Г аглоева Индира Эдуардовна
Gagloeva Indira Eduardovna Северо-Кавказский горно-металлургический институт (государственный технологический университет) The North Caucasian of Mining and Metallurgy institute (The state technological university) аспирант кафедры Информационных систем в экономике Post-graduate student, the Department of Information systems in economy
E-Mail: gagloeva_indira@mail.ru
05.13.01 Системный анализ, управление и обработка информации (промышленность)
Алгоритм функционирования интеллектуальной системы поддержки принятия решений для оценки технического состояния и эффективности процесса обновления и модернизации производственных фондов электроэнергетических объектов
Algorithm of the intellectual system operation for the decision-making support in evaluating of the technical state and renewal process efficiency and the production funds modernization of the electric energy objects
Аннотация: В статье проведен анализ основных этапов процесса оценки технического состояния оборудования и эффективности процесса обновления производственных фондов, разработана архитектура программного комплекса интеллектуальной системы принятия решений и алгоритмы функционирования ее модулей.
The Abstract: The article analyzes the main stages of the evaluation process for the equipment technical state and the production funds renewal efficiency, the software architecture of the decision-making intellectual systems was developed including its modules operation algorithms.
Ключевые слова: Электроэнергетический объект, система поддержки принятия решений, программный модуль, интеллектуальный анализ данных, хранилище данных, база знаний.
Keywords: Electric power facilities, decision support system, the program module, data mining, datastore, base of knowledge.
***
На современном этапе развития электроэнергетической отрасли особенно важны вопросы совершенствования методов оценки состояния оборудования и эффективности процесса обновления производственных фондов [2, 5]. Это обусловлено, прежде всего, значительной изношенностью основных средств и высоким уровнем инцидентов, приводящих к сбою подачи энергии. Текущая ситуация требует совершенствования процесса обновления и модернизации инфраструктуры путем продления ресурса оборудования, определения приоритетов в их замене и предотвращения сетевых сбоев [3].
Перечисленные задачи решаются как с помощью разработки новых и cовершенствования уже существующих способов оценки текущего состояния оборудования, прогнозирования, планирования, так и внедрения информационных систем, основанных на
Институт Государственного управления, права и инновационных технологий (ИГУПИТ) Интернет-журнал «НАУКОВЕДЕНИЕ» №3 2013
методах искусственного интеллекта и принципах адаптивного управления.
Структурно процесс оценки технического состояния электроэнергетического оборудования и определения эффективности обновления производственных фондов можно разделить на следующие этапы: наблюдение и контроль, анализ, оценка технического состояния, прогнозирование, планирование, принятие решений и реализация решений (рис.1).
Входящие
данные
Наблюдение и контроль
Результаты
выполненных
мероприятий
Прогноз технического состояния
Реализация
решений
Утвержденные
решения
Принятие
решений
Рис. 1. Модель оценки технического состояния оборудования и определения эффективности процесса обновления производственных фондов электроэнергетического объекта
К основным функциям предложенной системы относятся: непрерывный контроль состояния оборудования, оценка технического состояния, предотвращение нештатных ситуаций, планирование программ обновления и модернизации, с помощью методов интеллектуального анализа данных и принятия решений. Не менее важным является этап реализации решений, так как система позволяет дать оценку эффективности принятых к исполнению решений и проведенных мероприятий, что способствует оптимизации процесса распределения финансовых ресурсов выделенных в рамках инвестиционной программы.
Политика инновационного развития электроэнергетической отрасли на базе концепции интеллектуальной энергосистемы с активно-адаптивной сетью, стимулирующая внедрение новых средств автоматизации и контроля технологических процессов, способствует постоянному увеличению объемов обрабатываемой и анализируемой информации. Это накладывает особые требования к процессу выбора схемы построения хранилища данных (ХД), используемому программному и аппаратному обеспечению.
На рис.2 приведена архитектура программного комплекса для оценки состояния и эффективности процесса обновления и модернизации производственных фондов электроэнергетических объектов.
Разрабатываемая информационная система должна обладать расширенной функциональностью, что достигается путем разработки и внедрения в систему ряда взаимодействующих между собой модулей:
модуль сбора, предварительной обработки и хранения данных;
• модуль анализа данных;
• модуль принятия решений.
Модуль сбора, предварительной обработки и хранения данных осуществляет прием потоков информации из внешних источников (систем мониторинга, систем электронных паспортов основных средств, автоматизированных систем контроля и учёта энергоресурсов, систем внешнего аудита объектов, подсистем сбора данных о внешней среде) и
преобразование в форматы, подходящие для хранения и последующей обработки.
Рис. 2. Архитектура программного комплекса для оценки состояния и эффективности процесса обновления и модернизации производственных фондов электроэнергетических объектов
Рассматриваемый модуль функционирует по следующему сценарию. По заданному регламенту в хранилище собираются данные из различных источников. В ХД поддерживается хронология: наравне с текущими хранятся исторические данные с указанием времени, к которому они относятся. В результате необходимые доступные данные об объекте управления собираются в одном месте, приводятся к единому формату, согласовываются и, в ряде случаев, агрегируются до минимально требуемого уровня обобщения [8]. Алгоритм функционирования модуля сбора и предварительной обработки данных приведен на рис.3.
Перемещение данных в хранилище состоит из следующих этапов: извлечение, преобразование, интеграция, очистка и загрузка. Программные средства преобразования данных выполняют извлечение информации из разнородных источников и ее обработку. Перед загрузкой поля из исходных баз данных идентифицируются, изменяются, упорядочивается их движение. После загрузки осуществляется очистка данных, проверка их согласованности и выявление противоречивых записей, создаются списки ошибок и отчеты об исключениях. Результаты обработки данных наглядно отображаются средствами визуализации.
Таким образом, модуль сбора, предварительной обработки и хранения данных должна обеспечивать решение следующих задач:
• извлечение данных о техническом состоянии оборудования из внешних источников;
• выявление и удаление ошибок и несоответствий в данных с целью улучшения качества данных;
• консолидация различных представлений данных и исключение дублирующейся
информации;
согласование источников данных, поступающих в хранилище; отображение информации на экранном интерфейсе.
Рис. 3. Алгоритм процесса предварительной обработки данных о техническом состоянии
электроэнергетического оборудования
Процесс предварительной обработки данных играет важную роль, так как сохраненная в хранилище информация в последующем используется для принятия решений, следовательно, чтобы некорректные данные не привели к недостоверным выводам необходимо обеспечить высокую достоверность поступающих данных.
Для интеллектуальной обработки информации и последующего принятия оперативных решений, подготовленные данные из ХД направляются в модуль анализа, состоящего из подсистемы интеллектуального анализа данных и базы знаний.
Подсистема интеллектуального анализа осуществляет контроль отклонений
Институт Государственного управления, права и инновационных технологий (ИГУПИТ) Интернет-журнал «НАУКОВЕДЕНИЕ» №3 2013
параметров функционирования оборудования и дает оценку текущего технического состояния (рис.4). При выявлении отклонений или же в зависимости от запрашиваемых пользователем данных из базы знаний вызывается соответствующий вид модели. В случае наличия нештатной ситуации строится прогноз развития процессов, проводится анализ последствий, формируются рекомендации для восстановления работоспособного состояния и предотвращения выхода из строя. Также в процессе интеллектуального анализа происходит выявление скрытых закономерностей, трендов и колебаний.
Нет_
Прогнозирование развития процессов
Сообщить об отсутствии рекомендаций
Нет-
Сохранить результат в архив прогнозов
Конец
Рис. 4. Общий алгоритм интеллектуального анализа данных и оценки текущего состояния
оборудования электроэнергетического объекта
Интеллектуальные средства извлечения информации позволяют почерпнуть из базы данных более глубокие сведения, чем традиционные системы оперативной обработки транзакций (ОЬТР) и оперативной аналитической обработки (ОЬЛР). Выведенные из данных закономерности и правила можно применять для описания существующих отношений и закономерностей, а также для принятия решений и прогнозирования их последствий [6].
К основным функциям выполняемых модулем анализа данных относятся:
• непрерывный контроль текущих параметров функционирования оборудования;
• своевременное выявление отклонений в работе и оповещение персонала;
• прогнозирование развития событий и последствий;
• поиск способов восстановления нормального режима функционирования;
• сохранение работоспособного состояния объекта;
• объективная оценка текущего состояния основного средства;
• накопление базы знаний;
• выявление скрытых закономерностей.
Результаты интеллектуального анализа передаются в модуль принятия решений, где происходит поиск оптимальных решений, определение приоритетов в замене оборудования в зависимости от заданных финансовых ресурсов, планирование работ и формирование программы модернизации и обновления инфраструктуры (рис.5).
_ Решение
^'---'.утверждено?
Сформировать план работ
Сохранить
утвержденные решения
Конец ^
Рис. 5. Общий алгоритм модуля принятия решений о состоянии электроэнергетического
оборудования
Рассматриваемый модуль содержит механизм логического вывода, обеспечивающий формирование заключений, воспринимая вводимые факты как элементы правил, отыскивая правила, в состав которых входят введенные факты, и, актуализируя те части продукций, которым соответствуют введенные факты [1].
В процессе или по результатам решения задачи пользователь может запросить объяснение или обоснование хода решения с этой целью система должна предоставить соответствующий механизм объяснения. Объяснительные способности системы определяются возможностью механизма вывода запоминать путь решения задачи [7].
Взаимодействие пользователя с системой на естественном языке обеспечивается с
помощью интеллектуального интерфейса, который включает диалоговый процессор, интерпретирующий профессиональный язык пользователя, и планировщик, преобразующий описание задачи в программу ее решения на основе информации, хранящейся в базе знаний.
Интеллектуальный интерфейс обеспечивает дополнительную степень гибкости системы поддержки принятия решений. Благодаря интерфейсу между системой и объектом управления осуществляется непрерывный мониторинг его параметров и как можно более раннее обнаружение неблагоприятных тенденций и отклонений в его состоянии [4].
Подсистема формирования отчетов позволяет в наглядной форме выводить сведения о принятых решениях, проведенных мероприятиях, детальный мониторинг реализации инвестиционной программы.
Контроль реализации является важным звеном предлагаемой системы поддержки принятия решений, так как позволяет не только определить степень реализации принятых решений и оценить эффективность выполненных работ, но и способствует накоплению знаний и дальнейшему самообучению системы.
Разработана архитектура программного комплекса и алгоритмы функционирования основных модулей интеллектуальной системы поддержки принятия решений, применение которой позволит:
дать объективную оценку состояния объекта на данный момент времени; выявлять неисправности и отслеживать динамику их развития; прогнозировать остаточный ресурс;
повысить надежность, безопасность и эффективность эксплуатации;
определить приоритеты при обновлении и модернизации оборудования, исходя из заданных или планируемых объемов инвестиций;
проводить детальный мониторинг реализации инвестиционной программы;
оптимизировать процесс обновления производственных фондов электроэнергетических объектов.
Заключение
ЛИТЕРАТУРА
1. Вывод в продукционных моделях. Механизм логического вывода и рекурсия.
http://www.aiportal.ru/articles/knowledge-models/mlv-recursion.html (дата
обращения: 29.04.2013).
2. Гаглоева И. Э., Добаев А. З. Применение систем автоматизации управления в интеллектуальных электроэнергетических сетях // Наука XXI века: новый подход: материалы II международной научно-практической конференции студентов, аспирантов и молодых учёных 28 сентября 2012 года, г. Санкт-Петербург. - Петрозаводск: ПетроПресс, 2012. - С.8-12.
3. Гаглоева И.Э. Анализ методов прогнозирования для интеллектуальной системы управления состоянием основных фондов электроэнергетических объектов // Актуальные вопросы современной техники и технологии [Текст]: Сборник докладов Х-й Юбилейной Международной научной конференции (г.Липецк, 26 января 2013 г.). / Отв. ред. А.В. Горбенко. - Липецк: Издательский центр «Гравис», 2013. - С.186-190.
4. Еремеев А.П. Экспертные модели и методы принятия решений. - М.: Изд-во МЭИ, 1995. -111 с.
5. Кумаритов А.М., Леонтьев А.В., Агаев В.С. К вопросу о перспективах использования инновационных проектов в теплоэнергетике и методах их автоматизации на примере республики северная Осетия - Алания // Аудит и финансовый анализ, Москва 2011, Т. 2. - С. 444-450.
6. Попов Э.В., Фоминых И.Б., Кисель Е.Б., Шапот М.Д. Статические и динамические экспертные системы: Учеб. пособие. - М.: Финансы и статистика, 1996. - 320с.
7. Хасанов В.Х., Бикмухаметов И.Х., Колганов Е.А. Информационные системы в экономике: Учеб. пособие. - Уфа: Уфимск. гос. акад. экон. и сервиса, 2008. -284 с.
8. Щавелев Л.В. Способы аналитической обработки данных для поддержки принятия решений // СУБД. - 1998. - № 4-5. - С. 51-60.
Рецензент: Кумаритов Алан Мелитонович, профессор, доктор технических наук, заведующий кафедрой «Информационные системы в экономике» Северо-Кавказского горнометаллургического института (государственного технологического университета).