Интеграция нейросетевых моделей и экспертных знаний для раннего выявления неисправностей в работе газоперекачивающих агрегатов
УДК: 681.5:622.279
DOI: 10.33285/2782-604X-2023-10(603)-5-16
Авторы:
ОЛЕЙНИКОВ АЛЕКСЕЙ ВЛАДИМИРОВИЧ
1,
ШАКИРОВ РУСЛАН АЙВАРОВИЧ1,
КАЗАК АЛЕКСАНДР СОЛОМОНОВИЧ2,
БОРОДУЛЯ НИКОЛАЙ АНДРЕЕВИЧ2
1 Газпром трансгаз Чайковский, Чайковский, Россия
2 НИИгазэкономика, Москва, Россия
Ключевые слова: транспортировка природного газа, газоперекачивающие агрегаты, предиктивная аналитика, нейронные сети
Аннотация:
Обеспечение надежности и стабильности поставок газа потребителям требует привлечения широкого спектра методов управления техническим состоянием эксплуатируемого силового оборудования газотранспортной системы (ГТС). Современные цифровые технологии открывают новые возможности для раннего выявления дефектов и неисправностей в работе оборудования с целью своевременного принятия управленческих решений. В статье предложены методические подходы к созданию компьютерных моделей, предназначенных для детекции зарождения в работе газоперекачивающих агрегатов (ГПА) неблагоприятных трендов, реализация которых может приводить к неисправностям и отказам. Особенностью предложенных моделей является использование в них нейросетевого аппарата, опирающегося на базу экспертных знаний в области эксплуатации силового оборудования ГТС. Представлены результаты вычислительных экспериментов, основанных на обработке представительной выборки данных, содержащей временные ряды технологических параметров работы реальных ГПА. Отмечаются преимущества и недостатки разработанных моделей, намечаются пути их дальнейшего развития.
Список литературы:
1. ГОСТ 13377-75. Надежность в технике. Термины. – М.: Изд-во стандартов, 1975. – 21 с.
2. Свердлов А.Б. Повышение надежности газоперекачивающих агрегатов путем применения технологии эпиламирования // Науч.-техн. ведомости С.-Петерб. гос. политехн. ун-та. – 2014. – № 3(202). – С. 62–69.
3. Паклин Н.Б., Орешков В.И. Бизнес-аналитика: от данных к знаниям. – СПб.: Питер, 2016. – 704 с.
4. Олейников А.В., Казак А.С. Современное состояние и перспективы цифровой трансформации в нефтегазовых компаниях // Автоматизация и информатизация ТЭК. – 2023. – № 3(596). – С. 12–27. – DOI: 10.33285/2782-604X-2023-3(596)-12-27
5. Зарицкий С.П. Диагностика газоперекачивающих агрегатов газотурбинными приводами. – М.: Недра, 1987. – 198 с.
6. Паклин Н.Б., Орешков В.И. Бизнес-аналитика: от данных к знаниям. – СПб.: Питер, 2009. – 624 с.
7. Гафаров Ф.М., Галимянов А.Ф. Искусственные нейронные сети и приложения: учеб. пособие. – Казань: Изд-во Казан. ун-та, 2018. – 121 с.
8. Гирин Р.В., Орлов С.П. Двухстадийная нормализация выходных сигналов искусственных нейронных сетей // Вестн. СамГТУ. Сер.: Технические науки. – 2017. – № 4(56). – С. 7–16.
9. Об обоснованности применения, современном состоянии и некоторых перспективах развития нейросетевых моделей Единой системы газоснабжения России / Н.А. Кисленко, А.В. Белинский, А.С. Казак, О.И. Белинская // Автоматизация и информатизация ТЭК. – 2022. – № 5(586). – С. 6–17. – DOI: 10.33285/2782-604X-2022-5(586)-6-17
10. Белинский А.В. Цифровые технологии моделирования газотранспортных систем // ГАЗПРОМ: Корпоративный журн. ПАО "Газпром". – 2022. – № 12. – С. 40–47.
11. Опыт и перспективы применения математического аппарата, вычислительных алгоритмов и компьютерных технологий машинного обучения в задачах исследования, функционирования и развития систем газоснабжения / Н.А. Кисленко, А.В. Белинский, А.С. Казак, Е.В. Фомина // Математические модели и методы анализа и оптимального синтеза развивающихся трубопроводных и гидравлических систем: тр. XVIII Всерос. научн. семинара, Иркутск, 12–18 сент. 2022 г. – Иркутск: ИСЭМ СО РАН, 2022. – С. 39–55.
Назад в номер