Academic Journal
Software implemented fault diagnosis of natural gas pumping unit based on feedforward neural network
| Τίτλος: | Software implemented fault diagnosis of natural gas pumping unit based on feedforward neural network |
|---|---|
| Πηγή: | Eastern-European Journal of Enterprise Technologies; Vol. 2 No. 2 (110) (2021): Information technology. Industry control systems; 99-109 Eastern-European Journal of Enterprise Technologies; Том 2 № 2 (110) (2021): Информационные технологии. Системы управления в промышленности; 99-109 Eastern-European Journal of Enterprise Technologies; Том 2 № 2 (110) (2021): Інформаційні технології. Системи управління в промисловості; 99-109 |
| Στοιχεία εκδότη: | РС ТЕСHNOLOGY СЕNTЕR, 2021. |
| Έτος έκδοσης: | 2021 |
| Θεματικοί όροι: | глубинное обучение, технічний стан, классификация, искусственная нейросеть, deep learning, штучна нейромережа, technical condition, техническое состояние, диагностирования, classification, газоперекачувальний агрегат, діагностування, газоперекачивающий агрегат, diagnostics, класифікація, глибинне навчання, artificial neural network, gas pumping unit |
| Περιγραφή: | В последние годы все большее внимание уделяется использованию искусственных нейронных сетей (ИНС) для диагностики газоперекачивающих агрегатов (ГПА). Обычно обучение ИНС проводят на моделях рабочих процессов ГПА, а для моделирования дефектных состояний используются сгенерированные наборы диагностических данных. При этом полученные результаты не позволяют оценить реальное состояние ГПА. Предложено в качестве входных данных ИНС использовать значения характеристик акустических и вибрационных процессов ГПА. Проведен дескриптивный статистический анализ реальных вибрационных и акустических процессов, сгенерированных работой ГПА типа ГТК-25і25і (фирма «Нуово Пиньйоне, Италія). Осуществлено формирование пакетов диагностических признаков, поступающих на вход ИНС. Диагностическими признаками являются пять максимальных амплитудных составляющих акустического и вибрационного сигналов, а также значения стандартного отклонения для каждой выборки. Диагностические признаки вычисляются непосредственно во входном конвейере данных ИНС в реальном времени для трех технических состояний ГПА. С использованием фреймворков TensorFlow, Keras, NumPy, pandas на языке программирования Python3 разработана архитектуру глубинной полносвязной ИНС прямого распространения, тренирующихся по алгоритму обратного распространения ошибки. Приводятся результаты обучения и тестирования разработанной ИНС. Во время тестирования установлено, что точность распознавания сигналов для состояния «номинальный» из всех 1475образцов сигналов составляет precision=1.0000, для состояния «текущий» precision=0.9853 и для состояния «дефектный» - precision=0.9091. Использование разработанной ИНС дает возможность классификации технических состояний ГПА с достаточной для практического применения точностью, что позволит предупредить возникновение отказов ГПА. ИНС может быть использована для диагностики ГПА любого типа и мощности In recent years, more and more attention has been paid to the use of artificial neural networks (ANN) for the diagnostics of gas pumping units (GPU). Usually, ANN training is carried out on GPU workflow models, and generated sets of diagnostic data are used to simulate defect conditions. At the same time, the results obtained do not allow assessing the real state of the GPU. It is proposed to use the characteristics of the acoustic and vibration processes of the GPU as the input data of the ANN. A descriptive statistical analysis of real vibration and acoustic processes generated by the operation of the GPU type GTK-25-i (Nuovo Pignone, Italy) was carried out. The formation of batches of diagnostic features arriving at the input of the ANN was carried out. Diagnostic features are the five maximum amplitude components of the acoustic and vibration signals, as well as the value of the standard deviation for each sample. Diagnostic features are calculated directly in the ANN input data pipeline in real time for three technical states of the GPU. Using the frameworks TensorFlow, Keras, NumPy, pandas, in the Python 3 programming language, an architecture was developed for a deep fully connected feedforward ANN, trained on the backpropagation algorithm. The results of training and testing the developed ANN are presented. During testing, it was found that the signal classification precision for the “nominal” state of all 1,475 signal samples is 1.0000, for the “current” state, precision equals 0.9853, and for the “defective” state, precision is 0.9091. The use of the developed ANN makes it possible to classify the technical states of the GPU with an accuracy sufficient for practical use, which will prevent the occurrence of GPU failures. ANN can be used to diagnose GPU of any type and power В останні роки все більшої уваги приділяється використанню штучних нейронних мереж (ШНМ) для діагностики газоперекачувальних агрегатів (ГПА). Зазвичай навчання ШНМ проводять на моделях робочих процесів ГПА, а для моделювання дефектних станів використовуються згенеровані набори діагностичних даних. При цьому отримані результати не дозволяють оцінити реальний стан ГПА. Запропоновано як вхідні дані ШНМ використати значення характеристик акустичних і вібраційних процесів ГПА. Проведено дескриптивний статистичний аналіз реальних вібраційних і акустичних процесів, згенерованих роботою ГПА типу ГТК-25і (GE Nuovo Pignone, Італія). Здійснено формування пакетів діагностичних ознак, що надходять на вхід ШНМ. Діагностичними ознаками є п’ять максимальних амплітудних складових акустичного та вібраційного сигналів, а також значення стандартного відхилення для кожної вибірки. Діагностичні ознаки обчислюються безпосередньо у вхідному конвеєрі даних ШНМ в реальному часі для трьох технічних станів ГПА. З використанням фреймворків TensorFlow, Keras, NumPy, pandas мовою програмування Python3 розроблено архітектуру глибинної повнозв’язної ШНМ прямого поширення, що тренуються за алгоритмом зворотного поширення помилки. Наводяться результати навчання та тестування розробленої ШНМ. Під час тестування встановлено, що точність розпізнавання сигналів для стану «номінальний» з усіх 1475зразків сигналів становить precision=1.0000, для стану «поточний» precision=0.9853 і для стану «дефектний» – precision=0.9091. Використання розробленої ШНМ дає можливість класифікації технічних станів ГПА з достатньою для практичного застосування точністю, що дозволить попередити виникнення відмов ГПА. ШНМ може бути використана для діагностування ГПА будь-якого типу та потужності |
| Τύπος εγγράφου: | Article |
| Περιγραφή αρχείου: | application/pdf |
| Γλώσσα: | English |
| ISSN: | 1729-3774 1729-4061 |
| Σύνδεσμος πρόσβασης: | http://journals.uran.ua/eejet/article/view/229859 |
| Rights: | CC BY |
| Αριθμός Καταχώρησης: | edsair.scientific.p..6d43d3f1e68af71d3030a11b1485cbd6 |
| Βάση Δεδομένων: | OpenAIRE |
| ISSN: | 17293774 17294061 |
|---|