Содержание к диссертации
Введение
1 Обзор методов идентификации технического состояния газоперекачивающих агрегатов 12
1.1 Задача идентификации технического состояния газоперекачивающих агрегатов на газокомпрессорных станциях 12
1.2 Основные принципы технического обслуживания газоперекачивающих агрегатов 18
1.3 Основные факторы, оказывающие влияние на загрязнение лопаток осевого компрессора 27
1.4 Существующие решения задачи идентификации и управления техническим состоянием газоперекачивающих агрегатов 31
1.5 Использование ассоциативных нейросетевых структур для решения задачи идентификации 33
Выводы по первому разделу 37
2 Разработка модели идентификации технического состояния газоперекачивающих агрегатов 39
2.1 Идентификация технического состояния 39
2.2 Методика формирования набора обучающих векторов и нулевого слоя нейросетевой структуры 43
2.3 Разработка математической модели идентификации технического состояния 49
2.4 Емкость ассоциативной памяти нейросетевой структуры 54
2.5 Алгоритм решения задачи идентификации и прогнозирования 58
2.6 Разработка алгоритма обучения клеточного слоя нейросетевой структуры
2.6.1 Разработка структуры и основные особенности функционирования алгоритма 60
2.6.2 Параллелизм модифицированного генетического алгоритма 66
Выводы по второму разделу 67
3 Автоматизированная система управления техническим состоянием газоперекачивающих агрегатов с газотурбинным приводом «TD GPA» 69
3.1 Разработка структуры системы 69
3.2 Организация электронного документооборота системы и подсистем обработки данных 75
3.3 Разработка интерфейсной части системы и управление процессами 83
Выводы по третьему разделу 93
4 Проведение экспериментального исследования и оценки адекватности разработанной модели идентификации технического состояния 95
4.1 Организация сбора данных и прогнозирования 95
4.2 Верификация модели 101
4.3 Оценка точности для различных периодов функционирования ГПА 103
Выводы по четвертому разделу 109
Заключение ПО
Список использованных источников
- Основные принципы технического обслуживания газоперекачивающих агрегатов
- Существующие решения задачи идентификации и управления техническим состоянием газоперекачивающих агрегатов
- Емкость ассоциативной памяти нейросетевой структуры
- Оценка точности для различных периодов функционирования ГПА
Основные принципы технического обслуживания газоперекачивающих агрегатов
Снижение эксплуатационных характеристик нефтегазового оборудования с течением времени является естественным процессом, приводящим к снижению его эффективности. Для поддержания технического состояния механизмов на уровне, допустимом по соответствующим нормативам, проводится комплекс организационно-технических мероприятий, называемых обслуживанием.
Эксплуатацию всех технических средств связи КС, задействованных на организацию вышеперечисленных видов связи, осуществляет персонал узлов связи, входящий в состав производственных служб компрессорных станций [70, 74].
Под понятием «техническая эксплуатация ГПА» понимается выполнение комплекса технических и организационных мероприятий, обеспечивающих эффективное использование и длительное поддержание на высоком техническом уровне состояния газоперекачивающего и вспомогательного оборудования компрессорных станций [86,87]. Это значит, что план транспорта газа при эксплуатации газоперекачивающего оборудования необходимо выполнить с минимальными расходами топливного газа и смазочного масла, отсутствием вынужденных и аварийных остановок ГПА и обеспечением номинальной загрузки агрегатов [84].
Обслуживание ГПА в процессе пуска, остановки и работ осуществляет оперативный дежурный персонал, которым руководит сменный инженер (оператор). Процесс эксплуатации ГПА не существует самостоятельно. Эксплуатация компрессорного цеха осуществляется как единый технологический комплекс, взаимосвязанный с линейной частью газопровода и работой соседних КС.
Поэтому количество работающих ГПА и режим их работы определяется центральной диспетчерской службой (ЦДС) предприятия. В соответствии с ее заданием оперативный персонал обязан обеспечивать оптимальный режим перекачки газа через компрессорную станцию [58,82].
Контроль за состоянием основного и вспомогательного оборудования сводится к периодической регистрации эксплуатационных параметров, анализу причин их изменения и отклонения от нормальных величин и предупреждению аварийных режимов работы. Любые отклонения параметров работы от установленных инструкциями по эксплуатации ГПА должны немедленно выясняться и устраняться. При невозможности определить причину нарушения агрегат должен быть остановлен, а вместо него пущен другой, находящийся в резерве.
Регистрация эксплуатационных параметров ГПА осуществляется регулярно с периодичностью 1-2 часа с записью этих параметров в суточных ведомостях компьютера. Эти показатели фиксируются при обходе и осмотре оборудования с главных и местных щитов управления, а также с отдельных приборов или мест, обозначенных инструкциями заводов-изготовителей [57,63,71].
Условно, контроль за состоянием ГПА в процессе работы можно разделить на 3 составляющих: обеспечение технологического режима КС; обслуживание ГІГА; контроль за состоянием вспомогательного оборудования и систем. Последовательная работа двух, трех центробежных нагнетателей используется для поддержания требуемого давления газа на участке газопровода КС. Параллельная работа ГПА обеспечивает повышение производительности КС при сохранении требуемого давления газа в газопроводе.
При работе ГПА, а также при пуске дополнительных ГПА или изменении схемы их работы необходимо следить за тем, чтобы давление газа после нагнетателя не превышало проектно-разрешенного, что достигается путем регулирования частоты вращения роторов. В процессе эксплуатации необходимо контролировать объемные расходы газа через центробежные нагнетатели и предупреждать возможность работы их в зонах с пониженным объемным расходом и повышенной степенью сжатия, т.е. в зоне помпажа [55,56,59].
Для обеспечения технологического режима очень важно контролировать параметры технологического газа в процессе его движения как по газопроводу, так и при прохождении его в трубных обвязках и оборудовании КС. К этим параметрам относятся давление или перепад давлений и температура технологического газа. Контроль этот необходимо вести с целью предупреждения условий возникновения дополнительных гидравлических потерь и гидратообразования. Контроль сводится к замеру перепада давления и его изменению во времени на участках газопроводов, установках очистки и охлаждения газа и на защитных решетках ГПА. Для уменьшения перепада давлений необходимо производить периодическую продувку установок очистки газа, очистку поршнем газопровода, своевременную заливку метанола, поддерживать температуру газа путем включения необходимого числа аппаратов охлаждения и не допускать ее чрезмерного превышения или снижения при изменениях температуры окружающей среды [2,34,61,62,71]. Наибольший объем работ при эксплуатации КС приходится на обслуживание ГПА. Обслуживание ГПА в основном сводится к контролю за соблюдением параметров в соответствии с инструкциями заводов-изготовителей.
Кроме контроля за состоянием ГПА по приборам, сменный персонал обязан производить осмотр работающих ГПА.
Техническое обслуживание систем добычи и транспорта углеводородов включает в себя аварийные, восстановительные и профилактические мероприятия, проводимые для обеспечения необходимых эксплутационных характеристик - производительности, энергозатрат и уровня надежности.
Виды обслуживания могут быть планово-предупредительные, т.е. выполняющиеся в заранее заданном объеме и в запланированные сроки, и вынужденные, необходимость которых вызывается выходом оборудования из строя [36,72].
Проведение мероприятий по обслуживанию оборудования требует значительных затрат, чем определяется актуальность разработки методов по их снижению.
Если снижение числа аварийных ремонтов является задачей диагностики, то периодичность проведения плановых определяется соответствующими нормативами, выработанными на основе испытаний оборудования на надежность [72].
Однако нормативы на межремонтные периоды устанавливались для оборудования, не выработавшего максимальный установленный рабочий ресурс, что при современном состоянии технического парка предприятий нефтегазового комплекса во многих случаях не выполняется. Поэтому весьма актуальной становится задача определения межремонтного периода с учетом текущего технического состояния оборудования.
С другой стороны вмешательство в процесс работы любого технического устройства нежелательно.
Отказы технологического оборудования, его ремонт и замена приводят к финансовым убыткам вследствие затрат на восстановительные работы и уменьшения объемов добытой продукции. Информационно-измерительные системы позволяют немедленно устанавливать факт отказа.
Однако мгновенно ликвидировать отказы оборудования не всегда возможно, что приводит как к общему уменьшению уровня надежности, так и к финансовым потерям за счет недопоставок продукции. В связи с этим, представляется актуальным решение задачи установки сроков и объёмов обслуживающих работ и замен оборудования [52].
При выборе момента начала ремонтных мероприятий необходимо учитывать стоимостные характеристики, такие, как стоимость электроэнергии, потребляемую приводом, затраты на ремонт и стоимость добытой продукции.
В связи с этим особую важность приобретают вопросы прогнозирования затрат на содержание необходимого уровня надежности и безопасности объектов в комплексе с решением задачи повышения рентабельности.
Многие обслуживающие мероприятия, производимые на технологическом оборудовании, не вызваны острой необходимостью, но их проведение способствует улучшению экономических показателей эксплуатации оборудования. Однако даже те виды профилактики, которые производятся без замен изношенных узлов, без разборки механизма и даже без остановки работающего устройства могут наносить ущерб, выражающийся в снижении рабочего ресурса машины.
Существующие решения задачи идентификации и управления техническим состоянием газоперекачивающих агрегатов
Нейроподобные структуры дают возможность по новому подойти к решению целого ряда задач, считающихся традиционно сложными для вычислительных машин [3, 6,7, 19].
В настоящее время создано большое количество вычислительных средств, позволяющих распараллеливать решение задач. Опыт работы с такими устройствами показывает, что хорошие результаты получаются в тех случаях, когда обрабатываемые данные имеют однородную структуру (векторы, матрицы и т.п.), однако попытки применения их для решения задач, связанных с поиском на графах, и аналогичных задач, к которым обычно сводят проблемы искусственного интеллекта, наталкиваются на большие трудности.
Нейроподобные структуры дают возможность организовать данные в виде однородных массивов и применить методы распараллеливания, но при этом они дают и новые возможности поиска хранящейся в этих структурах информации, что позволяет надеяться на новые подходы к решению задач искусственного интеллекта.
Восстанавливать целостность информации по ее части позволяет такое свойство нейроподобных структур как ассоциативность. Подобное свойство пытались воспроизвести на всех этапах развития вычислительной техники, однако в подавляющем большинстве случаев предложенные ассоциативные устройства осуществляют поиск информации по заранее выделенной ее части (по ключу). Ассоциативность нейроподобных структур отличается от ассоциативности большинства других типов технических устройств возможностью восстановления информации по любой ее части [7,18].
Одной из задач, решаемых с помощьюассоциативных нейроподобных структурявляется задача классификации. Разработаны разнообразные автоматические классификаторы и классифицирующие программы, реализуемые на универсальных ЭВМ. Особенностью нейроподобных структур является то, что способность к автоматической классификации внутренне присуща многим таким структурам и для ее реализации не требуется применение дополнительных мер.
В процессе обучения нейроподобные структуры способны перестраиваться для решения различных задач. Многие программы в той или иной степени такой способностью обладают и все-таки в целом основным способом подготовки вычислительной машины к решению новой задачи остается создание новой программы и обучение, а основным способом подготовки нейроподобных структур к решению новых задач является обучение. Также следует отметить, что нейроподобные структуры работают с высокой надежностью [19]. Эксперименты, проведенные на вычислительных машинах, показывают, что выход из строя большого количества элементов нейроподобной сети (до 10 %, а иногда и более) не приводит к отказам в работе всей структуры. Надо отметить, что хотя источник высокой надежности нейроподобных структур обычный - дублирование элементов, в отличие от традиционных схем дублирования оно не приводит к избыточным затратам аппаратуры, поскольку в нейроподобных структурах каждый элемент принимает участие в реализации многих функций, что позволяет при высокой степени дублирования экономно использовать рабочие элементы.
Отказ каждого элемента в нейроподобной структуре ведет к ухудшению многих функций, но это ухудшение настолько мало, что его, как правило, практически невозможно обнаружить. Исследования А. А. Короткого и В. В. Майорова а также работы А.В. Селихова показали высокую перспективность использования нейронных сетей на основе нейрофизиологических феноменов для построения систем наблюдения и прогнозирования [6]. Двунаправленная ассоциативная память (ДАЛ) является гетероассоциативной; входной вектор поступает на один набор нейронов, а соответствующий выходной вектор вырабатывается на другом наборе нейронов.
Как и сеть Хопфилда, ДАЛ способна к обобщению, вырабатывая правильные реакции, несмотря на искаженные входы. Кроме того, могут быть реализованы адаптивные версии ДАЛ, выделяющие эталонный образ из зашумленных экземпляров. Эти возможности сильно напоминают процесс мышления человека и позволяют искусственным нейронным сетям сделать шаг в направлении моделирования мозга.
Входной вектор А обрабатывается матрицей весов Wсети, в результате чего вырабатывается вектор выходных сигналов нейронов В. Вектор В затем обрабатывается транспонированной матрицей Ш весов сети, которая вырабатывает новые выходные сигналы, представляющие собой новый входной вектор А Этот процесс повторяется до тех пор, пока сеть не достигнет стабильного состояния, в котором ни вектор А, ни вектор В не изменяются. Заметим, что нейроны в слоях 1 и 2 функционируют, вычисляя сумму взвешенных входов и вычисляя по ней значение функции активации F. Этот процесс может быть выражен следующим образом:
Емкость ассоциативной памяти нейросетевой структуры
В разработанной системе предусмотрено наличие двух несвязанных подсистем электронного документооборота, выполняющих следующие функции:
1) сбор текущей параметрической информации из внешних источников, представляющих собой электронные документы, как правило форматов .xls, .doc и .txt;
2) ведение журналов событий различных категорий как для контроля и управления системы так и для контроля действий оператора, управляющего данной системой (такие внутренние системные логи представлены в формате .txt.);
Основным источником параметрической информации, используемой системой при управлении ТС ГПА являются базы параметрической информации, формируемые САУ КВАНТ и представляющие собой наборы электронных документов различных видов.
Не смотря на строгую блочную организацию данных в указанных документах, сами документы имеют динамическую структуру, зависящую от временных показателей.
Вышеуказанные факторы послужили причиной формирования специализированной подсистемы электронного документооборота. В данном подразделе описывается структура, основные принципы и особенности функционирования подсистемы документооборота, реализующей следующие фикции: 1) выделение внутри указанного набора электронных документов (т.н. базы параметрической информации) документов, содержащих требуемые системе наборы данных; 2) логическое разбиение каждого отдельного требуемого документа на блоки данных, включающие наборы параметрической информации, собранной САУ за один шаг наблюдения; 3) выделение из сформированных блоков данных значений отдельных параметров и передача указанных значений в систему.
Пользователю системы в рамках данной подсистемы доступны следующие функции: - Установка источников параметрической информации. - Контроль коррект ности информации, поступающей из БД и организация действий в случае некорректной работы.
С целью минимизации влияния человеческого фактора, основные функции организации доступа к информационному наполнению возложены на разработанную систему.
Таким образом, указанная подсистема разработанной нами системы имеет вид, представленный на рисунке 3.5.
Подсистема сбора параметрической информации Оператору оставлен минимальный набор критически важных функций, часть которых, при штатной работе системы, настраиваются единожды и не требуют повторного вмешательства. Указанная подсистема, после проведения всех пользовательских настроек осуществляет выполнение следующих функций: - формирование пользовательского запроса к информационному наполнению документов; - формирование системного запроса доступа к информационному наполнению в случае текущего сбора информации; - преобразование блоков параметрической информации к типизированному виду, понятному системе управления;
При запуске нового процесса идентификации и управления для каждого отдельного ГПА, оператору необходимо указать пути доступа к каждой отдельной базе параметрической информации. В дальнейшем при возникновении необходимости, согласно заложенной модели система автоматически производит извлечение требуемой информации.
Рассмотрим алгоритм извлечения параметрической информации системой и указанного пользователем хранилища данных.
В процессе работы система непрерывно пошагово формирует массив параметрической информации.
В начале работы система фиксирует наличие в базе глобальных настроек и в базе настроек отдельного потока соответствующей информации об источниках данных. При их отсутствии система работает по алгоритму, показанному на рисунке 3.3.
Далее система определяет требуемый на данный момент параметр. Как правило в источниках данных требуемые параметры расположены группами, что позволяет извлекать из отдельных документов ряд параметров за один проход алгоритма.
Исходя из состава требуемых данных, используя базу моделей документов, система передает запрос на предоставление указанных данных (рисунок 3.6)
При отсутствии указанного файла или несоответствии используемой модели самой структуре документа, система переходит к алгоритму, представленному на рисунке 3.3. Если ошибок не возникает, система, с использованием информации и указанной модели, представленных в запросе, формирует из документа параметрический массив информации (рисунок 3.6).
На следующем этапе алгоритма, исходя из полученного запроса, а также текущего состояния системы и системного времени, указанный запрос дополняется, и генерируется предполагаемое имя файла, а также дополнительная сопровождающая информация.
После этого из массива информации извлекается требуемый параметр (в ряде случаев несколько параметров) и производится передача в блок преобразования информации (рисунок 3.7).
Поскольку документы, служащие основным источником информации, формируются САУ и имеют заранее установленную структуру, это позволило интегрировать алгоритм извлечения информационного наполнения, однако в силу модульной организации и высокой степени инкапсулированности, как состав, так и набор моделей документов может быть дополнен без существенной перестройки системы.
Оценка точности для различных периодов функционирования ГПА
Целью проводимых исследований является оценка точности прогнозирования ФТС ГПА, а также оценка уровня экономии топливного газа, при использовании разработанного нами математического и алгоритмического аппарата и применении созданного на его основе программного комплекса.
Для проведения комплекса исследований был разработан программный комплекс «TD GPA», позволяющий проводить на программном уровне сбор параметрических данных по работе отдельных ГПА, а также общие для всех агрегатов показатели.
В качестве источников сбора данных выступают следующие объекты: - база параметрической информации; - база системных журналов; - база моделей электронных документов. Первоначальный этап сбора данных предполагает опрос подключенной база параметрической информации данных о текущем периоде функционирования агрегата. При положительном отклике система приступает непосредственно в формированию массива данных.
Методика сбора данных САУ предполагает посменное формирование структурированных на базе определенных моделей электронных документов и хранение параметрической информации о функционировании ГПА в таких документах в табличной форме.
На данном этапе разработанная система производит автоматическое извлечение данных из указанной базы с использованием известной модели. Рассмотрим IEDF0 - диаграмму для этапа извлечения данных (рисунок 4.1). Модели электронных документов Управляющие данные Системные настройки TD GPA Прогнозируемое значение ФТС Прогнозирование ь технического состояния ГПА ь Внешние параметрические Управляющее воздействие данные Нормативы функцис нирования КС Рисунок Модель IEDF0 для системы управления техническим состоянием Как видно из диаграммы после извлечения параметрической информации из имеющихся в базе электронных документов, система, также организует соответствующую запись о проводимых действиях в журнале событий.
Формируемый на данном этапе вектор данных включает в себя только информацию, характерную для каждого ГПА в отдельности.
Этап сбора данных также предполагает использование ряда показателей, общих для всех ГПА. Такие показатели относят к внешним параметрическим данным и вводятся в систему обработки на следующем этапе (рисунок 4.2). На основании используемого набора данных, с учетом периода гарантированной работы ГПА строится модель идентификации технического состояния ГПА и проводится прогнозирование, а также проводится декомпозиция (рисунок 4.3).
Структура взаимодействия компонентов программного комплекса (диаграмма декомпозиции первого уровня) После ввода данных и извлечения соответствующей информации из базы параметрической информации, указанные данные формируются в массив информации, используемый при обучении нейросетевой модели для обучения, коррекции и последующего составления прогноза (алгоритм обучения указанной модели представлен в разделе 2).
При достижении указанного в настройках порогового значения ФТС или при возникновении иных предусмотренных в настройках событий система генерирует управляющее воздействие, поступающее к оператору.
Согласно установленного порогового значения ФТС (ФТСпорог), а также исходя из допустимых показателей погрешности (12 %) проводится сравнительный анализ точности управления ФТС.
Исходя из фактических данных о проводимых комплексах очистных мероприятий для отдельных ГПА, а также исходя из предположения о сохранении динамики изменения ФТС, рассчитывается период переработки ГПА, представляющий собой вектор значений: D - число фактических замеров параметров работы ГПА после достижения порогового значения ФТС; к - номер фактического замера параметров работы ГПА, на котором достигается пороговый уровень ФТС;
В качестве экспериментальных данных была использована информация, собираемая разработанной подсистемой из различных электронных документов в процессе функционирования ГПА, а также данные о проведении обслуживающих мероприятий в плановом режиме [49,50].
После формирования массива данных о работе отдельных ГПА за достаточно длительный промежуток времени (как правило более 120 часов), расположенных в хронологическом порядке, следует собственно анализ данных.
Остановка ГПА без проведения обслуживающих мероприятий и в штатном режиме, не оказывает значимого влияния на формирование массива информации.
При возникновении указанной ситуации заполнение экспериментального массива данных продолжается только после запуска ГПА и период простоя при настройке модели не учитывается.
Проведение очистных мероприятий без остановки ГПА или иных обслуживающих мероприятий. В данном случае формирование массива данных прекращается.
Для установки разработанного программного комплекса на КС было использовано имеющееся на станции программно-аппаратное обеспечение, которое в нашем случае в минимальной компоновке включает: 1) компьютер, используемый операторами АРМ для оперативного контроля работы ГПА; 2) базовое программное обеспечение ОС Windows ХР и средства сетевого администрирования Radmin; 3) оборудование и программное обеспечение САУ ГПА КВАНТ. Подобный подход позволил существенно снизить стоимость внедрения и обслуживания разработанного программного комплекса, а также исключил необходимость последующей реконфигурации существующего аппаратного обеспечения.