CC BY
66Математические методы моделирования, управления и анализа данных
УДК 62-52
СИСТЕМНЫЙ МОНИТОРИНГ УСТАНОВОК ЭЛЕКТРОЦЕНТРОБЕЖНЫХ НАСОСОВ
В РЕЖИМЕ ЭКСПЛУАТАЦИИ*
В. В. Бухтояров1**, В. С. Тынченко1, Н. А. Бухтоярова2
1 Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
2Сибирский федеральный университет Российская Федерация, 660041, г. Красноярск, просп. Свободный, 79 **E-mail: vladber@list.ru
В связи с широким распространением установок электроцентробежных насосов большое внимание уделяется решению задачи по обеспечению эффективного контроля над действующим фондом оборудования, а именно оценке технического состояния глубинно-насосного оборудования в процессе его эксплуатации. Рассматриваемый алгоритм функционирования системы мониторинга по показателям надежности предусматривает на выходе из системы пять технических состояний исследуемого объекта.
Ключевые слова: моделирование, прогнозирование, установка электроцентробежных насосов, нейронные сети, надежность.
SYSTEM MONITORING OF ELECTROCENTRIC PUMP INSTALLATIONS IN OPERATION MODE
V. V. Bukhtoyarov1**, V. S. Tynchenko1, N. A. Bukhtoyarova2
1Reshetnev Siberian State University of Science and Technology 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation
2Siberian Federal University 79, Svobodny Av., Krasnoyarsk, 660041, Russian Federation **E-mail: vladber@list.ru
In connection with the widespread use of electric centrifugal pumps, much attention has been paid to the task of ensuring effective control over the existing equipment fund. The considered algorithm of monitoring system functioning by reliability indicators provides for the output from the system offive technical states of the object under study.
Keywords: modeling, forecasting, electric centrifugal pumps, neural networks, reliability.
Разрабатываемый комплекс выявляет отклонения в работе насосных агрегатов и предупреждает о дель-нейшем ремонте оборудования. Нейросетевые принципы обработки данных позволили наделить систему высоким быстродействием (в отличие от классических систем, построенных на линейном анализе) при хорошем качестве классификации состояний установок электроцентробежных насосов (УЭЦН) [1-3].
Техническим результатом является устройство, которое решает задачу повышения точности определения технического состояния для проведения мероприятий по обслуживанию УЭЦН и прогнозируя их с достаточно высокой точностью, за счет применения методов нейросетевого моделирования [3; 4].
Предлагаемый комплекс содержит блок погружной телеметрической системы - последовательно соединен с погружным электродвигателем, силовой кабель - необходим для непрерывной работы и передачи данных к наземной телеметрической установке,
которая в свою очередь включает контроллер, блок визуализации и обработки данных, компьютерная система - на данном этапе производится расчет единичных и комплексных показателей надежности, строится нейросетевая модель работы УЭЦН, сервер, где хранятся данные, накопленные за все время работы оборудования, для дальнейшего их использования.
Предлагаемое устройство работает следующим образом:
- сигналы с погружного блока поступают на наземный блок по силовому кабелю;
- на наземном блоке данные проходят через контроллер, где происходит согласование диапазона выходных сигналов датчиков с диапазонами входных сигналов блоков обработки и управления;
- сформированные сигналы поступают на управляющий компьютер, где происходит приведение к общему диапазону в соответствии с методикой, приведенной в [5].
Работа выполнена в рамках проведения исследований по теме МК-1574.2017.8 «Разработка экспертной системы анализа и управления надежностью, рисками и аварийными ситуациями при эксплуатации технологического оборудования нефтегазового комплекса» финансируемой Советом по грантам Президента Российской Федерации для государственной поддержки молодых российских ученых.
Решетневские чтения. 2017
Перед этим производится паспортизация всего исследуемого объекта, выписываются диапазоны показателей нормальной, предаварийной и аварийной работы.
В предлагаемом устройстве используется шесть входных параметров:
- 81 - температура электродвигателя;
- 82 - напряжение по фазе;
- 83 - ток по фазе;
- 84 - сопротивление изоляции;
- 85 - давление масла электродвигателя;
- 86 - частота вибрации электродвигателя.
Входные показатели преобразуются следующим
образом:
6 офакт
N =у ^__к
сист / . г^пасп. аварийный I'
где К - весовой коэффициент каждого выходного параметра:
6
I к=1.
1=1
После такого преобразования истинные значения утрачиваются и укладываются в показатели надежности УЭЦН, в диапазоне [0;1].
Далее данные поступают в блок обработки, в котором каждому исследуемому УЭЦН присваивается свой класс, определяющий его техническое состояние, соответственно:
- «Система надежна»;
- «Техническое обслуживание»;
- «Средний ремонт»;
- «Капитальный ремонт»;
- «Аварийное состояние».
В работе представлена теоретическая модель системы мониторинга работы УЭЦН, основанная на эволюционном моделировании и с применением нейронных сетей. Система позволяет контролировать и прогнозировать техническое состояние технологического оборудования.
Библиографические ссылки
1. Хайкин С. Нейронные сети: полный курс. М. : Вильямс, 2008.
2. Михайлов А. С., Староверов Б. А. Проблемы и перспективы использования искусственных нейронных сетей для идентификации и диагностики технических объектов // Вестник Ивановского государст-
венного энергетического университета. 2013. №. 3. С. 64-68.
3. Самородов А. В. Диагностика и прогнозирование остаточного ресурса взрывозащищенного электропривода насосно-компрессорного оборудования нефтехимических производств // Главный энергетик. 2010. №. 4. С. 49.
4. Нейросетевая система диагностики нефтеперекачивающего оборудования / В. В. Бухтояров, А. К. Данилов, Н. В. Иванов и др. // Научно-технический вестник Поволжья. 2015. №. 5. С. 164-166.
5. Земенкова М. Ю. Системный мониторинг показателей надежности объектов трубопроводного транспорта : дис. ... канд. техн. наук : 05.13.01 / М. Ю. Земенкова. Тюмень, 2007. 167 с.
References
1. Haykin S. Neyronnyye seti: polnyy kurs. [Neural networks: a full course]. Williams Publishing House, 2008.
2. Mikhailov A. S., Staroverov B. A. Problemy i perspektivy ispol'zovaniya iskusstvennykh neyronnykh setey dlya identifikatsii i diagnostiki tekhnicheskikh ob"yektov [Problems and prospects of using artificial neural networks for identification and diagnostics of technical objects] // Bulletin of the Ivanovo State Power University. 2013. № 3. P. 64-68.
3. Samorodov A.V. Diagnostika i prognozirovaniye ostatochnogo resursa vzryvozashchishchennogo elektroprivoda nasosno-kompressornogo oborudovaniya neftekhimicheskikh proizvodstv [Diagnostics and prediction of the residual life of the explosion-proof electric drive of the oil-and-chemical production pump equipment] // Chief Power Engineer. 2010. №. 4. P. 49.
4. Neyrosetevaya sistema diagnostiki nefteperekachivayushchego oborudovaniya [Neural network diagnostics of oil pumping equipment] / Bukhtoyarov V. V., Danilov A.K., Ivanov N.V. and others // Scientific and Technical Herald of the Volga Region. 2015. № 5. P. 164-166.
5. Sistemnyy monitoring pokazateley nadezhnosti ob"yektov truboprovodnogo transporta [System monitoring of reliability indicators of pipeline transport facilities: Ph.D. Thesis] / Zemenkova Maria Yurievna. Tyumen, 2007. 167 p.
© Бухтояров В. В., Тынченко В. С., Бухтоярова Н. А., 2017
