CC BY
31
А. В. КАЛАЧ, канд. хим. наук, доцент, заместитель начальника по научной работе Воронежского института ГПС МЧС России, г. Воронеж, Россия
А. Н. ПЕРЕГУДОВ, канд. техн. наук, старший преподаватель Воронежского института ГПС МЧС России, г. Воронеж, Россия
УДК 544.076
МОДЕЛИРОВАНИЕ СИСТЕМЫ ОБНАРУЖЕНИЯ ПОТЕНЦИАЛЬНО ВРЕДНЫХ И ТОКСИЧНЫХ ВЕЩЕСТВ В ЗАКРЫТЫХ ПОМЕЩЕНИЯХ В РЕЖИМЕ РЕАЛЬНОГО МАСШТАБА ВРЕМЕНИ
Рассмотрен методический подход к проведению газового анализа и предложена математическая модель системы обоняния, функционирующая на основе интеллектуальной обработки информации с использованием нейрокомпьютерной технологии и обеспечивающая принятие решений (распознавание) вредных и токсичных веществ в закрытых помещениях в режиме реального времени; разработана стратегия аналитического контроля органических токсикантов и потенциально вредных веществ, которая может быть использована в системах обнаружения, распознавания и принятия решений; предложена схема газового анализа вредных и токсичных веществ.
Ключевые слова: моделирование; система распознавания; нейронная сеть; алгоритм контроля органических токсических веществ.
Современный период развития жилищного строительства характеризуется сближением отечественных и зарубежных требований к качеству выполняемых работ, ростом запросов потребителей к экологии жилища и комфортности проживания в нем. Все это диктует необходимость повышения уровня экологической безопасности строительных материалов, изделий и конструкций, а также контроля содержания вредных и токсичных веществ в закрытых помещениях [1].
Миграция токсичных веществ из полимерных материалов обуславливается деструкцией последних под действием химических и физических факторов (окисления, перепадов температуры, инсоляции и др.). Уровень выделения газообразных токсичных веществ заметно возрастает при повышении температуры на поверхности полимерных материалов и относительной влажности воздуха в помещении.
Выделение газообразных токсичных веществ в результате горения полимерных строительных материалов
Многочисленные исследования показали, что практически все полимерные строительные (ПСМ) и отделочные материалы, созданные на основе низкомолекулярных соединений, в процессе их исполь-
* По материалам V Всероссийской конференции "Актуальные проблемы обеспечения безопасности в Российской Федерации" (г. Воронеж, 26 октября 2011 г.)
© Калач А. В., Перегудов А. Н., 2012
зования могут выделять токсичные летучие компоненты, которые при длительном воздействии могут неблагоприятно влиять на живые организмы, в том числе на здоровье человека.
В настоящее время при производстве строительных и отделочных материалов все чаще применяются композитные материалы на основе карбамид-ных, фенолформальдегидных смол, пенополиуретанов (ППУ) и кислородсодержащих соединений II-III классов опасности в концентрациях на уровне порядка 0,5 ПДК (среднесуточное) согласно ГН 2.1.6.1124-02 "Предельно допустимые концентрации (ПДК) загрязняющих веществ в атмосферном воздухе населенных мест. Дополнение № 5 к ГН 2.1.6.695-98".
Однако при санитарно-химическом контроле ПСМ необходимо учитывать тот факт, что ацетон, эфиры-ацетаты, уксусная кислота и этанол обладают эффектом накапливания (суммации) рефлекторно-резорб-тивного действия на организм человека.
В строительной промышленности из фенольных смол и материалов на их основе изготавливают блоки, панели, стержни, биостойкие плиты, фанеру. Фенольные смолы входят в состав некоторых клеев и эмалей и в качестве связующего в теплоизолирующие покрытия. Эти ПСМ представляют собой сложные многокомпонентные материалы, включающие, кроме связующего, наполнители, пластификаторы, красители, смазки, ускорители отвердения и некоторые другие добавки. Основу всех этих материа-
лов представляет связующее, в качестве которого используют фенолформальдегидные смолы — оли-гомерные продукты поликонденсации фенолов (фенола, крезолов, ксиленолов, резорцина) с фенол-формальдегидом в кислой или щелочной среде.
При производстве ПСМ в основном используют два типа смол: новолачные (термопластичные) и резольные (термореактивные). Первые получают по реакции с избытком фенола, а вторые — с избытком формальдегида. Основными нормируемыми примесями, выделяемыми в воздух как из термопластичных, так и термореактивных смол, являются вещества II класса опасности: фенол, формальдегид, метанол, бензол и их замещенные производные. В составе выделений наряду с основным компонентом — фенолом (и его гомологами) обнаружены: метилформиат, метанол, этанол, пропа-нол, формальдегид, ацетон, ацетальдегид, ароматические, предельные и непредельные углеводороды.
Пенополиуретаны являются наиболее широко используемыми полимерами. Это в значительной мере обусловлено тем, что изоцианатная группа участвует как в реакциях образования полимера, так и в реакциях газообразования. Специфические свойства ППУ и их стабильность обусловлены главным образом наличием карбамидных и уретановых групп, а существенное влияние на их термостойкость оказывает природа радикала в изоцианате. Поэтому полиуретаны на основе гексаметилендиизоцианата более термостойки, чем на основе толуилендиизо-цианата. В случае применения последних образуются большие количества газообразных продуктов реакции полимеризации. В газообразных продуктах термического (термоокислительного) разложения ППУ чаще всего обнаруживают: аммиак, предельные и непредельные углеводороды, ацетон, бензол, толуол, анилин, акрилонитрил, ацетонитрил, диоксид углерода, оксид этилена, амин (продукт реакции изоцианата с находящейся в воздухе водой) и третичные амины (оставшиеся катализаторы реакции). Если в рецептуру полиуретанов вводятся негорючие добавки, то список загрязнителей увеличивается и определяется в основном химическим строением и свойствами добавок. Из перечисленных выше загрязнителей воздуха при производстве и эксплуатации изделий из ППУ наиболее токсичными являются: циановодород, изоцианаты, ароматические и третичные алифатические амины и трихлорэтилфосфат. Содержание этих токсикантов необходимо строжайше контролировать в воздухе производственных помещений и прилегающих жилых зон [2].
Проведя анализ вышеизложенного, можно сделать вывод о целесообразности разработки системы типа "электронный нос" (ЭН) для обнаружения
газообразных вредных и токсичных веществ в закрытых помещениях, выделяемых, например, из полимерных строительных материалов. В настоящей статье рассматривается методический подход к проведению анализа вредных и токсичных веществ и математическая модель системы обоняния, функционирующая на основе интеллектуальной обработки информации с использованием нейро-компьютерной технологии и обеспечивающая принятие решений (распознавание) вредных и токсичных веществ в зарытых помещениях в режиме реального времени.
Анализ существующих моделей систем обоняния [3] позволил выбрать в качестве базовой модели для создания устройства, позволяющего проводить неразрушающий анализ веществ и строительных материалов, многоуровневую нейронную модель, описывающую механизм работы обонятельной системы. Существенным этапом предложенной математической модели системы обоняния, функционирующей на основе интеллектуальной обработки информации с использованием нейрокомпьютерной технологии, является обеспечение принятия решений (распознавание) вредных и токсичных веществ в закрытых помещениях в режиме реального времени. Такой выбор обусловлен максимальной схожестью модели со своим биологическим аналогом, а также простотой и возможностью варьирования параметров программной реализации. Согласно этой модели система функционирования представляется в виде трех подсистем взаимодействия, математическая модель которой представлена ниже. Причем сбор первичной информации о природе и составе газовой фазы в закрытом помещении осуществляется посредством пьезосенсоров.
у (X) =
1
1 + ехр (ах)
У = л
х, £ X щ
¡=1
I = 0, г - 1;
х, £ X щ
=1
где а — параметр сигмоиды, характеризующий крутизну функции;
X — матрица характеристик значений частотных сигналов, взвешенная сумма входных сигналов; 2 — количество слоев сети; х1 — количество нейронов; щI—весовой коэффициент синаптической связи.
Начальные условия Л (0) = Л — начальное значение функции активации нейронов, где первый множитель — функция активации.
Сигналы пьезосенсоров, зависящие от их чувствительности и концентрации токсичных и вредных веществ, группируются системой сбора и передачи
информации во второй подсистеме модели. Для многоканальной регистрации сигналов пьезосенсоров в системе типа "электронный нос" и последующей передачи полученных данных в персональный компьютер была использована программируемая логическая интегральная схема (ПЛИС) фирмы "Altera". Такое решение позволило создать малогабаритную высокоинтегрированную систему сбора данных с гибкой структурой, поддерживающую функцию внутрисхемного программирования.
Выходной сигнал "электронного носа" обрабатывается в третьей подсистеме модели, которая располагается уже в ПК. Третья подсистема модели представлена многослойной нейронной сетью (МНС), способной обучаться по методу обратного распространения ошибки (backpropagation) [3]. Элементами такой сети являются нейроны, которые в зависимости от суммарного воздействия входных сигналов могут возбуждаться или тормозиться. В результате этого процесса формируется конкретный выходной сигнал. Каждый сигнал, поступающий по дендри-там нервной клетки, характеризуется возбуждающей или тормозящей способностью, т. е. обладает некоторым отрицательным или положительным весом. При достижении нейроном определенного порогового значения уровня возбуждения происходит его активизация, и по аксону передается сигнал другим элементам сети, которые образуют взаимосвязанный последовательный ряд слоев. Суммарный сигнал системы типа "электронный нос" включает следующие параметры: максимальный частотный сигнал пьезосенсора за время анализа A/max (сигнал пьезосенсора к анализируемой пробе); время достижения Tmax величины сигнала сенсора Afmax; площадь SAy фигуры, ограниченной функцией Af = ^(т) и осями OAfи От.
После формирования суммарного сигнала анализатора ЭН создается база данных, в которую заносится информация о химической природе вещества и концентрации. На основе полученной информации формируется входной сигнал для слоя основных нейронов. В качестве входных данных нейро-сети выступает вектор значений частотных сигналов, полученных от пьезосенсоров, а также момент времени, в который был получен этот вектор. Таким образом, для анализа газовой среды на вход искусственных нейронных сетей (ИНС) подается матрица значений сигналов системы:
X =
ti xii
ti xii tn xn1
x1 J x
x1 m x
i = 1, n, j = 1, m, (1)
где X — матрица характеристик значений частотных сигналов, полученная в результате проведения опыта;
ti — момент времени, в который произошло формирование очередного вектора частотных сигналов, с;
xij — значение частотного сигналау-го сенсора в г'-й момент времени; i = 1, п, у = 1, т; п — количество сенсоров; т — продолжительность проведения опыта. На входной слой МНС подаются результаты обработки сенсорных данных (Хг) нейронами слоя снижения размерности входного вектора. Слой снижения размерности сигнала, поступающего на вход нейронной сети, выполняет функцию синтеза единичного вектора на основе значений трех передаваемых параметров. Это позволяет использовать облегченную модель нейронной сети и, как следствие, сократить время обработки и получения конечной информации.
Затем происходит процесс преобразования и передачи информации между внутренними слоями сети. При этом сравниваются значения требуемого выходного и смоделированного сигналов системы, а также
п 2
рассчитывается ошибка по формуле е = уг - Ог| .
г = 1
Процесс исследования анализируемой среды завершается снятием сигнала уг с выходного слоя системы. Проведденные исследования позволяют предложить следующую стратегию аналитического контроля токсичных и вредных веществ с использованием газоанализатора [4].
Определение выходных данных сети
Для удобства и простоты восприятия результатов анализа было принято решение о присвоении каждому токсичному веществу уникального кода, по которому при формировании итогового отчета можно было бы восстановить текстовое представление выходных данных. Код токсичного вещества является уникальным числовым идентификатором для каждого токсичного вещества, по которому происходит поиск в базе данных соответствующих характеристик токсичных веществ для формирования итогового отчета, содержащего результаты анализа газовой смеси. Код токсичного вещества задается в соответствии с алгоритмом индексирования в момент добавления данного вещества в базу данных "Одорант" [5, 6]. Этот параметр является постоянной величиной и при изменении остальных характеристик токсичного вещества (обучающей выборки и основных сведений) остается прежним. Во входном слое будет содержаться п-е количество нейронов, соответствующее количеству пьезосен-соров с учетом момента времени снятия сигнала (п + 1), а в выходном слое будет содержаться один нейрон, выход которого — код вещества. Нейроны, образующие каждый скрытый слой, а также нейрон
<в к
е
и >Я о
з
о со ш о
а 2
св &
¡я
Монитор
0
1
Пользователь
________
Интегрированная ИС
БД по свойствам вещества
Общая БД
Специализированная БД
1. Поиск по заданным свойствам
Ж
2. Поиск по составу
1Е
3. Формирование набора свойств для обучающей выборки
Прогнозирующая ИС ,,
Обучение на выборке данных
т
Прогнозирование по части выборки, не использованной для обучения
Переобучение по всем данным
г
Про Г у гнозирование
V
Занесение результатов в интегрированную ИС
Рис. 1. Стратегия аналитического контроля органических токсичных и вредных веществ
выходного слоя имеют количество синапсов по числу нейронов в предыдущем слое и один аксон. Информация, поступающая с аксона нейрона выходного слоя, соответствует коду токсичного вещества. В качестве активационной функции всех нейронов сети был выбран сигмоид. С увеличением числа слоев растет сложность вычислений и время расчета, поэтому было принято решение о возможности изменения количества скрытых слоев и числа ней-
ронов в них в процессе обучения сети. При этом пользователь должен сам принимать решение о целесообразности увеличения или уменьшения числа промежуточных слоев нейросети в зависимости от тех или иных показателей эффективности обучения.
Для проведения анализа газовой смеси использована полносвязная ИНС (т. е. состоящая из нескольких слоев нейронов, причем каждый нейрон слоя связан с каждым нейроном слоя г + 1). Архитектура
этой нейронной сети включает 22 нейрона. Задача нахождения функциональной зависимости при ограниченном наборе входных данных имеет в общем случае бесконечное множество решений.
Для ограничения пространства поиска при обучении ставится задача минимизации целевой функции ошибки Е(ю) НС, которая находится по методу наименьших квадратов. Суммирование ведется по всем нейронам выходного слоя и по всем обрабатываемым сетью образам. Обучение нейросети выполняется методом градиентного спуска. Полный алгоритм обучения нейросети состоит из следующих этапов:
1. Подача на вход НС одного из требуемых образов и определение значений выходов нейронов ней-росети.
2. Расчет (вспомогательной переменной) для выходного слоя НС и расчет изменения весов Аю^)
у
(весового коэффициента НС) выходного слоя N.
3. Расчет и Аю^) для остальных слоев НС, 2 = (Ы - 1)^1.
4. Корректировка весов НС:
ю (г) = ю
- т( 2)
(г -1) + АюЮ?Нг),
(2)
где Юу—весовой коэффициент синаптической связи;
г — время.
5. В случае недостижения заданного пользователем уровня ошибки продолжение обучения системы и переход к шагу 1.
На этапе 2 сети поочередно в случайном порядке предъявляются векторы из обучающей последовательности. По результатам тестирования системы установлено, что простейший метод градиентного спуска неэффективен в случае, когда производные сильно отличаются по весам. Этот случай соответствует ситуации, при которой значение функции 5 для некоторых нейронов близко по модулю к 1 или модуль некоторых весов много больше 1. В этом случае для плавного уменьшения ошибки следует выбирать очень маленькую скорость обучения, что неизменно приведет к значительному увеличению продолжительности обучения. Простейшим способом ликвидации данного недостатка является введение момента ц, учитывающего изменение со временем влияния градиента на изменение весов, например:
Аю(2) (г) = -^5(;)х2 + цАю(,2) (г - 1), (3)
где ю
у
- весовой коэффициент синаптической связи, соединяющей г-й нейрон слоя (г -1)су-м нейроном слоя 7;
^—коэффициент скорости обучения, 0 < ^ <1;
— вспомогательная переменная; хг — значение г-го входа нейрона.
Дополнительным преимуществом введения момента является способность алгоритма преодолевать мелкие локальные минимумы. Для комплексного сравнения работы сенсоров в различных условиях применяется профильный анализ (лепестковая диаграмма). Данный метод основан на том, что отдельные сигналы сенсоров при их объединении дают качественно новую характеристику исследуемого объекта. Выделение наиболее характерных особенностей данного вещества позволяет установить профиль материала в целом, а также изучить влияние различных факторов (параметров) на суммарный образ — паттерн. Созданная измерительная система характеризуется тем, что анализатор проводит процесс само-
Блок обработки и синхронизации
Измерительная ячейка с сенсорами
Общая информационная среда
Рис. 2. Часть схемы газоанализатора токсичных веществ
Аналитические характеристики определения низкомолекулярных органических соединений разработанными пьезо-сенсорами
Соединение сНш , мг/м3 Чувствительность 5-103, Гц-м3/моль (5-103, Гц-м3/г) Содержание в пробе, мг/м3
Гексан 30,0 62,5 (0,73) 30-100
Нитрометан 1,5 42,6 (0,69) 1,5-25
Нитроэтан 1,5 40,0 (0,53) 1,5-25
Нитробензол 1,0 6,0 (0,05) 1-50
о- и м-Нитро-толуолы 50,0 8,5 (0,06) 50-100
* При отношении сигнал/шум, равном 3; сцш — предел обнаружения токсикантов в пробе.
настройки (обучение нейронной сети) на данное токсическое или вредное вещество, компенсирует неточность поступающей информации и выдает результат. Это дает полное право говорить о целесообразности ее применения для мониторинга и контроля токсичности окружающей среды. Кроме того, следует отметить быстроту проведения измерительной системой анализа, а также ее малогабаритность.
Проведенные исследования позволили предложить схему анализа токсичных и вредных веществ с использованием газоанализатора (рис. 2) [7].
Система была апробирована на низкомолекулярных органических соединениях. Аналитические характеристики определения низкомолекулярных органических соединений разработанными пьезосенсо-рами (см. таблицу) позволяют рекомендовать их для контроля состояния окружающей среды в чрезвы-
чайных ситуациях и при локальных выбросах, а также для служб пожарной безопасности.
Созданная измерительная система дает нам полное право говорить о целесообразности ее применения для мониторинга и контроля токсичности окружающей среды, а также содержания в ней взрывоопасной газовой смеси благодаря ее функциональным возможностям: анализатор не пассивно отражает информацию о воздействии анализируемой среды, а проводит самонастройку на данный токсикант, компенсирует неточность поступающей информации и выдает результат анализа. Данная система может быть использована также для управления сигнально-пус-ковыми устройствами. Кроме того, следует отметить быстроту проведения анализа, а также малогабаритность измерительной системы, что немаловажно для систем распознавания пожароопасных, вредных и токсичных веществ в закрытых помещениях.
СПИСОК ЛИТЕРАТУРЫ
1. Киреева Ю. И., Лазоренко О. В. Строительные материалы. — Ростов : Феникс, 2010. — 349 с.
2. Зубкова Т. П., Недавний О. И., ЗибаревП. В. Система контроля качества полимерных материалов в современных строительных технологиях // Вестник ТГАСУ. — 2007. — № 1. — С. 191-203.
3. Хайкин С. Нейронные сети: полный курс. — М. : Вильямс, 2006. — 1104 с.
4. Перегудов А. Н., Калач А. В., Чуйков А. М., Исаев А. А. О возможности использования системы типа "электронный нос" для оценки уровня токсичности газов и паров при эксплуатации строительных материалов // Технологии техносферной безопасности. — 2011. — № 2 (36). URL : http://ipb.mos.ru/ttb (дата обращения 28.12.2011 г.).
5. Калач А. В., Журавлева Е. В., Рыжков В. В. и др. Мультисенсорная система "электронный нос". Ч. 2: Сбор, обработка и анализ сигналов // Диагностика. Контроль. —2006. —№ 1. — С. 29-32.
6. Калач А. В. Мультисенсорные системы. Применение методологии искусственных нейронных сетей для обработки сигналов сенсоров // Нейрокомпьютеры: разработка и применение. — 2003.—№ 10-11. —С. 43-47.
7. Калач А. В., Чуйков А. М., Перегудов А. Н. Разработка мультисенсорного газоанализатора для анализа горючих газов // Пожаровзрывобезопасность. — 2011. — Т. 20, № 1. — С. 54-56.
Материал поступил в редакцию 1 февраля 2012 г.
Электронные адреса авторов: [email protected]; [email protected].
^ЯЩ АНТИфЛАМ ОГНЕСТОЙКИЕ ПЛИТЫ ДСП
■ НОВОГО ПОКОЛЕНИЯ
Пожар возникает при совпадении трех факторов: горючий материал, кислород, источник возгорания. И только материал подконтролен человеку. Поэтому уже на стадии проектирования строительного объекта необходимо делать ставку на огнестойкие материалы.
ПРИМЕНЕНИЕ древесных огнестойких плит АНТИФЛАМ
Благодаря своим свойствам плиты незаменимы в жилищном и промышленном строительстве, сооружении общественных зданий, при отделке конструкций вблизи источников нагрева.
ПРЕИМУЩЕСТВА огнеупорных деревянных панелей
- увеличивается время подверженности горению до нанесения повреждения плите (до 25 %);
- затрудняется переброс пламени, т. е. распространение пожара;
- обуглившийся слой замедляет прогорание панели внутрь (до 0,5 мм/мин);
- выделяется небольшое количество дыма;
- происходит самозатухание при устранении источника горения.
Группа горючести плит АНТИФЛАМ
В результате испытаний, проведенных в СПбФ ФГУ ВНИИПО МЧС России, плитам АНТИФЛАМ присвоена группа горючести Г1 (слабогорючая) по ГОСТ 30244-94 и по "Техническому регламенту о требованиях пожарной безопасности" (Закон № 123-ФЭ).
ПОСТАВКИ со склада в С.-Петербурге в любой регион России плит АНТИФЛАМ размером 1250x2500x10/16 мм
(производство "Спаногруп", Бельгия).
(812)380-5690 ЙцщшшЛ дщл uuu.pskspb.su +7 921 979 7414 ПШТРОСГРОЙКОМПЛЕКТ
