По всем вопросам звоните:

+7 495 274-22-22

УДК: 004: 62-52-83:656.56

Управление режимами работы электроприводного агрегата на основе нейросетевого диагностирования и оценки технического состояния

Бабанова И. С. аспирантка,
Жуковский Ю. Л. канд. техн. наук, доцент,
Королев Н. А. аспирант,
кафедра электроэнергетики и электромеханики Санкт-Петербургский горный университет, г. Санкт-Петербург

В статье представлен способ управления режимами на основе нейросетевого диагностирования неисправностей и оценки технического состояния электроприводного газоперекачивающего агрегата для подсистем диагностирования с определением коэффициента, учитывающего проявление неисправностей с учетом работы двух нейронных сетей Кохонена. Полученные коэффициенты, учитывающие проявление неисправностей в определенных подсистемах, позволяют выявлять и оценивать наличие неисправностей. Представлены графики результатов оценки технического состояния электроприводного газоперекачивающего агрегата (ЭГПА) с учетом выявленных неисправностей в подсистемах (система смазки, нагнетатель, двигатель (обмотка статора), двигатель (механические дефекты). Предлагаемая система позволяет повысить точность и полноту диагностики ЭГПА путем применения нейронных сетей Кохонена, позволяющих выявлять и прогнозировать неисправные состояния ЭГПА в динамике посредством выявления кластеров (подсистем диагностирования) и соответствующим им дефектам, а также системой управления, воздействующей на ЭГПА с учетом оценки технического состояния и дальнейшего изменения управления режимами ЭГПА.

Литература:

1. Распоряжение Правительства РФ «Концеп-ция федеральной системы мониторинга критически важных объектов и (или) потенциально опасных объектов инфраструктуры РФ и опасных грузов» (утв. 27 августа 2005 г. № 1314-р).

2. ПП РФ «Об утверждении технического регламента о безопасности сетей газораспределения и газопотребления» от 29.10.2010 г. № 870 (ред. от 20.01.2017).

3. СТО Газпром 2-3.5-032-2005. Стандарт орга-низации. положение по организации и проведению контроля за соблюдением требований промышленной безопасности и обеспечением работоспособности объек-тов единой системы газоснабжения ОАО «Газпром» (утв. расп. 27 мая 2005 г. № 88).

4. СТО Газпром 18000.1-001-2014. Единая си-стема управления охраной труда и промышленной безопасностью в ОАО «Газпром» (утв. пр. 28 июля 2014 г. № 358).

5. Распоряжение Правительства РФ «Об энергетической стратегии России на период до 2030 года» (утв. 13.11.2009 № 1715-р).

6. Пужайло А. Ф. Диагностика оборудования компрессорных станций: монография. – Н. Новгород: Исток, 2013. – 299 с.

7. Крюков О. В., Серебряков А. В. Анализ результатов прогнозирования технического состояния электроприводных газоперекачивающих агрегатов // ЭСиК. – 2016. – № 1(30). – С. 39–44; doi 10.18503/2311-8318-2016-1(30)-39-44.

8. Рубцова И. Е., Бабичев С. А. Управление и мониторинг электроприводов компрессорных станций в условиях стохастических возмущений // Актуальные вопросы автоматизированного электропривода. – 2014. – № 3(2). – С. 209–215.

9. Бабанова И. С. Применение искусственной нейронной сети для прогнозирования температуры на выходе из аппарата воздушного охлаждения газа для компрессорной станции магистрального газопрово-да // Международный научно-исследовательский журнал. – 2016. – № 3(45). – Ч. 2. – С. 6–9; doi:10.18454/IRJ.2016.45.090.

10. Устинов Д. А., Бабанова И. С. Обосно-вание выбора ценовой категории оплаты за электроэнергию с учетом потребителей-регуляторов // Промышленная энергетика. – 2016. – № 11. – С. 9–16.

11. Абрамович Б. Н., Бабанова И. С. Система прогнозирования энергопотребления с применением искусственной нейронной сети // Горные науки и технологии. – 2016. – № 2. – С. 66–77.

12. Бабанова И. С., Устинов Д. А. Разработка модели искусственной нейронной сети с целью управления и прогнозирования режимов энергопотребления предприятий минерально-сырьевого комплекса // Электроэнергетика глазами молодежи – 2016: материалы VII Международной научно-технической конференции, 19–23 сен-тября 2016 г., Казань. − В 3 т. – Казань: Казан. гос. энерг. ун-т, 2016. – Т. 2. – C. 47–50.

13. Бабанова И. С. Применение искусственной нейронной сети для прогнозирования температуры на выходе из аппарата воздушного охлаждения газа для компрессорной станции магистрального газопрово-да // Международный научно-исследовательский журнал. – 2016. – № 3(45). – Ч. 2. – С. 6–9; doi:10.18454/IRJ.2016.45.090.

14. Бабанова И. С. Разработка перспективного планирования энергосистемы на основе сравнительного анализа различных методов прогнозирования электропотребления // Оперативное управление в электроэнергетике. – 2017. – вып. 3. – с. 48–57.

15. Абрамович Б. Н., Бабанова И. С. Приме-нение искусственных нейронных технологий в процессе преподавания дисциплин электротехнического цикла // Современные образовательные технологии в преподавании естественно-научных и гуманитарных дисциплин: сборник научных трудов II Международной научно-методической конференции 9–10 апреля 2015 г. // Национальный минерально-сырьевой университет «Горный». – Санкт-Петербург, 2015. – с. 229–234.

16. Жуковский Ю. Л., Королев Н. А., Бабано-ва И. С. Оценка технического состояния и остаточного ресурса электромеханического агрегата с асинхронным двигателем // Горное оборудование и электромеханика.

17. Blinov A., Zhukovsky Yu. Integrated system of safety and performance efficiency assessment of electromechanical equipment // J. of Fundamental and Applied Sciences. – 2016. – 8(2S). – Рр. 2185–2196.

18. Zhukovskiy Yu., Koteleva N. A. A method of definition of life-cycle resources of electromechanical equipment // IOP Conf. Series: Materials Science and Engineering, 124(2016), 012172.

19. Козярук А. Е., Жуковский Ю. Л. Система обслуживания электромеханического оборудования машин и механизмов по фактическому состоянию // Горное оборудование и электромеханика. – М., 2014. – № 10. – С. 8–14.

20. Zhukovskiy Yu., Koteleva N. A. Automated system for definition of life-cycle resources of electromechanical equipment // IOP Conf. Series: Materials Science and Engineering, 177(2017), 012014.

21. Королев Н. А. Система диагностики электродвигателя переменного тока на основе комплексного параметрического анали-за // Актуальные проблемы повышения эффективности и безопасности эксплуатации горношахтного и нефтепромыслового оборудования. – Пермь: Изд.: ПНИПУ, 2016. – № 1. – С. 236–242.

22. Korolev N. A., Solovev S. V. AC motor diagnostics system based on complex parametric analysis // IOP Conf. Series: Materials Science and Engineering. – Tomsk, 2016. – Vol. 177. – conf. 1; http://iopscience.iop.org/1757-899X/177/1/012007.

23. Зарицкий С. П. Диагностика газоперекачивающих агрегатов. – М.: РГУ нефти и газа им. И. М. Губкина, 2003. – 598 с.

24. Антропов П. Г., Долинина О. Н., Шварц А. Ю. Способ диагностики неисправностей газоперекачивающих агрегатов с использованием гибридных интеллектуальных систем // Вестник Самарского государственного аэрокосмического университета. – 2014. – № 5(47). – С. 75–84.

Проблеме диагностирования объектов газовой промышленности уделяется особое внимание, что подтверждается требованиями Правительства Российской Федерации обеспечить, в рамках реализации Концепции федеральной системы мониторинга критически важных объектов [1], а также в соответствии с [2–4] информационную поддержку разработки и реализации мер по своевременному прогнозированию, выявлению и предупреждения угроз для нормального функционирования газотранспортной системы РФ. В соответствии с [5] предусматривается дальнейшее увеличение добычи газа как для внутреннего потребления, так и для экспорта, интенсивную реализацию организационных и технологических мер по экономии топлива и энергии.

Из опыта эксплуатации компрессорных станций (КС) можно выделить основные факторы, способствующие выходу из строя [6]: дефекты, возникающие в ходе строительно-монтажных работ; повреждения изоляции; вибрация, способствующая образованию трещин; подвижки грунта, приводящие к повышенным напряжениям в трубопроводах, следствием которых является потеря устойчивости; дефекты как изготовления оборудования, так и износ оборудования, вызванный различными отказами.

Рассматривая срок эксплуатации парка газоперекачивающих агрегатов (ГПА), наработку на отказ на примере газотранспортного предприятия (ГТП) (рис. 1 и 2), можно сделать вывод, что повышение эксплуатационной надежности ГПА КС является актуальной проблемой в связи с тем, что большая часть парка энергетического оборудования КС была введена в эксплуатацию в 1980–1990 гг., и значительная его доля работает сверх установленного производителями нормативного срока. Однако на диагностику для КС накладываются существенные ограничения, вызванные, с одной стороны, невозможностью вывода из эксплуатации или снижения рабочего давления в газопроводе (даже кратковременного), с другой стороны, стоимостью проведения работ по диагностике и мониторингу. Важным аспектом для развития дефектов для газотранспортных систем (ГТС) является интервал между моментом возникновения минимально обнаруживаемых уровней дефектов и критическими дефектами, который может быть меньше интервала между соседними диагностическими обследованиями.

Для Цитирования:
Бабанова И. С., Жуковский Ю. Л., Королев Н. А., кафедра электроэнергетики и электромеханики, Управление режимами работы электроприводного агрегата на основе нейросетевого диагностирования и оценки технического состояния. Электрооборудование: эксплуатация и ремонт. 2018;1-2.
Полная версия статьи доступна подписчикам журнала
Язык статьи:
Действия с выбранными: