Аннотация
Показатели действительного технического состояния объекта в некоторый дискретный момент времени несут в основном информацию о функционировании объекта в прошлом и не позволяют сказать о поведении объекта в предстоящий период эксплуатации. В то же время эффективность диагностирования существенно возрастает, когда при этом решается задача прогнозирования изменения состояния объекта в будущие моменты времени. Возможность предсказать неуправляемые аспекты эксплуатации объекта перед принятием решения о выводе его в ремонт позволяет сделать наилучший выбор сроков и объемов ремонта. Целью исследования является создание моделей прогнозирования технического состояния газопоршневых агрегатов, учитывающих влияние внешних факторов, на основе массива исторических данных о техническом состоянии. При разработке моделей использовались модели регрессии временных рядов. Созданы модели прогнозирования изменения технического состояния газопоршневых агрегатов на основе моделей регрессии временного ряда, в том числе модель линейной регрессии, модель регрессии с использованием метода опорных векторов, модель регрессии Гауссовского процесса, деревья регрессии. Сделаны выводы о наибольшей точности модели регрессии Гауссовского процесса для описания процесса изменения технического состояния газопоршневых агрегатов. Предложенные методы позволили довольно точно спрогнозировать изменение технического состояния газопоршневых агрегатов с учетом влияния внешних факторов, таких как межремонтный интервал, качество технического обслуживания и ремонта, сезонные изменения состава попутного нефтяного газа, резкие изменения нагрузок. Результаты могут быть использованы в качестве основы для создания систем предиктивного технического обслуживания газопоршневых агрегатов.
Ключевые слова
техническое состояние, прогнозирование, газопоршневой агрегат, модель регрессии временного ряда, машинное обучение, модель линейной регрессии, метод опорных векторов, Гауссовский процесс, деревья регрессии
1. A data-model-fusion prognostic framework for dynamic system state forecasting / J. Liu, W. Wang, F. Ma, Y. Yang, C. Yang // Engineering Applications of Artificial Intelligence. 2012. No. 4(25). Pp. 814-823. doi:10.1016/j.engappai.2012.02.015
2. Рябов А.А. Обзор существующих методов оценки остаточного ресурса оборудования нефтегазопереработки // Нефтегазовое дело. 2016. №1. С. 198-220.
3. Сай Ван Квонг, Щербаков М.В. Метод прогнозирования остаточного ресурса на основе обработки данных многообъектных сложных систем // Прикаспийский журнал: управление и высокие технологии. 2019. №1(45). С. 33-44.
4. Серебряков А.В., Стеклов А.С., Титов В.Г. Мониторинг и прогнозирование технического состояния автономных электротехнических комплексов: монография. Нижний Новгород: Нижегородский государственный технический университет им. Р.Е. Алексеева, 2018. 175 с.
5. A physics-based modeling approach for performance monitoring in gas turbine engines / H. Hanachi, A. Liu, Y. Banerjee, Y. Chen, A. Koul // IEEE Transactions on Reliability. 2015. No. 1(64). Pp. 197-205. doi:10.1109/TR.2014.2368872
6. Remaining useful life prediction for a nonlinear heterogeneous Wiener process model with an adaptive drift / Z. Huang, Z. Xu, W. Wang, Y. Sun // IEEE Transactions on Reliability. 2015. No. 2(64). Pp. 687-700. doi:10.1109/TR.2015.2403433
7. A Model-Based Method for Remaining Useful Life Prediction of Machinery / L. Yaguo, L. Naipeng, G. Szymon, L. Jing, R. Stanislaw, D. Jacek // IEEE Transactions on Reliability. 2017. No. 3(65). Pp. 1314-1326. doi:10.1109/TR.2016.2570568
8. An adaptive recurrent neural network for remaining useful life prediction of lithium-ion batteries / J. Liu, A. Saxena, K. Goebel, B. Saha, W. Wang // Annual Conference of the Prognostics and Health Management Society. Portland, Oregon, 2010. Vol. 2(1). Pp. 1-29. doi: 10.36001/phmconf.2010.v2i1.1896
9. Liu J., Wang W., Golnaraghi F. A multi-step predictor with a variable input pattern for system state forecasting // Mechanical Systems and Signal Processing. 2009. No. 5(23). Pp. 1586-1599. doi:10.1016/j.ymssp.2008.09.006
10. On the Use of Time-Limited Information for Maintenance Decision Support: A Predictive Approach under Maintenance Constraints / E. Khoury, E. Deloux, A. Grall, C. Berenguer // Mathematical Problems in Engineering. 2013. 983595. doi: 10.1155/2013/983595
11. Prediction of Remaining Useful Lifetime (RUL) of Turbofan Engine using Machine Learning / V. Mathew, T. Toby, V. Singh, B.M. Rao and M.G. Kumar// International Conference on Circuits and Systems (ICCS). IEEE, 2017. doi: 10.1109/ICCS1.2017.8326010
12. Демиденко Е.З. Линейная и нелинейная регрессии. М.: Финансы и статистика, 1981. 302 с.
13. Cristianini N., Shawe-Taylor J. An Introduction to Support Vector Machines and Other Kernel-based Learning Methods. UK: Cambridge University Press, 2000. doi:10.1017/S0263574700232827
14. Котова Д., Панов М. Гауссовские процессы для активного обучения в задаче классификации // Информационные технологии и системы (ИТиС): сборник трудов 43-й междисциплинарной школы-конференции ИППИ РАН. Пермь: Институт проблем передачи информации им. А.А. Харкевича РАН, 2019. С. 471-478.
15. Classification and regression trees / Breiman L., Friedman J., Olshen R.A., Stone C.J. New York: Routledge, 2017. doi: 10.1201/9781315139470
16. Data-driven reference evapotranspiration (ET0) estimation: a comparative study of regression and machine learning techniques / J. Rajput, S.Man, K. Lal, M. Khanna, A. Sarangi, J. Mukherjee, S. Singh // Environment, Development and Sustainability. 2023. doi:10.1007/s10668-023-03978-4
Зайниев А.В., Шайдуллин В.Ф., Хакимьянов М.И. Прогнозирование технического состояния газопоршневых агрегатов // Электротехнические системы и комплексы. 2024. № 1(62). С. 51-55. https://doi.org/10.18503/2311-8318-2024-1(62)-51-55