«Оборудование и технологии для нефтегазового комплекса»

Параметрическая диагностика турбодетандерных агрегатов на станции охлаждения газа

УДК: 622.691.4
DOI: -

Авторы:

¹ Уфимский государственный нефтяной технический университет, Уфа, Россия
² Газпром добыча Уренгой, Новый Уренгой, Россия

Ключевые слова: установка комплексной подготовки газа, станция охлаждения газа, турбодетандерный агрегат, активные магнитные подшипники, оценка технического состояния, машинное обучение

Аннотация:

В статье рассмотрены вопросы повышения эффективности оперативной диагностики технического состояния турбодетандерных агрегатов, эксплуатируемых на станциях охлаждения газа (СОГ). Проанализированы существующие методы оценки состояния агрегатов и выявлены ограничения их применения в условиях СОГ. Для повышения точности диагностики предложено использование методов машинного обучения, основанных на анализе эксплуатационных данных. В ходе работы построена и протестирована модель Random Forest Regressor для прогнозирования виброперемещений ротора и токов активных магнитных подшипников. Проведен комплексный исследовательский анализ данных, а также выявлены основные корреляционные зависимости между технологическими параметрами. Разработан алгоритм оперативной оценки состояния агрегатов на основе мониторинга отклонений прогнозных значений от эталонной модели. Практическая апробация предложенного подхода позволила выявить дефект страховочного подшипника, что подтвердило работоспособность методики. Кроме того, разработана новая методика косвенной диагностики состояния страховочного подшипника без разборки агрегата. Результаты исследования могут быть использованы для совершенствования систем технического диагностирования неисправностей турбодетандерных агрегатов.

Список литературы:

1. Язик А.В. Системы и средства охлаждения природного газа. – М.: Недра, 1986. – 200 с.
2. Опыт и перспективы применения турбодетандерных агрегатов на промысловых технологических объектах газовой промышленности России / В.А. Хетагуров, П.П. Слугин, М.А. Воронцов, А.Н. Кубанов // Газовая промышленность. – 2018. – № 11(777). – С. 14–22.
3. Повышение качества ремонта турбодетандерных агрегатов, установленных на Бованенковском НГКМ / С.Н. Меньшиков, С.С. Кильдияров, В.В. Моисеев [и др.] // Газовая промышленность. – 2018. – № S3(773). – С. 28–33.
4. Технологический анализ работы турбохолодильной техники на начальном этапе эксплуатации УКПГ-2 Бованенковского НГКМ / А.Н. Кубанов, М.А. Воронцов, Д.М. Федулов, В.Ю. Глазунов // Научно-технический сборник Вести газовой науки. – 2013. – № 4(15). – С. 84–89.
5. Смольников В.О., Годовский Д.А. Методы оценки эффективности работы турбодетандерных агрегатов на станциях охлаждения газа на объектах добычи // Транспорт и хранение нефтепродуктов и углеводородного сырья. – 2024. – № 1-2. – С. 32–36. – DOI: 10.24412/0131-4270-2024-1-2-32-36
6. Hu Yefa, Taha O.W., Yang Kezhen. Fault Detection in Active Magnetic Bearings Using Digital Twin Technology // Applied Sciences. – 2024. – Vol. 14, Issue 4. – Article 1384. – DOI: 10.3390/app14041384
7. Convolutional Neural Network for Electrical Fault Recognition in Active Magnetic Bearing Systems / G. Donati, M. Basso, G.A. Manduzio [et al.] // Sensors. – 2023. – Vol. 23, Issue 16. – Article 7023. – DOI: 10.3390/s23167023
8. Yan Xunshi, Zhang Chen-an, Yang Liu. Multi-branch convolutional neural network with generalized shaft orbit for fault diagnosis of active magnetic bearing-rotor system // Measurement. – 2021. – Vol. 171, Issue 9. – Article 108778. – DOI: 10.1016/j.measurement.2020.108778
9. Multi-Domain Entropy-Random Forest Method for the Fusion Diagnosis of Inter-Shaft Bearing Faults with Acoustic Emission Signals / Tian Jing, Liu Lili, Zhang Fengling [et al.] // Entropy. – 2020. – Vol. 22, Issue 1. – Article 57. – DOI: 10.3390/e22010057
10. Prediction of Gas Turbine Trip: A Novel Methodology Based on Random Forest Models / E. Losi, M. Venturini, L. Manservigi [et al.] // Journal of Engineering for Gas Turbines and Power. – 2022. – Vol. 144, Issue 3. – Article 031025. – DOI: 10.1115/1.4053194
11. Идентификация частичных отказов в газотранспортной системе с использованием нейросетевого алгоритма / Ю.Г. Голубев, М.Г. Сухарев, Р.В. Самойлов, И.А. Лузинов // Автоматизация и информатизация ТЭК. – 2025. – № 4(621). – С. 32–41.
12. Построение прогнозных моделей на основе искусственного интеллекта для решения задачи предсказания появления дефектов трубопроводов / А.В. Шибанов, Д.С. Почикеев, Ф.А. Кочубей [и др.] // Автоматизация и информатизация ТЭК. – 2023. – № 10(603). – С. 38–47. – DOI: 10.33285/2782-604X-2023-10(603)-38-47
13. Ляпичев Д.М., Андреев Д.И., Адмакин М.М. Применение машинного обучения в диагностической модели системы мониторинга технологических трубопроводов // Труды Российского государственного университета нефти и газа имени И.М. Губкина. – 2025. – № 1(318). – С. 140–151.
14. Алгоритмы компьютерного зрения и искусственного интеллекта для детекции дефектов на энергетическом оборудовании и объектах трубопроводного транспорта / А.И. Величко, В.А. Зубакин, М.Д. Трегубенко, К.Н. Юсупов // Оборудование и технологии для нефтегазового комплекса. – 2024. – № 1(139). – С. 71–79.
15. Иванов Э.С. Обеспечение эффективности работы компрессорных станций в условиях сниженной загрузки магистральных газопроводов: дис. … канд. техн. наук: 25.00.19. – Уфа, 2016. – 189 с.