Система интернета вещей для диагностики и выявления предаварийного состояния контактных соединений ELMO Predicts
|
Даты проведения с 2018-07-04 по 2019-09-11 |
Попов Дмитрий Класс: 8
Соколов Андрей Класс: 10
Научные руководители: Воеводин Илья Геннадьевич, заместитель директора по научно-техническому творчеству ГАОУ АО ДО «Региональный школьный технопарк»; руководитель ЦМИТ «Агрополис-Техно» Цырульников Евгений Сергеевич, преподаватель, руководитель отдела «Кванториум» ГАОУ АО ДО «Региональный школьный технопарк»
Описание методов решения задачи.
Разработаны метод и алгоритмы прогнозирования элементов временных рядов (значений температуры) при помощи нейронной сети, постоянно обучаемой на основе данных текущей диагностики большой совокупности объектов. Текущие данные обучающей выборки (dataset) были получены в 2018-2019 гг. путем сбора данных о температуре аппаратных зажимов силового трансформатора 10/0,4 кВ на подстанции в г. Астрахань с помощью устройства сбора и передачи данных, разработанного авторами.
Данные о температуре контактного соединения, величине превышения температуры соединения над температурой окружающего воздуха определяются с помощью бесконтактного инфракрасного датчика температуры типа MLX90614ESF-DCI с малым полем зрения (FOV ) 5 градусов с абсолютной погрешностью не более 1 °C и передаются на веб-сервер с помощью модуля GSM-связи.
На основе формируемых моделей изменения температуры в каждой точке строится прогноз времени перехода температуры через критический предел, за которым начинается неконтролируемое развитие аварийной ситуации. Так, например, для наиболее распространенных болтовых контактных соединений максимально допустимая температура – 90 °C, превышение которой рассматривается в данном случае как состояние отказа.
По остаточной длительности (ресурсу) работы объекта до отказа система поддержки принятия решений определяет приоритеты вывода объектов в планово-предупредительный ремонт. 4. Анализ полученных результатов Предложено внедрение системы интернета вещей для диагностики и выявления предаварийного состояния контактных соединений оборудования сетей электрораспределения, предназначенной для прогнозирования времени отказа и определения приоритетов по выводу оборудования в планово-предупредительный ремонт Диагностика осуществляется путем постоянного теплового контроля наиболее нагруженных элементов электрооборудования бесконтактным способом.
Новизна решения заключается в разработанном методе и алгоритмах прогнозирования элементов временных рядов (значений температуры) при помощи нейронной сети, постоянно обучаемой на основе данных текущей диагностики большой совокупности объектов.
Система может быть использована для теплового мониторинга и определения остаточного ресурса контактных соединений в любой отрасли, в том числе в сфере жилищно-коммунального хозяйства (системы электроснабжения зданий), на производстве, на транспорте. 5. Используемая литература 1. Бажанов С.А. Инфракрасная диагностика электрооборудования распределительных устройств. – М.: НТФ "Энергопрогресс", 2000. – 76 с. 2. Бажанов С.А. Тепловизионный контроль электрооборудования в эксплуатации. Часть 1,2.
М.: НТФ "Энергопрогресс", 2005, Библиотечка электротехника, приложение к журналу "Энергетик"; Вып. 5 (77) - 80 с., Вып. 6 (78) - 64 с. 3. Гобрей Р.М., Чернов В.Ф., Удод Є.I. Диагностирование электрооборудования 0,4-750 кВ средствами инфракрасной техники. – К.: "КВІЦ", 2007. - 374 с. 4. Автоматизированная система прогнозирования остаточного ресурса контактных соединений электрических сетей в условиях ограниченного объема диагностической информации: диссертация кандидата технических наук : 05.13.01, 05.09.01 / Наумов Александр Евгеньевич; [Место защиты: Твер. гос. техн. ун-т]. – Тверь, 2009. – 173 с. 5. Курсы по машинному обучению Andrew Ng [Электронный ресурс]. – Режим доступа: http://openclassroom.stanford.edu/MainFolder/Cours... (дата обращения: 5.12.2017). 6. Информационно-аналитический ресурс, посвященный машинному обучению [Электронный ресурс]. – Режим доступа: http://www.machinelearning.ru/wiki/index.php?title... %B0%D0%B2%D0%BD%D0%B0%D1%8F_%D1%81%D1%82%D1%80%D0%B0%D0%BD%
D0%B8%D1%86%D0%B0 (дата обращения: 5.12.2017). 7. Горбань А.Н., Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей”, Сиб. журн. вычисл. матем., 1:1 (1998), С. 11-24.
Проект опубликовал
