автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Автоматизированная система управления техническим состоянием газоперекачивающих агрегатов

На правах рукописи

Максименко Анатолий Валерьевич

АВТОМАТИЗИРОВАННАЯ СИСТЕМА УПРАВЛЕНИЯ ТЕХНИЧЕСКИМ СОСТОЯНИЕМ ГАЗОПЕРЕКАЧИВАЮЩИХ АГРЕГАТОВ

05.13.06 - Автоматизация и управление технологическими процессами и производствами (промышленность)

Автореферат диссертации на соискание ученой степени кандидата технических наук

1 3 МАЙ 2015

Оренбург - 2015

005568948

005568948

Работа выполнена в федеральном государственном бюджетном образовательном учреждении высшего профессионального образования (ФГБОУ ВПО) «Оренбургский государственный университет».

Научный руководитель

Официальные оппоненты:

кандидат технических наук, доцент Влацкая Ирина Валерьевна

Логунова Оксана Сергеевна, доктор технических наук, доцент, ФГБОУ ВПО «Магнитогорский государственный технический университет им. Г.И. Носова», зав. кафедрой вычислительной техники и программирования;

Ведущая организация -

Щепинов Дмитрий Николаевич,

кандидат технических наук, ООО «Газпром добыча Оренбург», начальник технического отдела управления по эксплуатации соединительных продуктопроводов

ФГБОУ ВПО «Уфимский государственный нефтяной технический университет»

Защита состоится 5 июня 2015 г. в 12:00 на заседании диссертационного совета Д 212.181.02, созданного на базе ФГБОУ ВПО «Оренбургский государственный университет», по адресу: 460018, г. Оренбург, пр. Победы, 13, ауд. 170208.

С диссертацией и авторефератом диссертации можно ознакомиться в библиотеке и на сайте (www.osu.ni) ФГБОУ ВПО «Оренбургский государственный университет».

Автореферат диссертации разослан апреля 2015 г.

Ученый секретарь «чл.

диссертационного совета '^ТоЦ' Рассоха Владимир Иванович

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. В связи с увеличением себестоимости транспорта газа в стране одним из важнейших направлений разработки считается работа по снижению затрат на трубопроводный транспорт газа. Одним из вариантов решения является повышение эффективности обслуживания расположенных на компрессорных станциях газоперекачивающих агрегатов, существенную часть которых составляют газоперекачивающие агрегаты с газотурбинным приводом (ГПА).

Формирование комплекса обслуживающих мероприятий по обеспечению работоспособности ГПА, в том числе и проведения периодических чисток осевого компрессора, базируется на плановом подходе. При этом нормативы на межремонтные периоды для оборудования, не выработавшего максимальный установленный рабочий ресурс, не учитывают фактическое состояние технического парка предприятий газового комплекса, что во многих случаях ведёт к неоправданным расходам при его эксплуатации.

Существующие системы управления ГПА содержат отдельные элементы для фиксации технических параметров оборудования (мониторинга), однако не имеют подсистем идентификации технического состояния ГПА на основе анализа параметрической информации. В связи с этим, эксплуатация газоперекачивающего оборудования с загрязнением лопаток осевого компрессора ведет к его преждевременному износу, перерасходу топливного газа и, как следствие, существенному финансовому ущербу и снижению эффективности работы предприятия в целом.

Также следует отметить, что проведение чистки осевого компрессора приводит не только к положительным эффектам (среди которых повышение мощности и снижение расхода топливного газа), но и к уменьшению межремонтного периода и повышению вероятности отказа оборудования.

Таким образом, эффективное решение задачи идентификации технического состояния требует построения модели изменения технического состояния для каждого отдельного агрегата с учетом индивидуальной динамики технического состояния и возможности коррекции данной модели с течением времени.

Учитывая изложенное, разработка математической модели идентификации технического состояния ГПА и построение на ее основе подсистемы управления техническим состоянием ГПА на основе анализа параметрической информации является актуальной задачей в плане повышения эффективности эксплуатации газотранспортного оборудования.

Объект исследования - автоматизированная система управления газоперекачивающими агрегатами с газотурбинным приводом.

Предмет исследования — математические модели и методы идентификации технического состояния, а также алгоритмическое и программное обеспечение автоматизированной системы управления техническим состоянием газоперекачивающих агрегатов с газотурбинным приводом.

Цель работы - повышение эффективности управления и функционирования газоперекачивающих агрегатов за счет управления периодичностью проведения обслуживающих мероприятий.

Задачи исследования:

1) разработка математической модели идентификации технического состояния газоперекачивающих агрегатов с учётом параметрической информации, а также алгоритма и методики настройки модели;

2) разработка метода и алгоритма управления техническим состоянием газоперекачивающих агрегатов с газотурбинным приводом;

3) разработка алгоритмического и программного обеспечения автоматизированной системы управления техническим состоянием газоперекачивающих агрега-

Т°В' 4) оценка экономической эффективности использования разработанной автоматизированной системы управления техническим состоянием газоперекачивающих агрегатов.

Методы исследования. Решение поставленных в работе задач основано на использовании методов теории управления, математического моделирования, биоинформатики, нейросетевых технологий.

Научная новизна работы заключается в следующем:

1) разработана математическая модель идентификации технического состояния газоперекачивающих агрегатов на основе модифицированной нейросетевой структуры с добавлением клеточного слоя, отличающаяся от известных структур запоминанием большего числа образов и прогнозированием выходных векторов;

2) алгоритм и методика настройки модели идентификации технического состояния газоперекачивающих агрегатов на основе данных в нечетком виде, а также интервальных данных о функционировании газоперекачивающего агрегата;

3) метод оценки технического состояния газоперекачивающих агрегатов, отличающийся от известных возможностью учёта индивидуальных характеристик каждого отдельного агрегата и изменения данных характеристик в течение периода эксплуатации.

Практическая значимость исследования заключается в создании программного комплекса для оценки и прогнозирования технического состояния газоперекачивающих агрегатов и управления процессами их обслуживания, в основу которого положены разработанные:

1) алгоритм прогнозирования технического состояния ГПА, основанный на генетическом подходе, учитывающий изменение характеристик ГПА в процессе эксплуатации и различную скорость загрязнения лопаток осевого компрессора в зависимости от внешних условий;

2) программный комплекс для оценки технического состояния ГПА и многоуровневый интерфейс оператора автоматизированного рабочего места (АРМ) с возможностью динамического расширения;

3) методика оптимизации проведения очистных мероприятий на компрессорной станции для газоперекачивающих агрегатов с газотурбинным приводом.

Реализация результатов исследования. Результаты работы и разработанный программный комплекс оценки технического состояния газоперекачивающих агрегатов внедрены в Оренбургском линейно-производственном управлении магистральных газопроводов - филиале ООО «Газпром трансгаз Екатеринбург» (г. Оренбург) (подтверждено актом внедрения), используются в учебном процессе ФГБОУ «Оренбургский государственный университет».

Работа отмечена дипломом лауреата премии Губернатора Оренбургской области за достижения в сфере науки и техники за 2009 год.

Апробация работы. Основные положения работы докладывались и получили одобрение на: международной научной конференции «Наука и образование: фундаментальные основы, технологии, инновации» (Оренбург, 2010); международной научно-технической конференции «Актуальные проблемы анализа и построения информационных систем и процессов» (Таганрог, 2010); П международной научно-практической конференции «Наука и современность - 2010» (Новосибирск, 2010); I международной научно-практической конференции «Фундаментальные и прикладные исследования: проблемы и результаты» (Новосибирск, 2012); III международной научно-практической конференции «Модернизация современного общества:

s

проблемы, пути развития и перспективы» (Ставрополь, 2012); IX международной научно-практической конференции «Актуальные вопросы науки» (Москва, 2013).

Положения, выносимые на защиту:

1) математическая модель идентификации технического состояния газоперекачивающих агрегатов с газотурбинным приводом на основе модифицированной нейросетевой структуры с добавлением клеточного слоя;

2) алгоритм и методика начальной настройки модели идентификации технического состояния газоперекачивающих агрегатов с газотурбинным приводом;

3) метод и алгоритм идентификации технического состояния газоперекачивающих агрегатов на основе разработанной модифицированной нейросетевой структуры.

Публикации. По теме диссертации опубликовано 10 работ, в числе которых 3 работы в журналах из Перечня ВАК и 1 свидетельство о регистрации программного средства в Роспатенте.

Структура и объем диссертации. Диссертация состоит из введения, четырех разделов, заключения, перечня использованных источников из 88 наименования. Работа выполнена на 144 страницах, включая 45 рисунков и 2 таблицы.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении приведены: обоснование актуальности разработки автоматизированной системы управления техническим состоянием газоперекачивающих агрегатов, цель и основные задачи исследования.

В первом разделе освещены результаты научного анализа существующих подходов к проведению обслуживающих мероприятий, а также существующих систем автоматизированного управления ГПА.

Наибольший вклад в вопрос идентификации технического состояния газотранспортных объектов внесли исследователи Д.Т. Аксенов, ВЛ. Березин, Р.Н. Бикчентай, Ю.Р. Владов, СЛ. Зарицкий, В.А. Иванов, И.А. Иванов, В. М. Куш-наренко, A.C. Лопатин, O.A. Степанов, АБ. Шабаров, Е.И. Яковлев и др.

Однако в работах данных авторов вопросы управления были затронуты, но не касались в полной мере прогнозирования скорости загрязнения лопаток осевого компрессора ГПА с учетом накопления индивидуальных особенностей и различий в динамике загрязнения.

Периодичность проведения плановых обслуживающих мероприятий на ГПА определяется соответствующими нормативами, выработанными на основе испытаний оборудования на надежность. Периодические виды технического обслуживания включают в себя значительный объем различных работ, традиционно проводимых согласно регламентам через определённое количество часов наработки агрегата.

Перспективным является метод обслуживания «по состоянию» (на основе функции технического состояния с учетом индивидуальных отличий для агрегатов одной модели), определяющий пригодность агрегатов с газотурбинным приводом к эксплуатации на основе их осмотра, измерения их параметров и т. д., но без разборки, с учётом внешних условий, а также сезона эксплуатации.

В частности, осенне-зимняя эксплуатация включает в себя дополнительные работы по обслуживанию в холодный период, весенне-летняя эксплуатация связана с высокими температурами воздуха, повышенной запыленностью окружающей среды. Загрязнение проточной части осевого компрессора (OK) неизбежно при любых условиях эксплуатации ГПА, однако различные факторы оказывают существенное влияние на скорость загрязнения лопаток.

Важным фактором является качество работы масляных уплотнителей, препятствующих попаданию масла в рабочую зону компрессора, что приводит к скачкообразному и неравномерному загрязнению лопаток. При наличии сварных швов в воздухозаборной камере и при открытии байпасного клапана в систему воздух попадает из внешней окружающей среды, минуя очистку, что также оказывает влияние на скорость загрязнения лопаток осевого компрессора.

Загрязнение проточной части осевого компрессора может привести к уменьшению расхода воздуха (до 6 %) и КПД осевого компрессора (на 2-3 %), что вызывает снижение полезной мощности ГПА на 10 % и КПД на 2-5 %.

Несвоевременное проведение очистных мероприятий ведет к преждевременному износу оборудования, перерасходу топливного газа на поддержание требуемой мощности, и, следовательно, к существенному финансовому ущербу и снижению эффективности работы компрессорной станции (КС). Текущие подходы к проведению очистных мероприятий предполагают проведение чистки ОК через 24 часа.

Для оперативной оценки технического состояния необходимо получение наиболее актуальной информации о проточной части ОК и характере течения потока в ОК ГПА. Программно-аппаратные комплексы, установленные на КС, имеют широкие возможности для отслеживания текущего состояния ГПА в режиме реального времени, централизации управления работой ГПА, а также осуществления оптимизации режимов работы ГПА. Однако следует отметить, что функции данных систем ограничены текущим наблюдением и не предполагают построения прогноза загрязнения лопаток ОК, что делает актуальной разработку системы оценки технического состояния на основе анализа информации, собираемой с использованием датчиков системы автоматического управления (САУ) ГПА.

В качестве критерия, на основании которого проводиться идентификация технического состояния агрегата, была выбрана функция технического состояния (ФТС) газотурбинной установки по мощности введенная Козаченко А.Н.

Указанный критерий определяется многомерной функцией:

(Т,,Т2,Раа, Рк, и, Ьтнд, Кпд, Чтг, йн), (1)

где Г/ - время работы ГПА (ч); Т2 - суточное время (ч); Раа - барометрическое давление; Рк - давление за ОК; 13 - температура перед ОК; ¡2Тцд- температура за ТНД; Итвд- обороты ТВ Д; дп~ расход топливного газа; ()нр- теплота сгорания.

Теоретический диапазон изменения ФТС: 0..1. При этом на практике фактическое значение ФТС не превышает 0,98 в силу накопления погрешностей измерения. Значения функции в пределах 0,98..0,7 считается приемлемыми для нормального функционирования агрегата без проведения очистных мероприятий.

При падении ФТС на уровень 0,7..0,6 также возможно функционирование агрегата в штатном режиме, но наблюдается резкое увеличение расхода топливного газа, а также повышается износ оборудования, что экономически нецелесообразно. По достижении текущего уровня, снижение ФТС замедляется и находится в заданном диапазоне с колебаниями около 0,03.

Значения функции в интервале 0..0,6 возможны только в период при выходе ГПА в рабочий режим (после запуска), а также при возникновении неисправностей. К таким неисправностям относят, например, нарушение в системе масляных уплотнителей.

Чистка лопаток ОК не дает ожидаемого результата при падении уровня ФТС ниже 0,72-0,7 (т.н. пороговое значение). В этом случае наибольшая эффективность

достигается остановкой агрегата и промывкой отдельных лопаток ОК, что приводит к дополнительным финансовым затратам. Прогнозирование ФТС позволит оптимизировать периодичность проведения обслуживающих мероприятий и снизить перерасход топливного газа.

Таким образом, актуальной является задача разработки математической модели технического состояния ГПА и создания на основе данной модели системы оценки ФТС.

Второй раздел посвящен разработке и настройке математической модели технического состояния, а также идентификации и прогнозированию ФТС на основе наблюдаемых данных.

Для рассматриваемых агрегатов построены графики изменения ФТС для различных периодов функционирования и установлено, что, несмотря на наличие стабильного понижающегося тренда, уровень ФТС может совершать существенные скачки. Также следует отметить, что данная динамика ФТС индивидуальна для каждого отдельного агрегата (рисунок 1).

Рисунок 1 - Динамика функции технического состояния

Поскольку при идентификации и прогнозировании ФТС с течением времени требуется периодическая коррекция параметров модели, в качестве модели использовалась нейросетевая структура, а именно двунаправленная ассоциативная память (ДАП), Также свойство ассоциативности и способность к обобщению дает возможность возвращать корректные выходные значения при частичной потере данных и при отсутствии в обучающей выборке вектора, подаваемого в качестве входных параметров.

Для построения ДАП использована сигмоидальная (логистическая) функция активации. В простейших версиях ДАП значение константы А. выбирается большим, в результате чего функция активации приближается к простой пороговой функции. ДАП стандартной конфигурации имеет ограничения на максимальное количество ассоциаций, которые она может точно воспроизвести. Число воспроизводимых образов Ь не может превышать величины n/21og2n, где п - число нейронов в меньшем слое ДАП. В процессе исследования была установлена необходимость расширения числа ассоциаций стандартной ассоциативной сети до 120 образов (наборы параметрических значений за 10 суток функционирования ГПА).

Для повышения ассоциативной емкости в структуру добавлены дополнительные слои (рисунок 2), причем слой с номером 0,5 представляет клеточную биоинформационную структуру.

о А в ЕИ J

о

rOJ о

фтс

Слой О Слой 0,5 Слой 1 Слой 1,5 Слой 2

Рисунок 2 - Схема модифицированной нейросети

Основной особенностью использования клеточных нейросетевых структур в качестве слоя нейронной сети является возможность взаимодействия не только с нейронами соседних слоев сети, но и с соседними клетками внутри клеточного слоя.

Клеточный слой сети (согласно Селихову А.В.) представляет собой набор простых пороговых устройств (нейронов) с неполным набором связей между ними. Клетки являются процессорными элементами с векторным входом и единичным параметрическим выходом в четком виде. Обмен сигналами происходит только с соседними клетками. Клеточный слой описывается двумерным массивом клеток а = (¿J) 6 IxJ:

xa{t) = 0^(0-«;

0fln _fQ00 = i;V>o.

j-le(lO = 0;y<0'

kVa = Z(fcp(eji)S 1 [VP w - KrCO], Kr(O) - V*. a £ I x J; xa(t) = ей(()-йае/х/;

Ш = Uvi^ii; [^W-^(t)].

Поскольку Qa = CVa, уравнение динамики мембранного потенциала клетки принимает вид:

AVa = Хар [Vp (t) - Ka(t)]; Хор = {CRap)~\ (7)

Следовательно, окончательная динамика клеточного слоя определяет указанный набор правил NetK(A)\

LVa = [Vp(t) - Ke(t)], Ув(0) = V°,a 6 I Xj; (8)

Xa(t) = 6[lUt) - Va'l aelxj, (9)

где С - емкость, Qa(t) - заряд; Ia (t) - выходной ток; Rap = Rap - сопротивление си-напгической связи между клетками а и /?; Ia(t) - величина выходного тока.

В итоговом варианте нейросетевая модель выглядит следующим образом: входной вектор Л = (а1...ак) предварительно поступает в соответствующее нейроны клеточного слоя (слоя 0,5), в котором согласно установленным правилам NetK(A) проводится изменение состояния исходного вектора, и затем данный вектор обрабатывается матрицей весов W = (wj-.w/J сети (слой 1), в результате чего вырабатывается вектор выходных сигналов нейронов В - (bi. bi). Вектор В затем обрабаты-

(2)

(3)

(4)

(5)

(6)

вается матрицей весов в результате чего вырабатывается вектор

выходных сигналов нейронов В и.

Далее вектор В15 - Фш-Ьи,)) обрабатывается транспонированной матрицей ЦЯ весов сети, которая вырабатывает новые выходные сигналы, представляющие собой новый входной вектор Л! 5 = (а¡ ¡ ¡...а 1.5,0. Таким образом, разработанную модель можно представить в векторной форме:

> I

На рисунке 3 приведено отклонение точности прогнозирования по сравнению с фактически достигаемым состоянием в указанный момент времени для различных сгенерированных обучающих выборок после обучения нейронной сети с числом образов Ь= 50 и Ь= 120.

а) 6)

Рисунок 3 — Точность прогнозирования для числа образов, равного 50 (а) и 120 (б)

Следовательно достигается увеличение емкости ассоциативной памяти, достаточное для решения рассматриваемой задачи. Для идентификации построенной модели реализован генетический алгоритм для обучения клеточных структур.

Поскольку клетки нейронного слоя включают Дополнительные значения мембранного потенциала AV, применение классических алгоритмов обучения приводит к несущественной сходимости (решение не может быть найдено за приемлемое время). Двумерные массивы (ЛУ, X(t)) представляют весовые коэффициенты модели, причем элементы массива по своему составу не обязательно являются бинарными.

Для каждого набора начальных векторов заводится дополнительный внутренний коэффициент представляющий из себя величину Q(X):

Z(X) = |Net - Net(X)|; <?(*) = (1 /ZQC)), (11)

где Net - требуемое результирующее состояние, Net(X) - результирующее состояние при использовании указанного набора данных X, а — некоторая достаточно малая положительная ненулевая величина.

Дополнительно задается Q - множество используемых наборов и М - максимально допустимая мощность множества Q. Множество Я периодически очищается от излишних вырождающихся элементов, оставшиеся элементы также считаются менее эффективными независимо от показываемых результатов и могут бьггь заменены при следующем очищении множества популяции.

Один поток алгоритма можно представить в виде некоторой функции: Q = Gen(Ao,Bo,R,E,M,N,n,AJ), где R - требуемый выходной вектор; Е — минимальная допустимая точность вычислений; М— максимально допустимая мощность множества Q; N - параметрический вектор; п - максимально до-

пустимое число шагов; А - результирующий вектор; /- флаг завершения поиска результирующего вектора; А0 и В0 - начальные вектора. Общая схема алгоритма приведена на рисунке 4.

Рисунок 4 - Схема генетического алгоритма обучения клеточного слоя нейронной сети

Для формирования начального слоя сети используются: показатели датчиков САУ ГПА, фаззификация параметров с использованием треугольной функции желательности, параметры в интервальном виде.

Методика идентификации модели предусматривает поэтапную настройку параметров модели и коррекцию указанных параметров на различных временных периодах.

Шаг 1 — формирование набора обучающих выборок на основании наблюдаемых параметрических значений:

/пх ФТСл

ЛГ = [ •■• ... , (12)

ФТСк/

где щ = (Х1,Х2,Х3), ФТС; - наблюдаемое значение ФТС для вектора щ; Хг- группа четких параметрических значений, формируемая на первом этапе разработанной методики. Набор параметрических значений, используемых в процессе на-

стройки модели, включает: ра0 - барометрическое давление; Рк - давление за осевым компрессором; 13 - температура перед ОК; ¡¡тнд - температура за ТНД; Итад - обороты ТВД; Чтг - расход топливного газа (в час); Ц» - теплота сгорания.

Шаг 2 - обучение разработанной нейронной сети:

2.1) задание необходимой точности

2.2) обучение клеточного слоя нейронной сети с использованием разработанного алгоритма и применением полученного набора N для формирования весов клеточного слоя:

/М

0 - ... ; = Р(Г1 ЫцУ, |Кег* - /м < Ех. (13)

где - правило изменения состояния исходного вектора; - элемент матрицы весов IV сети; - функция активации; А - вектор выходных сигналов слоя; Лег* -ожидаемое значение ФТС; /?ег - фактическое полученное значение ФТС.

Шаг 3 - корректировка весовых коэффициентов:

3.1) задание необходимой точности с2;

3.2) корректировка весов неклегочных слоев сети (слои с номерами 1, 1,5 и 2) таким образом, чтобы |/?ег* — Дег| <

Шаг 4 - формирование текущего входного вектора п и добавление данного вектора в массив N.

Шаг 5 - коррекция модели ФТС ГПА с учетом изменений, накопленных на предыдущем временном отрезке. После остановки процесса оценки технического состояния весовые коэффициенты клеточного слоя нейронной сети запоминаются системой и могут быть использованы при последующем запуске для указанного агрегата в качестве одного из исходных генетических наборов А®.

Третий раздел посвящен проектированию и разработке автоматизированной системы оценки ФТС ГПА.

Разработана автоматизированная система «ТО СРА», позволяющая проводить сбор параметрических данных как отдельных ГПА, так и общие для всех агрегатов показатели.

Данная система успешно внедрена в Оренбургском линейно-производственном управлении магистральных газопроводов - филиале ООО «Газпром трансгаз Екатеринбург» (г. Оренбург). Информация о параметрах работы ГПА формируется в виде электронных документов установленной на предприятии САУ «КВАНТ».

Разработанная система не требует наличия дополнительного аппаратного обеспечения и предназначена для интеграции в существующую программно - аппаратную среду компрессорной станции.

На рисунке 5 представлена структура системы оценки ФТС ГПА. Структура взаимодействия компонентов системы приведена на рисунке 6.

Функции данной системы включают контроль действий оператора, защиту от ввода некорректной информации и формирование системных журналов.

При падении уровня ФТС до значения, указанного в настройках, или при возникновении иных предусмотренных событий система генерирует управленческое воздействие, поступающее к оператору АРМ.

Рисунок 5 - Структура информационной системы управления техническим

состоянием

Рисунок 6 - Структура взаимодействия компонентов программного комплекса

Работа представленного комплекса основана на динамическом подходе к прогнозированию ТС.

Для разработанной нейросетевой модели в зависимости от промежутка прогнозирования выделяется некоторое «окно обучения» , на основании данных из которого происходит обучение модели (рисунок 7).

Рисунок 7 - Фактические и прогнозируемые значения функции технического состояния

В дальнейшем, после прохождения промежутка прогнозирования, система проводит сдвиг окна обучения и коррекцию модели.

Для верификации разработанной нейросетевой модели с использованием программного продукта Ма(:ЬаЬ и пакета библиотек ЬПч'ТооЬ была построена трехслойная нейронная сеть с обратным распространением ошибки и логистической функцией активации (рисунок 8).

Фактические__С использованием _ с использ<

значения МаО-аЬ нейросети

Рисунок 8 - Сопоставление результатов работы нейросетей с фактическими значениями параметра

Составленная нейронная сеть и разработанная нейросетевая структура обучены на одинаковых наборах данных. Работа указанных нейросетей для представленных данных находится в пределах установленной при обучении точности в 88 %.

Четвертый раздел посвящен анализу результатов функционирования разработанного программного комплекса.

На основе данных о проводимых очистных мероприятиях для отдельных ГПА, а также исходя из предположения о сохранении динамики ФТС рассчитывается период переработки ГПА, представляющий собой вектор значений:

п = (ФТС, Уг,0; I = (к+1) .. я, (14)

где / - число элементов массива; О - массив фактических замеров параметров работы ГПА после достижения порогового значения ФТС; к- номер фактического замера параметров работы ГПА, на котором достигается пороговый уровень ФТС; п -общее число замеров; Ф ТС1 — значение функции технического состояния на 1-м шаге наблюдения; Уг,- объем расхода топливного газа на 1-м шаге наблюдения.

Таким образом, на основании построенного массива О для отдельных процессов наблюдения рассчитаны показатели перерасхода топливного газа и, соответственно, предполагаемые объемы экономии топливного газа при внедрении указанного программного средства:

= 05)

где Угэк - объем экономии топливного газа и Ук - объем расхода топливного газа ГПА на момент достижения порогового значения.

В качестве экспериментальных данных использована информация, собираемая разработанной подсистемой из различных электронных документов в процессе функционирования ГПА, а также данные о проведении обслуживающих мероприятий в плановом режиме. В качестве порогового значения ФТС было выбрано значение ФТСщрог = 0,72, т.к. было установлено существенное снижение эффективности эффективности очистных мероприятий после преодоления указанного уровня. Результаты проведенного исследования, а также достигаемая экономия топливного газа при использовании разработанной системы для 24-часового окна прогнозирования приведены в таблице 1.

Таблица 1 - Результаты исследования точности прогнозирования и объемы эконо-

Результаты, полученные для межсезонного периода эксплуатации Результаты, полученные для зимнего и летнего периодов эксплуатации

Достигнутая точность (24 ч.) Экономия топливного газа (м) Достигнутая точность (24 ч.) Экономия топливного газа (м3)

91% 3750 95% 1673

93% 1657 96% 1890

93% 2534 96% 2130

89% 672 94% 2670

88% 3575 90% 2790

94% 3818 94% 970

93% 1820 92% 1250

Для зимнего периода функционирования ГПА показатель точности прогнозирования достигает 96 %.

Межсезонный период характеризуется существенными нерегулярными возможными скачками параметрических данных и наиболее сложен для прогнозирования ФТС. Точность прогнозирования в указанное время достигает минимальных значений (88 %), по сравнению с другими периодами, значений.

Летний период работы ГПА характеризуется стабильными внешними условиями и определенными суточными колебаниями ряда параметрических показателей, что способствует повышению точности прогнозирования в ряде случаев до 92 %.

При проведении исследований и формировании таблицы результатов учитывались расчетные затраты расхода газа на проведение очистных мероприятий в 3000 м3. По результатам исследований установлена предполагаемая экономия топливного газа в пределах от 800 до 4000 м .

Для оценки адекватности использовался статистический коэффициент детерминации Л2 = 0,89. Расчетная ошибка аппроксимации составляет 0,08.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ И ВЫВОДЫ

1. Разработанная на основе ассоциативных и клеточных нейросетевых структур математическая модель позволяет проводить идентификацию и прогнозирование технического состояния без привязки к отдельному ГПА с газотурбинным приводом. Также предусмотрена возможность добавления дополнитель-. ных данных без изменения самой модели. Наблюдаемая емкость ассоциативной памяти превышает

2. Разработана методика идентификации параметров для настройки модели • технического состояния газоперекачивающих агрегатов. Методика предполагает

настройку и корректировку параметров разработанной модифицированной нейро-сетевой структуры и позволяет, в отличие от имеющихся методик, проводить обучение комбинированных нейросетевых структур за приемлемое время. Время обучения для числа нейронов клеточного слоя и = 128 составило менее 118 минут.

3. Разработана автоматизированная система «ТО вРА» для идентификации технического состояния ГПА.

4. Экономическая эффективность позволила уточнить объем экономии топливного газа (от 700 до 4000 м3) с учетом потерь на проведение очистных мероприятий. Проводимые очистные мероприятия не предполагают полную остановку агрегата, что способствует сокращению финансовых потерь.

Полученные результаты для различных сезонных периодов работы ГПА свидетельствуют о снижении погрешности до 8-13 % в зависимости от периода эксплуатации агрегата.

СПИСОК ОПУБЛИКОВАННЫХ РАБОТ ПО ТЕМЕ ДИССЕРТАЦИИ В изданиях ш «Перечня...» ВАК:

1. Влацкая, И. В. Алгоритм расчета траектории нелинейной системы в условиях неопределенности / И. В. Влацкая, А. В. Максименко, В. Е. Кожевникова // Вестник Оренбургского государственного университета. - 2010. - № 9. - С. 94-97.

2. Максименко, А. В. Моделирование процесса загрязнения лопаток осевого компрессора с использованием нейросетевых структур / А. В. Максименко // Образование. Наука. Научные кадры. - 2014. - №1. - С. 243-246.

3. Максименко, А. В. Разработка системы оценки и прогнозирования технического состояния газоперекачивающих агрегатов / А. В. Максименко // Вестник Московского университета МВД России. - 2014.—№3. - С. 233-238.

А '

!.ч

16 Г }

Публикации в других изданиях:

4. Максименко, А. В. Повышение эффективности эксплуатации газоперекачивающих агрегатов газокомпрессорных станций / А. В. Максименко, И. В. Влац-кая // Проблемы экономики и управления предприятиями, отраслями, комплексами: монография. -Книга23,- Новосибирск: Издательство ЦРНС, 2013. -С. 270-307.

5. Максименко, А. В. Проблемы репликации документов при организации электронного документооборота индустриальной системы территориально-распределенных предприятий (электронный ресурс) / А. В. Максименко, И. В. Влацкая, В.Е. Кожевникова // Наука и образование: фундаментальные основы, технологии, инновации: материалы международной научной конференции. - Оренбург: ИПКГОУОГУ,2010. -СБ-Я-7с.

6. Влацкая, И. В. Моделирование траектории нелинейной системы в условиях неопределенности / И. В. Влацкая, А. В. Максименко // Актуальные проблемы анализа и построения информационных систем и процессов: сборник статей международной научно-технической конференции - Таганрог: Издательство Технологического института ЮФУ, 2010. - С. 37-41.

7. Влацкая, И. В. Оценка современных средств обработки электронных документов / И. В. Влацкая, А. В. Максименко// Наука и современность-2010: сборник материалов II Международной научно-практической конференции - Новосибирск: СИБПРИНТ, 2010.-С. 314-318.

8. Максименко, А. В. Использование многослойных нейронных сетей для прогнозирования состояния газоперекачивающих агрегатов / А. В. Максименко // Модернизация современного общества: проблемы пути развития и перспективы: материалы III международной научно-практической конференции. — Ставрополь: Центр научного знания «Логос», 2012. - С. 108-111.

9. Максименко, А. В. Применение многослойных нейросетевых структур для прогнозирования технического состояния газоперекачивающих агрегатов / А. В. Максименко // Актуальные вопросы науки: материалы IX международной научно-практической конференции. -М.: Издательство «Спутник +», 2013.- С. 71-75.

Программные средства:

10. Свидетельство о государственной регистрации программы для ЭВМ № 2013616686. Зарегистрировано в Федеральной службе по интеллектуальной собственности (Роспатент) 16.06.2013 г. - Заявка № 2013614280. - Дата поступления 21.05.2013.

Подписано в печать 30.03.2015 г. Формат 60х84'/16, бумага офсетная, гарнитура «Тайме». Усл. печ. листов 1,0. Тираж 110 экз. Заказ 58.

Участок оперативной полиграфии ОГУ 460018, г. Оренбург, пр-т Победы 13, Оренбургский государственный университет