Способ диагностики неисправностей газоперекачивающих агрегатов с использованием гибридных интеллектуальных систем Текст научной статьи по специальности «Механика и машиностроение»

УДК 004.891.3

СПОСОБ ДИАГНОСТИКИ НЕИСПРАВНОСТЕЙ ГАЗОПЕРЕКАЧИВАЮЩИХ АГРЕГАТОВ С ИСПОЛЬЗОВАНИЕМ ГИБРИДНЫХ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ

© 2014 П.Г. Антропов, О.Н. Долинина, А.Ю. Шварц

Саратовский государственный технический университет им. Гагарина Ю. А.

Проведён анализ методов повышения надёжности и эффективности работы газоперекачивающих агрегатов. Рассматриваются существующие решения диагностического методологического и программного обеспечения компрессорных станций. Составлены перечни значимых для диагностики параметров агрегатов, характерных видов неисправностей и причин их возникновения. Предложена модель гибридной интеллектуальной системы диагностики неисправностей газоперекачивающих агрегатов, основанной на искусственной нейронной сети и нечётком выводе. Описан метод нечёткого логического вывода, позволяющий обрабатывать произвольное количество промежуточных переменных и транзитивных зависимостей. Применение метода позволяет учитывать неточности экспертных знаний не только при описании фактов предметной области, но и причинно-следственных связей между ними. Описана реализация предложенной модели и метода в системе принятия решений, позволяющей выявлять как наличие и характер неисправностей, так и возможные причины их возникновения. Предлагаемая система позволяет повысить точность и полноту диагностики газоперекачивающих агрегатов, что повысит безопасность труда для персонала компрессорных станций, своевременность ремонта и технического обслуживания.

Неисправности газоперекачивающих агрегатов, интеллектуальная система, искусственная нейронная сеть, алгоритм нечёткого вывода.

Одной из важнейших задач систем транспорта и хранения природного газа ОАО «Газпром» является бесперебойность и высокая эффективность поставки природного газа на потребительский рынок в нашей стране и за рубежом. Выполнение этой задачи невозможно без реализации системы мер, направленных на обеспечение эффективной и долгосрочной работы основного оборудования компрессорных станций - газоперекачивающих агрегатов (ГПА), которых по стране насчитывается несколько тысяч. Эта реализуемая система мер должна предусматривать комплексы взаимосвязанных мероприятий направленных, в том числе, на мониторинг технического состояния оборудования как первооснову безопасной и эффективной эксплуатации.

Отечественный парк ГПА характеризуется широким диапазоном эффективных мощностей (2,5...25 МВт), наработок (до 100 тысяч часов и более), условиями эксплуатации и сервисного обслуживания и т.п. В силу этой неоднородности показатели надёжности и эффективности работы

даже однотипных агрегатов в различных дочерних обществах и на разных промп-лощадках могут существенно различаться. Кроме того, необходимо отметить, что и сама газотранспортная система страны была в целом сформирована к середине 80-х годов 20-го века, но изменения политической и экономической конъюнктуры за этот период приводили к существенному перераспределению нагрузки по существующим направлениям, соответственно изменялась и загруженность, и степень изношенности основного оборудования. Учитывая его непрерывное старение в условиях наметившейся диверсификации потоков поставок природного газа в Европу, основными направлениями повышения эффективности и надёжности работы действующих ГПА могли бы быть поддержание их экономичности, оптимизация режимов эксплуатации, качества ремонта и обслуживания, а также учёт экологической приемлемости. Принципиальные возможности достижения этих целей базируются на качественном и своевременном техническом обслуживании и

ремонте ГПА, продлении ресурса его эксплуатации без ущерба для показателей эффективности, а также, по возможности, обоснованное прогнозирование сроков реконструкции и замены агрегатов. Таким образом, требуется решение как теоретических, так и практических задач достоверного анализа надёжности и безопасности сложных технических систем. Разработка эффективных методов контроля и прогнозирования технического состояния ГПА по основным термодинамическим и технологическим параметрам с возможностью выявления дефектов на ранней стадии могло бы лечь в основу решения приоритетной задачи повышения надёжности и эффективности газотранспортных систем.

Комплексная оценка технического состояния сложных технических систем базируется на иерархическом структурировании, анализе надёжности структурных элементов и динамических методах контроля. Во многом результат диагностирования технического состояния ГПА предопределяется правильностью подбора наиболее информативных параметров контроля: вибрация, перепады давления, температур, эффективных КПД и др., а также корректностью построения принципиальных диагностических моделей и методик распознавания.

Описание проблемы

Сложность объекта исследования не позволяет получить универсальное решение, что вызывает трудности при разработке алгоритмов диагностики неисправностей и требует сочетания различных методик и подходов.

Исследованию задач повышения надежности энергетического оборудования и трубопроводных систем в разное время были посвящены работы С.П. Зарицкого [1], В.А. Иванова [2], В.А. Острейковско-го [3], Е.А. Ларина [4] и многих других. Исследования по повышению эксплуатационной надёжности ГПА проводились ООО «Газпром ВНИИГАЗ», РГУНиГ им.И.М. Губкина, ООО «Оргэнергогаз»,

ВНИИЭГазпром, ТюмГНГУ, СГТУ им. Гагарина Ю. А. и рядом других.

В работе [5] описано исследование, направленное на повышение информативности и достоверности параметров, влияющих на остаточный ресурс ГПА. Была предложена методика прогнозирования остаточного ресурса и изменения технического состояния ГПА компрессорных станций с газотурбинным приводом. Также были разработаны основные принципы выбора критериев оценки технического состояния для ГПА-16МГ-90 и «Коберра-182», проведён анализ функциональных зависимостей и взаимного влияния узлов данных типов ГПА.

Однако применение любых методов диагностики и прогнозирования к газоперекачивающим агрегатам подразумевает регулярный сбор данных о техническом состоянии как всей установки, так и отдельных её компонентов. В настоящее время наибольшее распространение получила автоматизированная система диагностического обслуживания АС ДО [6], которая внедрена на ряде предприятий ОАО «Газпром», ООО «Газпром добыча Надым», ООО «Газпром трансгаз Санкт-Петербург» и выполняет следующие функции: формирование математической модели исправного агрегата на основе полученных во время эксплуатационных технических испытаний; расчёт термогазодинамических параметров состояния проточных частей центробежного нагнетателя (ЦН) и газотурбинной установки (ГТУ) и прогноз изменения их значений; отслеживание выхода параметров из допустимого диапазона и формирование диагностических сообщений для оповещения; формирование рекомендаций; накопление и визуализация результатов параметрической диагностики.

Также распространённым в России программным комплексом является Compressor Performance Advisor от компании Compressor Controls Corporation. В число функций данного комплекса входит: создание математических моделей производительности ГПА; вычисление, монито-

ринг и хранение показателей эффективности и производительности; отслеживание критических отклонений и выдача предупреждений; выявление трендов в изменениях значений параметров.

К недостаткам такого рода систем можно отнести отсутствие функционала выдачи предположений по причинам возникающих отказов. Таким образом, система не оказывает достаточной поддержки в принятии решения для обслуживающего персонала, что понижает степень достоверности определения причин возникновения неисправности в силу различного уровня экспертных знаний и опыта работы у эксплуатационного персонала. Кроме того, заложенный в систему математический аппарат не отражает неуверенностей и неточностей, присущих утверждениям в любой предметной области.

Постановка задачи

В силу сложности и многокомпонентное™ объекта диагностирования задача выявления и предупреждения неисправностей не сводится только к контролю значений каждого параметра агрегата по отдельности. Выявление и предупреждение неисправностей установки может быть осуществлено только на основе анализа как системы в целом, так и её структурных компонентов, также являющихся, в свою очередь, сложными системами. В частности, характерным признаком появления неисправности может являться не только критическое значение определённых параметров, но и динамика их изменения в рамках допускаемых технической документацией значений.

Взаимосвязь изменения параметров, наличия неисправностей и причин их возникновения имеет сложный характер. Для моделирования такого рода зависимостей более всего подходят методы искусственного интеллекта (ИИ), позволяющие описывать причинно-следственные связи между данными как числовой, так и нечисловой природы [7]. Также зависимости между параметрами могут иметь неявный характер, а система, оперирующая такими

параметрами, должна предусматривать возможность неточностей и частичных неопределённостей в описании причинно-следственных связей.

Кроме того, применение методов ИИ для диагностирования неисправностей ГПА позволяет выполнять основные требования к диагностике: точность, достоверность и быстродействие.

Под точностью будем понимать степень совпадения реального значения диагностируемого параметра и значения, вычисленного системой диагностики.

Под достоверностью будем понимать степень уверенности в истинности утверждения, выдаваемого системой диагностики (например, о наличии определённого вида неисправности или набора вызвавших её причин). В случае интеллектуальных систем точность и достоверность достигаются за счёт использования экспертных знаний, а также многократной перенастройки (обучения) системы на основе исходных и вновь поступающих экспериментальных данных.

Под быстродействием будем понимать количество решений, даваемых системой за единицу времени. Выбор оптимального способа представления знаний в интеллектуальной системе, механизмов принятия решений и программно-аппаратной реализации позволяет удовлетворить требованиям к быстродействию системы диагностики.

Таким образом, использование методов ИИ в разработке программного комплекса диагностики неисправностей ГПА позволит в необходимой степени удовлетворить основным требованиям к диагностике и создать расширяемую платформу для дальнейшей доработки и модификации.

Объект исследования

В качестве объекта исследования рассматривается газоперекачивающий агрегат с газотурбинным приводом, принципиальная схема которого приведена на рис.1.

3 4 5 6 7 3 £

Рис. 1. Принципиальная схема газотурбинной установки с регенерацией (1 - компрессор, 2 - потребитель, 3 - топливный трубопровод, 4 - форсунка, 5 - воздушный трубопровод, б - камера сгорания, 7 - лопатки турбины, 8 - теплоообмен-ник, 9 - патрубок)

Для анализа связи параметров ГПА, неисправностей и их причин было сформировано множество У = {у 1, ..., у 18}, где каждому элементу поставлена в соответствие степень уверенности в наличии определенной неисправности: у\ - изменение проходной площади соплового аппарата турбины высокого давления (ТВД); У2 - увеличение радиальных зазоров осевого компрессора (ОК); уз - увеличение радиальных зазоров турбины; у4 - увеличение зазоров в концевых уплотнителях; Уз - негерметичность воздушного тракта регенератора; ув - вредный подогрев на входе компрессора; у7 - увеличение сопротивления входного тракта ГТУ; у% -увеличение сопротивления тракта высокого давления; у9 - увеличение сопротивления выходного тракта ГТУ; ую - загрязнение проточной части компрессора; 1 -эрозия элементов проточной части центробежного нагнетателя (ЦН); У12 - увеличение зазора в уплотнениях ЦН; у\3 -уменьшение запаса устойчивой работы ОК (предпомпаж); у\4 - уменьшение запаса устойчивой работы ЦН; у 15 - выгорание элементов камеры сгорания (КС); у\в - коробление, занос, обрыв лопастного аппарата турбины высокого давления (турби-

ны низкого давления); у\7 - негерметичность проточной части газотурбинного двигателя (ГТД); у\% - занос фильтрующих элементов воздухозаборной камеры (ВЗК).

В ходе анализа предметной области было сформировано множество X = {х\, х2, х2б}, каждому элементу которого поставлено в соответствие значение параметров ГПА: XI - барометрическое давление; Х2 - температура наружного воздуха; Х3 - разрежение перед ОК; Х4 - температура перед ОК; Х5 - давление за ОК; Хв -температура за ОК; Х7 - давление за регенератором; Х8 - температура за регенератором; Х9 - температура перед ТВД; Хю -давление за ТНД №1; Хп - давление за ТНД №2; Х\2 - температура за ТНД; Х13 -обороты ротора ТВД; Х14 - обороты ротора ТНД; XI5 - давление газа перед нагнетателем; Х1б - давление газа за нагнетателем; Х17 - температура газа за нагнетателем; XI8 - температура газа перед нагнетателем; XI9 - разница температур газа на входе и выходе ОК; Х20 - расход воздуха через ОК; Х21 - эффективный КПД; Х22 -КПД нагнетателя; Х23 - степень сжатия; Х24 - частота вращения ротора силовой турбины (ССТ или ТНД); Х25 - уровень вибрации; Х26 - уровень шума.

Кроме того, каждая неисправность может быть вызвана одной или несколькими эксплуатационными или иными причинами. Было сформировано множество X = {21, 22, ..., 226}, каждому элементу которого поставлена в соответствие степень уверенности в наличии определённой причины неисправностей: 21 - коробление обоймы; 22 - деформация, обрыв лопаток; 23 - вибрация ротора; 24 - перекос, расцентровка ротора; 25 - дефекты подшипников; 2б - температурные деформации при пусках и остановках ГПА; 27 - отсутствие изоляции на регенераторах и газоходах; 28 - неправильная компоновка

ГПА на КС; Zg - неплотность запорных клапанов систем антиобледенения, тяги регенератора; Zw - обледенение входного тракта; Z\\ - пылевые отложения во входном тракте; Z\i - эрозия (износ) входного тракта ГТУ; z 13 - пылевые отложения в тракте высокого давления; z 14 - эрозия (износ) тракта высокого давления; Z\$ -деформация выходного тракта ГТУ; Zw -рост отложений в выходном тракте ГТУ; Z\i - уменьшение эффективности очистки воздуха, невыполнение периодических чисток; z 18 - уменьшение эффективности очистки технологического газа (пылеуловители); z 19 - вибрация, осевой сдвиг ЦН; Z20 - уменьшение проходной площади ТВД; Z21 - увеличение сопротивления входного тракта; Z22 - ускоренный запуск; Z23 - износ лопаток; Z24 - уменьшение массового расхода воздуха; Z25 - увеличение степени сжатия при постоянной частоте

вращения ротора (пст=со}Ш)-, 226 - подрез рабочего колеса.

Кроме причинно-следственных связей между параметрами системы и неисправностями, а также неисправностями и их эксплуатационными системами, существуют также связи между самими параметрами, между неисправностями и между их причинами. Наличие сложных транзитивных зависимостей обуславливает структуру разрабатываемой интеллектуальной системы.

Интеллектуальная система для принятия решения по диагностике неисправностей ГПА

Разработанный программный комплекс СА20ЕТЕСТ для диагностики неисправностей ГПА основан на гибридной интеллектуальной системе, структура которой приведена на рис. 2. Основными компонентами системы являются искусственная нейронная сеть (ИНС) и подсистема нечёткого вывода.

Рис. 2. Схема интеллектуальной системы принятия решения по диагностике неисправностей ГПА

X — {х1,..., х2б) - входной вектор системы, содержащий числовые значения параметров ГПА;

1гк- нейроны скрытого слоя

ИНС;

У = {у1(... ,у18}- выходной вектор ИНС и входной вектор подсистемы нечёткого вывода, содержащий степени уве-

ренности в наличии характерных неисправностей;

2 — {г1,..., г26} выходной вектор системы, содержащий степени уверенности в наличии причин неисправностей.

Степени уверенности в наличии неисправностей и их причин лежат на интервале [0;1], где 0 - самая низкая степень уверенности, 1 - самая высокая.

ИНС служит для выявления неисправностей на основе значений и динамики изменения параметров ГПА. Полученные степени уверенности в совокупности с уже поданными на вход ИНС параметрами используются подсистемой нечёткого вывода для выявления возможных причин возникновения неисправностей.

ИНС имеет структуру трёхслойного персептрона, обученного алгоритмом обратного распространения ошибки. Обучающая выборка была составлена на ос-

нове норм технологического проектирования магистральных газопроводов [8] и мнений экспертов - специалистов по техническому обслуживанию ГПА.

Подсистема нечёткого вывода

Подсистема нечёткого вывода основана на использовании экспертных правил, использующих аппарат теории нечетких множеств. Структурная схема подсистемы представлена на рис. 3.

Рис. 3. Схема подсистемы нечёткого вывода

I - вектор входных числовых значений подсистемы;

0 - вектор выходных числовых

значений подсистемы;

*

Р - вектор промежуточных числовых значений подсистемы.

Рассматриваемая база нечётких правил может быть представлена в виде (]),

где V - универсальное множество лингвистических переменных системы,

1 - множество входных лингвистических переменных, IаУ,

С - множество выходных лингвистических переменных, С а V,

Р - множество промежуточных лингвистических переменных, Р а V, Я - множество правил вида

< г,-, Ну >:

ЕСЛИ есть ^д И... И есть tyIn_1 ТО есть

где гу - уникальное имя правила,

иу - лингвистическая степень уверенности в истинности правила Гу,

х>]д,... - входные лингвистиче-

ские переменные для правила гу,

£/д,... 1 ~~значения входных лингвистических переменных для правила гу, х>) П - выходная лингвистическая переменная для правила гу,

- значение выходной лингвистической переменной для правила гу.

Будем считать, что на вход подсис-т* ■■

темы подается вектор I четких значений, соответствующих лингвистическим переменным множества /. Выходом подсистемы является вектор О чётких значений, соответствующих лингвистическим переменным множества С.

Утверждением будем считать пару

<Ут^т,к >>

где еК - лингвистическая переменная, к е Т(ут) - значение лингвистической переменной.

Каждому утверждению в соответствие поставлена нечёткая переменная /т к.

Будем считать входными правила Гу е Я , в левой части которых содержатся

только те утверждения, которые содержат входные лингвистические переменные.

В ходе консультаций с экспертами было определено множество Т = £з< £5) (^1 ~~ "очень низкое", — "низкое", tз — "среднее", — "высокое", t5 — "очень высокое") лингвистических значений, связанных с числовыми значениями параметров функциями принадлежности. Кроме того, были определены исключительные ситуации, когда значением лингвистической переменной является не выражение на естественном языке, а утверждение вида "х^ > или "х^ < ¿¿", где XI - числовое значение параметра, Ь[- определённая экспертом верхняя или нижняя граница параметра, допускаемая технической документацией.

Было сформировано множество правил Я, примеры которых приведены ниже. г15: ЕСЛИ <отклонение давления за ТНД №1> <очень высокое> И <отклонение давления за ТНД№2> <очень высокое> ТО <загрязнение проточной части компрессора> <высокое> г27: ЕСЛИ <колебание температуры за нагнетателем> <высокое> И <колебание температуры перед нагнетателем> <высокое> ТО <повышение вибрации> <высокое>

Алгоритм нечёткого вывода

Шаг 1. Для каждого входного правила fj вычисляются значения истинности всех утверждений

*

где Уу (1 - чёткое значение, соответствующее лингвистической переменной у^ ч в левой части правила г.

Шаг 2. Для каждого входного правила Гу вычисляется уровень отсечения

А

^ ^jj,п ^

)=

n-i

п-1

П6м •

Ь=1

Шаг 3. Для каждого входного правила Гу формируется усечённая функция

принадлежности нечёткой переменной в правой части правила

jdf

J m

(х) =

= pifJx)-mm{](<

где пара < Vjn, ijn > соответствует нечёткой переменной fm k,

juu{iijj - значение функции принадлежности степеней уверенности.

Шаг 4. Для каждой лингвистической переменной vm gV, стоящей в правой части хотя бы одного входного правила г-,

формируется результирующая функция принадлежности

juv (х) = max u'f (х)

ym k m

Шаг 5. Для каждой лингвистической переменной vm = vjn е V, стоящей в правой части каждого входного правила г-, вычисляется чёткое значение \x-fiv(x)dx

vm =

X

¡/Лут(х)йЪс

X

Шаг 6. Шаги 1-5 повторяются для каждого правила г - е II до тех пор, пока

не будут вычислены чёткие значения, соответствующие каждой выходной лингвистической переменной. Полученные чёткие значения формируют выходной

вектор О .

Таким образом, подсистема нечёткого вывода позволяет на основе параметров ГПА и степеней уверенности в наличии определённого вида неисправностей получить степени уверенности в

характерных эксплуатационных иных причинах отказов.

или

Заключение

Сложность ГПА как объекта исследования не позволяет получить универсальное решение, что вызывает трудности при разработке алгоритмов диагностики неисправностей и требует сочетания различных методик и подходов. В статье показана возможность использования интеллектуальных методов для решения проблемы диагностики неисправностей ГПА на основе программной системы

ОА2БЕТЕСТ, позволяющей на основе параметров агрегата своевременно обнаруживать характерные отказы в работе устройства, что приводит к повышению безопасности труда, обеспечивает своевременный ремонт и техническое обслуживание установки. Кроме того, установление причин неисправности повышает вероятность устранения допущенных в ходе эксплуатации нарушений или обнаружения заводских и иных дефектов в деталях оборудования.

Библиографический список

1. Грачёв В.А., Зарицкий С.П., Детков А.Ю., Мокроусов С.Н. Диагностическое обслуживание трубопроводной арматуры на предприятиях ОАО «Газпром» // Безопасность труда в промышленности. 2006. № 12. С. 54-59.

2. Кокорев E.H., Иванов А.П., Сереб-рянский А.Я., Иванов В.А. Программная система моделирования режима работы сетей газоснабжения городов и населённых пунктов // Безопасность труда в промышленности. 2001. № 4. С. 34-35.

3. Острейковский В.А., Силин Я.В. Применение методов теории катастроф к оценке надёжности нефтепромысловых трубопроводов // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2011. № 11. С. 29-33.

4. Ларин Е.А. Вероятностная модель расчёта показателей надёжности теплофикационных парогазовых установок в системах теплоэнергоснабжения // Известия высших учебных заведений. Проблемы энергетики. 2010. № 9-10. С. 111-122.

5. Семенов A.A. Комплексный анализ работоспособности газоперекачивающих

Информация

Антропов Павел Георгиевич, кандидат технических наук, доцент, декан энергетического факультета, заведующий кафедрой «Теплоэнергетика», Саратовский государственный технический университет имени Ю.А. Гагарина. E-mail: apg.sstu@yandex.ru. Область научных ин-

агрегатов на основе прогноза остаточного ресурса. Дис. канд. техн. наук. Москва, 2004. 134 с.

6. Стребков А., Басманов М., Меньшиков С., Морозов И. Система параметрической диагностики газоперекачивающих агрегатов: современный подход // Деловая Россия: промышленность, транспорт, социальная жизнь. 2011. № 7. С. 42-43.

7. Долинина О.Н., Каримов Р.Н. Методы обработки многомерных данных объектов числовой и нечисловой природы // Вестник Самарского государственного технического университета. 2006. № 2(12). С. 100-110.

8. Сафонов B.C., Леонтьев Е.В., Щу-ровский В.А. Нормы технологического проектирования магистральных газопроводов СТО Газпром 2-3.5-051-2006 // ОАО «Газпром», 2005.

9. Антропов П.Г., Замоторин В.Н, Захаров В.Н. и др. Учеб. пос. для подготовки и повышения квалификации рабочих и специалистов службы ГКС. Петровск: ЮгТрансгаз, 2000. 145 с.

об авторах

тересов: газотурбинные установки, система транспорта и хранения природного газа, системы энергообеспечения.

Долинина Ольга Николаевна, кандидат технических наук, доцент, декан международного факультета прикладных информационных технологий, заведую-

щий кафедрой прикладных информационных технологий, Саратовский государственный технический университет имени Ю. А. Гагарина. E-mail: olga@sstu.ru. Область научных интересов: системы искусственного интеллекта, методы представления знаний, отладка систем искусственного интеллекта, искусственные нейронные сети.

Шварц Александр Юрьевич, аспирант кафедры «Прикладные информационные технологии», Саратовский государственный технический университет имени Ю.А. Гагарина. Email: shvartsaleksandr@, gmail. com. Область научных интересов: системы искусственного интеллекта, теория нечётких множеств, искусственные нейронные сети.

METHOD OF GAS TURBINE MALFUNCTION DIAGNOSTICS USING HYBRID

INTELLECTUAL SYSTEMS

© 2014 P.G. Antropov, O.N. Dolinina, A Y. Shvarts Yury Gagarin State Technical University of Saratov, Russian Federation

Methods of improving the safety and efficiency of gas turbines are analyzed. The existing diagnostic methodologies and software for compression stations are reviewed. Lists of significant diagnostics parameters, typical faults and their causes are compiled. A model of a hybrid intellectual system of gas turbine fault diagnosis based on artificial neural network and fuzzy inference is introduced. The fuzzy inference method which allows processing an arbitrary number of intermediate variables and transitive relations is described. Moreover, the method makes it possible to take into account the inaccuracies in expert knowledge not only in describing the facts of an application domain but also in cause-and-effect relations between them. The implementation of the proposed model and the method in the system of taking decisions that makes it possible to reveal both the presence and character of the faults and their possible causes is described. The proposed system makes it possible to improve the accuracy and completeness of gas turbine diagnostics, which, in its turn, will increase the labor safety for the compression station staff as well as the promptness of repair and maintenance. Thus, the application of the system may have a positive effect on the service life and economic feasibility of gas turbines.

Faults of gas turbines, intellectual systems, artificial neural network, algorithm offuzzy inference.

References

1. Grachev V.A., Zaritsky S.P., Detkov AYu., Mokrousov S.N. Predictive maintenance of pipe fittings at OJSC "Gazprom" subsidiaries // Bezopasnost' truda v promyshlennosti, 2006. No. 12, P. 54-59. (In Russ.)

2. Kokorev E.N., Ivanov A.P., Serebryansky A.Ya., Ivanov V.A. Program system for modeling the operation mode of gas networks in cities and localities // Bezopasnost' truda v promyshlennosti. 2001. No. 4. P. 34-35. (In Russ.)

3. Ostreykovsky V.A., Silin Ya.V. Application of catastrophe theory methods to the assessment of oilfield pipeline reliability // Automatization, telemechanization and tele-

communication in oil industry. 2011. No. 11. P. 29-33. (In Russ.)

4. Larin E.A. Probabilistic model of calculating reliability parameters for district heating steam-gas units in heat and power supply systems // Izvestiya vysshikh uchebnykh zavedeniy. Problemy energetiki. 2010. No. 9-10. P. 111-122. (In Russ.)

5. Semenov A. A. Kompleksnyy analiz rabotosposobnosti

gazoperekachivayushchikh agregatov na osnove prognoza ostatochnogo resursa. Diss, kand. tekhn. nauk [Complex analysis of gas turbine performance based on residual service life estimation: PhD thesis], Moscow, 2004. 134 p.

6. Strebkov A., Basmanov М., Menshikov S., Morozov I. Gas turbine parametric diagnostics system: modern approach // Business Russia: industry, transport, social life. 2011. No. 7. P. 42-43. (InRuss.)

7. Dolinina ON, Karimov R.N. Methods of processing multi-dimensional data from numeric and non-numeric objects // Vestnik of Samara St. Tech. Univ. 2006. No. 2(12). P. 100-110. (InRuss.)

8. Safonov V.S., Leontiev E.V., Schurovsky V. A. Standards for technological design of main gas pipelines. OJSC «Gazprom», 2005. (InRuss.)

9. Antropov P.G., Zamotorin V.N., Zakharov V.N. et al. Manual for training and retraining of workers and specialists at gas compressor station. YugTransgaz, Petrovsk, 2000. 145 p. (InRuss.)

About the authors

Antropov Pavel Georgievich, Candidate of Science (Engineering), Associate Professor, Dean of the Power Engineering Faculty, Head of the Department of Heat and Power Engineering, Yuri Gagarin Saratov State Technical University. E-mail: apg.sstu@yandex.ru. Area of Research: gas turbines, gas transport and storage systems, energy supply systems.

Dolinina Olga Nikolaevna, Candidate of Science (Engineering), Associate Professor, Dean of International Faculty of Applied Information Technologies, Yuri Gagarin Saratov State Technical University , Head of

the Department of Applied Informational Technologies. E-mail: olga@sstu.ru. Area of Research: systems of artificial intelligence, methods of knowledge representation, intellectual systems validation, artificial neural networks.

Shvarts Alexander Yurievich, postgraduate student of the Applied Information Technologies Department, Yuri Gagarin Saratov State Technical University. Email: shvartsaleksandr@gmail.com. Area of Research: artificial intelligence systems, fuzzy sets theory, artificial neural networks.