Тип публикации: статья из журнала
Год издания: 2024
Идентификатор DOI: 10.28999/2541-9595-2024-14-1-36-47
Ключевые слова: fault diagnosis, intelligent classification, pump reliability, machine learning, fault prediction, диагностика неисправностей, интеллектуальная классификация, надежность насоса, машинное обучение, прогнозирование неисправностей
Аннотация: Целью исследования является анализ эффективности применения методов интеллектуальной идентификации неисправностей при определении работоспособности подшипниковых узлов магистрального нефтяного насоса с учетом неустойчивого режима работы. Предложена двухконтурная автоматизированная система управления и диагностики состояния насосногПоказать полностьюо агрегата 12НДс-Нм с его идентификацией как объекта вибронагрузки с применением методов машинного обучения. Моделирование системы выполнено с использованием программного пакета Matlab Simulink, для обучения моделей прогнозирования в качестве примера использовались ретроспективные данные вибродиагностики центробежного насоса в момент отказа. Применены современные средства машинного обучения с использованием таких базовых методов, как дерево решений, случайный лес, логистическая регрессия, многослойный персептрон. Обработка данных и обучение моделей проведено с помощью языка программирования Python и аналитической платформы Loginom, позволяющей минимизировать написание исходного кода. Прогнозирование с указанным набором методов и данных продемонстрировало невысокую точность моделей при мультиклассовом прогнозировании, составившую менее 60 %. При решении же задачи бинарной классификации системы (исправна/отказ) лучшую точность показала оптимизированная модель на основе алгоритма «Случайный лес» с применением метода главных компонент и подбора гиперпараметров: точность - 97,4 %, прецизионность - 99 %, полнота - 98 %. Точность модели простейшей нейронной сети - многослойного персептрона - составила 91 %. Полученные результаты исследований можно использовать при создании систем интеллектуального мониторинга и внедрения их на производственные участки для повышения эксплуатационной надежности нефтеперекачивающего оборудования, а также при корректировке сроков планово-предупредительного ремонта. The purpose of this study is to analyze the effectiveness of the use of intelligent fault identification methods in determining the operability of the bearing assemblies of the main oil pump, taking into account the unstable operating mode. A two-circuit automated control system and diagnostics of the state of the pumping unit 12NDs-Nm with its identification as an object of vibration loading using machine learning methods is proposed. The simulation of the system was carried out using the Matlab Simulink software package, and for training forecasting models, retrospective data of vibration diagnostics of a centrifugal pump at the time of failure were used as an example. Modern machine learning tools are applied, using such basic methods as decision tree, random forest, logistic regression, multi-layer perceptron. Data processing and model training were carried out using the Python programming language and the Loginom analytical platform, which allows minimizing the writing of source code. Forecasting with the specified set of methods and data demonstrated low accuracy of models in multiclass forecasting, amounting to less than 60 %. When solving the problem of binary classification (the system is working/system failure) the optimized model based on the ‘‘Random Forest’’ algorithm, using the principal component method and the selection of hyperparameters, showed the best accuracy of the system. Its accuracy is 97.4 %, precision is 99 %, completeness is 98 %. The accuracy of the model of the simplest neural network, the multilayer perceptron, was 91 %. The obtained research results can be used when creating intelligent monitoring systems and introducing them to production sites to improve the operational reliability of oil pumping equipment, as well as when adjusting the timing of scheduled preventive maintenance.
Журнал: Наука и технологии трубопроводного транспорта нефти и нефтепродуктов
Выпуск журнала: Т.14, №1
Номера страниц: 36-47
ISSN журнала: 22212701
Место издания: Москва
Издатель: Научно-исследовательский институт трубопроводного транспорта