CC BY
0
АЛГОРИТМ ПРОГНОЗИРОВАНИЯ ПАРАМЕТРОВ ФУНКЦИОНИРОВАНИЯ ЭЛЕКТРОПРИВОДНЫХ КОМПРЕССОРНЫХ УСТАНОВОК ДЛЯ ПРЕДИКТИВНОЙ ОЦЕНКИ ТЕХНИЧЕСКОГО СОСТОЯНИЯ
Мироненко Ярослав Владимирович
соискатель,
Уральский федеральный университет имени первого Президента России Б.Н. Ельцина РФ, г. Екатеринбург E-mail: yaroslav.mironenko@inbox.ru
Хальясмаа Александра Ильмаровна
канд. техн. наук, доцент, зав. научной лабораторией, Уральский федеральный университет имени первого Президента России Б.Н. Ельцина
РФ, г. Екатеринбург
PREDICTIVE TECHNICAL CONDITION ASSESSMENT BASED ON FORECASTING
ALGORITHM FOR OPERATION PARAMETERS OF ELECTRIC DRIVE COMPRESSOR
Yaroslav Mironenko
Applicant, Ural Federal University named after the First President of Russia B.N. Yeltsin,
Russia, Ekaterinburg
Alexandra Khalyasmaa
Ph.D., Associate Professor, Head of Scientific Laboratory, Ural Federal University named after the First President of Russia B.N. Yeltsin
Russia, Ekaterinburg
АННОТАЦИЯ
Система управления жизненным циклом является инструментом для повышения эффективности эксплуатации электроприводных компрессорных установок в условиях увеличения доли выработавших ресурс комплексов и сокращения затрат. Создание такой системы требует разработки алгоритма не только оценки текущего, но и прогнозного состояния установки. В статье представлен вариант реализации алгоритма предиктивной оценки, использующий нейросетевую модель для решения задачи прогнозирования временных рядов диагностических параметров. Представлены результаты прогнозирования с использованием двух независимых моделей, использующих различные алгоритмы обучения нейронной сети, в соответствии с выбранными критериями качества.
ABSTRACT
A life cycle management system is a tool for electric-drive compressor operating efficiency increasing during increasing the share of exhausted complexes and reducing costs. It is necessary to develop an algorithm for assessing the current and predicted state of compressors. The article contains an implementation option for a predictive assessment algorithm that uses a neural network model to solve the time series forecasting problem for diagnostic parameters. The results of forecasting are presented for two independent different neural network training algorithms in accordance with selected quality criteria.
Ключевые слова: электроприводная компрессорная установка, управление жизненным циклом, оценка текущего состояния, предиктивная оценка состояния, прогнозирование временных рядов, нейронная сеть.
Keywords: electric drive compressor unit, life cycle management, current state assessment, predictive state assessment, time series forecasting, neural network.
Библиографическое описание: Мироненко Я.В., Хальясмаа А.И. АЛГОРИТМ ПРОГНОЗИРОВАНИЯ ПАРАМЕТРОВ ФУНКЦИОНИРОВАНИЯ ЭЛЕКТРОПРИВОДНЫХ КОМПРЕССОРНЫХ УСТАНОВОК ДЛЯ ПРЕДИКТИВНОЙ ОЦЕНКИ ТЕХНИЧЕСКОГО СОСТОЯНИЯ // Universum: технические науки : электрон. научн. журн. 2024. 5(122). URL: https://7universum.com/ru/tech/archive/item/17454
Эффективное и надёжное функционирование предприятий нефте и газоперерабатывающей отрасли в значительной степени обеспечивается безаварийной работой компрессорных установок (КУ). На предприятиях нефте и газопереработки особенно велика доля электроприводных компрессорных установок, где она превышает 80% от общего числа используемых. Около 50% отказов в работе электроприводных компрессорных установок связано со старением и пробоем изоляции. Более 70% электродвигателей 6-10 кВ в составе указанных агрегатов имеет срок службы более 20 лет, значительная часть более 30-40 лет [3].
В условиях увеличения доли выработавших ресурс электротехнических комплексов и сокращения затрат на модернизацию фондов формируется направленность эксплуатации КУ на поддержание их параметров и характеристик на уровне работоспособности, фактически минимально достаточном для выполнения функций при обеспечении нормативно допустимого уровня надежности, экономичности, безопасности и качества.
Существенно повысить характеристики и эффективность работы комплексов можно за счет использования системы управления жизненным циклом на всех его этапах, что в свою очередь требует проверки соответствия функционирования КУ требованиям нормативных документов, а также оценки текущего и прогнозного состояния установки [1, 4].
Оценка результатов диагностического мониторинга на соответствие требованиям нормативных документов сводится к бинарной классификации.
В соответствии с требованиями различных нормативных документов один из классов характеризуется допустимым к работе состоянием, а второй - предельным. Так как эти требования представлены в виде предельно допустимых значений параметров, то для оценки может использоваться продукционный подход.
Оценка текущего состояния компрессорных установок представляет собой решение задачи классификации, т. е. создания алгоритма, способного определить принадлежность объекта к заданным классам (состояниям). В случае управления жизненным циклом речь идет о мультиклассовой классификации. В [7] рассмотрены наиболее перспективные для целей управления жизненным циклом ансамблевые алгоритмы машинного обучения - бэггинг и градиентный бустинг. Данные алгоритмы позволяют эффективно решать задачу мультиклассовой классификации при большом количестве параметров разной природы и несбалансированности выборки.
Предиктивная оценка состояния может осуществляться по алгоритму, представленному на рис.1. Набор прогнозируемых параметров определяется в этом случае в зависимости от оснащенности КУ средствами измерения, а также алгоритмов используемых моделей вышеописанных оценок текущего состояния. Наиболее перспективным выглядит прогнозирование следующих параметров: Температура подшипников и корпуса двигателя, температура изоляции двигателя по фазам, вибросмещение подшипников и корпуса двигателя.
Да
Рисунок 1. Алгоритм предиктивной оценки состояния
Прогнозирование временных рядов диагности- обучения отличаются тем, как они настраивают
ческих параметров в этом случае может осущест- синаптические веса нейронов.
вляться с помощью обученной нейронной сети. В качестве основных методов обучения для Задачу обучения нейронной сети можно рассматри- целей краткосрочного и среднесрочного прогнозировать как задачу численной оптимизации. Алгоритмы вания изменения значения температуры и вибрации
перспективным является использование методов обратного распространения и метод Левенберга-Марквардта [5,6]. Выбор алгоритма должен осуществляться при формировании графика для конкретного периода выбранной компрессорной установки и определяется точностью прогноза.
Алгоритм обратного распространения заключается в последовательном поиске компромисса между различными наблюдениями и изменении весов нейронов таким образом, чтобы суммарная ошибка на всем обучающем множестве уменьшилась
RRMSE =
lct
(1)
и спрогнозированное значение, на каждом рассматриваемом временном промежутке соответствовало реальному измеренному значению [2, 6].
Метод Левенберга-Марквардта являются реализацией алгоритма линейного поиска и доверительных областей, в рамках которого происходит последовательное приближение заданных начальных значений параметров вектора движения к искомому локальному оптимуму.
Формирование обучающей и тестовой выборки для модели прогнозирования осуществлялось на основе данных мониторинга функционирования действующих электроприводных компрессорных установок, оснащенных средствами температурного и вибрационного мониторинга подшипников, с использованием прогнозных значений эксплуатационных параметров, связанные с технологическим
режимом производства: расход продукта объемный и массовый, а также прогноза температуры воздуха на объекте.
Реализация алгоритма прогнозирования значений диагностических параметров компрессорных установок с помощью нейронных сетей была осуществлена с помощью языка программирования Python с использованием библиотек pandas, sklearn, neupy.
В качестве метрики качества алгоритмов прогнозирования выступает относительное среднеквадрати-ческое отклонение (relative root mean squared error) спрогнозированных значений от данных последующих измерений:
где ct - спрогнозированное значение элемента ряда,
bt - действительное значение по данным измерений,
п - количество рассматриваемых элементов ряда.
Данные о качестве прогнозных моделей представлены в табл. 1.
По результатам проверки математических алгоритмов для решения задачи классификации были сделаны следующие выводы:
• Наименьшее значение относительного отклонения прогнозируемых данных от достигнуто при использовании алгоритма обратного распространения обучения искусственной нейронной сети;
• При включении в исходные данные производственного плана существенно повышается качество прогноза
Таблица 1.
Качество прогнозирования диагностических параметров
п
Используемый алгоритм / Прогнозируемый параметр RRMSE алгоритма обратного распространения RRMSE алгоритма Левенберга-Марквардта
Температура подшипника (без учета данных планирования производства) 0,13 0,18
Температура подшипника (с учетом данных планирования производства) 0,11 0,14
Вибросмещение подшипника (без учета данных планирования производства) 0,13 0,14
Вибросмещение подшипника (с учетом данных планирования производства) 0,1 0,09
Достигнутая точность в прогнозировании диагностических параметров позволяет говорить о возможности предиктивной оценки состояния
с использованием рассмотренных алгоритмов прогнозирования в системах управления жизненным циклом электроприводных компрессорных установок.
Список литературы:
1. Андреев Д.А., Назарычев А.Н. Управление жизненным циклом электроустановок при эксплуатации по техническому состоянию // Надежность и безопасность энергетики. - 2013. - №3(22) - С 32-36.
2. Бокс Дж., Дженкинс Г.М. Анализ временных рядов, прогноз и управление. - М.: Мир, 1974. — 406 с.
3. Васильев Б.Ю., Сугутин М.Н. Энергетическая, экономическая и экологическая эффективность использования газоперекачивающих агрегатов с электроприводом // Современные научные исследования и инновации.
№ 5 (122)
UNIVERSUM:
ТЕХНИЧЕСКИЕ НАУКИ
• 7universum.com
май, 2024 г.
2014. № 5. Ч. 1 / [Электронный ресурс]. - Режим доступа: URL: https://web.snauka.ru/issues/2014/05/34791 (дата обращения: 23.04.2024).
4. Косорлуков И.А. Прогнозирование жизненных циклов электроустановок 6 - 35 кВ на основе математического моделирования и оценки рисков отказов: Автореф. дис. ... канд. техн. наук. - Самара, 2013. - 20 с.
5. Нейронные сети. STATISTICA Neural Networks: Методология и технологии современного анализа данных / Под редакцией В.П. Боровикова. 2-е изд., перераб. и доп. - М.: Горячая линия - Телеком, 2008. — 392 с.
6. Садовникова Н.А., Шмойлова Р.А. А Хайкин С. Нейронные сети: полный курс. - М.: ООО «И.Д. Вильямс», 2006. — 1104 с.
7. Mironenko Y. V. Development of Automated Life Cycle Management System for Electrically Driven Compressor Units in the Oil and Gas Industry / Y. V. Mironenko, A. I. Khalyasmaa // Belarusian-Ural-Siberian Smart Energy Conference (BUSSEC) № 24061710 - Ekaterinburg, 2023.
