Рассказываем на примере пилотного кейса, как с помощью собственного продукта для мониторинга и прогноза технического состояния оборудования мы обнаружили отклонения в работе газоперекачивающего агрегата и определили зарождающиеся дефекты.

Коротко о газоперекачивающих агрегатах и задачах проекта

Газоперекачивающий агрегат (ГПА) — основное технологическое оборудование компрессорных станций, предназначенное для сжатия природного газа. Оно обеспечивает необходимый режим транспортировки газа по магистральному газопроводу. 

Непредвиденные отказы ГПА приводят к простоям системы, увеличению стоимости транспортировки газа, влекут повышение риска прекращения энергообеспечения потребителей.

Одна из крупных эксплуатирующих ГПА компаний обратилась к нам с запросом демонстрации возможностей применения систем прогноза технического состояния оборудования для повышения надежности системы магистрального газопровода, сокращения неплановых остановов. Целевым оборудованием для анализа стал газоперекачивающий агрегат на базе газотурбинного двигателя.

Дли пилотного проекта с использованием исторических данных были обозначены следующие задачи: 

1. Обнаружить отклонения и дефекты критичных систем ГПА. Спрогнозировать их развитие вплоть до полного отказа.

2. Спрогнозировать техническое состояния на трое суток вперед.

3. Осуществить передачу оперативной информации о текущем техническом состоянии ГПА компрессорного цеха в систему управления ТОиР заказчика (SAP PM).  

Реализовать эти задачи было решено на базе нашей собственной системы мониторинга и прогноза технического состояния оборудования. Для команды Factory5 пилот был интересен тем, что помимо математических моделей машинного обучения на основе технологических данных, в нем нужно было использовать модели на основе физики процессов. Их совместное применение эффективно в случаях недостаточности данных телеметрии или для нового, ранее не эксплуатируемого оборудования.

Этапы реализации проекта 

1. Обследование и проектирование.

Наша команда проанализировала данные, их дискретность и достаточность, изучила техническую документацию на оборудование, технологические схемы, паспорта, обследовали ИТ-архитектуру и ИТ-инфраструктуру, каналы связи и другую существенную для успешной реализации проекта информацию. Разработала и согласовала с заказчиком технический проект, программу и методику испытаний.  

2. Разворачивание и адаптация системы, разработка «идеальной паспортной» модели на основе физики процессов. 

В рамках этого этапа на подготовленной инфраструктуре заказчика в первую очередь была развернута и настроена система, а также необходимые компоненты. Далее с учетом связей узлов и агрегатов оборудования создан цифровой двойник актива, состояние которого предстояло анализировать. Данные были предобработаны и загружены в систему, разработаны новые математические модели и экспертные правила, адаптированы экземпляры из имеющейся обширной библиотеки. 

3. Визуализация и валидация результатов, тестирование системы и обучение пользователей. 

На третьем этапе проверена работоспособность системы, проведены тестовые испытания и обучение пользователей. Настроены коннекторы к сторонним информационным системам, заполнены справочники. В конструкторе средств визуализации созданы различные отчеты и диаграммы, схемы оборудования. Скомпонованы рабочие столы пользователей согласно конфигурации ролевой модели и уровней доступа к информации.  

Методы, использованные в проекте 

Чтобы достигнуть поставленных целей, наша команда создала гибридную цифровую модель для анализа технического состояния ГПА на базе газотурбинного двигателя, в которой использованы:

• методы на основе технологических данных — выявляют нештатные ситуации на ранних стадиях развития, позволяют определять неописанные ранее неисправности, рассчитывают вероятность выхода из строя отдельных узлов на горизонте нескольких дней;

• модель на основе физики процессов — описывает сложные процессы работы узлов оборудования, помогает выявить формирующиеся дефекты с указанием проблемного узла, предоставляет данные, там, где нет датчиков;

• модель на основе методик, принятых заказчиком — верификация соответствия нормативов расчета и оценки техсостояния заводским стандартам;

• экспертные правила — набор условий, при выполнении которых определяются неисправности. Они применяются для телеметрии и расчетных данных. 

Результаты проекта 

По итогам пилотного проекта были разработаны математические модели, на базе которых выявлен ряд отклонений в работе оборудования. 

На графике выше отражены отклонения и пороговые значения, обнаруженные дефекты во входном устройстве, камере хранения, подшипниках и приводах ротора. Поскольку математические модели интерпретируемые, система указывает, в каком узле произошло отклонение и к чему оно привело.

Прогнозирование отказов — еще один функциональный блок, реализованный в рамках проекта. Прогнозные модели позволяют оценить скорость деградации тех состояния узлов и с упреждением в несколько суток выявить, что с учетом деградации и иных факторов произойдет отказ узла или агрегата.

В результате апробации решение позволило:  

• Выполнить раннее обнаружение отклонений и определить зарождающиеся отказы и дефекты.

• Содействовать в формировании рекомендаций для поддержания бесперебойной и эффективной работы оборудования.

• Настроить автоматический обмен данными с АСУТП и ERP системами  заказчика на базе SAP за счет бесшовной интеграции.

• Повысить эффективность информационного взаимодействия между эксплуатирующим персоналом и инженерно-техническим центром для оперативного мониторинга техсостояния оборудования.

• Снизить время простоя оборудования за счет раннего выявления дефектов и снизить расходы на ТОиР.

• Уточнить и апробировать применение заводских методик контроля техсостояния оборудования в автоматическом режиме.