Deutsch
Francais
Nederlands
Svenska
Norsk
Dansk
Suomi
Espanol
Italiano
Portugues
Magyar
Polski
Cestina
Русский
A hidraulikus vezérlőrendszerben szinte az összes energia elektromos energia bemenetről származik. Az elektromos energia hidraulikus energiává alakítását a szivattyú végzi el. A hidraulikus energia egy akkumulátorban tárolódik. Amikor a vezérlési parancs érkezik, a hidraulikus energia különböző irányító szelepeken keresztül eloszlik és eljut a vezérelt célhoz.
A motor bemeneti teljesítménye, P′, kiszámítható az alábbi képlettel:
P′ = √3 × U × I,
ahol U a motor bemeneti feszültsége, I pedig a motor bemeneti áramának értéke. Az U és I értékek a tápegységhez csatlakoztatott érzékelőkkel mérhetők. A motor bemeneti energiája, Win m, az alábbi képlettel számítható ki:
Win m = P′ × tm,
ahol tm a motor működési ideje. A motor kimeneti teljesítménye P szintén kiszámítható a motor és a szivattyú közötti kimeneti nyomaték alapján. A motor nyomatékának, T, mérésével a motor kimeneti teljesítménye az alábbi képlettel számítható:
Pout m = (T × n) / 30,
ahol n a motor fordulatszáma.
Az akkumulátor működése során a hidraulikus energia átalakulása az ideális gáz törvényének megfelelően történik. Az akkumulátor állapotának változása során nem történik hőenergia-csere a külvilággal. Az akkumulátorban tárolt energia Eacc a következő módon számítható:
Eacc = P × V0 × ln(Pacc / P0),
ahol P0 az akkumulátor kezdeti nyomása, V0 a tárolóeszköz kezdeti térfogata, Pacc pedig az akkumulátor aktuális nyomása.
A hidraulikus vezérlő szelep és a nyomás szabályozó szelep működése során az energia abszolút értékének közvetlen számítása nehéz. Azonban az általunk javasolt modellben az input és output energia relatív értéke az alábbi módon számítható:
Ein = Eout,
ahol Ein az input energia, Eout pedig a kimeneti energia. Az Ein és Eout energiaértékei az alábbi képlettel kapcsolódnak egymáshoz:
qin × Pin = qout × Pout,
ahol qin és qout az input és output áramlás, míg Pin és Pout az input és output nyomás értékei.
A hidraulikus vezérlőrendszer működése során az olaj keringése az olajtartály, a szivattyú, az akkumulátor, a szelep és az aktuátor között történik. A folyadékáramlás modellezésének alapja a tömeg-áramlás-sebesség modell. A modellben a tömeg-áramlás a szelep által előírt áramlás szintjétől függ, amelyet az alábbi képlettel lehet meghatározni:
ahol pu az áramló folyadék felületi nyomása, pd pedig az áramló folyadék alsó nyomása. A m a szelep áramlása, γ pedig a folyadék fajhő viszonyának értéke. Az értékek, mint a k, a, b és rth a következőképpen vannak meghatározva:
a = √(γ + 1) / (γ − 1),
b = √(2γ / (γ − 1)),
rth = 2 / (γ − 1).
A szelep kimeneti folyadék áramlása az akkumulátorhoz vagy az aktuátorhoz vezet, ahol a hidraulikus energia mechanikai energiává alakul át. A modellben az akkumulátorokat és a vezérelt objektumokat zárt kamraként modellezik, amelyek külső energiát képesek leadni. A rendszerben a tömegáram-kapcsolatokat az alábbi képlettel számíthatjuk ki:
pd × Vd = m × R × T.
Az információ áramlása a hidraulikus vezérlőrendszerben szintén kulcsfontosságú szerepet játszik. A vezérlő rendszer információs áramlási formái közé tartozik az elektromos vezérlőjel, az alacsony nyomású olajjel és a magas nyomású olajjel. Az információ áramlási modell feladata, hogy meghatározza az összes vezérlőkomponens közötti interakciókat, és a reakciók időbeli és tartalmi jellemzőit. Az áramlási modell az egyes komponensek közötti válaszidők és nyomásjellemzők mérésén alapul.
A rendszer megfelelő működése érdekében a válaszidők meghatározása alapvető fontosságú. A válaszidő (Δt1, Δt2, Δt3, Δt4, Δt5) a rendszer minden egyes komponense közötti jelátvitel és válaszadás időtartamát írja le, és meghatározza a rendszer reakcióképességét.
Ezek a modellek és jellemzők fontos szerepet játszanak a hidraulikus vezérlőrendszer működésében és diagnosztikájában. Az energia áramlásának, az olajáramlásnak és az információ áramlásának részletes megértése lehetővé teszi a rendszer optimalizálását, a hibák felismerését és a megbízhatóság növelését.
Fontos továbbá, hogy a hidraulikus rendszerek bonyolultságának és a hibák diagnosztizálásának megértése segíti az ipari alkalmazások biztonságos és hatékony működését. A rendszer hibáinak pontos azonosítása és elemzése, különösen a teljes energiaáramlás, nyomás és áramlási viszonyok figyelembevételével, segíthet elkerülni a rendszer túlterhelését, leállásokat és meghibásodásokat, amely biztosítja a hosszú távú megbízhatóságot és hatékonyságot.
Hogyan számítható ki a subsea szelepek maradék élettartama (RUL)?
A maradék élettartam (RUL, Remaining Useful Life) egy olyan jövőbeli munkavégzési idő becslése, amelyet jellemzően a végső teljesítmény alapján számítanak ki (Hu et al., 2023). Az RUL meghatározásához szükséges figyelembe venni a meghibásodási módokat és a hibaküszöböt, amelyet az adott eszközök meghibásodási jellemzői határoznak meg. Amennyiben az eszköz teljesítménye kumulatív károsodás alapján kerül meghatározásra, az RUL a következő képlettel fejezhető ki:
Az RUL előrejelzésének eredményei gyakran bizonyos fokú bizonytalanságot tartalmaznak, amelyet gyakran valószínűségi sűrűségfüggvény (PDF) formájában ábrázolnak. Az előrejelzett RUL valós értékével történő összehasonlítása segít a prediktív módszerek pontosságának elemzésében.
A subsea szelepek kulcsszerepet játszanak az olaj- és gáziparban, mivel ezek szabályozzák a folyadékok áramlását az olaj- és gázkutakban, biztosítva a termelési rendszerek stabil működését. A szelepek jellemzően a tengerfenéken találhatók, és bonyolult környezetben, magas nyomású körülmények között működnek. Feladatuk az, hogy kinyissák, zárják vagy szabályozzák a folyadékáramlást, ezzel biztosítva a termelési rendszerek normál működését. Mivel a subsea szelepek telepítése és karbantartása rendkívül költséges, az RUL előrejelzése létfontosságú a rendszer megbízhatósága és az üzemeltetési költségek optimalizálása szempontjából.
A modern érzékelők és monitoring rendszerek lehetővé teszik a szelep állapotának és teljesítményének valós idejű nyomon követését. Az adatgyűjtés és prediktív modellek alkalmazásával az RUL előrejelzése lehetővé válik. Ez nemcsak a potenciális meghibásodások korai felismerését segíti, hanem optimalizálja a karbantartási ütemezéseket is, ezáltal csökkentve az üzemeltetési költségeket (Tobon-Mejia et al., 2012). Az olaj- és gáziparban azonban a subsea szelepek állapotát rögzítő időközök viszonylag nagyok, ami erősen diszkrét adatokat eredményez. Ennek következményeként az ilyen típusú szelepek monitoring adatainak felhasználása jól alkalmazható az RUL és egészségügyi állapot előrejelzésére.
A subsea karácsonyfák (subsea Christmas tree) szelepekből, csatlakozókból, valamint termelési és injektáló rendszerekből állnak, és ezek kontrollálják a termékek, vegyszerek, víz vagy gáz áramlását az olajkutakba. A szelep meghibásodása a subsea karácsonyfák egyik fő meghibásodási formája, ezért az RUL pontos előrejelzése biztosítja a rendszer normál működését. E munkában egy subsea szelep esetét választották, hogy bemutassák a javasolt módszert.
A kis mintavételi adatokkal történő RUL becslésének vizsgálatához a következő folyamatot alkalmazták: a szelepek állapotadatainak rögzítésére érzékelőket használtak, amelyek az adatokat egy monitoring platformra továbbították. Az előrejelzést a kis minták alapján végezték el, és az eredményeket megbízhatósági tesztekkel validálták. A szelep valós magasnyomású környezetének szimulálása érdekében magasnyomású kamrát használtak, hogy teszteket végezzenek a szelep élettartamának és megbízhatóságának meghatározására.
A szelep állapotának értékelése az érzékelőkkel mért nyomásadatok alapján történik. A szelep optimális állapotában a nyomás és a különböző paraméterek megfelelnek a tervezési normáknak és a szakértői tapasztalatoknak. A szelepeket rendszeres időközönként tesztelik, és a tesztelési eredmények alapján meghatározzák az optimális nyomásértékeket és a meghibásodásig elérhető nyomásküszöböket.
A szelepek állapotának értékeléséhez használt egyik kulcsfontosságú mutató a HI (Health Indicator), amely a szelep teljesítményének állapotát méri. A nyomásadatok alapján az HI értéke változik, és amikor a szelep nyomása eléri a meghibásodási küszöböt, az HI értéke közelíti a nullához. Az optimális állapot és a meghibásodási küszöb közötti különbség meghatározza az HI értékét, amely segít meghatározni a szelep RUL-ját.
A szelep HI értékének számítása Bayesi-hálózatok (BN) alkalmazásával történik. Az optimális állapot és a meghibásodási nyomás küszöbének figyelembevételével a BN modellezése lehetővé teszi az RUL és az HI közötti kapcsolat meghatározását, így a szelep teljesítményének és várható élettartamának előrejelzése pontosabbá válik.
A subsea szelepek RUL előrejelzése nemcsak a karbantartás és üzemeltetés optimalizálása szempontjából fontos, hanem az iparági biztonság szempontjából is. A prediktív modellek alkalmazása révén csökkenthető a termelési leállások kockázata, és biztosítható, hogy a szelepek megfelelő időben cserélhetők vagy javíthatók, elkerülve ezzel a drága üzemzavart.
A valós idejű monitorozás és a prediktív karbantartás fejlődése révén egyre pontosabbá válik a subsea szelepek élettartamának előrejelzése. Ezen rendszerek folyamatos fejlesztésével nemcsak a költségek csökkenthetők, hanem a termelési rendszerek megbízhatósága is növelhető.
Hogyan befolyásolják a karbantartási stratégiák a rendszerek élettartamát és költségeit?
A karbantartási stratégiák hatása a rendszerek élettartamára és költségeire kulcsfontosságú tényező a hatékony üzemeltetésben. Az optimális karbantartás előkészítési küszöbértékek különböző leállási veszteségek esetén nem változnak, ami arra utal, hogy a karbantartási előkészítés túlzott mértékű, és nem mindig indokolt. Ez a jelenség tulajdonképpen a túlkarbantartás (over-maintenance) egyik példája. Az ilyen típusú karbantartás nem eredményez jelentős javulást a rendszer élettartamában, és nem éri meg gazdaságilag.
A karbantartási költségek különböző karbantartási stratégiák esetén minimális eltéréseket mutatnak. A rendszer életciklusának előrejelzésekor, amikor az előrejelzési hiba koefficiens értéke 0,05, és a karbantartás előkészítési ideje 40 nap, az előrejelzés elég pontos ahhoz, hogy meghatározható legyen a pontos RUL (Remaining Useful Life), amely lehetővé teszi a rendszer leállásának elkerülését és a leállási veszteség minimalizálását.
A karbantartási előkészítési költségek hatása különösen fontos. A különböző karbantartási előkészítési költségek mellett a karbantartás költsége és a teljes pótalkatrész-küszöb kapcsolatát vizsgálva megállapítható, hogy a karbantartási költségek kezdetben jelentősen csökkennek a pótalkatrészek küszöbének növekedésével, majd egy stabil szintre állnak be. Ha a pótalkatrész-küszöb alacsony, kevés alkatrész cserélhető, és a karbantartás nem mindig tökéletes. Több ilyen típusú karbantartás után az RUL javulása már nem lesz jelentős, és a karbantartás költségei nőnek. Ezzel szemben, ha a pótalkatrészek küszöbe magas, több alkatrész cserélhető, ami jelentősen javítja a rendszer RUL-ját, és lehetővé teszi a karbantartási időszakok meghosszabbítását. Az ilyen stratégiák csökkenthetik a karbantartások számát, ami végső soron a költségek csökkentéséhez vezet.
A predikciós hibák hatása szintén nem elhanyagolható. A pótalkatrész-megrendelési küszöb növekedésével a karbantartási költségek csökkenthetők. Amikor a pótalkatrész-megrendelési küszöb közel kerül a megrendelési időszakhoz, a karbantartási költség minimális értékre csökken, majd egy stabil szintet ér el. Ha a küszöb alacsonyabb, mint a megrendelési időszak, akkor a rendszernek leállnia kell, amíg a szükséges alkatrészek meg nem érkeznek, ami meghosszabbítja a leállás időtartamát. Ha a pótalkatrész-megrendelési küszöb meghaladja a megrendelési időszakot, előre kell rendelni az alkatrészeket, ami raktározási és karbantartási költségeket generál, de ezek a költségek általában alacsonyabbak, mint a leállás miatti veszteség.
Fontos figyelembe venni, hogy minél nagyobb a predikciós hiba koefficiens, annál magasabbak a karbantartási költségek. Az optimális pótalkatrész-megrendelési küszöb is magasabb lesz, ami azt jelenti, hogy az alkatrészek előre történő rendelése csökkenti a predikciós hibák hatásait.
A karbantartási stratégiák tervezésekor figyelembe kell venni a karbantartás előkészítési késedelmeit is. Az olyan összetett rendszerek esetében, ahol a munkakörnyezet kedvezőtlen és a karbantartási hozzáférhetőség korlátozott, gyakran előfordul, hogy még egy jól kidolgozott karbantartási stratégia sem elég ahhoz, hogy időben elérhetőek legyenek a szükséges eszközök és személyzet. Ennek következményeként a karbantartási késedelmek jelentős hatással lehetnek a rendszer teljesítményére és élettartamára.
Az optimális karbantartási megközelítés érdekében valós idejű megbízhatósági értékelések és karbantartási gyakorlatok végzése szükséges. Azonban a munkakörnyezet és az alkatrészekhez való hozzáférés hiányosságai miatt a karbantartás előkészítési ideje növekedhet, ami kihat a karbantartási időpontok meghatározására. A karbantartás előkészítési késedelmeit figyelembe kell venni, különösen akkor, amikor a rendszer állapotának előrejelzése nem teljesen pontos, és a karbantartási stratégiák késlekedése növeli a rendszer leállásának kockázatát.
A fenntartási stratégiák szoros összefüggésben állnak a rendszer üzembiztonságával és költséghatékonyságával. Ahhoz, hogy a karbantartási költségeket optimálisan csökkentsük és a rendszert minél hosszabb ideig működtethessük, szükség van a különböző tényezők, mint az előrejelzési hibák, a pótalkatrész-küszöbök és a karbantartás előkészítési idő figyelembevételére.