Библиографическое описание:Классификация технического состояния насосного агрегата с использованием интеллектуальной идентификации неисправностей : научное издание / О. А. Коленчуков [и др.]. - Текст : непосредственный // Наука и технологии трубопроводного транспорта нефти и нефтепродуктов. - 2024. - Т.14, №1. - С. 36-47. - Исследования выполнены в рамках государственного задания Министерства науки и высшего образования РФ (номер FSRZ-2021-0012). - ISSN 2221-2701. - ISSN 2541-9595, DOI 10.28999/2541-9595-2024-14-1-36-47.
Аннотация:Целью исследования является анализ эффективности применения методов интеллектуальной идентификации неисправностей при определении работоспособности подшипниковых узлов магистрального нефтяного насоса с учетом неустойчивого режима работы. Предложена двухконтурная автоматизированная система управления и диагностики состояния насосного агрегата 12НДс-Нм с его идентификацией как объекта вибронагрузки с применением методов машинного обучения. Моделирование системы выполнено с использованием программного пакета Matlab Simulink, для обучения моделей прогнозирования в качестве примера использовались ретроспективные данные вибродиагностики центробежного насоса в момент отказа. Применены современные средства машинного обучения с использованием таких базовых методов, как дерево решений, случайный лес, логистическая регрессия, многослойный персептрон. Обработка данных и обучение моделей проведено с помощью языка программирования Python и аналитической платформы Loginom, позволяющей минимизировать написание исходного кода. Прогнозирование с указанным набором методов и данных продемонстрировало невысокую точность моделей при мультиклассовом прогнозировании, составившую менее 60 %. При решении же задачи бинарной классификации системы (исправна/отказ) лучшую точность показала оптимизированная модель на основе алгоритма «Случайный лес» с применением метода главных компонент и подбора гиперпараметров: точность - 97,4 %, прецизионность - 99 %, полнота - 98 %. Точность модели простейшей нейронной сети - многослойного персептрона - составила 91 %. Полученные результаты исследований можно использовать при создании систем интеллектуального мониторинга и внедрения их на производственные участки для повышения эксплуатационной надежности нефтеперекачивающего оборудования, а также при корректировке сроков планово-предупредительного ремонта.
The purpose of this study is to analyze the effectiveness of the use of intelligent fault identification methods in determining the operability of the bearing assemblies of the main oil pump, taking into account the unstable operating mode. A two-circuit automated control system and diagnostics of the state of the pumping unit 12NDs-Nm with its identification as an object of vibration loading using machine learning methods is proposed. The simulation of the system was carried out using the Matlab Simulink software package, and for training forecasting models, retrospective data of vibration diagnostics of a centrifugal pump at the time of failure were used as an example. Modern machine learning tools are applied, using such basic methods as decision tree, random forest, logistic regression, multi-layer perceptron. Data processing and model training were carried out using the Python programming language and the Loginom analytical platform, which allows minimizing the writing of source code. Forecasting with the specified set of methods and data demonstrated low accuracy of models in multiclass forecasting, amounting to less than 60 %. When solving the problem of binary classification (the system is working/system failure) the optimized model based on the ‘‘Random Forest’’ algorithm, using the principal component method and the selection of hyperparameters, showed the best accuracy of the system. Its accuracy is 97.4 %, precision is 99 %, completeness is 98 %. The accuracy of the model of the simplest neural network, the multilayer perceptron, was 91 %. The obtained research results can be used when creating intelligent monitoring systems and introducing them to production sites to improve the operational reliability of oil pumping equipment, as well as when adjusting the timing of scheduled preventive maintenance.
Издательство:Научно-исследовательский институт трубопроводного транспорта, Москва
Источник:Наука и технологии трубопроводного транспорта нефти и нефтепродуктов
Выпуск:Т.14, №1
Номера страниц:36-47
Держатель оригинала документа:Gini Gmbh, Институт нефти и газа, Сибирский федеральный университет, НОЦ «Технологии искусственного интеллекта» Московского государственного технического университета им. Н. Э. Баумана, Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева
Количество экземпляров:
Твёрдая копия издания отсутствует в фонде библиотеки
