«Автоматизация и информатизация ТЭК»

ПРОГНОЗИРОВАНИЕ СОСТОЯНИЯ ОБЪЕКТОВ ГАЗОПРОМЫСЛОВОЙ ТЕХНОЛОГИИ

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

Авторы:

¹ ООО "Газпром добыча Уренгой", Новый Уренгой, Россия

Ключевые слова: газоперекачивающий агрегат; стационарный и нестационарный временной ряд; аддитивная математическая модель; мультипликативная математическая модель; тренд; коэффициенты сезонности; техническая диагностика; прогнозная модель; тест Дики – Фуллера; модель SARIMA; методы Хольта; Хольта – Винтерса; нейронная сеть RBF.

Аннотация:

Прогнозирование состояния систем газоперекачивающего агрегата является важной частью процесса планирования в газодобывающем производстве. В статье рассматриваются наиболее востребованные виды прогнозных моделей. Выполнен аналитический обзор методов прогнозирования, их достоинств и недостатков. Показаны этапы разработки систем прогнозирования состояния газоперекачивающего агрегата. Выполнен анализ дополнительных информационных составляющих, влияющих на прогноз. На примере сравнения систем прогнозирования на основе методов SARIMA, Хольта, Хольта - Винтерса, нейронной сети RBF показаны их достоинства и недостатки.

Список литературы:

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.