В России в два раза улучшили систему предсказания поломок газовых турбин

МОСКВА, 14 авг – РИА Новости. Нейросетевой подход к прогнозированию поломок газовых турбин и других силовых установок создали ученые ВолгГТУ. Разработка, как объяснили создатели, в два раза точнее аналогов, что позволит обеспечить качественно новый уровень технического обслуживания и снизить издержки предприятий. Результаты опубликованы в журнале Energies.

Обеспечение надежности силовых установок и другого оборудования топливно-энергетического комплекса является критически важной задачей сегодня, подчеркнули ученые.

По их словам, одним из направлений оптимизации расходов на энергетику и повышения ее надежности является разработка гибких и точных методов контроля износа оборудования. Применение таких систем позволит обеспечить бесперебойную работу энергетических предприятий и своевременный эффективный ремонт установок.

Ученые Волгоградского государственного технического университета (ВолгГТУ) разработали метод, позволяющий с большей точностью прогнозировать время выхода оборудования из строя.

Подход, основанный на нейросетевых моделях глубокого обучения, уже прошел проверку на газовых турбинах, а в перспективе, по словам создателей, он применим для любых промышленных двигателей и силовых установок.

«

"Каждому предприятию принципиально важно понимать, каково текущее состояние оборудования и что необходимо сделать, чтобы продлить его ресурс. Наш метод позволяет проводить эту оценку и снизить ошибку прогнозирования времени отказа оборудования в два раза по сравнению с существующими аналогами", – рассказал заведующий кафедрой систем автоматизированного проектирования и поискового конструирования факультета электроники и вычислительной техники ВолгГТУ Максим Щербаков.

Как объяснили создатели, разработка способна давать точные прогнозы при минимальном наборе данных об исходных характеристиках оборудования. Особенность нового подхода – использование нейросетевых механизмов, не требующих заранее обработанного массива данных.

Ученые использовали сверточные нейронные сети и нейронные сети для обработки последовательностей, благодаря чему новый метод можно применять для оборудования разных типов и для анализа редких повреждений, статистика по которым отсутствует.

"Классические подходы оценки ресурса оборудования построены на статистике поломок, но тут есть существенные ограничения: производители оборудования не всегда предоставляют развернутую статистику, и в целом количество зафиксированных отказов подобной техники слишком мало даже для самых мощных алгоритмов машинного обучения, "тренирующихся" на заранее подготовленных данных", – сообщил Щербаков.

Снижение ошибки прогнозирования дает техническому персоналу больше времени на принятие решения, объяснили ученые. По их словам, диспетчер будет проинформирован не только о времени потенциального отказа, но и об изменениях в работе установок, связанных с износом компонентов.

"Имея точную оценку времени отказа оборудования, можно скорректировать программу технического обслуживания или оптимизировать режим работы оборудования. Это позволит перейти к качественно новому уровню технического обслуживания", – подчеркнул Щербаков.

Кроме того, полученные результаты могут быть использованы производителями оборудования для формирования дополнительных сервисов для эксплуатантов, например для оценки качества ремонта, отметили ученые.

Предложенный метод является частью создаваемой в ВолгГТУ интеллектуальной платформы управления техническим состоянием оборудования для предприятий топливно-энергетического комплекса. Платформа позволит формировать цифровые двойники оборудования, оценивать и прогнозировать его техническое состояние, а также оптимизировать режимы работы для повышения экономического эффекта.

Создание платформы является стратегическим проектом ВолгГТУ в рамках реализации программы "Приоритет-2030".