Разработка интеллектуальной системы диагностики теплоэнергетического оборудования на основе нечетких нейронных сетей

Бесплатный доступ

Разрабатываемая в данной статье интеллектуальная система диагностики оборудования технологических процессов в топливно-энергетическом комплексе РФ имеет ряд преимуществ перед подобными системами, так как отвечает на ряд вызовов, которые ставит перед ТЭК РФ существующая обстановка. Авторы разработали механизм, архитектуру и цифровой инструментарий для создания интеллектуальных систем диагностики теплоэнергетического оборудования с возможностью распознавания текущего состояния объекта в условиях динамической подачи информации. Провели анализ установки с использованием метода Байеса для оценки состояний объектов системы теплоснабжения, подтвердив применимость этого подхода. Были определены цифровые инструменты, необходимые для функциональности разрабатываемой интеллектуальной системы. Создана архитектура системы принятия решений, а также разработан алгоритм механизма логического вывода нечёткой нейронной сети. В результате разработанная система позволяет формализовать мнения экспертов в количественных метриках, объединять данные с измерительных устройств, проводить диагностическую оценку состояния и предлагать решения. Система обладает высокой достоверностью получаемых данных и позволяет накапливать и сохранять информацию, создавая структурированный массив данных и инженерную онтологию. Разработка и интеграция подобных интеллектуальных систем ориентирована на повышение эффективности и минимизацию ресурсных затрат.

Еще

Интеллектуальная система диагностики, топливно-энергетический комплекс, измерительно-вычислительный комплекс, система мониторинга, инженерная онтология

Короткий адрес: https://sciup.org/147243282

IDR: 147243282   |   DOI: 10.14529/power240108

Список литературы Разработка интеллектуальной системы диагностики теплоэнергетического оборудования на основе нечетких нейронных сетей

  • Веселова Н.М., Зеляковский Д.В. Интеллектуальные системы диагностики энергетического оборудования // Современные методы и приборы контроля качества и диагностики состояния объектов: сб. ст. 7-й Междунар. науч.-техн. конф., Могилев, 24–25 сентября 2020 г. Могилев: Белорусско-Российский университет, 2020. С. 45–50.
  • Интеллектуальная диагностика систем электрооборудования и связи магистральных трубопроводов / О.В. Крюков, А.В. Саушев, М.Н. Сычев [и др.]. М.; Вологда: ООО «Изд-во «Инфра-Инженерия», 2022. 276 с.
  • Повышение надежности эксплуатации электрооборудования и сетей 6–10 кВ при использовании цифровых технологий / Н.П. Кондратьева, В.К. Ваштиев, А.В. Радикова, А.А. Шишов // Актуальные вопросы энергетики АПК: Материалы Нац. науч.-практ. конф., посвященной 100-летию плана ГОЭРЛО, Ижевск, 03–04 декабря 2020 г. Ижевск: Ижевская государственная сельскохозяйственная академия, 2021. С. 42–45.
  • Подходы к построению интеллектуальной системы мониторинга, диагностики и прогнозирования технического оборудования / Р.Н. Поляков, Н.В. Крупенин, И.Е. Кудрявцев [и др.] // Современные мате-риалы и технологии восстановления и упрочнения деталей промышленного оборудования: сборник мате-риалов первой международной научно-практической конференции, Старый Оскол, 16–17 сентября 2021 г. Старый Оскол: Старооскольский технологический институт (филиал) Федерального государственного автономного образовательного учреждения высшего профессионального образования «Национальный исследовательский технологический университет «МИСиС», 2021. С. 81–85.
  • The role of hydrogen and fuel cells in the global energy system / I. Staffell, K.R. Ward, D. Scamman et al. // Energy & Environmental Science. 2019. Vol. 12, no. 2. P. 463–491. DOI: 10.1039/c8ee01157e
  • Проблемы замены изношенного оборудования в электроэнергетике России: приоритеты модернизации в контексте обеспечения надежности и безопасности / Е.П. Грабчак, Е.Л. Логинов, Ю.А. Романова // Проблемы безопасности и чрезвычайных ситуаций. 2019. № 5. С. 38–43. DOI: 10.36535/0869-4176-2019-05-5
  • Duan J., He Y., Wu X. A space hybridization theory for dealing with data insufficiency in intelligent power equipment diagnosis // Electric Power Systems Research. 2021. Vol. 199. DOI: 10.1016/j.epsr.2021.107363
  • Zhang L., Wang J. Intelligent safe operation and maintenance of oil and gas production systems: Con-notations and key technologies // Natural Gas Industry B. 2023. Vol. 10, iss. 3. P. 293–303. DOI: 10.1016/j.ngib.2023.05.006
  • Ibrahim A.I., Dommel H.W. An intelligent support system for the analysis of power system transients // International Journal of Electrical Power & Energy Systems. 2003. Vol. 25, iss. 1. P. 71–77. DOI: 10.1016/S0142-0615(02)00022-4
  • Хальясмаа А.И. Разработка системы оценки технического состояния электросетевого оборудования на основе нейро-нечеткого логического вывода: дис. … канд. техн. наук. Екатеринбург, 2015. 167 с.
  • Петров А.М., Попов А.Н. Разработка интеллектуальной системы поддержки принятия решений по оценке состояния объектов системы теплоснабжения // Автоматизация и информатизация ТЭК. 2023. № 6 (599). С. 15–21. DOI: 10.33285/2782-604X-2023-6(599)-15-21
  • Петров А.М., Попов А.Н., Кузяков О.Н. Совершенствование архитектуры интеллектуальных систем управления // Автоматизация и информатизация ТЭК. 2023. № 4 (597). С. 15–22. DOI: 10.33285/2782-604X-2023-4(597)-15-22
  • Carvajal G., Maucec M., Cullick S. Chapter Five – Workflow Automation and Intelligent Control // Intel-ligent Digital Oil and Gas Fields. Gulf Professional Publishing, 2018. P. 149–195. DOI: 10.1016/B978-0-12-804642-5.00005-0
  • Basu S., Debnath A. Power Plant Instrumentation and Control Handbook: A Guide to Thermal Power Plants. Second Edition. Academic Press, 2019. 631 p. DOI: 10.1016/B978-0-12-819504-8.00007-X
  • Suárez-Ramón L., Carou-Álvarez J. Advance Metering Infrastructure in Smart Grids // Encyclopedia of Electrical and Electronic Power Engineering. Elsevier, 2023. P. 327–333. DOI: 10.1016/B978-0-12-821204-2.00013-1
  • Барский А.Б., Мельник Д.И. Нейросетевая модель целераспределения для вычислительной системы архитектуры data flow // Информационные технологии. 2019. Т. 25, № 7. С. 441–448. DOI: 10.17587/it.25.441-448
  • Hidden Markov model based principal component analysis for intelligent fault diagnosis of wind energy converter systems / A. Kouadri, M. Hajji, M. Harkat et al. // Renewable Energy. 2020. Vol. 150. P. 598–606. DOI: 10.1016/j.renene.2020.01.010
  • Towards next-generation energy planning decision-making: An expert-based framework for intelligent decision support / H. Sellak, B. Ouhbi, B. Frikh, I. Palomares // Renewable and Sustainable Energy Reviews. 2017. Vol. 80. P. 1544–1577. DOI: 10.1016/j.rser.2017.07.013
  • Kats V.A., Adamtsevich L.A. Estimation of the Defect Hazard Class in Building Structures: a Decision Support System // International Journal for Computational Civil and Structural Engineering. 2021. Vol. 17, no. 4. P. 106–114. DOI: 10.22337/2587-9618-2021-17-4-106-114
  • Challenges for the cyber-physical manufacturing enterprises of the future / H. Panetto, B. Iung, D. Ivanov et al. // Annual Reviews in Control. 2019. Vol. 47. P. 200–213. EDN VKEWKV. DOI: 10.1016/j.arcontrol.2019.02.002
  • Javaid M., Haleem A., Singh R., Suman R. An integrated outlook of Cyber-Physical Systems for Industry 4.0: Topical practices, architecture, and applications // Green Technologies and Sustainability. 2023. Vol. 1, iss. 1. DOI: 10.1016/j.grets.2022.100001
Еще
Статья научная