Метод по прогнозированию времени выхода газовых турбин из строя, основанный на нейросетевых моделях глубокого обучения, предложили авторы из Волгоградского государственного технического университета (ВолгГТУ). Подход в два раза улучшил систему предсказания поломок, пишет журнал Energies.

Нейросетевой подход к прогнозированию поломок оборудования топливно-энергетического комплекса, по словам авторов, в два раза точнее аналогов. Он позволит повысить бесперебойность работы и снизить издержки предприятий, что является сегодня критически важной задачей.

Как отметил заведующий кафедрой факультета электроники и вычислительной техники ВолгГТУ Максим Щербаков, на основе точной оценки времени отказа оборудования можно скорректировать программу техобслуживания или оптимизировать режим его работы.

Подход уже прошел проверку на газовых турбинах, а в перспективе применим для любых промышленных двигателей и силовых установок, утверждают ученые.
Разработка способна давать точные прогнозы при минимальном наборе данных об исходных характеристиках оборудования благодаря применению специальных нейросетевых механизмов.

Предложенный метод входит в создаваемую университетом интеллектуальную платформу в контексте осуществления программы «Приоритет-2030». С помощью платформы можно будет формировать цифровые двойники установок, оценивать и прогнозировать их техническое состояние и в итоге повышать экономический эффект.

фото: pxhere.com