Определение остаточного ресурса агрегатов трансмиссии транспортно технологических машин эксплуатирующихся в условиях крайнего севера группа компаний инфра м

Расчет остаточного ресурса оборудования по всей России

Проведем расчет остаточного ресурса технических устройств и оборудования. Работаем по всей России.

Когда проводится расчет остаточного ресурса

Этапы проведения расчета

Узнайте стоимость расчета остаточного ресурса

Стоимость расчета остаточного ресурса оборудования зависит от нескольких факторов. Заполните наш квиз или оставьте заявку, чтобы узнать точную стоимость работ.

Расчет стоимости расчета остаточного ресурса

Ведущий менеджер по работе с клиентами

Нужна консультация? Отвечу на все вопросы 8 (495) 324 19 14

После прохождения теста, Вы получите:

• Расчет стоимости остаточного ресурса

Скачайте чек-лист по проведению технического диагностирования

Подготовили для вас чек-лист по проведению неразрушающего контроля и наш референс лист. Оставьте заявку и мгновенно получите их на вашу почту.

Гарантируем экспертный расчет остаточного ресурса

Проведем следующие работы:

• Беремся даже за самые сложные случаи — звоните и получите профессиональные услуги по расчету остаточного ресурса оборудования.

Обладаем рядом уникальных преимуществ при проведении диагностирования!

Собственное ПО для расчета остаточного ресурса

Чтобы нивелировать ошибки в проведении расчетов, имеем собственные наработки, позволяющие точно просчитать остаточный ресурс оборудования на основании контролируемых параметров. ПО разработано по актуальным ГОСТ и ФНП.П.

Составляем перечень рекомендаций по дальнейшей эксплуатации

К заключению диагностирования прилагаем раздел с рекомендациями по дальнейшей эксплуатации оборудования (перечень мер по снижению износа оборудования/здания/сооружения для безаварийной эксплуатации).

Стараемся продлить срок эксплуатации оборудования, если это возможно.

Готовы выехать уже завтра

В штате компании бригада дефектоскопистов, которая оперативно готова выехать на ваш объект в течение нескольких часов с момента заключения договора. Для этого в офисе нашей компании есть переносная лаборатория неразрушающего контроля.

Имеем лицензию и экспертов в штате

В штате нашей компании трое экспертов, имеющих аттестацию в Ростехнадзоре по различным направлениям. Для остальных работ привлекаем дружеских экспертов.

Не списываем оборудование при отсутствии документации

Результат расчета остаточной прочности оборудования

При проведении расчета остаточного ресурса выдается заключение, которое оценивает оставшийся ресурс оборудования и определяет возможный срок его эксплуатации. Это особенно важно для оборудования, работающего под давлением.

Приведем пример оценки остаточного ресурса сосуда под давлением. В данном случае установлен срок службы оборудования под давлением в 4 года.

Таким образом, при проведении экспертизы промышленной безопасности важно учитывать остаточный ресурс оборудования, чтобы гарантировать его безопасное использование.

Расчет остаточного ресурса технического устройства

Сотрудники в постоянном штате компании

• Выручка за 2023 год: 1 млн рублей
• Выполненных проектов в 52 регионах России

Мы заслужили доверие более чем 700 довольных клиентов, среди которых крупнейшие предприятия страны: ПАО МОЭК, ПАО МОСГАЗ, ПАО Мосэнерго, ПАО Туполев, АО Транснефть–Диаскан и др.

Мы обладаем всей необходимой документацией для проведения экспертиз промышленной безопасности, разработки экологических и промышленных проектов, проведения изысканий для сотен различных отраслей промышленности.

Получите бесплатную консультацию

Оставьте свой номер телефона и наши специалисты перезвонят вам для детального обсуждения вашего проекта. В результате подготовим детальное предложение по реализации вашего проекта.

Пожар и остаточный ресурс технического устройства

При пожаре локомотив может понести значительные повреждения, особенно конструкции, подвергшиеся термическому воздействию. Это может привести к ухудшению несущих способностей и невозможности безопасной эксплуатации.

Вмешательство специалистов

Однако иногда повреждения могут быть не критическими, и не все части конструкции пострадают. Наши эксперты разработали методику для определения остаточного ресурса конструкций после пожара.

Определение остаточного ресурса

Методика основана на анализе данных и опыте, полученных при исследовании пострадавших локомотивов. Она позволяет определить степень повреждения, а также возможный срок безопасной эксплуатации после пожара.

Результаты и безопасность

После обследования, замеров и анализа проводится расчет остаточного ресурса, что позволяет определить, можно ли продолжать эксплуатацию. В случае сильных повреждений, безопасная эксплуатация может быть невозможной.

Оценка остаточного ресурса локомотивов

Все это поможет определить возможность дальнейшей эксплуатации локомотива либо его списание. Также, это позволит исключить ошибочное списание локомотивов из эксплуатируемого парка, которые могут прослужить на благо собственника еще многие годы, тем самым сэкономить и принести прибыль.

Необходимая информация

Для проведения технического диагностирования локомотива, пострадавшего после пожара, потребуется его постановка на канаву в цеху. Также, дополнительно может понадобится его подъем на домкратах (по согласованию). Важно предоставить следующую информацию:

• Серия, год выпуска локомотива;
• Место дислокации;
• При наличии фотографии;
• Уточнения по поводу необходимости диагностики основных узлов.

Дополнительную информацию можно уточнить по номеру телефона 8 (499) 39-00-881.

Состояние вопроса исследования и актуальность работы

В данной статье предлагается способ оценки остаточного ресурса элементов трансмиссии транспортных средств на стадии эксплуатации, на основе экспресс-диагностирования технического состояния, (выявления дефектов элементов трансмиссии), для целей снижения её себестоимости.

Оперативное управление техническим состоянием транспортных средств является сложной и актуальной проблемой. В процессе её эксплуатации, в силу различных причин, их технические и эксплуатационные показатели модифицируются. Их исходные значения закладываются инженерами – конструкторами на стадии проектирования и обеспечиваются на этапе изготовления.

Основным способом диагностирования механических агрегатов остается поэлементное инструментальное исследование и метрологический контроль деталей агрегата, разбираемого после некоторой нормативной наработки, что, как правило, вызывает значительные трудозатраты и нарушения приработки звеньев. Более того, может оказаться, что все детали пребывают в штатном техническом состоянии, или отказ произошел раньше ожидаемой наработки.

Материалы и методы

В данной статье использовались методы экспресс-диагностирования технического состояния локомотивов после пожара. Эти методы позволяют быстро и эффективно определить необходимость ремонта или возможность дальнейшей эксплуатации.

Надеемся, что наша работа поможет вам принять обоснованное решение относительно состояния вашего локомотива и даст возможность продлить его срок службы.

Транспортно-технологические средства широкого спектра оперативно – функционального назначения требуют обеспечения высокого уровня качества функционирования и надежности этого перехода от планово-предупредительного обслуживания и ремонта к обслуживанию и ремонту по текущему техническому состоянию. В связи с этим возникает необходимость выявления таких параметров объекта, которые позволили бы с минимальными затратами максимально достоверно определить и прогнозировать вероятное изменение его технического состояния. Это требует научно обоснованного применения средств и методов автоматизированного контроля и диагностирования. В основу предлагаемой методики положена очевидная зависимость: изменения, появляющиеся в процессе функционирования в подвижных сопрягающихся узлах, приводящих к изменениям его вибрационных характеристик. Установив с приемлемой степенью адекватности их связь с изменениями технических параметров, можно осуществлять диагностику, вычислять вероятность и предупреждать отказы, а также осуществлять общее прогнозирование оставшегося ресурса, а, следовательно, работоспособности транспортных средств в данных эксплуатационных условиях.

Обеспечение достоверности диагноза является главной проблемой, ограничивающей применение методик вибрационной диагностики. Формулирование признаков достоверности в обобщенной форме, представляется весьма затруднительным, так как в общем случае уровень неопределенности виброотклика на неисправность довольно высок. Однако в частных случаях её можно снизить до приемлемого уровня.

Специфические условия работы объектов исследования требуют уточнения целого ряда подходов и методов их эксплуатации. Особенно – в области обеспечения оптимальных значений параметров в условиях дорожных сетей Севера, Сибири и Дальнего Востока. Данные критерии определяются на основе значений технико-эксплуатационных параметров конструкции объектов исследования, изменяющихся в ходе эксплуатации и свидетельствующих о наличии, вероятности возникновения отказа или степени развития дефекта агрегата или узла, лимитирующего работоспособность транспортного средства. Вибрационные характеристики тоже относятся к ним и хорошо пригодны для формирования баз данных образов технических состояний и неисправностей, которые можно использовать для экспресс-диагностирования.

Существующая ныне потребность в решении транспортной проблемы при осуществлении транспортных операций при геологоразведке, нефте- и газодобыче, промышленном и дорожном строительстве, обслуживании предприятий энергетики и связи, сельского и лесного хозяйства, устранении чрезвычайных ситуаций, в районах Севера, Сибири и Дальнего Востока, обуславливает разработку научно обоснованных технических решений, направленных на обеспечение и поддержание высокой степени работоспособности эксплуатируемой в этих условиях автотранспортной техники.

Прогнозирование работоспособности и остаточного ресурса транспортно – технологических средств является значимой задачей, успешное решение которой будет способствовать решению проблемы обеспечения транспортных коммуникаций между населенными пунктами, промышленными объектами, объектами транспортной инфраструктуры в полярных и приполярных арктических районах Западной и Центральной Сибири, Дальнего Востока. Решение данной задачи будет затрагивать технический аспект рассматриваемой проблемы: поддержание автотранспортной техники в высокой степени оперативной готовности, минимизировать отказы, которые могут возникнуть в ходе выполнения транспортной работы непосредственно на маршруте. Из практики эксплуатации автотранспортной техники и оборудования в указанных регионах известно, что в случае критических отказов, приводящих к значительной или полной потере подвижности, она оставляется на месте возникновения отказа, из-за крайней затруднительности ремонтных и эвакуационных мероприятий. При этом техника может быть вполне ремонтопригодной и восстановимой. Механические ресурсы многих её узлов, агрегатов и систем могут находиться далеко от предельных состояний. Оставление техники на месте возникновения отказа в подобных случаях нельзя признать рациональным решением с технической и экономической точки зрения. Одной из этих составляющих является повышение точности осведомленности о текущем техническом состоянии транспортно – технологической машины, её агрегатов, узлов и систем, водителя – оператора, а также инженеров и техников, занимающихся техническим обслуживанием и ремонтом. Это позволит повысить безотказность, т.е. надёжность автотранспортной техники, эксплуатируемой в полярных и приполярных арктических районах Западной и Центральной Сибири, Дальнего Востока. Следовательно, повысить её эксплуатационную подвижность.

В настоящей статье для обозначенных целей рассматривается вариация одного из метаэвристических методов решения задачи маршрутизации транспорта, а именно алгоритма “пчелиной колонии”. Математическая модель, которая лежит в его основе, универсальна и применима для доставки товаров клиентам, перевозки промышленных грузов, а также и для перевозки грузов сельскохозяйственного характера, всех тех, которые перевозятся при «северном завозе».

– набор маршрутов (решение), который представлен в виде последовательности клиентов, разделенных нулями (тем самым имитируются новые маршруты); с( –длина (протяженность маршрута) решения – нарушение ограничений решения по пропускной способности и продолжительности (длине, времени объезда) соответственно; α и β – это саморегулирующиеся положительные параметры, которые изменяются на каждой итерации работы алгоритма следующим образом: если количество решений с нарушением пропускной способности больше чем τ/2, тогда . То же правило применяется к коэффициенту

Время на прочтение

Дисклеймер: целью создания статьи было знакомство с задачей, данными и одним из подходов к ее решению, а также популяризация машинного обучения в промышленности. В статье представлен скорее бейзлайн для решения задачи, речь о продакшн-рэди решении не идет. Статью стоит воспринимать как туториал по решению задачи, который снижает порог входа и мотивирует попробовать решить задачу самостоятельно.

Для кого: Статья предназначена для специалистов начального/среднего уровня. Может быть полезна, например, диагностам и техническим специалистам, знакомящимся с применением машинного обучения для диагностики, дата сайентистам, желающим узнать о применении ML в промышленности, специалистам, работающим на стыке областей знаний или тем, кто только начал свой путь в машинное обучение и анализ данных!

Материалы: Код из статьи доступен на Kaggle по ссылке для самостоятельного изучения, доработки и тд.

Общая информация о задаче

Значительное количество силовых трансформаторов АЭС эксплуатируются с увеличенным сроком службы (назначенный срок службы – 25 лет, но не волнуйтесь – продление срока эксплуатации вполне безопасно!). Учитывая увеличенный срок службы энергоблоков АЭС, возникает необходимость контроля технического состояния силовых трансформаторов.

Текущий процесс диагностики

Для начала представим пару терминов:

Хроматография — метод разделения и анализа смесей веществ, а также изучения физико-химических свойств веществ. Основан на распределении веществ между двумя фазами — неподвижной (твёрдая фаза или жидкость, связанная на инертном носителе) и подвижной (газовая или жидкая фаза, элюент).

Хроматографический анализ – диагностический метод, который заключается в принудительном извлечении газов из масла (хроматографии), определении их качественного состава и количественного анализа.

Особую роль в контроле за состоянием маслонаполненного оборудования (в том числе силовые трансфоматоры), играет контроль растворенных в масле газов. Возникновение практически всех типов дефектов в оборудовании сопровождается образованием газов, растворяющихся в масле, а при определенных типах дефектов образуются собственные газы в разном количестве (например, при локальном перегреве изоляции или возникновении разрядов в масле).

Более подробно о текущем процессе диагностике можно почитать в СТО 34.01-23-003-2019 «Методические указания по техническому диагностированию развивающихся дефектов маслонаполненного высоковольтного электрооборудования по результатам анализа газов, растворенных в минеральном трансформаторном масле».

Задача

Для качественного технического обслуживания и ремонта необходимо заранее знать о возможных неисправностях, а также об остаточном ресурсе трансформаторного оборудования. Необходимо разработать модель, которая будет определять остаточный ресурс оборудования по последним 420 точкам.

Исходные данные

Данные в виде .csv файлов, которые содержат 420 записей концентраций газов 𝐻2, 𝐶𝑂, 𝐶2𝐻4 и 𝐶2𝐻2 в трансформаторном масле, представленных в виде временной зависимости. Также доступна разметка – каждому файлу соответствует число – оставшееся время до отказа оборудования на конец файла в точках. Период между моментами времени – 12 часов.

Про решение задачи остаточного ресурса

Подробно о разных подходах к решению задачи остаточного ресурса можно почитать в этой статье на Хабре. Многообразие подходов представлено на схеме из статьи:

Схема выбора подхода к решению задачи в зависимости от доступных данных

В данной же статье рассмотрен распространенный подход решения задачи определения RUL на основе моделей регрессии, так как у нас есть диагностические данные (временные ряды, сигналы) и разметка в виде значений длительности оборудования до отказа.

Загрузка данных

Кодimport numpy as np import pandas as pd from matplotlib import pyplot as plt PATH = ‘/kaggle/input/transformer-time/’

Загрузка разметки обучающей выборки

Мы имеем файл разметки (по сути словарь), в котором представлены данные по остаточному времени работы трансформатора до отказа: каждому файлу с концентрациями газов соответствует 1 число – оставшееся время до отказа в момент окончания файла.

y_data = pd.read_csv(PATH + ‘train.csv’, index_col=’id’) y_data.head()

Загрузка обучающей выборки (параметров трансформатора)

Давайте загрузим все файлы с изменяемыми во времени параметрами трансформатора (концентрациями газов) в словарь, где ключом является имя файла. При этом загружать будем только те файлы, для которых есть разметка (оставшееся время до отказа).

Примерно так выглядят первые 2 строки каждого файла:

На Kaggle доступна обучающая выборка с разметкой и X_test без правильных ответов (разметки). Для целей демонстрации возможности и качества решения задачи будем использовать только Обучающую выборку. Именно ее мы будем разбивать на обучающую и валидационную (отложенную) выборки для обучения и тестирования полученных моделей.

Моделирование

Кодfrom sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression, LogisticRegression from sklearn.preprocessing import StandardScaler from sklearn.metrics import mean_absolute_error, f1_score from catboost import CatBoostRegressor from tsfresh.feature_extraction import extract_features, MinimalFCParameters

Бейзлайн средним значением RUL

В качестве самого простого бейзлайн без машинного обучения возьмем среднее значение на обучающей выборке и будем им прогнозировать остаточный ресурс. Для этого реализуем следующий пайплайн:

В начале наглядно продемонстрируем все шаги (далее код будет под катом):

Train set shape: (1575, 1)

Test set shape: (525, 1)

MAE on train set = 219.97

MAE on test set = 218.38

Мы получили первые метрики, от которых можно отталкиваться. Если модели машинного обучения не смогут значительно улучшить метрики, то их использование не имеет смысла.

Подход на основе моделей регрессии

Давайте попробуем что-то более сложное и с машинным обучением. Реализуем следующий пайплайн для разных вариантов агрегации и моделей:

Подход 1: Простая агрегация (средним) + Линейная регрессия

Под простой агрегацией понимается усреднение параметров по колонкам в рамках каждого файла (4 значения средних на 4х признаках соответственно). Для каждого одномерного временного ряда получается 1 число – среднее по ряду. То есть для каждого файла мы получаем 4 признака (4 средних из 4х временных рядов).

MAE on train set = 177.7

MAE on test set = 175.12

Подход 2: Простая агрегация (средним) + Градиентный бустинг (CatBoost)

MAE on train set = 100.6

MAE on test set = 161.67

Подход 3: Агрегация данных с помощью TSFresh + Линейная регрессия

Библиотека для агрегации и выделения признаков из временных рядов TSFresh позволяет выделять гораздо более сложные признаки по сравнению с простым средним. Мы для демонстрации будем использовать минимальные 10 признаков: sum, median, mean, length, std, variance, RMS, max, abs_max, min.

MAE on train set = 140.82

MAE on test set = 148.21

Подход 4: Агрегация данных с помощью TSFresh + Градиентный бустинг (CatBoost)

MAE on train set = 37.2

MAE on test set = 91.37

Ошибка моделей снижается по мере усложнения алгоритма, однако по-прежнему недостаточно сильно. Несмотря на неплохие метрики у последнего подхода модель показала значительное переобучение, поэтому ее результатам стоит относиться настороженно.

Давайте посмотрим на распределение прогнозов модели и правильных ответов для оценки, где же модель ошибается, чтобы понять, как можно изменить алгоритм решения задачи.

plt.figure(figsize=(6, 3)) plt.hist(y_val_pred, bins=30, alpha=0.6, label=’Predicted values on the test set’) plt.hist(y_val, bins=30, alpha=0.6, label=’True values of the test set’) plt.legend() plt.show()

Распределения правильных ответов и прогнозов модели

Можно заметить, что модель довольно много ошибается на кейсах, когда значение равно 1093 (высокий оранжевый столбец справа на графике). Это предельное значение, выше которого остаточному ресурсу присвается константное значение 1093, то есть остаточный ресурс довольно большой, и не требуется определение точного значения с точки зрения целей диагностики.

Подход на основе ансамбля (классификация+регрессия)

• Обучение модели регрессии (линейная регрессия/градиентный бустинг) на данных "RUL<1093"

• Инференс модели регрессии на данных, где модель классификации предсказала 0

Подход 1: TSFresh + Логистическая регрессия + Линейная регрессия

F1 on train set = 0.67

F1 on test set = 0.64

Метрики классификации могут быть значительно улучшены!

MAE on train set = 133.12

MAE on test set = 137.01

Мы, конечно, улучшили результат по сравнению с обычной моделью линейной регрессии, но этого все равно не достаточно.

Подход 2: TSFresh + Логистическая регрессия + Градиентный бустинг

Этап 1 – классификации остается прежним, код не меняется, поэтому представим код только для этапа 2:

MAE on train set = 77.11

MAE on test set = 106.49

Несмотря на ухудшение метрики модели по сравнению с аналогичным подходом без этапа классификации можно констатировать, что результаты модели улучшились за счет уменьшения переобучения. Об увеличении качества говорит и большее соответствие распределения прогнозов фактическим значениям.

Заключение

Мы рассмотрели всего лишь один распространенный подход к решению задачи. Поставили несколько гипотез о методах и данных, и проверили их. Общие результаты представлены на картинке ниже.

Схема гипотез с результатами проверки

Кстати, результат может быть улучшен в 2-3 раза (снижение ошибки) по сравнению с полученным в статье, поэтому можете пробовать! К тому же есть еще довольно много гипотез для проверки, например:

Я создал телеграм канал DataKatser, где появляюсь гораздо чаще и делюсь своими мыслями и интересными кейсами по data science, машинному обучению и искусственному интеллекту. Буду рад вашей подписке !

Согласно данной методике общая оценка поврежденности зданий и сооружений осуществляется по формуле:

Срок эксплуатации конструкции до капитального ремонта в годах:

где – постоянная износа, определяемая по данным обследования по формуле:

где – срок эксплуатации в годах на момент обследования; – относительная надежность конструкции, определяемая в зависимости от повреждений по формуле:

Недостатком данной методики, на наш взгляд, является то, что оценка остаточного ресурса по ней основывается на квалификации эксперта, поэтому имеет субъективный характер.

) предлагается определять с учетом запаса несущей способности на действие продольной, поперечной сил и изгибающего момента, а также площади обрушения, которую вызовет авария вертикальных и горизонтальных элементов.

Согласно методике, исправное состояние конструкции предполагает выполнение условий по двум предельным состояниям и конструктивным требованиям. Выполнение этих условий обусловлено соответствующими коэффициентами запаса , , , величина которых должна быть , поскольку в противном случае исключается нормальная эксплуатация конструкций.

Остаточный ресурс конструкции в этом случае определяется как наименьший из рассчитанных по формуле:

где – время, при котором коэффициент запаса достигает своего предельного значения, равного 1; – время его эксплуатации конструкции; − поправочный коэффициент, учитывающий влияние неучтенных в расчетах факторов (раскрытие трещин больше их предельного значения в течение прогнозируемого промежутка времени, превышение нормативных сроков эксплуатации конструкции и т.д.).

Расчет остаточного ресурса по допускаемым напряжениям:

где – предел прочности на момент обследования; – расчетный предел прочности; – скорость снижения механических свойств, определяемая с учетом времени эксплуатации конструкции до момента обследования

где – нормативный предел прочности.

Расчет остаточного ресурса конструкций по коррозионному износу:

где – фактическая (наименьшая) толщина стенки элемента; – расчетная величина стенки элемента; – скорость равномерной коррозии.

Расчет остаточного ресурса с учетом усталости конструкции:

где – время эксплуатации конструкции; – полный ресурс циклической работоспособности конструкции, определяемый по формуле:

где – допустимое количество циклов нагружения; − количество циклов нагружения за весь период эксплуатации.

*Работа выполнена в рамках реализации Программы развития опорного университета на базе БГТУ им. В.Г. Шухова.