Магистральный газопровод является основным элементом газотранспортной системы и главным составным звеном Единой системы газоснабжения страны. Важным, связующим элементом между линейной частью и потребителем является газораспределительная станция (ГРС). ГРС это сложный технологический комплекс, присоединенный к линейной части магистрального газопровода, предназначенный для изменения параметров природного газа перед подачей в сети газораспределения, включая очистку, редуцирование, мероприятия по предотвращению гидратообразования (подогрев), одоризацию, а также измерения расхода газа.
Надежность и безопасность ГРС стратегически важны как для поставщика газа, так и для конечного потребителя, так как это важнейший элемент в обеспечении бесперебойной поставки газа.
Однако в настоящий момент более 70 % газораспределительных станций находится в эксплуатации более 30 лет, а возраст отдельных ГРС достигает 40 и более лет. На фоне продолжающегося старения отработавшего свой ресурс оборудования, в условиях существенного сокращения программ по капитальному ремонту ключевыми становятся вопросы надежности и безопасности. Своевременное выявление критических и потенциально опасных элементов газотранспортной системы, поиск уязвимых мест является важнейшей задачей по предотвращению отказов, возникновению аварийных ситуаций, способных привести к разрушениям, экологическому и материальному ущербу.
С 21 июля 1997 федеральным законом «О промышленной безопасности опасных производственных объектов» определены основные требования безопасной эксплуатации промышленных объектов с опасными условиями труда. Предприятия, эксплуатирующие объекты магистрального газопровода обязаны вести постоянный мониторинг надежности и безопасности систем.
Для выполнения требований законодательства Российской Федерации и поддержания установленного нормативной и технической документацией уровня надежной и безопасной эксплуатации объектов транспорта углеводородов ПАО «Газпром» необходимо регулярно проводить экспертизу их промышленной безопасности (ЭПБ). В ходе ЭПБ проверяют соответствие объекта экспертизы требованиям промышленной безопасности, определяют возможность установления срока безопасной эксплуатации (если он не был ранее установлен) или продления срока безопасной эксплуатации объекта экспертизы с указанием условий его дальнейшей безопасной эксплуатации.
Основными задачами технического диагностирования является контроль технического состояния, т.е. проверка соответствия параметров оборудования требованиям технической документации, определение мест и, при необходимости, причин и видов дефектов, прогнозирование технического состояния оборудования.
На сегодняшний день помимо ЭПБ существует ряд способов контроля технического состояния оборудования, таких как проведение толщинометрии отводов и тройников технологической обвязки ГРС, проведение наружных и внутренних осмотров оборудования работающего под избыточным давлением, контроль технического состояния оборудования в процессе эксплуатации, контроль показателей технологического процесса и др.
Техническое диагностирование проводимое, к примеру, в рамках ЭПБ исследует оборудование ГРС по определённым факторам. В результате мы получаем большой объем данных, которые используются в системе управления производственных объектов далеко не в полном объёме.
Следует отметить, что существующие методы мониторинга технического состояния оборудования ГРС обладают рядом недостатков. Во первых: отсутствует единая электронная база данных результатов обследования оборудования - отчёты и заключения составляются «на бумаге», что в свою очередь ограничивает использование полученных результатов. Во вторых: данные обследования не используются для оценки общего состояния ГРС - отсутствует методика учитывающая результаты технического диагностирования в процессе управления техническим состоянием и целостностью объектов. В третьих: отсутствует возможность произвести сравнительный анализ состояния ГРС, как в целом, так и по элементам, узлам - отсутствует программное обеспечение позволяющее производить обработку данных диагностирования с возможностью расчёта и прогнозирования показателей надёжности и безопасности.
При проведении диагностики существует также ряд причин, препятствующих сплошному проведению контроля: близко распложенные элементы конструкций зданий, оборудования, наличие тепло-шумоизоляционного покрытия на трубопроводах, подземное расположение трубопроводов на ГРС, несъёмные опоры под газопроводами, отсутствие возможности непрерывного контроля за параметрами работы катодной защиты и др.
На сегодняшний день отсутствуют методики оценки технического состояния ГРС, учитывающих комплексное воздействия различных факторов. Зачастую, определяемые отдельно показатели не превышают критических значений, но в совокупности могут быть опасными и привести к негативным последствиям.
Из сказанного выше ясно, что используемые методы не позволяют в полной мере провести оценку технического состояния оборудования ГРС и спрогнозировать его надёжную и безопасную работу.
Конкретное состояние оборудования ГРС следует рассматривать в комплексе с учётом максимального количества факторов воздействующих на систему. Для решения подобных задач существует необходимость в разработке методики оценки технического состояния оборудования ГРС с использованием вычислительных структур и компьютерных технологий, должны быть разработаны алгоритмы оценки технического состояния, надежности и безопасности на основании актуальных эксплуатационных данных, результатов технического диагностирования, данных полученных при авариях и инцидентах. Важно учесть наиболее значимые факторы, оказывающие наибольшее влияние на состояние газораспределительных станций. Наряду с параметрами, определяемыми в ходе ЭПБ необходимо учитывать данные полученные по результатам всех видов технического диагностирования, осмотров оборудования в порядке текущей эксплуатации, статистические данные и др.
Для выполнения поставленных задач и обработки информации необходимо внедрение программного комплекса на основе нейросетевых технологий с машинным обучением. Использование подобных технологий позволяет оперировать значительными объемами данных. Нейронные сети (НС) имеют способность обучаться в автоматическом режиме по предоставленной статистике, автоматически выявляют статистически значимые факторы и их комбинации, элиминируют незначащие факторы, обладают высокой скоростью обучения (несколько секунд). Есть конечно и недостатки: отсутствуют рекомендации по оптимальному выбору структуры сети, количеству скрытых слоев и числу в них нейронов, а также передаточных функций, нейронные сети не объясняют логики принятия решений (в отличие, например, от моделей логит регрессии или моделей, основанных на правилах), тем не менее, нейронные сети могут применятся как для задач классификации, так и для задач прогнозирования.
Следует также отметить, что использование НС не является самоцелью и должно сочетаться с прочими методами прогнозирования и оценки. Имеются положительные результаты применения НС в задачах контроля качества и выявления предпосылок опасных ситуаций, имеется развитый инструментарий по созданию НС, прежде всего на языке программирования Python, имеется ряд систем разработки НС, применяемых в реальных приложениях и поддерживаемых крупными фирмами-разработчиками (в пробной версии использовалась система TensorFlow от Google), причем эти системы являются бесплатными.
Рисунок 1 – Схема организации программного комплекса оценки технического состояния ГРС.
Источником данных для нейронной сети могут быть реляционные базы данных, электронные таблицы Excel, тестовые файлы (формата csv), источники в сети Интернет. Обработка данных может осуществляется несколькими нейронными модулями, определяя состояние объекта к примеру по пяти уровням опасности: авария, инцидент, предпосылка к инциденту, нарушения в системе управления ПБ или отклонения от технологических процессов, норма.
Для разработки программного комплекса необходимо спроектировать базу данных для хранения информации и результатов расчетов, графический интерфейс пользователя, разработать модуль сопряжения интерфейса и базы данных, разрабать конвертер с помощью которого интерфейс переводится на язык Python. Нейронную сеть можно обучать или тренировать. Т.е. в нейронном модуле определённой структуры с настроенными передаточными функциями, но с неизвестными коэффициентами в процессе обучения производиться изменение коэффициентов таким образом, что бы ошибка была минимальной. Процесс повторяется несколько раз, для поиска коэффициентов используется метод градиентного спуска. Описанный выше алгоритм схематично отображен на рисунке 1.
Программный комплекс должен позволять: производить паспортизацию объекта, производить расчёт и вывод результатов показателей надёжности и безопасности, производить сравнительный анализ состояния объектов и их элементов, на основе сравнительного анализа расставлять приоритеты проведения ремонтов оборудования ГРС. На рисунке 2 изображён интерфейс пробной версии программного комплекса.
Рисунок 2. Интерфейс пробной версии программного комплекса.
Таким образом, на сегодняшний день существует необходимость в разработке алгоритмов и положений методики оценки технического состояния с использованием нейронной сети с машинным обучением и использовании их на объектах газоснабжения в системе управления производственного объекта для оперативного контроля, предупреждения инцидентов и аварий.
Литература:
1. СТО Газпром 2-2.3-1122-2017 Стандарт организации газораспре-делительные станции. Правила эксплуатации.
2. СП 36.13330.2012 «Свод правил. Магистральные трубопроводы. Актуализированная редакция СНиП 2.05.06-85*», утверждён Приказом Госстроя от 25.12.2012 № 108/ГС.
3. Федеральный закон "О промышленной безопасности опасных производственных объектов" от 21.07.1997 N 116-ФЗ.
4. Руководство по безопасности «Методические основы по проведению анализа опасностей и оценки риска аварий на опасных производственных объектах», утвержденное приказом Ростехнадзора от 11.04.2016, №144.
5. Любимова Т.В., Горелова А.В. Решение задач прогнозирования с помощью нейронных сетей //Международный журнал инновационная наука №4/2015.
6. Земенкова, М. Ю. Системный мониторинг показателей надежности объектов трубопроводного транспорта: дис канд. техн. наук. - Тюмень: ТюмГНГУ, 2007. - 187 с.
Keywords: gas distribution station, neural networks, diagnostics, accident, incident
