CC BY
132
Г. А. Галуев, Я. С. Коровин
МУЛЬТИНЕЙРОАГЕНТНАЯ СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ДЛЯ УПРАВЛЕНИЯ ТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ НЕФТЕГАЗОДОБЫВАЮЩИХ ПРЕДПРИЯТИЙ
В настоящее время нефтегазодобывающие компании Западной Сибири столкнулись со следующими глобальными проблемами:
• Высокая выработка месторождений
• Необходимость глубинного и горизонтального бурения
• Высокая себестоимость добываемой нефти и газа
На данный момент существует ряд различных по своему содержанию и идее подходов к решению приведенных проблем, среди которых можно выделить следующие:
1. Поиск новых неизвестных месторождений путем анализа данных по пластам и иным параметрам.
2. Покупка и разработка открытых перспективных месторождений.
3. Понижение затрат на нефтегазодобычу методом оптимизации производственных процессов.
Первые два подхода находятся на уровне управления бизнес-процессами (высший уровень управления производственными процессами), третий - на уровне управления технологическими процессами (низший уровень). При этом для отечественной нефтегазодобывающей отрасли наиболее предпочтительным, по мнению специалистов, считается третий из указанных выше подходов [1,2]. Однако практическая реализация такого подхода осложняется наличием ряда проблем, основными среди которых являются:
- большой объем обрабатываемой информации (данные по более чем 720000 параметрам могут поступать для обработки и анализа);
- нечеткость предметной области (трудно найти формальные закономерности между параметрами и характеристиками режимов работы технологических объектов управления);
- невозможность использования классических систем обработки, анализа информации и поддержки принятия решений [1,2].
Отмеченные обстоятельства делают актуальной задачу поиска новых, более эффективных подходов к увеличению рентабельности нефтегазодобывающих предприятий путем оптимизации процедур управления технологическими процессами.
Для описания предметной области управления технологическими процессами рассмотрим современные методы нефтегазодобычи:
• с использованием установок штанговых глубинных насосов (ШГН);
• с использованием установок электроцентробежных насосов (УЭЦН);
• путем фонтанирования.
Штанговые глубинные насосы применяются при производственном процессе нефтегазодобычи на высокодебитовых скважинах. Установки электроцентробеж-ных насосов применяются на низкодебитовых и значительно выработанных скважинах, что характерно для подавляющего большинства отечественных месторождений. Что касается фонтанирования, то в данное время таких месторождений осталось крайне мало.
Поэтому в дальнейшем будем рассматривать технологический процесс нефтегазодобычи, где в роли технологического объекта управления (ТОУ) выступают УЭЦН. Выбор именно УЭЦН в качестве ТОУ обусловлен тем обстоятельством,
что они имеют повышенную уязвимость к поломкам, крайне низкий межремонтный период, а также оснащены средствами телеметрии.
Для решения задачи управления технологическим процессом нефтегазодобычи, где в качестве технологических объектов управления используются УЭЦН, предлагается использовать новый и перспективный подход, основанный на комплексном использовании мультиагентных и нейросетевых технологий для создания высокоэффективных интеллектуальных мультинейроагентных систем поддержки принятия решений (МНСППР).
Мультинейроагентная система поддержки принятия решений: структурная организация и принципы функционирования
Основными целями создания МНСППР являются:
• систематизация и анализ данных, поступающих в систему с контроллеров станций управления УЭЦН, и информации из различных баз данных;
• выявление отклонений в работе электропогружного оборудования и выдача рекомендаций по типам мероприятий для восстановления режимных параметров скважины;
• определение причины поломки и выдача рекомендаций по превентивным мероприятиям.
• В самом общем виде схему работы такой МНСППР можно представить, как показано на рис.1.
Рис. 1. Схема работы МНСППР
Важнейшим функциональным модулем МНСППР является нейроагент. Число нейроагентов соответствует количеству УЭЦН. Каждый нейроагент выполняет функции мониторинга состояний УЭЦН, распознавания типов возникающих ситуаций и поиска закономерностей между выявленным типом ситуации и адекватными этому типу мероприятиями технологического характера.
Работу каждого нейроагента можно представить следующим образом. Каждый компонент вектора обучаемой выборки соответствует текущему значению одного из
УЭЦН 1
УЭЦН 2
Распознавание типа ситуации
База знан по УЭЦЬ
параметров (например, ток холостого хода, коэффициент мощности, режимное напряжение, дебит, данные по флюидам, обводненности и т.д.), характеризующих работу УЭЦН. В процессе обучения нейроагента каждой обучающей выборке ставится в соответствие тип ситуации, которая может принимать значения "хорошая”, "аварийная”, "критическая”, "неопределенная” (противоречие показаний датчиков). В результате обучения нейроагенты МНСППР приобретают способность соотносить каждый текущий вектор входных параметров (характеризующих работу УЭЦН в определенный момент времени) к одному из типов указанных выше ситуаций. С учетом сказанного архитектура МНСППР принимает вид, показанный на рис.2.
Рис. 2. Архитектура МНСППР
Рассмотрим более детально структурный и фу§кЦЗонйьное назначе-
ние основных блоков МНСППР. В состав МНСЛЛР-ЕКойЯрлЕДУЮЩие блоки:
• модуль внешних источников и потребителей информации;
• блок входного контроля;
• буфер входных данных;
• блок АРМ ИЗ (редактора знаний);
• блок АРМ ЭТ (редактор уставок);
• нейросетевой модуль выявления отклонений в работе УЭЦН;
• нейросетевой модуль определения причины отклонения;
• блок "Супервизор" ("Интегратор");
• блок АРМ ЛПР (формирование решений).
В состав нейросетевого модуля выявления отклонений в работе УЭЦН входят следующие блоки:
• блок кодирования типа ситуации 1;
• реконфигурируемый нейросетевой блок "Учитель 1";
• реконфигурируемый нейросетевой блок "Анализатор 1";
• блок декодирования типа ситуации. ВН0ШНИ6
ИСТОЧНИКИ и
потребители информации
Буфер входных данных
Структура нейросетевого модуля выявления отклонений изображена на рис. 3
Блок КОДИрОЕ
Тип ситу а
Рис. 3. Нейросетевой модуль выявления отклонений в работе УЭЦН
В состав нейросетевого модуля определения причины отклонения в работе УЭЦН входят следующие блоки:
• блок кодирования типа ситуации 2; Реконфигурируемый нє
• реконфигурируемый нейросетевой блок "Учитель 2"; “У4 и тел ь
• реконфигурируемый нейросетевой блок "Анализатор 2";
• блок декодирования типа поломки.
Структура нейросетевого блока определения причины отклонения изображена на рис. 4.
Основными блоками рассматриваемой МПСППР (см. рис. 2) являются нейросетевые модули выявления отклонений и определения причины отклонения, образующие в совокупности распределенную сеть однотипных нейроагентов, которые
могут тиражироваться в распределенную мультинейроагентную систему с учетом ^ ^
числа и специфики контролируемых УЭЦН. Поэтому ниже рассмотрим функций-йросетевой блок нальное назначение и принципы работы именно этих блоков.
Функции нейросетевого модуля выявления отклонений (см. рис. 2):
• распознавание ситуации по заданному типу в режиме с обучением/ без обучения;
• передача данных, необходимых для формирования решения по типу ситуации в буфер выходных данных 1.
Функции нейросетевого модуля определения причины отклонения (см. рис. 2):
• распознавание типа поломки по типу ситуации в режиме с обучением/ без обучения;
• передача данных, необходимых для формирования решения по типу поломки в буфер выходных данных 2.
Декодиров
Тип ситу а
Функции блоков нейросетевого модуля выявления отклонений (см. рис. 3).
Функции блока кодирования типа ситуации 1:
• установление соответствий типам ситуаций числовых комбинаций посредством присвоения значений атрибутов ситуации компонентам выходного вектора нейронной сети.
Функции реконфигурируемого нейросетевого блока "Учитель 1":
• конфигурирование сети;
• инициализация работы нейронной сети посредством задания случайным образом начальных значений синаптических коэффициентов нейроэлементов сети;
• обучение модели нейронной сети на распознавание ситуаций по типам "хорошая”, "критическая”, "аварийная”;
• загрузка конфигурации нейронной сети из файла;
• загрузка выборки обучающих примеров;
• формирование протокола обучения сети;
• подготовка данных для графического отображение результатов обучения;
• переобучение на вновь поступивших данных.
Функции нейросетевого блока распознавания типов ситуаций "Анализатор 1":
• загрузка модели нейронной сети в соответствии с полученной конфигурацией с итоговой матрицей синаптических весов, полученной в процессе реализации процедуры обучения;
• распознавание ситуации по заданному типу;
• предоставление данных для контроля процесса распознавания типа ситуации.
Рис. 4. Нейросетевой модуль определения причины отклонения
Функции блока декодирования типа ситуации:
• присвоение значения атрибутов в соответствии со значениями компонентов выходного вектора нейросети. Блок декодирования типа ситуации выполняет процедуры, обратные кодированию (построение лингвистического описания).
Функции блоков нейросетевого модуля определения причины отклонения (см. рис. 4).
Функции блока кодирования типа отклонений и поломки 2:
• установление соответствий типам отклонений от режимных параметров числовых комбинаций посредством присвоения значений атрибутов компонентам входного и выходного векторов нейронной сети.
Функцииреконфигурируемого нейросетевого блока "Учитель 2":
• конфигурирование сети;
• обучение модели нейронной сети на распознавание типов поломок по типам ситуаций;
• загрузка конфигурации нейронной сети из файла;
• загрузка выборки обучающих примеров;
• контроль процесса обучения по числу итераций или уровню суммарной ошибки;
• формирование протокола обучения сети;
• подготовка данных для графического отображения результатов обучения;
• переобучение на вновь поступивших данных.
Функции нейросетевого блока распознавания типов поломки "Анализатор 2":
• загрузка модели нейронной сети в соответствии с полученной конфигурацией с итоговой матрицей синаптических весов, полученной в процессе реализации процедуры обучения;
• распознавание поломки по заданному типу ситуации;
• предоставление данных для контроля процесса распознавания типа поломки.
Функции блока декодирования типа поломки:
• блок декодирования типа поломки выполняет процедуры, обратные кодированию (построение лингвистического описания типа поломки).
Взаимодействие рассмотренных выше блоков в процессе работы МНСППР можно описать следующим образом.
Реконфигурируемый нейросетевой блок "Учитель 1” представляет собой программную реализацию модели многослойной нейронной сети, обучаемой методом обратного распространения ошибки [3]. Количество нейроэлементов входного слоя равно 22, что определяется числом технологических параметров, характеризующих работу одного конкретного УЭЦН. Количество слоёв обучаемых нейроэлементов нейронной сети может изменяться от 2 до 5, а число нейроэлементов в каждом слое может задаваться от 1 до 32*103. Структура синаптических связей между соседними слоями нейроэлементов является полносвязной, т.е. все нейроэлементы одного слоя соединены со всеми нейроэлементами следующего слоя, количество нейроэлементов выходного слоя определяется заданным числом типов ситуаций, которые подлежат распознаванию данным нейросетевым блоком. Такими типами ситуаций являются: ''хорошая”, если все параметры УЭЦН лежат в норме; ''неопределённая”, если параметры УЭЦН носят противоречивый характер; ''критическая”, если параметры УЭЦН таковы, что насос близок к выходу из строя; ''аварийная” - остановка в работе УЭЦН.
Основное функциональное назначение нейросетевого блока ''Учитель 1” сводится к обучению модели нейронной сети на распознавание указанных выше типов ситуаций, которые могут иметь место в процессе работы УЭЦН. Для реализации процедуры обучения осуществляется инициализация нейронной сети: задаётся её конкретная
конфигурация (число слоёв обучаемых нейроэлементов, выбор нелинейной функции активации нейроэлементов, число нейроэлементов в каждом слое, а также начальные значения синаптических весов, задаваемых случайным образом. Затем на выходы нейронной сети в пакетном режиме подаются из блока кодирования 1 сформированные в этом блоке векторы обучающей выборки. При этом на входы нейронной сети подаётся текущее значение вектора обучающей выборки, а на её выходы - код типа ситуации, т.е. желаемый выходной вектор. В результате после многократного представления на входы и выходы нейронной сети векторов обучающей выборки с указанием типов ситуаций, которым соответствует каждый входной вектор, в модели нейронной сети реализуется процедура обучения, и нейросетевой блок "Учитель 1" приобретает способность правильно распознавать каждый входной вектор, т.е. соотносить его к одному из заданных типов ситуаций. Качество реализуемой процедуры обучения определяется процентом неправильно распознанных входных векторов. Оценка достигнутого уровня качества процесса обучения осуществляется автоматически, путём построения и визуализации на экране дисплея графика ошибки распознавания. Процесс обучения заканчивается, если достигается требуемый уровень ошибки. После реализации процедуры обучения нейронной сети с требуемым уровнем качества она загружается в нейросетевой блок "Анализатор 1" и функционирует в рабочем режиме распознавания текущих значений параметров УЭЦН по типам ситуаций.
После принятия решения нейросетевым блоком "Анализатор 1" о принадлежности каждого входного вектора, характеризующего состояние УЭЦН в заданный момент времени, к одному из заданных типов ситуаций этот тип ситуации кодируется и передаётся в реконфигурируемый нейросетевой блок "Учитель 2" нейросе-тевого модуля определения причин отклонений и отказов.
Реконфигурируемый нейросетевой блок "Учитель 2" представляет собой программную реализацию модели многослойной нейронной сети, обучаемой методом обратного распространения ошибки. Возможности реконфигурации этого блока и процедура его подготовки к реализации функции обучения идентичны описанному выше реконфигурируемому нейросетевому блоку "Учитель 1". Основное функциональное назначение блока "Учитель 2" - реализация процедуры обучения на распознавание причины отклонения технологических параметров, характеризующих работу УЭЦН в заданные моменты времени.
Вполне естественно, что выявление причин отклонения параметров УЭЦН и выбираемые мероприятия по их устранению имеет смысл осуществлять только для случаев критических и аварийных ситуаций. Поэтому нейросетевой блок "Учитель 2" обучается распознаванию причины отклонения технологических параметров УЭЦН только для этих двух типов ситуаций. Для этого обучающая выборка входных и желаемых выходных векторов для нейросетевого блока "Учитель 2" формируется следующим образом. Входные векторы включают коды типа ситуации, формируемые блоком кодирования 2, а желаемые выходные векторы представляют собой закодированные значения, характеризующие тип поломки, которая либо уже имеет место (аварийная ситуация), либо может произойти в ближайшее время (критическая ситуация). Такая обучающая выборка может быть получена на основе закодированной требуемым образом информации из базы знаний, где хранится предыстория функционирования УЭЦН и выхода их из строя. После реализации процедуры конфигурирования и обучения нейронной сети блоком "Учитель 2", она загружается в блок "Анализатор 2" и функционирует в рабочем режиме распознавания причины отклонения технологических параметров УЭЦН и типа возникших неисправностей для принятия адекватных решений по их устранению.
При необходимости путем реконфигурации нейросетевых блоков рассматриваемая МНСППР может адаптироваться к внешней среде при изменении числа
контролируемых УЭЦН, их типов и специфики функционирования. Наряду с этим за счет реализации процедур обучения нейроагенты МНСППР могут приобретать способность не только определять в реальном масштабе времени характер возникающих ситуаций, но и предсказывать возможность возникновения аварийных ситуаций, что обеспечивает существенное снижение вероятности возникновения аварий, поломок и простоев УЭЦН. Последнее обстоятельство свидетельствует об эффективности и перспективности предлагаемого подхода к управлению технологическими процессами нефтегазодобывающих предприятий.
Заключение
Таким образом, предлагаемый в работе подход к построению систем поддержки принятия решений для управления технологическими процессами нефтегазодобывающих предприятий на основе комплексного использования мультиагентных и нейросете-вых технологий, позволяет создавать МНСППР, способные не только решать проблемы, характерные для традиционных подходов и создаваемых на их основе систем, но и наделяет их новым качеством - способностью прогнозировать развитие ситуаций. Это дает возможность сделать процедуру управления технологическими процессами более интеллектуальной и эффективной и, как следствие, снизить затраты на внеплановый ремонт УЭЦН и повысить рентабельность нефтегазодобывающих предприятий.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Матвеев С.Н., Осипов А.В., Кузнецов А. Ф. Развитие систем поддержки принятия решений на нефтегазодобывающих предприятиях // Нефтяное хозяйство. Апрель 2005. С.114-117.
2. Коровин С.Я., Матвеев С.Н. Управление информационными потоками // Бурение & нефть. Июль-август 2005. С.40-42.
3. Уоссерман Ф. Нейрокомпьютерная техника. М.: Мир, 1992.
Н.П. Аносова АЛГОРИТМ ВЫДЕЛЕНИЯ МАЛЫХ ДИНАМИЧЕСКИХ ОБЪЕКТОВ ПРИ ОБРАБОТКЕ ИЗОБРАЖЕНИЙ НЕЙРОННОЙ СЕТЬЮ
Задача покадровой (кроскадровой) фильтрации изображений и распознавания движущихся малых объектов на основе анализа их траектории представляется весьма актуальной и интересной как с точки зрения выбора наиболее подходящего метода, так и с точки зрения построения оптимальной модели искусственной нейронной сети (ИНС), реализующий этот метод и удовлетворяющей заданным критериям качества.
В основу предлагаемой модели многослойной нейронной сети положен алгоритм итерационной фильтрации изображения, использующий прямое и обратное вейвлет-преобразование [1].
Известно, что фильтрация является одним из важнейших этапов предобработки при распознавании изображений. Данный этап работы связан с большими вычислительными затратами. Один из классических приемов по уменьшению этих затрат связан с использованием для больших изображений метода скользящего окна, форму которого задают по специальному алгоритму [2]. Однако такой подход порождает ряд проблем при обработке областей изображения, попадающих на границы скользящего окна (к примеру, артефакты изображений, возникающие при сильном ШЕв сжатии, вызваны именно этими причинами).
С другой стороны, даже на текущем этапе развития вычислительной техники зачастую остается невозможным обработать все изображение целиком. Таким обра-
