Помощь студентам в учебе
Прогнозирования аварийных ситуаций на технологических объектах нефтегазодобычи
|
Введение 13
1 Асинхронные двигатели в нефтегазовой промышленности 15
2 Современные концепции прогнозирования неисправностей двигателя 17
3 Анализ математической модели асинхронных двигателей 19
3.1 Трехфазная математическая модель асинхронного двигателя 19
3.1.1 Математические выражения для трехфазной динамической модели асинхронного двигателя 20
4 Имитационное моделирование в программе Simiulink в MATLAB 25
4.1 Построение модели Simulink 25
5 Предварительная обработка данных для исследований по обнаружению
неисправностей двигателя 29
5.1 Предварительный выбор данных 29
5.2 Очистка данных 30
5.3 Интеграция данных 30
5.4 Преобразование данных 30
5.5 Анализ ошибок прогнозирования 31
6 Алгоритмы искусственных нейронных сетей 34
6.1 Процесс реализации кода Matlab модели обнаружения неисправности двигателя с помощью нейронной сети BP 34
6.2 Процесс реализации кода Matlab для обнаружения неисправностей двигателя на модели машины экстремального обучения 39
7 Улучшение предельной обучающей машины на основе алгоритма роя
частиц для краткосрочного прогнозирования электрической нагрузки 45
7.1 Анализ примеров 45
7.2 Примеры расчетов 46
8 Финансовый менеджмент, ресурсоэффективность и ресурсосбережение...51
8.1 Оценка коммерческого потенциала и перспективности проведения
научных исследований с позиции ресурсоэффективности и
ресурсосбережения 51
8.1.1 Потенциальные потребители результатов исследования 51
8.1.2 Анализ конкурентных технических решений 51
8.1.3 SWOT - анализ 54
8.2 Определение возможных альтернатив проведения научных
исследований 57
8.3 Планирование научно-исследовательских работ 57
8.3.1 Структура работ в рамках научного исследования 57
8.3.2 Определение трудоемкости выполнения работ 58
8.3.3 Разработка графика проведения научного исследования 60
График проведения научного исследования представлен таблицы-14 60
8.4 Бюджет научно-технического исследования 60
Материальные ресурсы приведены в таблице 15 60
8.4.1 Дополнительная заработная плата исполнительной 61
8.4.2 Отчисление во внебюджетные фонды (страховые отчисления) 62
8.4.3 Формирование бюджета затрат научно-исследовательского проекта 62
8.4.4 Определение ресурсной (ресурсосберегающей), финансовой
эффективности исследования 63
9 Социальная ответственность 67
9.1 Правовые и организационные вопросы обеспечения безопасности 67
9.2 Производственная безопасность при эксплуатации 68
9.2.1. Повышенный уровень шума на рабочем месте 69
9.2.2 Анализ освещенности рабочей зоны 71
9.2.3 Анализ показателей микроклимата 72
9.2.4 Монотонность труда, вызывающая монотонию 73
9.2.5 Длительное сосредоточенное наблюдение 74
9.2.6 Анализ электробезопасности 74
Заключение 76
Список используемых источников литературы 77
Приложение A (обязательное) Решения для статической идентификации.... 79Приложение Б (обязательное) Данные обучающей и тестовой выборки нейронной сети 81
Приложение В (обязательное) График научного исследования 83
1 Асинхронные двигатели в нефтегазовой промышленности 15
2 Современные концепции прогнозирования неисправностей двигателя 17
3 Анализ математической модели асинхронных двигателей 19
3.1 Трехфазная математическая модель асинхронного двигателя 19
3.1.1 Математические выражения для трехфазной динамической модели асинхронного двигателя 20
4 Имитационное моделирование в программе Simiulink в MATLAB 25
4.1 Построение модели Simulink 25
5 Предварительная обработка данных для исследований по обнаружению
неисправностей двигателя 29
5.1 Предварительный выбор данных 29
5.2 Очистка данных 30
5.3 Интеграция данных 30
5.4 Преобразование данных 30
5.5 Анализ ошибок прогнозирования 31
6 Алгоритмы искусственных нейронных сетей 34
6.1 Процесс реализации кода Matlab модели обнаружения неисправности двигателя с помощью нейронной сети BP 34
6.2 Процесс реализации кода Matlab для обнаружения неисправностей двигателя на модели машины экстремального обучения 39
7 Улучшение предельной обучающей машины на основе алгоритма роя
частиц для краткосрочного прогнозирования электрической нагрузки 45
7.1 Анализ примеров 45
7.2 Примеры расчетов 46
8 Финансовый менеджмент, ресурсоэффективность и ресурсосбережение...51
8.1 Оценка коммерческого потенциала и перспективности проведения
научных исследований с позиции ресурсоэффективности и
ресурсосбережения 51
8.1.1 Потенциальные потребители результатов исследования 51
8.1.2 Анализ конкурентных технических решений 51
8.1.3 SWOT - анализ 54
8.2 Определение возможных альтернатив проведения научных
исследований 57
8.3 Планирование научно-исследовательских работ 57
8.3.1 Структура работ в рамках научного исследования 57
8.3.2 Определение трудоемкости выполнения работ 58
8.3.3 Разработка графика проведения научного исследования 60
График проведения научного исследования представлен таблицы-14 60
8.4 Бюджет научно-технического исследования 60
Материальные ресурсы приведены в таблице 15 60
8.4.1 Дополнительная заработная плата исполнительной 61
8.4.2 Отчисление во внебюджетные фонды (страховые отчисления) 62
8.4.3 Формирование бюджета затрат научно-исследовательского проекта 62
8.4.4 Определение ресурсной (ресурсосберегающей), финансовой
эффективности исследования 63
9 Социальная ответственность 67
9.1 Правовые и организационные вопросы обеспечения безопасности 67
9.2 Производственная безопасность при эксплуатации 68
9.2.1. Повышенный уровень шума на рабочем месте 69
9.2.2 Анализ освещенности рабочей зоны 71
9.2.3 Анализ показателей микроклимата 72
9.2.4 Монотонность труда, вызывающая монотонию 73
9.2.5 Длительное сосредоточенное наблюдение 74
9.2.6 Анализ электробезопасности 74
Заключение 76
Список используемых источников литературы 77
Приложение A (обязательное) Решения для статической идентификации.... 79Приложение Б (обязательное) Данные обучающей и тестовой выборки нейронной сети 81
Приложение В (обязательное) График научного исследования 83
Являясь наиболее распространенным приводным устройством в производственной жизни, асинхронные двигатели играют важную роль благодаря своим компактным размерам, низкой стоимости и простоте регулирования скорости. Если асинхронный двигатель выходит из строя, это может повлиять на общую эффективность производства, снизить производственные мощности, привести к экономическим потерям или, в серьезных случаях, стать причиной несчастного случая, привести к травмам или смерти. Для обеспечения безопасности и эффективности процесса привода, начальные проблемы в работе асинхронных двигателей должны быть обнаружены как можно раньше без влияния на нормальное производство, чтобы минимизировать последствия неисправностей, поэтому важно отслеживать неисправности асинхронных двигателей в режиме онлайн. Данная работа посвящена поиску данных о неисправностях двигателей и исследует различные методы машинного обучения, включая нейронные сети, и их применение в области мониторинга неисправностей двигателей.
В данной статье рассматривается развитие исследований в области обнаружения неисправностей электродвигателей на основе нейронных сетей до настоящего времени, среди различных методов обнаружения неисправностей электродвигателей, алгоритм нейронной сети BP и алгоритм предельной обучающей машины получили большее признание, и вывод о том, что алгоритм предельной обучающей машины превосходит алгоритм нейронной сети BP во всех аспектах, достигается путем анализа сравнения примеров, а затем для случайной генерации предельной обучающей машины, найденной в анализе примеров и принципиальном планировщике. Затем решается проблема низкой волатильности результатов прогнозирования из-за параметров инициализации для стимулирования предельной обучающей машины, и предлагается улучшенная модель предельной обучающей машины на основе оптимизации роя частиц. Эффективность модели также проверяется с помощью сравнительного анализа примеров. Предложенный метод состоит из трех этапов: построение набора образцов, обучение модели, оптимизация параметров и тестирование модели: во-первых, собранные сигналы двигателя подвергаются предварительной обработке данных, такой как очистка данных, интеграция данных, вариация данных и нормализация данных, и набор образцов делится на обучающий набор и тестовый набор в соответствии с определенным соотношением; во-вторых, обучающий набор вводится, коэффициент ошибок используется в качестве степени адаптации, и алгоритм метода роя частиц используется для модели предельной обучающей машины. Наконец, модель предельной обучающей машины, оптимизированная алгоритмом роя частиц, тестируется путем ввода тестового набора, и проводится анализ примеров. Результаты эксперимента показывают, что точность предложенного метода достигает 96,24 %, что подтверждает эффективность предложенного метода.
Ключевые слова: рой частиц; BP-нейронная сеть; предельная обучающая машина; обнаружение неисправностей двигателя; тест на ошибки.
В данной статье рассматривается развитие исследований в области обнаружения неисправностей электродвигателей на основе нейронных сетей до настоящего времени, среди различных методов обнаружения неисправностей электродвигателей, алгоритм нейронной сети BP и алгоритм предельной обучающей машины получили большее признание, и вывод о том, что алгоритм предельной обучающей машины превосходит алгоритм нейронной сети BP во всех аспектах, достигается путем анализа сравнения примеров, а затем для случайной генерации предельной обучающей машины, найденной в анализе примеров и принципиальном планировщике. Затем решается проблема низкой волатильности результатов прогнозирования из-за параметров инициализации для стимулирования предельной обучающей машины, и предлагается улучшенная модель предельной обучающей машины на основе оптимизации роя частиц. Эффективность модели также проверяется с помощью сравнительного анализа примеров. Предложенный метод состоит из трех этапов: построение набора образцов, обучение модели, оптимизация параметров и тестирование модели: во-первых, собранные сигналы двигателя подвергаются предварительной обработке данных, такой как очистка данных, интеграция данных, вариация данных и нормализация данных, и набор образцов делится на обучающий набор и тестовый набор в соответствии с определенным соотношением; во-вторых, обучающий набор вводится, коэффициент ошибок используется в качестве степени адаптации, и алгоритм метода роя частиц используется для модели предельной обучающей машины. Наконец, модель предельной обучающей машины, оптимизированная алгоритмом роя частиц, тестируется путем ввода тестового набора, и проводится анализ примеров. Результаты эксперимента показывают, что точность предложенного метода достигает 96,24 %, что подтверждает эффективность предложенного метода.
Ключевые слова: рой частиц; BP-нейронная сеть; предельная обучающая машина; обнаружение неисправностей двигателя; тест на ошибки.
Итогом выпускной квалификационной работы стала разработка программного обеспечения для прогнозирования поведения объектов нефтегазовой промышленности.
Эта работа включала построение и анализ математических моделей, проведение анализа с помощью нейронных сетей и написание программного обеспечения. В итоге путем постоянной оптимизации и уточнения была получена более реалистичная математическая модель, которая была смоделирована в Simulink, и, наконец, данные были проанализированы для разработки программы, отвечающей требованиям.
На основе нескольких оригинальных моделей прогнозирования для обнаружения неисправностей двигателя, соответственно, с последующим исследованием сравнительного анализа, была получена модель обнаружения неисправностей двигателя с более высокими требованиями к точности. На основе анализа примеров можно сделать вывод, что алгоритм прогнозирования на основе предельной обучающей машины имеет более стабильные показатели прогнозирования, чем традиционный алгоритм прогнозирования на основе нейронной сети BP, а выявленный недостаток способности к обобщению самой предельной обучающей машины и тенденция к Проблема локальной перестройки исследуется более глубоко.
Эта работа включала построение и анализ математических моделей, проведение анализа с помощью нейронных сетей и написание программного обеспечения. В итоге путем постоянной оптимизации и уточнения была получена более реалистичная математическая модель, которая была смоделирована в Simulink, и, наконец, данные были проанализированы для разработки программы, отвечающей требованиям.
На основе нескольких оригинальных моделей прогнозирования для обнаружения неисправностей двигателя, соответственно, с последующим исследованием сравнительного анализа, была получена модель обнаружения неисправностей двигателя с более высокими требованиями к точности. На основе анализа примеров можно сделать вывод, что алгоритм прогнозирования на основе предельной обучающей машины имеет более стабильные показатели прогнозирования, чем традиционный алгоритм прогнозирования на основе нейронной сети BP, а выявленный недостаток способности к обобщению самой предельной обучающей машины и тенденция к Проблема локальной перестройки исследуется более глубоко.