Розробка методу оптимізації роботи відцентрових нагнітачів газу в умовах невизначеності

Автор(и)

  • Mikhail Gorbiychuk Івано-Франківський національний технічний університет нафти і газу вул. Карпатська, 15, м. Івано-Франківськ, Україна, 76019, Україна https://orcid.org/0000-0002-8586-1883
  • Olga Bila Івано-Франківський національний технічний університет нафти і газу вул. Карпатська, 15, м. Івано-Франківськ, Україна, 76019, Україна https://orcid.org/0000-0003-2245-7434
  • Taras Humeniuk Івано-Франківський національний технічний університет нафти і газу вул. Карпатська, 15, м. Івано-Франківськ, Україна, 76019, Україна https://orcid.org/0000-0003-2610-2550
  • Yaroslav Zaiachuk Івано-Франківський національний технічний університет нафти і газу вул. Карпатська, 15, м. Івано-Франківськ, Україна, 76019, Україна https://orcid.org/0000-0001-8705-2724

DOI:

https://doi.org/10.15587/1729-4061.2019.177912

Ключові слова:

нагнітач, природний газ, оксид азоту, технічний стан, штучний інтелект

Анотація

Поставлена задача розроблення методу оптимального керування роботою нагнітачів природного газу за критерієм, який не тільки мінімізує витрату паливного газу, але й враховує потужність викидів оксиду азоту в атмосферу. При цьому взяті до уваги технічні стани газоперекачувальних агрегатів, обмеження на технологічні параметри та вимога до забезпечення планового показника на перекачку газу групою паралельно працюючих нагнітачів.

Технічний стан кожного агрегату або вузла оцінюється за певними ознаками. Якщо вести спостереження на протязі певного періоду часу за такими ознаками, то отримаємо множину ознак. З використанням штучної нейронної мережі типу Кохонена множина ознак (образів) розбита на три класи. Кожному класові присвоюється певна кількість балів, яка і характеризує його технічний стан. За набраною кількістю балів визначають коефіцієнт завантаження кожного нагнітача, який враховується в обмеженні на загальну продуктивність групи нагнітачів.

 Формалізований запис задачі оптимального керування вміщує залежності, які апроксимуються поліномом заданої степені. У результаті отримують емпіричну модель, структуру якої визначають з використанням апарату генетичних алгоритмів.

З цілого ряду причин (похибки вимірювань технологічних параметрів, похибки методів вимірювань, дія зовнішніх впливів, обмежений обсяг експериментального матеріалу та ін.) ідентифікація значень параметрів емпіричних моделей ґрунтується на неточній інформації. Тому параметри емпіричних моделей трактуються як нечіткі величини. Виходячи із прийнятої концепції отриманий формалізований запис задачі оптимального керування роботою нагнітачів природного газу.

Реалізація результатів досліджень дасть змогу отримати економію паливного газу та зменшити обсяги викидів оксиду азоту в навколишнє середовище

Біографії авторів

Mikhail Gorbiychuk, Івано-Франківський національний технічний університет нафти і газу вул. Карпатська, 15, м. Івано-Франківськ, Україна, 76019

Доктор технічних наук, професор

Кафедра комп’ютерних систем і мереж

Olga Bila, Івано-Франківський національний технічний університет нафти і газу вул. Карпатська, 15, м. Івано-Франківськ, Україна, 76019

Аспірант

Кафедра комп’ютерних систем і мереж

Taras Humeniuk, Івано-Франківський національний технічний університет нафти і газу вул. Карпатська, 15, м. Івано-Франківськ, Україна, 76019

Кандидат технічних наук

Кафедра комп’ютерних систем і мереж

Yaroslav Zaiachuk, Івано-Франківський національний технічний університет нафти і газу вул. Карпатська, 15, м. Івано-Франківськ, Україна, 76019

Кандидат технічних наук

Кафедра комп’ютерних систем і мереж

Посилання

  1. Zamihovskiy, L. M., Matvienko, R. M. (2015). Construction of intelligent decision support system in control of gas compression process. ScienceRise, 4 (2 (9)), 54–58. doi: https://doi.org/10.15587/2313-8416.2015.41213
  2. Harihara, P. P., Parlos, A. G. (2012). Fault diagnosis of centrifugal pumps using motor electrical signals. Centrifugal Pumps. InTech, 15–32. doi: https://doi.org/10.5772/26439
  3. Halimi, D., Hafaifa, A., Boualie, E. (2014). Maintenance actions planning in industrial centrifugal compressor based on failure analysis. Eksplotacja i Niezawodnosc – Maintenance and Reliability, 16 (1), 17–21.
  4. Jiang, Q., Shen, Y., Li, H., Xu, F. (2018). New Fault Recognition Method for Rotary Machinery Based on Information Entropy and a Probabilistic Neural Network. Sensors, 18 (2), 337. doi: https://doi.org/10.3390/s18020337
  5. Huang, S. (2011). Immune Genetic Evolutionary Algorithm of Wavelet Neural Network to Predict the Performance in the Centrifugal Compressor and Research. Journal of Software, 6 (5). doi: https://doi.org/10.4304/jsw.6.5.908-914
  6. Gorbiychuk, M., Pashkovskyi, B., Moyseenko, O., Sabat, N. (2017). Solution of the optimization problem on the control over operation of gas pumping units under fuzzy conditions. Eastern-European Journal of Enterprise Technologies, 5 (2 (89)), 65–71. doi: https://doi.org/10.15587/1729-4061.2017.111349
  7. Ksenych, A. I., Vaskovskyi, M. I. (2013). Enerhooshchadni rezhymy roboty kompresornykh stantsiy. Truboprovidnyi transport, 4 (82), 18–19.
  8. Horbiychuk, M. I., Lazoriv, A. M., Lutsiuk, I. I. (2011). Alhorytmy optymalnoho keruvannia protsesom komprymuvannia pryrodnoho hazu. Naftohazova enerhetyka, 2 (15), 48–56.
  9. Umyshev, D. R., Dostiyarov, A. M., Tyutebayeva, G. M. (2017). Experimental investigation of the management of NOx emissions and their dependence on different types of fuel supply. Espacios, 38 (24), 17–21.
  10. Southwestern Pennsylvania Marcellus Shale Short-Term Ambient Air Sampling Report. Available at: https://www.dep.state.pa.us/dep/deputate/airwaste/aq/aqm/docs/Marcellus_SW_11-01-10.pdf
  11. Babin, M. Ye., Dubovskyi, S. V., Kobernyk, V. S., Reisih, V. A. (2008). Emisiya oksydiv azotu v teploenerhetychnykh ustanovkakh. Problemy zahalnoi enerhetyky, 17, 46–49.
  12. Horbiychuk, M. I., Pashkovskyi, B. V. (2016). Metod vyznachennia uzahalnenoho koefitsienta tekhnichnoho stanu hazoperekachuvalnoho ahrehatu na zasadakh nechitkoi lohiky ta henetychnykh alhorytmiv. Metody ta prylady kontroliu yakosti, 2 (37), 102–107.
  13. Kutkovetskyi, V. Ya. (2017). Rozpiznavannia obraziv. Mykolaiv: Vyd-vo ChNU im. Petra Mohyly, 420.
  14. Vasil'ev, V. I. (1983). Raspoznayushchie sistemy. Kyiv: Naukova dumka, 423.
  15. Osovskiy, S. (2004). Neyronnye seti dlya obrabotki informatsii. Moscow: Finansy i statistika, 344.
  16. Horbiychuk, M. I., Shchupak, I. V., Kimak, V. L. (2010). Metod intehralnoi otsinky tekhnichnoho stanu hazoperekachuvalnykh ahrehativ. Naftohazova enerhetyka, 2, 38–43.
  17. DSTU 3161-95. Kompresorne obladnannia. Vyznachennia vibratsiynykh kharakterystyk vidtsentrovykh kompresoriv ta normy vibratsiyi (1996). Kyiv: Derzhstandart Ukrainy, 18.
  18. Murygin, K. V. (2008). Classifiers Construсtion Based on Separate Hyper Surfaces. Shtuchnyi intelekt, 2, 65–69.
  19. Horbiychuk, M. I., Kohutiak, M. I., Zaiachuk, Ya. I. (2008). Induktyvnyi metod pobudovy matematychnykh modelei hazoperekachuvalnykh ahrehativ pryrodnoho hazu. Naftova i hazova promyslovist, 5, 32–35.
  20. Han, J., Kamber, M., Pei, J. (2011). Data mining: Concepts and Techniques. Elsevier, 744. doi: https://doi.org/10.1016/c2009-0-61819-5
  21. Sarkisov, A. A., Rudakov, O. A., Salivon, N. D., Sigalov, Yu. V., Mitrofanov, V. A. (2000). Matematicheskaya model' protsessov obrazovaniya i rascheta zagryaznyayushchih veshchestv i optimizatsiya kamer sgoraniya GTD. Teploehnergetika, 5, 52–55.
  22. SOU 60.3-30019801-011: 2004. Kompresorni stantsiyi. Kontrol teplotekhnichnykh ta ekolohichnykh kharakterystyk hazoperekachuvalnykh ahrehativ (2004). Kyiv: DK Ukrtranshaz, 117.
  23. Rutkovskaya, D., Pilin'skiy, M., Rutkovskiy, L. (2004). Neyronnye seti, geneticheskie algoritmy i nechetkie sistemy. Moscow: Goryachaya liniya-Telekom, 452.
  24. Ivahnenko, A. G., Koppa, Yu. V., Stepashko, V. S. et. al.; Ivahnenko, A. G. (Ed.) (1980). Spravochnik po tipovym programmam modelirovaniya. Kyiv: Tehnika, 184.
  25. Gorbiychuk, M. I., Medvedchuk, V. M., Lazoriv, A. N. (2016). Analysis of Parallel Algorithm of Empirical Models Synthesis on Principles of Genetic Algorithms. Journal of Automation and Information Sciences, 48 (2), 54–73. doi: https://doi.org/10.1615/jautomatinfscien.v48.i2.60
  26. Ivahnenko, A. G. (1981). Induktivniy metod samoorganizatsii modeley slozhnyh sistem. Kyiv: Naukova dumka, 296.
  27. Himmelblau, D. M. (1970). Process analysis by statistical methods. John Wiley & Sons, 463.
  28. Horbiychuk, M. I., Kohutiak, M. I., Kovaliv, Ye. O. (2003). Matematychne modeliuvannia protsesu komprymuvannia pryrodnoho hazu. Rozvidka ta rozrobka naftovykh i hazovykh rodovyshch, 3 (8), 21–26.
  29. Meht'yuz Dzhon, G., Fink Kurtis, D. (2001). Chislennye metody. Ispol'zovanie Matlab. Moscow: Izdatel'skiy dom «Vil'yams»,720.
  30. Ilchenko B. S. (2011). Diahnostuvannia funktsionalno-tekhnichnoho stanu hazo-perekachuvalnykh arehativ. Kharkiv: Khark. nats. akad. misk. hosp-va. KhNAMH, 228.
  31. Raskin, L. G., Seraya, O. V. (2008). Nechetkaya matematika. Osnovy teorii. Prilozheniya. Khariv: Parus, 352.
  32. Gorbiychuk, M. I., Humenyuk, T. V. (2016). Synthesis Method of Empirical Models Optimal by Complexity under Uncertainty Conditions. Journal of Automation and Information Sciences, 48 (9), 64–74. doi: https://doi.org/10.1615/jautomatinfscien.v48.i9.50
  33. Gill, F., Myurrey, U., Rayt, M. (1985). Prakticheskaya optimizatsiya. Moscow: Mir, 509.

##submission.downloads##

Опубліковано

2019-09-11

Як цитувати

Gorbiychuk, M., Bila, O., Humeniuk, T., & Zaiachuk, Y. (2019). Розробка методу оптимізації роботи відцентрових нагнітачів газу в умовах невизначеності. Eastern-European Journal of Enterprise Technologies, 5(4 (101), 6–17. https://doi.org/10.15587/1729-4061.2019.177912

Номер

Том 5 № 4 (101) (2019): Математика та кібернетика - прикладні аспекти

Розділ

Математика та кібернетика - прикладні аспекти

Ліцензія

Авторське право (c) 2019 Mikhail Gorbiychuk, Olga Bila, Taras Humeniuk, Yaroslav Zaiachuk

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.