автореферат диссертации по машиностроению и машиноведению, 05.02.05, диссертация на тему:Методы и средства оперативной диагностики состояния электроцентробежных насосов нефтедобывающих скважин на основе нейронных сетей

На правах рукописи

1_) и-"

Коровин Яков Сергеевич

2 О АВГ 2009

МЕТОДЫ И СРЕДСТВА ОПЕРАТИВНОЙ ДИАГНОСТИКИ СОСТОЯНИЯ ЭЛЕКТРОЦЕНТРОБЕЖНЫХ НАСОСОВ НЕФТЕДОБЫВАЮЩИХ СКВАЖИН НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ

Специальность 05.1)2.05 - Роботы, мехатроника и робототехиические системы

Автореферат

диссертации на соискание ученой степени кандидата технических наук

Таганрог -2009

003475301

Работа выполнена в Научно-исследовательском институте многопроцессорных вычислительных систем имени академика A.B. Каляева Южного федерального университета (НИИ МВС ЮФУ) и на кафедре Интеллектуальных и многопроцессорных систем (ИМС) Технологического института Южного федерального университета в г.Таганроге.

НАУЧНЫЙ РУКОВОДИТЕЛЬ:

доктор технических наук, профессор

Галуев Геннадий Анатольевич

ОФИЦИАЛЬНЫЕ ОППОНЕНТЫ:

доктор технических наук, профессор

Горелова Галина Внкторовна

кандидат технических наук, Харламов Александр Александрович

ВЕДУЩАЯ ОРГАНИЗАЦИЯ:

Государственный научный центр Российской Федерации "ЦНИИ робототехники и технической кибернетики", г. Санкт-Петербург

Защита диссертации состоится "28" августа 2009 г. в 14 на заседании диссертационного совета Д 212.208.24 при Южном федеральном университете по адресу: г. Таганрог, ул. Чехова, 2, корп. "И", комн. 347.

С диссертацией можно ознакомиться в зональной научной библиотеке ТОФУ по адресу: г. Ррстов-на-Дону, ул. Пушкинская, 148.

*

Автореферат разослан " 28" июля 2009 г.

Просим Вас прислать отзыв, заверенный печатью учреждения, по адресу: 347928, г. Таганрог, Ростовская область, ГСП-17А, пер. Некрасовский, 44, Технологический институт Южного федерального университета в г. Таганроге Ученому секретарю диссертационного совета Д 212.208.24 Кухаренко Анатолию Павловичу

Ученый секретарь диссертационного совета

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследования. Нефтегазодобывающая отрасль являсгся стратегически важной в условиях современного уровня развития экономики Российской Федерации. Неисправности, аварии, отказы, возникающие в непрерывном процессе добычи нефти и газа, влекут за собой тяжелые экономические и экологические последствия.

Нефтегазодобывающий производственный процесс осуществляется за счет функционирования комплекса нефтегазодобывающего оборудования, представляющего собой совокупность мехатронных объектов различной степени сложности. Центральное место среди сложных мехатронных объектов нефтедобычи занимают установки электроцентробежных (электроприводных центробежных) насосов (УЭЦН), применяющиеся для извлечения продукции на высокодебитовых скважинах. Отказы в режимах функционирования УЭЦН являются основной причиной незапланированных внугрисменных простоев добывающего фонда скважин, что приводит к значительным материальным потерям.

В настоящее время качество и оперативность принимаемого диагностического решения о состоянии УЭЦН в значительной степени зависит от квалификации оператора (технолога нефтегазодобывающего управления, оператора цеха, инженера центральной технологической службы).

Учитывая большую номенклатуру анализируемых параметров и, как правило, огромные объемы анализируемой информации о режимах функционирования УЭЦН, вероятность ошибки оценки его состояния и непринятия оператором соответствующего оперативного управленческого решения достаточна велика.

. В этой связи актуальной выступает задача разработки автоматизированной системы поддержки принятия решений (СППР) операторов УЭЦН нефтедобывающих скважин.

Целью диссертационной работы является сокращение числа отказов мехатронного комплекса фонда электроцентробежных насосов нефтедобывающих скважин за счет оперативной диагностики их состояния.

С учетом особенностей предметной области методы и подходы, применяемые в СППР операторов УЭЦН, должны обеспечивать качественную обработку диагностической информации в жестких временных рамках в условиях неполноты и противоречивости поступающих данных.

Данным требованиям соответствуют нейросетевые технологии анализа информации как наиболее эффективный метод обработки оперативных данных в многопараметрических, трудно формализуемых условиях нефтегазодобывающей отрасли.

В этой связи актуальная научная задача, решению которой посвящена диссертация, - разработка новых методов и средств оперативной диагностики состояния УЭЦН нефтегазодобывающей отрасли на основе технологии искусственных нейронных сетей.

Для достижения поставленной цели необходимо решить следующие задачи:

-провести анализ существующих систем диагностики состояния У ЭЦП нефтегазодобывающей отрасли для определения недостатков применяемых в них методов и подходов:

- обосновать целесообразност ь разработки автоматизированной нейросетевой системы поддержки принятия решений (СППР) операторов УЭЦН нефтедобывающих скважин;

- провести анализ существующих нейросетевых методов и алгоритмов обработки информации на предмет их эффективности в условиях соблюдения требований обеспечения качественной диагностики состояния УЭЦН в режиме реального времени:

- модифицировать существующие и разработать новые нейросетевые методы анализа данных для их применения в разрабатываемой СППР;

- разработать методику оперативной диагностики состояния УЭЦН;

- разработать архитектуру и основные принципы функционирования автоматизированной нейросетевой СППР для оперативной диагностики состояния УЭЦН;

- программно реализовать предлагаемые методы и экспериментально исследовать эффективность их применения в реальных производственных условиях.

Объект исследования - нейросетевая система поддержки принятия решений операторов УЭЦН нефтедобывающих скважин.

Методы исследований основаны на теории мехатроники и робототехники, теории экспертных систем, теории множеств, теории системного анализа, теории вероятности, методах интеллектуального и кластерного анализа данных.

Достоверность и обоснованность научных исследований подтверждается практически полным совпадением теоретических положений с результатами испытаний созданного на их основе промышленного образца СППР для диагностики состояния установок ЭЦН, а также апробацией полученных научных результатов на международных и всероссийских конференциях.

Научная новизна полученных в диссертации результатов состоит в следующем:

- научно обосновано положение, что существует разбиение множества состояний мехатронного объекта на пересекающиеся подмножества признаков состояния, каждое из которых распознается отдельной нейронной сегыо. такое, что при фиксированных аппаратных затратах позволяет распознавать состояние мехатронного объекта на основе конъюнктивной сборки с заданной вероятностью;

- разработан метод определения конфигурации нейронной сети, отличающийся тем, что определение конфигурации архитектуры нейронной сети с соотвегствующими весовыми коэффициентами осуществляется с применением метода дизъюнкивных нормальных форм, что позволяет производить нейросетевую интерпретацию априорных правил о функционировании мехатронного объекта;

- разработан метод извлечения правил из нейронной сети, отличающийся тем. что позволяет извлекать новые неизвестные закономерности (правила) о функционировании УЭЦН по результатам нейросетевой обработки;

- разработана методика оперативной диагностики состояния мехатронных объектов нефтегазодобычи на основе технологии нейронных сетей, позволяющая качественно оценивать состояние оборудования;

- разработана архитектура нейросетевой СПИ]' операторов УЭЦН, отличающаяся тем. что анализ данных производится при одновременном использовании нейронной сети, обучаемой методом обратного распространения ошибки, и необучаемой нейронной сети с пороговой функцией активации, что позволяет в режиме реального времени производить

.диагностику текущего состояния мехатронного объекта с определением тенденции развития ситуации.. Новизна полученных результатов подтверждается отсутствием аналогичных результатов в открытых доступных источниках.

Положения и результаты, выносимые на защиту:

1. нейросстевая система поддержки принятия решений операторов УЭЦН нефтедобывающих скважин позволяет сократить число отказов в работе погружного оборудования за счет оперативной диагностики состояния УЭЦН:

2. существует разбиение множества состояний мехатронного объекта на пересекающиеся подмножества признаков состояния, каждое из которых

. распознается отдельной нейронной сетью, такое, что при фиксированных аппаратных затратах позволяет распознавать состояние мехатронного объекта на основе конъюнктивной сборки с заданной вероятностью;

3. метод нейросетевой интерпретации жестких правил о функционировании сложного мехатронного объекта.

4. методика оперативной диагностики состояния мехатронных объектов нефтегазодобычи на основе технологии нейронных сетей.

Научная п практическая ценность полученных в диссертации результатов состоит в разработке формальной методики диагностики оперативног о состояния УЭЦН на основе технологии искусственных нейронных сетей.

Созданные на основе данной методики архитектура и программная реализация нейросетевой СППР операторов УЭЦН позволяют решать задачу оперативного предупреждения наступления отказов в режимах функционирования погружного оборудования с высоким качеством обработки данных и быстродействием в 5-6 раз выше аналогичных систем, построенных на жестких алгоритмах, что позволяет операторам мехатронного комплекса фонда УЭЦН принимать соответствующее управляющее решение.

Реялиишии результатов работы. Программный комплекс "УЭЦН-НС". разработанный в рамках х/д №555221 от 01.09.2005 г. (шифр "Альфа") между НИИ МВС ТРТУ и ОАО "Сургутнефтегаз" (ПК СППР "УЭЦН-НС") успешно внедрен в промышленную эксплуатацию в нефтегазодобывающих управлениях ОАО "Сургутнефтегаз" в 2006 году. Данный программный комплекс выполняет функции диагностирования работы УЭЦН путем проведения нейросетевого анализа данных о его функционировании, поступающих по каналам телеметрии, данных технологических замеров и иных параметров.

За период промышленной эксплуатации СПГ1Р "УЭЦН-НС" был предотвращен ряд отказов оборудования, что позволило исключить высокие экономические потери, обусловленные затратами на демонтаж, ремонт ЭЦН, повторный запуск и вывод скважин на режим, а также убытками от незапланированного простоя единиц добывающего фонда.

Апробация работы.

Результаты диссертационной работы использовались: -в НИР "Разработка самообучаемой реконфигурируемой системы поддержки принятия решений по контролю состояния установок электроцентробежных насосов на основе нейронной сети» (№ 00-07-71)", проведенного в рамках программы Президиума РАН "Поддержки инноваций и разработок":

-в НИР "Разработка и исследование методов и средств повышения безопасности и эффективности функционирования распределенных информационно-управляющих систем сложных технических объектов" (№ г/р 01200852701) в рамках ФЦП "Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2007-2012 годы";

-в НИР "Разработка и исследование методов и алгоритмов создания интеллектуальных функциональных компонентов отказоустойчивых распределенных информационно-управляющих систем (РИУС) (№г/р 01200953310) в рамках аналитической ведомственной целевой программы "Развитие научного потенциала научной школы (2009-2010)".

Основные положения диссертационной работы докладывались и получили одобрение на:

- Международной научной конференции "Интеллектуальные и многопроцессорные системы (ИМС-2005)" (с. Дивноморское, Россия, 2005 г.):

- Международной научной конференции "Искусственный интеллект. Интеллекту альные и многопроцессорные системы (ИМС-2006)" (с. Кацивели, Украина, 2006):

- Международной научной мультиконференции "Мсхатроника, автоматизация, управление (МЛУ-2007)" (с. Дивноморское. Россия, 2007 г.):

- Научно-технической конференции "Высокопроизводительные вычислительные системы (BI1ВС-2008)" (г. Таганрог. Россия, 2008);

- на II, III и IV Ежегодной научной конференции студентов и аспирантов базовых кафедр Южного научного центра (ЮНЦ) Российской академии наук (РАН) (2006,2007, 2008 гг., г. Ростов- на-Дону);

- на II Всероссийской Школе-семинаре молодых ученых "Управление большими системами" (2007, г. Воронеж);

- на I [аучяо-технической школе-семинаре по мехатронике и робототехнике (Санкт-Петербург, Россия, 2007 г.).

Несколько докладов были выделены как лучшие и были отмечены призовыми местами.

Публикации. По теме диссертации опубликованы 16 работ, из которых 7 статей в ведущих научных отечественных журналах и зарубежных изданиях (включенных в

перечень ВАК); 2 статьи опубликованы автором единолично, 8 тезисов докладов, получено 1 свидетельство об официальной регистрации программы для ЭВМ.

Структура и объем диссертации. Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложений.

Диссертация содержит 125 страниц печатного текста (162 страницы с приложениями), 26 рисунков, 5 таблиц, список используемой литературы из 102 источников.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы, определен объект исследований, сформулированы цель, основные научные результаты и положения, выдвигаемые для защиты, показаны практическая значимость, апробация и результаты внедрения диссертации.

Первая глава диссертации посвящена анализу сложных мехатронных объектов нефтедобычи, подходов к организации современных систем оперативной диагностики их состояния, дана характеристика применяющихся в этих системах методов обработки оперативных данных. Центральное место среди сложных мехатронных объектов нефтедобычи занимают установки элекгроцентробежных насосов (УЭЦН), применяющиеся для извлечения продукции на высокодебитовых скважинах (рисунок 1).

1 -погружной асинхронный маслонаполненный электродвигатель;

2 - гидрозащита;

3 - входной модуль для поступления продукции;

4 - погружной электроцентробежный насос;

5 - кабельный удлинитель с муфтой кабельного ввода;

6 - станция управления;

7 - трансформатор.

Рисунок 1 - Установка погружного электроцентробежного насоса

Функционирование УЭЦН характеризуется показаниями около 130 параметров, среди которых можно выделить такие как: электротехнические параметры, технологические, параметры установки, параметры пласта и установки УЭЦН в устье скважины. Номенклатура неисправностей, которые могут возникать в процессе работы УЭЦН и приводить' к отказам оборудования, согласно разным источникам, составляет несколько десятков наименований (от 30 до 50 неисправностей).

На рисунке 2 представлена обобщенная структура функционирования УЭЦН.

Опе втор (техногогН ЦУ. инженер ЦИТС, деж) <ный ЦДНГ)

Рисунок 2- Обобщенная структура фу чкционир( вания УЭЦН

В результате анализа приведенной структуры организации функционирования УЭЦН сделан вывод о том, что среди компонент в, входя цих в данную структуру, непосредственно влияющих на эффективность проь есса доб лчи продукции, наиболее уязвимым является оператор. Данное обстояте. ьство объясняется тем, что в промышленной эксплуатации оператору УЭЦН прихода тся принимать управляющее решение в условиях "информационного вала" в жестких 1 ремен шх рамках (показания меняются с периодичностью от 15 секунд до 15 минут . В эт эй связи предлагается внедрить в приведенную выше структуру (рисунок 2) автоматизированную СПГТР операторов УЭЦН.

Специфика функционирования мехатронного комплекса фонда УЭЦН нефтедобывающих скважин предъявляет следующие т{ гбования к разрабатываемой СППР:

- работа в реальном времени, в условиях жестких огргшичений на время принятия решений, а также неопределенности, связанной с непо шотой и противоречивостью поступающей информации;

- непрерывный, в большинстве случаев, режим функционирования в течение длительного времени;

- минимизация участия оператора в процессе принятия решения;

- обеспечение качественной и своевременной диагностики состояния УЭЦН.

В результате проведенных исследований современных методов обработки информации, применяемых в современных СППР, сделан вывод о том, что целесообразным и оправданным является применение технологии искусственных нейронных сетей как эффективного инструмента анализа оперативных данных в трудно формализуемых, многопараметрических условиях нефтегазодобывающего производственного процесса для решения задачи качественной оперативной диагностики состояния УЭЦН.

Вторая глава диссертации посвящена разработке новых методов анализа оперативных диагностических данных о состоянии УЭЦН в режиме реального времени на основе нейронных сетей.

В диссертации показано, что при применении классических методов нейросетевого анализа информации возникает ряд сложностей, которые не позволяют обеспечить выполнение требований к СППР, сформулированных в предыдущей главе диссертации. Основными из них являются:

- проблема высокого времени обучения нейронной сети, обучаемой на распознавание типов ситуаций (неисправностей) УЭЦН;

-высокая зашумленность исторических данных, используемых для обучения нейронной сети, в связи с нередкими сбоями телеметрии, ошибок, возникших в ходе передачи данных по каналам связи или в ходе длительного хранения в хранилищах данных (старения данных с потерей их актуальности);

- противоречивость входных данных (часто незначительно отличающиеся или идентичные показания по анализируемым параметрам соответствуют различным режимам функционирования УЭЦН).

Для преодоления указанных проблем автором были предложены новые методы и подходы нейросетевого анализа оперативных диагностических данных о функционировании сложных мехатронных объектов нефтегазодобывающей отрасли, основным из которых является реализация операции распознавания оперативных данных несколькими нейронными сетями параллельно.

В качестве научного обоснования данного подхода бьиа доказана теорема.

Теорема. Существует разбиение множества состояний объекта на, в общем случае, пересекающиеся подмножества признаков состояния, каждое из которых распознается отдельной нейронной сетью, такое, что при фиксированных аппаратных затратах позволяет распознавать состояние объекта на основе конъюнктивной сборки с заданной вероятностью.

В диссертации приводится 6 лемм, содержащих промежуточные доказательства, необходимые для доказательства данной теоремы.

В соответствии с доказанной теоремой в диссертации решается задача построения и реализации нейросетевых систем поддержки принятия решений, обеспечивающих заданную вероятность распознавания при фиксированных аппаратно-временных ограничениях, а также формирования разбиений множеств состояний объекта для качественной диагностики УЭЦН.

Доя преодоления проблемы высокой зашумленности и противоречивости исторических данных и сокращения временных затрат на обучение нейронной сети, предложен метод нейросетевой интерпретации жестких правил, основанный на применении метода дизъюнктивных нормальных форм (ДНФ).

В диссертации решается задача реализации вычисления логического выражения с применением формируемой в автоматизированном режиме нейронной сети, анализирующей входные параметры Аю, ¡0=1..кц, где к0 - количество входных параметров.

Для решения поставленной задачи оперативной диагностики состояния УЭЦН предлагается применить сети с 3 слоями, в виду того, что такие сети способны разграничивать области любой сложности.

В качестве функции активации выбирается биполярная пороговая, что позволяет понизить размерность сети и точно разграничить требуемые области. Для разделения данных на классы используются нейроны первого скрытого слоя Вц (разграничивающие плоскости) вида Вц=Аю-2и, ¡¡-¡..к,, гае к! - количество требуемых разграничивающих плоскостей. Для возможности использования невыпуклых областей используются нейроны второго скрытого слоя С!2, ¿2=где к] - количество требуемых дизъюнктов для реализации правил. В последнем слое нейронной сети находятся нейроны О. ,

'з

¡з=1..кз, гдекз -количество выходов нейронной сети.

~ веса нейронной сета, означающий вес от 3 нейрона в к-1 слое к / нейрона в & слое.

Ра(х) - пороговая функция активации, где Ра(х) = 1 при х>0, и -1 при х<0 Выходы нейронной сети (НС) рассчитываются по следующей формуле:

А =Л< I IV *Д< I IV *Рс( £ Ж *А.. ))), ¡3=1..к3. (7). '3 /2=1 3 2 /1=1 2 1 г0=1 М1''о 'о

Логические выражения задаются для каждого в виде дизъюнктивной нормальной формы (ДНФ):

ДНФ приводится к следующему виду: *3

= . и Д,, ^ (8),

3 1^=1 3 2 2 где Щм = 0, если Си не влияет на правило и Цг)Ыг = 1 в противном случае.

. 2 I

С. .= П = "

К,

2Л-'2

-1

U5, (9),

1

где W, W,

' . = 0, если В;] не влияет на дизъюнкт С,2, если Вц влияет на дизъюнкт Си, то

' . . =1, еслиВц>0 и =-1,еслиВп<0.

2-'г'\ 2 1

Величина Вц представляется в виде

В1 ш I А1 -2 (10)

Л <0 = ! о '-'г'о 'I

Задается смещение во всех слоях. Первый слой: IV,

к,

где

' =1-2'Z /(max. -min. ), (11)

м1'*0 1 0 0

,_■$,,я, , max¡o - максимальное значение параметра A¡0> míni0 - минимальное

°'jZxJ Ч'

значение параметра Aí0. Второй слой:

у

IV

+0.5, ¡2=1..к* (12)

Третий слой: *2

3 2 у = 1 ^'З'7

Основным преимуществом предложенного метода нейросетевой интерпретации априорных жестких правил о функционировании УЭЦН является возможность его применения в качестве эффективного метода кластеризации, с одной стороны, и метода классификации состояний УЭЦН в режиме реального времени, - с другой.

Для снижения времени обучения нейронной сети и повышения качества нейросетевой классификации предложен метод обработки данных в нейросетевом модуле с применением параллельных нейропроектов. Под нейропроектом следует понимать совокупность конфигурационных данных о нейронной сети, обученной на распознавание какого-либо отдельно взятого признака (типа ситуации или неисправности). Показано, что эффективным и оправданным организация процедуры обучения и распознавания диагностической информации нейросетевым модулем, построенным в виде конечного множества нейропроектов. Нейропроекты обучаются на "поиск своей неисправности", в режиме реального времени данные о режимах состоянии объекта (УЭЦН) на входы всех нейросетевых проектов, и параллельно обрабатываются. В итоге нейросетевой модуль может определять сразу несколько типов одновременно возникающих неисправностей, что является реальным при эксплуатации УЭЦН.

Для повышения качества входных данных и достоверности принимаемого нейронной сетью решения разработан метод извлечения правил из нейронной сети. Метод основан на преобразованиях, обратных операциям, описанным выше в методе нейросетевой интерпретации жестких правил функционирования сложного мехатронного объекта.

Нейрон выходного слоя Нейроны «торосо слоя

Нейроны первого слоя

Вхсиные данные нейросети

Рисунок 3- Организация нейронной сети для извлечения правил Согласно методу наименьших квадратов, минимизируемой целевой функцией ошибки нейронной сети является величина:

Е(*) = !О>/,"-^2> (14),

где у - реальное выходное состояние нейрона выходного слоя N при подаче на её входы Р-го образа; с1р - идеальное(желаемое) выходное состояние этого нейрона.

Суммирование ведется по всем обрабатываемым сетью образцам. Минимизация ведется методом градиентного спуска, что означает подстройку весовых коэффициентов следующим образом:

Здесь у/у - весовой коэффициент синаптической связи, соединяющей ^-й нейрон слоя (п) со связанным с ним ¡-м нейроном ^множества нейронов слоя п; г/ - коэффициент скорости обучения, 0<т?<1. Распишем второй множитель:

% <4 (16)'

Здесь под у! подразумевается выход нейрона а под - взвешенная сумма его входных

дЗ;.

сигналов, то есть аргумент активационной функции. Множитель равен выходу

нейрона предыдущего слоя у'"~1>. Первый множитель раскладывается следующим образом:

ду] ду] Тдук &кл (1?)

Здесь суммирование по к выполняется среди всех нейронов слоя (п+1) Введя новую переменную

(18),

мы получим рекурсивную формулу для расчетов величин > слоя п из величин ' более старшего слоя (п+1).

^ =

. (19).

5)Г>Ч*

Для выходного же слоя

(20).

Теперь мы можем записать формулу в раскрытом виде

V } ' (21).

Выход нейронной сети рассчитывается по формуле (1). Логические выражения извлекаются в виде дизъюнктивной нормальной формы (ДНФ). Используя выражение (2), получим множество конъюнктов, связанных с каждым дизъюнктом, по следующему правилу: если связь между соответствующими нейронами второго и третьего слоя

отсутствует или вес связи близок к нулю или меньше нуля - то конъюнкт не

используется в этом дизъюнкте. Используя формулу (3), получим связь гиперплоскостей

и конъюнктов. Если связь между соответствующими нейронами первого и второго слоев

отсутствует или вес связи близок к нулю, то гиперплоскость В. не влияет на дизъюнкт

'1

С. . Если вес связи больше нуля, то гиперплоскость будет вида Х>С. Если вес связи '2

меньше нуля, то гиперплоскость будет видаА'<=С. Гиперплоскость В. получаем по формуле: '1

\ _ г (22).

Таким образом получаем правила вида ((Х{>21 && Х2>22)\\(Х2<=13 && Хр-Х^), где X-параметры состояния объекта, Ъ- граничные значения параметров.

Для повышения качества оперативной диагностики состояния сложного мехатронного объекта и определения тенденции развития ситуации предложен метод одновременного применения обучаемых и необучаемых нейронных сетей. Основой данного метода является организация нейросетевого модуля, предназначенного для анализа оперативных данных в режиме реального времени, с использованием нейронных сетей указанных выше типов. Такая организация является эффективным инструментом обработки данных в жестких временных рамках:

- необучаемая нейронная сеть с пороговой функцией активации является эффективным классификатором состояний по имеющимся правилам, отличающимся высоким быстродействием за счет нейросетевого параллельного характера обработки данных (определяет текущее состояние);

- обучаемая нейронная сеть (нейросетевые проекты) классифицируют состояние с учетом априорных данных (определяют тенденцию), что является эффективным инструментом предупреждения наступления отказов.

Таким образом, использование указанных типов НС в комплексе является эффективным инструментом диагностики оперативного состояния УЭЦН в режиме реального времени.

Третья глава посвящена разработке методики решения задачи диагностики состояний сложных мехатронных объектов нефтегазодобычи с применением новых методов, йрёДложенных в главе 2.

На рисунке 4 представлена последовательность выполняемых операций в рамках разработанной методики.

Постанови* анШэ входных данньк :

Конфигурирование вхОДНЬ» и выходных параметров

......—а; .

: Предварительная обработка дяцйй (клйсТвризацля, р^биеййв йв ¡¡Пассы лутвм пороговой нвйррннОй сети, используя имеющиеся?№*ния

Рисунок 4 - Методика диагностики состояния сложных мехатронных объектов нефтегазодобычи

1°. Постановка задачи, анализ входных данных. Производится анализ предметной области, специфики поставленной задачи диагностики состояния объекта анализа.

2 Извлечение новых правил. Производится извлечение новых правил по методу, описанному в предыдущей главе.

3°. Конфигурирование входных и выходных параметров. Определяется номенклатура параметров для анализа, общий список диагностируемых неисправностей. Приводятся параметры, но показаниям которых диагностируется каждая неисправность из общего списка неисправностей.

4°. Предварительная обработка данных. Производится обработка накопленных исторических данных о работе сложного мехатронного объекта, а именно, кластеризация при помощи метода нейросетевой интерпретации априорных правил, описанного в предыдущей главе, также кластеризация классическими методами к-теапв и &ге1.

5°. Формирование выборок обучающих примеров. В результате проведения процедур п.4 априорные данные разбиваются в соответствии с требуемой классификацией, тем самым образуя массив выборок обучающих примеров. Половина данных, прошедших процедуру п.4, отбираются для тестовой выборки.

6°. Обучение нейронной сети методом ОРО. Производится обучение нейронной сети каждого нейросетевого проекта методом ОРО, до тех пор, пока уровень суммарной ошибки превышает 0,2.

7°. Контроль качества обучения. Если не достигается требуемый уровень качества обучения (более 97% правильно распознанных записей в тестовой выборке), переход к п.5. иначе - переход к п.8.

8°. Мониторинг в режиме реального времени. Распознавание новых данных в режиме реального времени с применением метода одновременного применения обучаемых и необучаемых нейронных сетей. На этом же этапе производится процедура извлечения правил п.2

9°. Контроль качества распознавания. Корректировка решений, предлагаемых пользователю нейронной сетью. Если ЛПР (эксперта) не удовлетворяет качество распознавания, то переход к. п. 5°, иначе - переход к п. 10

10°. Запись результатов в базу данных. Данные записываются в БД и в д&чьнейшем используются для переобучения нейросетевых проектов.

Каждый из блоков приведенной выше схемы реализовывается при помоши алгоритмов, описание которых излагается в главе. В частности, рисунки 5 и 6 отображают алгоритмы процедур подготовки данных для обучения и непосредственно.

;

Рисунок 6- Алгоритм процедуры обучения

Рисунок 5 - Алгоритм подготовки данных для обучения

Установит^- 1. раамер;тй<у1цвй: обучающей;

Обучить, ' используя. ■■■' текущую: рбучаедукз.

количество-¿Образцова

[ кластеризовать Обучающую - ■ : выборку до К . образце"

сохранить полученную

Для проверки правильности разработанной методики и алгоритмов был разработан комплект программ, который подтвердил их эффективность. В качестве входных данных использовалась статистическая информация, находящаяся в открытом доступе в сети internet.

С учетом результатов экспериментов в диссертации сформулированы требования к данным, отбираемым для обучения нейросетевых проектов, соблюдение которых позволяет сократить время обучения до достижения требуемого уровня качества. повысить качесгво классификации; уменьшить минимальное количество обучающих примеров до 100 примеров на один обучающий признак.

Четвертая глава посвящена разработке программных средств пейросетевой СППР операторов УЭЦН (СППР "УЭЦН-НС") для проверки правильности и эффективности разработанных методов и подходов в реальных производственных условиях. Приводится краткое описание разработанной и внедренной в промышленную эксплуатацию СППР, а также результаты эффективности ее использования. На рисунке 7 изображена архитектура разработанной СППР.

Сервер приложений «Альфа-УЭЦН»

Сервер приложений «УЭЦН-НС»

• I Обученная - Подсистема j; нейронная I оНайрозхстерт» ; сеть

Результаты распознавания

____ , ..Л . .

Бм» ВХОДНОГО ХОНТрОЛй

Данные для нейросетевого анализа

Откорректированные данные

Обучающие выборки

АРМЛПР

Просмотр результатов анализа

Корректировка реаупьтэтоз анализа

АРМЭТ у

Анализ данных для обучения

Кластеризация Создание обучающих выборок

Подсистема «Нейрозкопвртi>

Анализ обучающих , [____выборок^ ___,

: - нейронной сети

Обучение нейронной сета

Анализ качества обучения

Рисунок 7- Архитектура CI1ПР "УЭЦН-НС"

В диссертации приводятся основные принципы функционирования разработанной пейросетевой СППР. Эксперт-технолог определяет общий список параметров для анализа работы УЭЦН и общий список неисправностей, определяет параметры, по которым определяется каждый тип неисправности и формирует правила определения каждого типа неисправности. Эти правила поступают в подсистему "Нейроэксперт"

(необучаемая нейронная сеть (см. глава 2 - метод нейросетевой интерпретации жестких правил), и на их основе происходит разбиение всего имеющегося массива информации по УЭЦН по режимам функционирования УЭЦН ("в норме" - "отклонение") и по типам неисправностей согласно общему списку неисправностей, утвержденному экспертом-технологом. Предварительно обработанные данные в рамках заданных разбиений на обучающие классы образуют массив выборок обучающих примеров и используются для обучения нейронной сети.

Инженер по знаниям формирует конфигурацию нейронной сети и производит обучение до требуемого уровня качества. Б модуле "Анализатор" данные обрабатываются как подсистемой "Нейроэксперт". так и обученной нейронной сетью. Результаты двойственного анализа поступают на монитор лица, принимающего решения (ЛПР). При необходимости, ЛПР производит корректировку результатов анализа, сопровождая ее комментариями. На рисунках 8 и 9 изображены некоторые экранные формы разработанной СППР.

Ми^тчОЮС®®*» О&бГС соо-а «кмгро»' Рггикрсгя <И>>'гр,1

Я150'. Согрет.« т* изойуии С ;$»«

До&е'лс | ЧН_2М1.<»\Се>е« М£ВЧЯИС.<Км ие.и.ЮМ : ¡.

1

чс'мш ЬЕПЛ.ЬМОГ.Гн'К ммдоид 1; , 1' • • 1 ;

ЮРЕР...К-. соа, 105Т НИМ 7Н' Н.ЕСЧ.МИ.-НВ'К'АМ ¡опъ |

"|.ЕСМ.ДКЬ • Ю1Е к 1: ; 1'

Н'иекгр; . |....................

Рисунок 8 - Автоматизированное рабочее место эксперта-технолога (корректировка общег о списка параметров и неисправностей)

Рисунок 9 - Автоматизированное рабочее место лица, принимающего решения (работа с

данными)

Разработанная система успешно внедрена в промышленную эксплуатацию в ОАО "Сургутнефтегаз", что подтверждается соответствующим актом внедрения. За период промышленной эксплуатации при помощи СППР "УЭЦН-НС" было выявлено несколько десятков неисправностей в работе погружного оборудования, что позволило избежать отказов УЭЦН и. соответственно, убытков, обусловленных затратами на ремонт оборудования, повторный вывод скважины на режим и потерями от незапланированного простоя в производственном процессе добычи нефти.

В заключении сформулированы основные результаты, полученные автором в ходе работы над диссертацией.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

В диссертационной работе решена актуальная научно-техническая задача разработки методов и средств систем поддержки принятия решений для оперативной диагностики состояния УЭЦН на основе применения технологии искусственных нейронных сетей, достигнута цель сокращения числа отказов мехатронного комплекса фонда УЭЦН.

При этом получены научные и практические результаты:

- проведен анализ существующих методов диагностики состояния мехатронных объектов нефтегазодобывающей отрасли, обоснована необходимость применения нейросетевого аппарата обработки информации;

- научно обосновано положение о том, что существует разбиение множества состояний мехатронного объекта на пересекающиеся подмножества признаков состояния, каждое из которых распознается отдельной нейронной сетью, такое, что при фиксированных аппаратных затратах позволяет распознавать состояние мехатронного объекта на основе конъюнктивной сборки с заданной вероятностью;

- разработан новый метод нейросетевой интерпретации априорных зависимостей функционирования сложного мехатронного объекта, основанный на применении метода ДНФ, позволяющий решить проблему высокой зашумленности и противоречивости исторических данных для обучения нейронной сети;

- разработан метод извлечения правил при помощи нейронной сети, позволяющий повысить качество входных данных и достоверности принимаемого нейронной сетью решения;

- разработана организационная структура нейросетевого модуля в виде параллельно функционирующих нейронных сетей, позволяющая производить процедуру оперативной диагностики состояния УЭЦН в реальном времени;

- разработана методика и алгоритмы оперативной диагностики состояния

сложнйх мехатронных объектов нефтегазодобычи различного назначения; • ______

- разработаны программные средства СППР УЭЦН-НС в виде клиент- ' серверного приложения; данная СППР успешно внедрена в промышленную эксплуатацию в ОАО "Сургутнефтегаз", это внедрение позволило (за период промышленной эксплуатации) достичь высокого экономического эффекта за счет сокращения числа отказов оборудования и уменьшить время обработки диагностической информации в 5-6 по сравнению с ранее использовавшейся аналогичной системой, реализованной на основе жестких алгоритмов.

Внедрение основных результатов ■ диссертации подтверждается соответствующими актами внедрения.

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Коровин Я.С. Система поддержки принятия решений по контролю состояния УЭЦН на основе нейронной сети: архитектура, реализация, перспективы [Текст] /Коровин Я.С. //Нефтяное хозяйство. - Изд-во "Нефтяное хозяйство" -2007. -№1. - с. 8085.

2. Коровин Я.С. Принципы построения мультинейроагентных систем поддержки принятия решения для управления технологическими процессами нефтегазодобывающих предприятий. [Текст] /Fалуев Г.А., Коровин С.Я., Коровин Я.С. //Нейрокомпьютеры. Разработка и применение? - М.: Изд-во "Радиотехника" - 2006. -№4-5-с.116-122.

3. Korovin Y.S. Intellectual decisión adoption support systems for technological processes management in oil/gas production industry on the basis of neuronetwork and multiagent technologies usage. [Text] / Galuyev G.A., Korovin S.Y., Korovin Y.S. //Optical Memory and Neural Networks. - New York, USA, "Allerton Press" - 2006 - № 3 - p. 179-185.

4. Koroyin Y.S. Oil & Gas Production Enterprises Technological Processes Management On The Multineuroagent Decisión Adoption Support System Basis. [Text] /Galuyev G.A., Korovin S.Y., Korovin Y.S, Matveev S.N. //Optical Memory and Neural Networks. - New York, USA, "Allerton Press" - 2006 - № 4 - р. 150-157.

5. Коровин Я.С. Мультинейроагентная система поддержки принятия решений для управления технологическими процессами нефтегазодобывающих предприятий. [Текст]

/Галуев P.A., Коровин Я.С. //Известия ТРТУ. Тематический выпуск "Интеллектуальные и многопроцессорные системы". - Таганрог, Изд-во ТРТУ.- 2005. - № 10 (54) - с. 108 -115.

6. Коровин Я.С. Методика определения типов неисправностей в работе технологического оборудования нефтегазодобывающих предприятий и ее нейросетевая реализация. [Текст] /Коровин Я.С., Шипика A.B. //Материалы Второй Международной научной молодежной школы "Нейроинформатика и системы ассоциативной памяти". -Таганрог: Изд-во ТРТУ - 2006- с.158-161.

7. Коровин Я.С. Особенности внедрения системы поддержки принятия решений по контролю состояния установок электроцентробежных насосов на основе нейронной сети: практические результаты, перспективы развития. [Текст] /Коровин Я.С. //Известия ТРТУ, Изд-во ТРТУ. -2007,- №1 - с.82-88.

8. Коровин Я.С. Нейросетевой подход к управлению мехатронным комплексом технологического оборудования нефтегазодобывающей отрасли. [Текст] /Я.С. Коровин.//Сб. материалов Международной научно-технической выставки- конгресса "Мехатроника и робототехника" (МиР-2007). Санкт-Петербург. -2007 - с.81-83.

9. Коровин Я.С. Самообучаемая реконфигурируемая система поддержки принятия решений по контролю состояния установок электроцентробежных насосов на основе нейронной сети./Я.С. Коровин. //Свидетельство о государственной регистрации программы для ЭВМ. № 2008613119 от 27.06.2008 - 2008..

ЛР №020565 от 23 июня 1997г. Подписано к печати 23.07.2009 г. Формат 60х84шб. Бумага офсетная. Печать офсетная. Усл. п.л. -1,0. Уч.-изд.л. - 0,9. Заказ Тираж 100 экз.

ГСП 17А, Таганрог, 28, Некрасовский, 44 Типография Таганрогского Технологического института Южного федерального университета в г.Таганроге

СОДЕРЖАНИЕ.

СПИСОК ОСНОВНЫХ СОКРАЩЕНИЙ.

ВВЕДЕНИЕ.

ГЛАВА 1. СОВРЕМЕННЫЕ МЕТОДЫ И СРЕДСТВА ОПЕРАТИВНОЙ ДИАГНОСТИКИ СОСТОЯНИЯ УСТАНОВОК

ЭЛЕКТРОЦЕНТРОБЕЖНЫХ НАСОСОВ.

1.1. Мехатронные системы и мехатронные объекты нефтегазодобычи.

1.2. Общие сведения о добыче нефти.

1.2.1. Фонтанный способ добычи нефти.

1.2.2. Газлифтный способ добычи нефти.

1.2.3. Добыча нефти с применением скважинных штанговых насосных установок.

1.2.4. Добыча нефти установками электроприводных диафрагменных насосов.

1.2.5. Добыча нефти установками электровинтовых насосов.

1.2.6. Добыча нефти установками электроприводного центробежного насоса.

1.3. Состав установки электроцентробежных насосов (УЭЦН).

1.3.1. Параметры, характеризующие режимы функционирования УЭЦН.

1.3.2. Неисправности, возникающие в режимах функционирования УЭЦН.

1.4. Методы оперативной диагностики УЭЦН, применяющиеся на предприятиях нефтедобывающего комплекса в РФ.

1.5. Системы поддержки принятия решений.

1.5.1. Общие сведения, определение понятия.

1.5.2. Требования к инструменту обработки информации в разрабатываемой СППР.

1.5.3. Современные методы интеллектуального анализа данных.

1.6. Выводы.

ГЛАВА 2. РАЗРАБОТКА НЕЙРОСЕТЕВЫХ МЕТОДОВ ОБРАБОТКИ ОПЕРАТИВНЫХ ДАННЫХ О СОСТОЯНИИ УЭЦН.

2.1. Искусственные нейронные сети.

2.1.1. Особенности нейронных сетей. Основные нейропарадигмы.

2.1.2. Схема функциональной структуры нейронной сети.

2.1.3. Алгоритм функционирования нейронной сети.

2.1.4. Недостатки классических нейросетевых методов и подходов в условиях решения задачи оперативной диагностики состояния УЭЦН.

2.2. Теорема о разбиении множества состояний мехатронного объекта на пересекающиеся подмножества признаков состояния.

2.3. Метод нейросетевой интерпретации жестких правил.

2.4. Метод обработки данных в нейросетевом модуле с применением параллельных нейропроектов.

2.5. Метод извлечения правил из нейронной сети.

2.6. Метод одновременного применения обучаемых и необучаемых нейронных сетей.

2.7. Выводы.

ГЛАВА 3. НЕЙРОСЕТЕВАЯ МЕТОДИКА ОПЕРАТИВНОЙ ДИАГНОСТИКИ СОСТОЯНИЯ СЛОЖНОГО МЕХАТРОННОГО

ОБЪЕКТА НЕФТЕГАЗОДОБЫЧИ.

3.1. Обобщенная схема последовательности выполняемых процедур.

3.1.1. Постановка задачи, анализ входных данных.

3.1.2. Алгоритм процедуры извлечения новых правил о мехатронном объекте нефтегазодобычи.

3.1.3. Конфигурирование входных и выходных параметров.

3.1.3.1. Алгоритм реорганизации распознаваемых классов.

3.1.4. Предварительная обработка данных.

3.1.4.1. Алгоритм кластеризации к-теапБ.

3.1.4.2. Алгоритм ГОБШЬ.

3.1.4.3. Алгоритм ГО!ШЬ-2.

3.1.5. Формирование выборок обучающих примеров.

3.1.6. Обучение нейронной сети.

3.1.6.1. Алгоритм обучения нейронной сети.

3.1.6.2. Алгоритм автоматизированной процедуры самообучения нейросетевого модуля.

3.1.7. Мониторинг в режиме реального времени.

3.2. Выводы.

ГЛАВА 4. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ НА ОСНОВЕ НЕЙРОННОЙ СЕТИ ДЛЯ ОПЕРАТИВНОЙ ДИАГНОСТИКИ СОСТОЯНИЯ УЭЦН.

4.1. Архитектура СППР УЭЦН-НС.

4.2. Параметры, использованные для обучения нейронных сетей, и классифицируемые неисправности УЭЦН.

4.3. Взаимосвязи между данными внутри информационной базы.

4.4. Пример реализации метода нейросетевой интерпретации жестких алгоритмов.

4.5. Основные экранные формы СППР "УЭЦН-НС".

4.6. Форматы протоколов и отчетов программы.

4.7. Общий алгоритм работы программы.

4.8. Практические результаты на данном этапе. Перспективы развития

ПК СППР "УЭЦН-НС".

4.9. Выводы.

В настоящее время наблюдается постоянный рост сложности мехатронных комплексов, систем и объектов, в первую очередь, задействованных в критических областях деятельности, таких как атомная энергетика, нефтегазодобывающий комплекс, авиационная и оборонная промышленности, транспорт и т.п., что ставит совершенно новые требования по обеспечению безопасности и эффективности их функционирования.

В условиях современного уровня развития экономики Российской Федерации особое место среди таких отраслей занимает стратегически важная нефтегазодобывающая отрасль. Неисправности, отказы, аварии, возникающие в непрерывном процессе добычи нефти и газа, влекут за собой тяжелые экономические и экологические последствия.

Нефтегазодобывающий производственный процесс осуществляется за счет функционирования комплекса добывающего оборудования, представляющего собой совокупность мехатронных объектов различной степени сложности.

- Центральное место среди сложных мехатронных объектов нефтедобычи занимают установки электроцентробежных электроприводных центробежных) насосов (УЭЦН), применяющиеся для извлечения продукции на высокодебитовых скважинах [1]. Отказы в режимах функционирования УЭЦН являются основной причиной незапланированных внутрисменных простоев добывающего фонда скважин, что приводит к значительным материальным потерям.

В настоящее время качество и оперативность принимаемого диагностического решения о состоянии УЭЦН в значительной степени зависит от квалификации оператора (технолога нефтегазодобывающего управления, оператора цеха, инженера центральной технологической службы).

Учитывая большую номенклатуру анализируемых параметров и, как правило, огромные объемы анализируемой информации о режимах функционирования УЭЦН, вероятность ошибки оценки его состояния и непринятия оператором соответствующего оперативного управленческого решения достаточна велика.

В этой связи актуальной выступает задача разработки автоматизированной системы поддержки принятия решений (СППР) операторов УЭЦН нефтедобывающих скважин.

Целью диссертационной работы является сокращение числа отказов мехатронного комплекса фонда электроцентробежных насосов нефтедобывающих скважин за счет оперативной диагностики их состояния.

С учетом особенностей предметной области методы и подходы, применяемые в СППР операторов УЭЦН, должны обеспечивать качественную обработку диагностической информации в жестких временных рамках в условиях неполноты и противоречивости поступающих данных.

Данным требованиям соответствуют нейросетевые технологии анализа информации как наиболее эффективный метод обработки оперативных данных в многопараметрических, трудно формализуемых условиях нефтегазодобывающей отрасли [2,3,4].

В этой связи актуальная научная задача, решению которой посвящена диссертация, - разработка новых методов и средств оперативной диагностики состояния УЭЦН нефтегазодобывающей отрасли на основе технологии искусственных нейронных сетей.

Для достижения поставленной цели необходимо решить следующие задачи:

- провести анализ существующих систем диагностики состояния УЭЦН нефтегазодобывающей отрасли для определения недостатков применяемых в них методов и подходов;

- обосновать целесообразность разработки автоматизированной нейросетевой системы поддержки принятия решений (СППР) операторов УЭЦН нефтедобывающих скважин;

- провести анализ существующих нейросетевых методов и алгоритмов обработки информации на предмет их эффективности в условиях соблюдения требований обеспечения качественной диагностики состояния УЭЦН в режиме реального времени;

- модифицировать существующие и разработать новые нейросетевые методы анализа данных для их применения в разрабатываемой СППР;

- разработать методику оперативной диагностики состояния УЭЦН;

- разработать архитектуру и основные принципы функционирования автоматизированной нейросетевой СППР для оперативной диагностики состояния УЭЦН;

- программно реализовать предлагаемые методы и экспериментально исследовать эффективность их применения в реальных производственных условиях.

Объект исследования — нейросетевая система поддержки принятия решений операторов УЭЦН нефтедобывающих скважин.

Методы исследований основаны на теории мехатроники и робототехники, теории экспертных систем, теории множеств, теории системного анализа, теории вероятности, методах интеллектуального и кластерного анализа данных.

Достоверность и обоснованность научных исследований подтверждается практически полным совпадением теоретических положений с результатами испытаний созданного на их основе промышленного образца СППР для диагностики состояния установок ЭЦН, а также апробацией полученных научных результатов на международных и всероссийских конференциях[3-9].

Научная новизна полученных в диссертации результатов состоит в следующем:

- научно обосновано положение, что существует разбиение множества состояний мехатронного объекта на пересекающиеся подмножества признаков состояния, каждое из которых распознается отдельной нейронной сетью, такое, что при фиксированных аппаратных затратах позволяет распознавать состояние мехатронного объекта на основе конъюнктивной сборки с заданной вероятностью;

- разработан метод определения конфигурации нейронной сети, отличающийся тем, что определение конфигурации архитектуры нейронной сети с соответствующими весовыми коэффициентами осуществляется с применением метода дизъюнкивных нормальных форм, что позволяет производить нейросетевую интерпретацию априорных правил о функционировании мехатронного объекта;

- разработан метод извлечения правил из нейронной сети, отличающийся тем, что позволяет извлекать новые неизвестные закономерности (правила) о функционировании УЭЦН по результатам нейросетевой обработки;

- разработана методика оперативной диагностики состояния мехатронных объектов нефтегазодобычи на основе технологии нейронных сетей, позволяющая качественно оценивать состояние оборудования;

- разработана архитектура нейросетевой СППР операторов УЭЦН, отличающаяся тем, что анализ данных производится при одновременном использовании нейронной сети, обучаемой методом обратного распространения ошибки, и необучаемой нейронной сети с пороговой функцией активации, что позволяет в режиме реального времени производить диагностику текущего состояния мехатронного объекта с определением тенденции развития ситуации.

10

Новизна полученных результатов подтверждается отсутствием аналогичных результатов в открытых доступных источниках.

Положения и результаты, выносимые на защиту:

1. нейросетевая система поддержки принятия решений операторов УЭЦН нефтедобывающих скважин позволяет сократить число отказов в работе погружного оборудования за счет оперативной диагностики состояния УЭЦН;

2. существует разбиение множества состояний мехатронного объекта на пересекающиеся подмножества признаков состояния, каждое из которых распознается отдельной нейронной сетью, такое, что при фиксированных аппаратных затратах позволяет распознавать состояние мехатронного объекта на основе конъюнктивной сборки с заданной вероятностью;

3. метод нейросетевой интерпретации жестких правил о функционировании сложного мехатронного объекта.

4. методика оперативной диагностики состояния мехатронных объектов нефтегазодобычи на основе технологии нейронных сетей.

Научная и практическая ценность полученных в диссертации результатов состоит в разработке формальной методики диагностики оперативного состояния УЭЦН на основе технологии искусственных нейронных сетей.

Созданные на основе данной методики архитектура и программная реализация нейросетевой СГЕПР операторов УЭЦН [3-5] позволяют решать задачу оперативного предупреждения наступления отказов в режимах функционирования погружного оборудования с высоким качеством обработки данных и быстродействием в 5-6 раз выше аналогичных систем, построенных на жестких алгоритмах, что позволяет операторам принимать соответствующее управляющее решение.

Реализация результатов работы. Программный комплекс "УЭЦН-НС" (ПК СППР "УЭЦН-НС"), разработанный в рамках х/д №555221 от

01.09.2005 г. (шифр "Альфа") между НИИ МВС ТРТУ (в настоящее время НИИ МВС ЮФУ) и ОАО "Сургутнефтегаз" успешно внедрен в промышленную эксплуатацию в нефтегазодобывающих управлениях ОАО "Сургутнефтегаз" в 2006 году. Данный- программный комплекс выполняет функции оперативной диагностики состояния* УЭЦН путем проведения нейросетевого анализа данных о его функционировании, поступающих по каналам телеметрии, данных технологических замеров- и иных параметров

3].

За период промышленной эксплуатации СППР "УЭЦН-НС" был предотвращен ряд отказов оборудования, что позволило исключить высокие экономические потери, обусловленные затратами на демонтаж, ремонт ЭЦН, повторный запуск и вывод скважин на режим, а также убытками от незапланированного простоя единиц добывающего фонда [3].

Апробация работы.

Результаты диссертационной работы использовались: -в НИР "Разработка самообучаемой реконфигурируемой системы поддержки принятия решений по контролю состояния установок электроцентробежных насосов на основе нейронной сети" (№ 00-07-71), проведенного в рамках программы Президиума РАН "Поддержки инноваций и разработок";

-в НИР "Разработка и исследование методов и средств повышения безопасности и эффективности функционирования распределенных информационно-управляющих систем сложных технических объектов" (№г/р 01200852701) в рамках ФЦП "Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2007-2012 годы";

-в НИР "Разработка и исследование методов и алгоритмов создания интеллектуальных функциональных компонентов отказоустойчивых распределенных информационно-управляющих систем (РИУС) (№г/р

01200953310) в рамках аналитической ведомственной целевой программы "Развитие научного потенциала научной школы (2009-2010)".

Основные положения диссертационной работы докладывались и получили одобрение на:

- Международной научной конференции "Интеллектуальные и многопроцессорные системы (ИМС-2005)" (с. Дивноморское, Россия, 2005 г.);

- Международной научной конференции "Искусственный интеллект. Интеллектуальные и многопроцессорные системы (ИМС-2006)" (с. Кацивели, Украина, 2006);

- Международной научной мультиконференции "Мехатроника, автоматизация, управление (МАУ-2007)" (с. Дивноморское, Россия, 2007 г.);

- Научно-технической конференции "Высокопроизводительные вычислительные системы (ВПВС-2008)" (г. Таганрог, Россия, 2008);

- на II, III и IV Ежегодной научной конференции студентов и аспирантов базовых кафедр Южного научного центра (ЮНЦ) Российской академии наук (РАН) (2006, 2007, 2008 гг., г. Ростов- на-Дону);

- на II Всероссийской Школе-семинаре молодых ученых "Управление большими системами" (2007, г. Воронеж);

- на Научно-технической Школе-семинаре по мехатронике и робототехнике (Санкт-Петербург, Россия, 2007 г.).

Несколько докладов были выделены как лучшие и были отмечены призовыми местами.

Публикации. По теме диссертации опубликованы 16 работ, из которых 7 статей в ведущих научных отечественных журналах и зарубежных изданиях (включенных в перечень ВАК); 2 статьи опубликованы автором единолично, опубликовано 8 тезисов докладов, получено 1 свидетельство об официальной регистрации программы для ЭВМ.

Структура и объем диссертации. Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложений.

4.9. Выводы.

В Главе 4 приведено описание программной реализации системы поддержки принятия решений иа основе нейронной сети для контроля диагностического состояния установок электроцентробежных насосов нефтедобывающих скважин [102].

Разработанная СППР представляет собой клиент-серверное приложение, с пользователями, разделенными в соответствии с тремя категориями доступа (эксперт-технолог, инженер по знаниям и лицо, принимающее решения) и выполняющими в соответствии с данными категориями доступа определенные функции (подготовка данных для обучения нейронной сети, обучение нейронной сети, мониторинг состояния фонда УЭЦН).

В данной системе реализованы новые методы, подходы и алгоритмы, приведенные в предыдущих главах.

Мониторинг в режиме реального времени производится при помощи параллельно функционирующих нейронных сетей с разной организационной структурой.

СППР "УЭЦН-НС" успешно внедрена в промышленную эксплуатацию в ОАО "Сургутнефтегаз", что подтверждается соответствующим актом внедрения.

За период промышленной эксплуатации системой было выявлено несколько десятков неисправностей, в результате оперативно проведенных мероприятий были предотвращены отказы оборудования, что позволило избежать больших экономических потерь.

Система обеспечивает высокое качество классификации состояний УЭЦН за время в 5-6 раз быстрее по сравнению с системой, построенной на множестве продукционных правил.

ЗАКЛЮЧЕНИЕ

В диссертационной работе решена актуальная научно-техническая задача разработки методов и средств систем поддержки принятия решений для оперативной диагностики состояния УЭЦН на основе применения технологии искусственных нейронных сетей, достигнута цель сокращения числа отказов мехатронного комплекса фонда УЭЦН.

При этом получены научные и практические результаты:

- проведен анализ существующих методов диагностики состояния мехатронных объектов нефтегазодобывающей отрасли, обоснована необходимость применения нейросетевого аппарата обработки информации;

- научно обосновано положение о том, что существует разбиение множества состояний мехатронного объекта на пересекающиеся подмножества признаков состояния, каждое из которых распознается отдельной нейронной сетью, такое, что при фиксированных аппаратных затратах позволяет распознавать состояние мехатронного объекта на основе конъюнктивной сборки с заданной вероятностью;

- разработан новый метод нейросетевой интерпретации априорных зависимостей функционирования сложного мехатронного объекта, основанный на применении метода ДНФ, позволяющий решить проблему высокой зашумленности и противоречивости исторических данных для обучения нейронной сети;

- разработан метод извлечения правил при помощи нейронной сети, позволяющий повысить качество входных данных и достоверности принимаемого нейронной сетью решения;

- разработана организационная структура нейросетевого модуля в виде параллельно функционирующих нейронных сетей, позволяющая производить процедуру оперативной диагностики состояния УЭЦН в реальном времени;

- разработана методика и алгоритмы оперативной диагностики состояния сложных мехатронных объектов нефтегазодобычи различного назначения;

- разработаны программные средства СППР УЭЦН-НС в виде клиент-серверного приложения; данная СППР успешно внедрена в промышленную эксплуатацию в ОАО "Сургутнефтегаз", это внедрение позволило (за период промышленной эксплуатации) достичь высокого экономического эффекта за счет сокращения числа отказов оборудования и уменьшить время обработки диагностической информации в 5-6 по сравнению с ранее использовавшейся аналогичной системой, реализованной на основе жестких алгоритмов.

Внедрение основных результатов диссертации подтверждается соответствующими актами внедрения.

1. Матвеев Н.И. Классификатор параметров контроллеров станций управления. КП 37-001-03. / Матвеев Н.И. // Сургут, изд-во "Сургутнефтегаз", - 2007. - 114 с.

2. Коровин Я.С. Система поддержки принятия решений по контролю состояния УЭЦН на основе нейронной сети: архитектура, реализация, перспективы /Коровин Я.С. //Нефтяное хозяйство. — Изд-во "Нефтяное хозяйство" -2007. -№1. с. 80-85.

3. Korovin Y.S. Intellectual decision adoption support systems for technological processes management in oil/gas production industry on the basis of neuronetwork and multiagent technologies usage. / Galuyev G.A., Korovin

4. Y., Korovin Y.S. //Optical Memory and Neural Networks. New York, USA, "Allerton Press" - 2006 - № 3 - p.179-185.

5. Подураев Ю.В., Кулешов B.C. Принципы построения и современные тенденции развития мехатронных систем /Подураев Ю.В., Кулешов В.С // Мехатроника. -2000 №1. - С.5-10.

6. П.Мухин В.И. Исследование систем управления /В.И. Мухин. М.: Экзамен, 2002.-384 с.

7. Богачев Ю.П., Мехатронные модули движения-приводы машин нового поколения /Богачев Ю.П., Петриченко В.Н.// Приводная техника, № 1,1997.

8. Волкова В.А. Основы теории систем и системного анализа /Волкова В .А., Денисов A.A.// СПб.: Изд. СПб ГТУ, 2002;

9. Клиланд, Д. Системный анализ и целевое управление /Д. Клиланд, В. Кинг.// М.: Сов. радио, 1974. - 280 с

10. Юревич Е.И. Основы робототехники. 2-е издание. / Юревич Е.И.

11. СПб.: БХВ-Петербург, 2005.-416 с.

12. Сапожников В.В. Техническая эксплуатация устройств и систем железнодорожной автоматики и телемеханики Текст.: уч. пособие /В.В. Сапожников [и др.] М.: Маршрут, 2003. - 336 с.

13. Борисов В.В. Компьютерная поддержка сложных организационно-технических систем /Борисов В.В., Бычков В.А., Дементьев А.В., Соловьев А.П.// М.: Изд. "Горячая линия - Телеком", 2002.

14. Е. Russel. Management Misinformation Systems /E.Riissel, Ackoff// Management Sciene, December 1967. P. 147.

15. Бурков, B.H. Как управлять организациями. /В.Н.Бурков, Д.А.Новиков.// M: Синтег, 2004. - 400 с.

16. Трахтенгерц, Э. А. Компьютерная поддержка принятия решений: Научно-практическое издание. Серия "Информатизация России на пороге XXI века" /Э.А.Трахтенгерц// М.: СИНТЕГ, 1998. - 375 с

17. Little I.D.C. Models and Managers: The Concept of a Decision Calculus // Management Science, 1970. v. 16. -N 8.

18. Power D. J. Web-based and model-driven decision support systems: concepts and issues /Power D. J// Americas Conference on Information Systems, Long Beach, California, 2000

19. Marakas G. M. Decision support systems in the twenty-first century /Marakas G. M.// Upper Saddle River, N.J.: Prentice Hall, 1999.

20. Little I.D.C. Models and Managers: The Concept of a Decision Calculus /Little I.D.C.// Management Science, 1970. v. 16. - N 8.

21. Parsaye K. Surveying Decision Support: New Realms of Analysis Database Programming and Design /Parsaye K.// 1996. № 4.

22. Ginzberg M.S. Decision Support Systems: Issues and Perspectives /Ginzberg M.S., Stohr E.A.//

23. Power D. J. Web-based and model-driven decision support systems: concepts and issues /Power D. J.// Americas Conference on Information

24. Systems, Long Beach, California, 2000

25. Inmon W.H.Using the Data Warehouse 1994 / Inmon W.H., Hackthorn R.// Ситник В.Ф Системи пщтримки прийняття piiueiib К.: Техшка, 1995

26. Power D. J. Web-based and model-driven decision support systems: concepts and issues /Power D. J.// Americas Conference on Information Systems, Long Beach, California, 2000

27. Marakas G. M. Decision support systems in the twenty-first century /Marakas G. MM Upper Saddle River, N .J.: Prentice Hall, 1999.

28. Чаудхури Сураджит. Технология баз данных в системах поддержки принятия решений Текст. / Сураджит Чаудхури, Умешвар Дайал, Венкатеш Гаити // Открытые системы, 2002, №1.

29. Материалы открытого образовательного интернет портала www.intuit.ru

30. Головко, В.А. Нейронные сети: обучение, организация и применение /Головко, В .А. //- М.: ИПРЖР, 2001

31. McCulloch W., Pitts W. A logical calculus of ideas immanent in neurvous activity /McCulloch W., Pitts W. A // Bull. Math. Biophis, №5, 1943.-p.115-133.

32. Уоссерман Ф. Нейрокомпьютерная техника / Уоссерман Ф. // Москва, Мир, 1992

33. P. Patrick. Minimisation methods for training feedforward Neural Networks. / P. Patrick. // NEUARAL NETWORKS, 1994, Volume 7, Number 1, P. 1-11.

34. Нейронные сети. STATISTICA Neural Networks.// M.: Горячая линия-Телеком, 2000 г. с. 182

35. Авеньян Э.Д. Алгоритмы настройки многослойных нейронных сетей /Авеньян Э.Д.//Автоматика и телемеханика-1995-N 5. С.106-118

36. Джеффри Е. Хинтон. Как обучаются нейронные сети / Джеффри Е. Хинтон. // В мире науки 1992 - N 11 - N 12 - с. 103-107

37. Мс Culloch W. Agatha tyche: of nervous nets the lucky reckoners Text. /131

38. Mc Culloch W. //Proc. Symposium on mechanization of thougth processes, N.P.L., Teddington, 1959. P. 611-626.

39. Блюм M. Свойства нейрона со многими входами Текст. /Блюм М. //Принципы самоорганизации. -М.: Мир, 1966. С. 136-162.

40. Мкртчян С.О. Нейроны и нейронные сети Текст. /Мкртчян С.О. //М.: Энергия, 1971. —231с.

41. Потапов В.В. Формальные нейроны как элементы систем автоматического управления и вычислительной техники Текст. /Потапов В.В. //Энциклопедия измерений, контроля и автоматизации. М.: Энергия, 1970.-Вып. 14.-С. 41-44.

42. Павлов В.В. Применение нейроподобных элементов в промышленной автоматике Текст. /Павлов В.В. // Приборы и средства автоматизации, 1967.-Вып.8. —С. 15-32.

43. Мкртчян С.О. Проектирование логических устройств ЭВМ на нейронных элементах Текст. /Мкртчян С.О. // М.: Энергия, 1977. 200с.

44. Ходжкин А. Нервный импульс Текст. / Ходжкин А. // М.: Мир, 1965. 126с.

45. Позин Н.В. Моделирование нейронных структур Текст. / Позин Н.В. //М.: Наука, 1970.-264с.

46. Розенблатт Ф. ринципы нейродинамики (перцептроны и теория механизмов мозга) Текст. / Розенблатт Ф. // М.: Мир, 1965. 480с.

47. Kohonen Т. A simple paradigm for the self-jrganized formation of structured feature maps Text. /Kohonen T. // Lect. Notes Biomath, 1982, 45. — P. 248-266.

48. Kohonen T. Self-organized formation of structured feature maps Text. / Kohonen Т. II Cybern. Syst.: Recogn., Learn., Self-organ., Letchworth, N.Y., 1984.-P. 3-12.

49. Kohonen T. Representation of sensory information in self-organizing feature maps Text. / Kohonen Т., Mekisara K. // Neural Networks Comput.

50. Conf., Snowbird, Utah, Apr. 13-16, 1986, N.Y. 1986. P. 271-276.

51. Malsburg G. Nervous structures with dynamical links Text. /Malsburg G. // Ber. Bunsenqes. Phy. Chem., 1985, 89. №6. - P. 703-710.

52. Fukushima K. Cognitron: a self-organizing of pattern Text. /Fukushima K. // NHK Tech. Monogr., 1981. №30. 25p.

53. Fukushima K. Neocognitron; self-organizing network capable of position — invariant recognition of patters Text. /Fukushima K., Miyake S. // Proc. 5th Int. Conf. Pattern Recogn., Miami Beach, Ela, 1980. Vol. 1-2, N.Y, 1980. - P. 459-461.

54. Fukushima K. Neocognitron: a self-organizang neural network model for a mechanism of visual pattern recognition Text. / Fukushima K., Miyake S. // Lect. Notes Biomath, 1982, 45. P. 267-285.

55. Miyake S. A neural network model for the mechanism of feature-extraction. A self-organizing network with inhibition Text. / Miyake S., Fukushima K. // Biol.Cybern., 1084, 50. № 5. - P. 377-384.

56. Fukuchima K. A neural network model for selective attention in visual pattern recognition Text. / Fukuchima K. // Biol. Cybern., 1986, 55. N1. P. 515.

57. Carpenter G.A. Absolutely stable learning of recognition codes by a self-organizing neural network Text. / Carpenter G.A. Grossberg S. // Neural networks Comput. Conf., Snowbird, Utah, Apr 13-16, 1986 , N.Y. , 1986. P. 77-85.

58. Carpenter G.A., Stable self-organization of invariant recognition properties by real-time neural networks Text. / Carpenter G.A., Grossberg // Proc IEEE Int. Conf Syst., Man and Cybern., Alexandria, Va, Oct. 20-23, 1987, Vol. 2, N.Y, 1987.-P.571

59. Amari S. Competitiv and cooperative aspects in dynamics of neural excitation and self-organization Text. / Amari S // Lect. Notes Biomath, 1982, 45. P. 1-28.

60. Amari S. Field theory of self-organizing neural nets Text. /Amari S // IEEE Trans . Syst» Man and Cybern., 1983, 13. N5. - P.741-748.

61. Hopfield J. Neural networks and physical system with emergent collective computational abilities Text. / Hopfield J. //Proc. Nate Acad. S ci.US A, 1982, 79. P. 2554-2558.

62. Hopfield J., Tank D. Neural computation of desisions in optimisation problem Text. /Hopfield J., Tank D. // Biological Cybernetics, 1985. Vol 52. -P. 141-142.

63. Personaz L. Designing a neural network satisfying a given of constraints Text. / Personaz L., Guyon L, Dreyfus G. //Neural Networks Comput Conf., Snowbird, Utah, Apr. 13-16, 1986, N.Y., 1986. P. 356-359.

64. Personaz L. A simple selectionist learning rule for neural networks Text. / Personaz L., Guyon I., Johannet A., Dreyfus G., Toulouse G. // Neural Networks Comput. Conf., Snowbird, Utah, Apr- 13-16, 1986, N.Y., 1986, P. 360-363.

65. Hecht-Nielsen R. Neurocomputings picking the human brain Text. / Hecht-Nielsen R. // IEEE Spectrum, 25, N3. 1988» - P.36-41.

66. Sejnowski TJ. Higherorder Boltzmann machines Text. / Sejnowski TJ. // "Neural Networks Comput. Conf., Snowbird, Utah, Apr, 13-16, 1986, N.Y., 1986. P.398-403.

67. AckleyD. A learning Algorithm for Boltzmann Machines Text. / Ackley D., HintonG., Sejnowski T. // Cogn. Sei., N1, 9, 1985, P.147-169.

68. Anderson J. Cognitive and psychological computation with neural models Text. / Anderson J. // IEEE Trans. Syst., Man and Cybern., N5, 13, 1983. — P.799-815.

69. Hecht-Nielsen R. Counterpropagation networks Text. /Hecht-Nielsen R // IEEE First Int. Conf. on Neural Networks, Sheraton Harbor Island East. San Diego, California, June 21-24, 1987. - V.2. - P. 19-32.

70. Чернухин Ю.В. Об одном алгоритме самоорганизации нейронной сети текст. /Чернухин Ю.В, Галуев Г.А.// Проблемы бионики. Харьков: ХГУ, 1982. - Вып. 28. - С.99-106.

71. Крисилов В.А, Олешко Д.Н, Лобода A.B. Методы ускорения нейронных сетей / Крисилов В.А, Олешко Д.Н, Лобода A.B. // Вестник СевГТУ. Информатика, электроника, связь, Вып. 32, 2001, с. 19,

72. Тарасенко P.A., Крисилов В.А. Предварительная оценка качества обучающей выборки для нейронных сетей в задачах прогнозирования временных рядов / Тарасенко P.A., Крисилов В.А. // Труды Одесского политехнического университета, Вып.1 (13). 2001, с. 90

73. Загоруйко Н. Г. Прикладные методы анализа данных и знаний. /Новосибирск: ИМ СО РАН.- 1999.

74. Коровин Я.С. Методика объяснений нейросетевого вывода. О подходе к решению проблемы дефицита обучающих примеров ./Матвеев С.Н. / Искусственный интеллект. 1ПШ1 МОН i HAH Украини "Наука i освита".-№3, -2008.- с. 534-540.

75. Коровин Я.С. Методика объяснений нейросетевых решений. /Материалы 4 ежегодной международной научной молодёжной конференции ЮНЦ РАН, Изд-во ЮНЦ РАН, 2008, с. 152-155.

76. Клини С. Представление событий в нервных сетях и конечных автоматах Текст. /Клини С. //Автоматы. — М.: Изд-во иностр. лит, 1956. —403с.

77. Калбертсон Д. Математика и логика цифровых устройств Текст. /Калбертсон Д. //М.: Просвещение, 1965. 165с.

78. Hopfield J. Neurons with granded response have collective computational properties like those of two-state neurons Text. / Hopfield J. // Proc. Nate. Acad. Sci. USA. 1984. Vol. 81. - P. 3088-3092.

79. Галуев Г. А. Обучающаяся цифровая нейроноподобная система распознавания образов Текст. /Галуев Г. А.// Известия Сев» Кавказ. Науч. Центра Высш. Школы. Технические науки. 1985, №3. - С. 89-92.

80. Каляев А. В., Чернухин Ю.В., Галуев Г.А. Распознавание образов на основе цифровых нейроноподобнык структур Текст. / Каляев А. В., Чернухин Ю.В., Галуев Г.А.// Известия Сев. Кавказ. Научн. Центра Высш. Школы. Технические науки» 1982, №2. -С. 44-49.

81. Каляев А.В., Цифровая нейроноподобная система распознавания образов Текст. / Каляев А.В., Галуев Г.А // Депонированные научные работы.-М., 1987, №2. С. 20, № 325 (Деп. в ВИНИТИ 12. 10.86, № 7351-В86).

82. Галуев Г.А. Зрительные системы роботов на основе цифровых нейроноподобных сетей с перестраиваемой архитектурой Текст. / Галуев Г.А.// Депонированные научные работы, М., 1986, №2 - С.51, №623 (Деп. в ВИНИТИ 12. 11. 85 , № 7874-885).

83. Галуев Г.А. Зрительные системы роботов на основе цифровых нейроноподобных сетей Текст. / Галуев Г.А.// Зрение организмов и роботов»- Тезисы докладов Всесоюзного симпозиума. Вильнюс, 1985. — С.140-141.

84. Каляев А.В. Современное состояние нейрокибернетических исследований в СССР и за рубежом (Обзор) Текст. / Каляев А.В. , Чернухин Ю.В., Брюхомицкий Ю.А., Галуев Г.А., Луцкая И.Л//

85. Депонированные научные работы П, 1988, №9, - С. 12-13, №173 (Деп. в ВИНИТИ 05.05.88, №3512 -В88).

86. Галуев Г.А. Архитектура цифровых нейрокомпьютеров Текст. / Галуев Г.А.// Электронное моделирование 1991, т. 13, №2. - С.21-25.

87. Каляев А.В.Современное состояние и перспективы развития нейрокомпьютерной техники Текст. /Каляев А.В, Галуев Т. АЛ Электронное моделирование. 1990, т. 12. - N52. - С. 14-19.

88. Маховальд М. Кремниевая сетчатка Текст. /Маховальд М, Мид К.// В мире науки» 1991, №7. - С.32-39.

89. New Scientist. V,123, №1672, 1989, - P. 143.

90. Скоредов О.Б. Некоторые модели нейронных компьютеров и сетей Текст. / Скоредов О.Б.// Радиоэлектроника за рубежом (Обзоры). М, 1990. Вып. 8(48). - С. 32-44.

91. Садовой А. В, Сотник С. Л. Алгоритмы обучения нейронных сетей будущего /Садовой А. В, Сотник С. Л.// http://www.alicetele.com/~sergei/articles/algo/algo.htm

92. Дубровин В.И. Идентификация и оптимизация сложных технических процессов и объектов / Дубровин В.И. // Запорожье:ЗГТУ, 1997.-92 с

93. У Уставка минимального сопротивления изоляшш Задание минимального значена сопротивления изоляции, ниже которого произойдет отключение электрод в игетеля Уст mmR изотяшш кОч RAV ЯЛУ 30 500 30 10" хххх ХХХХ «Ом

94. У Уставка минимального давления на гриеме насоса Заданне минимального значения давления на приеме насоса, ниже которого гроизойдет отключение ПЭД Уст защ пцпРвх МПа RAV RAV 0 99,99 4 0,1 хххх хххх МПа

95. У Уставка максимального давления на приеме насоса Задание минимального значения давления на приеме насоса, выше которого произойдет отключение ПЭД Уст защ. шах Рвх МПа RAV RAV 0 99,99 25 0,1 хххх хххх МПа

96. У Уставка максимального пускового тока ПЭД Задание максимально допустимого значения пускового тока ПЭД в плавном, то тчиэвом или квазичастотном режимах пуска Ток пуска УПП А RAV R/W 0 3000 500 1 хххх ХХХХ А

97. У Уставка максимальной температуры обмотки ПЭД Задание максимально допустимого значения температуры обмотки ГОД. выше которой произойдет отключение ГОД Уст защ тахТ^д сС RAV RAV 0 130 115 1 хххх ХХХХ "С

98. У Уставка максимальной вибрации ГОД Задание максимального значения вибрации ПЭД выше которого произойдет отключение ПЭД Уст. защ max вибр ПЭД В RAV RAV 0 10 0,2 0,1 ХХХХ XXXXg

99. У Уставка минимального давления в затрубе Задание минимального значения дав тения в затрубе, ниже которого произойдет отключение ПЭД Уст защ сьлРз МПа RAV RAV 0 16 0,01 XX. XX хххх МПа

100. У Уставка максимального давления в затрубе Заданне максимального значения давления в затрубе, выше которого произойдет отключение ПЭД Уст защ. шх Рз МПа RAV RAV 0 16 0,01 хххх ХХХХ МПа

101. У Уставка максимального давления в б\6ере Задание максимального значения давления в буфере, выше которого произойдет отключение ПЭД Уст защ тхРб МПа КЛУ R/W 0 16 0,01 хххх ХХХХ МПа

102. У Уставка минимального дав пек ¡я в линии Задание минимального значения давления в линии, ниже которого произойдет отключение ПЭД Vct защ ттРдк. МПа RAV RAV 0 6 0,01 XX. XX ХХХХ МПа

103. У Задание режима работы ПЭД по программе Задание режима работы ПЭД по программе Режим программа 0-откл 1»вкл RAV RAV 00 1 0 1 хххх ХХХХ

104. У Уставка дисбаланса токов Задание максимального значения дисбаланса токов, при превышении которого произойдет отключение этектродвигзтетя Уст защ. дисб 1 "о RAV RAV 0 30 20 0,1 хххх XXXXÎ'o

105. У Уставка дисбаланса напряжений Заданне максимального значения дисбаланса напряжений, выше которого произойдёт отключение ПЭД Уст защ дисб U % RAV r/w 0 20 5 0 1 хххх ХХХХ0/.

106. У Уставка частоты турбинного вращения Задание максимального значения частоты турбинного вращения ПЭД. визе которого произойдет отключение ПЭД Уст maxfTyp6 вр Гц RAV RAV 0 5 5 1 хххх ХХХХ Гц

107. У Уставка чередования фаз Задание порядха чередования фаз напряжений питающей сети, при котором допускается запуск ПЭД Уст заш чередов фаз l-ABC/0-CBA RAV RAV 0 1 1 1 хххх ХХХХ

108. У Уставка максимального значения сигнала на дополнительном аналоговом входе 1 Заданне максимального значения сигнала на допотшгтельном аналоговом входе 1, выше которого произойдет отключение ПЭД Уст защ max Авх i в R/W RAV 0 999,9 0.1 хххх хххх%

109. У Уставка максимального значения сигнала на доготюггедьном аналоговом входе 2 Заданне максимального значения сигнала на дополнительном аналоговом входе 2, выше которого произойдет отключение ПЭД Уст. защ. max Авх 2 % RAV r/w 0 999,9 0,1 хххх ХХХХ".

110. У Уставка минимального значения сигнала на допотните-.ьном аналоговом входе 1 Задание минимального значения сигнала на дополнительном аналоговом входе 1 ниже которого произойдет отключение ПЭД Уст защ. mm Авх 1 Го RAV RAV 0 999,9 0,1 хххх ХХХХ%

111. У Уставка минимального значения сигнала на дополнительном аналоговом входе 2 Задание минимального значения сигнала на дополнш-ельноч аналоговом входе 2, ниже которого произойдет отключение ПЭД Уст защ mía Авх 2 а RAV RAV 0 999,9 0.1 хххх хххх%