Науковий вісник НГУ

Метод оцінки технічного стану агрегатів на засадах штучного інтелекту

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №2 2020

Останнє оновлення: 10 травня 2020

Опубліковано: 10 травня 2020

Перегляди: 2116

Authors:

М. І. Горбійчук, доктор технічних наук, професор, orcid.org/0000-0002-8586-1883, Івано-Франківський національний технічний університет нафти і газу, м. Івано-Франківськ, Україна, е-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

О. Т. Біла, orcid.org/0000-0003-2245-7434, Івано-Франківський національний технічний університет нафти і газу, м. Івано-Франківськ, Україна, е-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Я. І. Заячук, кандидат технічних наук, доцент, orcid.org/0000-0001-8705-2724, Івано-Франківський національний технічний університет нафти і газу, м. Івано-Франківськ, Україна, е-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Т. В. Гуменюк, кандидат технічних наук, доцент, orcid.org/0000-0003-2610-2550, Івано-Франківський національний технічний університет нафти і газу, м. Івано-Франківськ, Україна, е-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

 повний текст / full article

Мета. Підвищення ефективності експлуатації газоперекачувальних агрегатів природного газу шляхом застосування методів штучного інтелекту для оцінки їх технічного стану.

Методика. Для розпізнавання станів агрегатів використана теорія штучних нейронних мереж, зокрема, мережа зустрічного поширення із двома шарами Кохонена та Гросберга. Вибір структури та обчислення коефіцієнтів роздільної лінії здійснено з використанням генетичних алгоритмів.

Результати. Задача оцінки технічного стану агрегатів сформована як задача розпізнавання образів. Аналіз літературних джерел показав, що задача розпізнавання образів відноситься до важко формалізованих задач, і їх розв’язання вимагає застосування нових підходів, які ґрунтуються на методах штучного інтелекту. Для розпізнавання технічного стану агрегатів запропоновано використовувати штучні нейронні мережі зустрічного поширення. Показано, що для такої оцінки доцільно використовувати мережі типу LVQ-network, що мають у своєму складі два шари Кохонена та Гросберга. Ефективність роботи мережі підтверджена тестовим прикладом. Для побудови роздільної лінії, що відділяє один клас ознак від іншого, використано генетичний алгоритм, який дає змогу вибрати як структуру поліному, так і його параметри. Як приклад застосування розробленої методики оцінено технічний стан системи змащування газоперекачувального агрегату природного газу.

Наукова новизна. Знайшов подальший розвиток метод оцінки технічного стану газоперекачувальних агрегатів на засадах штучного інтелекту, що дало змогу в режимі експлуатації оцінювати їх стан і на цій основі розробити ефективні алгоритми оптимального завантаження паралельно працюючих агрегатів.

Практична значимість. На основі запропонованого методу оцінки технічного стану агрегатів розроблено алгоритмічне та програмне забезпечення, що апробоване на тестовому прикладі. На прикладі оцінки технічного стану системи змащування газотурбінного двигуна показано, що запропонований метод ефективно вирішує задачу розбиття площин ознак на класи, кожний з яких характеризує певний його стан.

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.

• < Попередня
• Наступна >