Переосмысление систем обнаружения неисправностей насосов с использованием более интеллектуальных данных

Данное исследование совершенствует системы обнаружения неисправностей насосов путем генерации прогнозных данных о неисправностях на основе минимальных электрических сигналов.

На нефтяных месторождениях, энергетических заводах и удалённых насосных станциях неисправности часто возникают задолго до срабатывания сигнализации. Однако традиционные системы обнаружения, основанные на датчиках или ручном осмотре, часто не способны вовремя обнаружить проблемы. Новое исследование Шэньянского университета Лигун предлагает альтернативный подход к системам обнаружения неисправностей насосов: такой, который преобразует разрозненные исторические данные в точную, предиктивную диагностику без остановки работы.

Преобразуя данные динамограммы в моделируемые электрические сигналы, а затем расширяя этот набор данных с помощью модели нейронного прогнозирования, авторы показывают, как современные системы классификации могут обнаруживать и прогнозировать неисправности при минимальном объеме входных данных. Результаты открывают путь к более масштабируемому, готовому к удаленному обнаружению неисправностей, где мониторинг производительности не зависит от доступности датчиков или частоты возникновения неисправностей.

От механического движения к диагностическому пониманию

В основе системы лежит механистическая модель, связывающая движение штанг в станках-качалках с кривыми электрической мощности. Вместо того, чтобы дожидаться возникновения неисправностей и регистрировать их напрямую, модель имитирует поведение электрических параметров при различных видах отказов, таких как обрыв штанг, газовые помехи или недостаточная подача жидкости.

Этот этап моделирования решает давнюю проблему диагностики машинного обучения: нехватку маркированных данных о неисправностях.

«Преобразуя модели механической нагрузки в кривые мощности, мы можем генерировать точные, последовательные и готовые к диагностике выборки неисправностей», — заявили исследователи. «Это позволяет моделям ИИ обучаться на данных, которые мы иначе не смогли бы собрать в режиме реального времени».

Для насосных агрегатов, работающих на удаленных нефтяных месторождениях, этот метод позволяет обойтись без инвазивных датчиков или реактивного обслуживания, предлагая более безопасную и дешевую альтернативу для мониторинга состояний неисправностей.

Умное прогнозирование, более прочный фундамент

После завершения преобразования механического сигнала в электрический исследовательская группа использует адаптированную версию модели нейронной иерархической интерполяции временных рядов (N-HiTS) для расширения набора данных. В отличие от стандартных инструментов прогнозирования, эта нейронная структура включает свёрточные слои, которые повышают чувствительность к локальным вариациям сигнала, позволяя лучше прогнозировать даже незначительные аномалии выходной мощности.

На тестовом наборе из 12 категорий неисправностей улучшенная модель N-HiTS превзошла другие тесты глубокого обучения, включая LSTM, RNN и NBEATS. Используя всего 90 входных выборок, исследователи сгенерировали более 200 дополнительных примеров временных рядов. Этого объёма обучающих данных было достаточно для построения надёжного классификатора неисправностей без сбора новых полевых данных.

Прогнозируя характеристики неисправностей в различных временных интервалах и с разной степенью серьёзности, модель обеспечивает более детальный мониторинг состояния. Это позволяет специалистам по техническому обслуживанию отличать износ на ранней стадии от критических неисправностей, сокращая время реагирования и распределение ресурсов.

Классификация без компромиссов

Заключительный этап включает классификацию смоделированных и спрогнозированных состояний неисправностей. Для этого команда использовала многомасштабную сверточную нейронную сеть (OS-CNN). Эта специально разработанная архитектура стабильно превосходила стандартные классификаторы, такие как MLP, ResNet и Voice2Series. Точность OS-CNN достигла 95% при использовании одного цикла неисправностей и 96% при обучении на расширенных последовательностях.

Важно отметить, что система могла различать неисправности со схожими признаками, но разными причинами. Например, утечка в насосе и дефицит давления приводят к схожим кривым, однако модель смогла дифференцировать их, изучив, как каждая из них влияет на изменение мощности двигателя с течением времени. Такой уровень понимания критически важен для инженеров, которым необходимо планировать техническое обслуживание, определять приоритетность запасных частей или предотвращать простои системы.

«Точная классификация неисправностей не просто минимизирует время простоя, — заявили исследователи. — Она позволяет принимать более взвешенные решения о том, что ремонтировать, когда вмешиваться и как оптимизировать производительность системы».

Взгляд в будущее: масштабируемая диагностика в любом месте

По мере того, как насосная промышленность делает ставку на мониторинг состояния и удалённое управление активами, масштабируемое обнаружение неисправностей становится стратегическим приоритетом. Данное исследование показывает, как передовое моделирование и машинное обучение могут компенсировать ограниченность наборов данных, превращая даже несколько известных моделей неисправностей в полнофункциональные системы обнаружения неисправностей насосов.

Дальнейшие испытания в условиях реальных нефтепромыслов или коммунальных предприятий помогут подтвердить общую применимость модели. Однако метод, использующий данные моделирования неисправностей для обучения надежных моделей обнаружения, предлагает операторам, управляющим большими парками насосов в разнообразных и непредсказуемых условиях, чёткий путь.

Для управляющих активами, которые хотят быть в курсе неисправностей без затрат на постоянное использование полевых приборов, это исследование указывает на более интеллектуальное и масштабируемое будущее.