Материалы

Метод оценки технического состояния агрегатов на основе искусственного интеллекта

Рейтинг:   / 0
ПлохоОтлично 

Authors:

М. И. Горбийчук, доктор технических наук, профессор, orcid.org/0000-0002-8586-1883, Ивано-Франковский национальный технический университет нефти и газа, г. Ивано-Франковск, Украина, е-mail: Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра.

О. Т. Била, orcid.org/0000-0003-2245-7434, Ивано-Франковский национальный технический университет нефти и газа, г. Ивано-Франковск, Украина, е-mail: Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Я. И. Заячук, кандидат технических наук, доцент, orcid.org/0000-0001-8705-2724, Ивано-Франковский национальный технический университет нефти и газа, г. Ивано-Франковск, Украина, е-mail: Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Т. В. Гуменюк, кандидат технических наук, доцент, orcid.org/0000-0003-2610-2550, Ивано-Франковский национальный технический университет нефти и газа, г. Ивано-Франковск, Украина, е-mail: Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра.

 повний текст / full article



Abstract:

Цель. Повышение эффективности эксплуатации газоперекачивающих агрегатов природного газа путем применения методов искусственного интеллекта для оценки их технического состояния.

Методика. Для распознавания состояний агрегатов использована теория искусственных нейронных сетей, в частности, сеть встречного распространения с двумя слоями Кохонена и Гроссберга. Выбор структуры и вычисления коэффициентов разделительной линии осуществлен с использованием генетических алгоритмов.

Результаты. Задача оценки технического состояния агрегатов сформирована как задача распознавания образов. Анализ литературных источников показал, что задача распознавания образов относится к трудно формулированным задачам, и их решение требует применения новых подходов, основанных на методах искусственного интеллекта. Для распознавания технического состояния агрегатов предложено использовать искусственные нейронные сети встречного распространения. Показано, что для такой оценки целесообразно использовать сети типа LVQ-network, имеющие в своем составе два слоя Кохонена и Гроссберга. Эффективность работы сети подтверждена тестовым примером. Для построения разделительной линии, отделяющей один класс признаков от другого, использован генетический алгоритм, который позволяет выбрать как структуру полинома, так и его параметры. В качестве примера применения разработанной методики оценено техническое состояние системы смазки газоперекачивающего агрегата природного газа.

Научная новизна. Нашел дальнейшее развитие метод оценки технического состояния газоперекачивающих агрегатов на основе искусственного интеллекта, что позволило в режиме эксплуатации оценивать их состояние и на этой основе разработать эффективные алгоритмы оптимальной загрузки параллельно работающих агрегатов.

Практическая значимость. На основе предложенного метода оценки технического состояния агрегатов разработано алгоритмическое и программное обеспечение, которое апробировано на тестовом примере. На примере оценки технического состояния системы смазки газотурбинного двигателя показано, что предложенный метод эффективно решает задачу разбиения плоскости признаков на классы, каждый из которых характеризует определенное его состояние.

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 Radioaparatobuduvannia75, 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.

Следующие статьи из текущего раздела:

Предыдущие статьи из текущего раздела:

Посетители

3120336
Сегодня
За месяц
Всего
57
1517
3120336

Гостевая книга

Если у вас есть вопросы, пожелания или предложения, вы можете написать их в нашей «Гостевой книге»

Регистрационные данные

ISSN (print) 2071-2227,
ISSN (online) 2223-2362.
Журнал зарегистрирован в Министерстве юстиции Украины.
 Регистрационный номер КВ № 17742-6592ПР от 27.04.2011.

Контакты

40005, г. Днепр, пр. Д. Яворницкого, 19, корп. 3, к. 24 а
Тел.: +38 (056) 746 32 79.
e-mail: Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра.
Вы здесь: Главная