Науковий вісник НГУ

Method for evaluating technical condition of aggregates based on artificial intelligence

• 
• 

User Rating:  / 0

PoorBest 

Details

Category: Contens №2 2020

Last Updated on 19 May 2020

Published on 10 May 2020

Hits: 3180

Authors:

M. l. Horbiichuk, Dr. Sc. (Tech.), Prof., orcid.org/0000-0002-8586-1883, Ivano-Frankivsk National Technical University of Oil and Gas, Ivano-Frankivsk, Ukraine, e-mail: This email address is being protected from spambots. You need JavaScript enabled to view it.

O. T. Bila, orcid.org/0000-0003-2245-7434, Ivano-Frankivsk National Technical University of Oil and Gas, Ivano-Frankivsk, Ukraine, e-mail: This email address is being protected from spambots. You need JavaScript enabled to view it.

Y. I. Zaiachuk, Cand. Sc. (Tech.), Assoc. Prof., orcid.org/0000-0001-8705-2724, Ivano-Frankivsk National Technical University of Oil and Gas, Ivano-Frankivsk, Ukraine, e-mail: This email address is being protected from spambots. You need JavaScript enabled to view it.

T. V. Humeniuk, Cand. Sc. (Tech.), Assoc. Prof., orcid.org/0000-0003-2610-2550, Ivano-Frankivsk National Technical University of Oil and Gas, Ivano-Frankivsk, Ukraine, e-mail: This email address is being protected from spambots. You need JavaScript enabled to view it.

 повний текст / full article

Abstract:

Purpose. Enhancing operational efficiency of natural gas pumping units by applying artificial intelligence methods to assess their technical condition.

Methodology. The artificial neural networks theory, in particular, the counter-propagation network with two layers of Kohonen and Grossberg, was used to recognize aggregate states. The structure choice and calculation of the separation line coefficients was carried out using genetic algorithms.

Findings. The task of evaluating the aggregate technical state is formed as a pattern recognition task. An analysis of literary sources has shown that the problem of pattern recognition relates to difficult-to-formulize tasks, and their solution requires new approaches, based on artificial intelligence methods. The artificial neural networks of counter propagation are proposed to use for recognizing the aggregate technical states. The article shows advisability of using the LVQ-network type, which has two layers of Kohonen and Grossberg in its composition, for this assessment. The efficiency of the network is confirmed by a test case. A genetic algorithm that allows choosing both the polynomial structure and its parameters is used to construct a diving line separating one class of signs from another. The technical condition of the lubricating system of the natural gas pumping aggregate is estimated, as an example of the developed methodology application.

Originality. The AI-based method for assessing the technical state of gas-pumping units has been further developed to evaluate their state in operating mode and, based on this, develop effective algorithms for optimal loading of parallel operating aggregates.

Practical value. Algorithmic and software testing was developed on the test case, based on the proposed method for assessing the aggregate technical condition. The proposed method, which effectively solves the problem of partitioning the signs planes into classes each of which characterizes its certain state, has been shown as an example of the technical state evaluation of the gas turbine engine lubrication system.

References.

1. Bulatov, A. I. (2015). Concept of quality of drilled oil and gas wells. Drilling and oil, (12), 15-19.

2. Dobrotvor, I. G., Chykhira, I. V., & Yarema, I. T. (2017). Conditions of oscillation of kinetics characteristics of microstructures of composites. Bulletin of the Khmelnytskyi National University. Technical Sciences, (4), 52-55.

3. Gorbiychuk, M. I., & Pashkovskyi, B. V. (2016). Method of determining the generalized coefficient of technical state of a gas pumping unit on the basis of fuzzy logic and genetic algorithms. Methods and devices of quality control, 2(37), 102-107.

4. Zhao, Z., Chu, L., Tao, D., & Pei, J. (2018). Classification with label noise: a Markov chain sampling framework. Data Mining and Knowledge Discovery, 1-37.

5. Gershilov, A. A. (2014). Mathematical methods for decision making. Moscow: Publishing house of Moscow State Technical University. N. E. Bauman.

6. Marchenko, O. O. (2016). Machine-learning methods for recognizing named entities of text. Programming problems, (2-3) (Special issue), 150-157.

7. Walkman, Yu. R., & Stepashko, P. V. (2015). Towards building an ontology of intellectual modeling. Inductive modeling of complex systems: Collection of research papers, (7), 101-115.

8. Zygmunt Lech Warsza, & Zabolotnii, S. W. (2018). Polynomial estimation of measurand parameters for samples from non-Gaussian distributions based on higher order statistics. Advanced Mathematical and Computational Tools in Metrology and Testing XI, 383-400.

9. Zabolotnyi, S. V., Chepinoga, A. V., Bondarenko, Yu. Y., & Rud, M. P. (2018). Polynomial parameter estimates for exponentially distributed data. Visnyk NTUU “KPI”. Seriia Radiotekhnika Radioaparatobuduvannia, 75, 40-47.

10. Huang, Huajuan, Wei, Xiuxi, & Zhou, Yong-Quan (2018). Twin Support Vector Machines: A Survey. Neurocomputing.

11. Norkin, V. I. (2017). B&B solution technique for multicriteria stochastic optimization problems. Optimization Methods and Applications.

12. Bodyanskiy, Ye., Vynokurova, O., Savvo, V., Tatiana Tverdokhlib, T., & Mulesa, P. (2016). Hybrid Clustering-Classification Neural Network in Medical Diagnostics of Reactive Arthritis. International Journal of Intelligent Systems Technologies and Applications, 8(8), 1-9. https://doi.org/10.5815/ijisa.2016.08.01.

13. Nikolenko, S., Kadurin, A., & Arkhangelskaya, E. (2017). Deep learning. “Peter” Publishing House.

14. Horbiichuk, M. I., Kohutiak, M. I., & Zaiachuk, Y. I. (2008). Inductive method for constructing mathematical models of natural gas pumping units. Oil and gas industry, (5), 32-35.

15. Glybovets, M. M., Gulaeva, N. M., & Pasichnyk, M. M. (2015). A Parallel Genetic Algorithm for Creating a Work Schedule. Programming Problems, (2), 76-85.

16. Horbiichuk, M. I., & Shchupak, I. V. (2010). Diagnostic model of natural gas supercharger lubrication system. Scientific Bulletin of the Ivano-Frankivsk National Technical University of Oil and Gas, 3(25), 130-137.

• < Prev
• Next >