«Автоматизация и информатизация ТЭК»

Алгоритм диагностирования газосигнализаторов в автоматизированных системах предотвращения предпожарных и взрывоопасных режимов

УДК: 681.5
DOI: 10.33285/2782-604X-2023-7(600)-5-12

Авторы:

¹ РГУ нефти и газа (НИУ) имени И.М. Губкина, Москва, Россия

Ключевые слова: нефтеперерабатывающий завод, пожарный риск, газосигнализатор, наружная установка, техническое обслуживание, нейронная сеть

Аннотация:

Предложен алгоритм управления диагностическими мероприятиями для подтверждения готовности к использованию датчиков газосигнализаторов в составе автоматизированной системы предотвращения предпожарных и взрывоопасных режимов на наружных технологических установках нефтеперерабатывающего завода. Алгоритм учитывает результаты работы сверточной нейронной сети, позволяющей получить скорректированное время процедур технического обслуживания при учете влияния нескольких групп параметров.

Список литературы:

1. Топольский Н.Г., Тетерин И.М., Гудков А.С. Основы создания автоматизированных систем пожарной безопасности объектов: учеб. пособие. – М.: Академия ГПС МЧС России, 2006. – 60 с.
2. ГОСТ IEC 60079-29-2-2013. Взрывоопасные среды. Часть 29-2. Газоанализаторы. Требования к выбору, монтажу, применению и техническому обслуживанию газоанализаторов горючих газов и кислорода. – Введ. 2015–02–15. – М.: Стандартинформ, 2014. – VIII, 87 с. – URL: https://docs.cntd.ru/document/1200107190 (дата обращения: 20.04.2023).
3. Шаровар Ф.И. Пожаропредупредительная автоматика. – М.: Специнформатика-СИ, 2013. – 556 с.
4. Самарин И.В., Крючков А.В., Строгонов А.Ю. Подход к моделированию технического обслуживания стационарных термохимических газосигнализаторов на установках НПЗ // Пожаровзрывобезопасность. – 2022. – Т. 31, № 1. – С. 40–48. – DOI: 10.22227/0869-7493.2022.31.01.40-48
5. Самарин И.В., Крючков А.В., Строгонов А.Ю. Модель оценки готовности термохимических газоанализаторов // Пожаровзрывобезопасность. – 2020. – Т. 29, № 6. – С. 61–74. – DOI: 10.22227/PVB.2020.29.06.61-74
6. Самарин И.В., Крючков А.В., Строгонов А.Ю. Расчет времени и состава бригады для мероприятий калибровки термохимических датчиков на открытых установках НПЗ // Автоматизация, телемеханизация и связь в нефтяной промышленности. – 2020. – № 12(569). – С. 38–43. – DOI: 10.33285/0132-2222-2020-12(569)-38-43
7. Самарин И.В., Крючков А.В., Строгонов А.Ю. Расчет регламентированного числа мероприятий калибровки для термохимических датчиков, установленных вокруг открытых установок НПЗ // Тр. РГУ нефти и газа им. И.М. Губкина. – 2020. – № 4(301). – С. 129–140. – DOI: 10.33285/2073-9028-2020-4(301)-129-140
8. Скрипкин С.Н., Чен-Син Э. Искусственные нейронные сети для выделения пространственных трендов на основе результатов трехмерной сейсморазведки // Тр. РГУ нефти и газа им. И.М. Губкина. – 2010. – № 1(258). – С. 113–120.
9. Дейтел П., Дейтел Х. Python: Искусственный интеллект, большие данные и облачные вычисления. – СПб.: Питер, 2020. – 864 с.
10. Брокарев И.А. Искусственные нейронные сети для решения задачи анализа компонентного состава газовых смесей // Управление большими системами: сб. тр. – 2019. – № 80. – С. 98–115. – DOI: 10.25728/ubs.2019.80.6
11. Шбат И.Т. Актуальность использования нейронных сетей для решения задач управления процессами и объектами нефтегазовой отрасли // Автоматизация, телемеханизация и связь в нефтяной промышленности. – 2011. – № 5. – С. 27–31.
12. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. Погружение в мир нейронных сетей. – СПб.: Питер, 2019. – 480 с.
13. Хайкин С. Нейронные сети: полный курс. – 2-е изд. – М.: Вильямс, 2016. – 1104 с.
14. Neural Network Design / M.T. Hagan, H.B. Demuth, M.H. Beale, O. De Jesús. – USA: Martin Hagan, 2014. – 800 p.
15. Гиркин С.В., Манкевич А.В. Применения глубоких нейронных сетей для классификации объектов // Реальность – сумма информационных технологий: сб. науч. ст. междунар. молодеж. науч.-практ. конф., Курск, 08–10 сент. 2016 г. – Курск: Юго-Запад. гос. ун-т, 2016. – С. 80–84.
16. Сай Ван Квонг. Глубокие нейронные сети для предсказательного технического обслуживания // Моделирование, оптимизация и информ. технологии. – 2019. – Т. 7, № 4(27). – С. 8–9. – DOI: 10.26102/2310-6018/2019.27.4.011
17. Butte S., Prashanth A.R., Patil S. Machine Learning Based Predictive Maintenance Strategy: A Super Learning Approach with Deep Neural Networks // 2018 IEEE Workshop on Microelectronics and Electron Devices (WMED), Boise, ID, USA, Apr. 20–20, 2018. – IEEE, 2018. – P. 1–5. – DOI: 10.1109/WMED.2018.8360836
18. Silva W., Capretz M. Assets Predictive Maintenance Using Convolutional Neural Networks // 2019 20th IEEE/ACIS Int. Conf. on Software Engineering, Artificial Intelligence, Networking and Parallel/Distributed Computing (SNPD), Toyama, Japan, July 08–11, 2019. – IEEE, 2019. – P. 59–66. – DOI: 10.1109/SNPD.2019.8935752
19. Ле Мань Ха. Сверточная нейронная сеть для решения задачи классификации // Тр. МФТИ. – 2016. – Т. 8, № 3(31). – С. 91–97.
20. Xiang Li, Qian Ding, Jian-Qiao Sun. Remaining useful life estimation in prognostics using deep convolution neural networks // Reliability Engineering & System Safety. – 2018. – Vol. 172. – P. 1–11. – DOI: 10.1016/j.ress.2017.11.021