Обзор и анализ проблемы автоматизации испытаний турбодетандеров

Предпосылки к автоматизации испытаний турбодетандеров

При разработке концептуального проекта магнитно-криогенной системы перспективного SPD-детектора для изучения физики спина (Spin Physics Detector) при взаимодействии пучков легких ядер было установлено [1, 2, 3, 4], что для эффективного поточного охлаждения соленоидов жидким гелием при температуре порядка 4,2 К только конструктивного изменения охлаждающих каналов недостаточно. Для обеспечения равномерного температурного поля в объеме сверхпроводящего соленоида необходимо организовать комплекс мер, направленных на контролируемое распределение переохлажденного жидкого гелия по охлаждающим каналам, что накладывает жесткие требования на регулирование холодопроизводительности сателлитных рефрижераторов [5] и центрального ожижителя с учетом неравномерной циклограммы выделения теплоты в процессе работы детектора.

Исследование методов регулирования [6] и поиск путей снижения инерционности криогенной системы показали, что использование классических подходов к автоматизированному управлению системами, в которых возмущающее воздействие связано с детектированием десятков и сотен событий в секунду, становится невозможным.

Поскольку холодопроизводительность криогенных систем, в большей степени определяется эффективностью работы газовых и парожидкостных турбодетандеров (ТД), было принято решение рассмотреть возможность разработки нейронного сетевого дискретного регулятора для перехода от классических методов регулирования к предиктивной стратегии регулирования.

Обучение нейронных сетей и оптимизация их архитектуры требует большого количества натурных статистических данных о состоянии машины при различных режимах работы, поэтому был проведен поиск соответствующего массива данных энергетических и динамических характеристик турбодетандеров на профильных предприятиях. Установлено, что все имеющиеся на текущий момент данные за более чем 60 лет проведения приемо-сдаточных испытаний уничтожены временем или имеют недостаточный объем сведений.

Испытания вновь создаваемых машин носят формальный характер, поскольку разработка и внедрение специализированных средств автоматизации технологических процессов на базе универсальных решений (LabVIEW, Master SCADA и пр.) требуют времени и существенных капитальных затрат, что становится нецелесообразным ввиду длительного простоя готовой к эксплуатации машины на испытательной площадке. Помимо этого, универсальные решения плохо ориентированы на работу в составе низкотемпературных установок и не обеспечивают должной гибкости при сборе, анализе и хранении полученных данных, что ограничивает интерес их повторного использования.

В связи с вышесказанным остро встает вопрос о необходимости разработки решения, основным назначение которого является наработка (выполнение процедуры «data labeling») должным образом размеченного массива данных («data sets») в целях развития и реализации систем автоматического регулирования и управления низкотемпературными комплексами с использованием нейронных сетей и искусственного интеллекта.

В этой статье обосновывается концептуальный подход по организации методики автоматизированных испытаний турбодетандеров, при реализации которой должна происходить разметка и структурирование информации на основе цифровой базы данных (БД), для целей:

• оптимального проектирования машин и их элементов;
• верификации и валидации численных и аналитических методик расчета машин и их элементов;
• создания и развития нейронных сетевых дискретных регуляторов;
• предиктивной аналитики состояния машин в процессе эксплуатации;
• замещения численных алгоритмов расчета характеристик машин нейронными аппроксиматорами.

В соответствии с приказом Президента Российской Федерации от 10.10.2019 № 490 «О развитии искусственного интеллекта в Российской Федерации» и утвержденной в нем «Национальной стратегией развитий искусственного интеллекта на период до 2030 года» «…увеличение объема доступных данных, в том числе данных, прошедших разметку и структурирование, и развитие информационно-коммуникационной инфраструктуры для обеспечения доступа к наборам таких данных» является основным фактором развития технологии искусственного интеллекта.

Понятийный аппарат предметной области

В связи с развитием и формированием методик и подходов межотраслевого характера необходимо привести и разъяснить понятия и определения, которые используется по тексту данной статьи:

Методика – воспроизводимая последовательность конкретных операций, приемов и способов исследования, направленная на решение поставленных задач [7];

Автоматизация – внедрение автоматических средств для повышения производительности труда человека и реализации процессов за счет замены части этого труда работой машины [8];

Методика автоматизированных испытаний турбодетандеров – воспроизводимая последовательность приемов исследования свойств и характеристик объекта испытаний – турбодетандера с применением средств автоматизации;

Программно-аппаратный комплекс (ПАК) – комплект вновь разработанных технических и программных средств, выполняющих совместно одну или несколько специальных задач, являющийся самостоятельно используемым, законченным техническим изделием [9];

Цифровая БД – ПАК, обеспечивающий поиск, анализ, обработку, передачу, транслирование объектно-ориентированной совокупности самостоятельных материалов, размеченной и систематизированной таким образом, что эти материалы могут быть подвержены процедурам записи, чтения, копирования и удаления;

Структурное ядро цифровой БД – форма представления свойств и характеристик объекта исследования в виде объектно-ориентированной совокупности самостоятельных материалов, позволяющая эффективно выполнять процедуры записи, чтения, копирования и удаления с использованием средств автоматизации, в том числе ПАК;

Объективные (многократно воспроизводимые) условия испытаний – условия, при которых независимые результаты испытаний получают одним и тем же методом на идентичных объектах испытаний с использованием одного и того же оборудования, реализующим единый алгоритм получения, преобразования и обработки данных [10];

Разметка данных в цифровой базе данных – обработка неструктурированной информации о статических (условия проведения испытаний, конструктивные особенности машины и др.) и динамических (регистрируемой измерительными приборами в реальном времени) параметрах, в процессе которой данным присваиваются идентификаторы, отражающие тип данных (классификация данных), и/или осуществляется интерпретация данных для решения конкретной задачи, в том числе с использованием методов машинного обучения [11];

Stateshot – снимок состояния машины или системы в целом, представляющий собой специальную структуру данных и отражающий достаточный объем сведений, необходимых для анализа условий работы и эффективности машины или системы;

Мнемосхема – формат представления информации о состоянии технической системы в наглядном и удобном для анализа человеком виде, в котором обновление данных в реальном времени происходит в соответствии с динамически изменяемыми структурами данных, получаемыми от цифровой БД.

Назначение методики автоматизированных испытаний и ее место в жизненном цикле машины

Назначение методики автоматизированных испытаний на основе цифровой БД целесообразно показать и проанализировать через задачи:

1. Рассмотреть особенности существующих решений и методов автоматизации процесса проведения испытаний турбомашин, в том числе с учетом пересчета их энергетических характеристик с модельных условий проведения испытания на номинальные рабочие;
2. Определить потенциальных «потребителей» размеченных данных, нарабатываемых в процессе испытаний и агрегируемых в базу данных в части:
   • обеспечение повторяемости условий испытаний для объективной оценки изменения термодинамической эффективности машин в ответ на конструктивные изменения, модернизацию технологического процесса, замену конструкционных материалов и методов получения заготовок деталей;
   • обучение нейронных сетей для оценки и сравнения основных характеристик машин по основным конструктивным и технологическим параметрам без проведения численных и аналитических расчетов;
   • обучение нейронных сетей для аппроксимации результатов CFD расчетов;
   • обучение нейронных сетей для систем предиктивной аналитики;
   • обучение нейронных сетей для дискретных нейронных сетевых регуляторов (НСДР) в технических системах;
3. Определить требования к программно-аппаратного комплексу и реализуемой автоматизированной методике испытаний в части:
• минимально необходимого объема данных, который нарабатывается в процессе испытаний и может быть использован при обучении нейронных сетей;
• производительности программно-аппаратного комплекса для обработки, агрегирования и хранения наработанного объема данных в рамках одного испытания и архива данных о серии испытаний;
4. Выявить алгоритмы, модули, программное обеспечение, возможности которых могут быть включены или реализованы в составе программно-аппаратного комплекса для повышения его практической значимости, ценности и полноты нарабатываемых данных.

Решение указанных задач позволяет грамотно организовать модульную архитектуру автоматизированной системы для проведения комплексных испытаний турбомашин по динамически формируемой программе испытаний с учетом конструктивных особенностей, условий проведения испытаний и запросов со стороны заводов-изготовителей.

Достоинством такой системы является ее ориентированность на проведение испытаний турбомашины с наработкой и агрегированием данных о ее термодинамической эффективности, механических, акустических, вибрационных и др. характеристиках. Унификация результатов испытаний в виде размеченных данных в базу данных найдет применение:

• при проектировании типовых машин [12, 13];
• при верификации численных и аналитических методик расчета, например, при верификации методики оценки пульсаций давления в проточной части рабочего колеса (РК) турбодетандера [14];
• при обучения нейронный сетей [15, 16];
• при комплексной оценке состояния машины в режиме реального времени в системах предиктивной аналитики [19];
• для трансляции в цифровые двойники [17, 18] и пр.;

Целевое назначение методики автоматизированных испытаний и цифровой БД, лежащей в ее основе, – наработка, разметка, анализ, хранение и применение в исследовательских целях данных об энергетических и динамических характеристиках турбодетандеров в ходе проведения широкого спектра испытаний в соответствии с [20] и в процессе эксплуатации для целей оптимального проектирования машин, развития систем управления и регулирования с использованием нейронных сетей и искусственного интеллекта.

Функционал ПАК, входящего в состав цифровой БД, может быть расширен в ответ на запрос о необходимости модернизации системы для исследования специфических характеристик машин, предиктивной аналитики и пр.

Методика автоматизированных испытаний в целом применима для исследования широкого спектра турбодетандеров:

• в составе турбоагрегатов газо- и нефтеперерабатывающей промышленности [21, 22, 13];
• в составе агрегатов для утилизации высокотемпературной теплоты энергетических и энерго-холодильных установка магистральных газопроводов [36], на тепловых электростанциях (ТЭС) [23, 24] металлургических комбинатов [25];
• воздушных турбохолодильных установках авиационного и общепромышленного назначения [26, 27];
• турбогенераторных агрегатов в составе системы подготовки топливного газа газотурбинной установки на компрессорных станциях [28];
• в системах криогенного обеспечения устройств на основе высоко- и низкотемпературных сверхпроводников, в классических криогенных системах, реализующих циклы ожижения или термостатирования [29];
• в криогенных системах, реализующих процессы разделения смесей, в том числе воздуха [29].

На каждой стадии жизненного цикла турбодетандера [30], как изделия производственно-технического назначения, автоматизированная методика испытаний турбодетандеров на основе цифровой БД может быть применена:

• при разработке компоновочных решений и определении основных размеров машины и системы, в состав которой входит турбоагрегат;
• при обосновании разработки машины путем сравнения референтных характеристик ранее испытанных агрегатов с требуемыми показателями термодинамической эффективности, уровня энергопотребления, массогабаритных характеристик и пр.;
• при разработке технического задания в соответствии с [31] в части указания объективных требований к механическим и энергетическим характеристикам машины, требованиям к сроку службы основного и заменяемого оборудования и пр.;
• при проведении опытно-конструкторских работ для исследования влияния принятых технических и конструкторских решений при изготовлении машины на ее энергетические и динамические характеристики, верификации методик расчета и CFD-методов оптимизации и др.;
• при производстве и испытаниях в части построения и непосредственной реализации автоматизированных программы и методики испытаний машины для определения целевых энергетических и динамических характеристик с наработкой экспериментальных данных в установленном формате;
• при модернизации для выявления качественных и количественных изменений в энергетических и динамических характеристиках машины, а также для определения направлений ее дальнейшего совершенствования;
• при эксплуатации в качестве дублирующей системы для сбора, обработки, анализа и агрегации данных с последующей их трансляцией в специализированное программное обеспечение для обучения нейронных сетей, в цифровые двойники, предиктивной аналитики и пр.

Таким образом, автоматизация проведения испытаний и цифровая база данных применимы на всех этапах жизненного цикла турбодетандера, за исключением стадии утилизации, поскольку предлагаемое решение не имеет четкой материальной интерпретации, а наработанные данные могу быть представлены в удобном для хранения и передаче виде и использованы в работе исходной или модернизированной системы без ее обязательной утилизации.

Целесообразность использования методики автоматизированных испытаний

Тепловые и гидравлические расчеты, выполняемые при проектировании турбомашин, зачастую основываются на полученных ранее экспериментальный данных, которые представляются в виде номограмм, таблиц и эмпирических или полуэмпирических зависимостей. Проведение исследований и наработка соответствующих данных для вновь разрабатываем машин в современных условиях требуют значительных финансовых вложений, поэтому в проектных организациях и на предприятиях активно внедряются автоматизированные системы инженерных расчетов CAE (Computer Aided Engineering) [32] и конструкторские системы автоматизированного проектирования CAD (Computed Aided Design).

К наиболее распространенным системам, позволяющим при изменении геометрических параметров РК в автоматическом режиме, последовательно проводить теплогидравлические, механические и прочностные расчеты относят программные комплексы CFTurbo, ANSYS WORKBENCH [28], STAR-CCM+, ANSYS CFX и др. Для организации комплексной оптимизации (совмещения технологий CAD и CAE) с передачей расчетных параметров между программными комплексами используются агрегаторы, например, HEEDS MDO (Simcenter Siemens), и определенный оптимизационный алгоритм, например, имитации отжига, Бокса-Уилсона, роя частиц и пр., часто уже поставляемый в составе программного комплекса.

В [33] авторы отмечают достоинства внедрения средств инженерного анализа с многокритериальной и многопараметрической оптимизацией в части сокращения сроков разработки, адаптации наработанных результатов расчетов для цифровых двойников и неизбежного перехода к определению свойств изделий виртуальным способом. С учетом оценки потребности в крупнотоннажных турбоагрегатах [16] в 113 шт. в год и возможности установки компактных турбоагрегатов производительностью порядка 2-5 кВт на газораспределительных сетях в объеме 589 шт. [34] к 2035 г. на объектах ПАО «Газпром» целесообразность разработки автоматизированной методики и средств для ее реализации при проведении испытаний этих машин весьма высока. Выявление и обоснование незначительных изменений термодинамической эффективности машины (порядка 2,5 %, [33]) ввиду модернизации геометрических характеристик ступеней без обеспечения повторяемости условий в процессе испытаний невозможно.

Развитие сверхпроводниковой промышленности и применение создаваемых ею низко- и высокотемпературных сверхпроводящих магнитов тесно связано с совершенствованием и модернизацией криогенного оборудования. Автор [35] предложил систему контроля процесса сжатия гелия низкого давления в циклах с холодными и гибридными радиальными и осерадиальными центробежными компрессорами, позволяющих существенно повысить термодинамическую эффективность криогенных систем. Вышеописанная система контроля холодными компрессорами может быть реализована в составе предлагаемого к разработке программно-аппаратного комплекса с учетом внедрения дополнительных модулей и обеспечения приемлемого уровня метрологической точности измерения необходимых параметров.

Искусственный интелект и машинное обучение

Машинное обучение с каждым годом находит все больше применений в вопросах регулирования и управления техническими системами, предиктивной аналитике, алгоритмизации трудоемких вычислений на базе нейронных сетевых аппроксимаций. Известно, что для обучения нейронных сетей, как наиболее распространенной формы машинного обучения, требуются большие массивы отобранных и должным образом размеченных данных.

Авторами [15] для диагностирования неисправностей в системах кондиционирования воздуха (СКВ) предлагается использовать нейронную сеть, построенную по принципу многослойного перцептрона с двумя скрытыми слоями. Отмечается, что двухслойная нейронная сеть при относительной простоте способна показывать результаты высокой точности при условии достаточности размеченных для обучения данных.

За основу СКВ была принята трехколесная схема турбохолодильника с турбинным, компрессорным и вентиляторным колесами, реализующая открытый цикл Брайтона. Моделирование системы выполнялось на базе программного обеспечения MATLAB Simulink с использованием параллельных вычислений для повышения производительности расчетов при симуляциях. Проведено сравнение результатов значений термодинамических параметров системы, полученных на разработанной физико-математической модели СКВ с натурным экспериментом при нормально работающей системе. Установлен диапазон отклонения определения параметров ниже 3 %.

Для наработки обучающих данных применяется метод симуляций неисправностей СКВ на различной высоте и скорости полета. Термодинамические параметры в системе при этом были зафиксированы в нормальном рабочем диапазоне СКВ. В ходе симуляций получено 60 тысяч записей, из которых 42,5 % относятся к нормальным условиям полета, и соответственно к нормальным условиям работы СКВ, и 57,5 % к условиям полета с неисправностями элементов системы СКВ.

Такой объем данных при принятой конфигурации нейронной сети позволил обеспечить сходимость результатов прогнозов на уровне 95,5 %...99 %. С другой стороны, авторы отмечают, что был обнаружен факт переобучения сети, поэтому имеют место возможности по оптимизации как архитектуры нейронной сети, так и самого метода диагностирования.

Установлено, что наиболее благоприятный с точки зрения времени обучения и точности результатов работы сети объем симуляций составляет порядка 36 тысяч. Однако авторы рекомендуют проводить обучение сетей со схожей конфигурацией на не менее чем 50 тысячах симуляций.

Сведения о влиянии размеров обучающей выборки, включающей симуляции нормальных и аварийных режимов работы системы, на точность обучения могут быть использованы для определения требований к длительности проведения испытаний по автоматизированной методике и к объему наработанных данных.

Полученные результаты позволяют прогнозировать время обучения сетей для работы с другими системами, в том числе с теми, которые будут иметь похожую архитектуру, много большую ширину слоев и входных параметров. Развитие нейронных сетей и их практическое применение в технических системах тесно связано оценкой объемов и качества наработанных результатов.

С другой стороны, остается открытым вопрос о применение обученного регулятора в составе реально действующей системы, поскольку для этого должны быть использованы наработанные экспериментальные данные, а не результаты симуляций, что отмечено авторами [15] особо.

Нейронные сетевые дискретные регуляторы

Для выявления перспектив использования прогрессивных дискретных нейронных сетевых регуляторов на базе нейронных сетевых аппроксиматора и контроллера в составе систем автоматического регулирования и управления автором настоящей статьи был проведен обзор, результаты которого представлены в [6]. Установлено, что для систем управления, например, водящих в состав ускорительного комплекса в рамках мегапроекта NICA (Nuclotron based Ion Collider fAcility) [1] и термоядерных реакторов, критически важным является быстродействие регулирования. Исследования показывают, что скорость формирования управляющей стратегии в нейронном сетевом дискретном регуляторе (НСДР) при должной организации структуры сети и размера массива обучающих данных на 20…25 % выше [36], чем у классических «аналоговых» методов регулирования на базе пропорциональных, интегральных и дифференциальных звеньев.

Структурная схема дискретного регулятора на базе нейронных сетевых аппроксиматора и контроллера представлена на рисунке 1.

Обозначения, принятые на рисунке 1: OR – объект регулирования, D – датчик, NWA – нейронный сетевой аппроксиматор, NWC – нейронный сетевой контроллер, X_s – уставка целевого параметра, X_OR – целевой параметр регулирования, e_x – ошибка регулирования, S – стратегия регулирования управляющим воздействием, С – исполнительное устройство, F – внешнее воздействие, G – управляющее воздействие.

Обобщенный алгоритм работы такого регулятора включает следующую последовательность:

• на объект регулирования OR оказывают влияние внешние факторы F_i, при этом поддержание значения целевого параметра на установленном уровне X_s обеспечивается за счет исполнительных устройств C_i;
• с измерительных приборов собираются сведения об актуальном состоянии системы в текущий момент времени t', рассчитывается значение целевого параметра X_OR и ошибка регулирования e_X в момент времени t';
• нейронный сетевой аппроксиматор NWA получает на вход рассчитанные значения X_OR и e_X, рассчитывает веса влияния исполнительных устройств в текущем состоянии объекта регулирования, определяет параметры для наиболее вероятного состояния системы в момент времени \(t''=t'+δ\), где δ – шаг дискретизации регулятора;
• нейронный сетевой контроллер на основании ошибки регулирования e_X, параметров системы в моменты времени t' и t'', весов влияния исполнительных устройств формирует стратегию регулирования, которая должна быть реализована исполнительными устройства в опережение фактического наступления момента времени t''.

Достоинства и недостатки НСДР описаны автором настоящей статьи в [6]. В частности, достижение более высокого быстродействия регулирования производительности турбоагрегатов, изменения состояния отсечных и запорных клапанов может предотвратить выход из строя дорогостоящей машины за счет своевременного выявления дефектов в ее работе.

Предиктивная аналитика

Концептуальная нейронная сетевая интеллектуальная система обнаружения неисправностей и диагностирования газотурбинных установок (ГТУ) GAZDETECT предложена в [19]. Система позволяет обнаруживать и своевременно устранять характерные отказы в работе агрегата на основе анализа отслеживаемых параметров с контрольно-измерительных приборов (КИП). Выявление причин отказа агрегата осуществляется регулятором с нечеткой логикой, обученного на основе экспертных знаний и опыта эксплуатации установок такого типа. Создание и успешное внедрение интеллектуальной системы тесно связано с наработкой определенного массива данных о параметрах и условиях работы ГТУ.

Одной из основных причин, по которым нейронные регуляторы не получают повсеместного распространения, является отсутствие должным образом наработанного, размеченного и агрегированного массива данных о состоянии систем при различных режимах работы. Решением этой проблемы может выступать цифровая база данных, данные в которой доступны для трансляции в программное обеспечение сторонних разработчиков, в том числе для обучения нейронных сетей и создания цифровых двойников. Пример такого взаимодействия организован автором настоящей статьи и представлен в [18] с использование вновь разработанного программного обеспечения [37, 17].

Авторы [31] предложили алгоритм для определения вибрационных характеристик ротора турбомашин с использованием нейронной сети. В качестве массива данных для обучения обобщенно-регрессивной нейронной сети GRNN (Generalized Regression Neutral Networks) использовались результаты моделирования в программном комплексе Ansys, среднее время расчета вибрационной характеристики одного ротора в котором занимало порядка 20 минут. После обучения на геометрических отклонениях роторов и параметрах балансировочных грузов нейронная сеть GRNN с высокой степенью достоверности выдавала вибрационные характеристики ротора менее чем за 1 секунду.

Следует отметить, что описанный алгоритм может быть успешно применен в составе предлагаемого к разработке ПАК для построения вибрационной характеристики вновь испытываемого типового ротора по ранее наработанным для обучения нейронной сети данным, а в последствии и для комплексной оценки состояния подобных машин в реальном времени ввиду высокой точности и скорости работы.

Важным применением нейронных сетей является прогнозирование технического состояния энергетического оборудования. На простом примере [38] последовательно-параллельного соединении элементов авторы описали алгоритм вероятностного анализа технического состояния этих элементов. Важным этапом в настройке системы на основе нейронной сети является подготовка исходных данных, которые в общем случае содержат сведения об интенсивности отказов и вероятностный срок службы оборудования и его элементов, которые могут быть определены только в ходе натурных исследований по методикам ускоренных испытаний.

Альтернатива CFD-методам

CFD-методы оптимизации проточных частей турбомашины становятся все более распространенными [21, 39], поскольку снижают капитальные затраты на организацию натурных испытаний, длительность разработки и проектирования. Следует отметить, что достоверность результатов, полученных с использованием методов гидродинамического моделирования, в обязательном порядке должна быть обоснована ранее проведенными или вновь организованными натурными испытаниями. Аргументы в пользу необходимости проведения таких испытаний в обоснование результатов, полученных в ходе CFD-расчетов, приведены ниже.

На рисунке 2 (источник – научно-технический отчет компании CONNECTIVE PLM) представлены поля скоростей в кольцевой камере и в проточной части соплового аппарата (СА), когда полученное значение скорости потока в горле СА (порядка 570 м/с) крупнотоннажного ТДА в результате CFD-расчетов (см. рисунок 2б) существенно превосходило локальную скорость звука (порядка 320 м/с) без имеющихся на то причин.

Расчет значения изоэнтропного коэффициента полезного действия (КПД) турбодетандера часто проводится при фиксированных граничных условиях (температуре и давлении) на входе в СА и выходе из РК с применением специализированного плагина в составе программного средства. При этом вводится ряд допущений (состояние рабочего вещества описывается уравнением идеального газа, не учитывается сжимаемость, а изменение давления вдоль проточной части описывается линейной функцией), влияние которых на адекватность и точность результатов не оценивается.

С практической точки зрения результаты работы CFD-алгоритмов не всегда предсказуемы и очевидны. На рисунке 3 представлены фронтальные и профильные проекции РК ТДА на 1-ой, 60-ой и 137-ой итерациях работы оптимизационного алгоритма в HEEDS MDO. В качестве исходного варианта для CFD-расчета (первой итерации) было подготовлено классическое криогенное РК с чередующимися короткими и длинными лопатками (см. рисунок 3 – итерация 1) в программном комплексе CFTurbo с учетом опыта проектирования подобных машин и рекомендаций в отечественных печатных изданиях. Закладываемое при расчете ТДА значение изоэнтропного КПД – 88,5 %, полученное в ходе CFD-расчета значение изоэнтропного КПД – 81,6 %.

В ходе выполнения оптимизационного алгоритма с варьированием геометрических характеристик короткие и длинные лопатки поменялись местами ориентировочно на 50-ой итерации. К итоговой 137-й итерации была получена оптимальная конфигурация РК, значение изоэнтропного КПД ТДА для которого составило – 84,3 %. При этом профили коротких лопаток (ставших длинными) и длинных (ставших короткими) РК приняли фрезообразную форму, не согласующеюся с отечественным опытом расчета и проектирования РК турбомашин, и практически сравнялись по размерам.

Утверждение «оптимальной» по итогам CFD-расчета формы РК с учетом существенных капитальных затрат и длительности их изготовления не является обоснованным без проведения объективных натурных испытаний. Контроль и оценка изменения значений изоэнтропного КПД ТДА (порядка 5 %) вследствие конструктивных изменений РК устанавливает специальные требования к автоматизированной системе, которые не могут быть выполнены с использованием стандартных общепромышленных решений, например, систем диспетчерского управления и сбора данных Supervisor Control And Data Acquisition (SCADA).

Приведенные выше доводы позволяют сделать следующий вывод: методика автоматизированных испытаний на основе цифровой БД решает проблему верификации CFD-алгоритмов оптимизации турбодетандеров и их элементов за счет достижения высокой степени повторяемости и обеспечения объективных условий этих испытаний в части технического оснащения. Предлагаемая система ориентирована на решение конкретных задач при исследовании характеристик турбодетандеров и содержит необходимый для этого функционал, который может быть расширен в виду модульной архитектуры программно-аппаратного комплекса.

Особенности проблемы верификации средств моделирования в контексте электроэнергетических систем и пути ее решения рассмотрели авторы [40]. Основная идея верификации средств моделирования любых систем:

• создание макетов систем и/или их элементов для комплексного и дифференцированного исследования;
• организация натурных испытаний макетов; выявление диапазона рабочих параметров, в которых достигается сходимость результатов моделирования и натурных испытаний;
• введение корреляционных коэффициентов для повышения точности результатов моделирования и их подбор на основе статистических данных о характеристиках изделий;
• формирования заключения о возможности использования средств моделирования для решения конкретной задачи в диапазоне рабочих параметров с достижением определенной точности за счет использования корреляционных коэффициентов.

Слепое использование результатов численного моделирования в программных комплексах без понимания механизмов и особенностей их работы приводит к созданию и размножению заведомо недостоверной информации. Доступные с точки зрения затрат времени и финансов инструменты для моделирования не являются панацеей для решения любых задач в областях термодинамики, гидравлики, механики, поскольку в этом случае создатели таких инструменты однозначно должны быть признаны правообладателями этих решений, а также нести за них ответственность.

Активную роль при решении проблемы верификации численных оптимизационных расчетов проточных частей РК и СА турбомашин, энергетических характеристик занимает наработка и разметка результатов натурных испытаний машин, что реализуется программно-аппаратным комплексов в составе методики автоматизированных испытаний турбодетандеров.

Примером грамотного подхода к верификации численных моделей для расчета параметров турбодетандеров является исследование, описание и результаты которого представлены в [41]. Для определения термодинамических свойств рабочего вещества в численной модели ANSYS CFX применялась база данных REFPROP, а оптимальная расчетная сетка для проточной части в виде нерегулярных тетраэдров была создана в ANSYS ICEM. Установлено, что увеличение числа элементов разбиения в расчетной области от 0,84 млн до 3,19 млн повысили время расчета с 43 до 156 часов. Точность численной расчетной методики была обоснована экспериментально, при этом оценивалась сходимость нескольких зависимостей: изоэнтропного коэффициента полезного действия от скоростного коэффициента, работа на валу от массового расхода, массовый расход от степени расширения и др. Расхождение результатов натурного эксперимента и численного расчета было оценено на уровне 5 %.

Авторы [42] показали возможность применения нейронных сетевых аппроксиматоров в MATLAB на основе моделей Adaptive neuro-fuzzy inference system (ANFIS) и artificial neural network (ANN) для определения эффективности турбодетандеров по входным параметрам (геометрии проточной части, скоростных коэффициентов, параметров начала процесса расширения и др.). Обучение нейронных сетей выполнялось на основе результатов численных расчетов, сходимость которых с натурным экспериментом была установлена ранее в [41], число эпох в процессе обучения принято 200. Быстродействие нейронного аппроксиматора позволило в широком диапазоне исходных параметров построить параметрические зависимости для определения их наиболее оптимальных значений (см. рисунок 4). Исследование, обучение и внедрение нейронных сетевых аппроксиматоров для быстрых оценочных расчетов или в составе систем предиктивной аналитики являются востребованными и актуальными, поскольку сокращают время и объем затрат на разработку новых турбодетандеров, модернизацию и обслуживание существующих.

Автоматизированные испытания ТД в условиях цифровой экономики

Вектор развития крупнейших передовых машиностроительных, газо- и нефтеперерабатывающих предприятий в Российской Федерации направлен на достижение показателей эффективности в условиях четвертой промышленной революции, в ходе которой активно внедряются средства автоматизации технологических процессов и достижения информационных технологий.

Индустрия 4.0

Процесс организации работы производства в соответствии с критериями четвертой промышленной революции принято называть концепция Индустрия 4.0 [43, 44, 45], основная идея которой заключается в создании цифровых фабрик [46]. Такие фабрики должны реализовывать весь спектр производственных процессов: расчет и проектирование, разработка конструкторской документации, разработка технологической документации, производство и испытаниях, в виртуальных условиях. Это становится возможным в силу снижения порога вхождения при использовании информационных технологий, повышения точности средств измерения и регулирования, роста производительности вычислительных машин, общего уровня цифровой грамотности.

Методология организации производственных предприятий в соответствии с концепцией Индустрия 4.0 в условиях цифровой экономики Российской Федерации на базе алгоритмов автоматизированного проектирования представлен в [47]. В графических материалах представлены концептуальные структурные схемы цифровых фабрик для предприятий машиностроительного сектора и прототипов устройств, работающих по принципам Интернета вещей.

В соответствии с [48] для нефтегазовой отрасли, существенно заинтересованной в исследовании и модернизации турбоагрегатов [16], стратегия перехода к Индустрии 4.0 тесно связана с развитием и внедрением в жизненный цикл роторных машин следующих направлений:

• большие данные (Big Data) – совокупность наработанных сведений о состоянии некоторого объекта или протекании процесса и набора технологичных информационных инструментов для анализа, обработки, использования и хранения этих данных;
• промышленный интернет вещей Internet of Things (IoT) – стратификация элементов, реализующих технологический процесс, по функциональным группам, которые способны в режиме реального времени проводить самодиагностику, обмениваться данными с другими группами, изменять свое состояние для предупреждения потенциально вероятной негативной ситуации в ближайшем будущем и др.;
• роботизация – в общем случае замещение человека машинами, управляемыми компьютером, при выполнении рутинных, ответственных, опасных, прецизионных и прочих работ с целью достижения большей производительности, улучшения условий труда и снижения травматизма;
• искусственный интеллект (ИИ) – технология, результатом реализации которой является искусственная система, способная выполнять творческие функции, в то числе для генерирования достоверной ранее не существовавшей информации, управления другими системами и их элементами, прогнозирования исходов событий и пр.;
• облачные вычисления – метод организации работы с данными, при котором обработка последних производится удаленно на стороне высокопроизводительного сервера, а результаты вычислений передаются относительно простым, с аппаратной точки зрения, следящим, визуализирующим или исполняющим системам;
• технология 3D печати, в том числе аддитивная технология – альтернативная технология изготовления фасонных элементов конструкции системы посредством послойного нанесения расплава металлического порошка или проволоки, пластикового жгута и пр.;
• блокчейн – технология, активно применяемая в сфере финансов, для хранения информации, каждый элемент которой обеспечивает однозначное, целостное и безопасное взаимодействие с данными на уровне всей технологии;
• технологии виртуальной (VR) и дополненной реальности (AR) – совокупность средств визуализации, физических и математических моделей некоторого виртуального пространства и объектов в нем, аппаратных средств для трансляции изображения и сбора данных с носимых устройств управления, информационных технологий и пр.

Из перечисленных выше направлений перехода к Индустрии 4.0 решение по автоматизации испытаний может быть применено для: сбора и последующей обработки больших данных; создания IoT; обучения интеллектуальных систем на базе наработанных экспериментальных данных. Архитектура программно-аппаратного комплекса должна быть ориентирована на облачные вычисления, допускать и реализовывать взаимодействие с виртуальной реальностью.

Цифровые двойники

Одним из перспективных направлений развития в области разработки, проектирования, производства и испытания турбомашин в соответствии с критериями Индустрии 4.0 является цифровое прототипирование. В ходе последовательной формализации объекта, существующего в реальном мире, в трехмерную цифровую модель в некотором виртуальном пространстве с отображением наиболее значимых свойств создается цифровой двойник [49]. В зависимости от степени достоверности и самостоятельности относительно своего реального прототипа цифровые двойники классифицируются как [50]:

• цифровой двойник типа «прототип» – отражает базовые свойства и особенности реального объекта в цифровом пространстве, к которым обычно относятся: геометрическая форма, цвет, материал и изменение этих свойств в процессе работы изделия по целевому назначению. Двойники этого типа не несут существенной практической ценности в части развития и модернизации своего реального прототипа;
• цифровой двойник типа «экземпляр» – помимо базовых свойств способен изменять свои характеристики и состояние в цифровом пространстве в полном соответствии с реальным прототипом. Такой цифровой двойник может многократно с высокой степенью детализированности воспроизводить ситуацию, в которой находился реальный прототип, что весьма полезно в образовательной деятельности, при визуализации результатов расчета по математическим и численным моделям и пр. Создание цифровых двойников такого типа невозможно без накопления, разметки и отображения наработанных данных в виртуальное пространство;
• агрегированный цифровой двойник – самостоятельная единица виртуального пространства, способная изменять свои характеристики и свойства в ответ на внешние возмущения: течение времени (деградация и износ составных частей), условия окружающей среды (смена времени года, дня и ночи), изменения параметров питающих и сточных коммуникаций и пр. Результаты статистического анализа изменений множества копий такого цифрового двойника могут быть полезны при назначении внеплановый ремонтных работ, формировании рекомендаций по замене наиболее уязвимых узлов и при поиске мест, требующих модернизации.

На сегодняшний день на достаточно высоком уровне отработаны цифровые двойники типа «прототип» и «экземпляр». Наиболее развитый с точки зрения функционального назначения тип агрегированных цифровых двойников далек от реализации. Основная причина, по которой развитие таких двойников имеет низкий темп, – игнорирование необходимости комплексной систематизации и аккуратности при работе с нарабатываемыми экспериментальными данными. В данном случае не сами экспериментальные данные должны иметь наибольшую ценность, а база данных, обладающая достаточной полнотой и содержащая зафиксированные сведения об условиях, при которых проводились испытания, конструктивные и технологические особенности изделия, принятые при расчетах допущения, используемые конструкционные материалы.

В агрегированных двойниках принципиально важно четкое соотношение причин и следствий при работе изделия, чтобы на основании имеющихся данных формировать и реализовывать предиктивную функцию. Качественную методологию перехода к перспективным методам исследования энергетических процессов посредством цифровых двойников предлагают авторы [51]. Основная идея методологии заключается в организации системного перехода, при котором ранее созданные математические и онтологические модели изделий и систем включаются в состав цифровых двойников и выполняют функции ограничений, а не забываются за ненадобностью.

Для создания цифровых двойников и приближения их функциональных возможностей к реальному прототипу целесообразно использовать когнитивную карту [52]. Когнитивная карта является формализованным представлением знаний экспертов о содержании и свойствах объектов, что позволяет с большей достоверностью описывать развитие и изменение свойств цифрового двойника с течением времени, в том числе в ответ на внешние воздействия. Таким образом экспертные знания об объектах, с которых создаются цифровые двойники, являются большой ценностью, а люди, обладающие ими, востребованными при любом уровне развитии информационных технологий.

Автором [53] предложен подход по кодированию метаданных цифрового двойника в прогрессивном формате JavaScript Object Notation (JSON), который сокращает на 54,2 % объем хранимых данных по сравнению с текстовым и Digital Twin Definition Language описанием (DTDL). DTDL нотация применяется для описания состояний относительно простых цифровых двойников в программных комплекса (Eclipse Ditto, Digital Twin Consortium), которые используют данные с приборов «умного» дома. В рамках предлагаемого к разработке ПАК для хранения метаданных и структур объектов испытаний рекомендуется использовать формат JSON, что является оптимальным на основании выводов [53].

В широком смысле суть и описание цифровых двойников турбомашин представлены в [54]. Показано, что понятие цифрового двойника толкуется высокотехнологичными компаниями и объединениями (National Aeronautics and Space Administration (NASA), Siemens, Ansys, General Electric) по-разному. К наиболее общему признаку, лежащему в основе всех определений, можно отнести способность цифровых двойников повышать эффективность бизнес-процессов и снижать объем капитальных и эксплуатационных затрат. Из анализа материалов, представленных в [54], можно сделать вывод, что развитие цифрового прототипирования турбомашин в Российской Федерации имеет низкий темп, а достигнутые результаты существенно отстают от результатов, полученных высокотехнологичными компаниями. Основная причина этого – отсутствие специализированных отечественных программно-аппаратных средств, решающих конкретную проблему по наработке и анализу данных натурных испытаний турбомашин.

Виртуальные лаборатории

Определенных успехов в создании прототипа систем для виртуальных испытаний газотурбинных двигателей (ГТД) достигли авторы [55]. Система построена по принципу виртуальной лаборатории, в которой выделены блоки имитации измерений, планирования эксперимента, математического и компьютерного моделирования, документирования и визуализации. Информационная модель включает базы исходных данных и результатов, а также базу данных математических моделей. Система относится к классу кроссплатформенных и может работать на любых операционных системах, поддерживаемых персональными компьютерами, программное обеспечение написано на языке программирования (ЯП) Java.

Виртуальная лаборатория имеет пользовательский интерфейс, в котором отображаются результаты расчета и текущее состояние работы программы. Функциональные возможности программы позволяют проводить виртуальные испытания газотурбинных установок в области установившихся и неустановившихся режимов, анализировать эксплуатационные характеристики, выполнять термодинамические и оптимизационные расчеты рабочих режимов ГТД.

Отличие решения, предложенного авторами, от исследуемого в данной работе заключается в том, что данные для проведения испытаний в виртуальной лаборатории генерируются подсистемой имитации измерений алгоритмически заданной погрешностью, а не собираются с действующей машины. Однако, изложенный принцип генерации рабочих данных может быть применен для создания имитационного модуля при отработке алгоритмов автоматизированной методики испытаний.

Разработка и внедрение средств автоматизации, мониторинга и диспетчеризации технологических процессов является актуальной задачей, в том числе для управления жизненным циклом объектов энергетических систем.

SCADA-системы

Авторы [56] провели анализ методов комплексной автоматизации систем диспетчерского управления объектов газотранспортной системы, предложили модульную SCADA-систему с распределенной структурой и разработали функциональные алгоритмы для автоматизации системы мониторинга и управления.

Аналогичное решение для комплексной автоматизированной системы диагностики ГТД на базе SCADA-технологий и имитационного моделирования представлено в [57]. Система построена на базе блоков управления и сбора данных, обработки и фильтрации, экспертной диагностики и имитационной модели. Основное назначение системы – контроль технического состояния элементов ГТД и термодинамических параметров рабочих потоков.

Тенденция к автоматизации технологических процессов на всех этапах жизненного цикла технических изделий с каждым годом становится более явной, что объясняется снижением эксплуатационных затрат и увеличением производительности труда.

Технология виртуальной реальности

Применение технологии виртуальной реальности VR является неотъемлемой частью процесса перехода к Индустрии 4.0, поскольку в полной мере позволяет визуализировать и контролировать все стадии производства [58]. Помимо этого, VR позволяет отрабатывать определенные технологические процессы без необходимости натурного воспроизведения, что значительно снижает капитальные затраты при условии наличия референтных сведений об изменении состояния аналогичных изделий для обоснования достоверности полученных результатов.

Автором настоящего статьи разработано программное решение [17], позволяющее транслировать наработанные в ходе натурных экспериментов данные о характеристиках турбодетандеров из цифровой БД в виртуальное пространство. Пример и особенности передачи данных в программное обеспечение сторонних разработчиков (VR Concept) представлены в [18]. Отличительной достоинством разработанного решения является совмещение гибкого функционала ЯП JavaScript для разметки данных во времени, методов и инструментов для создания прогрессивного пользовательского интерфейса Cascade Style Sheet (CSS) / Hyper Text Markup Language (HTML) и надежности ЯП со строгой типизацией Pascal.

Успешное внедрение VR-технологии в процесс разработки и проектирования технических возможно только в случае реализации грамотного методичного подхода, который строится по принципу «от простого к сложному».

На первом этапе целесообразно разработать базовые инструменты и механики пребывания в виртуальном пространстве, например, организовать взаимодействие с элементами управления: кнопками, рычагами и пр. На втором этапе – проработать логику и поведение самодостаточных объектов, например, роботов-манипуляторов, способных перемещать инструмент по наперед заданной траектории [59] и пр. На третьем – разработать контроллер для управления последовательностями взаимодействия пользователя и элементами виртуального пространства и т.д. Функциональные возможности ПАК, предлагаемой автором настоящего статьи к разработке, удовлетворяют требованиям вышеописанного методического подхода и могут быть применены на всех этапах его реализации.

Особенности существующих решений

Предлагаемый к разработке программно-аппаратное решение может быть применено в составе экспериментального стенда для наработки аэродинамических характеристик лопаток газовых турбин [60] в автоматизированном режиме. Стенд включает воздушный компрессор большой производительности, информационно-измерительную систему, непосредственно камеру для исследования лопаток и запорно-регулирующую арматуру.

Информационно-измерительная система позволяет конфигурировать условия испытаний за счет изменения положения заслонок и поворотно-пружинных механизмов, регистрировать, обрабатывать и визуализировать поля температур и давлений по профилям лопаток. Как отмечают авторы, стенд нацелен на поузловое исследование влияния конструкторских решение, принятых с учетом численных методик расчета в газодинамических пакетах (ANSYS CFX, Numeca FineTurbo и пр.). Основная идея исследований, выполняемых на предложенном стенде, – лазерная доплеровская анемометрия (ЛДА), используемая для оценки влияния небольших скоростей потока на потери в решетке турбины и шероховатости поверхности лопатки на гидравлические потери.

Предлагаемый стенд и его архитектура отличаются от разработанного решения, поскольку последнее без дополнительных расширений ориентировано на комплексное исследование термодинамической эффективности и механических характеристик машины в целом, а не ее составных частей, например, для экспериментального обоснования методики по расчету статической прочности замкового соединения лопаток [61].

В [26] авторами предложен стенд для исследования характеристик центростремительного турбодетандера в составе воздушной холодильной установки для бытовой заморозки продуктов. Замеры термодинамических параметров (температуры и давления) проводились цифровыми преобразователями и дублировались показывающими приборами, расход рабочей среды определялся с помощью вихревого расходомера. Сбор и запись данных осуществлялась с периодом 15 секунд, минимально возможный период опроса составлял 1 секунду.

Задачи, решаемые при исследовании машины на описанном стенде, частично совпадают с задачами в данной работе в части автоматизации процесса сбора и обработки данных. Недостатком решения, предложенного авторами [26], является короткий и неполный цикл использования наработанных данных о термодинамической эффективности турбодетандера и ее связи с условиями испытаний, конструктивными особенностями машины и пр.

В ходе подготовки настоящей статьи автор обращался к опыту большого специалиста по турбомашинам Виктора Павловича Леонова – ученика Веры Ивановны Епифановой, для получения рекомендаций по созданию автоматизированной методики испытаний и ее эксплуатации на стенде для исследования турбомашин.

Результаты испытаний воздушного турбодетандера со штатным и модернизированным РК в области вымораживания диоксида углерода представлены в [62]. В ходе исследований анализировался изоэнтропный КПД машины, скорость потока на входе в РК составляла 0,67 Мах. Модернизация колеса в части угла лопатки на входе с 75° на 134° позволила повысить эффективность турбодетандера с 66,5 % до 69,3 %. Поскольку сведения о метрологическом обеспечении и применяемых средствах для анализа эффективности машины не приводятся, оценить адекватность полученных результатов не предоставляется возможным. С другой стороны, предлагаемый к разработке программно-аппаратный комплекс и реализуемый им функционал, могут быть внедрены в конструкцию стенда, используемого в [62].

Авторами [63] предложен метод контроля качества ремонтных работ в отношении турбоагрегатов большой производительность, работающих на природном газе. На основе эталонных газодинамических характеристик новой машины с учетом различных режимов работы проводится качественная оценка параметров агрегата после выполнения ремонтных работ.

В качестве критериев оценки принимались: перемещения оси ротора, ток усилителя мощности, радиальные зазоры в лабиринтных уплотнениях и страховочных подшипниках, коэффициенты технического состояния турбины и компрессора и др. Такой подход позволил нормировать качество выполнения ремонтных работ, установить соответствия между условиями эксплуатации и фактическим износом элементов машины. Изложенные концептуальные решения к нормированию качества ремонтных работ с определенными доработками могут быть приняты для реализации в автоматизированной методике испытаний для составления эталонных характеристик машин, поставленных на испытания.

Наработанные и обобщенные данные натурных испытаний об эффективности компрессоров ТДА нашли отражение в программном комплексе ВРЦК-Г1Р (Вариационный расчет центробежного компрессора) представленном авторами [13] основанном на методе универсального моделирования [64]. Программный комплекс позволяет на этапе проектирования компрессорной ступени турбодетандерного агрегата с высокой точностью (отклонение порядка 1,8 %) оценить ее энергетические характеристики на основе 22 определенных эмпирических коэффициентов. Аналогичный подход к наработке и обобщению должным образом структурированных статистических данных о характеристиках роторных машин расширительного типа позволит проводить комплексную оценку эффективности как турбодетандеров, так и детандерных ступеней в составе турбодетандерных агрегатов.

Следует отметить, что технические требования и методы испытаний турбокомпрессоров ввиду их широкой распространенности в общепромышленном и специальном исполнении отражены в национальных стандартах Российской Федерации [65, 66]. Для турбодетандеров аналогичные документы не разработаны, поэтому комплексный методичный подход к отработке процесса испытаний машин расширительного типа является актуальным.

Схожая ситуация сложилась и в части исследования характеристик ГТУ, испытаниям которых посвящено множество работ [68, 69]. В [68] содержатся сведения о методах и типах испытаний ГТУ, видах и средствах измерений при экспериментальных исследованиях агрегатов, расчете погрешности измерений и их допустимых значениях для различных измеряемых физических величин и пр.

Автоматизированный стенд для испытаний турбокомпрессоров предложен в [67]. Применяемая система автоматического управления, контроля, измерения параметров турбокомпрессоров имеет широкие функциональные возможности, позволяет проводить приемо-сдаточные испытания и сравнивать полученные результаты с заявленными производителем машины.

Информация в [67] не дает полного представления о программно-аппаратном оснащении и архитектуре системы для качественного и количественного анализа, но решаемые ею задачи с определенными модернизациями в части применения современных достижений информационных технологий в полной мере закрывают вопрос автоматизации испытаний турбокомпрессоров. Отличительной особенностью решения, предлагаемого автором настоящего статьи, является автоматизация процесса пересчета энергетических характеристик турбодетандеров при испытаниях с модельных условий на реальные рабочие за счет нейронного сетевого модуля, а также более гибкие функциональные возможности программно-аппаратного комплекса в части трансляции данных в программное обеспечение сторонних разработчиков.

Для проведения испытаний турбомашин и контроля их технологических параметров при эксплуатации используются универсальные средства автоматизации и диспетчеризации, например, системы человеко-машинного интерфейса типа SCADA. Особенности автоматизации процессов испытания с использованием таких систем отображены на рисунке 5.

Реализация системы диспетчеризации и автоматизации осуществляется на базе стандартизированных промышленных контроллеров и КИП, что обуславливает ряд достоинств: надежность системы, взаимозаменяемость ее элементов, широкую популярность и распространенность кадров с необходимыми монтажно-наладочными компетенциями.

К недостаткам такой системы автоматизации [70] можно отнести условную универсальность, которая хорошо проявляется на аппаратном уровне, но не обеспечивается должным образом на программном. При использовании универсальных контроллеров, ориентированных в большей степени на общепромышленные объекты высокотемпературного сегмента энергетики, невозможно создать универсальное программное обеспечение для испытания машин в широком диапазоне рабочих параметров и производительности.

Кроме того, разработка системы автоматизации для испытания конкретной машины является нерациональной, поскольку задерживает готовую машину на площадке завода-изготовителя до момента монтажа системы и проведения ее пуско-наладочных работ ввиду длительного цикла разработки и внедрения [70].

Существенное влияние на функциональные возможности разрабатываемых систем автоматизации оказывает низкий уровень компетенций аппаратчиков в области эксплуатации низкотемпературных систем и неравномерный уровень проработки технических решений для высоко- и низкотемпературных систем. Например, ожижитель гелия ОГ-1000 (г. Дубна, ОИЯИ), оснащенный всеми необходимыми средствами автоматизации и системой диспетчеризации, при запуске в ручном режиме производит жидкий продукт через 8 часов, в автоматическом – спустя более 16 часов.

Автор статьи:

Мамедов Владислав Марсельевич, 2024 г.

Список используемых источников

1. Mamedov V., Arkharov I., Navasardyan E. Concept design of cryogenic system of the SPD-detector for NICA project in Dubna // IIR Conference: The 16th Cryogenics, October 5-7, 2021. P. 24–29. DOI: 10.18462/iir.cryo.2021.0005.

2. Патент на полезную модель №175142. Устройство для изучения электромагнитного поля. Заявка №2017118542. Дата поступления 30.05.2017 г. Опубликовано: 23.11.2017 г. Бюл. № 33 / Н. Д. Щеглов, Г. Ю. Станишевский, Б. Г. Скуйбин, М.А. Сафаров, В.М. Мамедов.

3. Методологические аспекты развития теории сверхпроводимости. В.М. Мамедов, И.А. Архаров. Философия науки 2021 №3 (90). С. 100-115.

4. Mamedov, V. M. Analysis of the Thermal Leaks and Heat Transfer Features In Superconducting Solenoids with Flow Cooling of the SPD-Detector for the Nica Project in Dubna / V. M. Mamedov, I. A. Arkharov // Low Temperatures in Science and Industry, 12–14 октября 2022 года. – Издательство МГТУ им. Н.Э. Баумана, 2022. – P. 8.

5. Сателлитный гелиевый рефрижератор. В.М. Мамедов; МГТУ им. Н.Э. Баумана. – Москва: б.и., 2020. – 319 с.: ил., схем., табл. URL: https://biblioclub.ru/index.php?page=book&id=615258.

6. Мамедов В.М., Архаров И.А. Перспективы методов регулирования в инженерных системах // Холодильная техника. 2022. Т. 111, № 4. С. 213–220. DOI: https://doi.org/10.17816/RF321953.

7. ГОСТ Р 59046-2020 Проведение испытаний потребительских товаров. Руководство для некоммерческих организаций.

8. ГОСТ 33707-2016 (ISO/IEC 2382:2015) Информационные технологии (ИТ). Словарь.

9. Постановление Правительства РФ от 16.11.2015 N 1236 Об установлении запрета на допуск программного обеспечения, происходящего из иностранных государств, для целей осуществления закупок для обеспечения государственных и муниципальных нужд.

10. Р 50.1.097-2014 Статистические методы. Примеры измерений при анализе повторяемости и воспроизводимости.

11. Указ Президента Российской Федерации от 10 октября 2019 г. N 490 «О развитии искусственного интеллекта в Российской Федерации».

12. Семеновский В.Б. Модельные ступени для центробежных компрессоров турбодетандерных агрегатов // Научно-технические ведомости СПбПУ. Естественные и инженерные науки. 2018. Т. 24. № 4. С. 11–23. DOI: 10.18721/JEST.24402.

13. Галеркин Ю.Б., Рекстин А.Ф., Соловьева О.А., Дроздов А.А., Семеновский В.Б. Статистическая математическая модель расчета коэффициента полезного действия компрессоров турбодетандерных агрегатов: усовершенствование и идентификация. Известия высших учебных заведений. Машиностроение, 2022, № 7, с. 68–81, doi: 10.18698/0536-1044-2022-7-68-81.

14. Клименко Д. В., Тимушев С. Ф., Фирсов В. П. и др. Численное моделирование пульсаций давления в турбодетандере перспективной системы криостатирования // Динамика и виброакустика. 2014. Т. 1. № 2. С. 50-55.

15. Yuhan Li, Haitao Hu, Rui Lei. Performance simulation and diagnosis of faulty states in air-cycle refrigeration systems in civil aircrafts // International Journal of Refrigeration, Volume 156, 2023, Pages 232-242, ISSN 0140-7007, DOI: https://doi.org/10.1016/j.ijrefrig.2023.10.006.

16. Хетагуров В. А., Слугин П. П., Воронцов М. А., Кубанов А. Н. Опыт и перспективы применения турбодетандерных агрегатов на промысловых технологических объектах газовой промышленности России. // Газовая промышленность. 2018. Т. 11, № 777. С. 14–22.

17. Свидетельство о государственной регистрации программы для ЭВМ № 2023617337 РФ. Ionium Collider Framework для создания интерфейсов АСУ ТП: № 2023615806: заявл. 21.03.2023: опубл. 07.04.2023 / В. М. Мамедов.

18. Мамедов В.М. Разработка интерактивного VR-тренажеров на базе программного обеспечения VR Concept и фреймворка Ionium Collider // International Journal of Open Information Technologies. – 2023. –T. 11, №. 9. – С. 83 91.

19. Антропов П. Г., Долинина О. Н., Кузьмин А. К. и др. Использование интеллектуальных систем для диагностики неисправностей газоперекачивающих агрегатов // Современные проблемы науки и образования. 2013. № 6. С. 115.

20. ГОСТ 16504-81 Система государственных испытаний продукции. Испытания и контроль качества продукции. Основные термины и определения.

21. Бабиченко И.А., А.А. Михайлов, К.К. Соколов, А.И. Боровков, Ю.Б. Галеркин, И.А. Максименко, А.Ф. Рекстин, В.Б. Семеновский, В.К. Ядыкин. Опыт газодинамического проектирования центробежных компрессоров турбодетандерных агрегатов. CFD-анализ входного тракта // Материаловедение. Энергетика. 2021. Т. 27, № 2. С. 5–22. DOI: 10.18721/JEST.27201.

22. Хетагуров В.А., Слугин П.П., Поронцов М.А., Кубанов А.Н., Опыт и перспективы применения турбодетандерных агрегатов на промысловых технологических объектах газовой промышленности России // Газовая промышленность, № 11 (777), 2018 г., стр. 14-22.

23. Свечков М.В., Питолин В.Е. О возможности экономии топлива на тепловых электростанциях за счет оптимизации схем использования энергетического оборудования // Энергетика. Известия высших учебных заведений и энергетических объединений СНГ. 2008 №2, стр. 70-74.

24. Агабабов В.С. К вопросу анализа эффективности использования турбодетандеров в схемах тепловых электростанциях // Энергосбережение и водоподготовка, № 2 (106), 2017, стр. 71-73.

25. Ситников В.В. Утилизация энергии доменного газа металлургических заводов с помощью нового оборудования, спроектированного в «ЗОРЯ»-«МАШПРОЕКТ» // Энергетика, №10, 2008, стр. 89-90.

26. Леонов В.П., Розеноер Т.М., Поликарпов А.В. Стенд для исследования центростремительных турбодетандеров в составе воздушной холодильной установки применительно к быстрой заморозке продуктов // Вестник МГТУ им. Н.Э. Баумана. Сер. «Машиностроение». 2010, стр. 165-170. ISSN 0236-3941.

27. Венгер К. П., Кузьмина И. А., Стефанова В. А., Феськов О. А. Система воздухораспределения низкотемпературной камеры с воздушной турбохолодильной машиной // Вестник международной академии холода. 2014. № 2. С. 19-24.

28. Седунин В.А., Шемякинский А.С. Особенности проектирования детандер-генераторного агрегата в системе топливного газа компрессорного цеха // Вестник МГТУ им. Н.Э. Баумана. Сер. Машиностроение. 2017. № 5. C. 105–121. DOI: 10.18698/0236-3941-2017-5-105-121.

29. Булат М.П. Оценка эффективности применения гибридного газового подшипника в высокооборотных турбомашинах // дис…к.т.н. 05.04.03, Санкт-Петербург, 2017.

30. ГОСТ Р 53791-2023 Ресурсосбережение. Стадии жизненного цикла изделий производственно-технического назначения. Общие положения.

31. Болотов М.А., Печенин В.А., Печенина Е.Ю., Рузанов Н.В. Алгоритм прогнозирования вибрационного состояния ротора турбины с использованием машинного обучения // Вестник Самарского университета. Аэрокосмическая техника, технологии и машиностроение. 2020. Т. 19, № 1. С. 18-27. DOI: 10.18287/2541-7533-2020-19-1-18-27.

32. Бубнов В.П., Султонов Ш.Х. Применение систем автоматизированного проектирования в машиностроении // Интеллектуальные технологии на транспорте, 2017, № 1, стр. 48-51.

33. Данилишин А. М., Кожухов Ю. В. Алгоритм и примеры многопараметрической автоматизированной расчетной оптимизации компрессорных ступеней с осерадиальными рабочими колесами турбодетандерных агрегатов. // Вестник Международной академии холода. 2022. № 2. С. 27–34. DOI: 10.17586/1606‑4313‑2022‑21‑2-27-34.

34. Яценко И. А., Хворов Г. А., Юмашев М. В., Юров Е. В. Реализация потенциала энергосбережения и повышение энергетической эффективности ПАО «Газпром» на основе применения турбодетандерных технологий // Газовая промышленность. 2017. № S1 (750). С. 60-63.

35. Нагимов Р. Р. Разработка стратегии системы контроля процессом сжатия гелия низкого давления // Машиностроение и компьютерные технологии. 2013. № 02. С. 45-60. DOI: 10.7463/0213.0539096.

36. Peng Yang, Jiapeng Liu, Jinpeng Yu, Hanzeng Zhu. Discrete time adaptive neural network control for WME and compression refrigeration systems // International Journal of Refrigeration, Volume 153, 2023, Pages 155-167, ISSN 0140-7007, DOI: https://doi.org/10.1016/j.ijrefrig.2023.06.006.

37. Свидетельство о государственной регистрации программы для ЭВМ № 2023665670 РФ. WStorm Interface для автономной работы с протоколом WebSocket: № 2023664565: заявл. 10.07.2023: опубл. 19.07.2023 / В. М. Мамедов.

38. Баширова Э.М., Жаринов Ю.А., Терентьев А. А. Применение нейронных сетей для решения задач прогнозирования технического состояния электрического оборудования // Электротехнические и информационные комплексы и системы, № 2 (18), 2022, стр. 21-31.

39. Rubechini F., Marconcini M., Arnone A. et. al. Special challenges in the computational fluid dynamics modeling of transonic turbo-expanders // Journal of engineering for gas turbines and power. 2013. Vol. 135. N. 10. P. 102701.

40. Суворов А.А., Гусев А.С., Сулайманов А.О., Андреев М.В. Проблемы верификации средств моделирования электроэнергетических систем и концепция ее решения // Вестник ИГЭУ, № 1, 2017 г. стр. 11-23. DOI: 10.17588/2072-2672.2017.1.011-023.

41. Kumar M., Biswal R., Behera SK., Kumar A., Sahoo RK. Experimental and numerical analysis to predict the performance of a turboexpander at cryogenic temperature. Engineering Reports. 2021; 3. https://doi.org/10.1002/eng2.12346.

42. Kumar M., Panda D., Kumar A., Sahoo R.K., Behera S.K. Preliminary design, flow field, and thermal performance analysis of a helium turboexpander: a numerical approach. SN Applied Science. 2019; 1. DOI: https://doi.org/10.1007/s42452-019-1503-3.

43. Фомина А.В., Мухин К.Ю. Индустрия 4.0. Основные понятия, преимущества и проблемы // Экономический вектор, 2018. №3 (14), стр. 33-38.

44. Амелин С.В. Организация производства в машиностроении в условиях цифровой трансформации // Организатор производства. 2020. Т.28. №1. С. 17-23 DOI: 10.25987/VSTU.2019.37.63.002.

45. Лаптева Е.Н., Назарочкина О.В. Проблемы перехода отечественного машиностроения к технологиям Индустрии 4.0 // Машиностроение и компьютерные технологии. 2019. № 05. С. 11–20. DOI: 10.24108/0519.0001500.

46. Тарасов И.В., Попов Н.А. Индустрия 4.0: трансформация производственных фабрик. Стратегические решения и риск-менеджмент. 2018, №3, стр. 38-53. DOI: 10.17747/2078-8886-2018-3-38-53.

47. Гурьянов А.В., Заколдаев Д.А., Шукалов А.В., Жаринов И.О., Костишин М.О. Организация цифровых производств Индустрии 4.0 на основе киберфизических систем и онтологий // Научно-технический вестник информационных технологий, механики и оптики. 2018. Т. 18. № 2. С. 268–277. doi: 10.17586/2226-1494-2018-18-2-268-277.

48. Азиева Р.Х., Таймасханов Х.Э. Необходимость и возможность использования цифровых технологий в нефтегазовой отрасли в условиях цифровой трансформации экономики // Методология и инструментарий управления, 2020, стр. 178-185.

49. Кокорев Д.С., Юрин А.А., Цифровые двойники: понятия, типы и преимущества для бизнеса // Colloquium-journal, №10 (34), 2019, стр. 31-35. DOI: 10.24411/2520-6990-2019-10264.

50. Kokorev D.S., Yurin A.A. Cifrovye dvojniki: ponjatie, tipy i preimushhestva dlja biznesa. [Digital twins: concept, types and benefits for business]. Colloquium-journal / Technical science. 2019. No. 10 (34). Pp. 3135. DOI: 10.24411 / 2520-6990-2019-10264 (in Russian).

51. Массель Л.В., Массель А.Г., Копайгородский А.Н. Эволюция технологий исследований энергетики и применения их результатов: от математических моделей и компьютерных программ к цифровым двойникам и цифровым образам // Информационные и математические технологии в науке и управлении. 2019. № 4 (16). С. 519. DOI: 10.25729/2413-0133-2019-4-01.

52. Юрин А.А., Емельяненко А.С. Применение нечетковго когнитивного моделирования в рамках парадигмы «цифровой двойник» // Вопросы студенческой науки, № 12 (40), 2019, стр. 254-271.

53. Воробьев А. В. Концепция информационного пакетного взаимодействия в многоуровневой системе цифровых двойников // Известия Саратовского университета. Новая серия. Серия: Математика. Механика. Информатика. 2021. Т. 21, вып. 4. С. 532–543. https://doi.org/10.18500/1816-9791-2021-21-4-532-543.

54. Блинов В. Л., Богданец С. В. Цифровые двойники турбомашин: учебное пособие. Екатеринбург: Изд-во Урал. ун-та, 2022. 162 с.

55. Ткаченко А.Ю., Рыбаков В.Н., Крупенич И.Н., Остапюк Я.А., Филинов Е.П. Автоматизированная система виртуальных испытаний газотурбинных двигателей // Вестник Самарского государственного аэрокосмического университета, №5 (47), часть 3, 2024, стр. 113-119.

56. Лучкин Н.А., Янишевская А.Г., Голикова Ж.В. Проектирование системы автоматизированного мониторинга технологических процессов и диспетчерского управления объектами газотранспортной системы // Динамика систем, механизмов и машин, 2018. Том. 6, №2, стр. 37-43. DOI: 10.25206/2310-9793-2018-6-2-37-43.

57. Кривошеев И.А., Суханов А.В. Разработка комплексной автоматизированной системы диагностики ГТД на базе SCADA-технологии и имитационного моделирования // Вестник УТАТУ, 2014, Т. 18, №2 (63), стр. 134-141, ISSN 2225-2789.

58. Дубровина Н.А. Инновационные технологии в машиностроении // Вестник Самарского университета. Экономика и управление. 2021. Т. 12, № 1. С. 108–115. DOI: http://doi.org/10.18287/2542-0461-2021-12-1-108-115.

59. Kuts V., Otto T., Tähemaa T. et. al. Digital twin based synchronised control and simulation of the industrial robotic cell using virtual reality // Journal of Machine Engineering. 2019. Vol. 19. N. 1. P. 128-145.

60. Саженков А.Н., Самохвалов Н.Ю., Соловьев М.Н. Экспериментальны стенд для исследования аэродинамических характеристик лопаток газовых турбин // Вестник ПНИПК. Аэрокосмическая техника, 2015, № 41, стр. 41 – 58.

61. Резник С.В., Сапронов Д.В. Исследование статической прочности замкового соединения керамической лопатки и металлического диска газовой турбины // Извести высших учебных заведений. Машиностроение, №4 (649), 2014, стр. 3-10.

62. Варенков С.В. Термодинамические характеристики радиального турбодетандера газовой холодильной машины // Электронный журнал «Информационно-коммуникационные технологии в педагогическом образовании», 2016. - № 7(45).

63. Меньшиков С.Н., Кильдияров С.С. Моисеев В.В., Полозов В.Н., Кувытченко Б.Г. Повышение качества ремонта турбодетандерных агргегатов, установленных на бованенковском НГКМ // Газовая промышленность, №3 (773), стр. 28-33.

64. Галеркин Ю. Б., Рекстин А. Ф., Семеновский В. Б. и др. Развитие подходов и опыт оптимального проектирования центробежных компрессоров турбодетандерных агрегатов // Омский научный вестник. Серия «Авиационно-ракетное и энергетическое машиностроение». 2022. Т. 6. № 2. С. 9-20. DOI: 10.25206/2588-0373-2022-6-2-9-20.

65. ГОСТ Р 53637-2009 Турбокомпрессоры автотракторные. Общие технические требования и методы испытаний.

66. ГОСТ Р 51743-2001 Машины холодильные. Машины для охлаждения жидкости на базе турбокомпрессоров. Методы испытаний.

67. Каминский В.Н., Каминский Р.В., Лазарев А.В., Григоров И.Н., Костюков А.В., Корнеев С.А., Ковальцов И.В., Сергеев А.С., Гусак А.А., Сибиряков С.В. Создание стендов для контрольно-исследовательских испытаний турбокомпрессоров // Известия МГТУ «МАМИ», № 2(14), 2012, т. 1, стр. 143-148.

68. Скороходов А. В., Блинов В. Л., Комаров О. В. Испытания газотурбинных газоперекачивающих агрегатов и вспомогательного оборудования: учебное пособие. Екатеринбург: Изд-во Урал. ун-та, 2020. 132 с.

69. Теплов Б. Д., Радин Ю. А., Филин А. А. и др. Тепловые испытания газотурбинной установки SGT5-4000F энергоблока ПГУ-420Т ТЭЦ-16 Мосэнерго // Теплоэнергетика. 2016. № 8. С. 10-17.

70. В.М. Мамедов. «Особенности энергетических и динамических испытаний крупнотоннажных турбодетандеров» в сборнике Всероссийской студенческой конференции «Студенческая научная весна», посвященная 170-летию В.Г. Шухова, с. 743-745.