«Автоматизация и информатизация ТЭК»

Применение нейронных сетей для диагностики и прогнозирования технического состояния оборудования

УДК: 004.032.26
DOI: 10.33285/2782-604X-2023-7(600)-13-21

Авторы:

¹ ИнфТех, Москва, Россия
² Уфимский университет науки и технологий, Уфа, Россия

Ключевые слова: диагностика промышленного оборудования, нейронные сети, оценка надежности работы агрегатов, прогнозирование технического состояния, машинное обучение

Аннотация:

Повышение надежности и стабильности работы оборудования является актуальной и приоритетной задачей для любых промышленных предприятий. С появлением новых коммуникационных технологий, связанных с передачей данных технологических процессов и их параметров, включая физические показатели работы оборудования в режиме реального времени, решение этой проблемы потребовало новых подходов к выявлению неисправностей и возможных отказов. Появилась потребность в разработке и применении интеллектуальных алгоритмов для анализа и обработки большого объема данных с целью обнаружения аномального поведения в работе агрегатов. В статье рассматривается возможность использования технологий машинного обучения, в частности нейронных сетей, для диагностирования и прогнозирования технического состояния оборудования. Рассмотрены три основных направления решения задач исследуемой проблематики: классификация текущего состояния агрегата, прогнозирование технических характеристик или атрибутов оборудования и распознавание поведения промышленной машины алгоритмами кластеризации. Представлена структура системы диагностирования и прогнозирования состояния промышленного оборудования. Проведены расчетные эксперименты и анализ полученных результатов.

Список литературы:

1. Мухутдинов А.Р., Ефимов М.Г., Вахидова З.Р. Нейросетевое моделирование процесса детонации смесевого взрывчатого вещества на основе гексида // Вестн. Технолог. ун-та. – 2020. – Т. 23, № 1. – С. 84–88.
2. Шмелев В.А. Автоматизированные системы управления процессом бурения нефтяных и газовых скважин, состояние разработок // Автоматизация, телемеханизация и связь в нефтяной промышленности. – 2021. – № 9(578). – С. 49–59. – DOI: 10.33285/0132-2222-2021-9(578)-49-59
3. Налетов В.А., Глебов М.Б., Налетов А.Ю. Статическая математическая модель нагревательной печи для оптимизации процессов энергопотребления // Автоматизация и информатизация ТЭК. – 2022. – № 8(589). – С. 50–56. – DOI: 10.33285/2782-604X-2022-8(589)-50-56
4. Convolutional LSTM network: A machine learning approach for precipitation nowcasting / Xingjian Shi, Zhourong Chen, Hao Wang [et al.] // Advances in neural information processing systems. – 2015. – P. 802–810. – DOI: 10.48550/arXiv.1506.04214
5. Peel L. Data driven prognostics using a Kalman filter ensemble of neural network models // 2008 Int. Conf. on prognostics and health management, Denver, CO, USA, Oct. 06–09, 2008. – IEEE, 2008. – 6 p. – DOI: 10.1109/PHM.2008.4711423
6. Prognostics and health management design for rotary machinery systems – Reviews, methodology and applications / Jay Lee, Fangji Wu, Wenyu Zhao [et al.] // Mechanical systems and signal processing. – 2014. – Vol. 42, Issue 1-2. – P. 314–334. – DOI: 10.1016/j.ymssp.2013.06.004
7. Бабокин Г.И., Шпрехер Д.М. Применение нейронных сетей для диагностики электромеханических систем // Горный информ.-аналит. бюл. (науч.-техн. журн.). – 2011. – № S4. – С. 132–139.
8. Юнусова Л.Р., Магсумова А.Р. Кластеризация с помощью нейронных сетей и поиск зависимостей // Наука, образование и культура. – 2019. – № 7(41). – С. 18–19.
9. Кацер Ю.Д., Козицин В.О., Максимов И.В. Методы обнаружения неисправностей оборудования АЭС // Изв. вузов. Ядерная энергетика. – 2019. – № 4. – С. 5–27. – DOI: 10.26583/npe.2019.4.01
10. Ранняя диагностика и прогнозирование надежности промышленного оборудования на основе "цифрового двойника" / С.А. Жиляков, Е.М. Карасев, С.Б. Левочкин, Т.А. Плешивцева // Деловой журн. Neftegaz.RU. – 2021. – № 5(113). – С. 60–66. – URL: https://magazine.neftegaz.ru/articles/tsifrovizatsiya/682121-rannyaya-diagnostika-i-prognozirovanie-nadezhnosti-promyshlennogo-oborudovaniya-na-osnove-tsifrovogo/ (дата обращения 15.03.2023).
11. Коршикова А.А., Трофимов А.Г. Модель раннего обнаружения аварийных ситуаций на оборудовании электростанций на основе методов машинного обучения // Теплоэнергетика. – 2019. – № 3. – С. 49–56. – URL: https://inctrl.ru/files/nodus_items/0000/0233/attaches/Model-for-Early-Detection_ru.pdf (дата обращения 01.04.2023). – DOI: 10.1134/S0040363619030044
12. RUL Estimation in Rotary Machines Using Linear Dimension Reduction and Bayesian Inference / M. Heydarzadeh, M. Zafarani, B. Akin, M. Nourani // 2017 IEEE Int. Electric Machines and Drives Conf. (IEMDC), Miami, FL, USA, May 21–24, 2017. – IEEE, 2017. – DOI: 10.1109/IEMDC.2017.8002380
13. Щербатов И.А., Цуриков Г.Н. Определение дефектов энергетического оборудования с помощью алгоритмов машинного обучения в системах предиктивной аналитики // Современные проблемы теплофизики и энергетики: материалы III междунар. конф., М., 19–23 окт. 2020 г. – М.: НИУ "МЭИ", 2020. – С. 706–707.
14. Сарафанов М., Вычужанин П., Никитин Н. Прогнозирование временных рядов с помощью AutoML. – URL: https://habr.com/ru/post/559796/ (дата обращения 10.09.2021).