ОБОБЩЕННАЯ СТРУКТУРА СИСТЕМЫ ПРИНЯТИЯ РЕШЕНИЙ В УСЛОВИЯХ ПОТЕНЦИАЛЬНО ОПАСНЫХ ОБЪЕКТОВ АТОМНОЙ ЭНЕРГЕТИКИ Текст научной статьи по специальности «Математика»

УДК 519.816

ОБОБЩЕННАЯ СТРУКТУРА СИСТЕМЫ ПРИНЯТИЯ РЕШЕНИЙ В УСЛОВИЯХ ПОТЕНЦИАЛЬНО ОПАСНЫХ ОБЪЕКТОВ АТОМНОЙ ЭНЕРГЕТИКИ

© 2018 В.П. Поваров Воронежский государственный технический университет, г. Воронеж, Россия

Аннотация: рассмотрена интеллектуальная система принятия решений в условиях управления потенциально опасными объектами атомной энергетики. Предлагаемая система относится к классу советующих и не принимает конечных решений в случае отклонения анализируемых параметров, а формирует ряд альтернативных решений для персонала производственного предприятия. В качестве математического аппарата в статье использован аппарат нечеткой логики и адаптивная нечетко-нейронная сеть. Накопленный опыт эксплуатации объектов атомной энергетики показывает, что существуют критические элементы (узлы, зоны, сварные соединения), склонные к повышенной повреждаемости в условиях действия высоких эксплуатационных нагрузок, в том числе непроектных, и негативного влияния окружающей среды. Обычно в такой ситуации возникает опасность нарушения целостности оборудования при работе энергоблока на мощности с появлением серьезного дефекта, например, течи теплоносителя и перспективой развития исходного сквозного дефекта до критических размеров, т.е. все это выливается в то, что конечный наблюдаемый результат всегда один - образование и развитие эксплуатационной трещины, представляющей собой угрозу конструкционной целостности рассматриваемого элемента и, как следствие, появляется серьезная угроза безопасности работы ядерного блока. Предлагаемая ситуационная модель связана с явной базой знаний, в которой хранятся сформированные ситуации

Ключевые слова: система принятия решений, множественная регрессия, атомная энергетика

Стимул технического прогресса — наша беззащитность перед техникой.

Карл Краус

Введение

Неизбежно, двигаясь по пути технического прогресса, человек подвергает себя все большей опасности. История атомной энергетики, не смотря на высочайшие требования безопасности производства, знает немало катастроф. После каждого происшествия вводятся новые правила и нормы безопасности, обязательные для всех объектов атомной энергетики в мире. Таким образом, ценой человеческих жизней и судеб проходят «уроки» совершенствования систем

безопасности и отказоустойчивости. Как следствие, отметим, что технологическое производство, как правило, развивается быстрее, чем необходимые для его анализа и прогнозирования опасных и критических ситуаций системы.

Современные математические методы позволяют производить точное моделирование самых сложных процессов, анализировать возможные критические ситуации в процессах, пути и меры их предотвращения. 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 опасности объекта, функционирующего в штатном,

предусмотренном проектом режиме, несравненно ниже уровня опасности, который представляет объект в условиях аварийной ситуации.

Если проанализировать различные аварии на особо опасных объектах, можно выделить ряд общих причин: ошибки в проектах, неправильные решения о месте постройки объекта и режимах его 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 прогнозировать, как будут развиваться события, вызванные аварией на опасных производственных объектах, формировать решения, необходимые для минимизации риска.

В системах ядерной энергетики цена ошибки может быть слишком высока и для минимизации рисков предлагается реализовать интеллектуальную систему принятия решений на основе аппарата нечеткой логики с использованием прогнозирующего АОТК-подобного модуля.

Структура предлагаемой системы представлена на рис. 1.

11рогнозное {) значение

Система непрерывного многопараметритеского мониторинга состояния объекта ядерной энергетики

Мил;

Матрица параметров

Формирование нечеткой ситуации К«

Формирование множества информативных параметров на основе регрессионных моделей

С(пхгп)

С(пхт)

Формирование нечеткой ситуации

81

Формирование прогнозных значений на основе подобной нечетко-нейронной сети

, С(пхт)

Формирование нечеткой ситуации 5&

Клок формирования юзможных нечетких решений на основе вычисления степени оответствия теку щей ситуации Бу И эталонных

Л-V

База знаний с набором к эталонных ситуаций «симуаиия-решеиие»

Формирование альтернативных (с ¡рисвоением степени равенства) значений основе максимальной вычисленной степени равенства

Клок принятия решений на

основе экспертной ба зы

.1 наний с нипольчован ием текущего и прогнозных значении информативных параметров

Рис.

Множество 7 альтернатив принимаемых решений

1. Обобщенная структура интеллектуальной системы принятия решений

Система непрерывного многопараметрического мониторинга состояния объекта ядерной энергетики

Система является источником

информативных параметров для

интеллектуальной системы принятия решений. Учитывая то, что к настоящему времени большинство действующих реакторных установок АЭС работают с продленным сроком эксплуатации, оценка остаточного ресурса ответственного оборудования и конструкций является актуальной проблемой. В качестве основных причин, сокращающих ресурс, рассматриваются непроектные нагружения и накопления повреждений в элементах оборудования с учетом исходной дефектности и деградации механических свойств материалов. Постоянный мониторинг наиболее эксплуатационно-нагруженного оборудования позволяет установить и отследить все непроектные нагружения, приводящие в свою очередь к развитию эксплуатационных дефектов выше допустимого уровня с потерей герметичности. Если в процессе эксплуатации не происходит повреждения, для обоснования безопасной эксплуатации достаточно соблюдения требований отраслевых

нормативных документов по проведению периодического неразрушающего контроля материалов, а также прочностных расчетов по допускаемым напряжениям.

Время до разрушения есть функция трех параметров: напряженно-деформированного состояние (НДС), свойств материала и свойств среды в зоне повреждения. Сложный характер взаимодействия этих параметров не позволяет в большинстве случаев предсказать начало и динамику эксплуатационного повреждения.

Поскольку на лабораторных моделях невозможно воспроизвести фактические напряжения и параметры среды в зоне повреждения, следовательно, нельзя рассчитать остаточный ресурс оборудования с необходимой точностью. Оценка фактического уровня НДС в зоне разрушения оборудования определяется конструкционными

особенностями и технологическими

параметрами эксплуатации. Поэтому оценку термосиловой нагруженности можно воспроизвести только на самом оборудовании. Это первый постулат, лежащий в основе данной системы. Второй постулат -

верификация расчетной модели по экспериментальным данным для корректного прочностного расчета. Третий постулат разработанной системы - непрерывный мониторинг дефектности в наиболее нагруженных зонах оборудования с контролем температур, деформаций, перемещений.

Мониторинг дефектности позволяет «привязать» историю эксплуатации к моменту дефектообразования для установления причинно-следственных связей, приводящих к разрушению, а также контролировать развитие дефектов до опасного уровня.

Формирование множества информативных

параметров на основе регрессионных моделей

При анализе реальных параметров технических и технологических объектов нередко появляется проблема неполноты информации. Возможные причины - сбой датчиков, отказ запоминающего устройства, электромагнитные наводки на системах контроля и связи. Предлагается использовать регрессионную модель для восстановления зависимых от времени информативных параметров. То есть в момент анализа параметров данный блок распознает неполноту входного вектора и после получения регрессионной модели формирует

дополнительное значение.

На вход данного блока поступает матрица значений информативных параметров размерностью [n m]. Каждый параметр, в свою очередь, зависит от дискретного времени поступления данных в систему многопараметрического мониторинга, а также имеет корреляцию с другими параметрами системы. В интеллектуальной системе принятия решений предлагается реализовать формирование регрессионной поверхности для аппроксимации и восстановления

информативных параметров. На рис. 2а показан пример входных данных от системы многопараметрического мониторинга. На рис. 2б - возможная регрессионная поверхность, полученная для восстановления утерянных информативных данных.

Соответствующую математическую задачу называют многомерной регрессией, или, более точно, многооткликовой регрессией (multiresponce regression). По сравнению с

методом наименьших квадратов обычной одномерной регрессии оценка параметров множественной регрессии в общем случае усложняется, так как приходится одновременно оценивать параметры регрессионной зависимости и ковариационную матрицу случайных ошибок.

Параметр 4 Параметр 3 Параметр 2 Параметр 1

б

Рис. 2. Реализация многомерной регрессии Блок прогнозирования

Предлагается использовать АОТК-подобную нечетко-нейронную сеть для формирования прогнозных значений информативных параметров интеллектуальной системы принятия решений в объектах атомной энергетики. При наличии типовой структуры с продукционными правилами, блоком принятия решений и нечетким выводом Тагаки-Сугено предлагается при обучении сети использовать характеристики информативных данных. А именно рассчитываемые в предыдущем функциональном блоке восстановления данных коэффициенты регрессии.

Блок принятия решений

Разработанный блок ситуационной модели включает в себя три основных составляющих:

- блок оценки состояний (фаззификация);

- блок принятия решений;

- блок выдачи выходного воздействия (дефаззификация).

Вводятся две лингвистические переменные для входного и выходного потоков информативных данных:

X <«Уровень информативного параметра», Тх, [0, Р]>,

Yi <«Уровеньриска возникновения ЧС», Ту, [0, 1]>,

где Тх = {«малый», «средний», «достаточно высокий», «высокий»}, Ту = {«низкий», «средний», «достаточно высокий», «высокий», «опасный»}.

База знаний. В случае с ситуационными моделями база знаний является ключевым блоком в принятии адекватного и оперативного решения. В работе используется статическая база знаний, в которой хранятся пары матриц типа:

<Текущая нечеткая ситуация>;

< Прогнозная нечеткая ситуация >;

< Прогнозная нечеткая ситуация >;

<Принимаемое решение >

Нечеткая ситуация представляет собой матрицу, идентичную матрице Sг■ (п х к), 1=1,..,1, полученной в блоке фаззификации. Составляется матрица аналогичным образом при помощи описанного выше блока и функций принадлежности. Второй и третий элементы представляет собой вектор Si(1xk), 1=1,..,1, полученный с помощью лингвистической переменной X и соответствующих функций принадлежности. Четвертый элемент вектора -это возможная альтернатива принимаемых решений. Таким образом, база знаний имеет явный вид и представляет собой набор записей размерностью (I х 4).

При формировании базы знаний использовались экспертные оценки текущего состояния анализируемых информативных параметров. Предлагается использовать степень равенства, как критерий выбора наиболее близкой ситуации из базы знаний, а

следовательно, и соответствующего ей выходного вектора

К^оЛ) = v(SoЛ)&v(Sг,So),

где 1=1,...,к, ц - степень равенства нечетких ситуаций, V - степень включения нечетких ситуаций. То есть в данном блоке происходит сравнение ситуации, полученной из входных данных с эталонными ситуациями в базе знаний.

В работе предлагается использовать процедуру формирования выходного вектора 5 в зависимости от рассчитанных степеней равенства следующим образом:_

Цтах > 0,9 Принимать S с наибольшей степенью равенства

0,5< Цтах < 0,9 Выбрать ситуации с тремя наибольшими степенями равенства и результирующее множество S получить путём пересечения выбранных ^¡лпах П$цтах-1, ^ 1, ■■■ ,2

Цтах < 0,5 Выбрать ситуации с пятью наибольшими степенями равенства и результирующее множество S получить путём пересечения выбранных 5 = 5 1 = 1 4

Блок выдачи выходного воздействия. В данном блоке реализуются алгоритмы дефаззификации и на выходе формируются альтернативы принимаемых решений.

Таким образом, результатом

функционирования блока выдачи выходного воздействия является группа конкретных рекомендаций, выбор которой системой зависит от текущего и прогнозного значений параметров системы.

Уровень риска возникновения ЧС Возможные действия персонала

Низкий Штатное расписание

Средний Повышенное внимание к блоку

Достаточно высокий Диагностика, замена или остановка блока

Высокий Остановка блока, проведение ремонтных работ

Опасный Остановка блока и выведение из эксплуатации

В работе используется метод дефаззификация по среднему центру

2 _

где Ъх - точка, в которой функция принимает максимальное значение.

Система непрерывного

многопараметрического мониторинга - система может не только анализировать и формировать параметры, но и прогнозировать состояние объекта. Для повышения качества функционирования интеллектуальной системы принятия решений предлагается добавить блок сравнения прогнозных значений.

Заключение

Повышение сложности технологического и программно-технического оборудования ведет за собой повышение рисков возникновения чрезвычайных происшествий на производствах, то есть актуальность разработок интеллектуальных систем принятия решений на объектах ядерной энергетики является

неоспоримой. Данная интеллектуальная система не только анализирует текущее состояние объекта, но и на основе формирования прогноза информативных параметров предлагает ряд альтернативных решений для минимизации риска возникновения внештатных ситуаций на особо опасных объектах атомной энергетики.

Литература

1. Поваров В.П., Бакиров М.Б., Данилов А.Д. Программно-технический комплекс непрерывного мониторинга эксплуатационной повреждаемости оборудования ядерных энергетических установок // Вестник Воронежского государственного технического университета. 2017. Т. 13. № 6. С. 58-63.

2. Ярушкина Н.Г. Основы теории нечетких и гибридных систем. М.: Финансы и статистика, 2004. 320 с.

3. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика и исследование зависимостей. М.: Финансы и статистика, 1985. 487 с.

4. Гусев К.Ю., Бурковский В.Л. Нейросетевая модель прогнозирования интегральных экономических показателей // Системы управления и информационные технологии. Т. 48. № 2.1. 2012. С. 132-135.

Поступила 26.01.2018; принята к публикации 29.03.2018

Информация об авторах

Поваров Владимир Петрович - канд. техн. наук, зав. кафедрой автоматизации и систем управления объектами атомной энергетики, Воронежский государственный техниечский университет (394026, Россия, г. Воронеж, Московский проспект, 14), e-mail: tmk_ep@mail.ru

GENERALIZED STRUCTURE OF THE DECISION-MAKING SYSTEM IN CONDITIONS OF POTENTIALLY HAZARDOUS NUCLEAR POWER OBJECTS

V.P. Povarov

Voronezh State Technical University, Voronezh, Russia

Abstract: the article considers the intellectual decision-making system under in conditions of potentially dangerous nuclear power facilities. The proposed system belongs to the class of consultants and does not take final decisions in case of deviation of the analyzed parameters, but forms a number of alternative solutions for the personnel of the production enterprise. The article uses a fuzzy logic apparatus and an adaptive fuzzy-neural network as a mathematical apparatus. The accumulated experience in the operation of nuclear power facilities shows that there are critical elements (nodes, zones, welded joints) that are prone to increased damage in conditions of high operational loads, including non-projected loads, and negative environmental impact. Usually in such a situation there is a danger of damage to the integrity of the equipment when the power unit is operating at a power level at the appearance of a serious defect, for example, a coolant leak and the prospect of developing an initial through-fault to critical dimensions; all these result in the fact that the final observable result is always the same - the formation and development of an operational crack that constitutes a threat to the structural integrity of the element in question and, as a consequence, there is a serious threat to the safety of the nuclear unit's operation. The proposed situational model is associated with an explicit knowledge base in which the formed situations are stored

Key words: decision-making system, multiple regression, nuclear power

References

1. Povarov V.P., Bakirov M.B., Danilov A.D. "Program-technical complex of continuous monitoring of operational damage to equipment of nuclear power plants", The Bulletin of Voronezh State Technical University (Vestnik Voronezhskogo gosudarstvennogo tekhnicheskogo universiteta), 2017, vol.13, no. 6, pp. 58-63.

2. Yarushkina N.G. "Fundamentals of the theory of fuzzy and hybrid systems" ("Osnovy teorii nechetkikh i gibridnykh sistem"), Moscow, Finansy i statistika, 2004, 320 p.

3. Ayvazyan S.A., Enyukov I.S., Meshalkin L.D. "Applied statistics and research of dependencies" ("Prikladnaya statistika i issledovanie zavisimostey"),Moscow, Finansy i statistika, 1985, 487 p.

4. Gusev K.Yu., Burkovskiy V.L. "Neural network prediction model of integrated economic indices", Control systems and information technologies (Sistemy upravleniya i informatsionnye tekhnologii), Voronezh, Nauchnaya kniga, 2012, vol. 48, no. 2.1, pp. 132-135.

Submitted 26.01.2018; revised 29.03.2018 Information about the author

Vladimir P. Povarov, Cand.Sci. (Technical), Voronezh State Technical University (14 Moskovsky prospect, Voronezh 394026, Russia), e-mail: tmk_ep@mail.ru