CC BY
14
УДК 004.589:66.028:64.06,64.066
Мурашев П.М., Санаева Г.Н., Пророков А.Е., Вицентий А.В., Тоичкин Н.А., Богатиков В.Н.
ПРИМЕНЕНИЕ ДЕРЕВЬЕВ ЛОГИЧЕСКОГО ВЫВОДА ДЛЯ РЕАЛИЗАЦИИ ПРЕДИКАТИВНОЙ ДИАГНОСТИКИ СОСТОЯНИЙ
Мурашев Павел Михайлович - аспирант кафедры информационных систем ФГБОУ ВО «Тверской государственный технический университет» Россия, г. Тверь, 170024, пр-т. Ленина, д. 25
Санаева Галина Николаевна - старший преподаватель кафедры «Автоматизация производственных процессов»; gsanaeva@nirhtu.ru
Пророков Анатолий Евгеньевич - кандидат технических наук, доцент кафедры «Вычислительная техника и информационные технологии»
ФГБОУ ВО «Российский химико-технологический университет им. Д.И. Менделеева», Новомосковский институт
Россия, Тульская область, 301665, г. Новомосковск, ул. Дружбы, д. 8
Вицентий Александр Владимирович - кандидат технических наук, доцент кафедры информатики и вычислительной техники
Тоичкин Николай Александрович - кандидат технических наук, доцент кафедры информатики и вычислительной техники
ФГБОУ ВО «Мурманский арктический государственный университет» Россия, Мурманская область, 184209, г. Апатиты, ул. Лесная, д. 29
Богатиков Валерий Николаевич - доктор технических наук, профессор, профессор кафедры информационных систем
ФГБОУ ВО «Тверской государственный технический университет» Россия, г. Тверь, 170024, пр-т. Ленина, д. 25
В статье рассмотрено решение фундаментальной проблемы создания систем интеллектуального принятия решений в задачах управления технологической безопасностью промышленных систем. При выработке решения по управлению безопасностью технологического процесса и диагностике его состояния предлагается использование деревьев логического вывода для реализации предикативной диагностики состояний Ключевые слова: диагностика состояний, принятие решений, интеллектуальная система
APPLICATION OF DETERMINATION TREES FOR IMPLEMENTING PREDICTIVE DIAGNOSIS OF CONDITIONS
Murasev P.M.1, Sanaeva G.N.2, Prorokov A.E.2, Vicentiy A.V.3, Toichkin N.A.3, Bogatikov V.N.1
1 Tver State Technical University, Tver, Russian Federation
2 D. Mendeleev University of Chemical Technology of Russia, Novomoskovsk Branch, Russian Federation 3Apatity Branch of Murmansk State Technical University, Russian Federation
The article discusses the solution to the fundamental problem of creating intelligent decision-making systems in the tasks of managing the technological safety of industrial systems. When developing a solution for managing the safety of a technological process and diagnosing its state, it is proposed to use inference trees to implement predictive diagnostics of states
Key words: diagnostics of conditions, decision making, intelligent system
Введение
На сегодняшний день задача обеспечения безопасного функционирования потенциально опасных технологических объектов является важным направлением в организации промышленного производства в целом. В основе современных автоматизированных систем обеспечения
технологической безопасности (ТБ) обычно можно выделить подсистемы оценки состояний (технологического процесса (ТП), оборудования, системы управления) и подсистему принятия решений по управлению ТП в сложившихся условиях функционирования. Особенно важно в таких системах обеспечить выявление зарождающихся отказов, чтобы не допустить их дальнейшего развития и перехода ТП в нештатные состояния, при которых
может возникать угроза причинения ущерба персоналу, оборудованию и окружающей среде.
Успешность и своевременность устранения неисправностей в сложных ХТС в большой степени определяется возможностью их диагностирования. Распознавание неисправностей и аварийных состояний, в соответствии с принципом иерархичности, начинается с изучения режима протекания процесса в аппарате и определения его состояния, с целью выяснения наличия потенциальных угроз. Для этого используется метод разделения состояний [1].
Экспериментальная часть
В соответствии с принципом декомпозиции в химических процессах обычно выделяют четыре подсистемы: реактор процесса; гидравлические связи, по которым перемещаются жидкие среды; газовые
связи, по которым перемещаются газовые среды; измерительные и управляющие цепи АСУ ХТП.
По методу разделения состояний следует рассмотреть основные режимы протекания технологического процесса в аппаратах и определить его состояния. На основе этих данных строятся основные соотношения по каждому из выделенных аппаратов в цепочке ХТС и системы ограничений для каждого режима функционирования.
На втором уровне иерархии распознавания неисправностей определяются технологические узлы и гидравлические или газовые потоки (связи), подозреваемые на наличие в них неисправного элемента. Вывод о наличии или вероятности отказа в одной или нескольких технологических связях осуществляется на основе анализа состояний диагностируемых процессов.
Разбиение ХТС, удовлетворяющее названным условиям, является во многом задачей, решаемой при помощи экспертов. В общем случае, работоспособность технологического агрегата описывается множеством состояний, которые определяются количеством диапазонов
технологических режимов работы измеряемых и неизмеряемых переменных состояния. Эти переменные состояния называют диагностическими переменными.
В настоящее время для целей диагностики и обнаружения зарождающихся отказов широко применяются методики, основанные на применении диагностических графов и деревьев логического вывода. Так как качество диагностики на производстве может сильно зависеть от квалификации персонала, то существует необходимость программной реализации
рассматриваемой методики для целей диагностики и поддержки принятия решений по управлению технологической безопасностью.
Экспертный режим
(4) Эксперт )
Современные информационные системы технологической безопасности являются сложными иерархически организованными человеко-машинными системами. В этих системах можно выделить подсистему оценки состояний технологии и организационно-технологическую подсистему
управления безопасностью. Ядром таких информационных систем является система анализа зарождения и развития опасностей.
Создание таких систем требует дальнейшего развития методов прогноза состояний с учетом неопределенности функционирования
технологического процесса, алгоритмов поиска источников нарушений, математических моделей используемых в решении задач определения состояний, а также разработки новых систем поддержки принятия решений на основе применения новых информационных технологий.
Трудность создания систем управления технологической безопасностью объясняется сложностью организации производственных комплексов и современных промышленных технологий. Вследствие этого постоянно повышаются время и трудозатраты на выполнение диагностических процедур, поиска источника возникающих нарушений, что в итоге приводит к ухудшению качества принимаемых решений. Это вызывает необходимость создания специальной системы оценки состояний и диагностики нарушений для целей прогнозирования нештатных и предаварийных ситуаций [2].
Далее будут рассмотрены основные модели и алгоритмы, составляющие методику диагностики неисправностей ХТС на основе нечетких деревьев логического вывода. Обобщенная структура системы, обеспечивающей реализацию методики,
представлена на рис. 1.
< <
^6) Создание и модификация ДНЯВ
■ (7) Создание и модификация НБЗ
(1) Дерево нечеткого логического вывода
(2) Функции принадлежности (3) Нечеткие базы знаний
(Ю) Фазификация
{11} Блок нечеткого логического вывода
(12)
Дефазификация (опционально)
(14) БД рекомендаций
Т\
(9) Задание
входных переменных
(15) Блок
(8) Пользователь |ч выдачи
рекомендаций
(13) Выбор рекомендаций
Пользовательский режим
Рис. 1 Обобщенная структура системы диагностики неисправностей
Алгоритм работы по данной методике диагностики можно представить следующим образом:
1. Определение характеристик системы. На этом шаге выводится информация о назначении системы, определяется выходная диагностируемая переменная рассматриваемого ХТП или объекта.
2. Формирование дерева логического вывода. Дерево логического вывода формируется путем последовательного выполнения операций добавления или удаления узлов. При добавлении нового узла запрашивается информация о его имени (например, температура), обозначении (например, количестве термов для оценки и названиях этих термов (например, <низкая>, <нормальная>, <высокая>).
3. Определение функций принадлежности лингвистических термов. На этом шаге определяются модели функций принадлежности, используемые для формализации термов - оценок переменных.
4. Определение экспертных правил ЕСЛИ-ТО, описывающих поведение объекта. Экспертные правила ЕСЛИ-ТО вносятся в соответствующие матрицы знаний, которые могут быть сохранены и собраны в базы знаний (БЗ).
Структура базы данных отражает варианты расчёта для показателей безопасности
Таблица 1. Обобщённая структура базы знаний и базы данных
Сбо Исходный шаг начала работы программы системы управления р информации по технологическим параметрам. Подготовительные расчёты функций принадлежности
Номер состояния Р1 Pn d1 dm
T1 T2 Тз T1 Tk T1 T2 T1 T2 T3
1 ^12(Pl) W3(P0 ^11(Pn) ^1k(Pn) 1 (d1 ) 2 (d1 ) Wn (dm) ^12(dm)
2 ^(pi. ^22(P0 ^23(Pi) ^21 (Pn) ^2k(Pn) ^21 (d1) ^22 СФ) H21 (dm) ^22(dm) ^23(dm)
v Hvl (Pl) ^V2 (Pi) ^vs(Pl) ^vl(Pn) ^vk (Pn ) Hv1 (d.) Hv1(dm) ^v2 (dm) Hv3(dm)
Коррекция параметров модели - нейро-нечёткая сеть (Adaptive Neuro-Fuzzy Inference System - ANFIS-сети)
1 этап
Расчет индекса технологической безопасности и индекса ущерба - /n(S*), /n(S*j) по отдельным параметрам (правило Мамдани)
Р1 Pn d1 dm
1 Ini(Spi) In1(§pn) In1(Sd1) In1 (Sdm)
v In„(Spi) Inv(Spn) Inv(Sd1) Inv(Sdm)
2 этап
Расчет индекса технологической безопасности и индекса ущерба - п(§р), 1п(§^) по отдельным аппаратам
1 In1(SP(1-n)) In1(Sd(1-m))
v Inv(Sp(1-n)) Inv(Sd(1-n))
3 этап
Расчет индекса риска - 1пШ5к(§*) = {¡п(§р, в дискретные моменты времени
1 InRisk1(S)
v InRiskv(S)
Определение нагрузки на систему по природному газу и кислороду (правило Мамдани)
Переход на исходный шаг начала работы программы системы управления процессом
функционирования технологической системы (табл.1).
На основе сформированной базы данных вычисляются субъективные оценки идеала. При этом учитываются ущербы, возникающие в процессе функционирования системы. На основе того же механизма вычислений определяется индекс оценки риска:
где 1п(§р) - индекс технологической безопасности; 1п(§д) - индекс ущерба [3].
Для определения индекса риска текущего состояния процесса необходимо сравнить на нечёткое равенство входную нечёткую ситуацию §*с нечёткой ситуацией, которая характеризует центр безопасности 5° . При этом степень их нечёткого равенства будем называть индексом риска технологического процесса:
Ц§;) = ?(§р, §;).
Индекс риска достигает своего минимального значения при совпадении рабочей точки процесса с центром технологической безопасности в(^>°) = 0.
При удалении рабочей точки процесса от центра технологической безопасности индекс риска увеличивается. При выходе рабочей точки из области регламентного (безопасного) состояния либо при достижении одной из границ этой области
1п^к(§*) = 1.
В результате нечеткого логического вывода получаются функции принадлежности выходной переменной и оценка диагностируемого параметра ХТС.
Рассмотрим пример диагностики некоторого параметра по методике диагностики неисправностей ХТС на основе дерева логического вывода [3].
В качестве технологического процесса для построения нечеткого дерева вывода рассмотрим процесс производства ацетилена окислительным пиролизом природного газа.
Производство ацетилена представляет собой сложный, потенциально опасный технологический процесс. Анализ показал, что отделение пиролиза несет в себе значительную часть опасностей, связанных с получением ацетилена как конечного продукта вследствие протекания процесса в условиях высоких температур при повышенной взрыво- и пожароопасности процесса [4].
На первом шаге необходимо выделить неполадки, подлежащие диагностике, и параметры, которые могут их вызвать. Основные неполадки для процесса окислительного пиролиза следующие:
^ - не поступает природный газ в реактор; d2 - не поступает природный газ на горелку подогревателя;
dз - не поступает кислород в реактор; d4 - повысилась температура газа пиролиза после реактора;
d5 - повысилось содержание природного газа в газе пиролиза;
d6 - повысилось содержание кислорода в газе пиролиза.
При диагностике неисправностей будем оценивать следующие основные параметры:
XI - неисправность трубопровода природного газа на реакцию окислительного пиролиза;
Х2 - низкий расход природного газа на горелку подогревателя;
хз - засорение форсунок подачи воды на «закалку» газа пиролиза;
х4 - неисправность горелки подогревателя;
Х5 - закоксовывание газораспределительной решётки;
х6 - излишнее количество кислорода;
Х7 - неисправность трубопровода природного газа на горелку;
Х8 - воспламенение сажи в реакторе;
Х9 - не удается отрегулировать содержание ацетилена;
Хю - низкий расход воды на «закалку» газа пиролиза;
XII - низкая температура природного газа на реакцию;
Х12 - низкая температура кислорода на реакцию.
Перечисленные параметры могут быть измерены непосредственно в ходе работы ТП или выявляться персоналом. Задача диагностики состоит в том, чтобы каждому сочетанию значений параметров поставить в соответствие одно из решений: dj (¡=1..6).
Далее следует построить нечеткую базу знаний. Для этого параметры Х1-Х12 будем рассматривать как нечеткие (лингвистические) переменные. Для удобства диагностирования эти переменные можно отнести к некоторым классам:
1. Опасности неисправности оборудования (е): х1; Хз, Х4, Х5, Х7.
2. Опасности несоблюдения технологии ХТП (р): Х2, Х6, Х8, Х10, Х11, Х12.
3. Опасности неисправности системы управления (s): Х9.
Тогда структура модели дифференциальной диагностики ХТС будет отвечать соотношениям: d=fd(e,p,s); е=Ге(Х1, Хз, Х4, Х5, Х7); р=Гр(Х2, Х6, х8, Х10, Х11, Х12); S=fs(X9)
Обобщенная структура модели диагностики имеет вид, представленный на рис. 2.
Рисунок 2. Обобщенная структура дерева логического вывода
Используя &(Л) (И - min) и V (ИЛИ - max), можно записать систему нечетких логических уравнений, связывающих функции принадлежности диагнозов и входных переменных для каждого из возможных диагнозов di-d6. Общий вид записи функции принадлежности для диагноза d1 можно представить как:
Для оценки значений лингвистических переменных х1-х12 будем использовать единую шкалу термов: Н - низкий, Нм - нормальный, В - высокий. Каждый из этих термов представляет нечеткое множество, заданное с помощью соответствующей функции принадлежности. Эти функции могут быть трапециевидными, треугольными,
колоколообразными и экспоненциальными. Для данного случая использовались трапециевидные функции принадлежности [5].
^ (¿) = (е)л^Ям(р)л^в (5)],
00 = (Х2)л^Я(Х6)л^Ям(Х8)л^Я (Х10)л^Я (Хц)л^В(Х12)]У у[^Ям(х2)лМЯм(х6)лМЯм(х8)лМЯ (^ю)л^^м(хц)л^Ям(х12)] V (Х2)л^Ям(Хб)л^Ям(Х8)л^Я (Хю)л^В (Хц)л^Я (х^)] где (е) = [ия (х1)л^ям(х3)л^я(х4)л^я (х5)л^я (х7)^[ця (х1)л^ям(х3)л^я(х4)л^ям(х5)л^в (х7)^
v[цям(x1)л(цям(x3)л(ця (х4)л^в(х5)л^Ям(х7)];
МЯм(р) = [иЯм(Х2)лМЯ (Хб)л^Ям(Х8)л^В(Х10)лМЯм(Х11)лМЯ (Xl2)]v V [^Ям (Х2 ) л^Ям (Хб) л^Ям (Х8 ) л^В (^ю)л^^м(Хц)л^Ям(Х12)] V V[^Я (Х2)л^Я(Хб)л^Ям(Х8)л^В (Х10)л^В(Хц)л^Ям(Х12)];
/^00 = МЯ(Х9);
^Ям(5) = Мям(х9);
(5) = (х9).
Нечеткие логические уравнения такого вида вместе с функциями принадлежности нечетких термов позволяют принимать решение о неисправности в ХТС по следующему алгоритму:
1. Зафиксируем значения параметров состояния ХТС:
V* — Лу*. -у*, -у*. V*- V*- V*- V*- V*- V*- V* • V* • т* ) Л — (Л1, Л2; A3, Л4, Л5, Ag, Л7, Л8, Лд, A10< -Н2У-
2. Определим значения функций принадлежности
№ () при фиксированных значениях параметров х*, i=1..12.
3. Используя логические уравнения, вычислим
значения функций принадлежности № (xt) при векторе состояния X* для всех диагнозов d1-d6. При этом, логические операции И (Л) и ИЛИ (V) над функциями принадлежности заменяются операциями min и max: ц(а)Лц(Ь)=шт(ц(а),ц(Ь)); ц(а)^(Ъ)=тах(ц(а),ц(Ъ)).
Определим решение dj для которого:
Ц -*(х1, Х2, Х3 , Х4, X*, Х6, Х7, Хд, Хд, Х10, Хц, Х12) =
max
У = 1. .12
(Xi, Х2, Х3, Х4, Х5, Х6, Х7, Хд, Х9, Хю, Хц, Xi2)j
Заключение
Таким образом, номер диагноза с максимальным значением ^ > покажет наиболее вероятный отказ в ХТС, а само значение ^ > - степень уверенности в поставленном диагнозе.
Работа выполнена при поддержке РФФИ (грант 20-07-00914).
Список литературы
1. Мелихов А.Н., Бернштейн Л.С., Коровин С.Я. Ситуационные советующие системы с нечеткой логикой. М.: Наука, 1990. - 272 с.
2. Вент Д.П., Лопатин А.Г., Брыков Б.А., Богатиков В.Н., Пророков А.Е. Диагностика состояний и управление динамическими процессами в слабоструктурированных и плохоформализуемых средах / ФГБОУ ВО РХТУ им. Д.И. Менделеева, Новомосковский институт (филиал). Новомосковск, 2018. - 199 с.
3. Яхъяева, Г.Э. Нечеткие множества и нейронные сети / Г.Э. Яхъяева. - М.: Интернет-университет информационных технологий, 2014. - 320 с.
4. Вент Д.П., Ерофеев В.И., Богатиков В.Н.,. Лопатин А.Г., Пророков А.Е., Иляхинский А.В., Санаева Г.Н., Брыков Б.А., Мурашев П.М.. Управление технологической безопасностью промышленных процессов на основе нечетко-определенных моделей/ ФГБОУ ВО РХТУ им. Д.И. Менделеева, Новомосковский институт (филиал). Новомосковск, 2019. - 209 с.
5. J. M. Maciejowski, Predictive Control with Constraints. Harlow, England: Prentice Hall, 2002. - 331 P.
