ДИАГНОСТИКА НЕФТЯНОГО ОБОРУДОВАНИЯ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ

В современном мире все большее применение находят новейшие технологии, использующие возможности искусственного интеллекта. Существующие на текущий момент интеллектуальные системы достаточно узконаправлены и определяются совокупностью технологий для реализации определенных задач с использованием средств обработки информации.

Одной из главных задач трубопроводного транспорта является эффективная эксплуатация основного перекачивающего оборудования, что напрямую влияет на надежность и экономичность отрасли. Важнейшим этапом эксплуатация является диагностика оборудования, которая в большинстве случаев реализуется при помощи датчиков [1].

Создание системы мониторинга технического состояния насосных агрегатов, с целью совершенствования конструкций, повышения надежности и безопасности, определения сроков технического обслуживания и ремонта является одной из важнейших задач нынешнего времени.

Использование возможностей искусственного интеллекта в данной области поможет производить анализ необходимых параметров с наибольшей точностью, а также выявлять и предупреждать аварии используемого оборудования и ускорить процесс принятия важных решений при наличии дефекта или аварии.

Распределенная структура и большая капиталоёмкость индустрии приводят к ежедневному появлению множества разновариантных данных, которые необходимо собирать и анализировать с целью сокращения текущих расходов и повышения будущей прибыли. Это является стимулом внедрения технологий машинного обучения в нефтегазовой отрасли в производственные процессы, в частности, систем прогностической или предиктивной аналитики.

Создание системы мониторинга технического состояния насосных агрегатов с использованием возможностей искусственного интеллекта позволяет снизить эксплуатационные затраты за счет повышения межремонтного периода работы и уменьшения времени простоя в ожидании ремонта [2].

Внедрение машинного обучения в процессы эксплуатации и диагностики позволит избежать неточностей, связанных с человеческим фактором. А также ускорить процессы и увеличить прибыльность эксплуатации.

В ходе изучения имеющихся достижений в области внедрения возможности искусственного интеллекта в деятельности предприятий, было выделено ряд компаний, которые успешно реализуют данные технологии.

Например, использование машинного зрения для распознаваний объектов, явлений и автоматической верификации лиц для экосистемы Тинькофф, ускорение выдачи кредитов и автоматическое одобрение с помощью классификационной модели машинного обучения в SberBank, прогнозирование параметров скважины в Газпром, генерация рекламных интеграций для различных компаний, таких как Coca-Cola, исследования на нефтеперекачивающей станции и с помощью нейронной сети, которая была создана в пакете прикладных программ MATLAB, если точнее, то в программе Simulink и выполнен расчет остаточного ресурса оборудования. Данный метод исследования имеет большое значение и может широко применяться при контроле состояния машин.

На нефтяных станциях центробежные насосы являются незаменимым звеном в технологическом процессе для перекачки нефти по трубопроводам.

На данный момент диагностический контроль проводится путем сравнения амплитуды мощностей в насосных установках каждые 3 часа, для этого применяется блок управления (КУБ-2059), который отправляет данные в информационную систему в определенных точках согласно диагностического задания. Исследуя данный параметр, мы получаем базу данных, состоящую из множества графиков, которые характеризуют техническое состояние насосной установки по ее режиму работы (Рис.1).

Для получения достоверного отчета о режиме работы оборудования и его технического состояния, необходимо провести анализ полученных графиков с помощью модели нейронной сети [3]. Определение дефекта (в данном случае обрыв ремня насосного агрегата) производится на основании наличия затухающего графика, что говорит о том, что установка перешла в режим работы «холостой ход», то есть произошел обрыв (Рис.1).

Рисунок 1. График режима работы установки.

Для анализа режима работы и выявления неисправностей нужно проанализировать полученные значения по точкам графика (ось ординат) в зависимости от показаний времени (ось абсцисс).

В том случае, когда амплитуда последующих значений меньше на 85% предыдущих за промежуток времени равный 3 часам – определяется обрыв (Рис. 2).

Рисунок 2. Изменение амплитуды за два промежутка времени.

Данный способ имеет один недостаток – вариант, когда амплитуда с каждой итерацией уменьшается на 84 и меньше процентов, что в итоге выдает затухающий график.

Предположим, начальное значение мощности насосной установки составляет X=20 КВт, тогда через одну итерацию амплитуда составит 84% от максимальной амплитуды, что равно 0,84*Х.

Исходя из расчетов, через n итераций амплитуда составит 0.84ⁿX. Предположим, что средний холостой ход составляет 1.5 КВт, тогда при таком подходе вычисление конечной итерации, когда система будет работать на холостом ходе, но отвечает условию, что обрыва нет, описывается уравнением 0.84ⁿ*X<=1.5, где X=20

0.84ⁿ*20<=1.5

0.84ⁿ<=0.75

n>=log_0.840.75

n>=14.8;

При округлении в большую сторону получаем n=15, следовательно количество итераций до обрыва равно =15.

В результате исследований установлено, что по показателям потребляемой мощности можно установить обрыв ремня насосного агрегата и тем самым производить диагностику насосных агрегатов на предмет наличия данной поломки в режиме реального времени.