Методи злиття даних для виявлення явища помпажу у відцентрових нагнітачах газоперекачувальних агрегатів

Л. І. Давиденко; Г. Н. Семенцов

Автор(и)

Л. І. Давиденко ІФНТУНГ, 76019, м. Івано-Франківськ, вул. Карпатська,15
Г. Н. Семенцов ІФНТУНГ, 76019, м. Івано-Франківськ, вул. Карпатська,15

Ключові слова:

злиття даних, метод злиття ваг, метод Демпстера-Шафера, штучні нейронні мережі, фільтр Калмана, нечіткий інтеграл, діаграми Ойнера-Вейча-Карно, відцентровий нагнітач.

Анотація

Виявлення явища помпажу у відцентрових нагнітачах (ВН) газоперекачувальних агрегатів (ГПА) нерозривно
пов’язане з обробленням великої кількості інформативних параметрів. Покращення точності діагностування
помпажу може бути забезпечене за рахунок злиття даних, тобто об’єднання декількох джерел
цих даних в одне з метою отримання найбільш надійної інформації для систем атипомпажного захисту
і регулювання. Технологія злиття даних здатна впоратися з проблемою неповноти інформації та невизначеності.
У даній роботі проведено аналіз відомих методів злиття даних, освітлено переваги та недоліки
таких методів, як: метод злиття ваг, метод Демпстера-Шафера, штучні нейронні мережі, фільтр Калмана,
нечіткий інтеграл, діаграми Ойнера-Вейча-Карно. Зроблено висновок, що нечіткий інтеграл найбільш
придатний для виявлення явища помпажу.

Завантаження

Дані завантаження ще не доступні.

Посилання

1 Бляут Ю.Є. Автоматична ідентифікація
помпажних характеристик газоперекачувальних
агрегатів з газотурбінним приводом для
ефективного регулювання: автореферат дисертації
на здобуття наукового степеня кандидата
технічних наук: 05.13.07 / Юрій Євстахович
Бляут; Івано-Франківський національний технічний
університет нафти і газу. – ІваноФранківськ,
2013. – 20 с.
2 Семенцов Г.Н. Синтез однотактної системи
автоматичного захисту компресора від
помпажу / Г.Н. Семенцов // Технологічні комплекси.
– 2010. – № 2. – С. 137–151.
3 Gorodetski V. Multi-agent data fusion
systems: design and implementation issues /
V. Gorodetski, O. Karsayev, and V. Samoilov //
Proceedings of the 10th International Conference
of Telecommunication Systems – Modeling and
Analysis. – Monterey, CA, 2004. – P. 762-774.
4 Gao Junbin. Some Remarks on Kalman Filters
for the Multisensor Fusion / J. Gao, C.J.Harris
// Information Fusion Journal.– 2002. – V.3. –
P. 191–201.
5 He Y. Using genetic algorithms to detectand
configure shaft crack for rotor-bearing system./
Y.He, D. Guo, F. Chu // Computer Methods in
Applied Mechanics and Engineering. – 2001. –
V.190. – P. 5895-5905.
6 Varshney P. K. Distributed detection and
data fusion / P.K, Varshney. – New York, NY:
Springer-Verlag New York Inc., 1996. – 288 p.
7 Byington C.S. Data fusion for development
predictive diagnostic for electromechanical
systems / C. S. Byington, K. Garga // Handbook of
Sensor Fusion, CRC Press. – 2000. – P. 23-31.
8 Xiaofeng Liu. Machinery Fault Diagnostics
Based on Fuzzy Measure and Fuzzy Integral Data
Fusion Techniques / Liu Xiaofeng. – School of
Engineering Systems, 2005. – 220 p.
9 Sun Z. Z. Theory and technology of
intelligent control / Z. Sun, Z. Zhang, Z. Deng. –
Beijing: Qinghua University Press, 1997. – 373 p.
10 Wu Y. Fusing output information in neural
networks: ensemble performs better / Y. Wu,
J.I. Arribas // Proceedings of the 25th Annual
International Conference of IEEE EMBS. –
Cancun, Mexico, 2003. – P. 2265-2268.
11 Cho S.B. Multiple network fusion using
fuzzy logic / S. B. Cho, J.H. Kim // TFFF Transactions
on Neural Networks. – 1995. – V 6(2). –
P. 497- 501.
12 Grabisch M. The application of fuzzy
integrals in multi criteria decision making /
M. Grabisch // European Journal of Operational
Research. – 1996. – V. 89. – P. 445-456.