Цифровое проектирование ТВЧ-процессов с использованием искусственного интеллекта для повышения энергоэффективности и надежности буровых насосов [Articol]

Abstract

Энергоэффективность и надежность буровых насосов являются ключевыми факторами стабильности нефтегазовой энергетики. Значительная доля эксплуатационных энергетических потерь связана с износом цилиндровых втулок и ростом трения в поршневой группе. В настоящем исследовании предложен подход к цифровому проектированию процессов поверхностной закалки токами высокой частоты (ТВЧ) с применением искусственного интеллекта для повышения энергоэффективности и долговечности буровых насосов типа УНБ600 (У8-6МА2). Разработана интеллектуальная модель, объединяющая методы машинного обучения и нечеткой логики, для оптимизации режимов нагрева, скорости перемещения индуктора и параметров охлаждения с учетом нелинейных зависимостей между процессами упрочнения и энергетическими показателями оборудования. Результаты моделирования демонстрируют снижение коэффициента трения и износа на 30–35%, повышение твердости поверхностного слоя до 48–52 HRC и увеличение ресурса оборудования без роста энергозатрат. Внедрение цифрового проектирования ТВЧ-процессов позволяет уменьшить энергопотребление при обработке и эксплуатации узлов, снизить частоту ремонтов и обеспечить повышение надежности насосного оборудования в топливно-энергетическом комплексе. Интеграция искусственного интеллекта в технологические процессы открывает перспективы создания интеллектуальных систем управления жизненным циклом энергонагруженных деталей и сокращения энергетических потерь на этапе эксплуатации.

This study is devoted to the digital design of the highfrequency induction surface hardening processes for the internal surfaces of У8-6МА2 pump cylinders using artificial intelligence (AI) methods. The focus is placed on the development of an intelligent model that combines machine learning algorithms and fuzzy logic for optimizing heating and cooling regimes. The proposed approach enables the consideration of nonlinear relationships between process parameters (frequency, temperature, inductor travel speed, and cooling intensity) and the target material properties. The modeling results demonstrate a significant improvement in the mechanical and tribological properties of the cylinder liner: surface hardness increased to 48–52 HRC, wear coefficient reduced by 30–35%, and operational lifetime of the equipment extended. The integration of digital design with AI ensures the selection of optimal HFС parameters with minimal energy consumption and an environmental impact. The scientific novelty of the work lies in the integration of AI methods into conventional induction hardening processes, opening prospects for the creation of intelligent control systems to enhance the reliability and durability of oil and gas pumping equipment.