В статье рассмотрена актуальная проблема обеспечения надежности турбинных преобразователей расхода (ТПР), применяемых для определения объемного расхода в составе систем измерений количества и показателей качества нефти (СИКН). Отмечено, что надежность, особенно численные ее показатели, необходимо рассматривать отдельно для каждой однородной группы оборудования, в том числе для средств измерений, которые имеют свои функционально-технологические особенности. Проанализированы факторы, которые необходимо учитывать при определении метрологической надежности не только ТПР, но и любых других средств измерений, такие как динамика метрологических характеристик и способы контроля метрологически исправного состояния. В ходе исследований выполнен анализ применения метода предиктивной аналитики в машиностроении для мониторинга технического и метрологического состояния оборудования. Разработаны программное обеспечение с применением языка программирования Python и алгоритм определения объемного расхода в системе сбора и обработки информации в СИКН в зависимости от значений числа Рейнольдса. Алгоритм позволяет на ранних стадиях выявлять возникновение метрологического отказа ТПР. Для анализа использованы результаты поверки и контроля метрологических характеристик 60 ТПР, эксплуатируемых на нефти с различными реологическими свойствами, за 5 лет. Исследования показывали, что применение алгоритма позволит снизить риск наступления аварийных ситуаций и прекращения учетных операций на СИКН; сократить продолжительность вынужденных простоев СИКН или свести простои к нулю; получить достоверные данных о работе ТПР. Это даст возможность прогнозировать остаточный ресурс деталей и узлов (время наработки до наступления предельного состояния) и др.
Список литературы
1. Аралов О.В., Буянов И.В. Анализ методов и подходов к оценке надежности при прогнозировании отказов оборудования магистрального трубопроводного транспорта // Наука и технологии трубопроводного транспорта нефти и нефтепродуктов. – 2017. – Т. 7. – № 6. – С. 104–114.
2. Отхман Н.З., Полухин В.И. Повышение показателей метрологической надежности при проектировании информационно-измерительных систем // Вестник ТГТУ. – 2011. – №2.
3. Ефремов Л.В. Оценка метрологической надежности приборов по результатам групповых испытаний // Приборостроение. – 2012. – № 6.
4. Гусеница Я.Н., Шерстобитов С.А., Малахов А.В. Метод обоснования межповерочных интервалов средств измерений // Наукоемкие технологии в космических исследованиях Земли. – 2016. – № S1.
5. Avci C., Tekinerdogan B., Athanasiadis I.N. Software architectures for big data: a systematic literature review // Big Data Analytics. – 2020.– V. 5. – No. 5.
6. Big data analytics: a survey / Chun-Wei Tsai, Chin-Feng Lai, Han-Chieh Chao, Athanasios V. Vasilakos // Journal of Big Data 2, 21. 2015. – DOI:10.1186/s40537-015-0030-3
7. Hasan M. Genetic Algorithm and its application to Big Data Analysis // International Journal of Scientific & Engineering Research. – 2014. – V. 5. – Issue 1. – P. 1991–1996.
8. Tolk A. The Next Generation of Modeling & Simulation: Integrating Big Data and Deep Learning // Summer Simulation Multiconference. – 2015 At: Chicago, IL. 2015.
9. Ribeiro A., Silva A., da Silva A. Data Modeling and Data Analytics: A Survey from a Big Data Perspective // Journal of Software Engineering and Applications. – 2015. – No. 8. – P. 617–634. – DOI:10.4236/jsea.2015.812058
10. Хасанов А.Р. Влияние предиктивной аналитики на деятельность компаний // СРРМ. – 2018. – No. 3 (108).
11. Добрынин С.Л., Бурковский В.Л. Мониторинг и предиктивная аналитика технологического оборудования на базе промышленного интернета вещей // Воронежский государственный технический университет. – 2020. – Т. 16. – № 5. – С. 7–12. – DOI 10.36622/VSTU.2020.16.5.001.
12. Дьяков Н.А., Голунова А.С. Система управления технологическим процессом на основе предиктивной аналитики: проектирование // Электротехнические системы и комплексы. – 2021. – № 1 (50). – С. 58–64. – https://doi.org/10.18503/2311-8318-2021-1(50)-58-64
13. Ливанов М. Первый в России комплекс предиктивной аналитики для энергитического и промышленного оборудования // Экспозиция нефть и газ. – 2016. – № 3 (49). – С. 82–83.
14. The Enterprise Big Data Lake: Delivering the Promise of Big Data and Data Science 1st Edition / Alex Gorelik // O’Reilly Media. – 2019. – 224 p.
15. Исследование методов расчета кинематической вязкости нефти в магистральном нефтепроводе / О.В. Аралов, И.В. Буянов, А.С. Саванин, Е.И. Иорданский // Наука и технологии трубопроводного транспорта нефти и нефтепродуктов. – 2017. – Т. 7. – № 5. – C. 97–105.
