Подход на основе машинного обучения с использованием алгоритмов MLP и SVM для прогнозирования неисправностей центробежного насоса в нефтегазовой отрасли

Потребность в экономичной, надежной и безопасной эксплуатации оборудования требует точного обнаружения и классификации неисправностей для разработки эффективной стратегии технического обслуживания и повышения производительности. Кроме того, в таких стратегически важных секторах, как нефтегазовая отрасль, прогнозирование неисправностей играет ключевую роль в продлении срока службы компонентов и сокращении внеплановых простоев оборудования, тем самым предотвращая дорогостоящие поломки и остановы предприятия. В статье представлена предварительная разработка простой и легко реализуемой модели машинного обучения (ML) для раннего прогнозирования неисправностей центробежного насоса в нефтегазовой отрасли. Анализ данных основан на реальных исторических данных, полученных от датчиков технологического процесса и оборудования, установленных на выбранной машине. Исходные данные датчиков, главным образом датчиков температуры, давления и вибрации, очищаются от шумов, предварительно обрабатываются и затем кодируются для обучения модели. Для проверки способности модели ML к обучению на платформе KNIME реализованы два различных алгоритма — метод опорных векторов (SVM) и многослойный перцептрон (MLP). С помощью этих алгоритмов потенциальные неисправности успешно распознаются и классифицируются с обеспечением высокой точности прогнозирования. Результаты этой предварительной работы показывают, что модель позволяет корректно выявлять тенденции отклонений системы от нормального режима работы и формировать предупреждения о прогнозируемых неисправностях в качестве системы поддержки принятия решений по техническому обслуживанию для операторов, что способствует предотвращению возможных отказов.