Вход
  1. Главная
  2. Журналы
  3. «Газовая промышленность»
  4. Газовая промышленность 4.2024
Газовая Промышленность 4.2024

Научная статья

УДК 004.85::621.438
(UDK 004.85::621.438)

Для получения доступа к статьям

Авторизуйтесь
Купить журнал

РЕМОНТ И ДИАГНОСТИКА (REPAIR AND DIAGNOSTICS OF MAIN PIPELINES, COMPRESSOR PLANTS AND PUMPING STATIONS)

КЛАССИФИКАЦИЯ ГРУППЫ НЕИСПРАВНОСТЕЙ ГАЗОТУРБИННОЙ УСТАНОВКИ С ПРИМЕНЕНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ

(CLASSIFICATION OF GAS TURBINE UNIT’S FAULT GROUP USING MACHINE LEARNING METHODS)

В статье рассматривается проблема диагностики и прогнозирования неисправностей газотурбинных установок. Актуальность ее исследования связана с важнейшей ролью, которую газотурбинные установки играют в различных отраслях промышленности, и необходимостью обеспечивать их надежную и экономичную эксплуатацию. Новизна работы заключается в применении методов машинного обучения для диагностики неисправностей. Этот подход по своей результативности может превосходить традиционные статистические методики и, как показано в статье, позволяет делать более эффективные и точные прогнозы.
Методология исследования включала в себя создание и изучение наборов данных о техническом состоянии и дефектах газотурбинных установок при помощи моделей. Этот подход позволил применять машинное обучение при отсутствии достаточного объема реальных данных. Основной целью исследования было изучение эффективности применения указанного подхода при оценке технического состояния установок, классификации группы дефектов и анализе степени их развития на основе термогазодинамических параметров, измеряемых в ходе эксплуатации.
Полученные результаты свидетельствуют о возможностях моделей успешно классифицировать группы неисправностей и прогнозировать стадию развития дефектов. Достигнутая высокая точность определения технического состояния газотурбинных установок подтверждает потенциал машинного обучения в совершенствовании систем диагностики и технического обслуживания. Однако очевидно, что все еще существует необходимость дальнейших исследований с использованием реальных данных для подтверждения полученных результатов.

This article discusses the issue of diagnostics and predicting of faults in gas turbine units. The importance of the mentioned issue is due to the crucial role that gas turbine units play in various industries, and the need to ensure their reliable and costeffective operation. The novelty of this research lies in the use of machine learning methods for diagnostics. This approach can outperform conventional statistical methods and, as shown in the article, allows for more efficient and accurate predictions.
The investigation methodology included the creation and review of data sets on gas turbine unit health and defects using models. This approach allowed machine learning to be applied when actual data is scarce. The main objective of the research was to evaluate the effectiveness of using this approach in assessing the health of units, classifying a group of defects and analyzing the level of defect development based on gas thermodynamic parameters measured during operation. The results obtained show that the models can successfully classify fault groups and predict the stage of defect development. The achieved high accuracy in evaluating the health of gas turbine units confirms the potential of machine learning in improving diagnostics and maintenance systems. However, it is clear that there is still a need for further research using actual data to validate the findings.

ДИАГНОСТИКА, МОДЕЛИРОВАНИЕ, МАШИННОЕ ОБУЧЕНИЕ, ГАЗОТУРБИННАЯ УСТАНОВКА, ДЕФЕКТ, БОЛЬШИЕ ДАННЫЕ

DIAGNOSTICS, MODELING, MACHINE LEARNING, GAS TURBINE UNIT, DEFECT, BIG DATA

В.Л. Блинов, к.т.н., доц., ФГАОУ ВО «Уральский федеральный университет имени первого Президента России Б.Н. Ельцина» (Екатеринбург, Россия), V.L.Blinov@urfu.ru

Г.А. Дерябин, ФГАОУ ВО «Уральский федеральный университет имени первого Президента России Б.Н. Ельцина», deriabingl@yandex.ru

О.В. Комаров, к.т.н., доц., ФГАОУ ВО «Уральский федеральный университет имени первого Президента России Б.Н. Ельцина», O.V.Komarov@urfu.ru

V.L. Blinov, PhD in Engineering, Associate Professor, Ural Federal University named after the First President of Russia B.N. Yeltsin (Yekaterinburg, Russia), V.L.Blinov@urfu.ru

G.A. Deryabin, Ural Federal University named after the First President of Russia B.N. Yeltsin, deriabingl@yandex.ru

O.V. Komarov, PhD in Engineering, Associate Professor, Ural Federal University named after the First President of Russia B.N. Yeltsin, O.V.Komarov@urfu.ru

Roemer M.J., Kacprzynski G.J. Advanced diagnostics and prognostics for gas turbine engine risk assassessment // 2000 IEEE Aerospace Conference: Proceedings. Piscataway, NJ, USA: IEEE, 2000. Vol. 6. P. 345–353. DOI: 10.1109/AERO.2000.877909.

СТО Газпром 2-3.5-113–2007. Методика оценки энергоэффективности газотранспортных объектов и систем. М.: Газпром, 2007. 54 с.

Блинов В.Л., Дерябин Г.А. Анализ технического состояния ГТУ. Часть 1. Обработка данных измерительных систем // Вестник машиностроения. 2023. № 4. С. 302–309. DOI: 10.36652/0042-4633-2023-102-4-302-309.

Дерябин Г.А., Блинов В.Л. Анализ архивных параметров работы газотурбинной установки на этапе создания алгоритма прогнозирования технического состояния // IX Информационная школа молодого ученого: сб. науч. тр. / отв. ред. П.П. Трескова. Екатеринбург: УМЦ УПИ, 2021. С. 377–389. DOI: 10.32460/ishmu-2021-9-0042.

Сальников С.Ю., Семушкин А.В., Щуровский В.А. Оценка и планирование показателей технического обслуживания и ремонта газоперекачивающей техники на основе критериев эксплуатационной готовности // Газовая промышленность. 2018. № S3 (773). С. 50–55.

Вентцель Е.С., Овчаров Л.А. Теория вероятностей и ее инженерные приложения. 5-е изд., стер. М.: ЮСТИЦИЯ, 2018. 480 с.

Jordan M.I., Mitchell T.M. Machine learning: Trends, perspectives, and prospects // Science. 2015. Vol. 349, No. 6245. P. 255–260. DOI: 10.1126/science.aaa8415.

Sun L., Liu T., Xie Y., et al. Real-time power prediction approach for turbine using deep learning techniques // Energy. 2021. Vol. 233. Article ID 121130. DOI: 10.1016/j.energy.2021.121130.

Александров И.В., Дюк В.А., Фомин В.В. Использование методов машинного обучения для определения коэффициента расхода топлива газовой турбины фрегата // Морские интеллектуальные технологии. 2019. № 3–1 (45). С. 156–160.

Дерябин Г.А., Панкрашин С.М., Блинов В.Л. Оценка технического состояния газотурбинной установки при помощи методов машинного обучения по искусственным данным // Энергетические системы. 2023. № 1. С. 42–54. DOI: 10.34031/ES.2023.1.003.

Campora U., Cravero C., Zaccone R. Marine gas turbine monitoring and diagnostics by simulation and pattern recognition // International Journal of Naval Architecture and Ocean Engineering. 2018. Vol. 10, No. 5. P. 617–628. DOI: 10.1016/j.ijnaoe.2017.09.012.

Zhong S., Fu S., Lin L. A novel gas turbine fault diagnosis method based on transfer learning with CNN // Measurement. 2019. Vol. 137. P. 435–453. DOI: 10.1016/j.measurement.2019.01.022.

Зарицкий С.П. Диагностика газоперекачивающих агрегатов с газотурбинным приводом. М.: Недра, 1987. 197 с.

ПР 51-31323949-43–99. Методические указания по проведению теплотехнических и газодинамических расчетов при испытаниях газотурбинных газоперекачивающих агрегатов. М.: Газпром, 1999. 26 с.

Pedregosa F., Varoquaux G., Gramfort A., et al. Scikit-learn: Machine learning in Python // Journal of Machine Learning Research. 2011. Vol. 12. P. 2825–2830.

Roemer MJ, Kacprzynski GJ. Advanced diagnostics and prognostics for gas turbine engine risk assassessment. In: IEEE 2000 IEEE Aerospace Conference: Proceedings, 18–25 March 2000, Big Sky, MT, USA. Vol. 6. Piscataway, NJ, USA: IEEE; 2000. p. 345–353. https://doi.org/10.1109/AERO.2000.877909.

OAO Gazprom (open joint stock company). STO Gazprom 2-3.5-113–2007 (company standard). Methodology for assessing the energy efficiency of gas transmission facilities and system. Moscow: Gazprom; 2007. (In Russian)

Blinov VL, Deryabin GA. Analysis of the technical condition of the gas turbine. Part 1. Data processing of measuring systems. Russian Engineering Research [Vestnik mashinostroeniya]. 2023; (4): 302–309. https://doi.org/10.36652/0042-4633-2023-102-4-302-309. (In Russian)

Deryabin GA, Blinov VL. Analysis of the archived parameters of the GT operation at the stage of creating an algorithm for predicting the technical condition. In: Treskova PP (ed.) IX Information School of Young Scientist: Proceedings, 20–23 September 2021, Yekaterinburg, Russia. Yekaterinburg, Russia: Educational and Methodological Center UPI; 2021. p. 377–389. https://doi.org/10.32460/ishmu-2021-9-0042. (In Russian)

Salnikov SYu, Semushkin AV, Shchurovskiy VA. Assessment and planning of gas compressing equipment maintenance based on the criteria of availability. Gas Industry [Gazovaya promyshlennost’]. 2018; 773(S3): 50–55. (In Russian)

Ventsel ES, Ovcharov LA. Probability Theory and Its Engineering Applications. 5th ed. Moscow: JUSTICE [YUSTITSIYA]; 2018. (In Russian)

Jordan MI, Mitchell TM. Machine learning: Trends, perspectives, and prospects. Science. 2015; 349(6245): 255–260. https://doi.org/10.1126/science.aaa8415.

Sun L, Liu T, Xie Y, Zhang D, Xia X. Real-time power prediction approach for turbine using deep learning techniques. Energy. 2021; 233: article ID 121130. https://doi.org/10.1016/j.energy.2021.121130.

Aleksandrov IV, Duke VA, Fomin VV. The use of machine learning methods for the determination of the fuel consumption of a gas turbine frigate. Marine Intellectual Technologies [Morskie intellektual’nye tekhnologii]. 2019; 45(3–1): 156–160. (In Russian)

Deryabin GA, Pankrashin SM, Blinov VL. Evaluation of the technical condition of a gas turbine plant using machine learning methods from artificial data assessing the technical condition of a gas turbine using machine learning methods with artificial data. Energy Systems [Energeticheskie sistemy]. 2023; (1): 42–54. https://doi.org/10.34031/ES.2023.1.003. (In Russian)

Campora U, Cravero C, Zaccone R. Marine gas turbine monitoring and diagnostics by simulation and pattern recognition. International Journal of Naval Architecture and Ocean Engineering. 2018; 10(5): 617–628. https://doi.org/10.1016/j.ijnaoe.2017.09.012.

Zhong S, Fu S, Lin L. A novel gas turbine fault diagnosis method based on transfer learning with CNN. Measurement. 2019; 137: 435–453. https://doi.org/10.1016/j.measurement.2019.01.022.

Zaritskiy SP. Diagnostics of Gas Compressor Units with Gas Turbine Drive. Moscow: Subsoil [Nedra]; 1987. (In Russian)

Gazprom. PR 51-31323949-43–99 (instructions). Guidelines for carrying out thermotechnical and gas-dynamic calculations when testing gas compressor units with gas turbine drive. Moscow: Gazprom; 1999. (In Russian)

Pedregosa F, Varoquaux G, Gramfort A, Michel V, Thirion B, Grisel O, et al. Scikit-learn: Machine learning in Python. Journal of Machine Learning Research. 2011; 12: 2825–2830.
Назад к журналу
NEFTEGAS.info

Внимание к деталям — от идеи
до воплощения! Только актуальная информация и свежие новости.

О нас

 

 

Контакты

108811, г. Москва, Киевское ш.,
Бизнес-парк «Румянцево», корп. Б,
подъезд 5, офис 506 Б

+7 (495) 240-54-57