CC BY
26
фику телемеханики назначим больший CT, т.е. больший приоритет. Во второй, менее приоритетный туннель направим трафик данных ЛВС.
Полосу пропускания назначаем по модели матрешки Russian Dolls Model (RDM). Которая позволяет более эффективного использовать полосу пропускания за счет использования менее приоритетным трафиком неиспользуемой полосы пропускания предназначенной для более приоритетного трафика [5].
В ходе работы были рассмотрены основные проблемы проектирования мультисервисной сети доступа с высокими требованиями отказоустойчивости и качеством обслуживания, а также приведены технологии позволяющие реализовать данные параметры сети.
Список литературы:
1. Олвеин В. MPLS Структура и реализация современной технологии MPLS / Пер. с англ. - М.: Издательский дом «Вильяме», 2004. - 480 с.
2. Захватов М. Построение виртуальных частных сетей (VPN) на базе технологии MPLS: практическое пособие. - Cisco Press, 2002. - 52 с.
3. Вегешна Шринивас. Качество обслуживания в сетях IP: пер. с англ. -М.: Издательский дом «Вильяме», 2003. - 368 с.
4. Олифер В.Г., Олифер Н.А. Компьютерные сети. Принципы, технологии, протоколы: учебник для вузов. - 4-е изд. - СПб.: Питер, 2010. - 944 с.
5. Гольдштейн А.Б., Гольдштейн Б.С. Технология и протоколы MPLS СПб.: БХВ - Санкт-Петербург, 2005. - 304 с.
6. Technological site of Oliver [Электронный ресурс]. - Режим доступа: http://www.olifer.co.uk /new_rus/CN-4ed/aditions/MPLS_L3_VPN-final.html (дата обращения: 22.11.12).
МНОГОУРОВНЕВАЯ НЕЙРОСЕТЕВАЯ СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ДЛЯ ОПЕРАТИВНОГО УПРАВЛЕНИЯ НЕФТЕХИМИЧЕСКИМ ПРОИЗВОДСТВОМ
© Слетнёв М.С.*
Уфимский государственный нефтяной технический университет, г. Уфа
В статье предлагается архитектура и концепция разработки универсальной интеллектуальной СППР для применения в оперативном управлении нефтехимическими процессами и производствами.
* Кафедра Вычислительной техники и инженерной кибернетики. Научный руководитель: Буренин В. А., профессор кафедры Вычислительной техники и инженерной кибернетики, доктор технических наук.
Одним из способов повышения эффективности оперативного управления технологическими процессами на предприятиях ТЭК является применение технологий и систем поддержки принятия решений (Decision Support System, DSS). DSS - это интерактивная автоматизированная система, которая помогает лицу, принимающему решения, использовать данные и модели для решения задач штатного управления и принятия решений в нестандартных ситуациях.
NeuroDSS (Neuro Decision Support System) - система поддержки принятия решений для оперативного управления (ОУ) нефтехимическим производством (НХП), в которой для анализа состояния технологических процессов и поиска рекомендательной информации используются нейросетевые технологии и другие технологии искусственного интеллекта.
В предлагаемом подходе НХП рассматривается как набор технологических узлов с определенной иерархией, который можно представить в виде дерева декомпозиции (рис. 1).
Рис. 1. Дерево декомпозиции объектов НХП
Технологические узлы а^3 представляют собой технологические узлы первого уровня - узлы уровня максимальной декомпозиции НХП, это могут быть различные агрегаты, технологические установки и тому подобные объекты производства. Узлы первого уровня, объединяясь в группы, образуют узлы А,В, ..., 2, такие узлы могут представлять собой установки и цеха. Далее идут узлы а, которые могут представлять производственные группы (заводы) и узел О, представляющий все предприятие.
Данный подход к построению графовой модели НХП позволяет учесть особенности его функционирования, такие как наличие технологических цепочек и высокой степени взаимосвязанности технологических процессов производственных объектов.
Предлагается рассматривать каждый узел первого уровня как конечный автомат, принимающий конечное число состояний. Данный подход позволит
в каждый момент времени, обладая данными о наборе состояний группы узлов, сделать суждение о состоянии (статусе) всей группы, представляемой узлом второго уровня декомпозиции производства (установки, цеха). Таким образом, изменения, происходящие в режиме работы узлов первого уровня и влияющие на работу производства в целом, будут зафиксированы, что позволит парировать их потенциально негативное воздействие.
Узлы уровней выше первого также могут быть представлены в качестве конечных автоматов.
Для определения статуса (состояния) каждого из узлов первого уровня предлагается использовать интеллектуальные анализаторы на базе нейросете-вых технологий. Использование нейросетей обусловлено большим количеством измерений, имеющим место на НХП и нелинейным характером зависимостей между ними. Фактически ВА должны решать задачу многомерного анализа.
На сегодняшний день известны следующие типы подходов к ситуационному анализу: рассуждение на основе сравнения с эталонными ситуациями (case-based reasoning, CBR), рассуждение на основе модели (model-based reasoning, MBR) и рассуждение на основе правил (rule-based reasoning, RBR) [1].Предлагается использовать CBR для анализа состояний производственных узлов первого уровня, а для анализа ситуаций на остальных уровнях использовать любые из трех подходов. Выбор подхода для узлов первого уровня обусловлен тем, что MBR требует наличия модели высокой точности для узлов НХП, для обеспечения высокого качества распознавания ситуаций и минимального числа ошибочных выводов, а RBR требует наличия определенных правил, по которым можно однозначно определить состояние объекта в каждый момент. Не для всех производственных узлов НХП можно составить такие правила в силу специфики и характера самого производства, и тем более не для каждого технологического узла можно составить модель, удовлетворяющую требованиям по точности и отказам, предъявляемым к он-лайн анализу его состояния. Предлагается прибегнуть к подходу CBR, используя методы Data Mining и анализ ретроспективных технологических данных, настраивать виртуальные анализаторы состояния узлов с высокой точностью и проводить распознавание текущей ситуации на узле с использованием нейросетевых технологий.
В свою очередь, обладание данными об истории смены состояний узлов первого уровня, позволит строить модели либо выводить продукционные правила для построения анализаторов технологических узлов последующих уровней с использованием подходов MBR и RBR.
Рассматриваемый тип neuroDSS предназначается для интеграции в процесс оперативного управления производством с целью поддержки принятия решений (рис. 2) с обеспечением единого информационного поля и группового принятия решений.
Рис. 2. пеигоБ88 в контексте процесса оперативного управления производством
В данном случае система (выделена цветом) выступает в роли «советчика» для помощи ЛIIIР, всегда оставляя выбор варианта действия человеку, не участвуя в самостоятельном генерировании управляющих сигналов для исполнительных устройств, что не несет риска для работы технологических процессов, но повышает уровень осведомленности ЛПР о происходящих процессах (как явных, так и неявных) на управляемом им участке.
Отличительной чертой предлагаемого подхода к функционированию neuroDSS для НХП является организация работы с нейросетевыми структурами: на пользователя возлагается лишь приведение примеров возникновения тех или иных ситуаций на производстве на основе ретроспективных данных, все остальное (обучение нейросетей, включение анализаторов в работу) система берет на себя и выполняет самостоятельно в фоновом режиме.
Такой подход призван устранить один из сдерживающих факторов более интенсивного развития интеллектуальных систем в оперативном управлении НХП - необходимость привлечения узконаправленных специалистов по знаниям для конфигурации и настройки интеллектуальных модулей системы(в коммерческих продуктах подобного типа, например в описанном в [2]), что увеличивает затраты времени и финансов на обслуживание системы и поддержание ее в актуальном состоянии.
Таким образом, вся работа математического и прикладного характера возлагается на систему, не требуя специальных знаний в указанных областях от экспертов производства и привлечения специалистов указанного профиля для актуализации моделей системы.
С точки зрения архитектуры систем типа neuroDSS предлагается модульный подход к их построению, что обусловлено необходимостью обеспечения:
а) заменимости различных модулей системы с целью стимуляции новых разработок в рассматриваемой области и исследований;
б) переносимости программных разработок рассматриваемого класса систем на производства с различными программными и техническими средами;
в) замены интерфейса в зависимости от предпочтений пользователя, что также стимулирует исследования в области интерфейса интеллектуальных систем;
г) варьирования используемых программных реализаций технологий искусственного интеллекта (и других технологий, реализующих рассуждения о состоянии технологического процесса и поиска рекомендательной информации).
Архитектура предлагаемой neuroDSS представлена на рис. 3.
Рассмотрим архитектуру, представленную на рис. 3 подробнее.
Рис. 3. Архитектура типовой нейросетевой подсистемы поддержки принятия решений для ОУ в нефтехимической отрасли
Модуль I. Модуль сбора оперативных данных выполняет функцию сбора распределенных данных со SCADA-систем предприятия и их хранения. Может быть заменен на БДРВ при ее наличии; при отсутствии у компании системы уровня MES можно разработать или приобрести модуль сбора данных с OPC-интерфейсов всех имеющихся SCADA-систем. Это позволит внедрять neuroDSS на производствах, ограниченных в финансовых ресурсах и предприятиях с недостаточно развитым инструментарием АСУП.
Модуль II. Представляет собой инструмент интеллектуального анализа данных реального времени, предоставляемых модулем I. Программная реа-
лизация должна поддерживать замену интерфейсов взаимодействия с модулем сбора данных и ядра интеллектуальных функций для потенциальной модернизации последнего (альтернативных нейросетевых алгоритмов и других алгоритмов, реализующих функции ИИ).
Модуль III. Предназначен для вывода сигнализирующей и рекомендательной информации конечным пользователям-адресатам. Программная реализация данного типа модулей может разработана в виде, наиболее подходящем конкретному типу пользователей или предприятию благодаря тому, что данный блок осуществляет только считывание информации из блока интеллектуального анализа данных, а следовательно, изменения в концепции его реализации осуществляют минимальное воздействие на работу системы в целом. Такой подход к построению модуля данного типа способен стимулировать использование различных способов отображения информации, предназначенной для пользователей системы для нахождения наиболее оптимального и эффективного из них.
Модуль IV. Представляет сбой программный инструмент для организации работы экспертов по извлечению знаний. Так как обучение и последующее использование нейронных сетей, как указано выше, возлагается на саму систему, то в данном модуле обязательным условием является реализация проверки непротиворечивости вводимых данных, математической сходимости решаемых задач и адекватности готовых моделей.
Реализация экспертного модуля подобно другим модулям системы должна быть заменяема на другую, что позволяет экспериментировать с методами представления ретроспективных данных, ввода шаблонов (примеров) для нейронных сетей и работы с конфигурацией других интеллектуальных функций системы.
Важным условием достижения унификации систем рассматриваемого класса является база данных и знаний (БДиЗ).
Немаловажная особенность БДиЗ neuroDSS - открытая структура. Именно эта особенность обеспечивает условия для сторонних разработчиков интегрировать свои решения (модули) в систему. Кроме взаимозаменяемости модулей открытость БДиЗ позволяет внедрять новые дополнительные модули с одной стороны, с другой позволяя подключать саму систему в другие системы уровня MES, фактически делая из системы подсистему или модуль.
Ключевым моментом в построении типовой neuroDSS является блоч-ность ее архитектуры, то есть построение системы на основе блоков, которые могут быть заменены на другие блоки со схожей функциональностью. Данный подход обеспечивает:
а) стимулирование разработок в различных аспектах функционирования СППР включая сбор, валидацию и агрегирования данных (модуль I) нейросетевые методы ситуационного анализа и диагностики (модуль II), что позволит разработчикам и исследователям сосредо-
точиться на решении конкретной прикладной задачи и проводить испытания отдельных модулей без необходимости глубокого изучения и учитывать функционирования всей системы в целом;
б) максимальную гибкость системы (технического решения) при тиражировании ее на различные предприятия с разнообразными техническими решениями, относящимися к архитектуре MES-систем и АСУТП;
в) эволюцию системы в плане технических подходов реализации отдельных алгоритмов.
На основе предложенной методологии был разработан программный комплекс нейросетевой системы поддержки принятия решений для оперативного управления нефтехимическим производством, проходящий испытания в ОАО «Газпром нефтехим Салават». Публикация с описанием структуры программного комплекса и результатов его работы планируется в последующих статьях.
Список литературы:
1. Xia Rao. Knowledge architecture and system design for intelligent operation support systems // Expert Systems with Applications. - 1999. - № 17. -Р. 115-127.
2. Трошин С.И., Резников М.Б. Новые аналитические инструменты GE Intelligent Platforms // Автоматизация в промышленности. - 2001. - № 12. -С. 19-23.
НАДЕЖНОСТЬ МЕТАЛЛОКОНСТРУКЦИЙ АВТОМОБИЛЬНЫХ КРАНОВ
© Филь С.Н.*
Ростовский государственный строительный университет, г. Ростов-на-Дону
В статье приведены основные показатели надежности автомобильных кранов, перечислены часто встречаемые отказы стреловых самоходных кранов на автомобильном шасси.
Повышение эффективности работы автомобильных, кранов во многом зависит от качества их конструкции.
Кран с высоким качеством конструкции может находиться в эксплуатации регулярно и бесперебойно выполнять в заданный срок требуемые объ-
* Ассистент кафедры Технической эксплуатации и сервиса автомобилей и оборудования, соискатель.
