Весь цикл работ
по автоматизации
Наши услуги — разработка и внедрение АСУТП «под ключ»
Установленная мощность автоматизированного оборудования — 33 000 МВт
Наши услуги — разработка и внедрение АСУТП «под ключ»
Установленная мощность автоматизированного оборудования — 33 000 МВт
Наши услуги — разработка и внедрение АСУТП «под ключ»
Установленная мощность автоматизированного оборудования — 33 000 МВт

Пресс-центр

Модель раннего обнаружения аварийных ситуаций на оборудовании электростанции на основе методов машинного обучения

Напечатать

Авторы: 1. А.А.Коршиковa, ООО “Инконтрол”, 115280, Россия, Москва, ул. Ленинская Слобода, д. 23, стр. 2., e-mail: aakorshikova@gmail.com
2. А.Г. Трофимов, Национальный исследовательский ядерный университет “МИФИ”, 115409, Россия, Москва, Каширское ш., д.

Рассматривается метод раннего обнаружения и предсказания аномальности функционирования технологического оборудования энергоблоков на примере питательного турбонасоса ПТН 1100- 350-17-4 энергоблока 300 МВт. Определяется актуальность задачи предсказания возможных неисправностей технологического оборудования на ранней стадии их возникновения и объясняются особенности ее решения в энергетике. Очерчен круг дефектов технологического оборудования, определение которых может быть эффективно осуществлено методами предиктивной аналитики. Подчеркивается принципиальный тезис достаточности существующего в программно-техническом комплексе автоматической системы управления технологическими процессами парка аналоговых и дискретных измерений для применения методов предиктивной аналитики. Приводится краткий обзор современных методов предиктивной аналитики и особенностей обучающих модель алгоритмов. Отдельное внимание уделено проблемам подготовки исходных данных для обучения модели. Формулируется математическая задача моделирования показателя аномальности, принимающего значения от 0 (нормальное функционирование) до 1 (аномальное функционирование). Она, в свою очередь, сформулирована как задача бинарной классификации векторов признаков, характеризующих состояние оборудования в данный момент времени. Предложен оригинальный подход, сочетающий в себе метод MSET (Multivariate State Estimation Technique), в котором степень аномальности в техническом состоянии определяется по превышению критерием Хотеллинга порогового уровня, рассчитываемого алгоритмом автоматически, и методы машинного обучения, позволяющие избежать некоторых трудностей, присущих MSET. Для определения состава наибо- лее информативных признаков, по значениям которых может быть обнаружено раннее развитие аварийной ситуации использован ансамбль регрессионных моделей. Дано обоснование способа выбора моделируемой переменной и множества регрессоров. Метод расчета показателя аномальности основан на формировании ансамбля линейных регрессионных моделей. Продемонстрировано преимущество этого метода перед применением единственного классификатора. Предложен метод формирования сигнализации обнаружения аномальности работы технологического оборудования энергоблоков. Показано, что предложенная модель позволила выявить начало развития аварийной ситуации, в то время как отдельные параметры не выявили особенности функционирования насоса в предаварийном интервале времени.

Ключевые слова: технологическое оборудование, обнаружение аномалий, предиктивная аналитика, комитет классификаторов, логистическая регрессия.

Модель раннего обнаружения аварийных ситуаций на оборудовании электростанции на основе методов машинного обучения (pdf, 3.932 Mb)
Пока нет ни одного сообщения

Добавить комментарий
* Согласен на обработку персональных данных (подробнее)
Настоящим подтверждаю свое согласие на обработку персональных данных, ознакомлен и согласен с условиями политики конфиденциальности