جغرافیا و برنامه ریزی منطقه‌ای

جغرافیا و برنامه ریزی منطقه‌ای

بهبود عملکرد توربین‌های بادی با استفاده از روش FMEA و مدل‌های هوش مصنوعی در حوزه جغرافیایی دشت سیستان به منظور دستیابی به توسعه پایدار

نوع مقاله : مقاله های برگرفته از رساله و پایان نامه

نویسندگان
ابراهیم دهمرده 1
محبعلی رهدار 2
مجید وزیری سرشک 3
مهدی کرباسیان 4
1 دانشجوی دکتری، گروه مهندسی صنایع، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
2 دانشیار،گروه مهندسی صنایع، دانشکده فنی و مهندسی شهید نیکبخت، دانشگاه سیستان و بلوچستان، زاهدان، ایران
3 استادیار، گروه مهندسی صنایع، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
4 استاد، گروه مهندسی صنایع، دانشکده مهندسی صنایع، دانشگاه صنعتی مالک اشتر، اصفهان، ایران
10.22034/jgeoq.2026.403463.4046
چکیده
در دهه‌های اخیر، توسعه انرژی بادی به‌ویژه در مناطق خشک با پتانسیل بالای باد، مانند دشت سیستان با بادهای ۱۲۰ روزه، به‌عنوان راهکاری کلیدی برای کاهش وابستگی به سوخت‌های فسیلی و دستیابی به توسعه پایدار مطرح شده است. بااین‌حال، بهره‌برداری پایدار از توربین‌های بادی در این اقلیم با چالش‌هایی نظیر نوسانات اقلیمی، فرسایش اجزا، خرابی‌های پیش‌رس و افت راندمان مواجه است که قابلیت اطمینان سامانه را کاهش می‌دهد. پژوهش حاضر با هدف ارتقای عملکرد و قابلیت اطمینان توربین‌های بادی در اقلیم خشک سیستان، رویکردی ترکیبی مبتنی بر تحلیل حالات خرابی و اثرات آن (FMEA) و مدل‌های هوش مصنوعی ارائه می‌دهد. در مرحله نخست، داده‌های تاریخی عملکرد توربین‌ها شامل توان خروجی، دما، سرعت باد، مدت توقف و رخدادهای خرابی جمع‌آوری و پیش‌پردازش شدند. سپس بر اساس شاخص‌های شدت، احتمال وقوع و قابلیت تشخیص، ماتریس ریسک FMEA تدوین و اجزای بحرانی شناسایی گردیدند. در گام دوم، داده‌های ریسک به‌عنوان ورودی مدل‌های یادگیری شامل شبکه عصبی مصنوعی (ANN) و استنتاج فازی تطبیقی (ANFIS) برای پیش‌بینی احتمال خرابی و بهینه‌سازی پارامترهای عملکردی مورد استفاده قرار گرفتند. مدل ترکیبی با تلفیق ویژگی‌های آماری و هوشمند، قادر به تشخیص روند خرابی پیش از وقوع و ارائه راهکارهای نگهداری پیش‌بینانه است. نتایج آزمایش‌ها نشان داد که مدل FMEA–ANN نرخ خرابی اجزای بحرانی را ۲۳ درصد کاهش و بازده تبدیل انرژی را ۱۱ درصد افزایش داد.
کلیدواژه‌ها
توربین بادی
اقلیم خشک
هوش مصنوعی
دشت سیستان
انرژی تجدیدپذیر

عنوان مقاله English

Improving the performance of wind turbines using the FMEA method and artificial intelligence models in the geographical area of ​​Sistan Plain in order to achieve sustainable development

نویسندگان English

Ebrahim Dahmardeh 1
Mohebali Rahdar 2
Majid Vaziri Sreshk 3
Mehdi Karbasian 4
1 PhD Student, Department of Industrial Engineering, Najafabad Branch, Islamic Azad University, Najafabad, Iran
2 Associate Professor, Department of Industrial Engineering, Shahid Nikbakht Faculty of Engineering, University of Sistan and Baluchestan, Zahedan, Iran
3 Assistant Professor, Department of Industrial Engineering, Najafabad Branch, Islamic Azad University, Najafabad, Iran
4 Professor, Department of Industrial Engineering, Faculty of Industrial Engineering, Malek Ashtar University of Technology, Isfahan, Iran
چکیده English

In recent decades, the development of wind energy—particularly in arid regions with high wind potential, such as the Sistan Plain with its famous 120-day winds—has been proposed as a key solution for reducing dependence on fossil fuels and achieving sustainable development. However, sustainable operation of wind turbines in this climate faces challenges including climatic fluctuations, component erosion, premature failures, and efficiency losses, which reduce the overall system reliability. This study presents a hybrid approach based on Failure Mode and Effects Analysis (FMEA) and artificial intelligence models to enhance the performance and reliability of wind turbines in the arid climate of Sistan. In the first stage, historical turbine performance data—including output power, temperature, wind speed, downtime duration, and failure events—were collected and preprocessed. Subsequently, based on Severity, Occurrence, and Detection indices, the FMEA risk matrix was developed and critical components were identified. In the second step, the risk data were used as inputs to learning models, including Artificial Neural Networks (ANN) and Adaptive Neuro-Fuzzy Inference Systems (ANFIS), to predict failure probability and optimize turbine performance parameters. The proposed hybrid model, by integrating statistical and intelligent data features, is capable of detecting failure trends before occurrence and providing predictive maintenance strategies. Experimental results demonstrated that the FMEA–ANN model reduced the failure rate of critical turbine components by 23% and increased the overall energy conversion efficiency by 11%.

کلیدواژه‌ها English

Wind turbine
arid climate
artificial intelligence
Sistan plain
renewable energy
یاری، م.، و احمدی، ا. (2022). بهبود عملکرد توربین‌های بادی با استفاده از شبکه‌های عصبی مصنوعی و الگوریتم ژنتیک. فصلنامه علمی پژوهشی مهندسی برق دانشگاه تبریز، 52(1)، 145-160.
رستمی، ا.، و همکاران. (1400). کاربرد شبکه‌های عصبی در پیش‌بینی و تشخیص خطا در توربین‌های بادی. مجله علوم و فناوری انرژی‌های تجدیدپذیر، 7(3)، 45-58.
رضایی، ح.، و اکبری، م. (1401). تحلیل ریسک اجزای حیاتی توربین‌های بادی با استفاده از روش FMEA. نشریه مهندسی مکانیک مدرس، 22(5)، 111-125.
خسروی، ع.، و همکاران. (1401). افزایش قابلیت اطمینان سیستم‌های قدرت با استفاده از مدل‌سازی احتمالی خرابی. مجله مهندسی برق ایران، 54(2)، 215-230.
نادری، ک.، و همکاران. (1402). تأثیر شرایط اقلیمی بر قابلیت اطمینان توربین‌های بادی در مناطق خشک و نیمه‌خشک. فصلنامه علوم محیطی، 20(4)، 89-105.
براتی، ع.، و کاظمی، م. (۱۳۹۵). تحلیل قابلیت اطمینان و نگهداری پیش‌بینانه در نیروگاه‌های بادی. انتشارات علمی دانشگاه صنعتی شریف.
جلیلی، ا.، و مرادپور، س. (۱۳۹۸). ارزیابی جامع عملکرد توربین‌های بادی در شرایط اقلیمی ایران با تمرکز بر شاخص‌های دسترسی‌پذیری. فصلنامه علمی-پژوهشی مهندسی برق پیشرفته، ۱۵(۳)، ۴۵-۵۸.
دهمرده، ا. (۱۳۹۴). توسعه چارچوبی جهت تحلیل عملکرد توربین های بادی دشت سیستان با بکارگیری هوش مصنوعی [پایان‌نامه دکتری، رشته مهندسی صنایع - اتوماسیون]. دانشگاه… (منبع داخلی موجود در فایل ضمیمه).
رضوی، س. م.، احمدی، ک.، و یوسفی، ر. (۱۳۹۹). بررسی تأثیر گرد و غبار بر سایش پره‌های توربین بادی و راهکارهای کاهش آن در مناطق کویری ایران. نشریه علمی پژوهشی انرژی‌های تجدیدپذیر ایران، ۸(۱)، ۱-۱۴.
صادقی، ح.، و مرادی، ن. (۱۳۹۸). تحلیل اقتصادی و فنی پتانسیل انرژی باد در استان سیستان و بلوچستان: مطالعه موردی نیروگاه‌های کوچک. نشریه علمی-پژوهشی مدیریت انرژی، ۹(۴)، ۷۸-۹۱.
عسکری، م.، و محمدی، ف. (۱۳۹۶). کاربرد شبکه‌های عصبی مصنوعی در پیش‌بینی کوتاه‌مدت توان خروجی توربین‌های بادی. مجله علمی پژوهشی مهندسی مکانیک مدرس، ۱۷(۵)، ۱۱۰-۱۲۱.
نادرپور، س.، و کریمی، ا. (۱۴۰۰). مقایسه تکنیک‌های کنترل کننده PID و کنترل‌کننده مبتنی بر منطق فازی در تنظیم سرعت روتور توربین‌های بادی. نشریه علمی پژوهشی کنترل و بهینه‌سازی سیستم‌ها، ۲۱(۲)، ۵۵-۶۸.
نیک‌بین، ن.، و شهیدی، م. (۱۴۰۰). ارزیابی ریسک و قابلیت اطمینان سیستم‌های توربین بادی با استفاده از روش FMEA فازی و رویکردهای آماری. مجله علمی پژوهشی مهندسی سیستم‌ها و بهینه‌سازی، ۳۰(۱)، ۲۳-۳۵.
شعبانی، م.، و احمدی، ح. (۱۳۹۸). تحلیل قابلیت اطمینان اجزای توربین بادی با استفاده از FMEA و منطق فازی. فصلنامه انرژی‌های نو ایران، ۵(۱)، ۲۳–۳۶. [SID: https://www.sid.ir/paper/556795/fa]
رضایی، ف.، صادقی، ب.، و پورمحمدی، ن. (۱۳۹۹). ارتقای برنامه‌های نگهداری پیش‌بینانه توربین‌های بادی با ترکیب FMEA و شبکه عصبی مصنوعی (ANN). نشریه مهندسی مکانیک ایران، ۱۸(۴)، ۴۴۱–۴۵۴. [Civilica: https://civilica.com/doc/1084012]
نجاتی، م.، و کاظمی، ر. (۱۴۰۱). بهینه‌سازی عملکرد توربین‌های بادی با بهره‌گیری از مدل‌های ترکیبی FMEA-ANN. فصلنامه انرژی‌های تجدیدپذیر، ۹(۳)، ۶۴–۷۸. [SID: https://sid.ir/paper/782431/fa]
یاری، م.، و احمدی، ا. (2022). بهبود عملکرد توربین‌های بادی با استفاده از شبکه‌های عصبی مصنوعی و الگوریتم ژنتیک. فصلنامه علمی پژوهشی مهندسی برق دانشگاه تبریز، 52(1)، 145-160.
خسروی، ع.، و همکاران. (1401). افزایش قابلیت اطمینان سیستم‌های قدرت با استفاده از مدل‌سازی احتمالی خرابی. مجله مهندسی برق ایران، 54(2)، 215-230.
رستمی، ا.، و همکاران. (1400). کاربرد شبکه‌های عصبی در پیش‌بینی و تشخیص خطا در توربین‌های بادی. مجله علوم و فناوری انرژی‌های تجدیدپذیر، 7(3)، 45-58.
رضایی، ح.، و اکبری، م. (1401). تحلیل ریسک اجزای حیاتی توربین‌های بادی با استفاده از روش FMEA. نشریه مهندسی مکانیک مدرس، 22(5)، 111-125.
نادری، ک.، و همکاران. (1402). تأثیر شرایط اقلیمی بر قابلیت اطمینان توربین‌های بادی در مناطق خشک و نیمه‌خشک. فصلنامه علوم محیطی، 20(4)، 89-105.
یاری، م.، و احمدی، ا. (2022). بهبود عملکرد توربین‌های بادی با استفاده از شبکه‌های عصبی مصنوعی و الگوریتم ژنتیک. فصلنامه علمی پژوهشی مهندسی برق دانشگاه تبریز، 52(1)، 145-160.)
خسروی، ع.، و همکاران. (1401). افزایش قابلیت اطمینان سیستم‌های قدرت با استفاده از مدل‌سازی احتمالی خرابی. مجله مهندسی برق ایران، 54(2)، 215-230.)
رستمی، ا.، و همکاران. (1400). کاربرد شبکه‌های عصبی در پیش‌بینی و تشخیص خطا در توربین‌های بادی. مجله علوم و فناوری انرژی‌های تجدیدپذیر، 7(3)، 45-58.)
رضایی، ح.، و اکبری، م. (1401). تحلیل ریسک اجزای حیاتی توربین‌های بادی با استفاده از روش FMEA. نشریه مهندسی مکانیک مدرس، 22(5)، 111-125.)
احمدی، ک.، و همکاران. (1402). تأثیر شرایط اقلیمی بر قابلیت اطمینان توربین‌های بادی در مناطق خشک و نیمه‌خشک. فصلنامه علوم محیطی، 20(4)، 89-105.)
References
Yari, M., & Ahmadi, E. (2022). Improving Wind Turbine Performance Using Artificial Neural Networks and a Genetic Algorithm. Scientific-Research Quarterly Journal of Electrical Engineering, University of Tabriz, 52(1), 145–160. [In Persian]
Rostami, E., et al. (2021). Application of Neural Networks in Wind Turbine Prediction and Fault Detection. Journal of Renewable Energy Science and Technology, 7(3), 45–58. [In Persian]
Rezaei, H., & Akbari, M. (2022). Risk Analysis of Critical Wind Turbine Components Using the FMEA Method. Modares Mechanical Engineering Journal, 22(5), 111–125. [In Persian]
Khosravi, A., et al. (2022). Improving the Reliability of Power Systems Using Probabilistic Failure Modeling. Iranian Journal of Electrical Engineering, 54(2), 215–230. [In Persian]
Naderi, K., et al. (2023). The Impact of Climatic Conditions on Wind Turbine Reliability in Arid and Semi-Arid Regions. Environmental Science Quarterly, 20(4), 89–105. [In Persian]
Barati, A., & Kazemi, M. (2016). Reliability Analysis and Predictive Maintenance in Wind Power Plants. Sharif University of Technology Scientific Publications. [In Persian]
Jalili, A., & Moradpour, S. (2019). Comprehensive Evaluation of Wind Turbine Performance under Iran’s Climatic Conditions, with a Focus on Availability Indicators. Advanced Electrical Engineering Research Quarterly, 15(3), 45–58. [In Persian]
Dehmardeh, E. (2015). Developing a Framework for Analyzing Wind Turbine Performance in the Sistan Plain Using Artificial Intelligence [Doctoral dissertation in Industrial Engineering—Automation]. University details unavailable in the source. [In Persian]
Razavi, S. M., Ahmadi, K., & Yousefi, R. (2020). Investigating the Effects of Dust on Wind Turbine Blade Erosion and Strategies for Mitigation in Iran’s Desert Regions. Iranian Journal of Renewable Energy Research, 8(1), 1–14. [In Persian]
Sadeghi, H., & Moradi, N. (2019). Technical and Economic Analysis of Wind Energy Potential in Sistan and Baluchestan Province: A Case Study of Small Wind Farms. Energy Management Research Journal, 9(4), 78–91. [In Persian]
Askari, M., & Mohammadi, F. (2017). Application of Artificial Neural Networks in Short-Term Prediction of Wind Turbine Power Output. Modares Mechanical Engineering Research Journal, 17(5), 110–121. [In Persian]
Naderpour, S., & Karimi, A. (2021). Comparing PID Controllers and Fuzzy Logic-Based Controllers for Wind Turbine Rotor Speed Regulation. Control and Systems Optimization Research Journal, 21(2), 55–68. [In Persian]
Nikbin, N., & Shahidi, M. (2021). Risk and Reliability Assessment of Wind Turbine Systems Using Fuzzy FMEA and Statistical Approaches. Systems Engineering and Optimization Research Journal, 30(1), 23–35. [In Persian]
Shabani, M., & Ahmadi, H. (2019). Reliability Analysis of Wind Turbine Components Using FMEA and Fuzzy Logic. Iranian New Energies Quarterly, 5(1), 23–36. https://www.sid.ir/paper/556795/fa [In Persian]
Rezaei, F., Sadeghi, B., & Pourmohammadi, N. (2020). Enhancing Predictive Maintenance Programs for Wind Turbines by Integrating FMEA and Artificial Neural Networks (ANN). Iranian Journal of Mechanical Engineering, 18(4), 441–454. https://civilica.com/doc/1084012 [In Persian]
Nejati, M., & Kazemi, R. (2022). Optimizing Wind Turbine Performance Using Hybrid FMEA–ANN Models. Renewable Energy Quarterly, 9(3), 64–78. https://sid.ir/paper/782431/fa [In Persian]
Note: The source document contains repeated references and some incomplete bibliographic details. I translated the available Persian references and retained the years, journal information, and page ranges as provided, converting Solar Hijri years to Gregorian years where appropriate.
Adriaenssens, E., et al. (2004). Fuzzy logic and neural networks for structural health monitoring. Journal of Engineering Mechanics, 130(12), 1385-1392.
Huang, L., et al. (2016). Impact of wind speed variability and dust storms on wind turbine performance in arid regions. Renewable Energy, 85, 1101-1109.
Mohanty, S. P., Rosbidi, S., & Pradhan, B. (2021). Predictive maintenance of wind turbines: A review of machine learning approaches. International Journal of Electrical Power & Energy Systems, 127, 106605.
Tank, S., Kumar, A., & Sharma, V. K. (2019). A comprehensive review on reliability analysis of wind turbines using FMEA and its variants. Journal of Quality in Maintenance Engineering, 25(2), 158-184.
Li, H., Zhang, S., & Ren, Z. (2021). Intelligent fault diagnosis of wind turbine components using hybrid FMEA neural networks. Renewable Energy, 179, 1160–1174. https://doi.org/10.1016/j.renene.2021.07.090
Ren, Z., Chen, H., & Li, Y. (2021). Remaining useful life prediction of wind turbine bearings based on physics-informed PdM framework. Energy Reports, 7, 1291–1304. https://doi.org/10.1016/j.egyr.2021.05.003
Yari, E., Rezaei, F., & Shabani, M. (2023). Risk-based fault diagnosis of wind turbines using modified FMEA and deep learning models. Energy Reports, 9, 1501–1515. https://doi.org/10.1016/j.egyr.2023.06.049
Ahmadi, H., & Yari, E. (2022). Application of hybrid FMEA-ANN model for predictive maintenance of wind turbines. Renewable Energy, 192, 523–536. https://doi.org/10.1016/j.renene.2022.04.067
Adriaenssens, E., et al. (2004). Fuzzy logic and neural networks for structural health monitoring. Journal of Engineering Mechanics, 130(12), 1385-1392.
Huang, L., et al. (2016). Impact of wind speed variability and dust storms on wind turbine performance in arid regions. Renewable Energy, 85, 1101-1109.
Moghaddam, S. A., et al. (2020). A hybrid fuzzy-geostatistical approach for modeling uncertainty propagation in sustainable agricultural systems. Computers and Electronics in Agriculture, 178, 105733.
Rostami, S., & Ahmadi, S. (2023). Artificial intelligence-based condition monitoring for wind turbines: A comprehensive review. Journal of Wind Engineering and Industrial Aerodynamics, 235, 105340.
yari, m., & ahmadi, e. (2022). Improving the performance of wind turbines using artificial neural networks and genetic algorithm. Journal of Electrical Engineering, Tabriz University, 52(1), 145-160.
khosravi, a., et al. (1401). Increasing the reliability of power systems using probabilistic failure modeling. Iranian Journal of Electrical Engineering, 54(2), 215-230.
rostami, e., et al. (1400). Application of neural networks in prediction and fault detection in wind turbines. Journal of Renewable Energy Science and Technology, 7(3), 45-58.
rezaei, h., & akbari, m. (1401). Risk analysis of critical components of wind turbines using FMEA method. Modares Mechanical Engineering, 22(5), 111-125.
naderi, k., et al. (1402). The impact of climatic conditions on the reliability of wind turbines in arid and semi-arid regions. Environmental Science Quarterly, 20(4), 89-105
Ashkboltousi, A., & Mozaffari, A. (2019). Reliability analysis of wind turbine components using a hybrid fuzzy-AHP approach. Renewable Energy, 138, 62-72.