CC BY
0
Другие элементы: также наблюдаются пики, соответствующие таким элементам, как Si, Д Сг, Со, М, As, Ag, Sn, Sr, Y, Мо и Те.
Интенсивность каждого пика отражает концентрацию соответствующего элемента в образце. Например, высокая интенсивность пиков РЬ предполагает относительно высокую концентрацию свинца.
Рисунок 1 - РФА-спектр анализируемого образца
Заключение:
РФА-анализ успешно выявил в образце несколько элементов, предоставив ценную информацию о его составе. Этот метод оказался эффективным для неразрушающего элементного анализа, предлагая точные и надежные результаты. Будущие исследования могут быть сосредоточены на количественном определении точных концентраций этих элементов и изучении потенциальных применений образца на основе его элементного состава.
Список использованной литературы:
1. Дженкинс Р., Гулд Р.В. и Гедке Д. (1981). Количественная рентгеновская спектрометрия. ЦРК Пресс.
2. Ван Грикен Р. и Маркович А.А. (2002). Справочник по рентгеновской спектрометрии. ЦРК Пресс.
3. Бекхофф Б., Каннгиссер Б., Лангхофф Н., Веделл Р. и Вольф Х. (2006). Справочник по практическому рентгенофлуоресцентному анализу. Спрингер.
4. Мантлер М. и Шрайнер М. (2000). «Рентгенофлуоресцентная спектрометрия в искусстве и археологии», Рентгеновская спектрометрия, 29 (1), 3-17.
5. Вобраушек, П. (2007). «Рентгенофлуоресцентный анализ полного отражения - обзор», Spectrochimica Acta, часть B: атомная спектроскопия, 62 (4), 308-314.
© Оразимбетова Г.Ж., Махмудова Ф.У., Махмудов И.Р., 2024
УДК 004
Петрунин И.Ф.
магистрант 2 курса, гр. ИИПм-22-1, Тюменский индустриальный университет
г. Тюмень, РФ
ИССЛЕДОВАНИЕ ВОЗМОЖНОСТЕЙ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ЗАДАЧ ВАЛИДАЦИИ ДАННЫХ ТЕЛЕМЕТРИИ ДОЖИМНОЙ КОМПРЕССОРНОЙ СТАНЦИИ
Аннотация
В статье рассматривается возможность применения нейронных сетей, включающих свёрточные
нейронные сети (CNN) и сети долгой краткосрочной памяти (LSTM) блоки, для задач валидации данных телеметрии дожимной компрессорной станции (ДКС) в условиях информационной неопределенности.
Цель исследования: оценить применимость нейронных сетей с использованием CNN и LSTM блоков для точной валидации данных телеметрии ДКС, обеспечивая надёжность и безопасность работы компрессорных станций.
Метод исследования: разработка и обучение модели нейронной сети, состоящей из нескольких CNN и LSTM блоков, на тренировочном наборе данных с последующей валидацией на тестовом наборе данных.
Результаты: Модель продемонстрировала точность валидации, с коэффициентом детерминации равным 0.99997986, средней абсолютной процентной ошибкой 0.03197 % и медианной абсолютной процентной ошибкой 0.0192 %.
Ключевые слова
нейронные сети, валидация данных, телеметрия, дожимная компрессорная станция, CNN, LSTM
INVESTIGATION OF NEURAL NETWORK CAPABILITIES FOR VALIDATION OF TELEMETRY DATA OF A BOOSTER COMPRESSOR STATION
Abstract:
The paper considers the possibility of applying neural networks including convolutional networks (CNN) and long short-term memory (LSTM) blocks for the tasks of validation of booster compressor station (BCS) telemetry data under conditions of information uncertainty.
PURPOSE: To evaluate the applicability of neural networks using CNN and LSTM blocks for accurate validation of DCS telemetry data, ensuring the reliability and safety of compressor station operations.
Research method: development and training of a neural network model consisting of multiple CNN and LSTM blocks on a training dataset followed by validation on a test dataset.
Results: The model demonstrated validation accuracy, with a coefficient of determination equal to 0.99997986, a mean absolute percentage error of 0.03197 %, and a median absolute percentage error of 0.0192 %.
Keywords
neural networks, data validation, telemetry, booster compressor station, CNN, LSTM
Дожимные компрессорные станции (ДКС) критически важны для транспортировки природного газа. Они устанавливаются на ключевых участках трубопроводов и используются для поддержания оптимальных условий потока газа. Надёжная работа этих станций напрямую влияет на безопасность и экономическую эффективность всей системы. Для обеспечения стабильной работы необходима актуальная информация о давлении, температуре, скорости потока и состоянии оборудования.
Эти данные собираются с различных диагностических систем и используются для принятия оптимальных решений. Однако валидация этих данных представляет значительную проблему из-за информационной неопределённости, что может привести к неверным управленческим решениям и возможным рискам для экологической безопасности и экономической эффективности транспорта углеводородных ресурсов.
Обеспечение точности данных телеметрии ДКС становится всё более актуальной проблемой в связи с растущей важностью обеспечения безопасности и надёжности транспортировки газа. Недостоверная информация может привести к серьёзным аварийным ситуациям, угрозам для окружающей среды и здоровья людей [1].
Точность данных играет также ключевую роль в обеспечении экономической эффективности
системы, что имеет прямое влияние на стабильность поставок газа потребителям. Разработка эффективных методов проверки данных становится жизненно важной задачей для обеспечения безопасного и надёжного функционирования газотранспортных систем [2].
Целью данного исследования является использование возможностей нейронных сетей для задач валидации данных телеметрии ДКС с целью повышения точности, надёжности и актуальности информации, используемой для управления и мониторинга работы станций.
В процессе подготовки данных анализируются временные ряды параметров работы ДКС за 405 дней, включая давление, температуру, количество газа, частоту и мощность установки [3].
Для анализа выбраны следующие параметры телеметрии: давление, температура, скорость потока, частота вращения роторов компрессора и мощность установки. Давление измеряется на различных участках компрессорной станции для мониторинга и управления процессами сжатия газа.
Температура измеряется на входе и выходе компрессора, что помогает оценить эффективность работы и предотвратить перегрев оборудования. Скорость потока измеряет объём газа, проходящего через компрессор за единицу времени, что важно для определения производительности станции.
Частота вращения роторов компрессора напрямую влияет на производительность и эффективность процесса сжатия. Мощность установки контролируется для оценки эффективности и производительности системы. Выходное давление на выходе компрессора важно для оценки общей производительности и безопасности системы. Выходная температура помогает в мониторинге тепловых нагрузок на оборудование.
Выбор этих параметров обусловлен их критическим значением для работы компрессорной станции. Изменения в давлении могут указывать на проблемы в системе, такие как утечки или неэффективная работа компрессора, поэтому контроль давления помогает поддерживать стабильность и безопасность процесса сжатия газа.
Контроль температуры важен для предотвращения перегрева оборудования, что может привести к поломке или снижению эффективности. Скорость потока позволяет оценить производительность станции и управлять потоком газа для оптимизации работы. Оптимальная частота вращения помогает повысить эффективность и продлить срок службы оборудования. Мощность установки влияет на общее энергопотребление и эффективность компрессорной станции, контроль этого параметра важен для оптимизации работы.
Высокое выходное давление свидетельствует о правильной работе компрессора и помогает в оценке эффективности и безопасности работы станции. Высокая выходная температура может указывать на проблемы с теплообменом или перегревом оборудования, и контроль этого параметра помогает предотвратить аварийные ситуации.
Подготовка данных является критически важным этапом в процессе создания модели машинного обучения. Данные телеметрии, используемые в данном исследовании, проходят несколько стадий предобработки для обеспечения их качества и пригодности для анализа.
Удаление выбросов проводится с использованием статистических методов, таких как межквартильный размах, чтобы избежать их влияния на обучение модели [4]. Пропуски в данных заполняются с использованием методов интерполяции или статистических моделей, таких как среднее или медианное значение. Нормализация данных в пределах диапазона от 0 до 1 обеспечивает стабильность и эффективность обучения модели.
Для анализа взаимосвязей проводится расчёт множественной корреляции. Этот метод позволяет оценить общее влияние параметров друг на друга и их связь в моделировании ДКС. Значения множественной корреляции представлены в табл. 1.
Таблица 1
Значения множественной корреляции параметров
Параметр ДКС Обозначение Значение множественной корреляции
Давление на входе P_input 0.993
Температура на входе T_input 0.974
Давление на выходе P out 0.966
Температура на выходе T_output 0.983
Количество проходящего газа Q 0.946
Мощность N 0.979
Частота Freq 0.987
Высокие значения множественной корреляции, близкие к 1, указывают на сильную взаимосвязь между параметрами.
Для сглаживания временных рядов и заполнения оставшихся пропусков в данных применяется интерполяция, включая линейную интерполяцию, сплайновую интерполяцию и интерполяцию с использованием радиальных базисных функций (RBF). Подготовленные данные становятся готовыми для использования в процессе обучения модели MultiCNN_LSTM, обеспечивая высокое качество данных и улучшение точности и надёжности модели машинного обучения.
В последние годы нейронные сети и методы глубокого обучения показали свою эффективность в решении сложных задач анализа данных [5-8]. В частности, модели LSTM способны эффективно извлекать пространственно-временные зависимости из данных, что делает их перспективными для задач валидации данных телеметрии. Однако применение таких моделей требует тщательного подхода к подготовке данных и выбору архитектуры сети, чтобы достичь высокой точности и надёжности прогнозов.
В архитектуре MultiCNN_LSTM объединение CNN и LSTM образует узел, комбинация из которых формирует ансамбль по структуре, аналогичный классической НС. Структура MultiCNN_LSTM приведена на рис. 1.
Рисунок 1 - Структура нейронной сети
Эта архитектура предназначена для эффективного извлечения пространственно-временных зависимостей из данных телеметрии, что делает её особенно полезной для анализа временных рядов, характеризующихся сложными и динамическими изменениями. Несколько CNN слоев применяются для выделения локальных пространственных признаков из входных данных [9]. Пуллинг применяется для уменьшения размерности данных, что помогает снизить вычислительные затраты и избежать переобучения [10].
После извлечения пространственных признаков данные передаются в слои LSTM, которые предназначены для обработки временных зависимостей. В конце модели используются полносвязные
слои для интеграции информации, полученной на предыдущих этапах, и выдачи окончательных прогнозов. Комбинация CNN и LSTM блоков предоставляет несколько ключевых преимуществ, включая эффективное извлечение признаков, уменьшение размерности данных и улучшение точности прогнозов [11, 12].
Модель MultiCNN_LSTM может быть эффективно обучена на больших объемах данных, что позволяет ей учитывать разнообразие и динамичность параметров работы ДКС. Это, в свою очередь, способствует повышению точности и надёжности валидации данных, что является критически важным для обеспечения безопасности и эффективности работы дожимных компрессорных станций [13].
Для обучения и валидации модели используется набор данных телеметрии ДКС, включающий параметры, описанные ранее. Данные разделяются на тренировочный, валидационный и тестовый наборы для оценки производительности модели [14, 15]. Обучение проводится с использованием оптимизатора Adam и функции потерь MSE (среднеквадратичная ошибка). Основные метрики оценки модели включают коэффициент детерминации, среднюю абсолютную процентную ошибку (MAPE) и медианную абсолютную процентную ошибку (Median APE).
Для оценки качества прогнозов модели MultiCNN_LSTM использовались метрики такие как коэффициент детерминации (R2), средняя абсолютная процентная ошибка (MAPE) и медианная абсолютная процентная ошибка (Median APE). Коэффициент детерминации измеряет долю дисперсии зависимой переменной, объясняемой независимой переменной, и значения близкие к 1 указывают на хорошее объяснение изменчивости целевой переменной. MAPE измеряет среднее значение абсолютных процентных ошибок между предсказанными и фактическими значениями, а Median APE измеряет медианное значение абсолютных процентных ошибок. Низкие значения MAPE и Median APE указывают на высокую точность модели. Значения метрик, полученные для каждого параметра приведены в табл. 2.
Таблица 2
Значения метрик для каждого параметра
P_input T_input P_out T_output Q N Freq
R2 0,999967 0,999994 0,999981 0,999976 0,999987 0,999972 0,999982
MAPE 0,020980 0,120667 0,008914 0,015897 0,012698 0,035982 0,008711
Median APE 0,012154 0,071086 0,005840 0,009928 0,008344 0,021895 0,005786
На тестовом наборе данных модель MultiCNN_LSTM показала высокую точность прогнозирования. Высокие значения коэффициента детерминации (R2) показывают, что модель хорошо объясняет изменчивость целевых переменных. Низкие значения MAPE и Median APE подтверждают точность прогнозов в процентном отношении.
Преимущества предложенного подхода включают высокую точность прогнозов благодаря использованию CNN и LSTM блоков, адаптивность модели к различным типам данных телеметрии и объяснимость результатов через высокие значения коэффициента детерминации. Однако, предложенный подход имеет и ограничения: требовательность к вычислительным ресурсам, необходимость большого объёма данных для обучения и сложность настройки гиперпараметров модели и оптимизатора.
В данном исследовании представлена и проанализирована модель MultiCNN_LSTM, предназначенная для валидации данных телеметрии дожимной компрессорной станции. Основные выводы исследования заключаются в том, что предложенный подход демонстрирует высокую точность прогнозирования и способность эффективно обрабатывать временные ряды и пространственные зависимости в данных. Модель показала низкие значения ошибок и высокую корреляцию между прогнозируемыми и фактическими значениями, что подтверждает её эффективность.
Практическое значение результатов заключается в возможности использования модели
MultiCNN_LSTM для обеспечения надежности и безопасности работы компрессорных станций. Высокая точность прогнозов позволяет операторам своевременно выявлять и устранять потенциальные проблемы, что способствует снижению рисков и повышению эффективности работы оборудования.
Для дальнейших исследований рекомендуется рассмотреть следующие направления. Во-первых, изучение возможностей применения других архитектур нейронных сетей, которые могут улучшить точность и скорость обучения. Во-вторых, исследование методов уменьшения вычислительной сложности модели для её применения в условиях ограниченных ресурсов. В-третьих, разработка и тестирование моделей на более разнообразных наборах данных телеметрии, что позволит повысить универсальность и адаптивность предложенного подхода.
В итоге, данное исследование открывает новые перспективы для применения глубокого обучения в области обработки данных телеметрии и предлагает конкретные шаги для дальнейшего совершенствования и адаптации моделей к различным условиям эксплуатации. Список использованной литературы:
1. Поспелова Т.А., Харитонов А.Н., Юшков А.Ю. [и др.]. Интеллектуальный промысел и цифровое месторождение будущего // Нефтепромысловое дело. 2019. № 11. С. 83-91.
2. Козлов В.В., Стрекалов А.В., Харитонов А.Н. [и др.]. Быстродействующая табулированная модель дожимной компрессорной станции в составе цифрового двойника газового промысла // Автоматизация и информатизация ТЭК. 2022. № 9. С. 45-55.
3. Kulyk M., Abdullayev P., Yakushenko O. Development of a data acquisition method to train neural networks to diagnose gas turbine engines and gas pumping units / Eastern-European Journal of Enterprise Technologies. 2018. No 6. P. 55-63.
4. Катанов Ю.Е. Анализ и синтез информационных систем (обработка разнородных данных, геология): учебное пособие / Тюмень: ТИУ, 2020. - 159 c.
5. Kozlenko M., Zamikhovska O., Zamikhovskyi L. Software implemented fault diagnosis of natural gas pumping unit based on feedforward neural network / Eastern-European Journal of Enterprise Technologies. 2021. No 2. P. 99-109.
6. Zhang T., Bai H., Sun S. A self-adaptive deep learning algorithm for intelligent natural gas pipeline control / Energy Reports. 2021. No 7(1). P. 3488-3496.
7. Zhang T., Bai H., Sun S. Intelligent Natural Gas and Hydrogen Pipeline Dispatching Using the Coupled Thermodynamics-Informed Neural Network and Compressor Boolean Neural Network / Processes. 2022. No 10(2). P. 420-428.
8. Катанов Ю.Е. Нейросетевая модель прогнозирования скорости и режимов бурения скважин в сложнопостроенных коллекторах // Известия высших учебных заведений. Нефть и газ. 2021. № 1 (145). С. 55-76.
9. Ning F., Cheng Z., Meng D. Enhanced Spectrum Convolutional Neural Architecture: An Intelligent Leak Detection Method for Gas Pipeline / Process Safety and Environmental Protection. 2020. No 146(10). P. 239-246.
10. Катанов Ю.Е. Основы теории управления: учебное пособие / Тюмень: ТИУ, 2019. 171 с.
11. Pourfard A., Moetamedzadeh H., Madoliat R., Khanmirza E. Design of a Neural Network Based Predictive Controller for Natural Gas Pipelines in Transient State / Journal of Natural Gas Science and Engineering. 2019. № 62. С. 139-146.
12. Скобцов Ю.В, Соколов В.Б. Гибридные нейросетевые модели в задаче мультиклассовой классификации данных телеметрической информации малых космических аппаратов // Вестник ВГУ. 2022. No 3. P. 99-114.
13. Ebrahimi S., Afshari A. An Artificial Neural Network Model for Prediction of the Operational Parameters of Centrifugal Compressors: An Alternative Comparison Method for Regression / Journal of Sciences, Islamic Republic of Iran. 2020. No 31. P. 259-275.
14. Katanov Y., Vaganov Y., Cheymetov M. Neural simulation-based analysis of the well wall stability while productive seam penetrating / Mining of Mineral Deposits. 2021. T. 15. № 4. C. 91-98.
15. Horbiichuk M., Bila O., Zaiachuk Y., Humeniuk T. Method for evaluating technical condition of aggregates based on artificial intelligence / Engineering, Computer Science. 2020. No 2. P. 99-119.
© neTpyHMH M.O., 2024
УДК 004.622
Тощук С. Н.
Аспирант
Ростовского государственного экономического университета «РИНХ»,
г. Ростов-на-Дону
ФОРЕНЗИКА В СИСТЕМАХ NOT, ПРОБЛЕМЫ И ТЕНДЕНЦИИ РАЗВИТИЯ
Аннотация
Рассмотрены проблемы цифровой криминалистики в системах промышленного интернета вещей, пути решения и тенденции развития. Проанализированы разные направления форензики: Network forensics, Mobile device forensics, Forensic data analysis, Hardware forensic. Проведён анализ различных методов, алгоритмов и техник для проведения экспертиз в системах, основанных на технологии промышленного интернета вещей. Проведена оценка методов и техник при сборе и анализе сетевого трафика в системах IIoT.
Ключевые слова:
цифровая криминалистика, система промышленного интернета вещей, Network forensics, Mobile device forensics, Forensic data analysis, Hardware forensic.
Toschuk S. N.
Postgraduate student, Rostov State University of Economics,
Rostov-on-Don
FORENSICS IN IIOT SYSTEMS: ISSUES AND DEVELOPMENT TRENDS
Abstract
The article discusses the issues of digital forensics in Industrial Internet of Things (IIoT) systems, their solutions, and development trends. Various branches of forensics are analyzed, including Network forensics, Mobile device forensics, Forensic data analysis, and Hardware forensic. The article evaluates different methods, algorithms, and techniques for conducting expert examinations in IIoT-based systems. An assessment is made of the methods and techniques used in collecting and analyzing network traffic in IIoT systems.
Keywords:
digital forensics, Industrial Internet of Things system, Network forensics, Mobile device forensics, Forensic data analysis, Hardware forensic.
Современное состояние защищённости систем с промышленным интернетом вещей свидетельствует нам о том, что такие системы весьма уязвимы поскольку используют конфиденциальные
