Application of neural networks for prediction the state of pumping units of the borehole underground leaching of uranium.pdf Введение Скважинное подземное выщелачивание (СПВ) является одним из эффективных методов добычи урана [1, 2]. Разработка месторождения осуществляется с помощью системы технологических скважин. Нагнетательные скважины используются для подачи в рудоносный горизонт выщелачивающих растворов, которые способны переводить уран в раствор на месте залегания руды. Подъем продуктивного раствора осуществляется с помощью электронасосных агрегатов (ЭНА), установленных в откачных скважинах. ЭНА состоят из погружного электродвигателя и центробежного насоса. ЭНА работают в сложных условиях, обусловленных химически агрессивной средой, наличием твердых частиц в составе откачных растворов и т.д. Это вызывает сокращение срока службы ЭНА. Неожиданный выход из строя ЭНА вынуждает предприятие держать резерв оборудования с целью сокращения перерывов в работе откачных скважин. Предсказание времени до момента возникновения неисправности ЭНА позволит повысить качество планирования ремонта и замены оборудования. В настоящее время для прогнозирования состояния технологического оборудования применяются информационные системы, основанные на различных методах искусственного интеллекта [3-6]. Однако на предприятиях, ведущих добычу урана способом СПВ, подобные системы не применяются. В настоящей работе рассматривается система прогнозирования отказов ЭНА полигонов СПВ, разработанная с применением искусственной нейронной сети (ИНС) [7, 8]. Искусственная нейронная сеть Система прогнозирования отказов позволяет предсказывать ожидаемое время y до момента выхода из строя ЭНА. Входными параметрами xi (i = 1, …, 13) для работы системы прогнозирования являются характеристики режима работы ЭНА (таблица). К входным параметрам применяется нормировка в интервале [0; 1]. Нормированное значение входного параметра рассчитывается по абсолютному значению параметра xi по формуле , (1) где max(xi) - максимальное значение параметра; min(xi) - минимальное значение параметра. Для прогнозирования времени y до момента выхода из строя ЭНА применяется четырехслойный персептрон, количество нейронов входного (первого) слоя которого равно количеству входных параметров n1 = 13, а количество нейронов выходного (четвертого) слоя соответствует одному прогнозируемому параметру n4 = 1. Количество нейронов двух внутренних (второго и третьего) слоев n2 и n3 рассчитывается с помощью формул: ; (2) ; (3) . (4) Перечень входных параметров Параметр Название параметра Ед. изм. x1 Время активной работы ЭНА ч x2 Количество прецедентов частых пусков ЭНА шт. x3 Количество срабатываний защиты от сухого хода шт. x4 Количество прецедентов работы при пониженном напряжении шт. x5 Время работы с повышенными пульсациями тока ч x6 Время работы с низким КПД ч x7 Время работы с низким дебитом ч x8 Количество дней, когда средний коэффициент пульсаций тока больше 1% шт. x9 Количество дней, когда средний cosφ меньше 60% шт. x10 Количество дней работы с аномально низким КПД меньше 20-30% шт. x11 Время работы с повышенным током, превышающим номинальный ток в 1.5 раза ч x12 Количество прецедентов работы с током, превышающим номинальный ток в 3 раза шт. x13 Время работы с повышенными пульсациями расхода ч Схема топологии ИНС представлена на рис. 1. ИНС состоит из четырех слоев: 13 нейронов входного слоя, 5 нейронов первого внутреннего слоя, 2 нейрона второго внутреннего слоя, 1 нейрон выходного слоя. Входной вектор подается на входной слой, а выходной сигнал ИНС определяется путем поочередного вычисления уровней активности элементов каждого слоя (от первого внутреннего слоя до выходного слоя) с использованием уже известных реакций элементов предшествующих слоев. Рис. 1. Топология ИНС Персептрон имеет следующие особенности: нейроны каждого слоя не связаны между собой; входной сигнал каждого нейрона поступает на входы всех нейронов последующего слоя; нейроны входного слоя не осуществляют преобразования входных сигналов, их функция заключается только в распределении этих сигналов между нейронами первого внутреннего слоя. Искусственный нейрон представляет собой сумматор произведений всех входящих сигналов на весовые коэффициенты связи между нейронами. К результату сумматора применяется функция активации , значение которой является выходным сигналом нейрона . В настоящей работе в качестве функции активации выбрана сигмоидная функция, принимающая значения от 0 до 1: . (5) Здесь - сумма произведений всех входящих сигналов нейрона на весовые коэффициенты связи. Выходной сигнал для нейронов входного слоя ( ): , (6) Выходной сигнал для нейронов внутренних слоев и выходного слоя ( ): , (7) где - порядковый номер слоя; - весовой коэффициент связи между нейронами k-1-слоя и k-слоя; - порядковый номер нейрона k-1-слоя; - порядковый номер нейрона k-слоя. Выходной сигнал ИНС равен выходному сигналу нейрона выходного слоя : (8) Ожидаемое время y до момента выхода из строя ЭНА равняется произведению выходного сигнала ИНС на максимальное время наработки на отказ ЭНА: (9) Схема искусственного нейрона на примере первого нейрона первого внутреннего слоя приведена в рис. 2. Рис. 2. Искусственный нейрон Алгоритм обучения ИНС Обучение ИНС происходит с помощью алгоритма обратного распространения ошибки - итерационного алгоритма обучения [7]. Для работы алгоритма необходима обучающая выборка, состоящая из векторов. Каждый вектор r обучающей выборки состоит из нормированных значений входных параметров и желаемого нормированного значения выходного параметра . Перед началом работы алгоритма весовые коэффициенты инициализируются случайными значениями. После инициализации происходит итерационный процесс изменения значений весовых коэффициентов связи между нейронами. Каждая итерация алгоритма состоит из следующих шагов: 1) подача векторов на вход ИНС из обучающей выборки: ; (10) 2) вычисление выходных сигналов нейрона выходного слоя ; 3) вычисление ошибок работы ИНС : ; (11) 4) вычисление суммарной квадратической ошибки : ; (12) 5) если , процедура обучения окончена. Иначе переход к шагу 6; 6) изменение весов ИНС в направлении уменьшения ошибки обучения: , (13) где - номер итерации; - скорость обучения ИНС (шаг градиентного спуска); - постоянная момента. Переход к первому шагу итерации. Программное обеспечение Система прогнозирования отказов ЭНА реализована в виде специализированного программного обеспечения (ПО), предназначенного для работы с эксплуатационным блоком, содержащим восемь откачных скважин. ПО написано на языке программирования C++ с использованием методов объектно-ориентированного программирования в среде разработки Embarcadero RAD Studio 10.2. ПО является 32-разрядным приложением, работающим на персональном компьютере под управлением семейства операционных систем Windows. ПО в процессе работы постоянно взаимодействует с базой данной (БД), хранящей в себе данные обучающей выборки, тестовой выборки, значения весовых коэффициентов связи между нейронами, результаты работы ИНС и т.д. Внутри программы реализовано автоматическое сопряжение с системой управления БД (СУБД) Microsoft Access. ПО состоит из модуля ИНС и информационного модуля ЭНА. Модуль ИНС (рис. 3) предназначен для обучения и тестирования ИНС с возможностью их контроля. Рис. 3. Окно модуля ИНС Модуль позволяет осуществлять автоматическое импортирование векторов обучающей и тестовой выборок из БД; отображение в отдельном окне данных обучающей выборки в виде таблицы с возможностью ручного добавления, редактирования и удаления данных; настройку параметров ИНС в отдельном окне; отображение всех итераций работы алгоритмов обучения и тестирования ИНС на схеме ее топологии, текстовом поле и на графике. Информационный модуль ЭНА (рис. 4) предназначен для осуществления доступа к информации по каждому из восьми ЭНА. Модуль позволяет отображать в отдельных окнах: общие сведения о каждом ЭНА (модель и характеристики насоса и электродвигателя, расположение на добычном полигоне, значение входных параметров за последнюю смену); истории значений входных параметров системы прогнозирования в табличной форме с возможностью их ручного добавления, редактирования и удаления; временные графики входных и выходных систем прогнозирования; значения выходного параметра за последнюю смену и истории значений выходного параметра в виде гистограммы. Рис. 4. Окно информационного модуля ЭНА Обучение ИНС было произведено с помощью алгоритма обратного распространения ошибки на обучающей выборке, сформированной на основе экспертных оценок. Обучающая выборка состояла из 3000 векторов (R = 3000). Векторы импортировались из БД, сопряженной с ПО. Результаты тестирования, проведенные после обучения ИНС, показали адекватную работу системы. Выводы На основе метода ИНС разработана система прогнозирования отказов насосных агрегатов полигона СПВ. Система реализована в виде специализированного ПО, предназначенного для работы с эксплуатационным блоком, содержащим восемь откачных скважин. Произведено обучение и тестирование ИНС на модельных данных, полученных с помощью экспертных оценок. Полученные результаты показывают адекватность работы системы и ее готовность к практическому использованию.

Скачать электронную версию публикации