Технологии искусственного интеллекта в задачах диагностики информационных подсистем асутп




НазваниеТехнологии искусственного интеллекта в задачах диагностики информационных подсистем асутп
Дата публикации17.10.2016
Размер9.76 Kb.
ТипЗадача



А.И. Репин, В.Р. Сабанин, Н.И. Смирнов

Московский энергетический институт (технический университет)
ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ЗАДАЧАХ ДИАГНОСТИКИ ИНФОРМАЦИОННЫХ ПОДСИСТЕМ АСУТП
АННОТАЦИЯ

Предлагается метод диагностирования частичных отказов информационно-измерительных каналов АСУТП с использованием технологий искусственного интеллекта. В основу метода положен алгоритм коррекции результатов измерений, основанный на информационной избыточности технологического процесса. Для проведения диагностических процедур исследуется возможность применения нейросетевых технологий, эволюционных алгоритмов оптимизации и элементов нечеткой логики.
1. ВВЕДЕНИЕ

Алгоритмы контроля достоверности исходной информации, с помощью которых выявляются частичные (метрологические) отказы информационно-измерительных каналов (ИИК), как правило, основаны на использовании информационной избыточности.

Информационная избыточность обусловлена тем, что информация о действительном значении технологического параметра содержится не только в результате его измерения, но и в измеренных значениях других параметров, связанных с ним уравнениями материальных и тепловых балансов.

Предлагаемая методика диагностики представляется как задача нечеткой классификации, для решения которой используется искусственные нейросети (ИНС), обученные с помощью эволюционных алгоритмов оптимизации.

Решение поставленной задачи осуществляется поэтапно и включает следующие процедуры:

  • оценка текущих состояний измерительных каналов;

  • выделение значимых для балансовых уравнений технологических параметров;

  • множественная обработка результатов измерений на скользящем интервале времени с использованием алгоритма коррекции;

  • выбор структуры и обучение нейросети для решения задачи классификации частичных отказов измерительных каналов;

  • использование обученной нейросети для формирования нечетких выводов о частичных отказах измерительных каналов.


^ 2. АЛГОРИТМ КОРРЕКЦИИ ИЗМЕРЯЕМЫХ ПАРАМЕТРОВ

Для исследуемого технологического процесса система балансовых соотношений, обеспечивающих информационную избыточность может быть записана в виде:

(1)

где – вектор оценок истинных значений технологических параметров; – число уравнений балансов; – размерность вектора.

На практике балансы, как правило, не сходятся. Убедительным подтверждением присутствия ошибок измерения являются нарушения балансовых соотношений при подстановке в них усредненных на достаточно длительном интервале времени результатов измерения при условии отсутствия технологических отказов. Появившиеся небалансы   могут быть устранены целевым сдвигом значений измеряемых величин внутри диапазонов их неопределенности, обусловленных погрешностью измерения.

Уравнения системы балансовых соотношений (1) выполняются только при подстановке в них оценок истинных  значений технологических параметров:

(2)

Значения  , способные скорректировать уравнения балансов, могут быть найдены из решения задачи оптимального распределения корректирующих поправок при ограничениях на балансовые соотношения в соответствии с критерием

, (3)

где – верхний предел диапазона измерения; - весовые коэффициенты.

Поставленная задача относится к классу задач оптимального распределения и может быть решена методом неопределенных множителей Лагранжа. Более подробно алгоритм коррекции результатов измерений технологических параметров изложен в работе [1].

^ 3. ДИАГНОСТИКА ЧАСТИЧНЫХ ОТКАЗОВ ИИК КАК ЗАДАЧА НЕЧЕТКОЙ КЛАССИФИКАЦИИ

С помощью алгоритма коррекции для линейных уравнений материальных балансов представляется возможным проводить и более глубокий анализ работы отдельных измерительных каналов. Если проделать ряд циклов коррекции результатов измерения, то можно в каждом цикле определять разность скорректированного и измеренного значения . Наличие повторяющегося от цикла к циклу большого значения с постоянным знаком может указывать на систематическую составляющую погрешности измерения -го параметра. А нарушение условия

, (4)

где – допустимое значение погрешности измерения говорит о частичном отказе -го измерительного канала.

Если вклад измеряемых величин в формирование балансовых соотношений неравнозначен, проводить диагностические процедуры таким образом не совсем корректно. Объясняется это тем, что на оценки истинных значений измеренных величин большое влияние оказывают вариации параметров, имеющих наибольший вес в балансовых соотношениях. Может возникнуть ситуация, когда частичный отказ какого-либо измерительного канала вызовет нарушение условия (4) не только для своего канала, но и для остальных, что приведет к ложным диагностическим выводам. Разрешить создавшуюся ситуацию позволяет подход, основанный на алгоритмах классификации.

Компоненты вектора диагностируемых параметров в простейшем случае можно представить тремя нечеткими термами (рис. 1) относительно значений начального сбалансированного режима [2]:

  • L (low) – если значение параметра занижается относительно значения в начальном сбалансированном режиме;

  • N (normal) – если отклонение параметра не выходит за пределы допустимого диапазона относительно начального сбалансированного режима;

  • H (high) – если значение параметра завышается относительно значения в начальном сбалансированном режиме.



Рис.1. Графическое представление символьной нечеткой переменной с треугольной функцией принадлежности
По результатам работы алгоритма оценивания можно сформировать многомерное факторное пространство, по осям которого откладываются значения корректирующих поправок результатов измерений () и значения небалансов (). Каждая точка в факторном пространстве представляется вектором . По результатам множественной обработки данных, полученных за определенный промежуток времени, образуется облако точек (, - число измерений за заданный промежуток времени). Как показали исследования, в случае отсутствия частичных отказов средств измерений и точной балансовой модели производства, ядро облака расположится в начале координат, а разброс облака будет обусловлен случайной составляющей погрешности измерений. В качестве примера на рис.2 а показана проекция облака на плоскость с координатами: (приращение измеренного значения расхода газа) –( небаланс по теплу), полученная по центрированным данным для парового котла №1 ТЭЦ-27 ОАО МОСЭНЕРГО. На рис. 2 б показаны проекции облака, соответствующие функциям принадлежности термов L, H и N для символьной нечеткой переменной "расход газа", которые образуют множества , и с нечеткими границами.



а) б)

^ Рис. 2. Графическое представление результатов оценивания измерений
Таким образом, предлагаемый подход позволяет свести диагностику частичных отказов к задаче нечеткой классификации. Анализируя величины небалансов и значения корректирующих поправок, можно говорить о степени принадлежности вектора измеренных параметров к какому-либо множеству. Структурная схема проведения диагностических процедур представлена на рис. 3.

Рис. 3. Структурная схема проведения диагностических процедур
^ 4. РЕШЕНИЕ ЗАДАЧИ КЛАССИФИКАЦИИ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННЫХ НЕЙРОСЕТЕЙ

В настоящее время, благодаря совершенствованию вычислительной техники, для решения задач классификации начинают широко применяться технологии нейросетевого моделирования, имеющие следующие достоинства:

  • высокую эффективность работы с большими объемами данных;

  • способность воспроизводить сложные нелинейные соотношения;

  • отсутствие ограничений на функцию распределения данных;

  • возможность обработки разнотипных экспериментальных данных;

  • сохранение работоспособности при наличии пропусков в таблице обучающей выборки.

Для решения поставленной задачи классификации предлагается использовать прямонаправленные нейросети, выполненные в виде трехслойных перцептронов. В качестве активационной функции нейронов выходного слоя сети выбрана сигмоидальная функция вида:

. (5)

Выходное значение нейрона с активационной функцией (5) будет лежать в диапазоне [0,1]. Нейросеть настраивается так, чтобы выходное значение нейрона соответствовало функции принадлежности соответствующего терма. В этом случае выходное значение нейрона будет показывать степень принадлежности входного вектора какому-либо нечеткому множеству . Значение активационной функции будет означать, что вектор определенно принадлежит нечеткому множеству , а значение , что вектор определенно не принадлежит нечеткому множеству .

Для распознавания каждого класса рекомендуется использовать индивидуальный трехслойный перцептрон, для обучения которого используется индивидуальная обучающая выборка. Число нейронов промежуточного слоя рекомендуется брать равным полусумме числа входных и выходных нейронов сети [3].

В ходе обучения изменяются значения синаптических коэффициентов для каждого нейрона с целью минимизации среднеквадратичной ошибки сети между выходным и эталонными векторами.

Задача обучения нейросети является многоэкстремальной, поэтому все классические методы оптимизации, основанные на градиенте целевой функции не могут гарантировать нахождение наилучшего решения. Поэтому для повышения качества распознавания классов рекомендуется использовать эволюционные алгоритмы глобальной оптимизации. Самыми известными из них являются генетические алгоритмы (ГА). В приведенном ниже примере для обучения диагностической нейросети использовалась авторская версия модифицированного генетического алгоритма (МГА). Алгоритм реализован в виде пользовательской программы для математической системы Mathcad [4] и в виде универсальной программы для ЭВМ [5].
^ 5. ПРИМЕР ДИАГНОСТИРОВАНИЯ ЧАСТИЧНЫХ ОТКАЗОВ ИЗМЕРИТЕЛЬНЫХ КАНАЛОВ ДЛЯ ПАРОВОГО КОТЛА №1 ТЭЦ-27 (ОАО МОСЭНЕРГО)

Информационная избыточность определяется уравнениями материального и теплового балансов:

; , (6)

где – соответственно расходы питательной воды, продувки, перегретого пара, т/ч; доля тепла, полезно используемого в котле, теряемого с уходящими газами, от химического недожога и в окружающую среду, %; - материальный небаланс, т/ч; -тепловой небаланс, %.

Для анализа производственной ситуации обрабатывалась выборка измеряемых технологических параметров котла за месяц. Измеряемые параметры записывались в массив с интервалом 15 мин. На рис. 4,а показана реализация расхода газа на котел за рассматриваемый промежуток времени.

Реализация корректирующей поправки приведена на рис. 4,б. В факторном пространстве результат множественной обработки представлен в виде "облака". На рис. 4,в показаны его проекции на оси (небаланс по теплу) и (материальный небаланс).

Из рис. 4,в видно, что "облако" смещено относительно начала координат. Причинами такого смещения могут быть как систематические погрешности каналов измерения, так и неучтенные факторы в модели объекта. Так как истинные причины смещения "облака" относительно начала координат неизвестны, то изменение технологической ситуации предлагается оценивать относительно некой исходной "идеальной" модели производства. В качестве модели "идеального" производства предлагается рассматривать ситуацию, когда положение "облака" не изменяется в течение определенного промежутка времени. Смещение "облака" относительно идеального будет характеризовать возникновение аномальных ситуаций.


а)



б)



в)

Рис. 4. Обработка результатов измерения расхода газа
Проведенные в работе исследования показали, что на величину корректирующих поправок и соответствующее им положение "облака" в факторном пространстве оказывают влияние те параметры, которые имеют наибольший вес в балансовых уравнениях. В связи с этим диагностированию поддаются не все параметры, входящие в используемые расчетные формулы балансовых соотношений. Веса измеряемых параметров в балансовых соотношениях найдены в результате анализа чувствительности уравнений небалансов к вариациям результатов измерений.

Наибольшие веса в уравнении материального баланса котла имеют расходы питательной воды и пара . Результат анализа чувствительности теплового баланса котла к вариациям измеряемых параметров, представлен на рис. 5.



Рис. 5. Чувствительность теплового небаланса котла к вариациям измеряемых параметров
Наибольшее влияние на тепловой небаланс оказывают расходы газа, воды и пара. Остальные параметры практически не оказывают влияния на величину теплового небаланса и их вариации не приводят к сдвигу "облака".

Таким образом, в соответствии с используемыми выражениями расчета балансовых соотношений, диагностируемыми параметрами принимаются расходы пара, питательной воды и топлива, что реально отображает сущность технологического процесса парообразования в котле. Для диагностирования параметров, имеющих малые веса, необходимо вводить дополнительные соотношения, в которые эти параметры входят с достаточным весом.

Для формирования обучающей выборки определялись диапазоны вариаций параметров, соответствующие термам , и . В основу выбора положен экспертный подход исходя из опыта эксплуатации ИИК. В качестве примера были выбраны диапазоны, приведенные в табл. 1.

Таблица 1

Параметр

Размерность

Диапазоны вариаций параметров









тыс. м3/ч

-0.3…-1

-0.3…+0.3

+0.3…+1



т/ч

-3…-10

-3…+3

+3…+10



т/ч

-3…-10

-3…+3

+3…+10



%

-1…-5

-1…+1

+1…+5



т/ч

-3…-10

-3…+3

+3…+10


Для диагностирования информационно-измерительного канала расхода газа построена ИНС вида, представленного на рис. 6.



Рис. 6. Топология нейросети для диагностики частичных отказов информационного канала для измерения расхода газа
Входами нейросети являются величины приращений расходов и значения небалансов, а выходами значения функций принадлежности.

Анализ результатов оценивания показал, что на величины приращений измеряемых параметров их вариации оказывают взаимное влияние. Поэтому число тренировочных шаблонов определялось как полный перебор всех сочетаний переменных. В случае диагностики канала измерения расхода газа производился полный перебор сочетаний (,) трех переменных (, и ). Тренировочные шаблоны для обучения сети формировались путем целенаправленной последовательной вариации параметров в соответствии с выбранными диапазонами (табл.1). Виды полученных тренировочных шаблонов в проекции на оси факторного пространства показаны на рис. 7.



Рис. 7. Тренировочные шаблоны для диагностирования расхода газа
Значения выходов обученной нейросети при вариациях расхода газа относительно сбалансированного режима показаны на рис. 8. Исходя из вида полученных функций принадлежности, порог принятия (минимальное значение выхода сети, при котором наблюдение будет считаться принадлежащим классу или ) можно считать равным 0.5. В связи с чем значение функций принадлежности или будет говорить о частичном отказе канала измерения расхода газа.



Рис. 8. Результат обучения нейросети
Подобным образом были построены нейросети и сформированы тренировочные шаблоны для диагностирования измерительных каналов расходов питательной воды и пара .

Обработка выборки измеренных параметров с помощью предложенного метода показала, что диагностируемые информационные каналы в течение рассматриваемого промежутка времени работали в пределах основной допускаемой погрешности. Полученный результат позволяет сделать вывод об отсутствии частичных отказов ИИК.
6. ЗАКЛЮЧЕНИЕ

Предлагаемая методика диагностики частичных отказов измерительных каналов была опробована на одном из паровых котлов ТЭЦ-27. В качестве источника информационной избыточности использовались уравнения материального и теплового балансов. Полученная информация позволила диагностировать частичные отказы каналов измерения расходов газа, пара и питательной воды. Распространение методики на тепловую схему станции, включающую паровые и водогрейные котлы, а также оборудование турбинного цеха, значительно расширит перечень диагностируемых параметров в информационной структуре АСУТП ТЭЦ.

Предлагаемый подход с использованием технологий искусственного интеллекта дает возможность достаточно быстро и в реальном масштабе времени проводить перенастройку диагностической системы и адаптироваться к изменениям технологической ситуации.

Внедрение разработанной методики повысит достоверность получаемой информации и тем самым улучшит качество управления.
^ СПИСОК ЛИТЕРАТУРЫ

  1. Сабанин В.Р., Смирнов Н.И., Репин А.И., Аракелян Э.К., Макаров О.Н., Андреев С.Н. Математическое и программное обеспечение алгоритма коррекции измеряемых параметров для расчета технико-экономических показателей на ТЭЦ//Вестник МЭИ. 2003. №1. С. 21-27.

  2. Агамалов О.Н. Оценка технического состояния электрооборудования в реальном масштабе времени методом нейро-нечеткой идентификации. Exponenta Pro. Математика в приложениях. 2003. №2. С. 36-44.

  3. Шитиков В.К., Розенберг Г.С., Зинченко Т.Д.. Количественная гидроэкология: Методы системной идентификации. Тольятти: ИЭВБ РАН, 2003. 463 с.

  4. Сабанин В.Р., Смирнов Н.И., Репин А.И. Модифицированный генетический алгоритм для задач оптимизации и управления// Exponenta Pro. Математика в приложениях. 2004. №3-4.С. 78-85.

  5. Сабанин В.Р., Смирнов Н.И., Репин А.И. Универсальная программа для оптимизации многоэкстремальных задач «Optim-MGA» // Свидетельство об официальной регистрации программы для ЭВМ № 2004610862. Зарегистрировано в Реестре программ для ЭВМ г. Москва, 8 апреля 2004 г.




Похожие:

Технологии искусственного интеллекта в задачах диагностики информационных подсистем асутп iconТехнологии и системы искусственного интеллекта реферат по «Технологии...
...
Технологии искусственного интеллекта в задачах диагностики информационных подсистем асутп iconОбзор исследований в области искусственного интеллекта
Обзор исследований в области искусственного интеллекта глава представление знаний
Технологии искусственного интеллекта в задачах диагностики информационных подсистем асутп iconБ. А. Минин нововедение (новистика) учебно
Болотова людмила Сергеевна, доктор технических наук, профессор мирэа и Российского Государственного Университета инновационных технологий...
Технологии искусственного интеллекта в задачах диагностики информационных подсистем асутп iconПартнерская Система
В основу пс "зоран" положена новая концепция искусственного интеллекта. Данная система может быть использована как самостоятельный...
Технологии искусственного интеллекта в задачах диагностики информационных подсистем асутп iconКлассификация и тенденции развития компьютерных информационных технологий
Понятие технологии, информационной технологии и корпоративной информационной технологии
Технологии искусственного интеллекта в задачах диагностики информационных подсистем асутп icon1. Значение учения о типах естественного осеменения для теории и...
Методы искусственного осеменения свиней
Технологии искусственного интеллекта в задачах диагностики информационных подсистем асутп iconИнформационные технологии в банковской сфере Выпускная работа по...
Проектирование, стадии и этапы создания Автоматизированных информационных систем 7
Технологии искусственного интеллекта в задачах диагностики информационных подсистем асутп iconИсследование искусственного освещения методические указания к лабораторной работе №3
Дегтярев В. О., Жуков В. И., Грибков О. И. Исследование искусственного освещения: Методические указания  М.: Миит, 2006. 60 с
Технологии искусственного интеллекта в задачах диагностики информационных подсистем асутп iconПрограмма пропедевтического курса «Информатика в играх и задачах»
Программа соответствует федеральному компоненту государственного стандарта общего образования 2004 г и обеспечена учебниками «Информатика»...
Технологии искусственного интеллекта в задачах диагностики информационных подсистем асутп icon2009 г. Информация о деятельности Службы ранней диагностики
Информация о деятельности Службы ранней диагностики. Информационный сборник / составитель Лопухова О. М. – руководитель Службы ранней...
Вы можете разместить ссылку на наш сайт:
Школьные материалы


При копировании материала укажите ссылку © 2013
контакты
dopoln.ru
Главная страница