CC BY
19Лабораторные испытания измерительно-вычислительного комплекса для диагностики термодинамических процессов однофазных потоков
Петров Алексей Михайлович,
к.т.н., доцент, зав. кафедрой электроэнергетики и автоматики, ФГБОУ ВО «Заполярный государственный университет им. Н.М. Феоровского», [email protected]
Попов Антон Николаевич,
старший преподаватель, ФГАОУ ВО «Тюменский государственный университет», 264241 @mail.ru
Рассматривается потребность переосмысления и трансформации структуры энергетики и связанных с этим систем теплоснабжения, через создание диагностических измерительно-вычислительных комплексов нового поколения. Особое внимание уделяется созданию лабораторного стенда, который имитирует систему теплоснабжения для снятия данных о термодинамических процессах однофазного потока. Предполагается возможность создания с его помощью разнообразных режимов работы трубопроводов. Авторы подробно изучают создание работоспособного прототипа акустотермометрического измерительного прибора, для инвазивного снятия данных о термодинамических процессах. Формируют концепт измерительно-вычислительного комплекса.
Ключевые слова: энергетика, системы теплоснабжения, измерительно-вычислительный комплекс, нейронная сеть, Computer Vision
Введение
Данная статья является логическим продолжением исследования, описанного в работах [1-3]. Объектом исследования являются режимы термодинамических процессов однофазных потоков в сетях теплоснабжения. Предметом исследования является методики расчета и визуализации термодинамических процессов однофазных потоков с помощью цифровых решений.
Актуальность исследования заключается прежде всего в имеющейся потребности переосмысления и трансформации самой структуры энергетики, и как следствие, связанных с нею практик, в частности диагностики систем теплоснабжения. Целью исследования является, прежде всего, создание измерительно-вычислительных комплексов нового поколения для диагностики систем теплоснабжения. Использование подобных комплексов позволит не только сократить время реагирования на аварию/неполадку, но спрогнозировать и предупредить ее. Использование современных наработок в Computer Science, связанных с Data Science, Big Data и Computer Vision позволяет заново открыть подход в проектировании измерительно-вычислительных комплексов и устройств.
Отсюда вытекают следующие задачи исследования:
1. Создать лабораторный стенд, имитирующий систему теплоснабжения, для снятия данных о термодинамических процессах однофазного потока.
2. Создать прототип акустотермометрического измерительного прибора, для снятия данных о термодинамических процессах однофазного потока.
3. Осуществить сбор и анализ данных с использованием технологий Data Science, Big Data и Computer Vision.
4. Сформировать концепт измерительно-вычислительного комплекса для диагностики систем теплоснабжения.
Ключевым методом, заложенным в основу исследования, отображенного в данной статье, является метод динамической акустотермографии [4]. Данный метод позволяет определить положение и размер нагретой области.
До 2010 года, подобный метод использовался исключительно в исследованиях, связанных с медициной. Однако после 2010 года, когда был зафиксирован рекордный рост затрат на IT-технологии [5-10], в следствии чего значительно усовершенствовались процедуры оптимизации вычислительных мощностей измерительных приборов и иных способов, облегчающих процесс использования акустотермографии в прикладных исследованиях, исследования, связанные с применением акустотермографии стали разнообразнее. Это подтверждает представленный ниже график, сделанный на основе материалов базы данных Scopus, рисунок 1:
X X
о го А с.
X
го m
о
м о м м
год
Рисунок 1 - Частота употребления ключевого слова «аку-стотермография» в международных статьях по годам
Отдельно необходимо отметить такие научные работы, как [11], посвященной методу реконструкции распределения температуры топки котла на основе акустических измерений, [12] в которой разработан метод съема термодинамических данных в диапазоне от 30 до 200 К, с помощью акустотермографии и [13], где разработана система моделирования для пассивной акустической термометрии неоднородных материалов. В сово-
купности данные работа затрагивают различные стороны, поставленной авторами цели исследования. Однако, учитывая сложность объекта исследования, различные подходы, используемые авторами работ к обобщению полученных данных и влиянию многих факторов при их сборе, вышеуказанные статьи не могут рассматриваться, как решении поставленных автором задач.
Метод
Повышение точности измерения термодинамических процессах в системах теплоснабжения является важнейшим аспектом мониторинга и прогнозирования структурного состояния трубопроводов. Применяющиеся на данный момент измерительные устройства не способны измерять подповерхностную температуру трубопровода, а, следовательно, выдавать адекватную оценку состояния, либо их необходимо устанавливать инвазивно.
В данном исследование используется метод динамической акустотермографии, позволяющий неинва-зивно измерять изменения термодинамических процессов однофазного потока в трубопроводе.
Для этого был сконструирован отдельный прибор, рисунки 2 и 3:
К блоку питания
сч см о см
о ш т
X
К трубопроводу
<
т о х
X
Рисунок 2 - Электронная схема акустотермометрического устройства, для бесконтактной диагностики термодинамических процессов потока
1 - термофильные элементы; 2 - терморезистор; 3 - резистор; 4 - конденсатор; 5 - предохранитель; 6 - транзистор; 7 -регулируемая катушка индуктивности; 8 - полупроводниковый диод; 9 - стабилитрон; 10 - переход диода к оптопаре; 11 -источник питания; 12 - ультразвуковая колонка с пьезодатчиком чувствительностью до 50 кГц; 13 - регулируемый резистор; 14 - диодный мост/выпрямитель; 15 - оптопара.
Рисунок 3 - Внешний вид акустотермометрического устройства, для бесконтактной диагностики термодинамических процессов потока
Акустотермометрическое устройство, для диагностики термодинамических процессов потока в трубопроводе, выполненное на базе Arduino и включает в себя блок с датчиками (датчики ультразвука, датчики температуры, пьезоэлектрический микрофон). Блок питания (устройство передачи данных, измеренных датчиками, источник питания и генератор тактовой частоты) находятся отдельно. Датчики акустической эмиссии выполнены с возможностью приема сигнала звуковых и ультразвуковых частот за счет пьезоэлектрического микрофона. В качестве датчиков температуры используются не менее трех инфракрасных датчиков, которые расположены по внутренней поверхности корпуса трубы. Снимаемые данные с помощью устройства передачи данных направляются на специально написанную компьютерную программу, где происходит их визуализация. Таким образом специалист может видеть визуализированные данные о термодинамических процессах потока в трубопроводе.
Также отдельно необходимо поговорить о лабораторном стенде. Данный стенд (рисунок 4) выполнен из труб из оргстекла, черная поверхность позволяет осуществлять съемку проходящего по прозрачным трубам потока без искажений. Съемка осуществлялась с помощью камеры GoPro.
Рисунок 4 - лабораторный стенд, имитирующий систему теплоснабжения
1 - прозрачные трубы из оргстекла; 2 - черная поверхность основы.
В итоге, на момент проведения исследования у коллектива авторов имелся измерительный акустотермо-метрический прибор и имитирующий систему теплоснабжения лабораторный стенд.
Поскольку температура точки на недоступной поверхности выводится с помощью измерения времени пролета от датчика, размещенного на противоположной доступной поверхности, то для повышения точности вычислений необходимо разработать способ максимального сокращения времени пролета от датчика к датчику.
Надежность и точность метода динамической аку-стотермографии количественно могут быть улучшены за счет инверсии температуры с помощью повышения точности, используемой в измерительном устройстве математической модели. В свою очередь математическая модель улучшается за счет собранных данных в ходе контролируемых экспериментов. Подобное решение приведет к сокращению времени теплового отклика, иными словами будет повышена скорость съема информации измерительным устройством.
Достичь подобного можно за счет проведения время-пролетных измерений, с использованием вышеописанного акустотермометрического устройства.
В итоге методика проведения эксперимента представляла собою следующее:
1. Акустотермометрическое устройство закреплялось на прозрачной трубе лабораторного стенда.
2. В систему труб лабораторного стенда заливалась вода.
3. По системе труб запускался пузырь воздуха.
4. При прохождении пузырем воздуха зоны измерения акустотермометрического устройства фиксировались данные с датчиков.
5. При прохождении пузырем воздуха зоны измерения акустотермометрического устройства фиксировались видеоданные с помощью камеры GoPro.
6. Данные с датчиков визуализировались в виде графика и соотносились с видеоданными.
Результаты
Однако при измерении может возникнуть проблема наличия случайных шумов при съеме данных, что в свою очередь повлечет повышение уровня случайного шума в оценках температуры, иными словами к некорректным/менее точным данным. Данная проблема может быть решена с помощью цифровых технологий. Иными словами, написании корректирующей компьютерной программы, которая будет «очищать» случайные шумы при съеме данных.
Подобная компьютерная программа может быть написана с использованием технологий Big Data и Computer Vision. Она будет представлять собой обученную искусственную нейронную сеть, которая будет способна соотносить получаемые в настоящий момент времени данные с данными из базы. Причем «данные из базы» представляют собой обработанные компьютерные изображения потока в трубопроводе при различных его вариациях.
Результаты подобного эксперимента представлены на рисунке 4.
При соотнесении кадров видеоданных и графической визуализации данных мы явственно можем увидеть пространство отклика. Пузырь воздуха подходит по времени с 1 по 145 миллисекунды, со 145 по 577 миллисекунды измеряемая зона заполнена воздухом и водой, далее пузырек уходит «остудив» зоны, поэтому с 577 по
X X
о го А с.
X
го m
о
м о м м
es es
0 es
01
о
Ш
m
X
<
m О X X
913 миллисекунды показатели частоты отклика стабильнее, чем до появления воздуха. В свою очередь это означает, что акустотермометрическое устройство может быть неинвазивным и может стать основой измерительно-вычислительного комплекса нового поколения, поскольку способно фиксировать реальные изменения термодинамических процессов в трубопроводе.
(сверху)
И
¿20
i15 I»
5 О
~ f. £ f*. —
mmîmnmm
(снизу)
Рисунок 4 - Покадровое изображение прохождения пузырька воздуха (1) через зону измерения акустотермометрического устройства(2) (сверху) и полученные в результате этого данные, выраженные в виде графика (снизу).
Таким образом, накопив достаточную базу данных о соотнесении видеоданных и графической визуализации данных с датчиков при имитировании на лабораторном стенде режимов потока в трубопроводе, можно сформировать базу знаний для искусственной нейронной сети.
Также при использовании технологии Computer Vision можно обучить искусственную нейронную сеть, заложенную в основе измерительно-вычислительного комплекса подавлять случайные шумы. Само собою, для повышения эффективности работы подобного комплекса необходимо сделать тысячи опытов.
В основу математики искусственной нейронной сети заложим следующую формулу:
T(x)=Tmaxexp{-^f \ , (1)
Где х0 - координата центра измеряемого участка трубы;
х - координата измеряющего датчика;
Ттах - температура нагретой области, 0C;
D - размер нагретой области, м3.
Уже при полученных в ходе исследования данных можно заявить, что положение и размер нагретой области, выраженной в виде изменения термодинамических процессов трубопровода можно измерить с точностью 13 миллиметра. В свою очередь это означает возмож-
ность осуществления диагностики трубопровода измерительно-вычислительным комплексом нового поколения, ориентируясь на заложенную в него базу знаний.
То есть, заранее подготовленная в ходе экспериментальных исследований база знаний будет способствовать снижению случайных шумов при использовании измерительно-вычислительного комплекса уже на практике. Также стоит отметить, что использования реверса технологий Computer Vision позволит выводить на экран специалиста происходящее внутри трубопровода. Иными словами, измерительно-вычислительный комплекс, созданный на данной базе знаний позволит буквально «заглянуть» внутрь трубы теплоснабжения, таким образом в разы повысив эффективность диагностики всей системы.
Заключение
В завершении статьи можно прийти к следующим выводам:
1. Создан лабораторный стенд, имитирующий систему теплоснабжения, для снятия данных о термодинамических процессах однофазного потока, с помощью которого можно воссоздавать разнообразные режимы работы, аварийные и предаварийные состояния трубопроводов.
2. Создан работоспособный прототип акустотермо-метрического измерительного прибора, для инвазив-ного снятия данных о термодинамических процессах однофазного потока трубопроводов систем теплоснабжения.
3. Осуществлен сбор и анализ данных термодинамических процессов однофазного потока, с помощью камеры GoPro и акустотермометрического устройства.
4. Сформирован концепт измерительно-вычислительного комплекса для диагностики систем теплоснабжения, в основе которого заложена искусственная нейронная сеть, база знаний и технология Computer Vision.
Поставленные задачи были достигнуть. Далее, развитие данной научной работы заключается в проверке работоспособности концепта измерительно-вычислительного комплекса на практике.
Литература
1. Petrov, A., Popov, A., Chekardovsky, M., Pushkarev, A. Methodology of application of open-source platform Protégé in the measurement and computing systems development for diagnostics of heat supply networks (2021) CEUR Workshop Proceedings, 2843.
2. Petrov, A., Popov, A., Molotok, A. Development of a laboratory installation of a digital measuring system for visualization of internal pipeline processes (2020) Journal of Physics: Conference Series, 1614 (1), статья № 012036
3. Petrov, A., Popov, A. Visualization of physical and mathematical models of thermodynamic processes of single-phase flows using MATLAB to diagnose the condition of external heat supply networks (2021) Journal of Physics: Conference Series, 2131 (5), статья № 052069.
4. Гурбатов Сергей Николаевич, Матросов Валерий Владимирович, Якимов Аркадий Викторович Радиофизики ННГУ - обороне, науке, инновациям // Высшее образование в России. 2016. №3.
5. Дмитрий Шаманский Технологии проектирования, технологии производства, технологии мышления // Инновации. 2017. №11 (229).
6. Володченко Виктория Сергеевна, Ланцова Дарья Сергеевна, Метельницкая Татьяна Алексеевна, Пыхтина Марина Геннадьевна Технология информационной деятельности // Достижения науки и образования. 2019. №8-1 (49).
7. Терехина С.В. Трансфер технологий и лицензирование // Вестник науки. 2020. №5 (26).
8. Евстигнеева А.Г. Новые технологии в машиностроении // Вестник науки. 2019. №5 (14).
9. Ермолаева Надежда Александровна, Шалина Ольга Игоревна Приоритетные направления развития науки, технологий и техники в РФ и перечень критических технологий в РФ // Научный журнал. 2019. №3 (37).
10. Льянов Тимур Бекханович, Льянов Руслан Бекхано-вич, Льянов Гирихан Бекханович Автоматизация и IT-тех-нологии в нефтегазовой отрасли // StudNet. 2020. №8.
11. Wang, H., Zhou, X., Yang, Q., Chen, J., Dong, C., Zhao, L. A Reconstruction Method of Boiler Furnace Temperature Distribution Based on Acoustic Measurement (2021) IEEE Transactions on Instrumentation and Measurement.
12. Gaiser, C., Fellmuth, B., Haft, N. Thermodynamic-temperature data from 30 K to 200 K (2020) Metrologia, 57 (5), статья № 055003
13. Amiri, H., Khani, A., Boldaji, Y.M., Makkiabadi, B. A simulation framework for passive acoustic thermometry of nonhomogeneous materials (2020) Frontiers in Biomedical Technologies, 7 (2), pp. 118-124.
14. Jakub Flotynski, Krzysztof Walczak, Marcin Krzysz-kowski, Composing customized web 3D animations with semantic queries, Graphical Models, Volume 107, 101052, (2020), https://doi.org/10.1016/j.gmod.2019.101052
15. Molood Barati, Quan Bai, Qing Liu, Automated Class Correction and Enrichment in the Semantic Web, Journal of Web Semantics, Volume 59, 100533, (2019), https://doi.org/10.1016/j.websem.2019.100533
16. Moneer Fakroon, Mohammed Alshahrani, Fayez Gebali, Issa Traore, Secure remote anonymous user authentication scheme for smart home environment, Internet of Things, Volume 9, 100158, (2020), https://doi.org/10.1016/j.iot.2020.100158
17. Sabri Bicakci, Huseyin Gunes, Hybrid simulation system for testing artificial intelligence algorithms used in smart homes, Simulation Modelling Practice and Theory, Volume 102, 101993, (2020), https://doi.org/10.1016/j.sim-pat.2019.101993
18. Sharif Naser Makhadmeh, Ahamad Tajudin Khader, Mohammed Azmi Al-Betar, Syibrah Naim, Ammar Kamal Abasi, Zaid Abdi Alkareem Alyasseri,
19. Optimization methods for power scheduling problems in smart home: Survey, Renewable and Sustainable Energy Reviews, Volume 115, 109362, 2019, https://doi.org/10.1016/j.rser.2019.109362
20. Denis Mayr Lima Martins, Reverse engineering database queries from examples: State-of-the-art, challenges, and research opportunities, Information Systems, Volume 83, pp 89-100, (2019), https://doi.org/10.1016/j.is.2019.03.002
21. Johanna Baehr, Alessandro Bernardini, Georg Sigl, Ulf Schlichtmann, Machine learning and structural characteristics for reverse engineering, Integration, Volume 72, pp 1-12, (2020), https://doi.org/10.1016/j.vlsi.2019.10.002
Laboratory tests of the measuring and computing complex for diagnostics of thermodynamic processes of single-phase flows Petrov A.M., Popov A.N.
Polar State University named after A.I. N.M. Feorovsky, Tyumen State University JEL classification: C10, C50, C60, C61, C80, C87, C90
The need for rethinking and transforming the structure of the energy sector and related heat supply systems is considered, through the creation of diagnostic measuring and computing complexes of a new generation. Particular attention is paid to the creation of a laboratory stand that simulates a heat supply system for taking data on the thermodynamic processes of a single-phase flow. It is assumed that it can be used to create various modes of operation of pipelines. The authors study in detail the creation of a workable prototype of an acoustic-thermometric measuring device for invasive data collection on thermodynamic processes. The concept of the measuring and computing complex is being formed.
Keywords: energy, heat supply systems, measuring and computing complex,
neural network, Computer Vision References
1. Petrov, A., Popov, A., Chekardovsky, M., Pushkarev, A. Methodology of
application of open-source platform Protégé in the measurement and computing systems development for diagnostics of heat supply networks (2021) CEUR Workshop Proceedings, 2843.
2. Petrov, A., Popov, A., Molotok, A. Development of a laboratory installation
of a digital measuring system for visualization of internal pipeline processes (2020) Journal of Physics: Conference Series, 1614 (1), article no. 012036
3. Petrov, A., Popov, A. Visualization of physical and mathematical models of
thermodynamic processes of single-phase flows using MATLAB to diagnose the condition of external heat supply networks (2021) Journal of Physics: Conference Series, 2131 (5) , Article No. 052069.
4. Gurbatov Sergey Nikolaevich, Matrosov Valery Vladimirovich, Yakimov
Arkady Viktorovich Radiophysicists of UNN - defense, science, innovation // Higher education in Russia. 2016. №3.
5. Dmitry Shamansky Design technologies, production technologies, thinking
technologies // Innovations. 2017. No. 11 (229).
6. Volodchenko Victoria Sergeevna, Lantsova Daria Sergeevna, Metelnitskaya Tatyana Alekseevna, Pykhtina Marina Gennadievna Technology of information activity // Achievements of science and education. 2019. No. 8-1 (49).
7. Terekhina S.V. Technology Transfer and Licensing // Bulletin of Science.
2020. No. 5 (26).
8. Evstigneeva A.G. New technologies in mechanical engineering // Bulletin
of Science. 2019. No. 5 (14).
9. Ermolaeva Nadezhda Alexandrovna, Shalina Olga Igorevna Priority
directions of development of science, technology and technology in the Russian Federation and a list of critical technologies in the Russian Federation // Scientific journal. 2019. No. 3 (37).
10. Lyanov Timur Bekhanovich, Lyanov Ruslan Bekhanovich, Lyanov Girikhan Bekhanovich Automation and IT-technologies in the oil and gas industry // StudNet. 2020. No. 8.
11. Wang, H., Zhou, X., Yang, Q., Chen, J., Dong, C., Zhao, L. A Reconstruction Method of Boiler Furnace Temperature Distribution Based on Acoustic Measurement (2021) IEEE Transactions on Instrumentation and measurement.
12. Gaiser, C., Fellmuth, B., Haft, N. Thermodynamic-temperature data from 30 K to 200 K (2020) Metrologia, 57 (5), paper no. 055003
13. Amiri, H., Khani, A., Boldaji, Y.M., Makkiabadi, B. A simulation framework
for passive acoustic thermometry of nonhomogeneous materials (2020) Frontiers in Biomedical Technologies, 7(2), pp. 118-124.
14. Jakub Flotynski, Krzysztof Walczak, Marcin Krzyszkowski, Composing customized web 3D animations with semantic queries, Graphical Models, Volume 107, 101052, (2020), https://doi.org/10.1016/j.gmod.2019.101052
15. Molood Barati, Quan Bai, Qing Liu, Automated Class Correction and Enrichment in the Semantic Web, Journal of Web Semantics, Volume 59, 100533, (2019), https://doi.org/10.1016/j.websem.2019.100533
16. Moneer Fakroon, Mohammed Alshahrani, Fayez Gebali, Issa Traore, Secure remote anonymous user authentication scheme for smart home environment, Internet of Things, Volume 9, 100158, (2020), https://doi.org/10.1016/j. iot.2020.100158
17. Sabri Bicakci, Huseyin Gunes, Hybrid simulation system for testing artificial intelligence algorithms used in smart homes, Simulation Modeling Practice and Theory, Volume 102, 101993, (2020), https://doi.org/10.1016/j.simpat. 2019.101993
18. Sharif Naser Makhadmeh, Ahamad Tajudin Khader, Mohammed Azmi Al-
Betar, Syibrah Naim, Ammar Kamal Abasi, Zaid Abdi Alkareem Alyasseri,
19. Optimization methods for power scheduling problems in smart home: Survey, Renewable and Sustainable Energy Reviews, Volume 115, 109362, 2019, https://doi.org/10.1016/j.rser.2019.109362
20. Denis Mayr Lima Martins, Reverse engineering database queries from examples: State-of-the-art, challenges, and research opportunities, Information Systems, Volume 83, pp 89-100, (2019), https://doi.org /10.1016/j.is.2019.03.002
21. Johanna Baehr, Alessandro Bernardini, Georg Sigl, Ulf Schlichtmann, Machine learning and structural characteristics for reverse engineering, Integration, Volume 72, pp 1-12, (2020), https://doi.org/10.1016/j.vlsi .2019.10.002
X X
о
го А с.
X
го m
о
to о to to
