CC BY
70
УДК 004.8.032.26
ПРОГНОЗИРОВАНИЕ ДИНАМИКИ ПОТЕНЦИАЛЬНО ОПАСНЫХ ПРОЦЕССОВ НА ОСНОВЕ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ
Э.Э. Чигбу, К.Ю. Гусев, В.Л. Бурковский
В статье рассматриваются анализ и моделирование динамики потенциально опасных процессов на производственных объектах, как сложной нелинейной системы на основе аппарата нейронных сетей. Проводится анализ взаимосвязи опасных факторов, приводящих к критическим изменениям динамики потенциально опасных процессов, с различной природой возникновения. В условиях постоянно увеличивающегося промышленного производства задача прогнозирования динамики потенциально опасных процессов является наиболее актуальной для повышения безопасности на объектах и уменьшения рисков для человека и окружающей среды. Прогнозирование динамики потенциально опасных процессов позволит не только повысить текущий уровень безопасности на производственных объектах, но и предложит возможность комплексного подхода к безопасности на стадии разработки проектной документации.
В условиях многокритериальности поставленной задачи, а также наличия выраженных нелинейных свойств у исследуемых объектов для решения задачи прогнозирования динамики потенциально опасных процессов предлагается использовать аппарат нейросетевого моделирования. Используется не классическая нейронная сеть, а нейронно-нечёткий модуль, объединяющий преимущества как нейронной сети, так и аппарата нечёткой логики. На уровне модели предлагается модернизация архитектуры модуля и предобработка сигнала для повышения качества прогноза. В результате предложенные процедуры повышения качества функционирования модели показали свою эффективность при прогнозировании динамики потенциально опасных процессов
Ключевые слова: потенциально опасный процесс, нейронная сеть, нечёткая система
Введение
Аварии последних десятилетий закономерно приводят к выводу: двигаясь по пути технического прогресса человек, подвергает себя все большему риску. Благодаря совершенствованию техносферы и медицины средняя продолжительность жизни человека значительно увеличилась. Созданная для защиты человека от внешних воздействий, в наше время техносфера становится источником опасности: растет мощность промышленных установок, усложняются технологии, возрастает влияние предприятий друг на друга, работа оборудования все больше зависит от действий персонала, управляющего им. Риск и масштаб аварий значительно возросли.
Необходимы меры по защите человека и окружающей среды от опасностей, порождаемых техносферой - аварий на опасных производственных объектах. Эти меры значимы на протяжении всего жизненного цикла производственного объекта, но особенно - на стадии его проектирования. Так как именно на этом этапе можно добиться значительного повышения безопасности объекта без существенного увеличения его стоимости. Обычно уровень
Чигбу Эдозие Энтони - ВГТУ, аспирант, e-mail: tonychiegbu@yahoo.com
Гусев Константин Юрьевич - ВГТУ, канд. техн. наук, старший преподаватель, e-mail:gussev_konstantm@mail.ra Бурковский Виктор Леонидович - ВГТУ, д-р техн. наук, профессор, e-mail: emses@mail.ru
опасности объекта, функционирующего в штатном, предусмотренном проектом режиме, несравненно ниже уровня опасности, который представляет объект в условиях аварийной ситуации. Соответственно, и оценки аварийного риска обычно имеют большие значения, чем оценки риска от того же объекта, функционирующего в штатном режиме. Различие оценок обычно бывает настолько большим, что именно оценки аварийного риска принимаются за меру уровня опасности, порождаемой производственным объектом.
Если проанализировать различные аварии на особо опасных объектах, можно выделить ряд общих причин: ошибки в проектах, неправильные решения о месте постройки объекта и режимах их эксплуатации, недооценка подготовки персонала, халатность и беспечность. Но анализ случившихся аварий не решает всех проблем. Необходимо не только находить «слабые звенья» в технологических цепочках, но и предсказывать, как будут развиваться события, вызванные аварией на опасных производственных объектах, указывать, как добиться уменьшения их последствий [1].
На смену технике безопасности - своду правил работы с техникой - должна прийти теория безопасности, или теория риска. Имея дело со сложными системами, теория риска не стремится проконтролировать все возможные аварии на объекте, поскольку рассмотреть все варианты не возможно, но стремится предотвратить события, приводящие к тяжелым ава-
риям на производстве. Различают следующие методы определения величины риска:
- статистический, опирающийся на статистическую обработку данных об авариях;
- модельный, строящий модели воздействия вредных факторов на человека и окружающей среды, которые могут описывать как последствия обычной работы предприятия, так и ущерб от аварий на особо опасных производствах [2];
- экспертный, основанный на оценке вероятности аварии на опасных производственных объектах не по данным вычислений, а по мнению опытных экспертов;
- социологический, основанный на определении уровня опасности по результатам социологических опросов больших групп людей.
При определении риска, как правило, используются одновременно несколько методов
[3].
Математическая модель
Во всех сколько-нибудь сложных системах присутствуют свойства, которые поддаются описанию с помощью нелинейных моделей, и для них естественны: ограниченность решений, колебательные и мультистационарные режимы, квазистохастическое пространственное и временное поведение. С учетом свойств, присущих сложным системам, необходимо перейти к нелинейному принципу, который более адекватно подходит к моделированию современных технических, технологических, информационных и социально-экономических систем.
Динамику возникновения опасных факторов на производстве можно отнести к динамике функционирования нелинейных объектов и, как следствие, в статье предлагается анализ и моделирование возникновения опасных факторов основе системы с нейронно-нечеткой логикой.
Структурно гибридная модель нечётко-нейронного модуля описывается выражением
У^ +1) =
N п Е Ут П еХР к=1 i=\ - и - хк ^2"
? \ г
N п ЕП ехр к=1 i=1 ( \ и - Хк ^ 2 ~
7 г У
или, представляется в качестве модели типа «чёрный ящик», реализующую функцию /
У^ +1) = / (и ). (2)
Для оценки точности функционирования модели прогнозирования вводятся параметры качества [4]:
- погрешность на выходе модуля - разность между эталонным и выходным значением модуля, абсолютная величина:
е = d - у^ +1); (3)
- среднеквадратическая ошибка (мера погрешности) - функция погрешности, возведённая в квадрат, дифференцируемая функция:
*=- у)2;
(4)
- доля периодов процесса, в которых прогнозируемое изменение (увеличение или уменьшение) и действительное изменения состояния экономического показателя (тренда) совпадают, измеряется в процентах:
к
z = -р- * 100%,
к
(5)
где Кр - количество временных периодов, в которых наблюдается совпадение изменений, Ке - общее количество временных периодов прогнозируемых показателей.
Введём обозначения элементов нейронной сети. Пусть на вход нейронной сети поступают дискретные значения, которые представим в виде вектора
и = (и1,и2,...,ип) (6)
или, если представить каждое входной значение в виде элемента дискретного временного ряда,
и = (У^), У^ - 2),., у^ - п)), (7)
где п - количество входов нейросетевой модели.
Первым этапом функционирования данной модели является составление из обучающей выборки базы знаний в виде пар «входной вектор»-«прогнозируемое значение». Данные в базе знаний сохраняются не в абсолютных значениях, а в виде функций принадлежности к соответствующим гауссовым кривым [5].
На втором этапе, используя сформированную базу знаний, составляется прогноз, путём вычисления степени принадлежности имеющейся ситуации и эталонной. Нечёткая система даёт возможность вычисления результата несколькими способами, в частности:
- прямое нахождение ситуации в базе знаний, имеющей наибольшую степень принадлежности к входной. Результатом является
совпавшее с найденной ситуацией «прогнозируемое значение»;
- вычисление результата по формуле
IЛ
У =
V
—; 1 = 1... п.
(8)
При вычислении прогнозируемого значения рассчитываются показатели качества осуществлённого прогноза. Непосредственно на вход нечёткой системы поступает массив изменений показателя в каждый момент времени:
В. = А. л- А.; 1 = 1...п, (9)
Где А -матрица значений, В - изменение значения в момент времени 1.
Результаты функционирования модели представлены на рис. 1.
7 972
7 974
7 976
♦ Вход
-А-Нечёткий поиск
7 978 7 980 - Точный поиск
Рис. 1. Результаты функционирования нечёткой модели
Архитектура нечётко-нейронного модуля
Представив нейронную сеть в виде графа (рис. 2) , вершинами которого являются функциональные модули, отметим наличие множества внутренних связей. Связи между слоями L1 и L2 являются наиболее значимыми при обучении нейронной сети и процессе функционирования.
Формализуем внутренние связи нейронной сети в виде двумерного бинарной матрицы:
- «1» - связь присутствует;
- «0» - связь отсутствует.
Такое представление упрощает процесс модификации внутренних связей для оптимизации скорости и точности функционирования системы. Поскольку задача поиска оптимальной матрицы внутренних связей многоэкстремальная и многокритериальная, что осложняет поиск глобального экстремума среди множе-
ства локальных. Предлагается использовать метод перебора (равномерного поиска) и генетический алгоритм для решения поставленной задачи. Выбор метода равномерного поиска не случаен, поскольку, не смотря на потраченные в процессе оптимизации ресурсы, будет найден глобальный экстремум. Применение данного метода предложено для проверки функционирования генетического алгоритма на определённом этапе оптимизации.
Проектирование архитектуры нейронно-нечёткого модуля состоит из следующих шагов [9] (в соответствии с типовым циклом эволюции):
Шаг 1. Декодирование каждой особи текущей популяции для описания архитектуры модуля.
Шаг 2. Обучение каждого модуля с архитектурой, полученной на первом шаге, с помощью заранее заданного правила (некоторые его параметры могут адаптивно уточняться в процессе обучения). Обучение должно начинаться при различных случайно выбираемых начальных значениях весов и параметров правила обучения.
Шаг 3. Оценивание приспособленности каждой особи по достигнутым результатам обучения, то есть по наименьшей целой среднеквадратичной погрешности обучения либо на основе тестирования, если наибольший интерес вызывает способность к обобщению, наименьшая длительность обучения или упрощение архитектуры (минимизация количества нейронов и связей между ними).
Рис. 2. Структура модуля
Шаг 4. Репродукция особей с вероятностью, соответствующей их приспособленности
или рангу в зависимости от использования метода селекции.
Шаг 5. Формирование нового поколения в результате применения таких генетических операторов, как скрещивание, мутация и/или инверсия.
Для повышения точности моделирования предлагается ввести пробные шаги внутри одной итерации по аналогии с двухшаговым методом наименьших квадратов [6].
В качестве пробного шага искусственно включим в уравнение функционирования нейронной сети промежуточную переменную У ^ + И):
у^ +1) = / (и у ),
У (10)
иУ =(У^ + ul, ^ ., ии-1Х
где И = 0.1 - величина пробного шага.
Процесс прогнозирования предлагается разделить на два этапа:
- на первом этапе находится промежуточная переменная у(Х + И), как выходная величина нейросетевой модели, на которую подаются значения вектора и.
Если временной интервал поступления информации в нейронную сеть меньше требуемого временного интервала прогноза, то после расчёта промежуточной переменной у+ И) появляется возможность корректировки прогноза у посредствам нахождения погрешности прогноза и «дообучения» нейронной сети:
8 = у^ + И) - d(t + И) . (11)
- на втором этапе формируется новый вектор иу с учётом полученного значения и подаётся на вход нейронной сети.
Заметим, что при h=1 выполняется 2 идентичных друг другу шага прогнозирования, а при h = 0 первый шаг является неэффективным. Таким образом, для эффективности ме-
тода h должно быть выбрано в пределах [0,25...0,75].
Обучение нейросетевой модели на обучающей выборке происходит в течении 200 эпох.
Заключение
Проведённый анализ опасных факторов на производственных объектах, определил основные проблемы данной предметной области. В результате, разработан нечетко нейронный модуль для моделирования динамики нелинейных объектов на основе численных методов и аппарата нечёткой логики, обеспечивающих высокое качество и точность моделирования.
Литература
1. Безбородова, О. Е. Теория риска для управления качеством окружающей среды [Текст] : учеб. пособие по курсу "Упр. охраной окружающей среды" / О.Е. Безбородова. - Пенза : Изд-во Пенз. гос. ун-та, 2004.
- 95 с.
2. Ткалич, С.А. Оптимальное календарное планирование работ в системе безаварийного управления АЭС [Текст] / С.А. Ткалич, В.Л. Бурковский // Вестник Воронежского государственного технического университета.
- 2016. - Т. 12. - №. 3. - С. 16-20.
3. Гусев, П.Ю. Имитационное моделирование производства деталей из полимерных композиционных материалов [Текст] / П.Ю. Гусев, М.И. Чижов, Ю.С. Скрип-ченко // Компьютерные исследования и моделирование. -2014. - Т. 6. - №. 2. - С. 245.
4. Бурковский, В. Л. Моделирование динамики нелинейных объектов на основе нечёткой нейронной сети [Текст] / В.Л. Бурковский, К.Ю. Гусев // Вестник Воронежского государственного технического университета.
- 2014. - Т. 10. - №3-1. - С. 13-17.
5. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы: пер. с польск. И.Д. Рудин-ского [Текст] / Д. Рутковская, Л. Рутковский, М. Пилинь-ский.- М. : Горячая линия-Телеком, 2003. - 384 с.
6. Ярушкина, Н. Г. Основы теории нечетких и гибридных систем [Текст] / Н.Г. Ярушкина - М. : Финансы и статистика, 2004. - 320 с.
Воронежский государственный технический университет АО «Конструкторское бюро химавтоматики», г. Воронеж
PREDICTION OF THE DYNAMICS OF POTENTIALLY DANGEROUS PROCESSES ON THE BASIS OF NEURAL NETWORK MODELING
E. A. Chigbu - Postgraduate, Voronezh State Technical University, Voronezh, Russian Federation, e-mail: tonychiegbu@yahoo. com
K. Yu. Gusev - Candidate of Engineering Sciences, Senior lecturer, Voronezh State Technical University, Voronezh, Russian Federation, e-mail:gussev_konstantin@mail.ru
V.L. Burkovsky - Doctor of engineering Sciences, Full Professor, Voronezh State Technical University, Voronezh, Russian Federation, e-mail: emses@mail.ru
The article deals with the analysis and modeling of the dynamics of potentially dangerous processes in industrial objects, as a complex nonlinear system based on neural networks. The analysis of the relationship of threat factors leading to critical changes in the dynamics of potentially dangerous processes with different nature of appearance. In the conditions of constantly increasing industrial production the problem of forecasting the dynamics of potentially dangerous processes is the most relevant to improve safety and reduce risks to humans and the environment. Forecasting in tensile-hazardous processes will not only increase the current level of security at industrial facilities, but also offer the opportunity for an integrated approach to security in the development phase of the project documents.
In the context of multicriteria tasks, as well as the presence of pronounced non-linear properties of the studied objects to solve the problem of predicting the dynamics of potentially hazardous process it is proposed to use the apparatus the neural network modeling. Used not classical neural network, a neuron-fuzzy module that combines the benefits of both neural networks and fuzzy logic. At the level of the model proposed modernization of the architecture of the module and the signal preprocessing to improve the quality of the forecast. As a result, the proposed procedures improve the quality of the functioning of the model has shown its effectiveness in predicting the dynamics of potentially dangerous processes Key words: potentially dangerous process, neural network, fuzzy system
References
1. Bezborodova, O. E. Teorija riska dlja upravlenija kachestvom okruzhajushhej sredy : ucheb. Posobie [The theory of risk management of environmental quality : a tutorial] . - Penza : Penz. state University, 2004. - 95 p.
2. Tkalich S. A., Burkovsky V. L. Optimal'noe kalendarnoe planirovanie rabot v sisteme bezavarijnogo upravlenija AJeS [Optimal scheduling system for trouble-free plant control] // Herald of the Voronezh state technical University. - 2016. - Vol. 12. no. 3. - P. 16-20.
3. Gusev Y. P., Chizhov M. I., Skripchenko S. Yu. Imitacionnoe modelirovanie proizvodstva detalej iz polimernyh kompozicionnyh materialov [Simulation modeling of production of parts made of composite materials] // Computer research and modeling. - 2014. - T. 6. no. 2. - P. 245.
4. Burkovsky V. L., Gusev, Y. K. Modelirovanie dinamiki nelinejnyh ob#ektov na osnove nechjotkoj nejronnoj seti [Modeling the dynamics of nonlinear objects by fuzzy neural network] // Herald of Voronezh state technical University. - 2014. - T. 10. - No. 3-1. - S. 13-17.
5. Rutkowski D., Rutkowski L., Pilinski M. Nejronnye seti, geneticheskie algoritmy i nechetkie sistemy [Neural networks, genetic algorithms and fuzzy systems]: translated from Polish by I. D. Rudinsky.- M. : Hot line-Telecom, 2003. - 384 p.
6. Yarushkina N. G. Osnovy teorii nechetkih i gibridnyh system [Fundamentals of the theory of fuzzy and hybrid systems] .- M. : Finance and statistics, 2004. - 320 p.
