Закономерной особенностью последних десятилетий является все более глубокое проникновение цифровых технологий, как в повседневную жизнь, так и в различные отрасли промышленности. Данный факт приводит к тому, что казалось бы привычные системы контроля и оборудование обретают новый облик с применением различного рода элементов микроэлектроники, которая генерирует большие объемы информации, даже в тех случаях когда ранее оборудование контролировалось исключительно вручную персоналом.
Яркими примерами вышеописанного влияния в области энергетики и непосредственно для генерирующего оборудования являются следующие: повсеместное внедрение запорной арматуры с концевыми выключателями, действующие по принципу открыто/закрыто; использование запорно-регулирующей арматуры с контролем ее фактического положения; усложнение систем контроля тепловых и тепломеханических параметров, когда каждая точка контроля способна генерировать и передавать значение параметра с частотой менее одной секунды, а иногда и в миллисекундах, когда речь идет, например, о быстродействующих системах регулирования; все большее использование производных параметров по результатам измерений, например, использование спектров, огибающих и узкополосных частотных составляющих измеряемых сигналов вибрационных параметров.
Такой уровень автоматизации сбора данных приводит к тому, что их ручная обработка занимает значительный объем времени, в случае выполнения данных операций в ручном режиме, и практически не оставляет специалистам времени на проведение детального анализа и осмысления результатов. В свою очередь чисто графические подходы к анализу, такие как: построение сравнительных графиков, выстраивание зависимостей и т.д. – требуют от персонала времени на поиск требуемых участков трендов, выбор их и сопоставление в ручном режиме, что также не сказывается на производительности труда в положительном ключе. Отдельно стоит отметить, что с появлением вышеописанных высокопроизводительных систем контроля персоналу, по большей части, стала отводиться роль наблюдателей за изменением параметров работы оборудования без постановки достаточно взвешенных и глубоких выводов, требуемых для повышения производительности оборудования и снижения эксплуатационных и ремонтных затрат.
В качестве решениях обозначенных проблем обширным числом предприятий разрабатываются и внедряются системы автоматической диагностики и прогностики основанные на различных чисто-математических подходах по анализу технического состояния генерирующего оборудования. Все эти системы направлены прежде всего на полную автоматизацию процесса анализа большого числа данных, поступающих из систем контроля, основываясь только на математических алгоритмах например таких как:
- Детерминированные системы
- Системы вероятностного типа
- Системы основанные на применении когнитивных карт диагностики
- Нейронные сети
- Системы многокритериального корреляционного анализа
По сути, все вышеперечисленные виды систем являются инструментом автоматического анализа данных. Однако, есть отдельные аспекты, которым многие разработчики не уделяют должного внимания, когда пытаются автоматизировать анализ данных – физическая сущность контролируемых процессов, их значение и интерпретация результатов с последующим разъяснением. Результатом такого подхода является выдача заключений без раскрытия логики принятия решения, т.е. работа по принципу черного ящика. В таких условиях становится затруднительным определить достоверность и правильность сделанного автоматического заключения и, как следствие, принять решения о дальнейших действиях по устранению неисправностей и объемам необходимых работ.
Бесспорно, что в будущем системы полностью автоматического анализа данных смогут полноценно заменять специалистов в области диагностики турбинного оборудования по отдельно-рассматриваемым направлениям. Однако данное это выполнимо только при условии, когда разработка будет базироваться не чисто на математических приемах обработки информации и выстраивании взаимосвязей без определения причинно-следственной связи, т.е. понимания того, какой параметр и какое его изменение является в одном случае причиной, в другом случае следствием, а на основе физико-математического представления агрегата и сути наблюдаемых явлений. Отдельно стоит уделить внимание такому виду воздействия на агрегат, как человеческий фактор, который не может быть измерен непосредственно, но вполне может быть оценен человеком-специалистом.
В таких условиях главной задачей систем анализа данных и, в частности, систем удаленного мониторинга, в данном случае стоит сделать акцент, что имеется в виду именно мониторинг, а не оперативный контроль, является предоставление инструментов для сокращения времени, необходимого специалистам для обработки и анализа информации. В данном случае, мы подразумеваем наличие обширного инструментария, необходимого для максимального сокращения рутинной работы по поиску, созданию необходимого вида представления и сопоставления информации между собой. В большинстве случаев сталкиваясь с попытками обработки информации поступающей из автоматических систем контроля наблюдается полное поглощение времени специалиста на получение и построение информации в требуемом виде, при этом времени на проведение работ по анализу данных не остается, в итоге решения принимаются основываясь только на общем представлении того, что могло происходить с турбиной.
Решение обозначенных задач должно осуществляться именно на этапе мониторинга данных, т.к. мониторинг подразумевает не простое наблюдение за изменением параметров, а проведение предварительного их анализа и выделения ключевых или значимых моментов в изменении состояния оборудования, в свою очередь специалист уже должен анализировать и принимать решения о допустимости и логичности данных изменений. Возможность применения систем удаленного мониторинга оборудования позволяет увеличить число привлекаемых специалистов для анализа технического состояния.
Безусловно, что система мониторинга, построенная без учета основных подходов, будет трудна для использования не подготовленному пользователю, однако если в ее основе лежат основные формы представления данных, общепринятые для большинства специалистов в области диагностики, то любой пользователь с уверенными навыками работы с персональным компьютером будет в состоянии использовать этот инструмент, а предварительный анализ информации будет значительным образом сокращать временные затраты.
Предварительный анализ данных должен прежде всего выполнять основные функции по поиску наиболее значимой информации, при сопоставлении и анализе которой специалист способен делать оценки и выдавать заключения, к числу таковой можно отнести следующие виды:
- Расчет математически осредненных параметров для заданных режимов и поиск участков с отклонениями от них
- Поиск пусков и остановов турбоагрегата
- Поиск различных режимов работы по критериям (частота вращения, электрическая и тепловая нагрузки, величина вакуума в конденсаторе и т.д.)
- Поиск участков времени демонстрирующих тенденциозность параметра к направленному изменению при отсутствии видимых влияющих факторов
- Алгоритмическая обработка данных в соответствии с типовыми операциями специалистов по диагностике турбин по различным направлениям. Примером может послужить автоматическое сопоставление АФЧХ вибрации опор роторов при пусках и остановах, автоматическое сопоставление зависимостей тепломеханических показателей от ключевых параметров и т.д.
Обозначенные алгоритмы превращают систему контроля данных в систему мониторинга, а возможность внедрения иных методов оценки параметров может служить ключевым фактором в оценке эффективности работы оборудования и, как следствие, явным образом демонстрировать экономическую эффективность работы оборудования и оценивать эффекты от выполняемых операций по обслуживанию и ремонту оборудования.