CC BY
92
15. Transformer with non-ideal core // The MathWorks, Inc. : Accelerating the pace of engineering and science. [Электронный ресурс] URL: https://www.mathworks.com/help/sps/ref/nonlineartransformer.html?s tid=doc ta (дата обращения: 21.10.2022).
16. Best Practices for Simulating with the daessc Solver // The MathWorks, Inc. : Accelerating the pace of engineering and science. [Электронный ресурс] URL: https://www.mathworks.com/help/simscape/ug/best-practices-for-using-the-daessc-solver.html (дата обращения: 21.10.2022).
17. Основная кривая намагничивания. Сталь марки 2212 // Студопедия.нет : Информационный студенческий ресурс. [Электронный ресурс] URL: https://studopedia.net/3_34617_osnovnaya-krivaya-namagnichivaniya-stal-marki-.html (дата обращения: 21.10.2022).
18. Расчёт индуктивности. Часть 3 // Home Electronics: Обучающие статьи по электронике. [Электронный ресурс] URL: https://www.electronicsblog.ru/nachinayushhim/raschyot-induktivnosti-chast-3.html (дата обращения: 21.10.2022).
Аносов Владимир Николаевич, д-р техн. наук, профессор, anosovvn@gmail.com. Россия, Новосибирск, Новосибирский государственный технический университет,
Кавешников Владимир Михайлович, канд. техн. наук, доцент, vldi@yandex.ru, Россия, Новосибирск, Новосибирский государственный технический университет,
Орел Егор Олегович, аспирант, eg.orel@ya.ru, Россия, Новосибирск, Новосибирский государственный технический университет
STRUCTURAL SIMULATION MODELING OF POWER SUPPLY AS A CONTROL SYSTEM ELEMENT
V.N. Anosov, V.M. Kaveshnikov, E.O. Orel
Verification of a structural diagram of a power source developed by authors was carried out in the paper. Verification was carried out by a Simscape simulation and structural modeling in the Matlab/Simulink software environment. Results obtained are compared with an experiment. The identity of transition processes obtained by simulation and experiment is shown. An error of comparative analysis results does not exceed 5%.
Key words: single phase transformer, idling, transition processes, structural model, simulation model.
Anosov Vladimir Nikolaevich, doctor of technical sciences, professor, anosovvn@gmail. com, Russia, Novosibirsk, Novosibirsk State Technical University,
Kaveshnikov Vladimir Mikhailovich, candidate of technical sciences, docent, vldi@yandex. ru, Russia, Novosibirsk, Novosibirsk State Technical University,
Orel Egor Olegovich, postgraduate, eg.orel@ya.ru, Russia, Novosibirsk, Novosibirsk State Technical University
УДК 681.5
DOI: 10.24412/2071-6168-2023-7-335-336
ПРОБЛЕМЫ ПРЕДЕКТИВНОЙ ДИАГНОСТИКИ И АНАЛИТИКИ
А.А. Брюхова
В статье рассмотрены трудности, с которыми на сегодняшний день сталкиваются предиктивная техническая диагностика (прогностика) и аналитика. Кратко описывается назначение прогностики, принципы её работы, этапы разработки программного обеспечения, а также историческое развитие технического обслуживания энергетического оборудования и переход к методам мониторинга и прогнозирования неисправностей.
Ключевые слова: предиктивная диагностика, машинное обучение, аналитика, автоматизация, прогнозы, энергетическое оборудование.
В различные исторические периоды основными целями технического обслуживания оборудования, в частности энергетического, являлись предотвращение аварийных ситуаций, сокращение экономических затрат, повышение эффективности производства, а также минимизация человеческого фактора.
Предиктивная диагностика отвечает каждому из описанных пунктов. Благодаря комплексу прогностики и аналитики возможно принятие своевременных решений по техническому обслуживанию во время эксплуатации оборудования.
Несмотря на практичность и инновационность методов, применяемых при разработке прогностического программного обеспечения (ПО), данная область не является совершенной. Прогностика всё ещё в процессе изучения и совершенствования, поэтому не лишена недостатков.
Каждый компонент прогностики, а именно: сбор данных, исследовательский анализ и предиктивное моделирование, обладают рядом проблем, которые сегодня пытаются решить все участники предиктивной диагностики.
Диагностика оборудования. При эксплуатации технического оборудования, к примеру энергетического, одной из задач является поддержание его работоспособности или исправности при использовании по назначению в рамках жизненного цикла данного оборудования.
На ранних этапах освоения энергетики, применение по назначению оборудования происходило до отказа, что, несомненно, является рискованным подходом при работе с техническим оборудованием. Так, в результате развития энергетической отрасли, отказы в работе оборудования стали критически значимыми, что привело к разработке стратегии планово-предупредительных ремонтов (ППР) или ремонтов по регламенту. Сюда входит обслуживание составных частей оборудования, их своевременная замена, профилактическая чистка и прочие меры, предупреждающие досрочный выход из строя оборудования.
Благодаря своевременному техническому обслуживанию и ремонтам (ТОиР), количество аварий снизилось, но не свелось к нулю. Основным недостатком данной стратегии является то, что ремонт зачастую происходит на фактически исправном оборудовании, а замена деталей оборудования производится вне зависимости от их остаточного ресурса. Результатом применения стратегии ППР могут являться неоправданные эксплуатационные затраты, а также риски отказа оборудования в межремонтные периоды. В случае применения ППР сервисные службы организации реагируют вхолостую или принимают меры, когда всё уже фактически сломалось [1]. Стратегия ППР не лишена достоинств, но применение ППР, как единственного способа предотвращения аварий и поломок, недостаточно.
Развитие технологий породило новые тенденции в энергетике. Речь идёт, к примеру, о цифровизации энергетических станций. Эта историческая веха дала жизнь стратегии мониторинга технического состояния оборудования. Благодаря снижению стоимости на контрольно-измерительные приборы и аппаратуру (КИПиА), можно получить большие объёмы данных множества параметров оборудования. Но недостаточно получить ряд технических показаний оборудования и положить их «на полку» (классическая схема работы автоматизированной системы управления техническим процессом, АСУТП), необходимо обеспечить корреляцию этих данных, что привело к появлению предиктивной диагностики и аналитики.
Предиктивная диагностика и предиктивная аналитика работают следующим образом: строится математическая модель работы диагностируемого оборудования, которая состоит из взаимосвязанных параметров. Далее происходит обучение этой модели на архивных показаниях с датчиков, установленных на оборудовании. Один из подходов работы с моделью состоит из обучения модели на данных, соответствующих нормальным режимам работы, чтобы после, в режиме реального времени, модель могла предсказать отклонения от нормы на основании прошлого опыта. На данном этапе подключается ТОиР, благодаря которому прогнозы модели оцениваются на физическом оборудовании [2].
Примером предиктивной аналитики является техническая диагностика электротехнического и тепломеханического оборудования энергоблоков атомной электростанции (АЭС).
На сегодняшний день, такая совокупность превентивного устранения отказов является самой точной и перспективной, но имеет ряд уязвимых мест, с которыми ещё предстоит разобраться.
Проблемы предиктивной диагностики и аналитики:
Проблема унификации прогностической модели. К ранее описанной модели строится модель физических процессов внутри узла оборудования. Благодаря данным моделям возрастает точность прогноза, но с этим возрастает и сложность разработки. Так, возникает проблема унификации модели. Данные, полученные для одного элемента оборудования не могут применяться к другому такому же, принципиально похожему. Экземпляры одной и той же детали обладают отличительными характеристиками [3]. В результате приходится переобучать нейросеть на данных для каждого конкретного элемента оборудования и дополнять физической моделью для конкретного типа устройств.
Проблема экспертной оценки. Следующей проблемой, которую можно выделить, является экспертиза. На этапе создания, а также интерпретации модели, присутствуют эксперты из конкретных областей, которые смогут сопровождать модель регулярными наблюдениями и оценивать её показания, анализировать всплески, а также работоспособность датчиков. От их компетентности зависит успех внедрения предиктивной аналитики на объект. Чем уже область, в которой необходима экспертная оценка, тем сложнее найти специалиста с достаточным опытом и уровнем знаний. Недостаточно «голой» математики, необходимо знать нормативную документацию [4-5], разбираться в тонкостях работы конкретного оборудования и обращаться к мировому опыту работы с диагностируемым оборудованием.
Проблема сбора и интерпретации данных. Фундаментом предиктивной аналитики являются исторические данные и данные реального времени. На их основе выявляют тенденции и получают статистические модели, из которых, в свою очередь, происходит предсказание вероятных результатов работы диагностируемого оборудования. На начальном этапе построения модели необходимо получить достаточный объём исторических данных с датчиков, установленных на объекте диагностирования. От глубины архива и периодичности данных зависит то, как качественно получится обучить нейросеть. В идеальных условиях архив должен содержать данные за период времени от полугода до года и состоять из показаний со всех датчиков, а также всех производственных параметров и так далее [6]. В результате получаются гигабайты дискретных значений, которые и передаются нейросети.
Из описанного выше, можно выделить следующие сложности:
Недостаточная глубина архива или его отсутствие - на новый объект невозможно внедрить предиктив-ную диагностику ввиду отсутствия исторических данных. Также невозможно быть уверенным в качестве прогнозов, сделанных на основе недостаточного объёма исторических данных.
Качество полученных данных - как исторических, так и получаемых в реальном времени. На оборудовании должно быть установлено достаточное количество датчиков, в работе которых можно быть уверенным. Если датчики будут периодически выходить из строя или передавать некорректные данные, то на основе таких срезов данных получится модель, неспособная с точностью определять работоспособность диагностируемого оборудования. А в случае, когда на внедрённое ПО подаются данные с задержкой во времени или, как уже было сказано, некорректные, ввиду некачественной работы датчиков, то модель рискует поздно предсказать неисправности или вовсе предоставить ошибочное предсказание.
В дополнение, выявляется проблема того, что модель, получая исторические данные, может обучиться только на неисправностях и отказах, уже имевших место для объекта [6]. Соответственно, на определение всех веро-
ятных неисправностей необходимо другое решение, нежели «что было, того быть не должно». Вариантом такого обучения является передача нейросети всех нормальных состояний объекта и обучение её по типу «всё, что не норма - отклонение». На практике всё куда сложнее, но в данной работе нет цели описать тонкости разработки прогностической модели. Целью данной работы, по мнению автора, является описание наиболее существенных и значимых проблем, с которыми сталкивается предиктивная диагностика и аналитика сегодня.
Ещё одним препятствием, связанным с данными, является проблема взаимодействия с предприятием, на которое осуществляется поставка ПО. Большинство организаций скрывают статистику неисправностей и отказов. Не каждая организация готова делиться информацией о том, насколько качественно и исправно их оборудование. На выходе получается, что интеграция с производственными системами нереализуема [7].
Проблема ранжирования по критичности. Говоря о прогнозировании неисправностей, нужно понимать, что необходимо построение системы ранжирования по критичности [8]. Нельзя относиться ко всем прогнозам одинаково, некоторые могут предупреждать о необходимости проведения технического обслуживания, а другие о риске выхода из строя всего агрегата.
Так, риск получения неисправности может нанести вред экологии и здоровья людей. Можно не согласиться с тем, что описанный риск можно вынести в проблему предиктивной диагностики, но это не так. Если неправильно оценить результат прогнозирования, отнестись к высокому уровню риска, как к малозначительному или, наоборот, к малозначительному как к критичному, то можно увеличить уровень опасности на производстве. Как было отмечено ранее, частый ремонт увеличивает технические показания оборудования, но уменьшает экономические потери, а игнорирование прогнозов - к фатальным последствиям [9].
Выводы. Обобщая все сложности, описанные ранее, можно прийти к выводу о том, что на предиктивную диагностику и аналитику ложится большая роль и ответственность. Производства пытаются уйти от планового ремонта к ремонту по техническому состоянию с целью минимизировать риски на производстве и получить экономическую выгоду.
На сегодня предиктивная диагностика и аналитика уже достигли высокого уровня и результативности на реальных объектах. При всех сложностях, данная область продолжает развитие вместе с развитием базы знаний по оборудованию, наращиванию исторических данных, а также увеличением качества датчиков. Уровень матаппарата и вычислительной техники, который есть сегодня, достаточен для простых систем, но менее работоспособен на более сложных системах [10]. И тем не менее, это временно. Как и любая другая область, предиктивная аналитика развивается. От предиктивной диагностики и аналитики ожидается высокий уровень покрытия объектов обслуживания и эффективности в вопросе предупреждения отказов технического оборудования в будущем.
Список литературы
1.Колмыков И.А. Предиктивная аналитика и «цифровая зрелость» // ИСУП. 2020. № 6. С. 50-53.
2.Евстафьев И.Н. Организация сбора данных для выбора оптимальной стратегии управления ТОиР // Металлург. 2009. № 3. С. 30-33.
3.Иорш В.И., Крюков И.Э., Антоненко И.Н. Управление инфраструктурой и надежность производственных систем // Экономика и жизнь. 2009. № 42. С. 19.
4.РД Э0-0410-02. Методические указание по оценке состояния и продлению срока службы силовых трансформаторов. М.: РАО «ЕЭС России»: приказ № 903 от 20.10.2003 г.
5.РД 34.45-51.300-97. Объём и нормы испытаний электрооборудования. 6-е изд. М.: Изд-во НЦ ЭНАС,
2008.
6.Компьютерная технология оценки целесообразности отключения трансформаторов на капитальный ремонт / Э.М. Фархадзаде, А.З. Мурадагиев, Т.К. Рафиева, С.М. Исмаилова // Промышленная энергетика. 2011. № 7. С. 11-18.
7.Никджу А.Д., Фархадзаде Э.М., Мурадалиев А.З. Некоторые вопросы долговечности стареющего оборудования ТЭС // Теплоэнергетика. 2001. № 10. С. 72 - 77.
8.Комонюк О.В., Антоненко И.Н. Информационная поддержка управления ремонтно-эксплуатационной деятельностью //Главный инженер. - 2007. - № 5. С. 35-41.
9.Антоненко И.Н. Информационная поддержка эксплуатации энергооборудования// Информатизация и системы управления в промышленности. - 2007. - № 1 (13). С. 4-7.
10. Соколов Д.И., Соловьев С. Роль открытой операционной системы IIoT MindSphere в цифровой трансформации промышленных предприятий // Автоматизация в промышленности. 2008. № 7. С. 22-26.
Брюхова Александра Алексеевна, студент, bryukhova-a@mail. ru, Россия, Санкт-Петербург, Санкт-Петербургский архитектурно-строительный государственный университет,
Костюнина Татьяна Николаевна, канд. техн. наук, доцент, kostjunina.t.n@lan.spbgasu.ru, Россия, Санкт-Петербург, Санкт-Петербургский архитектурно-строительный государственный университет
PROBLEMS OF PREDICTIVE DIAGNOSTYCS AND ANALYTYCS A.A. Bryukhova
The article discusses the difficulties that predictive technical diagnostics (prognostics) and analytics face today. The purpose of prognostics, the principles of its operation, the stages of software development, as well as the historical development of maintenance ofpower equipment and the transition to methods of monitoring and forecasting faults are briefly described.
Key words: predictive diagnostics, machine learning, analytics, automation, forecasts, power
equipment.
Bryukhova Alexandra Alekseevna, student, bryukhova-a@mail.ru. Russia, Saint-Petersburg, Saint-Petersburg State University of Architecture and Civil Engineer,
Kostynina Tatyana Nikolaevna, candidate of technical sciences, docent, kostjunina.t.n@rlan.spbgasu.ru, Russia, Saint-Petersburg, Saint-Petersburg State University of Architecture and Civil Engineer
УДК 621.31
DOI: 10.24412/2071-6168-2023-7-338-339
ОПРЕДЕЛЕНИЕ ПОКАЗАТЕЛЕЙ МОЩНОСТИ ПРИ ОЦЕНКЕ ЭЛЕКТРОМАГНИТНОЙ СОВМЕСТИМОСТИ АВТОТРАНСПОРТНЫХ СРЕДСТВ
А.С. Подгорний, П.А. Николаев, В.Н. Козловский, Е.В. Стрижакова
В статье представлены результаты оценки мощностных показателей электромагнитной поражаемо-сти бортового электротехнического комплекса автотранспортных средств
Ключевые слова: автотранспортное средство, бортовой электротехнический комплекс, электромагнитная совместимость.
В настоящее время критерием оценки помехоустойчивости автотранспортных средств (АТС) является напряженность электромагнитного поля (ЭМП) [1, 2]. Данная величина не дает представления об минимальных мощностных параметрах, которыми должен обладать источник или о энергетических характеристиках электромагнитной среды, в которой находится автомобиль. Решим задачу оценки мощностных параметров электромагнитной обстановки (ЭМО) в области нахождения АТС, при которых вероятно нарушение работоспособности бортовых электротехнических систем. На начальном этапе рассмотрим идеализированный случай, при котором изотропный источник излучения, расположенный в точке О, генерирует ЭМП (рис. 1). На расстоянии К от него находится АТС. Распространяющаяся сферическая волна на расстоянии К имеет структуру для дальней зоны, т.е. является плоской, имеет поперечные, взаимно ортогональные электрические Е и магнитные Н составляющие, которые соотносятся [3]
и
т
, , „ = , (1) |н| 41 -- в
где 1в - волновое сопротивление среды, ео - диэлектрическая постоянная 8,85-10-12 Ф/м; 8 - относительная диэлектрическая проницаемость среды; цо - магнитная постоянная 4п-10-7 Гн/м; ц - относительная магнитная проницаемость среды. Для воздуха 1в = 120п = 377 Ом.
Т.к. основной средой, через которое происходит взаимодействие источника излучения с АТС является воздух, то в дальнейшем будем исключать влияние нерегулярных сред и считать 1в = 120п. Более того нерегулярные среды, характеризующиеся комплексными е и ^ вносят дополнительные потери, приводя к ослаблению ЭМП.
Электромагнитное поле, достигая поверхности S, в точке с радиусом К, зенитным и азимутальным углами Q и ф, формирует некоторую ЭМО. Мощность Ре, излучаемая источником, определяется интегрированием вектора Уймова-Пойтинга по поверхности сферы в дальней зоне
ре = 1 |[е, н^ (2)
2 s
где п - единичный вектор, нормальный к элементу поверхности dS. Решение (2) есть равенство
РЕ= П х 4пК2, (3)
где П - модуль вектора Уймова-Пойтинга, который равен
п=ЕХН. (4)
2
Подставляя (4) в (3) и учитывая (1) получим
Е = 7,75^5. (5)
К
Заменим Е на Е[т.тт, а Ре на Ре ¡¡т.тт
Ж
Евт.тт = 7,75^=- (6)
Данное выражение показывает общую взаимосвязь между мощностными показателями источника излучения и уровнем помехоустойчивости АТС.
Перейдем к более сложной системе, характеризующейся следующими условиями:
- источник ЭМП обладает некоторыми направленными свойствами;
- источник излучает в верхней полусфере;
- АТС занимает на поверхности S некоторую площадь SАтc;
- АТС полностью попадает в главный лепесток диаграммы направленности источника ЭМП и равен ее площади проекции;
- АТС находиться в дальней зоне облучения источника.
338
