درجه مدل انتخابی اهمیت دارد. این اهمیت در باب پارامترهای محور عرضی بارزتر است.
در تعیین پارامترهای ماشین همواره آزمایشاتی که منجر به تغییرات کوچک(بزرگ) در مقادیر ولتاژ و جریانهای ماشین گردند، اطلاعات مناسبی از پارامترها برای مطالعات مربوط بـه اغتـشاشات بـزرگ (کوچک) را در اختیار قرار نمیدهد.

7- Shervin 8- North Fleet
41
با توجه به این نکته پارامترها باید بسته به نوع مطالعه تصحیح و بهینه سازی شوند.
ارزش پارامترهای محور عرضی در شبیه سازی رفتار توربوژنراتورهای با روتـور یکپارچـه بـه حـدی است که انجام آزمایشهای جداگانه در این جهت راتوجیه میکند.
بدین ترتیب در سالهای بعد از 1980 آزمایشهای جدیدتری چون میرائی شار1 جایگاه ویژهای در حوزه تعیـین پارامترهای دینامیکی ماشینهای سنکرون پیدا کردند.
-2-3 انواع روشهای تعیین پارامترهای دینامیکی ژنراتور سنکرون:
به طور کلی آزمایشهای موجود در حوزه تعیین پارامترهای دینامیکی ژنراتور سنکرون را می توان به دو دسته :
روشهای کلاسیک
روشهای جدید
تقسیم بندی کرد. روشهای کلاسیک، آزمایشهایی محدود را تشکیل میدهند که عموماَ از نظر زمانی نیز، بـر روشهای جدید تقدم دارند. مهمترین معیارهای مطرح در انتخاب روشهای مورد استفاده عبارتنداز:
انجام آزمایش در آن کشور ممکن باشد و به ابزار پیچیده نیاز نداشته باشد.
استانداردهای معتبر آن را تایید کند.
با بکارگیری آن تعداد بیشتری از کمیتها را بتوان شناسایی کرد.
آن روش قادر به اندازهگیری پارامترهای محور عرضی نیز باشد.
-1-2-3 روشهای کلاسیک اندازهگیری پارامترهای دینامیکی ژنراتور سنکرون:
روشهای کلاسیک روشهایی محدود هستند که عموما قبل از دهه 80 میلادی ابداع شدهاند و بـا انجـام آنهـا تنها یک یا چند پارامتر شناسایی میشود. این روشها برروی هر ژنراتـوری قابـل اجـرا بـوده و بـه تجهیـزات پیشرفته و پیچیده نیاز ندارد. تغییرات این روشها در خلال این سالها عموما از جنس اصلاح روابط محاسـباتی میباشد. اغلب آنها استاندارد شدهاند، ولی متاسفانه با انجام هر یک از این آزمایشها تنهـا تعـداد محـدودی از پارامترها بدست میآیند. از نقاط ضعف این روشها مساله تعیین پارامترهای محور q اسـت. از معایـب عمـده دیگر بعضی از این روشها مخرب بودن آنهاست. با این شرایط مجوز استفاده از این روشها علیرغم اسـتاندارد بودن آنها صادر نمیگردد.
به عنوان نمونه آزمایش اتصال کوتاه سهفاز اگر چه نتایج خوبی را از جهت تعیین پارامترها در بر داشته باشد، به علت آثار مخرب الکتریکی و مکانیکی جبران ناپذیر آن چندان مورد توجـه نیـست. اغلـب کمیتهـایی کـه توسط آزمایشهای کلاسیک تعیین میشود بر پایه مدل استاندارد IEEE تبیین شـدهانـد بـا یـک سـیمپـیچ میرایی محور طولی و عرضی. بسیاری از این روشها در تعیین پارامترها برای مدلهایی از مرتبـه بـالاتر ناکـام خواهند بود.

9- dc decay
42
-2-2-3 روشهای جدید در تعیین پارامترهای دینامیکی ژنراتورهای سنکرون:
همگام با رشد سیستمهای کـامپیوتری، توسـعه تجهیـزات انـدارهگیـری و پدیـد آمـدن سیـستمهای هـوش مصنوعی، مجموعه جدیدی از روشها برای شناسایی پارامترهای دینامیکی ژنراتورهای سنکرون پدیـد آمدنـد.
بطور کلی در این روشها با اعمال ورودیهای مناسب در وضعیتهای متفاوت روتور(ایـستا یـا متحـرک) و ثبـت خروجیها، توابع انتقال ماشین شناسایی شده است. سپس با فرض یک مدل خاص بـرای ماشـین مـیتـوان پارامترهای ماشین را با روشهای مناسبی تخمین زد. اخیرا مدلهایی با مرتبه بالاتر نیز در اسـتانداردها مطـرح شدهاند. شناسایی پارامترهای دیگری که همگام با رشد درجه مدل مطرح شدهاند را صرفا میتوان با اسـتفاده از روشهای جدید تعیین پارامترهای دینامیکی ژنراتور سنکرون شناسایی کرد، اگر چه توانایی روشهای مذکور در تعیین این پارامترها متفاوت است. در مجموع روشهای جدید را میتوان تلاشـهایی بـرای دسـتیـابی بـه اهداف زیر دانست:
أ- دستیابی به روشهای بلادرنگ در تخمین پارامترها ب- استفاده از اطلاعات بهره برداری برای شناسایی پارامترها ت- شناسایی پارامترها با دقت هرچه بیشتر ث- تلاش در سادهسازی مکانیزم تخمین
به عنوان نمونه از مهمترین روشهای مطرح در این دسته به موارد زیر میتوان اشاره کرد: (1 روشهای بنا شده برپایه سیستمهای هوش مصنوعی:
(a تخمین پارامترهای دینامیکی با استفاده از شبکه عصبی (b تخمین پارامترهای دینامیکی با استفاده از الگوریتم ژنتیک
(2 روشهای بنا شده بر پایه تکنیکهای معادلات معادلات جزئی: (a تعیین پارامترها با استفاده از تکنیک اجزاء محدود
(3 شناسایی پارامترها ماشین سنکرون با استفاده از تست پاسخ فرکانسی
(4 شناسایی پارامترها با استفاده از دامنه وسیع تحریک
(5 شناسایی پارامترها با استفاده از اطلاعات تست باربرداری
(6 شناسایی پارامترها با استفاده از اطلاعات میرایی شار
(7 شناسایی پارامترها با اطلاعات بدست آمده از اغتشاشات بهره برداری (a تخمین پارامترها با استفاده از اغتشاشات بزرگ بهره برداری (b تخمین پارامترها با استفاده از اغتشاشات کوچک بهره برداری
عموم این روشها غیر مخرب بوده و نتایج خوبی را در تخمین پارامترها نشان داده اند. از نکات قابـل توجـه در این روشها توانایی آنها در تعیین پارامترهای محور عرضی علاوه بر محور طولی و همچنـین امکـان تخمـین پارامترها، متناظر مدلهایی با درجههای مختلف است. البته این به معنی توانایی برابر این روشها برای تخمین
43
و شناسایی پارامترها در جهات مختلف نیست. البته همه این روشـها در حـال تکامـل و بهبـود مـیباشـند و
بسیاری از آنها هنوز استاندارد نشدهاند.
44
فصل چهارم:

شناسایی بلادرنگ پارامترهای
دینامیکی ژنراتورهای سنکرون با
استفاده از رویتگر شبکه عصبی
45
-1-4 اصول کار شبکه های عصبی:
یکی از روشهای مشهور در حوزه هوش مصنوعی شبکه عصبی مصنوعی است. شبکههای عصبی مـصنوعی الهام گرفته از شبکه عصبی انسان هستند که توانایی بالایی در تقلید رفتار توابـع غیـر خطـی از خـود نـشان دادهاند. انسان با استفاده از تجربیاتی که از وقایع پیرامون خود دارد و ارتباطی که بین آن وقایع و عوامل مؤثر بر آنها برقرار میکند، نسبت به تخمین وقایع آتی بر پایه وضـعیت عوامـل مـؤثر اقـدام مـینمایـد. براسـاس تحلیلهای موجود شبکه عصبی مغز انسان از لایههای مختلفی تشکیل شده که لایه خـارجی آن(کـورتکس)
متصل به مجاری ورودی است. این ورودیها در انسان حواس او هستند. تجربیات ما به صورت تفاوت قوت و ضعف نقاط اتصال سلولهای عصبی به یکدیگر(سیناپسها) بروز مـیکنـد. هـر یـک از نـرونهـا پیونـدهای متعددی با سلولهای لایه بعد دارند.

شکل:1-4 طرح کلی سلول عصبی انسان
مسلم است که هرچه تعداد پیوندهای عرضی بیشتر باشد شبکه توانایی بیشتری در آموزش رفتـار توابـع غیـر خطی خواهد داشت.
-2-4 اصول کار شبکه عصبی تخمین گر پارامترها:
با درنظر گرفتن مبادی ذکر شده، مراحل شبیهسازی شبکههای عصبی بدین صورت خواهد بود:
ساخت نرون مصنوعی
ساختاربندی آن در قالب لایههای مختلف
تهیه بانک اطلاعات لازم برای آموزش شبکه عصبی
آموزش شبکه عصبی
تست شبکه
46

شکل :2-4 شکل کلی سلول عصبی مصنوعی
لایههای شبکه عصبی را به سه دسته لایه ورودی، لایه خروجی، و لایه (لایههای) مخفی تقسیم مـیکننـد.
تعداد عناصر لایه ورودی و خروجی باید برابر تعداد ورودی، خروجیهای در نظـر گرفتـه شـده بـرای شـبکه باشند. افزایش تعداد لایههای مخفی در شبکه عصبی دو اثر متضاد را به همراه دارد. از یک طرف تقلیـد هـر چه بهتر رفتار هر تابع غیر خطی را امکان پذیر می سـازد و از طـرف دیگـر مـشکلات شـبیه سـازی و مـدت آموزش را افزایش میدهد. در عمل باید بسته به شرایط، بین این دو عامل بهینهسازی شود. در عمل در طـی تحقیقات متعدد انجام شده شبکه عصبی با یک لایه مخفی به عنوان حالت بهینه مطرح شده است.

شکل:3-4 ساختار شبکه عصبی توسعه یافته
همانگونه که پیشتر مطرح شد تعداد نرونهای لایه خروجی شبکه عصبی برابـر تعـداد خروجـیهـای در نظـر گرفته شده برای آن شبکه است. در این طرح، شبکه عصبی با یک خروجی در نظر گرفته شده است. بنابراین برای تخمین هر یک از پارامترهای مورد نظر باید یک شبکه مستقل تـشکیل شـده، آمـوزش دیـده و مـورد استفاده قرار گیرد. این روش اگرچه مشکلاتی را در تشکیل و آموزش شبکههای متعدد به همـراه دارد لـیکن گامی در جهت دستیابی به حداکثر قابلیت شبکههای عصبی در تخمین پارامترهـای دینـامیکی ژنراتورهـای سنکرون بر اساس دادههای بهرهبرداری است. همانگونه که همواره بهینهسازیهای تک هدفه نتایج بهتـری از جهت دستیابی به نتیجه مورد نظر دارند، با توجه به تشابه ساختاری این معنی در باب شـبکههـای عـصبی نیز صادق است. تعداد نرونهای لایه ورودی نیز برابر تعداد ورودیهای در نظر گرفته شده برای شبکه عـصبی
47
است. تعداد شش ورودی برای شبکه مورد نظر در نظر گرفته شده است. تعداد ورودیها در این طرح با توجه به مجموعه پارامترهای قابل اندازهگیری در خروجی ژنراتورهای سنکرون انتخاب شده است. البته انتخـاب و ترتیب آرایش این پارامترها برپایه رؤیت پذیری پارامترهای دینامیکی ژنراتور سنکرون در رفتار دینـامیکی آن شکل گرفته است. این بحث در طی مطالعات پیشین انجام شـده در مرکـز مطالعـات دینامیـک ایـران مـورد بررسی قرار گرفته است.
-1-2-4 دادههای آموزشی و آموزش شبکه عصبی تخمینگر:
از نکات بسیار مهم در تشکیل شبکه عصبی مـصنوعی، بانـک اطلاعـات آموزشـی مـورد اسـتفاده اسـت. در تجربیات گذشته که در حوزه استفاده از شبکههای عصبی مصنوعی مطرح است، گاه اصلاح مکانیزم تهیـه و تغییر دامنه دادههای آموزشی، یک شبکه عصبی با نتایج ضعیف را به شبکهای بـا نتـایج قابـل قبـول تبـدیل کرده است. شاید بتوان مهمترین نکته در گردآوری اطلاعات آموزشـی را شـمول و فراگیـری آن نـسبت بـه حالتهای مختلف رفتاری مطرح در حوزه مورد نظر دانست. اگرچه این شمول را نباید با بزرگی ابعـاد اشـتباه گرفت. عامل مهم نگاه ریشهای و بنیادین به حالات مطرح در آن حوزه است. از آنجا که این شبکه بر آنـست تا بر پایه اطلاعات بهرهبرداری نسبت به تخمین پارامترهای دینامیکی ژنراتور سنکرون اقدام نماید، لـذا بایـد بانک اطلاعات لازم برای آموزش شبکه عصبی در این حوزه فراهم شود. مجموعه اغتـشاشاتی کـه در طـی بهرهبرداری از ژنراتورها رخ میدهد را میتوان به سه دسته عمده تقسیم کرد:
اغتشاشاتی که در حوزه تحریک رخ می دهند
اغتشاشاتی که در حوزه توان ورودی رخ میدهند
اغتشاشاتی که در شبکه تحت تغذیه رخ میدهند
بدین ترتیب از هر یک از این حوزههای سهگانه یک نمونه شایع به عنوان نماینده آن گروه بـدین ترتیـب در
نظر گرفته شده است:
تغییر ناگهانی %10 در تحریک ژنراتور
تغییر ناگهانی %10 در توان ورودی ژنراتور
وقوع اتصال کوتاه سهفاز 10-5)میلی ثانیه) در خروجی ژنراتور
48

شکل :4-4 شکل کلی روش تهیه اطلاعات بهرهبرداری ژنراتورهای سنکرون
(برای آموزش و تست شبکه عصبی)
60 مجموعه از مقادیر نمونه پارامترهای دینامیکی ژنراتور سنکرون به عنوان مقـادیر پایـه در تـشکیل بانـک اطلاعات آموزشی شبکه عصبی در نظر گرفته شده است. این مجموعه از دادههایی مربوط به:
واحدهای بخاری- فسیلی
واحدهای بخاری-فسیلی با پیوند عرضی
واحدهای بخاری- هستهای
واحدهای آبی
واحدهای با توربین احتراقی
تشکیل شده است. برای هر مجموعه از این پارامترها دو گام افزایشی و دو مرحله کاهش در نظر گرفته شده
است. هر یک از این مراحل تغییرات %10 پارامترها را بهمراه خواهد داشت. مجموعه نهایی دربرگیرنـده 225
مجموعه از مقادیر نمونه پارامترهای دینامیکی ژنراتور سنکرون میباشد. مجموعه یک ژنراتور متصل به شین
بینهایت برای شبیه سازی رفتار ژنراتور سنکرون در نظر گرفته شده است. برای این که آثـار تفـاوت سـاختار
شبکه در رفتار ژنراتور نیز لحاظ شده باشد در هر مرحله از شبیهسازی بصورت همگام با تغییرات پارامترهـای
ژنراتور، تغییراتی در حوزه پارامترهای شبکه نیز در نظر گرفته شده است. در هر دوره شبیه سازی از خروجـی
ژنراتور 1000 نمونهگیری با فاصله زمانیهایی برابر0,01 ثانیه بعمل آمده است. 20 نمونه از اندازهگیری های
انجام شده و پارامترهای متناظر با آن به عنـوان مجموعـه اطلاعـات آموزشـی در نظـر گرفتـه شـده اسـت.
نمونههای منتخب از میان اندازهگیریهای انجام شده با گامهای متغیر و قابل کنترل گزینش شـدهانـد، ایـن
رویکرد امکان تهیه تصویری بهتر از رفتار دینامیکی ژنراتور سنکرون در قبال یک اغتـشاش را بـا رعایـت دو
مشخصه حداقل حجم اطلاعات و حفظ حداکثر مشخصات رفتاری فراهم میآورد.
49

شکل:5-4 آلگوریتم آموزش شبکه عصبی
آموزش شبکه بر پایه الگوریتم پسانتشار و با استفاده از راهبرد مارکوئیس_لونبرگ انجام شده است. برای هر یک از انواع سهگانه اغتشاشات ذکر شده بانک اطلاعات آموزشی مستقلی در نظـر گرفتـه شـده اسـت. ایـن روش امکان مقایسه بین نتایج اخذ شده در قبال هر یک از انواع اغتشاشات را فـراهم مـیآورد. ایـن راهبـرد امکان مقایسه درجه قابلیت اطمینان نتایج حاصل از تخمین پارامترهای گوناگون در قبال اغتشاشات مختلـف را نیز فراهم میĤورد.
-2-2-4 تست شبکه عصبی تخمینگر:
تست شبکه عصبی با استفاده از اطلاعات بهره برداری که در مجموعه آموزشی لحـاظ نـشده، شـکل گرفتـه است. بدین ترتیب تصویر واقعگرایانهتری از قابلیتهای شبکه مذکور خواهیم داشت. برای تحقق این معنـی اطلاعات مربوط به 75 ژنراتور سنکرون متفاوت با نمونه های مطـرح شـده در مجموعـه آموزشـی، دادههـای حاصل از اندازهگیریهای بعمل آمده در قبال رفتار دینامیکی آنهـا و مقـادیر حقیقـی پارامترهـای دینـامیکی متناظر با آن به عنوان مجموعه دادههای تست شبکه عصبی در نظر گرفته شده است. طرح کلی روش تست و بهرهبرداری شبکه عصبی مذکور در شکل4-6 بیان شده است. هریک از مراحـل آمـوزش و تـست شـبکه عصبی تخمینگر با مشخصات ذکر شده در قبال سه اغتشاش نمونه مطرح در نظر گرفته شده است.
50

شکل:6-4 طرح کلی روش تست و بهرهبرداری از شبکه عصبی
-3-4 نتایج:
مجموعه نتایج در سه بخش سازماندهی شده است. هربخش در برگیرنده نتایج آموزش و تست شبکه عصبی بر پایه یکی از انواع سهگانه اغتشاش میباشد. این طریقه بررسی امکان مقایسه بهتر نتایج را فراهم سـاخته، شاهدی بر رؤیت پذیری پارامترهای دینامیکی ژنراتورهای سنکرون در ازای اغتشاشات مختلف مـیباشـد. از طرف دیگر بررسی مقایسهای نتایج درجه دقـت شـبکه عـصبی در تخمـین پارامترهـای دینـامیکی بـر پایـه اطلاعات مختلف بهرهبرداری را نیز بیان میکند. برداشتهای مقایسهای امکان تعیین بهتر قابلیتهای شبکه عصبی را بدور از آثار ناشی از الگوی آموزشی فراهم میآورد، زیرا ابعاد و مکانیزم تشکیل مجموعـه آموزشـی در تخمین همه این پارامترها مشابه بوده است.
برای بررسی رفتار هر شبکه عصبی دو معیار اصلی دامنه و توزیع فراوانی خطا در نظر گرفتـه شـده اسـت. در تحلیل بر اساس توزیع فراوانی خطا، درصد فراوانی غالب و دامنه خطای متناظر با آن بیان شدهاند. با توجه به حجم زیاد مجموعه نتایج، چند نمونه از شبکههای تخمینگر و دادههای بدست آمده از طریق آنها در مرحلـه آموزش و تست ارائه شده است. این مجموعه به سه حوزه آموزش و تست بر اساس اطلاعـات بهـرهبـرداری شکل گرفته برپایه تغییر ناگهانی تحریک، تغییر ناگهانی تـوان ورودی و اغتـشاش حـوزه شـبکه متـصل بـه ژنراتور تقسیم شده است. برای فراهم سازی امکان مقایسه بیشتر، نتایج متناظر هر پارامترکه با استفاده از هر یک از بانکهای اطلاعاتی سهگانه مذکور بدست آمده اسـت در اختیـار خواننـده محتـرم قـرار گرفتـه اسـت.
پارامترهای دینامیکی مطرح برای ژنراتورهای سنکرون _در نگاه اشتراکی بین انواع مختلف آن _کـه مـا بـه تخمین آنها همت گماشته ایم مجموعهای بدین صورت را تشکیل خواهد داد:
51
جدول( (1-4 ردیف نام پارامتر مشخصه واحد
1 راکتانس سنکرون محور d Xd pu
2 راکتانس حالت گذرا محور d Xd' Pu
3 راکتانس فوق گذرا محور d Xd" Pu
4 راکتانس سنکرون محور q Xq pu
5 راکتانس فوق گذرا محور q Xq" Pu
6 راکتانس پوتیه Xl pu
7 ثابت زمانی محور d در دوره گذرا Td' s
8 ثابت زمانی محور d در دوره فوق گذرا Td" s
9 ثابت زمانی محور q در دوره فوق گذرا Tq" s
10 ثابت اینرسی H s
52
-1-3-4 نمونههایی از نتایج شبکه عصبی تخمینگر:
پارامتر مورد تخمین: X"d
اغتشاش مورد استفاده: تغییر ناگهانی تحریک

شکل :7-4 نمودار خروجی شبکه عصبی درفرایند آموزش برای تخمین xd"

شکل :8-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
53

شکل :9-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش

شکل :10-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین xd"
54

شکل :11-4 هیستوگرام خطای شبکه عصبی در مرحله تست

شکل :12-4 نمودار خطای تخمین شبکه عصبی در مرحله تست
55
پارامتر مورد تخمین: X"d
اغتشاش مورد استفاده: وقوع اتصال کوتاه در شبکه متصل به ژنراتور

شکل :13-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین xd"

شکل :14-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
56

شکل :15-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش

شکل :16-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین xd"
57

شکل :17-4 هیستوگرام خطای شبکه عصبی در مرحله تست

شکل :18-4 نمودار خطای تخمین شبکه عصبی در مرحله تست
58
پارامتر مورد تخمین: X"d
اغتشاش مورد استفاده: تغییر ناگهانی توان ورودی

شکل :19-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین xd"

شکل:20-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
59

شکل:21-4 نمودار خطای تخمین شبکه عصبی در مرحلهآموزش

شکل :22-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین xd"
60

شکل :23-4 هیستوگرام خطای شبکه عصبی در مرحله تست

شکل:24-4 نمودار خطای تخمین شبکه عصبی در مرحله تست
61
پارامتر مورد تخمین: X"q
اغتشاش مورد استفاده: تغییر ناگهانی تحریک

شکل :25-4 نمودار خروجی شبکه عصبی درفرایند آموزش برای تخمین xq"

شکل :26-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
62

شکل :27-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش

شکل :28-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین xq"
63

شکل :29-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش

شکل :30-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش
64
پارامتر مورد تخمین: X"q
اغتشاش مورد استفاده: وقوع اتصال کوتاه در شبکه متصل به ژنراتور

شکل :31-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین xq"

شکل :32-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
65

شکل :33-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش

شکل :34-4 نمودار خروجی شبکه عصبی تحت تست برای تخمین xq"
66

شکل :35-4 هیستوگرام خطای شبکه عصبی در مرحله تست

شکل :36-4 نمودار خطای تخمین شبکه عصبی در مرحله تست
67
پارامتر مورد تخمین: X"q
اغتشاش مورد استفاده: تغییر ناگهانی توان ورودی

شکل :37-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین xq"

شکل :38-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
68

شکل :39-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش

شکل :40-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین xq"
69

شکل :41-4 هیستوگرام خطای شبکه عصبی در مرحله تست

شکل:42-4 نمودار خطای تخمین شبکه عصبی در مرحله تست
70
پارامتر مورد تخمین: T"d
اغتشاش مورد استفاده: تغییر ناگهانی تحریک

شکل :43-4 نمودار خروجی شبکه عصبی درفرایند برای تخمین Td"

شکل :44-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
71

شکل :45-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش

شکل :46-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین Td"
72

شکل :47-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش

شکل :48-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش
73
پارامتر مورد تخمین: T"d
اغتشاش مورد استفاده: وقوع اتصال کوتاه در شبکه متصل به ژنراتور

شکل :49-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین Td"

شکل:50-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
74

شکل:51-4 نمودار خطای تخمین شبکه عصبی در مرحلهآموزش

شکل :52-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین Td"
75

شکل :53-4 هیستوگرام خطای شبکه عصبی در مرحله تست

شکل :54-4 نمودار خطای تخمین شبکه عصبی در مرحله تست
76
پارامتر مورد تخمین: T"d
اغتشاش مورد استفاده: تغییر ناگهانی توان ورودی

شکل :55-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین Td"

شکل :56-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
77

شکل :57-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش

شکل :58-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین Td"
78

شکل :59-4 هیستوگرام خطای شبکه عصبی در مرحله تست

شکل:60-4 نمودار خطای تخمین شبکه عصبی در مرحله تست
79
پارامتر مورد تخمین: T"q
اغتشاش مورد استفاده: تغییر ناگهانی تحریک

شکل :61-4 نمودار خروجی شبکه عصبی درفرایند آموزش برای تخمین Tq"

شکل :62-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
80

شکل :63-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش

شکل :64-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین Tq"
81

شکل :65-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش

شکل :66-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش
82
پارامتر مورد تخمین: T"q
اغتشاش مورد استفاده: وقوع اتصال کوتاه در شبکه متصل به ژنراتور

شکل :67-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین Tq"

.
شکل:68-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
83

شکل:69-4 نمودار خطای تخمین شبکه عصبی در مرحلهآموزش

شکل :70-4 نمودار خروجی شبکه عصبی تحت تست برای تخمین Tq"
84

شکل :71-4 هیستوگرام خطای شبکه عصبی در مرحله تست

شکل :72-4 نمودار خطای تخمین شبکه عصبی در مرحله تست
85
پارامتر مورد تخمین: T"q
اغتشاش مورد استفاده: تغییر ناگهانی توان ورودی

شکل :73-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین Tq"

شکل :74-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
86

شکل :75-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش

شکل :76-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین Tq"
87

شکل :77-4 هیستوگرام خطای شبکه عصبی در مرحله تست

شکل:78-4 نمودار خطای تخمین شبکه عصبی در مرحله تست
88
-2-3-4 بررسی تحلیلی نتایج:
در طی این پروژه، شبیه سازیهای مربوطه در جهت تخمین کلیه پارامترهای مذکور انجام شده و بـر اسـاس اغتشاش بکار گرفته شده در تهیه دادههای بهرهبرداری تقسیم بندی و مقایسه شـده اسـت. بررسـی تحلیلـی نتایج در قالب شاخصبندیهای زیر ارائه شده است:
.1 بررسی مقایسهای رفتار شبکه عصبی تخمینگر در دوره آموزش:
.A تحلیل نتایج بدست آمده بر پایه توزیع فراوانی خطا:
این بررسی بر پایه توزیع فراوانی خطای شبکه عصبی تخمینگر در مرحلـه آمـوزش، شـکل گرفتـه است. در مسیر تخمین هر یک از پارامترها نتایج سهگانه بدست آمده به ترتیب بر اساس برازندگی از دیدگاه حداقل خطا مرتب شده است. این نتایج برپایه اغتشاش متناظر با آنها نام گذاری و در جـدول
2-4 جای گرفتهاند.
.B تحلیل نتایج بدست آمده بر پایه حداکثر دامنه خطا:
نتایج سهگانه بدست آمده در تخمین هریک از پارامترها بر اساس شـاخص حـداکثر خطـا ارزیـابی و اولویت بندی شدهاند. نتایج این تحلیل به ترتیب بیان شده در گام قبل نامگذاری و در قالـب جـدول
3-4 در اختیار قرار گرفته است.
.2 بررسی مقایسهای رفتار شبکه عصبی تخمینگر در دوره تست:
.A تحلیل نتایج بدست آمده بر پایه توزیع فراوانی خطا:
این بررسی بر پایه توزیع فراوانی خطای شبکه عصبی تخمینگر در مرحله تست، شکل گرفته است.
در مسیر تخمین هر یک از پارامترها، نتایج سهگانه بدست آمده بر اساس برازندگی از دیدگاه حداقل خطا ترتیب یافته است. این نتایج برپایه اغتشاش متناظر با آنها نام گـذاری و در جـدول 2-4 جـای گرفتهاند. به علّت اهمیت خاص نتایج حاصل در این بخش، علاوه بر تحلیلهای فوق شاخص خطای متناظر با فراوانی غالب و درصد فراوانی مربوطه در بهترین حالت نیز ارزیابی و در جدول 2-4 ارائـه شده است.
.B تحلیل نتایج بدست آمده بر پایه حداکثر دامنه خطا:
89
نتایج سهگانه بدست آمده در تخمین هریک از پارامترها بر اساس شاخص حداکثر خطا ارزیابی و بـر اساس برازندگی مرتب شده است. نتایج این تحلیل به همان صورت نامگذاری و در جدول 3-4 ارائه شده است.
درباب عملکرد شبکه عصبی در تخمین :Xd
با مقایسه نتایج بدست آمده با استفاده اغتشاشات مختلف هیستوگرام خطای شبکه در مرحله آموزش بهتـرین توزیع فراوانی را در وقوع قبال اتصال کوتاه در ترمینال ژنراتور نشان میدهـد نتـایج حاصـله بـر پایـه تغییـر ناگهانی تحریک و تغییر توان ورودی در مراتب بعدی قرار میگیرند.
از نظر دامنه خطا نیز در این مرحله بهترین نتایج به ترتیب در قبال نتایج حاصله از وقوع اتصال کوتاه, تغییـر توان ورودی و تغییر ناگهانی تحریک شکل گرفته اند.
در مرحله تست بهترین توزیع فراوانی در مرحله اول مربوط به نتـایج حاصـل از تغییـر ناگهـانی تحریـک، در مرحله دوم مربوط به نتایج حاصله بر پایه وقوع اتصال کوتاه و نهایتًا از تغییر توان ورودی بدست میآید.
کمترین دامنه خطا به ترتیب متعلق به تخمین برپایه نتایج حاصل از وقوع اتصال کوتاه، تغییر تـوان ورودی و نهایتًا تغییر تحریک میباشد.
در مرحله تست محدودترین دامنه خطا مربوط به وقوع اتصال کوتاه است. نتایج حاصل از تغییر تـوان ورودی و تغییر ناگهانی تحریک در مراتب بعدی قرار دارند.
%73,3 از نتایج دارای خطای کمتر از %9,2 دامنه تغییرات Xd هستند.
درباب عملکرد شبکه عصبی در تخمین :X'd
هیستوگرام خطای شبکه در مرحله آموزش نتایجی بدین ترتیب را در بر داشته است: در مرحلـه اول بهتـرین نتایج همراستا با تغییر ناگهانی تحریک شکل گرفته است، در مرحله دوم با تغییـر تـوان ورودی و در مرحلـه سوم با استفاده از وقوع اتصال کوتاه در خروجی ژنراتور.
کمتریم دامنه خطا در مرحله آموزش مربوط به وقوع اتصال کوتاه در ترمینال ژنراتور و در مرحله دوم و سـوم
مربوط به تغییر ناگهانی تحریک و توان ورودی ژنراتور میباشد.
در مرحله تست نمودار خطای شبکه نتایج مشابهی را در قبال اغتشاشهای سهگانه بجای گذاشته است و بـه سختی میتوان بین آنها تمایز قائل شد. شاید بتوان نتایج مربوط به تغییر توان ورودی، و در گامهـای بعـدی مربوط به تغییر ناگهانی تحریک و وقوع اتصال کوتاه در خروجی ژنراتور دانست.
90
کمترین دامنه خطا در این مرحله بترتیب مربوط به تغییر ناگهانی تحریک، وقوع اتصال کوتـاه و تغییـر تـوان ورودی میباشد.
%70 نتایج دارای خطای کمتر از %8,9 دامنه تغییرات X'd میباشند.
درباب عملکرد شبکه عصبی در تخمین :X"d
نمودارهای بدست آمده در مرحله آموزش از دیدگاه توزیع فراوانی خطا بهترین نتایج را متناظر با وقوع اتصال کوتاه در ترمینال ژنراتور و در مراحل بعدی همراستا با تغییر توان ورودی و تغییر تحریک، نـشان مـیدهنـد.
اگرچه دو مورد اخیر نتایج مشابهی را نشان میدهند و به سختی میتوان بین آنها تفاوت قائل شد.
در این مرحله از نظر دامنه خطا، کوچکترین محدوده مربوط به نتایج حاصل از وقوع اتصال کوتاه و در مرحله
دوم و سوم مربوط به تغییر در تحریک و توان ورودی است.
در مرحله تست، هیستوگرام خطا بهترین نتایج را در قبال وقوع اتصال کوتاه نشان میدهد. همچنین اولویـت
دوم و سوم به نتایج حاصل از تغییر توان ورودی و تغییر تحریک تعلق می گیرد.

Payan name 2013

1-4 اهداف تحقیقاز نتایج و کارهای انجام شده در آن بطور خلاصه و نکتهای میتوان به موارد زیر اشاره کرد:
ارائه یک روش ترکیبی و یک مدل قابل قبول از درخت تصمیم و شبکه عصبی برای حل مشکل تشخیص کنتور خراب
تحلیل دادههای شرکت ملی گاز برای کاهش هزینه تشخیص و تعویض کنتور خراب
مقایسه الگوریتمهای مختلف موجود در روشهای درخت تصمیم
1-5 سوالات پروژهمهم‌ترین سؤالات این تحقیق در پنج مورد زیر خلاصه می‌شود.
برای تحلیل دادههای شرکت گاز کدام ترکیب از الگوریتمهای گفته شده مناسبتر است؟
معیارهای مناسب جهت تشخیص کنتور خراب چیست؟
کدام ساختار برای شبکه عصبی پیشنهادی مناسبتر است؟
مدل حاصله چگونه آموزش داده میشود؟
آیا میتوان احتمال خرابی یک کنتور را با مدل تصمیم گیری ارائه شده با دقت قابل قبول تشخیص داد؟
1-6 فرضیه‌هادر این پروژه موارد زیر به عنوان فرضیه جهت حل مسأله و پاسخ به سوالات پروژه در نظر گرفته شده است:
الگوریتم ترکیبی از درخت تصمبم و شبکه عصبی راهکار مناسبی برای حل مسأله است.
معیارها و فاکتورهای ارزیابی خرابی کنتور در جریان اجرای الگوریتم از پایگاه دادهها قابل دسترسی و محاسبه است.
تعداد ورودیها بستگی به تعداد متغیرها داشته و نتیجهی حاصله شامل کنتورهای خراب میباشد. پس ساختار مورد استفاده شامل چندین ورودی و یک خروجی میباشد.
اگر بنا بر دسته بندی کنتورهای خراب در چندین دسته مانند کنتورهای خراب، کنتورهایی با احتمال بالای خرابی، کنتورهایی با احتمال پایین خرابی و... شبکه دارای چندین خروجی خواهد شد.
با استفاده از دادههایی که از شناسایی یکسری محدود دادههای کنتورهای سالم و همچنین یکسری محدود دادههای کنتورهای خراب، شبکه آموزش داده میشود.
اختلافات بوجود آمده بین دادههای یک مشترک در طول زمان و استمرار آن را میتوان دلیل بر خرابی کنتور دانست.
1-7 راهکار ارائه شدهبا توجه به حساسیت این شرکت بر روی دادهها قبلا مجوز دسترسی به فیلدهای مربوطه گرفته شده است و منبع دادهها پایگاه داده شرکت ملی گاز کرمانشاه است. الگوریتمهای داده کاوی را از یک دید کلی بر اساس نوع میتوان به 2 گروه تقسیم کرد که عبارتند از دسته بندی و خوشه بندی. دسته بندی شامل بررسی ویژگیهای یک شی جدید و تخصیص آن به یکی ازمجموعههای از قبل تعریف شده میباشد ولی خوشه بندی به عمل تقسیم ناهمگن به تعدادی از زیر مجموعهها یا خوشههای همگن گفته میشود]3[. با توجه به تعاریف، نوع استفاده شده در این پروژه دسته بندی میباشد. با توجه به گسسته بودن اطلاعات روشی مشتمل بر شبکه عصبی و درخت تصمیم برای حل مساله مطرح شده طراحی میشود. با استفاده از پرسشنامه جهت دستیابی به تجارب مسئولین مرتبط با هدف پروژه، معیارهایی برای تعریف کنتور سالم و کنتور خراب از دیدگاه شرکت مشخص خواهد شد. نتیجه این پرسشنامه که ویژگیهای کنتور خراب را از دید مسئولین مشخص خواهد کرد که در تشخیص معیارهای ارزیابی کمک خواهد نمود. با توجه به معیارهای بدست آمده و ترکیب آنها با معیارهای مهندسی شده درمورد ساختار شبکه عصبی تصمیم گرفته خواهد شد و همچنین معیارهای مقایسه در درخت تصمیم مورد نظر بدست میآید. دادههای ارزیابی شده به عنوان مجموعه اعتبارسنجی انتخاب میشود که جدای از دادههای آموزش شبکه میباشد. بعد از آموزش شبکه عصبی و درخت تصمیم نسبت به ارزیابی و اعتبار سنجی آنها با مناسبترین الگوریتم از بین الگوریتمهای نام برده شده در شرح مسأله اقدام خواهد شد. بعد از اتمام طراحی و اعتبار سنجی روش حاصل توسط ابزارهای داده کاوی تست و اجرا میشوند و در صورت بروز مشکل یا احتمال خطا با توجه به تکرارپذیر بودن داده کاوی مراحل گفته شده دوباره تا حصول بهترین نتیجه تکرار خواهند شد. بعد از اتمام کلی و نهایی شدن طراحی، روش حاصله توسط ابزارهای داده کاوی تست و اجرا گشته و در نهایت نتایج جهت کمینه کردن هزینهی پروژهی مذکور در شرکت ملی گاز کرمانشاه به آن شرکت ارائه خواهد گردید.
روند داده کاوی نیز طبق متودلوژی CRISP-DM ]6[ پیش خواهد رفت که در شکل 1 میتوان آن را مشاهده نمود.

شکل 1- مدل فرآیند CRISP-DM برای کاربردهای داده کاوی]6[با توجه به اینکه داده کاوی یک فرآیند تکرارشونده است این مراحل تا حصول یک نتیجه قابل قبول تکرار خواهند شد.
تکنیکهای داده کاوی را میتوان به منظور ساخت سه نوع مدل، برای سه نوع فعالیت بکار برد که عبارتند از نمایه سازی توصیفی، نمایه سازی هدایت شده و پیش بینی]3[ که پروژه حاضر از نوع نمایه سازی هدایت شده میباشد.
با توجه به استفاده از درخت تصمیم و شبکه عصبی در این پروژه مراحل انجام طراحی برای هر قسمت جداگانه در ادامه توضیح داده خواهد شد.
الگوریتمهای درخت تصمیم در دسته بندی دادههای جدید بهترین عملکرد را ندارد. میتوان اینگونه گفت که درخت، الگوهای کلی را در گرههای بزرگ و الگوهای خاص را در گرههای کوچکتر مییابد. به عبارتی، درخت بر مجموعه آموزشی محاط شده که نتیجه آن یک درخت بیثبات و ناتوان در پیش بینیهای مناسب میباشد. علاج کار، حذف تقسیمات ناپایدار از طریق ادغام برگهای کوچکتر توسط فرآیندی است که هرس کردن نام دارد]10[. برای هرس کردن یکی از الگوریتمهای موجود مانند هرس کارت ]11[، هرس C5 ]11[، هرس ثبات محور ]10[ استفاده خواهد شد.
برای اندازه گیری خلوص ارزیابی تقسیمات در متغیرهای تابع هدف درخت تصمیم با توجه به دستهای یا عددی بودن آن از روشهای رایج مانند جینی ( پراکندگی جمعیت)]12[، آنتروپی (بهره اطلاعاتی)]13[، نسبت بهره اطلاعاتی که بیشترین کارایی را دارد استفاده شده است]10[.
برای طراحی شبکه عصبی در راستای اهداف پروژه مراحل زیر دنبال خواهد شد]10[:
تشخیص مشخصههای ورودی و خروجی
تبدیل ورودیها و خروجیها به نحوی که در یک بازه کوچک قرار گیرند.
ایجاد شبکه با یک ساختار مناسب
آموزش دادن شبکه به کمک مجموعه دادههای آموزشی
استفاده از مجموعه اعتبار سنجی، جهت انتخاب مجموعه اوزانی که خطا را به حداقل میرساند
ارزیابی شبکه با استفاده از مجموعه آزمون به منظور بررسی کیفیت عملکرد آن
به کار گرفتن مدل ساخته شده توسط شبکه جهت پیش بینی نتایج متناظر با ورودیهای نامعلوم
بعد از طراحی شبکه عصبی توسط مراحل گفته شده میتوان به سوالات زیر پاسخ داد:
تابع فعال سازی چیست؟
ساختار شبکه چگونه است؟
شبکه چگونه آموزش داده میشود؟
ساختار شبک دارای حداقل دو لایه پنهان است. بر روی یالهای شبکه اوزانی با استفاده از روش پس انتشار خطا برای تنظیم و تشخیص ورودیها در نظر گرفتیم. در نهایت بعد از طراحی، مدل را ساخته و در نرم افزار Rapid Miner 5 تست و اجرا کردیم و اشکالات را یافته و با تکرار مراحل طراحی آنها را رفع کردیم تا در نهایت مدل طراحی شده بتواند به مسأله مطرح شده پاسخ قابل قبولی را ارائه دهد.
1-8 ساختار پایان‌نامهدر ادامهی متن پایان نامه، ساختار کلی فصول مختلف به صورت زیر خواهند بود:
فصل دوم: این فصل مروری بر ادبیات و پیشینه پروژه میباشد که در آن به معرفی اولیه الگوریتمها و روشهای اجرا شده در پروژه اشاره میکنیم.
فصل سوم: در این فصل فرآیند داده کاوی انجام شده و روشها تست و ارزیابی میشوند و در نهایت روش ترکیبی از بهترین نتایج بدست آمده را تشکیل داده و معرفی میکنیم.
فصل چهارم: این فصل به نتیجه نهایی پروژه و معرفی راهکارهای آینده اشاره میکند.
فصل دوم
مروری بر ادبیات و پیشینه تحقیق

2-1 داده کاوی چیست؟بنا بر اعلام دانشگاه MIT دانش نوین داده کاوی یکی از ده دانش در حال توسعه‌ای است که دهه آینده را با انقلاب تکنولوژیکی مواجه می‌سازد. این تکنولوژی امروزه دارای کاربرد بسیار وسیعی در حوزه‌های مختلف است، به گونه‌ای که امروزه حد و مرزی برای کاربرد این دانش در نظر نگرفته‌اند [14].
داده کاوی، تحلیل داده و کشف الگوهای پنهان با استفاده از ابزارهای خودکار و یا نیمه خودکار است و هم چنین فرآیندی پیچیده جهت شناسایی الگوها و مدل های صحیح، جدید و به صورت بالقوه مفید در حجم وسیعی از داده می‌باشد، به طریقی که این الگوها و مدلها برای انسان‌ها قابل‌درک باشند. جمع‌آوری داده‌ها سبب شده سازمان‌ها منابع داده غنی و دانش ناچیزی داشته باشند. حجم این مجموعه داده‌ها به سرعت افزایش می‌یابد و باعث محدود شدن استفاده کاربردی از داده‌های ذخیره‌شده می‌شود. هدف اصلی داده کاوی استخراج الگوها از داده‌های موجود، افزایش ارزش ذاتی‌شان و تبدیل داده به دانش است [14].
با گسترش سیستمهای پایگاهی و حجم بالای داده‌های ذخیره‌شده در این سیستمها، به ابزاری نیاز است تا بتوان این داده‌ها را پردازش کرد و اطلاعات حاصل از آن را در اختیار کاربران قرارداد. معمولاً کاربران پس از طرح فرضیه‌ای بر اساس گزارشات مشاهده‌شده به اثبات یا رد آن می‌پردازند درحالی‌که امروزه به روش‌هایی نیاز داریم که به کشف دانش می‌پردازند، یعنی روش‌هایی که با کمترین دخالت کاربر و به صورت خودکار الگوها و رابطه‌های منطقی را پیدا کرده و بیان نماید.
امروزه، بیش‌ترین کاربرد داده کاوی در بانک‌ها، مراکز صنعتی و کارخانجات بزرگ، مراکز درمانی و بیمارستان‌ها، مراکز تحقیقاتی، بازاریابی هوشمند می‌باشد. داده کاوی فرآیند اکتشاف اطلاعات و روندهای نهفته از درون حجم بسیار زیاد داده‌هایی است که در قالب پایگاه‌های داده‌ای، انباره های داده‌ای و یا هر نوع انباره اطلاعاتی ذخیره می‌شود. داده کاوی اطلاعات موجود در انبار داده‌ها را استخراج و داده‌ها را به دانشی حیاتی و مهم در ارتباط با کسب و کار تبدیل می‌نماید [15]. از طریق داده کاوی و دانش جدیدی که در اختیار قرار می‌دهد، افراد می‌توانند از داده‌ها به عنوان اهرمی جهت خلق فرصت‌ها یا ارزش‌های جدید در سازمان خود استفاده کنند و همچنین برای مسائل طبقه‌بندی و رگرسیون بکار گرفته شود. در مسائل طبقه‌بندی، دسته‌ای از اشیاء که در داخل یک طبقه‌ای قرار دارند پیش‌بینی می‌شوند و در مسائل رگرسیون، یکسری از اعداد، پیش‌بینی می‌گردند.
در حال حاضر، داده کاوی مهم‌ترین فناوری جهت بهره‌برداری موثر از داده‌های حجیم است و اهمیت آن رو به فزونی است [16]. به طوری که تخمین زده شده است که مقدار داده‌ها در جهان هر 20 ماه به حدود دو برابر برسد. در یک تحقیق که بر روی گروه‌های تجاری بسیار بزرگ در جمع‌آوری داده‌ها صورت گرفت مشخص گردید که 19 درصد از این گروه‌ها دارای پایگاه داده‌هایی با سطح بیشتر از 50 گیگابایت می‌باشند و 59 درصد از آن‌ها انتظار دارند که در آینده‌ای نزدیک در چنین سطحی قرار گیرند [16].
2-2 تعاریف متنوعی از داده کاوی
در زیر به تعاریف داده کاوی از دیدگاههای مختلف میپردازیم:
داده کاوی کشف دانش از پایگاه داده‌ها نامیده می‌شود) نشانگر فرآیند جالب استخراج دانش از قبل ناشناخته (الگو از داده است [17].
فرآیند کشف الگوهای مفید از داده‌ها را داده کاوی می‌گویند [16].
فرآیند انتخاب، کاوش و مدل کردن داده‌های حجیم، جهت کشف روابط نهفته باهدف به دست آوردن نتایج واضح و مفید، برای مالک پایگاه داده‌ها را، داده کاوی گویند [17].
"فاید"، داده کاوی را این‌گونه تعریف کرد، یک فرایند استخراج از اطلاعات ضمنی ناشناخته و مفید از داده‌های ذخیره‌شده در پایگاه داده‌هاست [18].
"گودیچی"، نیز داده کاوی را فرایند انتخاب، اکتشاف ومدل سازی مقادیر زیادی از داده‌ها برای به دست آوردن نتایج روشن و مفید برای پایگاه داده‌ها تعریف می‌کند [18].
اما تعریفی که در اکثر مراجع به اشتراک ذکرشده عبارت است از: "استخراج اطلاعات و دانش و کشف الگوهای پنهان از یک پایگاه داده‌های بسیار بزرگ و پیچیده"[17].
داده کاوی یک متدلوژی بسیار قوی و با پتانسیل بالا می‌باشد که به سازمان‌ها کمک می‌کند که بر روی مهم‌ترین اطلاعات از مخزن داده‌های خود تمرکز نمایند [19].
ابزارهای داده کاوی الگوهای پنهانی را کشف و پیش‌بینی می‌کنند که متخصصان ممکن است به دلیل اینکه این اطلاعات و الگوها خارج از انتظار آن‌ها باشد، آن‌ها را مدنظر قرار ندهند و به آن‌ها دست نیابند [19].
2-3 آیا داده کاوی سودمند است؟داده کاوی به دو دلیل سودآور است:
داده کاوی منجر به تصمیمات واقع‌بینانه می‌شود.
داده کاوی منجر به تکرار تصمیمات سودآور اتفاق افتاده در گذشته می‌شود.
با استفاده از داده کاوی تصمیمات احساسی کنار گذاشته میشوند و بر اساس واقعیت‌ها تصمیمات گرفته میشوند. بنابراین ضررهای ناشی از ناآگاهی مدیران حذف می‌شود. داده کاوی همچنین فضای سال‌های گذشته‌ی شرکت شما را بازبینی می‌کند و در نهایت نشان می‌دهد کدام تصمیمات منجر به سود شده است درحالی‌که شما از آن تصمیمات اطلاعی ندارید. شرکت‌ها و سازمان‌ها هر لحظه در حال اتخاذ تصمیمات جدیدی هستند که منجر به سود یا زیان آن مجموعه می‌شود. بسیاری از تصمیمات بر اساس واقعیات موجود گرفته نمی‌شود و عواملی چون «فراموشی»، «تخلفات و تقلبات»، «اشکالات خط تولید»، «منافع شخصی» و «سیاست‌های اعمال نفوذ شده از جاهای دیگر» منجر به اتخاذ تصمیمات غیر شفاف و در نتیجه زیانبار می‌شود[20].
اما داده کاوی فضای حاکم بر کسب‌ وکار شما را شفاف می‌کند و شما را ملزم می‌کند واقع‌بینانه تصمیم بگیرید. تصمیم‌گیری واقع‌بینانه کلید از بین بردن تصمیمات احساسی و در نتیجه از بین بردن بهره‌وری پایین و ضررهای ناشی از ناآگاهی است. به طور کلی فضای تصمیم‌گیری در یک کسب‌ و کار شباهت بسیار زیادی به فضاهای تصمیم‌گیری اتفاق افتاده در 10 سال گذشته‌ی آن مجموعه دارد. این شباهت در یاد تصمیم‌گیرندگان آن کسب‌ و کار باقی نمی‌ماند و اغلب آشکار نیز نمی‌شود. داده کاوی فضای سال‌های گذشته‌ی کسب‌ و کار شما را بازخوانی می‌کند و به شما می‌گوید کدام تصمیمات منجر به سود شده است و کدام تصمیمات منجر به زیان کسب‌ و کار شده است. بنابراین داده کاوی باعث می‌شود تصمیمات زیان ده کسب و کارتان در گذشته را تکرار نکنید ولی تصمیمات سودآور اتفاق افتاده در گذشته را دوباره تکرار کنید. به لحاظ فنی، داده کاوی عبارت از فرآیندی است که در میان حوزه‌های گوناگون بانک‌های اطلاعاتی ارتباطی بزرگ، همبستگی‌ها یا الگوهایی را پیدا می‌کند [21].
2-4 آمار و داده کاویتلاش برای الگوهای موجود در دادهها مدت زمان طولانی در بسیاری از زمینه ها، از جمله آمار، الگوشناسی ، و تجزیه و تحلیل دادههای اکتشافی مورد مطالعه قرار گرفته شده است]4[. داده کاوی اساساً یک رشته کاربردی است و یک داده کاوی باید از روش‌های آماری درک خوبی داشته باشد. در داده کاوی تلاش می‌شود بین آمار و علوم رایانه‌ای رابطه‌ای برقرار گردد. برقراری این ارتباط به دلیل وجود یک سلسله از فرضیات ضمنی و غیر واضح و دشوار بودن تبدیل مفاهیم نظری به الگوریتم‌های رایانه‌ای در ادبیات آماری و به دلیل وجود الگوریتم‌های فراوان در ادبیات رایانه‌ای دشوار است. لذا داشتن درکی درست از مدل‌سازی و الگوریتم‌های محاسباتی برای کارهای داده کاوی ضروری است.
روابط در داده کاوی غالباً به صورت الگوها و مدلهایی از قبیل معادلات رگرسیونی، سری‌های زمانی، خوشه‌ها، رده‌بندی‌ها، گراف‌ها و غیره ارائه می‌شوند. در داده کاوی نیز همانند آمار غالباً داده‌هایی که تحلیل می‌شوند، نمونه‌ای از جامعه هستند که به تبع بزرگ بودن جامعه با نمونه‌ای حجیم مواجه هستیم. در هنگام کار با مجموعه داده‌های حجیم مشکلات تازه‌ای بروز می‌کند. برخی از این مشکلات به نحوه ذخیره‌سازی یا فراخوانی داده‌ها مربوط می‌شود و برخی دیگر مربوط به مسائلی مانند نحوه تحلیل داده‌ها در زمانی مناسب و استخراج الگوها و مدلهای حاکم بر داده‌ها است [22]. به طور کلی فرآیند کاوش الگوها، مدل ها و روابط مطلوب در یک مجموعه داده شامل مراحل زیر است:
معین ساختن طبیعت و ساختار مورد نظر
تصمیم‌گیری در مورد میزان برازش نمایش‌های متفاوت به داده‌ها، یعنی انتخاب یک تابع امتیاز
اتخاذ یک فرآیند الگوریتمی برای بهینه‌سازی تابع امتیاز
تصمیم‌گیری در مورد اصول مدیریت داده‌ها برای اجرای موثر الگوریتم
با توجه به اینکه مدلها و الگوها، توابع امتیاز، روش‌های بهینه‌سازی و راهکارهای مدیریت داده‌ها چهار مؤلفه اصلی الگوریتم‌های داده کاوی را تشکیل می‌دهند، با توجه به اینکه ماهیت داده‌ها در آمار با داده کاوی متفاوت است، داده کاوی به برخی از روش‌های آماری که دارای ویژگی‌های خاصی می‌باشند توجه بیشتری نشان می‌دهد.
یکی از ویژگی‌های مورد توجه روش‌های آماری در داده کاوی، سادگی تعبیر آن‌ها است. از این رو به استفاده از مدلهای نسبتاً ساده و قابل تعبیر مانند گراف‌ها گرایش زیادی وجود دارد. در داده کاوی مواردی که در آن‌ها با تعداد بسیار زیادی متغیر، مدل و یا فرضیه مواجه هستیم، فراوان است. از طرفی داده کاوی یک فرآیند اکتشافی و تکراری است به این معنی که در خلال تحلیل داده‌ها اطلاعات جدید کشف می‌شوند و فرضیه‌های قبلی اصلاح و فرضیه‌های جدید ارائه می‌شوند و این کار ممکن است با داده‌های زیاد، بارها تکرار شود. لذا از دیدگاه آمار روش‌هایی با کارایی محاسباتی بالا، تحلیل‌های محاسباتی و تحلیل‌های تقریبی، مورد توجه خاص داده کاوی هستند. تاکید بیشتر داده کاوی بر بعضی روش‌های آماری، به معنی عدم استفاده از سایر روش‌های آماری نیست و در عمل از طیف گسترده‌ای از روش‌های آماری برای تحلیل داده‌ها استفاده می‌شود.
آمار و داده کاوی هر دو با روش‌های تحلیل و مدل بندی داده‌ها مرتبط می‌باشند. بنابراین اشتراک زیادی بین این دو رشته وجود دارد. به عنوان یک شوخی، یکی از نویسندگان در پاسخ سؤال اینکه "داده کاوی چیست؟ بیان می‌کند که "همان آمار است، اما با یک نام خیلی بهتر" البته این ویژگی به معنای یکسان دانستن داده کاوی وآنالیزآماری نیست، در جدول زیر این تفاوت‌ها آورده شده است [23،21].
جدول (2-1): مقایسه آنالیز آماری و داده کاوی [22]آنالیز آماری داده کاوی
آمار شناسان همیشه با یک فرضیه شروع به کار می‌کنند. به فرضیه احتیاجی ندارد.
آمار شناسان باید رابطه‌هایی را ایجاد کنند که به فرضیه آن‌ها مربوط شود الگوریتم‌های داده کاوی در ابزارها به طور اتوماتیک روابط را ایجاد می‌کنند
آن‌ها از داده‌های عددی استفاده می‌کنند. ابزارهای داده کاوی از انواع مختلف داده و نه فقط عددی می‌توانند استفاده کنند.
آن‌ها می‌توانند داده‌های نابجا و نادرست را در طول آنالیز تشخیص دهند داده کاوی به داده‌های صحیح و درست طبقه‌بندی شده بستگی دارد.
آن‌ها می‌توانند نتایج کار خود را تفسیر کنند و برای مدیران بیان کنند. نتایج داده کاوی آسان نیست و همچنان به متخصصان آمار برای تحلیل آن‌ها و بیان آن‌ها به مدیران نیاز است.
2-5 پیچیدگی و هزینه زمانیتحلیلگران دریافتهاند که پیچیدگی و زمانبر بودن دسترسی به حجم زیاد دادههای مورد نیاز و پردازش آن‌ها توسط بعضی ابزارهای داده کاوی، استفاده از این ابزارها را در هر نقطه از زمان و مکان غیرممکن ساخته است.
وزارت امنیت داخلی ایالات‌متحده آمریکا در آگوست 2006، به 12 تلاش داده کاوی دست زد که یکی از آن‌ها سیستم TVIS بود. این سیستم به منظور ایجاد و بهبود اشتراک دانش از خطرات تروریستی بالقوه، به روشی واحد دادههای زنده تولیدشده به وسیله خلبانان را ترکیب میکرد. نتایج تحلیلها نشانداد که اگرچه این سیستم در یک دوره تناوب دو ساعته کار می‌کند، کاربران قادر به استفاده روزانه از آن نبوده و فقط دو تحلیلگر امکان استفاده همزمان از آن را دارند. این منجر به اتلاف وقت تحلیلگران در زمان جستجو در پایگاه دادههای مضاعف شد. مشکل پیچیدگی و هزینه زمانی بعضی تکنیکهای داده کاوی، موجب کاهش پذیرش استفاده زمان واقعی از این سیستمها توسط افراد و روی آوردن به سیستمهایی با عملکرد ضعیفتر میشود [24].
2-6 محرمانگی دادههابا وجود تکنیکهای داده کاوی و اشتراک اطلاعات، توجه بسیاری از تحلیلگران به پیادهسازی محرمانگی و امنیت دادهها معطوفشدهاست. بعضی کارشناسان پیشنهاد کرده‌اند که بعضی کاربردهای ضد تروریسمی داده کاوی میتواند برای یافتن الگوهای تبهکارانه و مقابله با انواع جرمها مفید باشد. تا کنون، با وجود دیدگاه‌های متضاد بحث شده، توافق کمی درباره اینکه داده کاوی به چه صورت باید اجرا شود وجود دارد. بعضی مخالف سبک سنگینی برای ایجاد محرمانگی و تأمین امنیت هستند. بعضی ناظران نیز پیشنهاد کرده‌اند که قوانین و مقررات مربوط به حمایت از محرمانگی کافی هستند و هیچ تهدیدی برای محرمانگی وجود ندارد. هنوز ناسازگاریهایی در باب این مسئله وجود دارد که باید برطرفشوند. به موازات پیشرفت‌های داده کاوی، سؤالات متنوعی افزایش مییابند شامل اینکه نهادهای شهری و دولتی تا چه اندازه می‌بایست دادههای تجاری را با دادههای دولتی استفاده و ترکیب کنند، آیا منابع داده به منظورهایی غیر از هدف اصلی طراحی میشوند و کاربردهای ممکن از اعمال محرمانگی چیست؟ [25]
2-7 محدودیت‌های داده کاوی "گـرچه داده کاوی پیشرفت شگرفی در نوع ابزارهای تحلیلی موجود به وجود آورده است، لکن محدودیت‌هایی نیز درباره کاربردپذیری آن وجود دارد. یکی از محدودیت‌ها این است که ابزارهای داده کاوی هنوز استانداردسازی نشده‌اند و از نظـر تأثیرگذاری اختـلاف فـاحشـی با یکـدیگـر دارنـد. محدودیت دیگر آن است که گــرچــه داده کـاوی می‌تواند بـه آشکـارسـازی انگاره‌ها و رابطه‌ها کمک کند اما نمی‌تواند ارزش یا اهمیت این انگاره‌ها را به کاربر بگوید. بـنــابــرایــن، خــود کــاربـر بـایـد ایـن اطـلاعـات را مشخـص کنـد. محـدودیـت دیگـر این است که گرچه داده کاوی می‌تواند روابط بین رفتارها یا متغیرها را شناسایی کند، اما لزوما نمی‌تواند یک رابطه تصادفی را شناسایی کند"[26].
2-8 مراحل داده کاویچرخهی داده کاوی شامل روشها و مراحل مختلفی میباشد که ما در این پروژه از متدولوژی CRIDP-DM استفاده میکنیم. مراحل متدولوژی نام برده به ترتیب زیر است:
درک کسب و کار: در اولین قدم بایستی یک تعریف مناسب از مسأله و فضایی که قرار است پروژه در آن اجرا شود، داشت.
درک دادهها: در دومین قدم بایستی تمامی دادهها جمع آوری شود و مورد بررسی قرار گیرند. در این مرحله دادهها تعریف و یک دید از هرکدام از دادهها ارائه میشود.
آماده سازی دادهها: در این بخش دادههای مورد نیاز تشخیص داده شده و یا دادههای جدید از ترکیب دادههای قبلی تولید میشوند.
ساخت مدل: در این مرحله بایستی با استفاده از دادههای موجود مدلی برای حل مسأله ساخته شود. این مدل میتواند با هر یک از روشهای داده کاوی در راستای هدف تعریف شده ساخته شود.
تست و ارزیابی: در این مرحله مدل ساخته شده با دادههای مشخص بایستی مورد تست و ارزیابی قرار بگیرند. در این ارزیابی بنا به تعریف مسأله میتوان معیارهایی مانند دقت و یا سرعت مدل را مورد بررسی قرار داد.
ارائه مناسب از مدل و نتایج: در آخرین مرحله از این فرآیند بایستی روشی مناسب برای ارائه مدل و نتایج حاصل از اجرا و تست و ارزیابی پروژه انتخاب نمود.
باید توجه داشت که جمع‌آوری و محافظت از داده‌ها نکته بسیار مهمی می‌باشد. اصولاً چون قالب و نوع داده‌ها در طول زمان تغییر می‌کند ممکن است بسیاری از داده‌های موجود در قالب‌های متفاوت باشند و همچنین بسیاری از داده‌های قدیمی از بین رفته و دور ریخته شوند. درحالی‌که ممکن است اهمیت این داده‌ها از داده‌های جدید به هیچ‌وجه کمتر نباشد. همچنین به علت اینکه داده‌ها از منابع مختلف داخلی و خارجی مانند کارکنان شرکت، مدیران، مشتریان، کارفرمایان، پیمانکاران باشند باز هم ممکن است قالب داده‌ها باهم یکسان نباشد. به همین دلیل انتخاب داده‌های درست و یکپارچه‌سازی قالب آن‌ها به منظور استفاده در داده کاوی از اهمیت بسیار بالایی برخوردار می‌باشد[27].
2-9 وظایف و تکنیک های داده کاویکلاس‌بندی
تخمین
پیش‌بینی
گروه‌بندی وابستگی‌ها
خوشه‌بندی
نمایه‌سازی توصیفی
2-9-1 کلاس‌بندیکلاس‌بندی به معنای یادگیری تابع نگاشت ترکیب مقادیر خصایص به دسته‌های مختلف و تعیین کلاس از یک شی پایه بر اساس ویژگی‌هایش می‌باشد. هر شی‌ای که کلاس‌بندی می‌شود به صورت عمومی توسط رکوردهایی در جدول یک پایگاه داده یا در یک فایل بیان می‌گردد و عمل کلاس‌بندی با اضافه نمودن یک ستون جدید به همراه کد کلاس انجام می‌شود. وظیفه کلاس‌بندی به خوبی توسط تعریف کلاس‌ها و یک مجموعه آموزشی شامل نمونه‌های کلاسه‌ای از پیش تعریف‌شده مشخص می‌گردد .و در نهایت مدلی ساخته می‌شود که می‌توان داده‌های غیر کلاس‌بندی به این کلاس‌ها تخصیص داد [28].
2-9-2 تخمین
برآورد کردن با مقادیر خروجی پیوسته سروکار دارد .به صورت تجربی برآورد کردن اغلب قبل از کلاس‌بندی استفاده می‌شود. از مزایای رویکرد برآورد این است که رکودهای منحصربه‌فرد می‌توانند مطابق با برآورد رتبه ترتیبی اتخاذ نمایند [28].
2-9-3 پیش‌بینیپیش‌بینی همانند کلاس‌بندی است و انتظار می‌رود رکودهایی که کلاس‌بندی شده‌اند بر طبق بعضی از ویژگی‌های کلاس‌ها بتوانند پیش‌بینی‌های رفتارهای آینده به همراه تخمین ارزش‌های آینده باشند. در پیش‌بینی تنها راهی که مشخص می‌کند کلاس‌بندی ما صحیح بوده این است که منتظر بمانیم و ببینیم. داده‌های تاریخی برای ساخت مدلهای مفید هستند که رفتار مشاهدات جاری را توصیف نمایند و زمانی که مدل پیش‌بینی برای ورودی‌های جاری بکار برده می‌شود ،حاصلش این است که رفتارهای آینده را پیش‌بینی می‌نماید [28].
2-9-4 قواعد وابستگی یا گروه‌بندی پیوستگی‌هاقواعد انجمنی قابلیتی برای یافتن روابط ناشناخته موجود در اطلاعات است. این روابط مواردی از قبیل اینکه حضور مجموعه‌ای از مقولات اشاره به این دارند که مجموعه مقولات دیگری نیز احتمالاً وجود دارند را شامل می‌شود. این قواعد و وابستگی‌ها برای مشخص کردن چیزهایی است که باهم هستند .این وظیفه قلب تحلیل سبد بازار است و رویکردی ساده برای تولید قاعده دار داده می‌باشد[28].
2-9-5 خوشه‌بندیاین وظیفه برای بخش‌بندی جمعیت ناهمگن به زیرمجموعه‌های همگن یا همان خوشه‌ها می‌باشد. تفاوت عمده خوشه‌بندی با کلاس‌بندی در این است که بر اساس کلاس‌های از پیش تعریف‌شده عمل نمی‌نماید. در کلاس‌بندی هر رکورد به کلاس‌های از پیش تعریف‌شده‌ای که بر پایه توسعه مدل یادگیری می‌باشند، تخصیص داده می‌شود درحالی‌که در خوشه‌بندی کلاس‌های از پیش تعریف‌شده وجود ندارد و رکوردها بر پایه شباهت‌هایشان، گروه‌بندی می‌شوند [28].
2-9-6 نمایه‌سازی توصیفیبعضی اوقات هدف از داده کاوی ساده‌سازی توصیف و اینکه در پایگاه داده‌های پیچیده از چه طریقی می‌توان با شناخت افراد، میزان عرضه و تقاضای محصولات را افزایش داد. درخت تصمیم‌گیری ابزار قدرتمندی برای پروفایل نمودن مشتری می‌باشد [28].
2-10 معماری سیستم مبتنی بر داده کاویمعماری سیستم مبتنی بر داده کاوی از اجزای زیر تشکیل شده است :
پایگاه داده، انباره داده تحلیلی، سایر مخزن‌های اطلاعاتی که شامل یک یا مجموعه‌ای از پایگاه داده، انباره داده‌های تحلیلی، صفحات گسترده است و تکنیک های پالایش و تجمیع روی این داده‌ها انجام می‌گردد. سرویس‌دهنده پایگاه داده یا انبار داده تحلیلی که مسئول واکشی داده‌های مرتبط با درخواست‌های داده کاوی کاربران می‌باشد.
بانک دانش: دامنه دانشی است که به منظور راهنمای تحقیق و یا ارزیابی نتایج جالب‌توجه الگوها مورد استفاده قرار می‌گیرد.
موتور داده کاوی :از اجزای اصلی سیستم های داده کاوی است و مشتمل بر مجموعه‌ای از توابع برای وظایف داده کاوی می‌باشد .
الگوها: دانش به دست آمده در قالب الگوهایی ارائه و توسط توابعی صحت و دقت آن‌ها ارزیابی می‌شود .
واسط کاربر: به عنوان ارتباط‌دهنده‌ی میان کاربر و سیستم داده کاوی می‌باشد و ابزاری است برای بصری سازی الگوهای کاوشی در فرم های متفاوت [28].

شکل (2-1): معماری سیستم مبتنی بر داده کاوی [28].2-11 روش‌های داده کاوی
اهداف داده کاوی شامل پیش‌بینی و توصیف یا ترکیبی از آن‌هاست. هدف پیش‌بینی تمرکز بر روی دقت در توانایی پیش‌بینی بوده و توصیف بر درک فرآیند تولید داد ه ها تمرکز دارد. در پیش‌بینی تا زمانی که مدل قدرت پیش‌بینی دارد، کاربر توجهی به این ندارد که مدل انعکاس دهنده واقعیت است. به هر ترتیب، اهداف داده کاوی با استفاده از روش‌های داده کاوی، محقق می‌شوند. اصطلاح روش‌های داده کاوی در واقع بیانگر جمع کثیری از الگوریتم‌ها و فنون است که از علومی مانند آمار، یادگیری ماشین، پایگاه داده وتجسم سازی، استنتاج شده‌اند. روش‌های داده کاوی مشهوری که در این پژوهش معرفی خواهند شد شامل شبکه‌های عصبی، درختان تصمیم می‌باشد که در ادامه این روش ها را شرح می دهیم و همچنین دو روش ترکیبی جدید از روشهای گفته شده برای حل مسأله تشخیص کنتور خراب معرفی و بررسی خواهیم کرد.
2-12 درخت تصمیم‌گیریدرخت تصمیم‌گیری از نسل جدید تکنیک های داده کاوی بشمار می‌آید که در دو دهه اخیر توسعه زیادی یافته است. از این تکنیک هم می‌توان برای کشف و استخراج دانش از یک پایگاه داده و هم برای ایجاد مدل های پیش‌بینی استفاده نمود. درخت تصمیم‌گیری یکی از ابزارهای قوی و متداول برای دسته‌بندی و پیش‌بینی می‌باشد که قادر به تولید توصیفات قابل‌درک برای انسان، از روابط موجود در یک مجموعه داده‌ای است. ساختار تصمیم‌گیری می‌تواند به شکل تکنیک های ریاضی و محاسباتی که به توصیف، دسته‌بندی و عام سازی یک مجموعه از داده‌ها کمک می‌کنند نیز معرفی شوند.
درخت تصمیم، شیوه منحصر به فردی از ارائه یک سیستم است، که تصمیم‌گیری‌های آتی را تسهیل و سیستم را به نحو مناسبی تعریف می‌کند. با توجه به اینکه اکثر سیستم های مهندسی، اجرایی و محاسباتی را می‌توان در قالب یک سری داده (ویژگی یا ویژگی‌ها و خروجی منطبق با آن‌ها) تعریف کرد، می‌توان با استفاده از یک الگوریتم، (ایجاد درخت) ویژگی‌ها و خروجی‌ها را آنالیز کرد و سیستم را بر اساس این داده‌ها در قالب یک درخت تصمیم ارائه کرد [29]. درخت تصمیم‌گیری، ساختاری بازگشتی برای بیان یک فرآیند طبقه‌بندی متناوب می‌باشد که به وسیله مجموع‌های از صفات تشریح گردیده و یک وضعیت را به مجموع‌های گسسته از طبقات تخصیص می‌دهد [23].
هر برگ درخت تصمیم‌گیری، نماینده یک طبقه می‌باشد. درخت تصمیم روش کارآمد ویژه‌ای برای ایجاد دسته‌بندی کننده‌ها از داده‌ها است. مهم‌ترین خصوصیت درخت‌های تصمیم، قابلیت آن‌ها در شکستن فرآیند پیچیده تصمیم‌گیری به مجموع‌های از تصمیمات ساده‌تر است که به راحتی قابل تفسیر هستند [31،30].
نواحی تصمیم پیچیده سراسری (خصوصاً در فضاهایی با ابعاد زیاد) می‌توانند با اجتماع نواحی تصمیم محلی ساده‌تر در سطوح مختلف درخت تقریب زده شوند. برخلاف دسته‌بندی کننده‌های تک مرحله‌ای رایج که هر نمونه، روی تمام دسته‌ها امتحان می‌شود، در یک دسته‌بندی کننده درخت، یک نمونه روی زیرمجموعه‌های خاصی از دسته‌ها امتحان شده و محاسبات غیر لازم حذف می‌شوند. در دسته‌بندی کننده تک مرحله‌ای، فقط از زیر مجموعه‌های از صفات، برای روش بین دسته‌ها استفاده می‌شود که معمولاً با یک معیار بهینه سراسری انتخاب می‌شود. در دسته‌بندی کننده درخت، انعطاف‌پذیری انتخاب زیرمجموعه‌های مختلفی از صفات در گروه‌های داخلی مختلف درخت وجود دارد، به شکلی که زیرمجموعه انتخاب‌شده به شکل بهینه بین دسته‌های این گروه را تفکیک می‌کند. این انعطاف‌پذیری ممکن است بهبودی در کارایی را نسبت به دسته‌بندی کننده‌های تک مرحله‌ای ایجاد کند [31،23].
2-13 نقاط قوت درخت تصمیم‌گیریفهم مدل ایجادشده توسط درخت تصمیم‌گیری آسان می‌باشد. به عبارت دیگر با اینکه ممکن است الگوریتم‌هایی که درخت را ایجاد می‌کنند چندان ساده نباشد ولی فهم نتایج آن آسان می‌باشد ADDIN EN.CITE <EndNote><Cite><Author>Wasan</Author><Year>2006</Year><RecNum>12</RecNum><DisplayText>[14]</DisplayText><record><rec-number>12</rec-number><foreign-keys><key app="EN" db-id="xxseratwrwp5d2ep5s2vvealxsfed2vsetv5">12</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Harleen Kaur and Siri Krishan Wasan</author></authors></contributors><titles><title>Empirical Study on Applications of Data Mining Techniques in Healthcare</title><secondary-title>Journal of Computer Science 2 (2): 194-200</secondary-title></titles><periodical><full-title>Journal of Computer Science 2 (2): 194-200</full-title></periodical><pages>194-200</pages><section>194</section><dates><year>2006</year></dates><urls></urls></record></Cite></EndNote>[33].
درخت تصمیم‌گیری این توانایی را دارد که پیش‌بینی‌های خود را در قالب یک سری قوانین ارائه دهد.
نیاز به محاسبات خیلی پیچیده‌ای برای دسته‌بندی داده‌ها ندارد.
برای انواع مختلف داده‌ها قابل‌استفاده می‌باشد.
درخت تصمیم‌گیری نشان می‌دهد کدام فیلد یا متغیرها تأثیرات مهمی در پیش‌بینی و دسته‌بندی دارند.
سادگی در تحلیل و قابلیت تحلیل ساختار در مواقع پیچیدهتر و در حضور داده‌های ناقص نیز وجود دارد.
در صورت نیاز می‌توان به سادگی با نتایج روش‌های دیگر ترکیب‌شده و مدل را گسترش داد.
این ساختار قادر به کار کردن با مقادیر غیر عددی بوده و تعامل بهتری با اطلاعاتی با ماهیت غیر عددی دارد.
2-14 معایب درختان تصمیم در مقابل این مزیت‌ها میتوان به معایبی از جمله عدم تطابق با ویژگی‌های پیوسته در این درخت نیز اشاره نمود، این ساختار تنها قادر به کار کردن با ویژگی‌های است که مقادیر گسسته (با تعداد محدود) را در بر بگیرند. برای غلبه بر این مشکل، روشهای بسیاری پیشنهادشده تا مقادیر پیوسته به تعدادی خوشه‌های کوچک‌تر تقسیم شوند و به جای استفاده از مقادیر پیوسته هر ویژگی، مشخصه خوشه‌ای که این مقدار را در بر می‌گیرد در تصمیم‌گیری ساختار درخت تصمیم مورد استفاده قرار گیرد. برای این کار میتوان از روشهای خوشه‌بندی و یادگیری بدون ناظر استفاده نمود. همان طور که در بخشهای بعدی توضیح داده خواهد شد، در این پژوهش برای حل چنین مشکل‌هایی از الگوریتم خوشه‌بندی K-means استفاده ‌شده که در بخش مربوطه توضیح داده خواهد شد.
از دیگر مشکلات درخت تصمیم، نحوه ساختن یک درخت بهینه با کمترین میزان خطا و تا حد ممکن ساده است. فرآیند ساخت درخت، یک فرآیند واحد نمیباشد. متأسفانه، مشکل پیدا کردن کوچک‌ترین درخت تصمیم از روی یک نمونه دادهای، مسئله NP-Complete است ADDIN EN.CITE <EndNote><Cite><Author>Wasan</Author><Year>2006</Year><RecNum>12</RecNum><DisplayText>[14]</DisplayText><record><rec-number>12</rec-number><foreign-keys><key app="EN" db-id="xxseratwrwp5d2ep5s2vvealxsfed2vsetv5">12</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Harleen Kaur and Siri Krishan Wasan</author></authors></contributors><titles><title>Empirical Study on Applications of Data Mining Techniques in Healthcare</title><secondary-title>Journal of Computer Science 2 (2): 194-200</secondary-title></titles><periodical><full-title>Journal of Computer Science 2 (2): 194-200</full-title></periodical><pages>194-200</pages><section>194</section><dates><year>2006</year></dates><urls></urls></record></Cite></EndNote>[34]. به همین دلیل، اکثراً روش‌هایی بر پایه روشهای ساخت درخت غیر عقبگرد و به صورت حریصانه عمل مینمایند.
از معایب دیگر آن می‌توان به موارد زیر اشاره کرد:
در مواردی که هدف از یادگیری، تخمین تابعی با مقادیر پیوسته است مناسب نیستند.
در موارد با تعداد دسته‌های زیاد و نمونه آموزشی کم، احتمال خطا بالاست.
تولید درخت تصمیم‌گیری، هزینه محاسباتی بالا دارد.
هرس کردن درخت هزینه بالایی دارد.
در مسائلی که دسته‌های ورودی با نواحی مکعبی به خوبی جدا نشوند و دسته‌ها همپوشانی داشته باشند، خوب عمل نمی‌کنند.
در صورت همپوشانی گره‌ها تعداد گره‌های پایانی زیاد می‌شود.
در صورتی که درخت بزرگ باشد امکان است خطاها از سطحی به سطحی دیگر جمع شوند (انباشته شدن خطای لایه‌ها بر روی یکدیگر) [35].
طراحی درخت تصمیم‌گیری بهینه، دشوار است. کارایی یک درخت دسته‌بندی کننده به چگونگی طراحی خوب آن بستگی دارد.
احتمال تولید روابط نادرست وجود دارد.
بازنمایی درخت تصمیم دشوار است.
وقتی تعداد دسته‌ها زیاد است، می‌تواند باعث شود که تعداد گره‌های پایانی بیشتر از تعداد دسته‌های واقعی بوده و بنابراین زمان جستجو و فضای حافظه را افزایش می‌دهد.
این الگوریتم به حافظه زیادی نیاز دارد [35].
2-15 آنتروپیدر نظریه اطلاعات آنتروپی میزان خلوص (بی‌نظمی یا عدم خالص بودن) مجموعه‌ای از مثال‌ها را مشخص می‌کند. اگر مجموعه S شامل مثال‌های مختلف با کلاس‌های مشخص 1و 2و .. وn باشد و pi نشان‌دهنده نسبت تعداد اعضای کلاس i به کل داده‌های موجود باشد، در این صورت داریم:
EntropyS= -1log⁡(n) i-1npilog⁡(pi) (1-2)
با توجه به تعریف آنتروپی هر چقدر که نسبت کلاس‌ها به کل نمونه‌های موجود به همدیگر نزدیک‌تر باشد، آنتروپی مقدار بیشتری به خود می‌گیرد و در واقع زمانی که همه کلاس‌ها دقیقاً به یک اندازه باشند، میزان آنتروپی به بیش‌ترین مقدار خود یعنی 1 خواهد رسید:
∀i: pi= 1n ⟹ EntropyS=1 (2-2)
و وقتی که همه نمونه‌ها متعلق به یکی از کلاس‌ها باشند و باقی کلاس‌ها هیچ عضوی نداشته باشند در این صورت میزان آنتروپی به کمترین مقدار خود، یعنی صفر خواهد رسید. شکل زیر نحوه تغییر میزان آنتروپی را برای مجموعه‌ای با دو کلاس نشان می‌دهد. در این شکل، میزان فراوانی کلاس اول با P1 (که در نتیجه مقدار فراوانی کلاس دیگر برابر خواهد بود با 1- P1 ) بر روی محور افقی نمایش داده‌شده و محور عمودی آنتروپی مجموعه S را بر اساس این پراکندگی نشان می‌دهد [36]:

شکل (2-2): تغییر میزان آنتروپی را برای مجموعه‌ای با دو کلاساز روی مفهوم آنتروپی می‌توان، مفهوم بهره اطلاعاتی مجموعه نمونه S برای ویژگی A را به صورت زیر تعریف نمود:
GainS,A= EntropyS- v∈Values(A)SvS EntropySv (3-2)
که Values(A) مجموعه تمام مقادیری است که ویژگی A به خود می‌گیرد و همچنین Sv نیز نشان‌دهنده زیرمجموعه‌ای از S است که در آن‌ها ویژگی A مقدار v را به خود گرفته است. در هر مرحله از شاخه زنی درخت تصمیم (انتخاب یک ویژگی برای رأس‌های میانی)، ویژگی انتخاب خواهد شد که بهره اطلاعاتی بیشتری داشته باشد و به عبارت دیگر با انتخاب این ویژگی، میزان آنتروپی نسبت به حالت قبل از شاخه زنی بیش‌ترین کاهش را داشته باشد. الگوریتم درخت تصمیم از گره ریشه شروع به شاخه زنی و تقسیم مجموعه نمونه‌ها به زیرمجموعه‌های کوچک‌تر کرده و سپس این کار را به صورت بازگشتی بر روی زیرمجموعه‌های به وجود آمده از این شاخه زنی نیز تکرار میکند و این کار را تا جای ممکن ادامه میدهد:


در گره n، که شامل مجموعه نمونه‌های S است، ویژگی A را طوری انتخاب کن که بیش‌ترین بهره اطلاعاتی را برای مجموعه S داشته باشد، در صورتی که شاخه زنی ممکن نباشد، الگوریتم تمام شده است [36].

Payannameh

این بنده چه داند که چه می باید حبست دانند تویی هر آنچه دانی آن ده
» خواجه عبداالله انصاری «
فهرست مطالب
عنوانصفحه

چکیده1
مقدمه2
فصل اول: شبکه های عصبی
.1-1سیستمهای عصبی طبیعی5
.1-1-1 نورون بیولوژیک..6
.2-1مقدمه ای بر شبکه های عصبی مصنوعی9
.3-1اهمیت استفاده از شبکه های عصبی مصنوعی10
.4-1مدل سازی نورون درشبکه های عصبی مصنوعی.11
.5-1انواع شبکه های عصبی مصنوعی12…
.6-1یادگیری در شبکه های عصبی مصنوعی14…
.7-1شبکه های عصبی پیش رو15…
.8-1شبکه های عصبی پس انتشار17
.1-8-1روش آموزش پس انتشار18…
.9-1شبکه های عصبی انعطاف پذیر21…
فصل دوم:تشخیص میزان موفقیت داروهای HPT درکاهش انگلهای دامی با استفاده از شبکه های عصبی
.1-2موضوع27
.2-2شیوه ها28
.3-2نتایج آزما یش های بالینی30
.4-2تحقیق پرسشنامه ای34
.5-2پیاده سازی داده های جمع آوری شده با استفاده از شبکه های عصبی36
فصل سوم: روش پیاده سازی شبکه های عصبی با استفاده از FPGA
.1-3 مقدمه ای بر 43..…FPGA
.2-3روش پیاده سازی شبکه های عصبی با استفاده از 48FPGA
فصل چهارم:
نتیجه گیری و پیشنهادات69
پروژه - ریسرچارائه شده در پجمین کنفرانس بین المللی سیستم های هوشمند WSEASکشور اسپانیا (مادرید 73(2006
چکیده انگلیسی77
فهرست جدول ها
عنوانصفحه
.1-1جدول: : توابع مهم قابل استفاده در شبکه های عصبی 12..................................................
.1-2 جدول : سطح آماری گروههای تحت درمان و کنترل 31..................................................................................................
.2-2جدول: درصدلارو آلوده در 38 دسته از گروههای تحت کنترل و بررسی 33................................................
.3-2جدول: نشان دهنده درصد وجود انگلهادر دامهای موردا زمایش 382
.4-2جدول: نتایج شبیه سازی برای داده های تست 41...........
فهرست شکل ها عنوان صفحه
.1-1شکل: جریان اطلاعات در سیستم عصبی انسان 7
.2-1شکل: مدل سازی یک نورون مصنوعی 11
.3-1شکل: شبکه عصبی با طراحی پیش رو سه لایه 15
.4-1شکل: ساختار شبکه عصبی با طراحی پس انتشار سه لایه 17
.5-1شکل: منحنی تغییرات تابع انعطاف پذیر تک قطبی نسبت به پارامتر a 23
.6-1شکل: منحنی تغییرات تابع انعطاف پذیر دو قطبی نسبت به پارامتر a ٢٣
.1-2شکل: ساختار شبکه عصبی طراحی شده 39
.2-2شکل: کاهش خطا در حین شبیه سازی 40
.1-3شکل: ساختار آرایه ای یک PLA 45
.2-3شکل: ساختار آرایه ای یکSPLD 46
.3-3شکل: یک ساختار LUTچهار ورودی که عمل AND را انجام می دهد 47
.4-3شکل: شمای کلی شبکه پیاده سازی شده با FPGA 50
.5-3شکل: پیاده سازی تابع فعالیت برای نورون های ورودی 52
.6-3شکل: پیاده سازی تابع فعالیت برای نورون های خروجی 53
.7-3شکل: پیاده سازی تابع مجموع حاصل ضرب 54
.8-3شکل: جمع کننده 16 بیتی 55
.9-3شکل: جمع کننده 32 بیتی 56
.10-3شکل: مقایسه تابع سیگموئید و بسط مک لورن تا جمله X 11 58
.11-3شکل: پیاده سازی تابع سیگموئید 61
.12-3شکل: شمارنده 16 بیتی 62
.13-3شکل: T Flip Flop 63
.14-3شکل: مالتی پلکسر دو به یک 63
.15-3شکل: شیفت رجیستر 64
.16-3شکل: لچ 16 بیتی 65
.17-3شکل: شیفت دهنده به چپ و راست 66
.18-3شکل:مقایسه کننده 32 بیتی 67
چکیده :
شبکه های عصبی با توجه به توان بالا درپـردازش موازی،قابلیـت یـادگیری، تعمـیم، طبقـه بندی، قدرت تقریب، به خاطر سپردن و به خـاطر آوردن الگوهـا، خیـزش وسـیعی در زمینـه هـای مختلف هوش مصنوعی ایجاد کرده اند. از این رو به دلیل عملکرد خوب شبکه های عصبی مصنوعی برای شناسایی الگو، در این پایان نامه از شبکه های عصبی چنـد لایـه جهـت پیـاده سـازی سـخت افزاری سیستم استفاده شده است و روش جدیدی برای پیاده سازی شـبکه هـای عـصبی بـر روی
FPGA ارائه شده است . برای پیاده سـازی شـبکه عـصبی از داده هـای آمـاری اداره دامپزشـکی منطقه مغان استان اردبیل به عنوان مثال کاربردی استفاده شده است .
ضرایب وزن و بایاس شبکه عصبی MLP که از شبیه سازی توسط MATLAB بـه دسـت آمـده
است، برای پیاده سازی برروی FPGA، از سری XC 4000 استفاده شده است. برای پیاده سازی
برروی FPGA، از نرم افزار Foundation 4,1 بهره جستیم وتمام مدارات منطقی توسط این نـرم
افزار طراحی شده است . نتایج به دست آمده گویای این مطلب است که FPGA به دلیـل داشـتن
انعطاف پذیری و گیت های منطقی زیاد، برای پیاده سازی شبکه های عصبی ،IC مناسبی است .
١
مقدمه

مقدمه:
شبکه های عصبی با توجه به توان بالا درپردازش موازی،قابلیت یادگیری، تعمیم، طبقه بندی، قدرت تقریب، به خاطر سپردن و به خاطر آوردن الگوها، خیزش وسیعی در زمینه های مختلف هوش مصنوعی ایجاد کرده اند.از این رو به دلیل عملکرد خوب شبکه های عصبی مصنوعی برای شناسایی الگو، در این پایان نامه از شبکه های عصبی چند لایه جهت پیاده سازی سخت افزاری سیستم استفاده شده است. با توجه به طراحی سیستم های هوشمند و کوچکی که در لوازم روزمره امروزی کاربرد دارند، و از طرفی امکان ارتباط آنها به کا مپیوتر وجود ندارد نیاز به پیاده سازی سخت افزاری شبکه های عصبی در حجم کوچک احساس می شود و با توجه به این که آی
سی های FPGA بسیار انعطاف پذیر می باشند و به صورت نرم افزاری تمام طرح های سخت افزاری را می توان پیاده نمود لذا گزینه مناسبی جهت پیاده سازی سخت افزاری شبکه های عصبی می باشد.
در این پروژه یک روش برای پیاده سازی شبکه عصبی بر روی FPGA ارائه شده است .
برای پیاده سازی شبکه عصبی از داده های آماری اداره دامپزشکی منطقه مغان استان اردبیل استفاده شده است .
هدف از جمع آوری این داده های آماری تشخیص و شناسایی یک الگو جهت پیاده سازی در یک
شبکه عصبی از نوع چند لایهMLP است .
برای آموزش شبکه عصبی از روش پس انتشار خطا با 300 بار آموزش برای رسیدن به
حداقل خطای مورد نظر استفاده شده است.
ضرایب وزن و بایاس های به دست آمده از آموزش شبکه عصبی در مرحله بعد برای پیاده سازی آن
روی FPGA استفاده می شود.
2
مقدمه

تعداد داده های آماری در این پروژه 38 داده می باشد که هر یک دارای سه ورودی و یک خروجی است و به عنوان داده ورودی و خروجی برای آموزش شبکه مورد نظر استفاده شده است .
از این 38 داده 34 داده برای آموزش شبکه و 4 داده به عنوان داده تست انتخاب شدند. بعد از
تعیین ضرایب وزنی و بایاس جهت پیاده سازی آن بر روی FPGA سری XC4000 از نرم افزار
Foundation 4,1 برای طراحی مدارات مربوطه استفاده شده است . FPGA, IC سری
XC4000 دارای حجم گیت های منطقی زیاد و انعطاف پذیری خیلی بالا برای پیاده سازی سخت افزاری شبکه های عصبی است. به دلیل استفاده از داده های ثابت در پیاده سازی شبکه بر
روی FPGA، شبکه ، دوباره قابل آموزش نیست.
با توجه به مراحل مختلف به کار گرفته شده در این پروژه جمع بندی و شکل دهی پایان نامه در 4
فصل مورد مطالعه قرار گرفته است .
در فصل اول سیستم های عصبی , انواع شبکه های عصبی , مدل سازی و انواع روشهای آموزش شبکه عصبی مورد بررسی قرار گرفته است .
در فصل دوم روش جمع آوری داده های دامپزشکی بر اساس در صد وجود انگل در گله های
دامی و روش از بین بردن این انگلها بر اساس تزریق داروئی BZD در پیش بینی میزان موفقیت این دارو و در کاهش انگلهای دامی به عنوان داده برای شبکه عصبی انتخاب و توضیح داده شده است.
در فصل سوم روش پیاده سازی سخت افزاری شبکه عصبی بر روی FPGA سری
XC4000 با نرم افزار Foundation 4,1 همراه با مدارهای طراحی شده توضیح داده شده است .
ودر نهایت در فصل چهارم نتیجه گیری کار های انجام شده و پیشنهادات لازم برای افزایش کارائی پژوهش مورد نظر، ارائه شده است.
3
فصل اولشبکههای عصبی

فصل اول
شبکه های عصبی
۴
فصل اولشبکههای عصبی

پیشگفتار
در این فصل ابتدا به معرفی شبکه های عصبی طبیعی و سپس اهمیت اسـتفاده از شـبکه هـای عصبی مصنوعی و در ادامه به معرفی مدلهای مختلف انواع شبکه های عصبی مصنوعی می پـردازیم.
همچنین روش های آموزش شبکه های عصبی، موضوع مورد بحث این فصل قرار گرفته است.
(1-1 سیستم های عصبی طبیعی
مغزانسان از واحدهای پردازنده ای به نام نورون تشکیل شده اسـت. ایـن نورونهـا از طریـق یـک
شبکه به هم پیوسته از اکسون1 وسیناپس2 با چگالی تقریبی 104 سیناپس در نورون با هم ارتبـاط دارند.در مدل سازی سیستم عصبی طبیعی، فرض بر این است که نورونها با استفاده ازسیگنال هـای الکتریکی با هم ارتباط برقرار می کنند.
عملکرد نورونها در یک محیط شیمیایی صورت می گیرد، ازاین رو می تـوان مغـز را بـه صـورت شبکه ای از سوئیچ های الکتریکی با چگالی زیاد در نظر گرفـت کـه بـه طـور قابـل ملاحظـه ای از
فرایندهای شیمیایی تأثیرمی پذیرد. شبکه عصبی ساختار پیچیده ای از نورونهای بـه هـم پیوسـته
دارد.ورودی شبکه از طریق گیرنده های حسی تأمین می شود.
این گیرنده ها تحریکی را از داخل بدن و همچنین از اندامهای حسی (هنگامی کـه تحریکـی از دنیای خارج انجام گیرد) دریافت می کنند. تحریک ها، اطلاعات را به شکل ضربه های الکتریکی بـه شبکه نورون ها انتقال می دهند. در اثر پردازش اطلاعات، واکنش صورت می گیرد.

-Axons -Synapse

1
2
۵
فصل اولشبکههای عصبی

بنابراین برای کنترل اندام ها و اعمال آنها یک سیـستم سـه مرحلـه ای وجـود دارد کـه شـامل گیرنده ها، شبکه عصبی و انگیزنده هاست. درشـکل 1-1 یـک طـرح تقریبـی از جریـان اطلاعـات نمایش داده شده است.
( 1 - 1 - 1 نورون بیولوژیک[1]
نورون، اساسی ترین جزء تشکیل دهنده شبکه عصبی طبیعی می باشـد. طـرح تقریبـی از آن در شکل 1-1 نمایش داده شده است.
یک سلول از سه ناحیه تشکیل شده است :
بدنه سلول –که سوما1 نیز خوانده می شود – اکسون و دندریتها.2 دندریتها که در حکـم ورودی های شبکه می باشد یک درخت دندریتی تشکیل می دهند که توده های بسیار کوچک از فیبرهـای نازک در اطراف بدنه نورون است. دندریتها اطلاعات را از طریق اکسونها که در حکم خروجـی هـای شبکه می باشد دریافت می کنند. قسمت انتهایی اکسون،به یک شـبکه ریـز منتهـی مـی شـود کـه هریک از شاخه های آن به یک حباب انتهایی کوچک ختم می شـود. ایـن حبـاب را کـه تقریبـا در تماس با نورونهای همسایه است،وزن سیناپس می نامند. سیگنالهایی که به سـیناپس مـی رسـند و توسط دندریتها دریافت می شوند، به صورت ضربه های الکتریکی هستند. انتقال بین نورونی گـاهی
اوقات الکتریکی است ولی معمولا تحت تأثیر آزاد شدن حاملهای شـیمیای در سـیناپس قـرار مـی
گیرد.

-Soma -Dendrites

1
2
۶
فصل اولشبکههای عصبی

شکل 1-1 جریان اطلاعات در سیستم عصبی انسان
نورون می تواند به حاصل جمع ورودی های خود که طی یک بازه زمانی کوچک با یکدیگر جمع
می شوند،پاسخ دهد که این بازه زمانی را "زمـان انباشـتگی پنهـان"1 مـی نامنـد. پاسـخ نـورون در صورتی تولید می شود که پتانسیل غشای آن به حد معینی برسد. تنها هنگامی که شرایط لازم برای آتش کردن فراهم شود نورون یک پالس تولید می کند و آن را به اکسون می فرستد.
ضربه های ورودی به دو صورت بر نورون تأثیـر مـی گذارنـد:تحریـک2 و بازدارنـدگی– 3سـاکن
کنندگی- اگر ضربه ورودی سبب آتش شدن نورون گردد به آن "محرک" می گویند و اگـر از آتـش
شدن نورون جلوگیری کند،"بازدارنده" نامیده می شود. به عبـارت دیگـر بـرای آتـش شـدن، بایـد تحریک به اندازه مقدار آستانه،بیشتر از بازدارندگی باشد. این مقـدار آسـتانه حـدود 40 میلـی ولـت است.ازآنجا که پیوند سیناپسی سبب تحریک یا بازدارندگی در نورون گیرنده می شود، مقادیر وزنی واحد مثبت یا منفی به تحریک یا بازدارندگی نسبت داده می شود. به این ترتیب امکان بررسی بهتر

-Period of latent Summation -Excitation -In hibiation

1
2
3
٧
فصل اولشبکههای عصبی

آتش شدن نورون فراهم می شود. از این رو هنگامی که مجموع وزنهایی که ضربه دریافت می کننـد طی زمان انباشتگی پنهان، از مقدار آستانه فراتر رود،نورون آتش خواهد کرد.
ضــربه هــای ورودی بــه نــورون از نورونهــای همــسایه و همچنــین از خــود نــورون تأمــین می شود. معمولا نورون مقصد برای آتش شدن به تعداد معینی ضربه ورودی نیاز دارد. اگر ضربه ها فاصله زمانی کمی داشته باشندو همگی همزمان سر برسند، احتمال آتش شدن نورون بیشتر است.
طبق مشاهدات انجام شده شبکه هـای طبیعـی بـر روی سـیگنالهای ورودی، عمـل جمـع بنـدی و انتگرال گیری زمانی را انجام می دهند.
پردازش زمانی–مکانی1 انجام شده، توسط شبکه های عصبی طبیعی فراینـدی پیچیـده و بـسیار بیشتر از محاسبات دیجیتال سازمان یافته است. ضربه های عصبی از نظر زمانی همزمـان نیـستند و این با نظام محاسبات دیجیتال منافات دارد. مشخصه طبیعی نورون بیولوژیک این است کـه انـدازه سیگنالهای تولید شده،اختلاف قابل ملاحظه ای با هم ندارند.از این رو سـیگنالهای موجـود در فیبـر عصبی یا ناچیز است یا دربیشترین حدخود قرار دارد.به بیان دیگر اطلاعات بـه صـورت سـیگنالهای دودویی میان سلولها ی عصبی انتقال می یابد.
پس از انتقال پالس، فیبرآکسون برای مدت زمـانی کـه "زمـان ممنـوع"2 خوانـده مـی شـود در وضعیت تحریک ناپذیری قرار می گیرد. به عبارت دیگر در طی این مدت، شدت تحریک هر انـدازه باشد، عصب هیچ سیگنالی را هدایت نمی کند.بنابراین می توان مقیاس زمانی را به بازه های پـی در پی تقسیم نمود که هر کدام برابر طول زمان ممنوع می باشند.
واحد زمانی برای مدل کردن نورونهای بیولوژیک از مرتبه هزارم ثانیه فرض می شـود، هـر چنـد زمان ممنوع نورونها یکسان نیست. به علاوه انواع مختلف نورون و روشهای متفاوت پیوند میـان آنهـا وجود دارد.بنابراین ماهیت واقعی شبکه های عصبی بسیار پیچیده تر از آن چیزی اسـت کـه بتـوان

1 -Spatio-termporal 2 -Retractor Period
٨
فصل اولشبکههای عصبی

تصور نمود. در واقع شبکه ای فشرده از نورونهای به هم پیوسته وجود دارد که سیگنالهای آسنکرون تولید می کنند.این سیگنالها هم به نورونهای بعد از خود و هم به نورونهای تولید کننده خود اعمـال می شود. بحث بالا از دیدگاه عصب شناسی بسیار ساده تلقی می شود ولی با وجـود ایـن بـرای ورود به دنیای محاسبه بیولوژیک بسیار ارزشمند است.شبکه های محاسـبه گـر مـورد اسـتفاده از مـشابه بیولوژیک خود بسیار ساده می باشند.
(2-1 مقدمه ای بر شبکه های عصبی مصنوعی
بررسی نحوه تفکر بشر، سالیان سال اندیشه محققان و اندیشمندان را به خود مشغول کرده است.
پژوهــشگران بــرای تحلیــل و تبیــین عملکــرد مغــز، مــدلهای زیــادی را ارائــه کــرده انــد ولــی هیچ کدام از این مدلها را نمی توان برای شـناخت مغـز انـسان کـافی دانـست. شـاید بتـوان گفـت
پیدایش علمی به نام شبکه عصبی مصنوعی نتیجه چنین کوشش هایی است.[1]
از عملکرد های مهم وحیرت انگیز مغز انسان می توان عمل شناسایی را نام بـرد کـه بـی تردیـد یکی از مهمترین ویژگیهای این عضو بوده ودر موارد مختلف، چگونگی و جزئیات عملکرد شناسایی و مورد مطالعه قرار گرفته است.
البته تئوری های مختلف وگاهی پیشرفته ای جهت حل این مسائل ابداع شده است که هـر یـک از این تئوری ها توجیه کننده یک یا چند عملکرد از رفتارهای مهم سلول های مغز می باشند. ولـی
به دلیل پیچیدگی زیاد مغز این تئوری ها کامل نخواهند بود .[1,2,14]
در عین حال می توان بر اساس یک یا چند پیچیدگی مهم مغز انسان، مدلهایی را ارائه نمـود. در برخی موارد خاص، عملکرد این مدلها مشابهت هایی با رفتار های مختلف سلول های بیولوژیکی مغز انسان پیدا می کند.تجمع این مدلها همراه با الگوریتم هایی که بر اسـاس آنهـا آمـوزش مـی بیننـد
شبکه های عصبی مصنوعی 1 ANNsرا به وجود می آورند.

1 -Artificial Neural Network
٩
فصل اولشبکههای عصبی

امروزه شبکه های عـصبی کاربردهـای گـسترده ای در زمینـه هـای پـردازش صـوت و تـصویر، روباتیک، شناسایی،پیش بینی، سیستمهای کنترل، عیب یـابی، تـشخیص هـای پزشـکی و مـصارف نظامی دارند.
در چند دهه اخیر،شبکه های عصبی مصنوعی به دلیل توانایی هـا و قابلیـت هـای بـالا بـه طـور گسترده ای در زمینه های شناسایی، پیشگویی و کنترل به کار گرفته شده است. از این رو به دلیـل عملکرد خوب شبکه های عصبی مصنوعی جهت شناسایی الگو، در ایـن پایـان نامـه از شـبکه هـای
عصبی چند لایه جهت پیاده سازی سخت افزاری سیستم استفاده شده است .[1,2,14]
(3 - 1 اهمیت استفاده از شبکه های عصبی مصنوعی[1,2,14]
یکی از مهمترین موضوعات تحقیقاتی دهه اخیر که بسیاری از شاخه های مهندسـی، خـود را بـا آن در ارتباط می بینند،شبکه های عصبی می باشـد. شـبکه هـای عـصبی بـا توجـه بـه تـوان بـالا درپردازش موازی، قابلیت یادگیری، تعمیم، طبقه بندی، قدرت تقریب، به خاطر سپردن و به خـاطر آوردن الگوها، خیزش وسیعی در زمینه های مختلف هوش مصنوعی ایجاد کرده اسـت. یـک شـبکه عصبی سعی دارد با استفاده از عناصر محاسباتی ساده غیر خطی که معرف نورونها بوده و در ارتبـاط موازی شدید با یکدیگر هستندبه قابلیت های ذکر شده ، دسترسی پیدا کنـد.عناصـر محاسـباتی بـه وسیله ارتباطاتی که وزن نامیده می شوند به یکدیگر مرتبط هستند. عمل یادگیری و آموزش تعمیم و به خاطر آوردن الگوها با استفاده از وزنهای تطبیقی که قابل تنظیم هستند، انجام می شود.
شبکه های عصبی دارای ساختار موازی می باشند که کلیه عملیاتها را بـه صـورت مـوازی انجـام می دهند. به این ترتیب می توان گفت که عبارت شـبکه هـای عـصبی بـرای توصـیف سـاختارهای متعددی از المانهای ساده پردازشگر که روش دیگری را در جهت محاسبات معرفی می کند،بـه کـار می رود.
١٠
فصل اولشبکههای عصبی

هدف از تحقیقات شبکه های عصبی، ایجاد ماشین هایی است که در محدوده هـایی کـه انـسان بهتر و کاملتر از کامپیوترهاعمل می کند، به کار گرفته شوند.بدین ترتیب شبکه های عصبی وسـایل کمکی کامپیوترهای مرسوم امروزی هستند و نه جایگزین آنها.
(4-1 مدل سازی نورون در شبکه های عصبی مصنوعی[2,3,4]
با توجه به رفتارهای یک نورون طبیعی می توان نورون مصنوعی را با استفاده از ابزارهای ریاضی به صورت زیر و مطابق شکل (1-1) معرفی نمود.

شکل 2-1 مدل سازی یک نورون مصنوعی
سیگنال ورودی به نورون بردار X بوده که از طریق بـردار وزن W وارد یـک تـابع بـه نـام تـابع
فعالیت شده و سپس تحریک و در نتیجه سیگنال خروجی نورون – j ام را تشکیل می دهد.
(1-1) w1.x1 n f(Net) O j  f (W .X )  f ∑ i 1 که W و X به ترتیب بردارهای وزنی و ورودی اند و به صورت زیر می باشند:
(2-1) ... wn  W  w1 w2 T ... x 2 x X  x n 1 در این روابط f، تابع فعالیت یا تحریک نورون است که عامل اصلی در تعیین سیگنالهای خروجی
نورون می باشد. دامنه این تابع Net مدل نورون اسـت از ایـن رو گـاهی آن را بـه صـورت f(Net)
نمایش می دهند.متغیر Net به صورت ضرب اسکالر بردارهای ورودی و وزن تعریف می شود:
(3-1) n∑ wi xi Net W .X 
i1 ١١
فصل اولشبکههای عصبی

مسیر خروجی هر نورون به مسیرهای دیگر نورونهای شبکه از طریق وزنهای اتـصال مـرتبط مـی گردد. چون هر اتصال، وزن خاص خود را دارد بنابراین سیگنالها قبل از این که وارد یک نورون شوند مقادیرشان توسط این وزنها تصحیح می گردد.
توابع تحریک با توجه به نیاز از انواع مختلفی انتخاب شده اند که مهمتـرین آنهـا در جـدول زیـر آمده است.
جدول :1-1 توابع مهم قابل استفاده در شبکه های عصبی تابع فعالیت نوع تابع فعالیت f (net)  net خطی 1 f (net)  سیگموئید تک قطبی (l exp(−net)) (l −exp(−net)) f (net)  سیگموئید دو قطبی (l exp(−net)) 1,if net0 حد آستانه ای دو قطبی −1, otherwise f (net)  1, if net  0 f (net)  حد آستانه ای تک قطبی 0, otherwise (5-1 انواع شبکه های عصبی مصنوعی [4]
به طور کلی شبکه های عصبی را می توان از سه جهت مورد بررسی قرار داد: -1 نوع نورون و عملکرد آن
-2 ساختار و نحوه ارتباط بین نورونها
-3 نوع آموزش نورونها از نظر نوع و نحوه عملکرد به نورونهای مشتق پـذیر، پیوسـته، افزایـشی و انعطـاف پـذیر
تقسیم می شوند. در ساختار شبکه عصبی مصنوعی با آموزش گرادیان نزولی، از توابع پیوسته،مشتق
١٢
فصل اولشبکههای عصبی

پذیر و افزایشی استفاده می شود. مناسب ترین توابع برای این منظور، توابع سیگموئید می باشند که به عملکرد نورون بیولوژیک نزدیک می باشند. همچنین از خاصیت مشتق افزایـشی آن مـی تـوان از الگوریتم پس انتشار خطا استفاده نمود که در فصل های بعد توضیح داده می شود.
از نظر ساختار، چگونگی ارتباط میان نورونها و طراحی الگوریتم دو نوع فعالیت در شـبکه وجـود دارد:
شبکه با فعالیت پیش رو
شبکه با فعالیت پس خور
در شبکه های پیش رو، نورونها به صورت لایه به لایه در کنار هم قرار گرفته انـد. شـبکه شـامل یک لایه ورودی، یک لایه خروجی و به تعداد مورد نیاز لایه میانی است. در این شبکه ها، اطلاعـات به سمت جلو هدایت می شوند تا خروجی های شبکه به دست آینـد بـه طـوری کـه هـیچ برگـشت اطلاعاتی وجود ندارد و داده ها از لایه ورودی از طریق لایه میانی به لایه خروجی می رسند.
در شبکه های پس خور، بر خلاف شبکه های پیش رو هر نورون علاوه بر ارتباط با نورون هـای لایه قبل که در شبکه پیش رو نیز وجود دارد، می تواند با نورونهای لایه های دیگر شبکه نیز ارتباط داشته باشد. در این شبکه ها تا زمانی که شبکه به شرایط همگرایی معینی نرسد، اطلاعـات در بـین لایه های شبکه نوسان می کنند و پس از رسیدن به همگرایی مورد نظر شـبکه ، اطلاعـات بـه لایـه خروجی راه می یابند. به عبارت دیگر در این شبکه ها اطلاعات علاوه بر حرکت رو بـه جلـو ، جهـت تصحیح وزن ارتباطی بین نورونها از طریق شبکه، حرکت رو به عقب- پس انتشار- هم دارند.
به طور کلی در شبکه های عصبی با توجه به نحوه یادگیری، روش هـای آمـوزش بـه دو صـورت تقسیم می شود:
آموزش با مربی
آموزش بدون مربی
١٣
فصل اولشبکههای عصبی

در روش آموزش با مربی، یک الگو یا سیگنال مطلوب در اختیار شبکه قرار داده می شود و شبکه با استفاده از قوانین یادگیری، خود را با الگوی مورد نظر تطبیـق مـی دهـد. بـه بیـان دیگـر شـبکه پارامترها را طوری تنظیم می کند تا خروجی به الگوی مطلوب نزدیک تر شود.
در روش آموزش بدون مربی در واقع شبکه الگوی خاصی را در اختیار ندارد بلکـه بـا اسـتفاده از قواعدی که از ورودی ها استخراج می کند، وزن های اتصال را تنظیم می کند تا خروجـی اسـتخراج شده به دست آید. به بیان دیگر در روش آموزش با مربی پارامترهای شبکه بر اساس ورودی و الگوی مطلوب تنظیم می شوند در حالی که در آموزش بدون مربی، پارامترها بر اسـاس ورودی و خروجـی تغییر می کنند.
(6-1 یادگیری در شبکه های عصبی مصنوعی
بر خلاف سیستم های خبره مرسوم که شناسـایی را در شـکل قواعـد مـدل سـازی مـی کنند، شبکه های عصبی از طریق یادگیری که از ویژگی های مهم آنها می باشـد، توسـط مثالهـای ارائه شده، قواعد خود را تولید می نمایند. یادگیری از طریق یک قاعده یادگیری صورت مـی پـذیرد.
شبکه های عصبی دارای این توانایی هستند که از گذشته و محیط بیاموزند و رفتار خود را در حـین آموزش بهبود بخشند. قاعده یادگیری، وزنهای اتصالات شبکه را در پاسخ بـه ورودی هـای شـبکه و تولید خروجی مورد نظر برای آن ورودی ها، تغییر خواهد داد.
برای این منظور الگوریتم های یادگیری متعددی وجود دارد که شامل موارد زیر می باشد:
-1 قانون یادگیری هب: 1
این قانون بیانگر یک شبکه کاملاً پیش رو و بدون مربی است. در این روش یک وزن اتصالی روی یک مسیر ورودی به یک نورون ، زمانی افزایش می یابد که ورودی و خروجی هر دو بـالا باشـد. بـه بیان دیگر اگر حاصل ضرب ورودی و خروجی مثبت باشد، وزن افزایش می یابد.

1 - Hebbian Learning Rule
١۴
فصل اولشبکههای عصبی

-1 یادگیری با قانون رقابتی:1
در این روش بین نورونها رقابت وجود دارد و نورونی که قوی ترین پاسخ را به ورودی ارائه دهـد، خود را در جهت شبیه شدن بیشتر به ورودی تصحیح می کند.
-2 یادگیری با قانون دلتا:2
در این روش توسط تصحیح پارامترها، خطای خروجی واقعی یک نورون و خروجی مورد نظـر بـا روش گرادیان نزولی کاهش می یابد.
(7-1 شبکه های عصبی پیش رو .[3,4]
در این شبکه ها، خروجی های لایه قبلـی فقـط بـه ورودی لایـه جلـویی خـود از طریـق اتصالات وزنی مرتبط می شوند. بدین ترتیب هیچ گونـه برگـشت اطلاعـاتی وجـود نـدارد. بنـابراین استفاده از آنها در کنترل سیستم های دینامیک دار امکان ندارد. شکل (3-2) نشان دهنده این نـوع ساختار می باشد.

شکل :(3-1 شبکه عصبی با طراحی پیش رو سه لایه (با در نظر گرفتن لایه ورودی)
با اعمال بردار ورودی x به شبکه با ماتریسهای وزنـی W و V بـردار خروجـی O را مـی تـوان
محاسبه کرد. مراحل محاسبه بدین صورت می باشد که در ابتدا با اعمال بـردار ورودی X بـه لایـه ورودی به علت خطی بودن این لایه، بردار ورودی بدون تغییر در خروجی این لایه ظاهر مـی شـود.

1 - Competition Learning Rule 2 - Delta Learning Rule
١۵

. ...
. ...
. ...
... w2i
... w1i
فصل اولشبکههای عصبی

بردار خروجی لایه ورودی در ماتریس وزنی W ضرب می شود و بردار مقدار کل ورودی عصب هـای لایه میانی ساخته شده و با اعمال تابع انتقال لایه میانی بر هـر یـک از ایـن مقـادیر، خروجـی لایـه میانی به دست می آید. به همین ترتیب بردار خروجی لایه خروجی نیـز محاسـبه مـی گـردد. ایـن محاسبه به صورت ماتریسی در زیر آورده شده است.
x1x2...xnT

X
(4-1)
... wni

w12
w22
.
.
.
wn2

w11
w21
.
.
. wn1

W
و بردار ورودی های وزن دار لایه میانی عبارت است از:
Net1 W T .XNet1i×1Wi×n.Xn×1(5-1)
آنگاه مقدار خروجی از لایه میانی به صورت زیر خواهد بود که به منزله ورودی لایـه بعـدی مـی باشد:
(7-1) خروجی های لایه اول
H  F (Net1 )
(6-1)
(7-1)

h2 ... hi T
v12 ... v1k v22 ... v2k
. ... .
. ... .
. ... .
vi 2 ... vik

H  h1
v11
v21
V  .
.
. vi1
و همچنین بردار ورودی های وزن دار لایه خروجی عبارت است از:
Net 2 V T .H,Net2k×1Vk×i.Hi×1(8-1)
١۶
فصل اولشبکههای عصبی

و بردار خروجی شبکه به صورت زیر محاسبه می شود:
(9-1) O  F (net 2 ) , O  o1 o2 ... ok T
که در آن: :n تعداد عصب های ورودی : k تعداد عصب های لایه خروجی
:i تعداد عصب های لایه میانی T معرف اپراتور ترانهاده می باشد.
(8-1 شبکه های عصبی پس انتشار1
تفاوت شبکه های عصبی پس انتشار با شبکه های عصبی پیش رو در حلقه فیدبک آنهـا مـی باشد. در این شبکه ها، اطلاعات علاوه بر حرکت به جلو، جهت تصحیح پارامترهای اتصالات از طریق شبکه، حرکت به عقب (پس انتشار) نیز دارند. شکل (4-1) نشان دهنده این نوع ساختار می باشد.

شکل :(4-1 ساختار شبکه عصبی با طراحی پس انتشار سه لایه (با در نظر گرفتن لایه ورودی)

1 - Back-Propagation
١٧
فصل اولشبکههای عصبی

(1-8-1 روش آموزش پس انتشار خطا [3,4]
آنچه تاکنون گفته شد این است که شبکه های عصبی به عنوان سیستم هـای آمـوزش پذیر، دارای توانایی می باشند که از گذشته و محیط بیاموزند و رفتار خود را در حین آموزش بهبود بخشند. مهمترین مسأله در ارتباط با شبکه های عصبی، مسأله یادگیری است. همـان گونـه کـه در قسمت های قبلی این فصل اشاره شد، دو نوع روش یادگیری برای شبکه های عصبی وجود دارد که یکی از این روش ها، یادگیری با مربی و دیگری روش یادگیری بدون مربی می باشد.
در روش یادگیری با مربی، نمونه های ورودی و خروجی مطلوب هر دو در دسترس مـی باشـند، الگوریتم کار در این روش دارای مراحل زیر می باشد:
-1 تعیین ساختار برنامه (تعداد لایه ها و نورونها) و نوع روش آموزش
-2 مقداردهی متغیرهای اولیه با توجه به نوع شبکه
-3 اعمال ورودی به شبکه و تعیین خروجی با توجه به نوع شبکه و پارامترهای اولیه
-4 مقایسه ورودی ساخته شده و خروجی های مطلوب و مقایسه این اختلاف با مقـدار خطای تعریف شده
-5 تغییر متغیرهای برنامه با اسـتفاده از الگـوریتم تکـرار روش آموزشـی تـا رسـیدن اختلاف مقادیر خروجی شبکه با خروجی مطلوب به مقدار خطای تعریف شده روش های مختلفی جهت آمـوزش پارامترهـا، پیـشنهاد گردیـده اسـت کـه مهمتـرین آن روش
یادگیری پس انتشار خطا1 است. الگوریتم پس انتشار خطا در زمان، یکی از ابزارهای قدرتمنـد بـوده که برای تشخیص الگو، به دست آوردن مدل های دینامیکی و کنترل سیستم هـا مفیـد مـی باشـد.
تنها چیزی که استفاده از این روش را در کنترل محدود می کند محدودیتهای معـادلات سیـستم می باشد. برای استفاده از این الگوریتم باید معادلات سیستم تحـت کنتـرل، کـاملاً شـناخته شـده،

1 - Back -Propagation of Error
١٨
فصل اولشبکههای عصبی

پیوسته و مشتق پذیر باشد. در صورتی که معادلات سیستم ناشناخته باشد، می توان از یـک شـبکه عصبی شبیه ساز استفاده نمود و رفتار سیستم را به خوبی به آن آموخت.
الگوریتم پس انتشار خطا از روش های آموزش با مربی اسـت کـه بـرای آمـوزش شـبکه هـای عصبی چند لایه به کار می رود. در این شبکه ها که اصطلاحاً شبکه عصبی پس انتشار نامیـده مـی شود پارامتر های شبکه با استفاده از روش بهینه سازی گرادیان نزولی که بر اساس روش زنجیره ای برای هر لایه می باشد به گونه ای تغییر می یابند تا اختلاف خروجی سیستم با خروجی مطلوب بـه حد قابل قبولی برسد. در این روش هدف این است که با به دست آوردن گرادیان تابع خطا نسبت به بردار پارامتر ها، تابع خطا حداقل گردد. لازم به ذکر است که در این روش ازآموزش با مربی استفاده شده است. تابع خطا به صورت زیر تعریف می شود:
(10-1) k∑ e(n)2 1 (d (n) − o(n))2  k∑ 1 E  2 n1 2 n1 که d (n) خروجی مطلوب و o(n) خروجی واقعی سیستم است کـه در روابـط زیـر نـشان داده
شده است.
... dk  D  d1 d2 حال با استفاده از روش گرادیان نزولی به این صورت عمل می شود. o2 ...ok  Output o (n) o1 (11-1) ∂E ∆W s  −η s ∂W که در آن η  O نرخ یادگیری1 می باشد.
از آنجاکه در این پایان نامه تمام ساختارهای به کار رفته سه لایه ای مـی باشـند (دو لایـه در ورودی و خروجی و یک لایه مخفی و چنانچه لایه ورودی به عنوان یک لایه در نظر گرفته نشود بـه عبارتی فقط لایه های وزن داری که مقادیر وزنی آن آموزش داده می شوند در نظر گرفته شـوند در آن صورت شبکه از نوع دو لایه ای خواهد بود) تمامی محاسـبات بـرای چهـار لایـه در نظـر گرفتـه

1 - Training Rate
١٩
فصل اولشبکههای عصبی

می شود. بنابراین مقادیر وزنی w1 در لایه اول و w2 در لایه دوم بایستی آموزش ببیند. در ایـن جـا
از قاعده زنجیری در اینجا استفاده می شود:
(12-1) به ازای S=2 روابط به این صورت است:
(12-1) ∂Net2 . ∂O2 . ∂E  ∂E ∂W 2 ∂Net2 ∂O2 ∂W 2 با توجه به شکل (4-1) و روابط شبکه سه لایه: (13-1) o1 ∂Net2 ، o2 ∂o2 ، ( با توجه به رابطه (10-1 −(D−o2) ∂E ∂w 2 ∂Net 2 ∂o 2 که در آن o2′ معرف بردار مشتق تابع خروجی نسبت به ورودی وزن دار ایـن لایـه یـا Net2 و o′
معرف بردار خروجی لایه میانی که ورودی لایه بعدی لایه آخر است، می باشد.
با توجه به روابط (11-1) و (12-1) و :(13-1)
∂E ∆w2  −η (14-1) ∂w2 ∆w2 η(c − o2 ) . o2′ . o1 به همین ترتیب برای ماتریس وزنیw1 (لایه اول) نیز به این صورت محاسبه می شود: (15-1) ∂Net ∂o1 ∂Net2 ∂o2 ∂E ∂E . . . .  ∂w1 ∂Net ∂o1 ∂Net 2 ∂o2 ∂w1 (16-1) ∆w η(D − o 2 ).o 2′.w2 .o1′.x که در آن x مقادیر ورودی به شبکه و o1′مشتق خروجی لایه اول به Net1 می باشـد. تـا اینجـا محاسبات به صورت پیش رو انجام شده است و با رابطه زیر به صورت پس خور خواهد بود.
در نتیجه مقادیر جدید وزنها از رابطه زیر محاسبه می گردد.
wiNew  wiold  Awii 1, 2 , 3(17-1)
لازم به ذکر است که توابع تحریک مورد استفاده در این روش می تواند از دو نوع باشـد کـه ایـن دو مدل در زیر توضیح داده می شود:
٢٠
فصل اولشبکههای عصبی

تابع تک قطبی(USF) 1
(18-1) 1 F ( X )  −x 1  e که برای این تابع مشتق نسبت به ورودی به صورت (( F ′( X )  F (X )(1− F (X خواهد شد.
تابع دو قطبی(BSF) 2
−x (19-1) 1 − e F ( X )  −x 1  e و برای این تابع نیز مشتق نسبت به ورودی توسـط رابطـه F ′( X )  12 1 − F (X )2  تعیـین

میشود.
(9-1 شبکه های عصبی انعطاف پذیر[4] 3
آنچه تا کنون در رابطه با شبکه عصبی مورد مطالعه قرار گرفته است شبکه هـایی اسـت که در آنها وزن بین لایه های شبکه، آموزش می بیند. به عبارت دیگر آموزش یافتن وزنها به مفهـوم حداقل نمودن گرادیان خطا خواهد بود. اما گاهی اوقات به دلیـل بزرگـی دامنـه تغییـرات سـیگنال ورودی شبکه تابع، فعالیت برخی از نورونها به اشـباع مـی رود و در نتیجـه، خروجـی ایـن دسـته از نورونها در مقدار اشباع خود قرار می گیرد و می تواند برای نورونهای لایه بعدی وضع مشابهی ایجـاد کند. با ادامه یافتن این وضع، شبکه در یک حالت پایدار قرار می گیرد که در چنین حالتی به دلیـل ثابت ماندن خروجی نورونها ، ادامه دادن آموزش فایده ای ندارد به عبارت دیگر در این حالت شـبکه گرفتار یک مینیمم محلی می شود. در چنین حالتی می توان شیب تابع فعالیـت نورونهـا را هماننـد

1 - Unipolar Sigmoid Function 2 - Bipolar Sigmoid Function Flexible Neural Networks -٣
٢١
فصل اولشبکههای عصبی

وزن پیوندها آموزش داد این عمل منجر به خاصیت جدیدی به نام" انعطاف پذیری" می گـردد کـه
در سال 1993 معرفی و امکان مدل سازی نورون مصنوعی بر اساس این ایده ارائه شد .[2]
این عمل باعث می گردد که تعداد دفعات آموزش شبکه به میزان قابل توجهی کاهش یابـد و بـه عبارت دیگر علاوه بر وزنها با آموزش شـیب تـابع ، سـرعت یـادگیری افـزایش مـی یابـد. همچنـین
نورونهایی که از اهمیت کمتری در شبکه برخوردارند،شیب تابع تبدیل بیـشتری را دارا م ی باش ند و
خروجی آنها سریعتر و با دامنه بیشتری از تغییرات همراه است، در نتیجه خطا سریع کاهش یافته و
خروجی شبکه با سرعت بیشتری به خروجی مطلوب نزدیک می شود.
همچنین می توان با آموزش وزنها و پارامترها در شبکه عصبی، انعطاف پذیری شـبکه را افـزایش داده و تعداد نورونها کمتری نسبت به حالت کلاسیک که در آن از توابـع سـیگموئید اسـتفاده شـده است، به دست آورد و بتوان نورونهایی را که پارامتر آنها بعد از یک دوره کامل آموزش خیلی کوچک شده است، حذف کرد و به تعداد کمتری نورون در لایه پنهان رسید و در نتیجه سرعت برنامـه بـالا خواهد بود.
توابع فعالیت مورد استفاده در این نوع شبکه به دو نوع زیر می باشند:
الف) تابع انعطاف پذیر تک قطبی(1(FUSF
(مقدارa به خاطر یک سویه بودن تابع تبدیل، بایستی مثبت باشد)
(20-1) a 2 f (x, a)  ( x a (1  e−2 که در آن ) x یا همان (net ورودی تابع و a، شیب منحنی تـابع، تغییـر مـی کنـد. فـضای تغییرات این تابع همیشه مثبت بوده و درجه غیر خطی بودن تابع به ازای x ≥ 0 توسـط مقـدار a مشخص میشود.
1 - Flexibility Unipolar Sigmoid Function
٢٢
فصل اولشبکههای عصبی

شکل 5-1 منحنی تغییرات تابع انعطاف پذیر تک قطبی نسبت به پارامتر a
ب- تابع انعطاف پذیر دو قطبی(FBSF) 1
(21-1) −2ax 1 − e g(x, a)  ( −2ax a(1  e این تابع همانند تابع تک قطبی، تغییرات a، باعث تغییرات نمودار تابع می گـردد، کـه بـه ازای
مقادیر a در محدوده a1 و− a1 به صورت غیر خطی تغییر خواهد یافت و به ازای سایر مقـادیر a بـه

سمت یک تابع خطی میل خواهد نمود. شکل 5-1 گویای این مطلب است.

شکل 6-1منحنی تغییرات تابع انعطاف پذیرد و قطبی نسبت به پارامتر a
ایده اصلی در شبکه عصبی انعطاف پذیر، آموزش پارامتر a موجود در توابع فعالیت نورونها عـلاوه
بر آموزش وزنها می باشد. روش آموزش وزنهـا مـشابه روش قبلـی مـی باشـد. بـا اسـتفاده از روش
گرادیان منفی در جهت حداقل نمودن تابع هزینه، نحوه آموزش پارامتر a به صورت زیر خواهد بـود.

1 - Flexibility Bipolar Sigmoid Function
٢٣
فصل اولشبکههای عصبی

تابع خطا یا هزینه در زیر آمده است. در این روش مانند روش قبلی ابتدا محاسبات الگـوریتم پـیش رو و سپس پس خور محاسبه خواهد شد.
2 1 (22-1) k∑(d(n) − o(n)) J  2 n1 تغییر پارامتر به صورت زیر توصیف خواهد شد: (23-1) ∂.J ∆a 3  −η 3 ∂a که در آن η  0 نرخ آموزش می باشد. 3 3 ∂J ∂.J (24-1) 03 ∂O −(D−O3), ∂J , ∂O .  3 3 3 3 3 ∂a ∂O ∂a ∂O ∂a که در آن o3 بیانگر بردار مشتق تابع خروجی نسبت به a 3 می باشد با توجه به روابط((23-1و (24-1) می توان رابطه زیر را نتیجه گرفت: (25-1) ∆a 3  η(D − O3 ).O3 به این ترتیب تغییر پارامتر a در لایه های دیگر به صورت زیر توصیف می شود: (26-1) ∂J ∆a 2  −η 2 ∂a (27-1) ∂O2 ∂net3 ∂O3 ∂J  ∂J . . . ∂a 2 ∂O2 ∂net3 ∂O3 ∂a2 (28-1) −(D−O3).O3.W3.O2 ∂J 2 ∂a که در آن O2 بیانگر بردار مشتق تابع خروجی لایه دوم نسبت به پارامتر a 2وO3 بیـانگر بـردار
مشتق تابع خروجی نسبت به ورودی آن لایه یا همان net3 می باشد.
با توجه به روابط بالا ∆a 2 به این صورت محاسبه می گردد:
∆a 2  η(D − O3 ).O3 .W3 .O2(29-1)
برای لایه اول می توان رابطه زیر را بیان نمود:
٢۴
فصل اولشبکههای عصبی

(30-1) ∂J ∆a 2  −η 1 ∂a مشابه روابط بالا این بار برای لایه اول، روابط به شکل زیر خواهند بود .
(31-1) ∂O1 ∂net 2 ∂O2 ∂net3 ∂O3 ∂J  ∂J . . . . . ∂a1 ∂O1 ∂net 2 ∂O2 ∂net3 ∂O3 ∂a1 در رابطه بالا O2 برابر با مشتق خروجی لایه دوم نـسبت بـه ورودی وزن دار آن لایـه یـا همـان
net2 و O1 ، مشتق خروجی لایه اول نسبت به پارامترa1 می باشد.
در نهایت مقدار ∆a1 به صورت زیر محاسبه می شود:
∆a1  η(D − O3 ).O3 .W3 .O2 .W 2 .O10(32-1)
بنابراین با توجه به این محاسبات تنظیم پارامترهـا در لایـه خروجـی و لایـه هـای پنهـان بـه
صورت زیر است:
ainew  aiold  ∆ai i 1,2,3(33-1)
در روابط بالا دقت شود که خروجی های دو لایه آخر نسبت به دو متغیر a و net مشتق گرفتـه شده است.
شبکه های عصبی طراحی شده در این پایان نامه، شبکه عصبی سه لایه MLP می باشد که در آن از روش آموزش پس انتشار خطا استفاده شده است ، که در فصل بعد روش طراحـی و همچنـین آموزش آن ارائه خواهد شد.
دامنه شبکه های عصبی مصنوعی بسیار متنوع شده است و هر یک در زمینه های خاصی کاربرد دارند. شبکه های عصبی که در حال حاضر بیشترین تحقیق بر روی آنها صورت می گیرد.
٢۵
فصل دوم تشخیص میزان موفقیت داروهای HPT در کاهش انگل های دامی با استفاده از شبکههای عصبی

فصل دوم
تشخیص میزان موفقیت داروهای HPT در
کاهش انگلهای دامی با استفاده از شبکههای
عصبی
٢۶
فصل دوم تشخیص میزان موفقیت داروهای HPT در کاهش انگل های دامی با استفاده از شبکههای عصبی

پیشگفتار:
در این فصل با استفاده از شبکه عصبی بر روی داده های آماری اداره دامپزشکی منطقه مغان استان اردبیل میزان موفقیت داروها قبل از تزریق داروی انگل کش به دامها بر اساس درصد وجود انگلها در دامها مورد بررسی قرار می گیرد.
1-2 )موضوع
مقاومت در مقابل انگل کش ها (AR) یک موضوع بسیار مهم درکشورهای پرورش
دهنده گوسفند، درجهان تلقی می شود.مطالعات در این زمینه به وسیله آزمایشهای
بالینی(کلینیکی) انجام می شود. شناسایی انگلهای مقاوم در مقابل انگل کشها بدون انجام آزمایشهای بالینی می تواند به دامداران کمک کند تا از درمانهای غیر موثر اجتناب کنند.
کنترل آلودگی گوسفندان به کرم روده ای نماتود در استان اردبیل عمدتا برمبنای استفاده از
انگل کش ها (AH) قرار دارد.[5] وضعیت AR دردشت مغان واقع در استان اردبیل به طرز بسیار ضعیفی مورد مطالعه قرار گرفته است. فقط دو مورد اساسی وجود دارد که نشان دهنده
حضور نماتودهای مقاوم در برابر بنزیمیدازول (BZD) می باشند.[6] مطالعه نتایجی ازنمونه مدفوع سه گله از گوسفندان به دست آمده است که دو گله از گوسفندان در دشت مغان، که
توسط تکنیک های ویتر، مورد مطالعه قرار گرفتند، و میزان AR ثبت شد. استفاده مکرر از
AH مستلزم اطلاعات لازم در زمینه خاصیت گروههای مختلف دارویی می باشد، هدف این
آزمایش، تعیین میزان شیوع نماتودهای مقاوم در برابر BZD از طریق کاهش شمار تخم
مدفوع((FECRT می باشد. دشت مغان درشمال غربی استان اردبیل واقع شده است. این
استان دارای آب و هوای نیمه مرطوب همراه با میزان بارش سالانه بین 415 و 1290 میلی-
متر با توجه به نوع منطقه، می باشد. پایین ترین حد دمای سالانه 26/6 سانتیگراد بوده
ومیزان رطوبت نسبی (PH) از 65 به %100 متغیر است (پایین ترین حد رطوبت نسبی %80
٢٧
فصل دوم تشخیص میزان موفقیت داروهای HPT در کاهش انگل های دامی با استفاده از شبکههای عصبی

است ) . دشت مغان به سه ناحیه تقسیم می شود، شمال غربی، جنوب و شرق. این سه منطقه دردشت مغان انتخاب شدند. چون این مناطق به طور مشترک 80 درصد از مجموع جمعیت گوسفندان استان اردبیل را درخود جای داده اند، به علاوه درصد قابل توجهی ازگله ها دراین نواحی 40) درصد ) دارای بیش از 40 راس گوسفند می باشند. وسرانجام ،60 درصد از گله
هایی که گوسفندان تحت آزمایش با AH را دراستان اردبیل در بر می گیرند درهمان سه
منطقه واقع شدهاند .[5]
شمارگله ها که با بیش از 40 رأس گوسفند درناحیه مطالعاتی گزارش شده از سوی انجمن پرورش دهندگان گوسفند ، 38 رأس بود. به همین منظور، این تصمیم اتخاذ گردید که همه
گله های با بیش از 40 رأس گوسفند درناحیه تحقیقاتی، مورد مطالعه قرار گیرند .[ 7]
(2-2 شیوه ها
شیوه ای که برای یافتن نماتودهای مقاوم در برابر AH دراین آزمایش اعمال شده،
تست کاهش شمار تخم مدفوع (FECRT)، می باشد. به همان روش که از سوی انجمن
جهانی توسعه انگل شناسی دامی (WAAVP) ارائه شده است .[15]
هیچ یک ازحیوانات آزمایش شده به مدت حداقل 8 هفته قبل از شروع مطالعه مورد درمان
AH قرار نگرفتند. درهر گله 40 رأس گوسفند (نر یا ماده )، با بیش از 6 ماه سن، از ناحیه
پشت، نمونه برداری ازنوع مدفوع می شوند. نمونه ها، با استفاده از تکنیک تغییریافته مک-
ماستر مورد آزمایش قرار می گیرند، که درآن یک تخم شمرده شده معادل 50 تخم برای
هرگرم از مدفوع به شمار می رود .(EPG) حیواناتی که بیش از EPG 150 نماتود تریکوسترونژیل می باشند، به طور راندوم به دو گروه 14 تا 15 راس تقسیم می شوند. روز بعد، حیوانات موجود درگروه 1، آلبندازول را از ناحیه دهان، درحدود 5 میلی گرم / کیلوگرم وزن بدن دریافت می کنند. گروه 2 به عنوان کنترل درمان نشده باقی می مانند. در هر مزرعه
٢٨
فصل دوم تشخیص میزان موفقیت داروهای HPT در کاهش انگل های دامی با استفاده از شبکههای عصبی

نمونه گیری شده، حیوانات در داخل آغل به مدت 16 ساعت قبل از درمان نگه داشته می شوند، در طول دوره درمان، هیچ غذایی به حیوانات داده نمی شود، این وضعیتی می باشد که کشاورزان جهت مشارکت دراین آزمایش به آن نیاز دارند.مقداری از نمونه مدفوع به دست آمده از هر دو گروه درمان شده و کنترل، به مدت 7 روز در دمای بالا و با هدف تولید لاروای عفونی تریکو سترونژیل، نگهداری می شوند. بعداز آن، لاروا با استفاده از تکنیک کوریچلی لای از مدفوع جدا می شود و تعیین لاروا برای هر پرورش حجیم، اعمال می شود.ده روز پس
ازاجرای درمان AH، نمونه های مدفوع هرگوسفند ازهمه حیوانات به دست می آید و برای
شمارش تخم مدفوع (FEC) با بهره گیری ازتکنیک مک ماستر مورد پردازش قرار می گیرد.
پایین ترین سطح FEC برای هرگروه درمان (EPGT) تعیین می شود و باگروه کنترل
درهمان گله مقایسه می گردد. کاهش درصد (R(%)) با استفاده از فرمول زیر تعیین می شود:
R(%)=[1-(EPGT/EPGC)]*100
میزان مقاومت طبق راهنمایی های WAAVP اعلام می شود.
(a هنگامی که (%) R بود، 95 بزرگتر است.
(b هنگامی که حد پایین فاصله اطمینان ( CI %95) %95 بود،%90 بزرگتر است.
فقط وجود یکی از این معیارها کافی است تا گله، مشکوک به مقاومت دربرابر بنزیمیدازول
باشد. گسترش گله های گوسفند با درصد زیادی از نماتودهای مقاوم در برابر BID و %95 CI
دراین نوع شیوع، برمبنای فرمولی که دربالا به آن اشاره شد محاسبه می گردد.
تحقیقات پرسشنامه ای درمیان صاحبان گله یا مدیران گله،درهنگام دومین نمونه گیری مدفوع از گوسفندان اعمال شده ،سپس اطلاعات زیر از این تحقیقات به دست می آید:
AH مورد استفاده قرار گرفته، فاصله مصرف، معیارهای انتخاب داروی AH، مایع HA و
چرخه آن.
٢٩
فصل دوم تشخیص میزان موفقیت داروهای HPT در کاهش انگل های دامی با استفاده از شبکههای عصبی

(3-2نتایج آزمایشهای بالینی
در این بخش از نتایج آمارهای موجود در اداره دامپزشکی منطقه مغان استان اردبیل
استفاده شد .[7]
تعداد مزرعه های بیش از 40 راس دام که خصوصیات مورد نیاز برای آزمایش درسه منطقه مذکور را داشتند به شرح زیر است: 13 مزرعه در پارس آباد دشت مغان، 22 مزرعه در بیله سوار دشت مغان و3 مزرعه در جعفر آباد دشت مغان.
جدول 1-2 پایین ترین سطح آماری EPG مربوط به گروه های درمان شده و کنترل و
همین طور R(%) و فواصل اطمینان (%95) را درگله های مورد تحقیق نشان می دهد.[7]
شیوع مقاومت دربرابر BZD در مزرعه های مورد مطالعه، % 15/8 (مزرعه + 11/6 %) ( n =6
95 CI %)، ونسبت مزرعه های مشکوک %23/7 (مزرعه (% 95 CI = + 13/3%) ( n = بود.
همه گلههایی که دارای گوسفندان دو رگه (سوفولک + پلی بی ) بودند یا مقاوم به BZD
تشخیص داده شدند یامشکوک به مقاومت دربرابر آن، وقتی که AR به حیوانات تزریق شد،
هامونکوس (Haemonchus) تنها ژنم GIN موجود در مدفوع گروههای مورد درمان بود.
پرورش مدفوع گروه های کنترل در آن گله های مقاوم،آمیخته ای از هامونکوس، تریکوسترونژیلوس و اروسوفاگوستوموم بود (جدول.(1-2 میانگین تخم برگرم فاسد شده،
درصد کاهش EPG و %95 فاصله زمانی قابل اعتماد بعد از درمان با دوز (5mg/kg) در 38
دسته در دشت مغان، اردبیل انجام شده است.
٣٠
فصل دوم تشخیص میزان موفقیت داروهای HPT در کاهش انگل های دامی با استفاده از شبکههای عصبی

جدول: 1-2 سطح آماری EPG گروههای تحت درمان و کنترل
Status 95%CI(%) EPG TREATED EPG CONTROLN FLOCK
reduction EPG N (%) susceptible 91-100 98 13 15 667 15 1
suspect 88-89 98 33 15 1373 15 2
resistant 84-98 94 55 14 885 13 3
resistant 04-91 71 214 14 747 15 4
resistant 33-99 92 100 15 1260 15 5
susceptible 100-100 100 0 15 1380 15 6
resistant 71-96 90 100 14 979 14 7
susceptible 97-100 100 7 15 1967 15 8
susceptible 100-100 100 0 15 467 15 9
susceptible 90-100 99 7 15 540 15 10
susceptible 100-100 100 0 15 607 15 11
resistant 77-88 93 53 15 786 14 12
suspect 87-99 97 20 15 733 15 13
suspect 83-99 96 20 15 553 15 14
suspect 78-100 97 13 15 493 15 15
susceptible 100-100 100 0 15 693 14 16


resistant 73-99 94 13 15 214 14 17
susceptible 100-100 100 0 14 2536 14 18
٣١
فصل دوم تشخیص میزان موفقیت داروهای HPT در کاهش انگل های دامی با استفاده از شبکههای عصبی ادامه جدول 1-2 susceptible 97-100 100 7 15 2120 15 19 susceptible 97-100 99 13 15 2154 14 20 susceptible 97-100 100 7 15 1900 15 21 susceptible 92-100 99 7 15 720 15 22 suspect 87-99 97 20 15 740 15 23 suspect 87-100 98 13 15 827 15 24 susceptible 94-100 99 14 14 1057 14 25 susceptible 92-100 98 20 15 1213 15 26 susceptible 93-100 99 13 15 1520 15 27 susceptible 92-100 99 7 15 713 15 28 susceptible 94-100 99 7 15 853 15 29 susceptible 94-100 99 13 15 1007 15 30 susceptible 93-100 99 7 15 787 15 31 susceptible 95-100 99 7 15 1067 15 32 suspect 82-99 96 20 15 533 15 33 susceptible 90-100 99 7 14 593 14 34 susceptible 95-100 99 7 15 1027 15 35 suspect 86-100 98 13 15 767 15 36 suspect 80-100 98 20 15 827 15 37 susceptible 94-100 99 13 15 1027 15 38 ٣٢
فصل دوم تشخیص میزان موفقیت داروهای HPT در کاهش انگل های دامی با استفاده از شبکههای عصبی

جدول 2-2درصدلارو آلوده در 38 دسته از گروههای کنترل و تحت بررسی در دشت مغان اردبیل
Status Treated(%) Control FLOCK
O T H O T H SUS - - 100 16 22 62 1
SUS - 27.28 72.72 28 - 72 2
RES - - 100 16 14 80 3
RES - - 100 14 16 70 4
RES - - 100 4 28 68 5
SUS - - 100 6 22 72 6
RES - - 100 - - 100 7
SUS - - 100 - 22 78 8
SUS - 27.28 72072 - 14 86 9
SUS - - NL - 34.79 65021 10
SUS - 50 50 12 4 84 11
RES - - 100 10 4 86 12
S - - NL 2 6 92 13
S - - 100 6.68 6.66 96.66 14
S - - NL 5.89 11.76 82.35 15
SUS - 100 - - 40.48 59.52 16
RES - - 100 - 9.53 90.47 17
SUS - - NL 19.57 17.39 63.04 18
SUS - - 100 16 - 84 19
SUS - 33.34 66.66 16 20 64 20
SUS - - NL 7.70 - 92.30 21
SUS - - NL - 24 76 22
S - - 100 10 4 86 23
S - - 100 4.47 19.04 76.19 24
٣٣
فصل دوم تشخیص میزان موفقیت داروهای HPT در کاهش انگل های دامی با استفاده از شبکههای عصبی

ادامه جدول 2-2 SUS - - NL 18 20 62 25
SUS - - NL - 22 78 26
SUS - - 100 15.22 - 84.78 27
SUS - - NL 5 2.50 72.50 28
SUS - - NL 24 - 76 29
SUS - - NL 28 16 56 30
SUS - - 100 - 27.59 72.41 31
SUS - 33.34 66.66 12 24 64 32
S - - 100 2 20 78 33
SUS - - NL 11.12 5.55 83.33 34
SUS - - 100 - 8 92 35
S - - NL 12 24 64 36
S - - 100 10 24 66 37
SUS - 40 60 26 12 62 38
4-2 )تحقیق پرسشنامه ای [8]
تحقیق پرسشنامه ای که برای اولین بار تشریح شد، شامل فعالیت های مدیریتی AH
است که صاحبان گله دشت مغان دررابطه با حیوانات خود اعمال می کنند. اکثریت گله های
گوسفند که دراین تحقیق مورد بررسی قرار گرفتند (%89/5) از سوی صاحبان خود به عنوان نوع دوم فعالیت های تولید دام تلقی می شوند. کمتر از %10 مزرعه داران ، گوسفندان را به عنوان منبع اصلی در آمد دامداران مورد نظر قرار می دهند. اندازه متوسط گله درمزارع
٣۴
فصل دوم تشخیص میزان موفقیت داروهای HPT در کاهش انگل های دامی با استفاده از شبکههای عصبی

مورد تحقیق 75/7 راس گوسفند بود. همه گله ها دارای نر و ماده های تازه متولد شده یا گوسفندان درحال رشد، در شرایط و مزارع مشابه بودند. درصد زیادی از مزرعه داران 73/7) )گوسفندان خود را تحت شرایط خاصی غذا داده و شب ها در آغل نگه می داشتند. و درصد زیاد دیگر نیز حیوانات خود را با سیستم های طولانی مدت، تولید و نگه داری می کردند.
%81/7 ازگله های مورد مطالعه متشکل از گوسفندان پلی بوی (گوسفند پشمی ) و %18/3
از گوسفندان دورگه (پلی بوی ×سوفولک )بودند.
صاحبان گله، استفاده ازچهار گروه از AH را چنین گزارش دادند: لاکتونهای چرخ
بلند (%47/4) (ML)، (%39/5) BZD، اوامیزول (%10/5) و کلو سانتل (سلی سیلانیلید) .(%2/6) از 38 گله مورد مطالعه، 20 مزرعه دار (%52/6) در فواصل متغیر، 1 مزرعه دار
(% 2/6) با بهره گیری از زمان از قبل تعیین شده و 17 مزرعه دار (%44/8) برمبنای علائم
بالینی (حیواناتی با موی پرپشت، بدنی لاغر) گوسفندان خود را تحت درمان قراردادند. و AH
عمدتا برمبنای سهولت اجرای آنها %57/9) )، سپس برمبنای قیمت (%26/3) ودر آ خر بر
مبنای توصیه دامپزشک (%15/8) انتخاب می شد. داروهای AH بیشتر از طریق سنجش بینائی محاسبه می گردید . (%97/4 ) وزن حقیقی بود. فقط %13/2 از صاحبان گله هر دو ماه یکبار و % 2/6 هرسه ماه یکبار دارو رابه حیوان تزریق می کردند. اکثریت دامداران (%71)
هر6 ماه یکبار %7/9 دامداران هر 8 ماه یکبار دارو را به حیوان می خوراندند. چرخه دارو هر
12 ماه یکبار و در 31/6 درصد ازاین گله ها اعمال می شد. اما تعداد زیادی از دامداران
( %52/6) داروی AH را بین 24 تا 36 ماه تغییر می دادند. (یعنی نوع داروی AH را عوض
کردند. ) فقط یک کشاورز گروه داروی AH رادر هردوره درمان عوض می کرد و %13/2از
دامداران نشان دادند که هرگز گروه دارویی AH را عوض نمی کنند.
٣۵
فصل دوم تشخیص میزان موفقیت داروهای HPT در کاهش انگل های دامی با استفاده از شبکههای عصبی

5-2 )پیاده سازی داده های جمع آوری شده با استفاده از شبکه عصبی
شبکه های عصبی به عنوان شبکه های تخمین گر جهانی می توانند برای مدل سازی رفتار های طبیعی به کار روند. همچنین شبکه های عصبی در دسته بندی داده ها کاربرد وسیعی دارند.
به دلایلی شبکه های عصبی را به عنوان ابزاری برای کار خود انتخاب کردیم.در این پایان نامه یک
شبکه عصبی سه لایه MLP برای آشکار سازی انگلهای مقاوم در برابر انگل کشها ارائه شده است.
ما می خواهیم با استفاده از آزمایش اول بالینی، طبق جدول 2-2 ، با استفاده از شبکه عصبی،
پیش بینی کنیم که آیا تزریق دارو روی دام مورد نظر موثر خواهد بود یا نه ؟ که در این صورت
اگر توانستیم پیش بینی کنیم، اولا به تزریق بیهوده دست نخواهیم زد ثانیا به آزمایش دوم نیاز
نخواهیم داشت.
داده های جمع آوری شده:
-1سه نوع لارو (تخم انگل ) به نامهای H,T,O
-2 نسبت کاهش EPG
جدول شماره 3-3 تمام داده هایی که از طریق آزمایش بالینی (از آزمایش اول) یک گروه دام ها در منطقه مغان به دست آمده است نشان می دهد.لازم به ذکر است در تکمیل جدول ارائه شده توسط دامپزشکان، مراحل انجام کار به این صورت بوده که باید مطمئن شویم در 8
هفته قبل به دامها AH داده نشده است. در هر گله N گوسفند انتخاب می کنیم که بیش از
6 ماه سن دارند.دام ها با بیش از EPG 150 (تخم بر گرم)به طور رندم به دو گروه تقسیم
می شود. داروی BZD به گروه یک تزریق می شود ولی گروه دو بدون تزریق باقی می ماند.
بعد از هفت روز از هر دو گروه دوباره نمونه گیری می شود و سپس شمارش تخم ها روی آنها
انجام می گیرد. داده های ثبت شده در اینجا با استفاده از آزمایش FECRT به دست
٣۶
فصل دوم تشخیص میزان موفقیت داروهای HPT در کاهش انگل های دامی با استفاده از شبکههای عصبی

آمده اند که توسط انجمن جهانی دامپزشکان (WAAVP) تایید شده است و بر مبنای
استانداردهای (WAAVP عدد بزرگتر از (R) 98که در قسمت EPG reduction می باشد و به معنی پاسخ به داروست. که ارزش تزریق به دام مورد نظر را دارد و کوچکتر از مقدار فوق به معنی پیش بینی برای عدم تزریق می باشد. در شبکه عصبی پاسخ به دارو1، و عدم پاسخ، خروجی صفر دارد.
٣٧
فصل دوم تشخیص میزان موفقیت داروهای HPT در کاهش انگل های دامی با استفاده از شبکههای عصبی

جدول : 3-2 نشان دهنده درصد وجود انگلهای H,T,O در دامهای مورد آزمایش قبل از
طزریق دارو و همچنین بعد از طزریق دارو
٣٨
فصل دوم تشخیص میزان موفقیت داروهای HPT در کاهش انگل های دامی با استفاده از شبکههای عصبی

شبکه عصبی مورد استفاده در این پایان نامه یک شبکه عـصبی سـه لایـهMLP پـیش رو می باشد که یک لایه در ورودی و یک لایه میانی و یک لایه در خروجی قرار گرفتـه اسـت به طوری که چهار نورون در لایه میانی و یک نورون در پایه خروجی قـرار دارد .شـکل 1-2
ساختاراین شبکه را نشان می دهد.

شکل :1-2 ساختارشبکه عصبی طراحی شده
در آموزش این شبکه ازداده های جدول شماره 3-2 به عنوان ورودی و خروجـی کـه بـا استفاده از آزمایش بالینی به دست آمده است استفاده کـردیم.بـرای شـبیه سـازی شـبکه عصبی از مطلب 6,5 بهره جسته ایم که روش آمـوزش از نـوع پـس انتـشار خطـا بـوده و
برای-یادگیری شبکه عصبی از دستور یادگیری newff استفاده شده است . [9]
34 ردیف از 38 ردیف این جدول را به عنوان داده های آموزش استفاده نمودیم تـا ضـرایب وزن و بایاس را پیدا کرده و از ضرایب وزن و بایاس به دست آمده برای تست چهار ردیـف از داده هایی که به عنوان داده های تـست در آمـوزش شـبکه از آنهـا اسـتفاده نکـردیم ، از شبکه جواب قابل قبول گرفته شد.این شبکه با روش آمـوزش پـس انتـشار خطـا وبـا انتخـاب
تعداد دفعات آموزش 300 بار epoch آموزش دیده شده است و خطا بـه حـداقل رسـیده است.
٣٩
فصل دوم تشخیص میزان موفقیت داروهای HPT در کاهش انگل های دامی با استفاده از شبکههای عصبی

نتایج این شبیه سازی برای این شبکه طبق شکل شماره 2-2 برای 300 بار تعداد دفعـات آموزش آمده است

شکل 2-2 کاهش خطا در حین شبیه سازی بعد از این که شبکه کا ملا آموزش داده شد، ضرایب وزن و بایـاس بـه صـورت زیـر حاصـل گردید :
W=[20/8274
17/6941 -25/3639 -4/8856 30/6564 -118/1918 -65/5309 43/8998 -60/2949
۴٠
فصل دوم تشخیص میزان موفقیت داروهای HPT در کاهش انگل های دامی با استفاده از شبکههای عصبی

145/4259
106/9770
-15/0551
-20/7781
5/2695
29/3341
-0/9800]:
U=[117/1778 142/0364 106/856982/6105 92/8707];
بعد از تعیین ضرایب وزن و بایاس برای اطمینان از کارکرد شبکه ، چهار ردیف آخر جدول 3-2 را که به عنوان داده های تست در نظر گرفته بودیم در شبکه تست نمودیم و نتایج تست طبق جدول زیر به دست آمد، و این صحت کارکرد شبکه را با حداقل خطا به ما نشان می دهد.
جدول 4-2 نتایج شبیه سازی برای داده های تست

0.0000
چگونگی پیاده سازی سخت افزاری شبکه طراحی شده، با استفاده از FPGA در فصل بعد به تفصیل ارایه می گردد.
۴١
فصل سومروش پیاده سازی شبکه عصبی با استفاده از FPGA

فصل سوم
روش پیاده سازی شبکه عصبی با
استفاده از FPGA
۴٢
فصل سومروش پیاده سازی شبکه عصبی با استفاده از FPGA

پیشگفتار:
در این فصل ابتدا مقدمه ای از FPGA بیان شده و در آن ساختار کلی FPGA تشریح شده است و امتیاز آن با سایر آی سی های دیجیتالی ، مورد بحث قرار گرفته و در ادامه روش پیاده
سازی شبکه عصبی طراحی و آموزش دیده شده در فصل پیش، روی FPGA ارائه شده است.
(1-3 مقدمه ای بر [10,11, 16,17] FPGA
طراحی مدارات دیجیتال با استفاده آی سی های 1 SSI و مدارهای مجتمع به صورت
MSI انجام می شد. این آسی ها بر روی یک برد قرار می گیرند و اتصالات بین آنها با استفاده
ازسیمهای تک رشته ای صورت می گیرد. همچنین سوئیچ ها و LED ها و دیگر قطعات جانبی به ورودی ها و خروجی ها متصل می شوند و برای اطمینان از صحت کارکرد مدار تست می شوند. اما در این نوع طراحی ها همواره مشکلات زیر به چشم می خورد.
- 1 احتمال اشتباه در بستن مدار و اتصال سیم ها زیاد است و این امر موجب می شود که
مدار مجددا بررسی گردد.
-2 از آنجا که دامنه عملکرد هر قطعه ای محدود می باشد بنابراین در یک مدار تعداد زیادی از این قطعات استفاده می شود و این امر موجب هزینه بر شدن و افزایش احتمال خطا در
مدار می گردد.
-3 دسترسی به تمام انواع آی سی ها مشکل و هزینه براست.
-4 بعد از یکبار کار مدار بایستی برای طراحی بعدی از برد خارج
گردد . استفاده از مدار ساخته شده قبلی به عنوان قسمتی از طراحی فعلی مشکل ساز خواهد بود.