Содержание к диссертации
Введение
1 Обзор информационно-аналитических систем технической диагностики маслонаполненного оборудования 18
1.1 Ретроспектива отечественного опыта в создании информационно-аналитических систем в энергетике 18
1.2 Основные понятия и определения систем искусственного интеллекта, их классификация 29
1.3 Обзор отечественных и зарубежных ИАС, выполняющих оценку технического состояния маслонаполненного электрооборудования 34
1.4 Разработка критериев оценки информационно-аналитических систем 49
1.5 Выводы 54
2. Разработка концепции построения и развития информационно-аналитических систем в энергетике 56
2.1 Общие требования к корпоративной информационно-аналитической системе для служб технической эксплуатации электрооборудования 57
2.2 Основные понятия и определения 68
2.3 Обзор современных видов контроля, используемых для оценки технического состояния маслонаполненного оборудования 75
2.4 Определение необходимого набора контролируемых параметров для различных видов высоковольтного маслонаполненного оборудования 98
2.5 Выводы 108
3 Формализация и реализация информационно-аналитической системы технико-экономической оценки состояния маслонаполненного высоковольтного оборудования
3.1 Структурно-функциональная организация ИАС технико-экономической оценки состояния высоковольтного маслонаполненного оборудования 111
3.2 Формирование и преобразование пространств диагностических признаков при оценке технического состояния высоковольтного маслонаполненного электрооборудования 140
3.3 Построение структуры базы знаний и организация ее функционирования 150
3.4 Алгоритм принятия решения для вывода общего заключения о состоянии маслонаполненного оборудования при многоаспектном анализе 159
3.5 Организация информационных потоков и средств защиты информации 165
3.6 Построение жизненного цикла ИАС по опыту внедрения ЭДИС «Альбатрос» 171
3.7 Выводы 180
4 Получение допустимых и предельно длпустимых значений контролируемых параметров и их трендов путем статистической обработки данных эксплуатации 183
4.1 Методика получения допустимых и предельно-допустимых значений контролируемых параметров и их трендов на основе массива наблюдаемых данных 185
4.2 Определение критериев допустимых и предельно допустимых значений хроматографического анализа масла для силовых трансформаторов 110-5 ООкВ 209
4.3 Разработка критерия скорости нарастания концентрации газов в масле силовых трансформаторов 35-500 кВ 227
4.4 Определение критериев допустимых и предельно допустимых значений хроматографического анализа масла для маслонаполненных вводов 110-500 кВ 236
4.5. Разработка критериев допустимых и предельно допустимых концентраций газов в масле измерительных трансформаторов 110-750 кВ 246
4.6. Развитие критерия скорости нарастания газов для маслонаполненных высоковольтных вводов 266
4.7. Разработка критерия скорости нарастания газов для маслонаполненных измерительных трансформаторов 273
4.8. Развитие критериев оценки состояния жидкой изоляции высоковольтного маслонаполненного оборудования на основе физико-химического анализа масла 278
4.9 Выводы 287
5 Получение критериев идентификации дефектов по данным статистики повреждаемости 289
5.1 Методики синтеза описания классов состояния объекта на основе статистики фактов повреждений оборудования и результатов АРГ 292
5.1.1.Мето дика синтеза описания классов состояния объекта с помощью характерных соотношений пар газов на основе статистики фактов повреждений оборудования 294
5.1.2. Методика синтеза описания классов состояния объекта с помощью характерных газов на основе статистики фактов повреждений оборудования 298
5.1.3. Методика синтеза классов технического состояния объекта в виде графической модели на основе статистики фактов повреждений оборудования 301
5.2 Разработка графической модели отображения состояния оборудования на основании анализа растворенных в масле газов 306
5.3 Разработка алгоритма распознавания классов технического состояния оборудования по графической модели описания его состояния на основе АРГ 316
5.4 Разработка критериев диагностики высоковольтных вводов на основе статистики фактов повреждения оборудования 326
5.4.1. Критерии распознавания классов технического состояния высоковольтных вводов на основе результатов АРГ 328
5.4.2. Многоаспектный подход к диагностике высоковольтных вводов 335
5.5 Разработка критериев диагностики измерительных трансформаторов на основе статистики фактов повреждения оборудования 338
5.5.1. Критерии распознавания классов технического состояния измерительных трансформаторов на основе результатов АРГ 340
5.5.2. Многоаспектный подход к диагностике ИТ 346
5.6 Выводы 348
6 Разработка критериев оценки технико-экономических показателей парка оборудования 350
6.1 Разработка методики планирования технического обслуживания маслонаполненного оборудования на основе оценки его технико-экономических показателей 351
6.2 Разработка подходов к анализу эксплуатационных затрат 363
6.3 Методика анализа повреждаемости высоковольтного маслонаполненного оборудования 371
6.4 Выводы 379
Заключение 381
Список использованных источников 386
Приложение
- Основные понятия и определения систем искусственного интеллекта, их классификация
- Обзор современных видов контроля, используемых для оценки технического состояния маслонаполненного оборудования
- Формирование и преобразование пространств диагностических признаков при оценке технического состояния высоковольтного маслонаполненного электрооборудования
- Определение критериев допустимых и предельно допустимых значений хроматографического анализа масла для силовых трансформаторов 110-5 ООкВ
Введение к работе
Актуальность темы. Необходимость создания информационно-аналитических систем (ИАС) для технико-экономической оценки состояния высоковольтного электротехнического оборудования в энергетике вызвана не только экспансией информационных технологий в производство, но и еще целым рядом причин. Возросли требования к эффективности, оперативности управления и организации процесса эксплуатации оборудования, что особенно остро чувствуется во время реформирования отрасли. В условиях конкуренции между энергокомпаниями становится более востребованной экономическая оценка тактики эксплуатации. Обострилась необходимость автоматизации процессов сбора информации о парке оборудования из-за возрастания нагрузки на оперативный персонал в связи с увеличением парка оборудования, объемов отчетности по нему. Кроме того, электронные хранилища информации позволили бы избежать частичной потери и искажения ценной диагностической информации об оборудовании, которые происходят в условиях реструктуризации при постоянной смене, возникновении, видоизменении функций и структуры энергокомпаний и их подразделений, и даже при работе на одних объектах специалистов разных подразделений (эксплуатации, ремонтных и диагностических организаций).
Повсеместно ощущается недостаток качественного всестороннего анализа технического состояния энергооборудования в связи со стремлением к снижению эксплуатационных расходов с одной стороны, и необходимостью использования новых методов (приемов, критериев) диагностики, с другой стороны. Растет осознание экономической целесообразности усовершенствования методов технической диагностики, в том числе по причине того, что в подавляющем числе энергокомпаний доля маслонаполненного оборудования, выработавшего расчетный ресурс, превышает 50%, а темпы старения парка оборудования на 3-5% больше темпов его обновления [1]. Повышаются требования к точности диагностики, в связи с тенденциями экономии средств на эксплуатацию оборудования и переходом на ремонты по техническому состоянию.
В условиях реформирования энергетики обостряется дефицит высококвалифицированных специалистов в области диагностики из-за неизбежного распыления кадровых ресурсов по новым организационным структурам, а также, из-за нарушения графиков обязательного повышения квалификации персонала и затруднений с участием специалистов в научно-практических конференциях.
При естественной смене поколений специалистов, образовался разрыв в передаче опыта между поколениями из-за того, что в новых организационных структурах был взят курс на обновление кадров и утерян процесс наставничества, кроме того, новое поколение тяготеет к информационным технологиям и хуже знает объект диагностики.
На местах ощущаются трудности с получением информации, относящейся к передовому опыту, развитию вопросов технической диагностики, эксплуатации оборудования, методик технико-экономической оценки его состояния, как по вертикали подчиненности, так и по горизонтали между отделами и департаментами.
Существующая нормативно-техническая база диагностики охватывает не весь набор контролируемых параметров и не отвечает современному пониманию вопросов диагностики маслонаполненного оборудования. У части полезных для диагностики параметров измеряемые значения не нормируются действующими РД, либо нормируемые значения не имеют область риска и не всегда дифференцированы по конструктивным особенностям оборудования, а также не учитывают изменений, связанных с процессами старения изоляции.
Затруднен сбор данных для анализа и получения новых знаний по диагностике в целом по отрасли из-за введения директив о секретности любой информации энергокомпании, а так же из-за нарушения привычных связей и разного подхода к анализу информации в новых энергоструктурах.
Таким образом, разработка ИАС, с использованием новых методов и критериев оценки технико-экономического состояния оборудования, является актуальной задачей.
История вопроса. Зарождение ИАС систем для энергетики началось в России в конце 90-х годов и связано с появлением первых персональных ЭВМ и активным развитием новых средств создания программного обеспечения. Одной из первых была создана экспертно-диагностическая система оценки технического состояния электрооборудования "Альбатрос" (ЭДИС "Альбатрос"), разработчиком которой и является автор диссертации [2,3,4]. Система разрабатывалась с 1989 года. Она эксплуатируется в 28 энергокомпаниях России, в Молдавии, Украине, Латвии (более НО предприятий, 200 рабочих мест). На сегодня ЭДИС «Альбатрос» является лидером внедрения среди подобных систем. Успешная работа по разработке и внедрению отмечена в 2002 г. золотой медалью "Уральских выставок" и в 2008 г. Дипломом лауреата премии "За обустройство Земли Российской". В 2004 г. система прошла экспертную проверку ОРГРЭС и рекомендована для. использования при оценке и комплексной диагностике электрооборудования.
Автор выражает особую признательность Комарову В.И. специалисту ОАО «Свердловэнерго» за многолетнее наставничество и помощь в осознании круга вопросов решаемых персоналом, занимающимся эксплуатацией оборудования, а также, существующих в этой области проблем и путей их решений. Автор благодарит за информацию о повреждаемости оборудования и богатый практический опыт диагностики, которыми с ним поделились эксперты своего дела: О.Н. Гречко, А.Ф Курбатова (НИИПТ), А.А. Тихонов (Красноярскэнерго), В.Н. Осотов, А.Г. Константинов (Свердловэнергоремонт), В.Н. Устинов, Б.П. Кокуркин (завод Мосизолятор), Н.Г. Храмцов (Тюменьэнерго). Знания и конструктивная критика не только этих специалистов способствовали наполнению базы знаний системы и расширению ее функций.
Общепризнанно, что характеристики жидкой изоляции несут до 60% информации о состоянии маслонаполненного оборудования. Большой вклад в диагностику оборудования по состоянию трансформаторного масла внесли отечественные ученые Р.А. Липштейн, П.М. Сви, Е.М. Бида, В.В. Соколов. Активные исследования в этом направлении продолжили В.Г. Аракелян, В.Н. Бережной, В.П. Васин, О.Н. Гречко, А.Ф. Курбатова, Н.И. Калачева, Д.Н. Колушев, В.А. Туркот, Д.В. Шуварин. Трансформаторное масло несет информацию не только о своем состоянии, но и о состоянии различных элементов активной части, с которыми оно взаимодействует, так как при этом в нем происходят определенные изменения. Поэтому в ЭДИС «Альбатрос» сделан акцент на развитии методов и критериев анализа характеристик трансформаторного масла В соответствии с изложенным, целью работы является совершенствование системы диагностики маслонаполненного электрооборудования высокого напряжения путем создания новых методов и критериев технико-экономической оценки состояния оборудования для информационно-аналитической системы, позволяющей обеспечить максимально возможное, экономически оправданное продление срока службы электрооборудования и своевременное проведение необходимого технического обслуживания при возможно минимальных затратах на диагностические процедуры. В качестве объекта исследований в данной работе выбраны следующие виды маслонаполненного оборудования высокого напряжения: силовые трансформаторы, вводы, трансформаторы тока и напряжения.
Используемые в данной диссертационной работе методы исследования заключаются в применении теории распознавания образов, интегрального исчисления, реляционного исчисления, предикатной логики, нейронной сети, теории вероятности, методов математической статистики, дисперсионного анализа, обобщении опыта эксплуатации и знаний, накопленных в исследуемой предметной области.
Основные понятия и определения систем искусственного интеллекта, их классификация
Для создания сложных современных систем ИИ необходим опытный, высокопрофессиональный коллектив разработчиков, состоящий, как правило, из представителей 3 профессий: эксперта, когнетолога и программиста. Эксперты - высокого уровня профессионалы в изучаемой предметной области, готовые поделиться своим опытом, способные внятно объяснить принимаемые ими решения. Когнетолога - специалисты, владеющие методами извлечения и представления знаний, методологией разработки систем ИИ, имеющие широкую общенаучную подготовку и представление о языках программирования, а также хорошие навыки общения. При участии в создании системы нескольких экспертов, важно чтобы большинство из них имели по рассматриваемым вопросам одинаковое мнение или близкие позиции, а когнетологи должны владеть механизмами учета различных мнений экспертов. Программисты - специалисты, универсальные в своей профессии, обладающие опытом создания информационных систем, хорошо владеющие математическим аппаратом, компьютерной графикой, имеющие представление о методах организации знаний и механизмах логического вывода. Если эксперты и когнетологи заняты только созданием и заполнением базы знаний, то в коллектив добавляется постановщик задачи, определяющий все функции создаваемой системы, интерфейс пользователя, вид входных и выходные форм, весь спектр получаемых, преобразуемых, хранимых, выдаваемых данных. Обычно коллектив разработчиков состоит из 5-10 человек.
Как говорилось выше, интеллектуальные системы средней сложности при наличии опытного коллектива разрабатываются за 3-5 лет [6,7]. Накопленный опыт позволяет утверждать, что после создания таких систем для успешной их эксплуатации требуется постоянное внимание коллектива разработчиков, так как: - новой системе необходимо пройти период обкатки на нескольких предприятиях для повышения устойчивости в работе и приобретения универсальности при работе с оборудованием разных конструкций, классов напряжения и пр.; - программное обеспечение, в том числе операционные и инструментальные среды, довольно быстро меняется; - предметная область постоянно пополняется новыми знаниями. Следовательно, для рассматриваемого класса ИАС очень важно имеют ли они в настоящее время сопровождение разработчиков. Далее приведем классификацию интеллектуальных систем, чтобы с ее помощью сравнить различные разработки. Инструментальные средства для создания систем можно разделить на 3 группы: - традиционные языки и среды программирования {Pascal, С, Delphi, Visual Foxpro, Visual Basic); - специализированные языки и среды программирования ИИ (Lisp, Prolog, KRL, FRL, OPS5); - оболочки для создания систем ИИ. Третья группа не требует умения программировать, она предназначена для автоматизации создания систем ИИ. Проблемно-ориентированные оболочки специализируются на задачах определенного класса (поиск, планирование, прогнозирование и т.д.) или определенной предметной области. При переходе от традиционных языков программирования к специализированным средам создания систем ИИ и оболочкам систем ИИ стоимость инструментальных средств растет, а время создания конечного продукта уменьшается. Стоимость оболочек систем ИИ в несколько десятков раз выше, чем традиционных языков программирования. Функционирующая ИАС может существовать в одной из следующих стадий [7]: - исследовательский прототип: система решает большинство заявленных задач, но может быть неустойчива в работе и не полностью проверена; - действующий прототип: система надежно решает все заявленные задачи на реальных примерах, но для решения сложных задач требует много ресурсов. Количество исполняемых утверждений в БЗ увеличивается; - промышленная система: предполагает высокое качество решения всех задач за минимальное время. Увеличивается количество утверждений БЗ по сравнению с действующим прототипом и тщательно отлаживается БЗ; - коммерческая система: система пригодна не только для собственного использования, но и для продажи потребителям, хорошо документирована и снабжена сервисом. По типу решаемых задач НАС можно разделить на системы, осуществляющие [8]: - диагностику, т.е. процесс поиска неисправностей (определение вида и стадии повреждения оборудования), основанный на интерпретации результатов наблюдений за контролируемым объектом (системой). Диагностику можно рассматривать как часть более общей задачи - распознавания класса объекта, класса состояния, изображения, речи и т.д.; - прогноз, т.е. прогнозирование хода событий на основании модели прошлого и настоящего или, иначе, вывод вероятных следствий из заданных ситуаций при наличии, как правило, неполной информации. Например, прогноз старения изоляции; - планирование, т.е. формирование плана действий, которые следует выполнять для достижения поставленных целей. Например, план ремонта - составление плана устранения обнаруженных дефектов; - мониторинг, т.е. сравнение результатов наблюдений за контролируемой системой (объектом) с критическими точками плана, выдача сообщений при отклонении от плана и (или) определение вероятности достижения поставленной цели. Например, мониторинг технического состояния электрооборудования; - проектирование, т.е. разработка объекта (системы), удовлетворяющего заданным требованиям и ограничениям. Например, программы, разработанные ОАО «ВИТ» для моделирования электромагнитных, тепловых, механических полей и процессов в трансформаторах с учетом нормативно-технической базы проектирования и для оптимизации конструктивных решений и основных размеров трансформатора; - поддержка принятия решений, т.е. анализ ситуации и путей выхода из нее, выработка необходимых рекомендаций. Например, формирование инвестиционного портфеля энергообъединения; - поиск, т.е. нахождение объекта (информации) по заданным характеристикам (критериям запроса). В распределенной базе данных, такой как Internet, эта задача нетривиальна; - обучение, т.е. обучение дисциплине, объяснение используемых категорий и понятий, причинно-следственных связей, выделение ключевых моментов в рассуждениях, тестирование знаний обучаемого и проведение дальнейшего обучения в зависимости от результатов теста; - интерпретацию, т.е. анализ наблюдаемых данных с целью определения их смысла, в т.ч. решение задач получения новых знаний.
Другие возможные задачи, не вошедшие в этот список, можно представить комбинацией перечисленных выше. Например, управление поведением системы (объекта) можно рассматривать как планирование ее поведения и мониторинг ее функционирования. Обычно ИАС решают сразу несколько задач, причем одна из них является ведущей. В нашем случае будем рассматривать ИАС, где ведущей является диагностика, т.к. другие задачи, в том числе планирование ремонтов, основаны на ней. Системы ИИ можно разделить по типу информационных объектов, на которых они специализированы. В нашем случае объектами диагностирования с помощью ИИ могут быть: - силовые трансформаторы, автотрансформаторы, реакторы; - высоковольтные вводы; - измерительные трансформаторы; - выключатели; - ограничители перенапряжений, вентильные и трубчатые разрядники; - генераторы и турбины; - воздушные и кабельные ЛЭП; - распределительные устройства; - системы заземления и молниезащиты; - электромагнитная обстановка (совместимость).
Обзор современных видов контроля, используемых для оценки технического состояния маслонаполненного оборудования
Надежность оборудования высокого напряжения в значительной мере определяется работоспособностыо изоляции. Основной объем диагностических операций относится к контролю параметров изоляционных конструкций. Процессы старения изоляции, вызванные химическими, тепловыми, механическими и электрическими воздействиями, а также зарождение и развитие дефектов связаны с изменением характеристик как отдельных компонентов изоляции, так и конструкции в целом. В качестве изоляции в маслонаполненном оборудовании используются твердые материалы (главным образом целлюлоза) и жидкие - трансформаторное масло. Масло в высоковольтных изоляционных конструкциях играет двоякую роль. С одной стороны оно является одной из изолирующих компонент, а с другой стороны - охлаждающей средой, контактирующей со всеми внутренними конструктивными элементами оборудования. Поэтому контроль физико-химических характеристик масла позволяет определить его собственную работоспособность, состояние твердой изоляции, а также состояние меди и железа, по сути - масло является информационной средой. Хроматографический анализ газов, растворенных в масле. Анализ растворенных в масле газов (АРГ) является одним из наиболее информативных методов анализа, суть которого заключается в следующем. Развитие дефектов активной части чаще всего связано с возникновением очагов местного нагрева или очагов местных электрических разрядов, под воздействием которых масло и другие материалы начинают разлагаться с выделением различных газов. В начальной стадии развития дефектов количество выделяющихся газов невелико и не превышает уровня растворимости их в масле.
Они длительное время могут сохраняться в масле. Хроматографический анализ заключается в принудительном извлечении этих газов из масла, определении их качественного состава и количественного анализа. Для целей диагностирования в настоящее время в эксплуатации чаще всего по результатам АРГ определяются концентрации следующих газов, растворенных в масле: водород (Иг), метан (СН4), ацетилен (С2Н2), этилен (С2Н4), этан (С2Н6), окись углерода (СО), двуокись углерода (С02). двуокись углерода - нагрев твердой изоляции. Для дефектов электрического характера наиболее характерным является наличие следующих растворённых газов: - водород (частичные разряды, искровые и дуговые разряды); - ацетилен (электрическая дуга, искрение). Для дефектов термического характера наиболее характерны следующие газы: - этилен (нагрев масла и бумажно-масляной изоляции выше 600 С); - метан (нагрев масла и бумажно-масляной изоляции в диапазоне температур 400-600 С или нагрев масла и бумажно-масляной изоляции, сопровождающийся разрядами); - этан (нагрев масла и бумажно-масляной изоляции в диапазоне температур 300-400 С); - окись и двуокись углерода (старение и, как следствие, увлажнение масла и бумажной изоляции). С помощью АРГ в оборудовании можно обнаружить три группы дефектов: - перегревы токоведущих соединений, износ и обгорание контактов ПУ, ослабление контактного нажатия в переключателях, нагрев мест соединений обмоток и элементов конструкции остова (повышенный нагрев от электромагнитных полей рассеяния, образование КЗ контуров); - дефекты твердой изоляции, вызванные диэлектрическими потерями и электрическими разрядами, старение твердой изоляции; - электрические разряды в масле (частичные разряды, искровые и дуговые разряды).
В реальной практике чаще всего встречаются сочетания развивающихся дефектов различного характера, находящихся в разных стадиях развития. Поэтому даже для ориентировочной идентификации развивающихся дефектов используют комплекс различных методических приемов (определение абсолютных значений концентраций газов, скорость нарастания концентраций газов, соотношение концентраций различных газов АРГ и т.п.). Кроме этого, при анализе результатов АРГ необходимо учитывать различные эксплуатационные факторы, не связанные с развитием дефектов активной части, но вызывающие изменение концентраций растворенных в масле газов. Среди таких эксплуатационных факторов можно назвать следующие: изменения нагрузки, доливка другим маслом, воздействие токов короткого замыкания, сезонные изменения интенсивности процессов старения и т.п. Наиболее распространенные методы диагностирования трансформаторного оборудования по результатам АРГ изложены в [58]. Этот метод является эффективным как при выявлении развивающихся дефектов, так и при оценке общего состояния оборудования и может применяться для всех видов маслонаполненного оборудования. Оценка состояния трансформаторного масла.
В процессе эксплуатации маслонаполненного оборудования залитое в него масло под действием различных факторов изменяет свои химические и электрофизические свойства, что обычно определяют понятием "старение". В результате старения ухудшаются электроизоляционные свойства масла, продукты старения масла в виде осадка накапливаются на активных частях оборудования (обмотках и магнитопроводах), затрудняя отвод тепла от них, ускоряя старение целлюлозной изоляции и ухудшая ее электроизоляционные свойства. Главным фактором, обуславливающим старение масла, являются окислительные превращения входящих в его состав углеводородов, смолистых и сернистых продуктов. По физико-химическим характеристикам масла судят: о состоянии масла - старении, загрязнении, увлажнении, деструкции масла; о состоянии твердой изоляции - деструкции, увлажнении, загрязнении; о нарушении герметичности в устройстве защиты масла. Комплекс показателей, характеризующих качество масла, в отечественной практике включает в себя сокращенный анализ. В объем сокращенного анализа входит определение следующих показателей качества масла:
Формирование и преобразование пространств диагностических признаков при оценке технического состояния высоковольтного маслонаполненного электрооборудования
Одной из основных задач оценки технического состояние маслонаполненного электрооборудования с помощью ИАС является задача формализации описания технического состояния объекта. В данном разделе рассматриваются найденные решения по конструированию и использованию пространства диагностических признаков, как для описания технического состояния объекта, так и для оценки этого состояния и выработке рекомендаций по дальнейшей эксплуатации диагностируемого объекта. Оперативная информация, поступающая в ИАС, состоит из результатов измерения параметров, принадлежащих разным видам контроля. Каждый вид контроля дает свою характеристику анализируемого объекта или его системы: электрическую, магнитную, химическую. Для каждого вида контроля строится свое пространство диагностических признаков с помощью логико-математических моделей (ЛММ). Кроме того, в ЛММ входит формализация факторов, влияющих на техническое состояние оборудования. Пространства одного вида контроля для разных видов оборудования имеют свои особенности. Таким образом, ЛММ имеют модульную структуру, соответствующую структурированию данных, поступающих в ИАС. Преобразования признакового пространства соответствуют декомпозиции процесса принятия решения экспертом по этапам анализа ситуации (оценка состояния диагностируемого объекта и рекомендации по его обслуживанию). ЛММ, используемые в ЭДИС, делятся на предназначенные для распознавания класса состояния оборудования D7 и назначения мероприятий (выработки рекомендаций) по дальнейшей эксплуатации оборудования ІГ. Логико-математическая модель состоит из концептуальной и функциональной части. Функциональная часть строит вектор, описывающий состояние объекта в пространстве признаков, структура которого задается концептуальной частью.
Концептуальная часть ЛММ, используемой для распознавания технического состояния - постановки диагноза (ЛММр), имеет вид: где J- вид контроля; Y- вид маслонаполненного оборудования; п - количество измеряемых параметров; К„ - группа признаков, характеризующая отклонение параметра от допустимого или предельно-допустимого значения по абсолютной величине; Рп - группа диагностических признаков, характеризующая меру изменения параметра по отношению к базовому замеру объекта; Vn - группа диагностических признаков, характеризующая динамику изменения параметра по отношению к предыдущему замеру; Se - группа диагностических признаков, характеризующая соблюдение соотношений между параметрами одного вида контроля, е - количество рассматриваемых соотношений признаков; Н: - переменные, которые характеризуют происходящие в объекте процессы (предыстория), z - количество рассматриваемых переменных; Um - переменные, описывающие события, которые могли повлиять на состояние объекта (эксплуатационные мероприятия, внешние воздействия), т - количество учитываемых факторов; Ьь - переменные, описывающие особенности измерения (метод измерения, точность прибора), которые могли повлиять на результаты измерений, Ъ - количество учитываемых особенностей измерения; Tt - переменные, характеризующие конструктивные особенности объекта (класс напряжения, марка масла, тип и пр.) и срок его эксплуатации, / - количество учитываемых конструктивных особенностей. Концептуальная часть ЛММ, используемой для планирования действий персонала (ЛММП), имеет вид: где J-вид контроля; Y- вид маслонаполненного оборудования/узла; D - класс состояния оборудования, распознанный базой знаний; Hz - переменные, характеризующие происходящие в объекте процессы (предыстория), z - количество рассматриваемых переменных; Tt . переменные, характеризующие паспортные характеристики и срок службы оборудования, / - количество учитываемых конструктивных особенностей; Cq - переменные, описывающие действия персонала при контроле состояния оборудования, q - количество рассматриваемых видов контроля; Ак - переменные, описывающие действия персонала, проводимые на оборудовании при его ремонте, к - количество операций по ремонту; Um - переменные, описывающие внешние факторы, влияющие на оборудование и его режим эксплуатации, т - количество учитываемых факторов. При отображении состояния диагностируемого объекта в пространстве признаков, заданном концептуальной частью ЛММ функциональная часть выполняет следующую последовательность операций: - поиск необходимой информации: результатов предыдущих измерений и базового замера, эксплуатационных мероприятий и условий работы объекта, его паспорта, - выбор из библиотек диагностических критериев (НБК или ЭБК) необходимых критериев оценки измеренных параметров; расчет параметров (скорости изменения, процент изменения по отношению к базовому замеру, соотношение параметров и т.д.) и вспомогательный (приведения по температуре и т.д.); верификация измеренных параметров; - получение диагностических признаков путем сравнения значений расчетных и измеренных параметров со значениями из библиотеки граничных значений (уставок) базы знаний. С момента создания ЭДИС "Альбатрос" в 1990 г. библиотека диагностических критериев эволюционировала. Сначала она содержала в основном критерии получения бинарных признаков групп К и Р из руководящих документов и рекомендаций заводов-изготовителей. Затем набор контролируемых параметров расширился как за счет ухода от бинарных признаков к признакам, имеющим несколько категорий (например, допустимое и предельно-допустимое значение), так и за счет появления и расширения групп V, S и Р. Использование нескольких категорий диагностических признаков, соответствующих категориям нечеткой логики: зона риска, зона отказа и т.п., а также введение диагностических признаков, характеризующих динамику изменения контролируемых параметров, позволяет учесть степень развития дефекта при выводе заключений БЗ, исключить ситуации ложной отбраковки, когда превышение контролируемых параметров своих уставок связано с эксплуатационными и др.факторами. Новые критерии добавлялись, как на основании опыта экспертов, исходя из представления физики происходящих в оборудовании процессов и на основе практического опыта, так и на основании расчетов методами математической статистики. В настоящее время существует две БК. Нормативная БК содержит, в основном, критерии отнесения оборудования к категории зона дефекта . Ее знания обновляются редко, носят законодательный характер, взяты из руководящих документов и рекомендаций заводов-изготовителей. Экспертная библиотека - содержит расширенный набор критериев и категорий оценки состояния оборудования: опасное состояние ; зона дефекта ; зона отказа .
Определение критериев допустимых и предельно допустимых значений хроматографического анализа масла для силовых трансформаторов 110-5 ООкВ
Оценка технического состояния силовых трансформаторов по результатам АРГ в России производится согласно РД [58], где при отнесении трансформаторов к группе с развивающимися дефектами используются ПДЗ, приведенные в табл. 4.7. Из материала раздела 4.1. следует, что критерий граничных концентраций в РД недостаточно дифференцирован, и что необходимо дифференцировать ДЗ концентраций газов по конструктивным особенностям трансформаторов 110-500 кВ и сроку службы. Такая дифференциация ДЗ снизит ошибки ложного отнесения в группу с развивающимися дефектами в случаях "перестраховки" (из работы выводится оборудование в рабочем состоянии) и "недосмотра" (без должного внимания остается оборудование, требующее учащенного контроля, дополнительного обследования или ремонта). Кроме того, граничные концентрации РД [58], действующего с 2000 года, почти полностью повторяют РД 34.46.302-89 (изменены только значения СО и С02. За эти годы были усовершенствованы методики и аппаратура измерений, произошли изменения в парке оборудования, поэтому возникает потребность в пересмотре существующих нормативных значений параметров [58]. Судя по отечественным публикациям, несколько энергокомпаний используют для диагностики силовых трансформаторов [116,117] свои допустимые значения концентраций газов, рассчитанные по методике, изложенной в РД 34.46.302-89, но с большей дифференциацией. Допустимые значения концентраций газов, дифференцированные по классу напряжения, виду защиты масла и сроку службы, были впервые рассчитаны автором на массиве данных АО «Свердловэнерго» по методике РД 34.46.302-89 и использовались в базе знаний ЭДИС «Альбатрос» с 1994 г. С тех пор, в среднем, каждые 5 лет эти данные уточнялись и пересчитывались по методике, описанной в разделе 4.1. На наш взгляд, давно назрела необходимость установления 2-х уровней нормативных значений концентраций: ДЗ и ПДЗ. Подход, при котором для отбраковки оборудования используется только одно значение, страдает формальностью и имеет повышенный риск ошибок 1-го и 2-го рода. Введение зоны "риска", когда измеренное значение находится между ДЗ и ПДЗ, позволит разделить развивающиеся дефекты в опасной и неопасной стадии и рекомендовать соответствующие действия персоналу. Например, при нахождении значений диагностируемого объекта в зоне "риска" наблюдать его с учащенной периодичностью, а при превышении ПДЗ принимать решение о выводе его из работы или дополнительном обследовании. Из работающих баз данных ЭДИС (28 энергосистем, где она используется), по результатам АРГ были отобраны данные 10 крупных энергокомпаний.
Отбирались БД с большим количеством установленного оборудования, наличием долгой "истории жизни" оборудования (значениями контролируемых параметров в процессе эксплуатации) и достаточной мерой доверия к этой информации, зависящей как от качества организации таких работ на предприятиях и квалификации персонала, производящего измерения, так и от совершенства применяемых методов и средств измерений. Методика подготовки данных к анализу. В массивах данных были оставлены измерения всех трансформаторов, в том числе и находящихся на учащенном контроле. Для трансформаторов, находящихся на учащенном контроле, было проведено усреднение значений, за период между нормативными сроками контроля, чтобы получить одинаковую частоту появления в выборке оборудования с учащенной и нормальной периодичностью измерений. Например, если для трансформатора АРГ проводился через каждые 2 месяца (нормальная периодичность для трансформаторов 110-500 кВ один раз в полгода), вместо трех измерений в выборку вносилось одно по каждому газу - среднеарифметическое значение концентрации. Чтобы понять, каким образом целесообразно дифференцировать нормативные значения концентраций газов силовых трансформаторов, сначала было необходимо найти факторы, которые влияют на концентрации газов, и определить силу их влияния. Для этого соответствующие блоки подсистемы получения новых знаний ЭДИС «Альбатрос» делали выборки из базы данных системы по задаваемым значениям уровней исследуемых факторов. Далее согласно описанной в разделе 4.1 методике проводилось "ленивое" сглаживание выбросов максимальных значений выборок, данные в выборках распределялись медианным способом по 75 интервалам, проводилось сглаживание выборок скользящими медианами, строились диаграмма частот наблюдения на интервале и интегральная функция распределения, а также зависимость математического ожидания (МО) концентрации газа от срока эксплуатации.
Для каждой выборки определялась ее мощность, рассчитывались МО и дисперсия. Затем проводился дисперсионный анализ влияния факторов по энергосистеме с наиболее представительной выборкой по исследуемому фактору. Дисперсионный анализ факторов, влияющих на концентрации газов, и анализ силы их влияния. Необходимо было проверить влияние на концентрации газов следующих факторов: типа трансформатора (вид/тип оборудования); типа защиты масла; марки масла; срока службы - так как в результате процессов старения значения контролируемых параметров изменяются; класса напряжения; характера нагрузки; типа РПН; сезонных колебаний температуры окружающей среды, климатических условий. Для проведения однофакторного дисперсионного анализа значения других факторов влияния были зафиксированы, чтобы исключить их влияние, то есть в исследуемую выборку отбирались трансформаторы с одинаковыми значениями одного из уровней зафиксированных факторов (одной маркой масла, одним классом напряжения, одним видом защиты и т.д.). При этом во внимание принимались, по возможности, все перечисленные факторы. Много факторный дисперсионный анализ не использовался, так как рассматриваемые факторы не имеют взаимного влияния.
