«Automation and Informatization of the fuel and energy complex»

PREDICTION OF THE STATE OF THE GAS-FIELD TECHNOLOGY FACILITIES

UDC: 004.942:519.246.85
DOI: 10.33285/0132-2222-2021-8(577)-20-35

Authors:

¹ LLC "Gazprom dobycha Urengoy", Novy Urengoy, Russian Federation

Keywords: gas compressing unit, stationary and non-stationary time series, additive mathematical model, multiplicative mathematical model, trend, seasonality factors, technical diagnostics, predictive model, Dickey - Fuller test, SARIMA model, Holt methods, Holt - Winters methods, RBF neural network

Annotation:

Predicting the state of gas compressor systems is an important part of the planning process in gas production. The paper discusses the most popular predictive models. The prediction methods, their advantages and disadvantages have been analytically reviewed. The stages of development of the systems for predicting the state of a gas-pumping unit are shown. Additional information components affecting the prognosis are analyzed. On the example of prediction systems comparison, based on the SARIMA, Holt, Holt - Winters, RBF neural network methods, their advantages and disadvantages are shown.

Bibliography:

1. Корякин А.Ю. Комплексные решения задач разработки и эксплуатации скважин Уренгойского добывающего комплекса. - М.: РГУ нефти и газа им. И.М. Губкина, 2016. - 272 с.
2. Дикамов Д.В. Техника и технологии для эксплуатации месторождений на заключительной стадии разработки // Газовая пром-сть. - 2014. - № 9(711). - С. 82-84.
3. Оптимизация режима эксплуатации дожимных компрессорных станций сеноманской залежи месторождений Большого Уренгоя в период падающей добычи / Д.В. Дикамов, Р.Н. Исмагилов, М.А. Сорокин [и др.] // Газовая пром-сть. - 2019. - № 9(790). - С. 104-107.
4. Кравченко Д.А., Финаев В.И. Проблемы диагностики сложных нефтегазохимических комплексов // Инженерный вестн. Дона. - 2018. - № 4(51). - С. 67. - URL: ivdon.ru/ru/magazine/archive/n4y2018/5298
5. Кравченко Е.В. Решение проблемы недостоверности получаемых данных в процессе управления технологическим объектом промышленного предприятия // Инженерный вестн. Дона. - 2020. - № 12(72). - С. 272-292. - URL: http://www.ivdon.ru/ru/magazine/archive/n12y2020/6750
6. Обеспечение безопасности функционирования систем газоснабжения при мониторинге технического состояния в условиях информационной неопределенности / С.А. Колодяжный, Е.А. Сушко, С.А. Сазонова, К.А. Скляров // Науч. вестн. Воронежского гос. архитектурно-строит. ун-та. Строительство и архитектура. - 2014. - № 2(34). - С. 132-140.
7. Machinery Condition Prognosis Using Multivariate Analysis / Sheng Zhang, M. Hodkiewicz, Lin Ma, J. Mathew // Engineering asset management. - London: Springer, 2006. - P. 847-854. - DOI: 10.1007/978-1-84628-814-2_89
8. Галустов Г.Г., Бровченко С.П., Мелешкин С.Н. Математическое моделирование и прогнозирование в технических системах: учеб. пособие. - Таганрог: ЮФУ, 2008. - 30 с.
9. Глущенко П.В. Техническая диагностика: моделирование в диагностировании и прогнозировании состояния технических объектов. - М.: Вузовская книга, 2004. - 248 с.
10. Кравченко Д.А. Диагностика САУ ГПА МСКУ-5000 на базе ПТС Siemens // Инновационный потенциал молодых ученых и специалистов ПАО "Газпром": материалы научно-практ. конф. молодых ученых и специалистов ПАО "Газпром" - призеров 2016 года. - СПб.: Газпром экспо, 2017. - С. 222-225.
11. Бондарев Э.А., Рожин И.И., Аргунова К.К. Особенности математического моделирования систем добычи и транспорта природного газа в арктической зоне России // Зап. Горного ин-та. - 2017. - Т. 228. - С. 705-716. - DOI: 10.25515/pmi.2017.6.705
12. Кравченко Д.А. Вибрационная диагностика газоперекачивающего агрегата // Наука и техника в газовой пром-сти. - 2019. - № 1(77). - С. 89-98.
13. Освоение участков ачимовских отложений ООО "Газпром добыча Уренгой" / А.Ю. Корякин, И.В. Игнатов, А.Ю. Неудахин [и др.] // Науч. журн. российского газового общества. - 2017. - № 3. - С. 21-28.
14. Physics-based remaining useful life prediction for aircraft engine bearing prognosis / N. Bolander, Hai Qiu, N. Eklund [et al] // Annual Conf. of the PHM Society, San Diego, CA, 27 Sep. - 2009.
15. Nan Chen, Kwok-Leung Tsui. Condition Monitoring and Remaining Useful Life Prediction Using Degradation Signals: Revisited // IIE Transactions. - 2013. - Vol. 45, Issue 9. - P. 939-952. - DOI: 10.1080/0740817X.2012.706376
16. Prognostics: The Science of Making Predictions / K. Goebel, M. Daigle, A. Saxena [et al.]. - NewYork, NY, USA: CreateSpace, 2017. - 396 p.
17. Zhi-Sheng Ye, Min Xie. Stochastic modelling and analysis of degradation for highly reliable products // Applied Stochastic Models in Business and Industry. - 2015. - Vol. 31, Issue 1. - P. 16-32. - DOI: 10.1002/asmb.2063
18. Кравченко Д.А. Задача внедрения программного обеспечения системы вибрационной диагностики газоперекачивающего агрегата // Инженерный вестн. Дона. - 2019. - № 1(52). - С. 52. - URL: ivdon.ru/ru/magazine/archive/n1y2019/5655
19. Гинис Л.А. Обзор методов научного прогнозирования // Изв. ЮФУ. Технические науки. - 2009. - № 3. - С. 231-236.
20. Caesarendra W., Widodo A., Bo-Suk Yang. Application of relevance vector machine and logistic regression for machine degradation assessment // Mechanical Systems and Signal Processing. - 2010. - Vol. 24, Issue 4. - P. 1161-1171. - DOI: 10.1016/j.ymssp.2009.10.011
21. Kalman R.E. A New Approach to Linear Filtering and Prediction Problems // Transactions of the ASME. J. of Basic Engineering. Series D. - 1960. - Vol. 82. - P. 35-45.
22. Кравченко Д.А., Финаев В.И. Задача предупреждения неисправности технологического объекта нефтегазохимического комплекса по результатам анализа статистической выборки // Инженерный вестн. Дона. - 2018. - № 4(51). - С. 127. - URL: ivdon.ru/ru/magazine/archive/n4y2018/5362
23. Фаворская М.Н., Торгашин Н.Д., Зотин А.Г. Прогнозирование в системах распознавания образов на основе скрытых марковских моделей // Сибирский журн. науки и технологий. - 2006. - № 1(8). - С. 59-63.
24. Domingos P., Pazzani M. On the Optimality of the Simple Bayesian Classifier under Zero-One Loss // Machine Learning. - 1997. - Vol. 29, Issue 2-3. - P. 103-130. - DOI: 10.1023/A:1007413511361
25. Гитис Л.Х. Кластерный анализ в задачах классификации, оптимизации и прогнозирования. - М.: МГГУ, 2001. - 104 с.
26. Bianchia D., Calogerob R., Tirozzi B. Kohonen neural networks and genetic classification // Mathematical and Computer Modelling. - 2007. - Vol. 45, Issue 1-2. - P. 34-60. - DOI: 10.1016/j.mcm.2006.04.004
27. Пьявченко А.О., Лищенко А.В. Нейронные сети адаптивного резонанса - как средство решения задачи распознавания аномальных образов // Аллея науки. - 2018. - Т. 4, № 11. - С. 91-100.
28. Демидова Л.А., Марчев Д.В. Применение рекуррентных нейронных сетей в задаче классификации отказов работы сложных технических систем в рамках проактивного технического обслуживания // Вестн. Рязанского гос. радиотехн. ун-та. - 2019. - № 69. - С. 135-148.
29. Алгоритм для задачи k-средних с рандомизированными чередующимися окрестностями / И.П. Рожнов, Л.А. Казаковцев, М.Н. Гудыма, В.Л. Казаковцев // Системы управления и информационные технологии. - 2018. - № 3(73). - С. 46-51.
30. Krinidis S., Chatzis V. A Robust Fuzzy Local Information C-Means Clustering Algorithm // IEEE Transactions on Image Processing. - 2010. - Vol. 19, Issue 5. - P. 1328-1337. - DOI: 10.1109/TIP.2010.2040763
31. Leon E., Nasraoui O., Gomez J. Anomaly detection based on unsupervised niche clustering with application to network intrusion detection // Proceedings of the 2004 congress on evolutionary computation, Portland, OR, USA, June 19-23. - 2004. - Vol. 1. - P. 502-508. - DOI: 10.1109/CEC.2004.1330898
32. Любимова Т.В., Горелова А.В. Решение задачи прогнозирования с помощью нейронных сетей // Инновационная наука. - 2015. - Т. 2, № 4. - С. 39-43
33. Pipe A.G., Fogarty T.C., Winfield A. Hybrid adaptive heuristic critic architectures for learning in mazes with continuous search spaces // Int. Conf. on Parallel Problem Solving from Nature. - Berlin, Heidelberg: Springer, 1994. - P. 482-491. - DOI: 10.1007/3-540-58484-6_291
34. Watkins C., Dayan P. Q-learning // Machine learning. - 1992. - Vol. 8, Issue 3-4. - P. 279-292.
35. Финаев В.И. Модели систем принятия решений. - Таганрог: Изд-во ТРТУ, 2005. - 118 с.
36. Ахметханов Р.С., Дубинин Е.Ф., Куксова В.И. Анализ временных рядов в диагностике технических систем // Машиностроение и инженерное образование. - 2013. - № 2(35). - С. 11-20.
37. Орлов Ю.Н., Осминин К.П. Анализ нестационарных временных рядов // Препринты ИПМ им. М.В. Келдыша. - 2007. - № 36. - С. 1-22.
38. Dickey D.A., Fuller W.A. Distribution of the Estimators for Autoregressive Time Series with a Unit Root // J. of the American Statistical Association. - 1979. - Vol. 74, No 366. - P. 427-431. - DOI: 10.2307/2286348
39. Кравченко Д.А. Программно-аппаратная реализация устройств уровневой обработки // Техническая кибернетика, радиоэлектроника и системы управления: IX Всерос. науч. конф. студентов и аспирантов, Таганрог, 23-24 окт. - Технолог. ин-т ЮФУ, 2008. - С. 57-58.
40. Chaudhuri T.D., Ghosh I. Artificial Neural Network and Time Series Modeling Based Approach to Forecasting the Exchange Rate in a Multivariate Framework // J. of Insurance and Financial Management. - 2016. - Vol. 1, Issue 5. - P. 92-123.
41. Time series forecasting with RBF neural network / Xiang-Bin Yan, Zhen Wang, Shu-Hua Yu, Yi-Jun Li // 2005 Int. Conf. on Machine Learning and Cybernetics, Guangzhou, China, Aug. 18-21. - 2005. - Vol. 5. - P. 4680-4683. - DOI: 10.1109/ICMLC.2005.1527764
42. Миргород В.Ф., Гвоздева И.М., Бурунов Д.С. Построение и анализ поверхностей тренда в задачах оценки состояния силовых установок на базе ГТД // Вiсник двигунобудування. - 2013. - № 2. - С. 108-110.
43. Эгов Е.Н., Ярушкина Н.Г., Яшин Д.В. Нечеткое моделирование и генетическая оптимизация временных рядов в интеллектуальной системе технической диагностики // Радиотехника. - 2016. - № 9. - С. 64-71.
44. Решение проблемы "проклятия" размерности за счет применения больших искусственных нейронных сетей / С.В. Качалин, Н.И. Серикова, А.В. Безяев, К.А. Перфилов // Тр. Междунар. симп. "Надежность и качество". - 2015. - Т. 1. - С. 232-235.