Model for Early Detection of Emergency Conditions in Power Plant Equipment Based on Machine Learning Methods


Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

The article discusses a method for early detection and prediction of abnormality in operation of power-unit process equipment taking as an example the PTN 1100-350-17-4 turbine driven feedwater pump of a 300 MW power unit. The importance of the problem of predicting possible process equipment malfunctions at an early state of their occurrence is determined, and the specific features of solving it in the power industry are explained. The range of process equipment defects that can be efficiently detected using the predictive analytics methods is outlined. The fundamental assertion stating that the scope of analog and discrete measurements available in the process control system’s set of computerized automation tools is sufficient for applying the predictive analytics methods is emphasized. Modern predictive analytics methods are briefly reviewed, and the specific features of model training algorithms are mentioned. Separate attention is paid to the problems of preparing initial data for training the model. The mathematical problem of modeling an abnormality indicator taking the values from 0 (normal operation) to 1 (abnormal operation) is formulated. In turn, this problem is formulated as the binary classification problem of attribute vectors characterizing the equipment state at the given moment of time. An original approach is suggested, which combines the multivariate state estimation technique (MSET), in which the degree of abnormality in a technical state is determined from the extent to which the Hotelling criterion exceeds a threshold level (which is automatically calculated in the algorithm), and machine learning methods, the use of which makes it possible to overcome a number of difficulties inherent in the MSET. For solving the problem of determining the composition of the most informative attributes from the values of which early development of an emergency can be detected, it is proposed to use an ensemble of regression models. A method for selecting the modeled variable and the set of regressors is substantiated. An abnormality indicator calculation method based on composing an ensemble of linear regression models is proposed, and the advantage of using an ensemble over a single classifier is shown. A method for producing an alarm in response to detected abnormality in the operation of power unit process equipment is suggested. It is shown that it became possible by using the proposed model to detect the onset of the emergency development process, whereas individual indicators failed to reveal pump operation singularities in the preemergency interval of time.

Об авторах

A. Korshikova

OOO Incontrol

Автор, ответственный за переписку.
Email: aakorshikova@gmail.com
Россия, Moscow, 115280

A. Trofimov

National Research Nuclear University Moscow Engineering Physics Institute

Email: aakorshikova@gmail.com
Россия, Moscow, 115409

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

© Pleiades Publishing, Inc., 2019

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».