Снижение влияния неопределенности исходной информации в интеллектуальных автоматизированных системах управления тепловыми процессами при обеспечении надежной эксплуатации энергетического оборудования
Аннотация
Неопределенность исходной информации, используемой для решения ключевых задач в интеллектуальной автоматизированной системе управления тепловыми процессами (АСУ ТП), влияет на расчет управляющих воздействий, реализацию оптимальных режимов работы оборудования и, как следствие, приводит к снижению надежности. Как правило, такого рода информация может быть качественной (использование экспертных знаний) и количественной. В этой связи крайне актуальной является задача снижения влияния неопределенности.
Цель работы — установление видов и источников неопределенности исходной информации, используемой интеллектуальной АСУ ТП, и формирование подходов для снижения ее влияния на надежность эксплуатации энергетического оборудования.
Обеспечение заданных показателей надежности, экономичности и экологичности в современных интеллектуальных АСУ ТП базируется на предиктивных стратегиях, когда прогнозируются техническое состояние оборудования, конкретные деградационные процессы, следовательно, неопределенности различных типов могут оказывать существенное негативное влияние.
Для снижения влияния неопределенности исходной информации, влияющей на надежность эксплуатации энергетического оборудования, предложено использование искусственных нейронных сетей. Их применение обеспечивает прогнозирование возникновения дефектов оборудования, а также его отказов на основе ретроспективных данных на заданные прогнозные интервалы времени.
Продемонстрирован способ снижения влияния аномалий, содержащихся в исходной информации, используемой в интеллектуальной АСУ ТП для объектов энергетики. Исследованы пропуски и выбросы данных, устранение которых обеспечивает снижение влияния неопределенности и повышение качества решения ключевых задач в интеллектуальных АСУ ТП. Проведены экспериментальные исследования, выявившие математические методы, обеспечивающие устранение пропусков и аномалий в исходной информации наилучшим образом.
Описаны методические аспекты устранения различных видов неопределенности, присутствующих при управлении объектами энергетики с использованием интеллектуальной АСУ ТП на ключевых этапах жизненного цикла оборудования энергетики.
Литература
2. Калядин А.Ю. SCADA-системы для энергетиков // Энергетик. 2000. № 9. С. 31—33.
3. Щербатов И.А. Управление сложными слабоформализуемыми многокомпонентными системами. Ростов-на-Дону: Изд-во ЮНЦ РАН, 2015.
4. Симанков В.С., Бучацкая В.В., Теплоухов С.В. Подход к учету неопределенности исходной информации в системных исследованиях // Вестник Адыгейского государственного ун-та. Серия «Естественно-математические и технические науки». 2017. Вып. 3(206). С. 100—108.
5. Щербатов И.А. Неопределенность в задачах моделирования и управления сложными слабоформализуемыми системами // Вестник НГУЭУ. 2014. № 3. С. 306—321.
6. ГОСТ 27625—88. Блоки энергетические для тепловых электростанций. Требования к надежности, маневренности и экономичности.
7. Ящура А.И. Система технического обслуживания и ремонта энергетического оборудования. М.: Изд-во НЦ ЭНАС, 2017.
8. Selcuk S. Predictive Maintenance, Its Implementation and Latest Trends // Proc. Institution of Mechanical Engineers. Pt. B. J. Engineering Manufacture. 2016. V. 231. No. 9. Pp. 1670—1679.
9. Щербатов И.А. Современное состояние проблемы разработки систем предиктивной аналитики в энергетике // J. Advanced Research in Techn. Sci. 2019. № 14(2). С. 118—123.
10. Савоськин В.В., Черкашин М.В. Технологии и решения по вибрационному контролю и диагностике технического состояния динамического оборудования // Автоматизация в промышленности. 2016. № 3. С. 29—32.
11. Вавилов В.П., Александров А.Н. Инфракрасная термографическая диагностика в строительстве и энергетике. М.: НТФ «Энергопрогресс», 2003.
12. Приказ Министерства энергетики РФ № 676 от 26 июля 2017 г. «Об утверждении методики оценки технического состояния основного технологического оборудования и линий электропередачи электрических станций и электрических сетей».
13. Проталинский О.М., Андрюшин А.В., Щербатов И.А., Проталинский И.О. Система идентификации дефектов технологического оборудования объектов энергетики // Энергосбережение и водоподготовка. 2018. № 5(115). С. 56—63.
14. Protalinsky O.M., Shcherbatov I.A., Stepanov P.V. Identification of the Actual State and Entity Availability Forecasting in Power Engineering Using Neural-network Technologies // J. Physics: Conf. Series. 2017. V. 891. P. 012289.
15. Проталинский О.М., Щербатов И.А., Ханова А.А., Проталинский И.О. Адаптивная система прогнозирования надежности технологического оборудования объектов энергетики // Информатика и системы управления. 2019. № 1(59). С. 93—105.
16. Ефимов П.В., Щербатов И.А. Алгоритм идентификации явных дефектов технологического оборудования в энергетике на основе нейросетевой модели // Известия Юго-Западного гос. ун-та. Серия «Управление, вычислительная техника, информатика. Медицинское приборостроение». 2018. Т. 8. № 2(27). С. 32—40.
17. Бородин В.А., Андрюшин А.В., Проталинский О.М., Ханова А.А. Многоэкспертная система планирования ремонтных программ энергетического оборудования // Управление развитием крупномасштабных систем: Материалы XII Междунар. конф. 2019. С. 460—467.
18. ГОСТ Р 51318.22—99. Совместимость технических средств электромагнитная. Радиопомехи индустриальные от оборудования информационных технологий. Нормы и методы испытаний.
19. СТО 70238424.27Л00.010—2011. Автоматизированные системы управления технологическими процессами (АСУТП) ТЭС: условия создания, нормы и требования.
20. Литтл Р.Дж.А., Рубин Д.Б. Статистический анализ данных с пропусками. М.: Финансы и статистика, 1990.
21. Злоба Е., Яцкие И. Статистические методы восстановления пропущенных данных // Computer Modelling&New Technologies. 2002. Т. 6. № 1. С. 51—61.
22. Абраменкова И.В., Круглов В.В. Методы восстановления пропусков в массивах данных // Программные продукты и системы. 2005. № 2. С. 18-22.
23. ГОСТ Р ИСО 16269-4—2017. Статистические методы. Статистическое представление данных. Ч. 4. Выявление и обработка выбросов.
24. РД 34.09.451—83. Типовой алгоритм расчета ТЭП мощных отопительных ТЭЦ. Ч. 1. Организационно-технологическая сущность расчетов.
25. РД 153-34.1-35.127—2002. Общие технические требования к программно-техническим комплексам для АСУ ТП тепловых электростанций.
26. Андрюшин А.В., Щербатов И.А., Цуриков Г.Н., Титов Ф.М. Система предиктивной аналитики для энергетических объектов // Управление развитием крупномасштабных систем: Материалы XII Междунар. конф. 2019. С. 566—570.
27. Arakelian E., Shcherbatov I., Tsurikov G., Titov F., Pashchenko A. Creation of Predictive Analytics System for Power Energy Objects // Management of Large-scale System Development: Proceedings XII Intern. Conf. 2019. P. 8911082.
28. Горбань Ю.А. Оптимизация периода расчета технико-экономических показателей энергоблока ТЭС: дис .... канд. техн. наук. М.: НИУ «МЭИ», 2020.
29. Захарченко В.Е. Контроль достоверности значений параметров в АСУ ТП // Имитационное моделирование. Теория и практика: Сб. трудов III Всерос. науч.-прак. конф. по имитационному моделированию и его применению в науке и промышленности. СПб.: ФГУП ЦНИИ технологии судостроения, 2007. С. 278—286.
30. Щербатов И.А. Глобальная цель сложной слабоформализуемой технической системы. Астрахань: Изд-во АГТУ, 2017.
---
Для цитирования: Аракелян Э.К., Щербатов И.А. Снижение влияния неопределенности исходной информации в интеллектуальных автоматизированных системах управления тепловыми процессами при обеспечении надежной эксплуатации энергетического оборудования // Вестник МЭИ. 2021. № 3. С. 78—87. DOI: 10.24160/1993-6982-2021-3-78-87.
---
Работа выполнена при поддержке: Российского научного фонда (грант № 19-19-00601)