ИНТЕЛЛЕКТУАЛЬНОЕ ОБЕСПЕЧЕНИЕ МЕТОДА ВЫЯВЛЕНИЯ

Математическое моделирование и алгоритмы
УДК 681.5.015:621.64 (075.8)
ИНТЕЛЛЕКТУАЛЬНОЕ ОБЕСПЕЧЕНИЕ МЕТОДА ВЫЯВЛЕНИЯ ПРИЧИН
ВОЗНИКНОВЕНИЯ АНОМАЛЬНЫХ ОСОБЕННОСТЕЙ МЕТАЛЛИЧЕСКОЙ
ОБОЛОЧКИ ТЕХНОГЕННЫХ ОБЪЕКТОВ
Владова А.Ю., Коротков А. А., Федоренко Д.Ю.1
Аннотация. В статье рассмотрен метод выявления причин возникновения аномальных особенностей металлической оболочки техногенных объектов. Исходными данными метода
являются результаты диагностических обследований, информация системы диспетчерского
контроля и управления, а также проектная, исполнительная и эксплуатационная документации. Интеллектуальным обеспечением метода являются классификация контролируемых и
выходных параметров, наборы сформированных правил по каждому типу особенностей и
база правил, позволяющая определять причину их возникновения.
Ключевые слова: техногенный объект, аномальная особенность, металлическая оболочка,
база правил, проектная, исполнительная и эксплуатационная документации.
INTELLIGENT SUPPORT OF METHOD IDENTIFYING THE CAUSES OF DEFECTS
OF THE MAN-MADE OBJECTS METALLIC SHELL
Vladova A.Yu., Korotkov A.A., Fedorenko D.Yu.
Abstract. The article presents a method of identifying the causes of defects of the of man-made objects metallic shell. The initial data of the method are the results of inspections, information of a
remote monitoring and control system, as well as the construction, executive and operational documentation. Intellectual support of the method consists of the classification of controlled and output parameters, sets of rules generated for each type of defects and knowledge base that allows to
determine their causes.
Keywords: man-made object, defect, metallic shell, knowledge base, construction, executive and
operational documentation.
Введение
Одним из основных аспектов эксплуатации техногенных объектов на этапе длительного функционирования является проведение мероприятий, направленных на устранение причин возникновения аномальных особенностей металлических оболочек. Под особенностью
понимают отклонение параметров стенки, сварных швов, геометрических форм трубы в пределах требований нормативных документов. Особенности регистрируют с помощью проведения разновременных диагностирований и их многочисленность является следствием техногенных, природно-климатических и других воздействий. Аномальность выявленных особенностей предложено определять сопоставлением фактической информации с проектной,
исполнительной и эксплуатационной документацией. Целью использования метода является
поддержание эффективного функционирования техногенных объектов.
Для извлечения знаний из объемной информации и выявления закономерностей ассоциации, последовательности, классификации и кластеризации данных используют методы
интеллектуального анализа данных, развитые в работах отечественных и зарубежных ученых
[1-4]. Основные вопросы проектирования и разработки систем интеллектуального управления, методы построения и моделирования систем управления на основе знаний, управления
распределенной обработкой онтологии, знаний и данных и др. рассмотрены в [5-7]. Вопросам обеспечения надежности функционирования, проведения и оценки результатов диагностирований техногенных объектов посвящены [8-10]. Проблемы формирования и перспективам развития систем управления базами знаний рассмотрены в [11-13].
Метод выявления причин возникновения особенностей
Значительный интерес для теоретических и практических исследований представляет
большая группа техногенных объектов, изолированных от окружающей среды металлической оболочкой, техническое состояние которой на этапе длительной эксплуатации в решающей степени определяют множество отклонений от нормативных значений. К категории
техногенных отнесены объекты, отказы которых сопряжены со значительным материальным
1
Работа поддержана грантом РФФИ № 12-07-00577а «Технологии интеллектуального управления состояниями
техногенных объектов»
Математическое и программное обеспечение систем в промышленной и социальной сферах
37
Математическое моделирование и алгоритмы
и экологическим ущербом как прямым, так и косвенным. Переход эксплуатирующих организаций к массированным диагностированиям техногенных объектов дал возможность собрать
разновременные данные об имеющихся отклонениях, но объективный анализ причин их возникновения затруднен. Предложенный метод выявления причин возникновения особенностей состоит из шести основных этапов (рис. 1). На первом этапе по массиву данных осуществляют поиск особенностей типа нарушение геометрии оболочки: вмятина, гофр, сужение, а также особенностей стенки оболочки типа трещина. Здесь вмятина – местное уменьшение проходного сечения без излома оси объекта, возникшее в результате поперечного механического воздействия; гофр – уменьшение проходного сечения, сопровождающееся чередующимися выпуклостями и вогнутостями стенки, в результате потери устойчивости от поперечного изгиба с изломом оси объекта; сужение – уменьшение проходного сечения объекта; трещина – разрыв металла, идущий вглубь под прямым углом к поверхности, геометрия
которого определяется двумя размерами (протяженность, глубина).
На втором этапе выбирают участки металлической оболочки с особенностями, характеризуемыми следующими критериями: не выявленные предыдущими диагностированиями;
изменения геометрических размеров между диагностированиями; близость прогнозируемого
предельного срока эксплуатации; нахождение в зоне с экзогенными и сейсмическими процессами. На третьем этапе определяют протяженность выбранных участков с учётом диаметра металлической оболочки. При наличии дополнительных геометрических особенностей
(радиусов изгиба, отводов и др.), протяженность участка увеличивают. На четвертом этапе
по каждому участку проводят выявление аномальных особенностей, геометрические параметры которых превышают нормативные. На пятом этапе осуществляют поиск отклонений
фактических значений конструктивных и технологических критериев участков от значений,
указанных в проектной, исполнительной и эксплуатационной документации (табл. 1).
Таблица 1
Фрагмент перечня критериев проверки проектной, исполнительной и эксплуатационной документации
Критерий
Детализация
Конструктивные критерии
Наружный диаметр, длина секции
Толщина стенки
Категория участка, класс прочности металла
Типы траншеи участка и грунта
Наличие и параметры отводов, наличие «косого» стыка
Пространственное положение, перемещение и искривление оси объекта
Наличие экзогенных геологических процессов грунта
Технологические критерии
Несущая способность
Пределы прочности и текучести
Проектное и рабочее давления
Надёжность по назначению и по внутреннему давлению
Температурные, сейсмические, грунтовые воздействия
Изгибающие моменты, поперечные силы
Нагрузки, приложенные к объекту
Выявление причин возникновения особенностей на шестом этапе проводят экспертизой
значений контролируемых параметров с помощью набора правил оформленных в базу.
Начальным заполнением базы правил (БП) занимаются эксперты. В дальнейшем лицо, принимающее решения может инициализировать работу по корректированию БП, исходя из результатов дополнительной экспертизы.
Формирование базы правил
В основе БП (см. рис. 1) лежит продукционная модель представления знаний, использующая принцип воспроизведения знаний экспертов с помощью правил и получившая широкое применение при решении диагностических задач. Процедура построения БП представлена на рис. 2. В блоке 1 формируют множества контролируемых и выходных параметров и
устанавливают их значения. При формировании БП в качестве основы использована схема с
N экспертами (блок 2), каждый из которых независимо друг от друга, генерирует набор правил и дополняет базу, увеличивая полноту модели
38
Математическое и программное обеспечение систем в промышленной и социальной сферах
Математическое моделирование и алгоритмы
Данные
диагностирований
1. Установление соответствия
1. Поиск
особенностей
Определение
множества
контролируемых и
выходных
параметров
2. Выбор
участков с
особенностями
2. Формирование базы правил
3. Определение
протяженности
участков
Нормативная
документация
4. Выявление
аномальных
особенностей
Проектная,
исполнительная
документации
5. Проверка по
критериям
Задание
значений
параметров
Набор
правил
первого
эксперта
Набор
правил
второго
эксперта
Набор
правил
N-го
эксперта
Обобщенная
база правил
Эксплуатационная
документация
3. Фильтрация базы правил
6. Выявление
причин
возникновения
особенностей
Рис. 1. Этапы метода
База правил
Результирующая
база правил
Рис. 2. Формирование базы правил
. Элементами генерируемого правила являются логические операторы: логическое «И»,
логическое «ИЛИ» и каждый эксперт использует следующий формат «ЕСЛИ (параметр значение) И ... И (параметр = значение) ТО причина особенности», и правило в общем виде запишем следующим образом:
݂݅‫ͳܣ‬ሺ‫ͳ݌‬ǡ ܲͳ݆ሻ‫ ר‬ǥ‫݊ܣ ר‬ሺ‫݊݌‬ǡ ݆ܲ݊ሻ ՜ ܴሺ‫ݐ‬ǡ ܶ݇ሻ‫݈ߙ ר‬ǡ
где p – множество контролируемых параметров; P – множество значений контролируемых
параметров; t – выходной параметр; Т – множество значений выходного параметра; R(t, Т) –
арифметический оператор, задающий связь выходного параметра с его значениями; А(р, Р) –
арифметический оператор, задающий связь контролируемых параметров с их значениями; j,
k, 1 – счётчики; n – число контролируемых параметров; α – степень достоверности сформированного правила, определяемая экспертом.
Поскольку заполнение базы экспертами происходит независимо, каждый последующий
набор может содержать правила, повторяющие уже существующие. Таким образом, появляется необходимость проверки базы правил на избыточность, однозначность и полноту (блок
3). Фрагмент соответствия цепочки значений контролируемым и выходным параметрам
представлен в табл. 2.
На основе полученного результата формируют новый набор правил, который передают
для оценки экспертам. После повторных проверок создают результирующую БП. Если в
процессе эксплуатации произойдет ситуация, решения которой не содержит имеющаяся БП,
существует два варианта действий: блокировка анализа до действия лица, принимающего
решения или выбор программным обеспечением наиболее подходящего правила из базы.
Реализация метода
Анализ данных диагностирований линейной части ряда нефтепроводов позволил составить следующую таблицу (табл. 3).
В соответствии с разработанным методом, по каждому значению контролируемого параметра «Наименование особенности» экспертами составлены наборы правил, с назначенной
степенью достоверности продуцирующие выбор значения выходного параметра. Одно из
правил для набора определения причины образования вмятины, составленное экспертом, выглядит следующим образом:
Математическое и программное обеспечение систем в промышленной и социальной сферах
39
Математическое моделирование и алгоритмы
ЕСЛИ Наименование особенности = вмятина И Число проведенных диагностирований = два и более
И Число фиксаций особенности = два и более И Изменение глубины отклонения = (ОТ среднее ДО
большое} И ... И Изменение других геометрических размеров = (ОТ без отклонения ДО малое} ТО
Причина возникновения особенности = строительно-монтажные работы И Степень достоверности
правила = большая
Таблица 2
Фрагмент задания значений множеству параметров
Параметры
Значения
Наименование особенности
Вмятина, гофр, сужение, трещина
Число проведенных диагностирований
Один, два и более
Число фиксаций особенности
Изменение глубины отклонения
Без отклонения, малое, среднее, большое
Изменение других геометрических размеров
Наличие дополнительной особенности Наличие
Есть, нет
изгиба оси объекта
...
….
Причина возникновения особенности
Нарушение проекта, строительно-монтажные работы, технологическая, эксплуатационная, стихийное бедствие и др.
Степень достоверности правила
Малая, средняя, большая
Таблица 3
Распределение особенностей геометрии с учётом диаметра трубопроводов
Средняя плотность особенностей, шт/км
Диаметр, мм
сужений
вмятин
гофров
сужений с вмятиной
сужений с гофром
1067
6,41
6,37
0,08
3,58
0,07
1220
7,01
6,69
0,02
4,31
0,05
Одно из правил, входящее в набор определения причины образования гофра, выглядит
следующим образом:
ЕСЛИ Наименование особенности = гофр И Число проведенных диагностирований = два и более И
Число фиксаций особенности < Число проведенных диагностирований И ... И Изменение других геометрических размеров = (ОТ среднее ДО большое} ТО Причина возникновения особенности = эксплуатационная И Степень достоверности правила = большая
Прогон метода по данным диагностирований ряда нефтепроводов разных диаметров,
находящихся на этапе длительной эксплуатации, позволил распределить причины возникновения особенностей в соответствии с табл. 4.
Таблица 4
Распределение выявленных причин возникновения особенностей нефтепроводов
Причины возникновения аномальных особенностей, %
Диаметр
трубопро- Нарушение ЭксплуатациСтроительноТехнологи- Стихийные Заводские
Прочие
вода
проекта
онная
монтажные работы
ческая
бедствия дефекты
1067
1,3
9,3
29
34,2
1,3
22,3
2,6
1220
0,2
9,4
39,1
35,9
3,1
7,8
3,1
Заключение
Таким образом, предложен метод выявления причин возникновения аномальных особенностей для приведения техногенных объектов с металлической оболочкой в состояние
эффективного функционирования. Разработанный метод отличается тем, что результаты диагностирований анализируют и сопоставляют с информацией нормативной, проектной, исполнительной и эксплуатационной документацией для выявления аномальных отклонений.
Разработанное интеллектуальное обеспечение метода в виде базы, содержащей наборы правил, позволяет предупредить персонал о необходимости проведения мероприятий по устранению аномалии.
Метод и база правил могут быть использованы для поиска аномальных особенностей,
выявления ошибочных действий при строительстве, монтаже, эксплуатации и ремонте техногенных объектов и планировании компенсирующих мероприятий.
Список используемых источников
1. Барсегян, А. Технологии анализа данных. Data Mining, Text Mining, Visual Mining, OLAP / M. Куприянов, В.
Степаненко, И. Холод – Изд-во: БХВ-Петербург, 2007. – 384 с.
2. Симчера, В. М. Методы многомерного анализа статистических данных : учеб. пособие / В.М. Симчера. – М.:
Финансы и статистика, 2008. – 400 с.
40
Математическое и программное обеспечение систем в промышленной и социальной сферах
Математическое моделирование и алгоритмы
3. Петрунин, Ю. Ю. Информационные технологии анализа данных. Data Analysis / Ю.Ю. Петрунин. – Издательство: КДУ, 2010 г. – 292 стр.
4. Проталинский, О.М. Применение методов искусственного интеллекта при автоматизации технологических
процессов / О.М. Проталинский. – Астрахань: Изд-во АГТУ, 2004. – 183 с.
5. Джексон, П. Введение в экспертные системы / П. Джексон. – М.: Издательский дом «Вильяме», 2001. – 624 с.
6. Змитрович, А. И. Интеллектуальные информационные системы / А.И. Змитрович. – Минск: РТООО «ТетраСистемс», 1997. – 368 с.
7. Литвак, Б. Г. Экспертные технологии в управлении. – М.: Изд. «Дело», 2004. – 400 с.
8. Васильев, В.Г. Трубопроводный транспорт нефти / В.Г. Васильев, А.А. Коршак, М.В. Лурье, В.М. Писаревский и др.; под общей ред. СМ. Вайнштока. – М.: Недра-Бизнес Центр, 2002, – Т.1 – 407 с.
9. Галлямов, А.К. Обеспечение надежности функционирования системы нефтепроводов на основе технической
диагностики: монография / А.К. Галлямов, К. В. Черняев, А. М. Шаммазов. – М.: ВИНИТИ, 1998. – 600 с.
10. СНиП 2.05.06-85* Магистральные трубопроводы.
11. Сергиенко, Р.Б. Коллективное формирование базы правил нечеткого классификатора / Р.Б. Сергиенко //
Программные продукты и системы. – 2012. – № 4. – С. 118-121.
12. Richey, R.C.The Instructional Design Knowledge Base: Theory, Research, and Practice / R.C. Richey, J.D. Klein,
M.W. Tracey – 136 p.
13. Эванс, Э. Предметно-ориентированное проектирование (DDD): структуризация сложных программных систем / Э. Эванс – Изд-во: Вильяме, 2010 г. – 448 с.
Владова Алла Юрьевна – д-р техн. наук, доцент кафедры программного обеспечения вычислительной техники и автоматизированных систем, ФГБОУ ВПО «Оренбургский государственный университет», e-mail:
avladova@rambler.ru
Коротков Алексей Александрович – канд. техн. наук, начальник отдела информационно-аналитического
обеспечения ООО «Научно-исследовательский институт транспорта нефти и нефтепродуктов», e-mail: al
korot@inbox.ru
Федоренко Дмитрий Юрьевич – студент 4 курса факультета экономики и управления, НОАНО ВПО «Институт бизнеса и политики», e-mail: fdu_mial@mail.ru
Владова А.Ю., Коротков А. А., Федоренко Д.Ю. Интеллектуальное обеспечение метода выявления причин возникновения
аномальных особенностей металлической оболочки техногенных объектов // Математическое и программное обеспечение
систем в промышленной и социальной сферах. – 2014. – №1. – C. 37-41.
Vladova, A.Yu., Korotkov, A.A. and Fedorenko, D. Yu., 2014. Intelligent support of method identifying the causes of defects of the
man-made objects metallic shell. Software of systems in the industrial and social fields, 1: 37-41.
УДК 669.1.046.554:004.032.26
ПРОГНОЗИРОВАНИЕ ХИМИЧЕСКОГО СОСТАВА СТАЛИ
ПРИ ВНЕПЕЧНОЙ ОБРАБОТКЕ В УСТАНОВКЕ КОВШ-ПЕЧЬ
НА ОСНОВЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ
Снегирев Ю.В., Тутарова В.Д., Федорова А.А.
Аннотация. В статье рассмотрена задача прогнозирования химического состава стали при
внепечной обработке в установке ковш-печь на основе применения искусственных нейронных сетей. Раскрыта актуальность проблемы, приведено краткое описание технологических
операций, обоснован выбор исходных данных и приведено их описание, показана архитектура и топология предлагаемой для решения данной задачи сети, алгоритмы генерации и
обучения (сеть с каскадной корреляцией), представлены результаты прогнозирования.
Ключевые слова: Внепечная обработка стали, неоднородность химического состава, прогнозирование, искусственная нейронная сеть, алгоритм Cascade 2.
USING ARTIFICIAL NEURAL NETWORK TO PREDICT STEEL CHEMICAL COMPOSITION
DURING SECONDARY TREATMENT IN LADLE FURNACE
Snegirev Yu.V., Tutarova V.D., Fedorova A.A.
Abstract. This article represents the steel chemical composition prediction during secondary treatment in ladle furnace problem decision, using artificial neural networks. This includes problem’s
urgency justification, a short description of technological operations, source data choosing justification and description. At last, topology and architecture of the network, we offer to solve this
problem, are included, as well as learning and generation algorithms (cascade-correlation networks). Finally, chemical composition prediction results are also present.
Keywords: Secondary metallurgy, chemical composition inhomogeneity, prediction, artificial neural network, Cascade 2 learning algorithm.
Математическое и программное обеспечение систем в промышленной и социальной сферах
41