Нейросетевые модели технологического оборудования в системе мониторинга и предиктивной аналитики

Артем Сергеевич Шабунин; Михаил Юрьевич Чернецкий; Роман Владиславович Осиповский

doi:10.34831/10.34831/EP.2023.1108.11.007

Нейросетевые модели технологического оборудования в системе мониторинга и предиктивной аналитики

Артем Сергеевич Шабунин, Михаил Юрьевич Чернецкий, Роман Владиславович Осиповский

Аннотация

Разработана нейросетевая суррогатная модель газотурбинного двигателя (ГТД), которая аппроксимирует более сложную физико-математическую модель. Продемонстрированы результаты работы модели. Предложен метод оценки технического состояния объекта на основе метода обратного распространения ошибки искусственной нейронной сети. Описаны основные сценарии использования, сделаны выводы о потенциальных преимуществах нейросетевых суррогатных моделей.

Ключевые слова

система предиктивной аналитики, диагностика, газотурбинная установка, математическое моделирование, суррогатное моделирование, искусственные нейронные сети, методы оптимизации.

Полный текст:

PDF

Литература

Дзюба, Ю.В. Прогнозирование технического состояния энергетического оборудования: проблемы и решения [Текст] / Ю.В. Дзюба, М.Ю. Чернецкий // Автоматизация в промышленности. -- 2023. -- № 6. -- С. 45 -- 48.

Bedir, R.D. Predictive maintenance using digital twins: A systematic literature review [Text] / R.D. Bedir, T.C. Catal // Information and Software Technology12 July 2022. – 2022/ -- Vol. 151, No. 107008.

Шабунин, А.С. Физико-математические модели газотурбинных установок в системе предиктивной диагностики ПРАНА [Текст] / А.С. Шабунин, М.Ю. Чернецкий // Научный журнал Российского газового общества. -- 2022. -- № 4. -- С. 72 -- 81.

Thombrea, M.N. Developing Surrogate Models via Computer Based Experiments [Text] / M.N. Thombrea, H.A. Preisiga, M.B. Addisa // 12th International Symposium on Process Systems Engineering and 25th European Symposium on Computer Aided Process Engineering (31 May -- 4 June 2015). -- Copenhagen, Denmark, 2015.

Jiang, P. Surrogate model-based engineering design and optimization [Text] / P. Jiang, Q. Zhou, X. Shao. – Berlin/Heidelberg, Germany: Springer, 2020.

Bhosekar, A. Advances in surrogate based modeling, feasibility analysis, and optimization [Text]: A review / A. Bhosekar, M. Ierapetritou // Computers & Chemical Engineering. – 2018. -- Vol. 108. – P. 250 – 267.

Яубатыров, Р.Р. Технология оптимизации фонда скважин системы поддержания пластового давления на основе гибридного моделирования [Текст] / Р.Р. Яубатыров, В.С. Котежеков, В.М. Бабин, Е.Е. Нужин // PROНЕФТЬ. Профессионально о нефти. -- 2019. – Вып. 2. -- С. 30 -- 36.

Maziar, R. Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations [Text] / R. Maziar, P. Perdikaris, G.E. Karniadakis // Journal of Computational Physics 378. – 2019. – Р. 686 – 707.

DOI: http://dx.doi.org/10.34831/10.34831/EP.2023.1108.11.007