Нейросетевой подход к прогнозированию поломок газовых турбин и других силовых установок создали ученые ВолгГТУ. Разработка, как объяснили создатели, в два раза точнее аналогов, что позволит обеспечить качественно новый уровень технического обслуживания и снизить издержки предприятий. Результаты опубликованы в журнале Energies.
Обеспечение надежности силовых установок и другого оборудования топливно-энергетического комплекса является
По их словам, одним из направлений оптимизации расходов на энергетику и повышения ее надежности является разработка гибких и точных методов контроля износа оборудования. Применение таких систем позволит обеспечить бесперебойную работу энергетических предприятий и своевременный эффективный ремонт установок.
Ученые Волгоградского государственного технического университета (ВолгГТУ) разработали метод, позволяющий с большей точностью прогнозировать время выхода оборудования из строя.
Подход, основанный на нейросетевых моделях глубокого обучения, уже прошел проверку на газовых турбинах, а в перспективе, по словам создателей, он применим для любых промышленных двигателей и силовых установок.
«
«Каждому предприятию принципиально важно понимать, каково текущее состояние оборудования и что необходимо сделать, чтобы продлить его ресурс. Наш метод позволяет проводить эту оценку и снизить ошибку прогнозирования времени отказа оборудования в два раза по сравнению с существующими аналогами», – рассказал заведующий кафедрой систем автоматизированного проектирования и поискового конструирования факультета электроники и вычислительной техники ВолгГТУ Максим Щербаков.
Как объяснили создатели, разработка способна давать точные прогнозы при минимальном наборе данных об исходных характеристиках оборудования. Особенность нового подхода – использование нейросетевых механизмов, не требующих заранее обработанного массива данных.Ученые использовали сверточные нейронные сети и нейронные сети для обработки последовательностей, благодаря чему новый метод можно применять для оборудования разных типов и для анализа редких повреждений, статистика по которым отсутствует.
«Классические подходы оценки ресурса оборудования построены на статистике поломок, но тут есть существенные ограничения: производители оборудования не всегда предоставляют развернутую статистику, и в целом количество зафиксированных отказов подобной техники слишком мало даже для самых мощных алгоритмов машинного обучения, «тренирующихся» на заранее подготовленных данных», – сообщил Щербаков.
Снижение ошибки прогнозирования дает техническому персоналу больше времени на принятие решения, объяснили ученые. По их словам, диспетчер будет проинформирован не только о времени потенциального отказа, но и об изменениях в работе установок, связанных с износом компонентов.»Имея точную оценку времени отказа оборудования, можно скорректировать программу технического обслуживания или оптимизировать режим работы оборудования. Это позволит перейти к качественно новому уровню технического обслуживания», – подчеркнул Щербаков.
Кроме того, полученные результаты могут быть использованы производителями оборудования для формирования дополнительных сервисов для эксплуатантов, например для оценки качества ремонта, отметили ученые.
Ученый ОмГТУ устанавливает экспериментальный образец в зажимы перед испытаниями на растяжение — РИА Новости,
Предложенный метод является частью создаваемой в ВолгГТУ интеллектуальной платформы управления техническим состоянием оборудования для предприятий топливно-энергетического комплекса. Платформа позволит формировать цифровые двойники оборудования, оценивать и прогнозировать его техническое состояние, а также оптимизировать режимы работы для повышения экономического эффекта.Создание платформы является стратегическим проектом ВолгГТУ в рамках реализации программы «Приоритет-2030».
Обсуждение