Размещено на http://www.allbest.ru/

УДК 65.011.56

Кулаков П.А.

Филиал ФГБОУ ВПО Уфимского государственного авиационного

технического университета в г. Стерлитамаке

E-mail: petr20071@mail.ru

В работе рассматриваются вопросы описания задачи диагностики оборудования нефтехимического производства с применением искусственных нейронных сетей. Рассмотрен процесс анализа данных, основанный на искусственных нейронных сетях. Рассмотрены достоинства и недостатки конкретных типов нейронных сетей, используемых в интеллектуальном анализе данных, предложена модель анализа состояния технологического оборудования.

Ключевые слова: нейронные сети, модель, диагностика, нефтехимия.

MAJOR CLASSES OF NEURAL NETWORKS IN PROBLEM DIAGNOSIS PROCESS

EQUIPMENT

KULAKOV P.A.

Branch of Ufa State Aviation Technical University in Sterlitamak

The paper deals with the description of the diagnosis of petrochemical equipment manufacturing problem with the use of artificial neural networks. Considered data analysis process based on artificial neural networks. The advantages and disadvantages of particular types of neural networks used in data mining, analysis model Commercial offer technological equipment condition.

Keywords: neural networks, model diagnostics, petrochemistry.

Развитие технологии автоматизированных систем управления технологическими процессами в совокупности с ростом производительности автоматизированных рабочих мест (АРМ) и серверного оборудования привело к появлению больших объемов данных технологических показателей, хранящихся в базе данных. Эти архивы данных содержат информацию, полезную с точки зрения как анализа работы оборудования, его надежности, так и с точки зрения нефтехимических процессов. Автором предлагается использование технологии интеллектуального анализа данных, с целью диагностики состояния нефтехимической установки по показателям безопасности технологического процесса и качества выпускаемой продукции. При интеллектуальном анализе данных основной задачей является выявление правил и закономерностей в существующих данных.

В работах [1-3, 6-9] были рассмотрены вопросы, связанные с моделированием состояний технологического оборудования, рассмотрены модели, идентифицирующие технологические параметры и производящие диагностику состояний установки.

Однако на практике основным инструментом при интеллектуальном анализе данных была традиционная математическая статистика, но и она зачастую не в состоянии ре- шить задачи из реальной жизни. Допустимость высокого уровня шума данных и низкая вероятность ошибки, а также непрерывное процесс обучения сети и совершенствование ее структуры, делают применение нейронных сетей одними из наиболее перспективных методов в анализе данных[5, 9]. Применение нейронных сетей позволяет анализировать состояния и идентифицировать технологические параметры на объектах нефтехимии, при неполных данных в реальном масштабе времени.

С использованием искусственного интеллекта, обработка и интерпретация данных реального времени лежит в области применения методов, основанных на знаниях (knowledge-based methods)[4].

Нейронные сети справляются диагностированием оборудования при неполноте и зашумленности входных данных, а также обладают мгновенным откликом. Нейронные сети позволяют существенно сократить количество замеряемых параметров, в результате отпадает необходимость в проведении частых и дорогостоящих химических анализов [4].

Решение задачи диагностики технологической установки решается в два этапа. На первом производится выбор типа искусственных нейронных сетей, на втором - определение параметров архитектуры сети, и в заключении - обучение сети.

Основные модель нейронной сети могут быть разделены на три группы: 1) сети прямого распространения: одна из наиболее распространенных архитектур, в основном используется в таких областях, как прогнозирование и распознавание образов; 2) сети с обратной связью: такие, как дискретная модель Хопфилда, в основном используется для оптимизации вычислений и ассоциативной памяти; 3) самоорганизующиеся сети: включают модели адаптивной резонансной теории и модели Кохонена, в основном используется для кластерного анализа.

Одно из главных преимуществ нейронных сетей [3] состоит в том, что они, по крайней мере, теоретически могут аппроксимировать любую непрерывную функцию, что позволяет исследователю не принимать заранее какие-либо гипотезы относительно модели.

К существенным недостаткам нейронных сетей можно отнести тот факт, что окончательное решение зависит от начальных установок сети и его практически невозможно интерпретировать в традиционных аналитических терминах. Процесс анализа данных, основанный на нейронной сети

Три основные фазы процесса анализа данных: подготовка данных, анализ данных, выражение и интерпретация результатов.

Первый этап, связанный с подготовкой данных в задаче диагностики оборудования не требует сложных манипуляций, связанных с преобразованиями в цифровую форму. Все параметры передаются в числовом виде в реальном масштабе времени. Задача очистки зашумленности и рассогласованности данных должна быть реализована нейронной сетью, иначе говоря, сама сеть должна определить место получения некорректных данных, что может означать повреждение линии связи от датчика, повреждение какого либо устройства, или нарушение технологического процесса.

Следующий этап заключается в извлечении правил. Наиболее часто используемые методы извлечения правил: LRE (Limited Relative Error) метод, метод черного ящика, метод извлечения нечетких правил, метод извлечения правил из рекурсивной сети, алгоритм извлечения правил двоичного входа и выхода (BIO-RE), алгоритм частичного извлечения правил (Partial-RE) и алгоритм полного извлечения правил (Full-RE) [10].

Далее необходимо произвести оценку работы сети. В работе [10] предложены 4 вида оценки работы сети: 1) найти оптимальную последовательность извлечения правил; 2) проверить точность извлеченных правил; 3) определить количество знаний в нейронной сети, которые не были извлечены; 4) определить противоречия между извлеченными правилами и обученной нейронной сетью.

При анализе технологического оборудования, структура нефтехимической установки, включающая аппараты и узлы, контрольно-измерительное и регулирующее оборудование, объединенные многокомпонентными газожидкостными потоками.

В качестве структуры нейронной сети предлагается Сеть встречного распространения. Возможности сети встречного распространения превосходят возможности однослойных сетей, а по времени обучения могут на 1-2 порядка превосходить сети с обратным распространением.

Сети со встречным распространением объединяют самоорганизующиеся карты Кохонена и звезду Гроссберга. В результате у сети появляются свойства, отсутствующие у каждой из них в отдельности.

На вход сети встречного распространения подается вектор параметров технологической установки. На выход получаем вектор состояния установки. При нормальном протекании технологического процесса, в 1 должен быть установлен только 1 нейрон. При возникновении разбаланса или некорректных данных, сеть должна определить место неполадки. Таким образом, возможно использовать данную сеть для диагностики и определения момента начала некорректной работы оборудования.

нефтехимический искусственный нейронный сеть

Список литературы

1. Kopytov, E., Labendik, V., Yunusov, S., Tarasov, A. Managing and Control of Aircraft Power Plant Using Artificial Neural Networks. In: Proceedings of the 7th International Conference “RELIABILITY and STATISTICS in TRANSPORTATION and COMMUNICATION (RelStat'07)”. October 24-27, 2007, Transhort and Telecommunication institute. Riga, Latvia. Riga: TTI, 2007, pp. 215- 218.

2. Способ контроля состояния инженерных сетей и калибровки каналов измерения параметров потоков: пат. 2287683 Рос. Федерация: МПК E21B47/10. Ю.И. Зозуля, С.И. Братцев, Н.М. Сибагатуллин, М.А. Слепян; заявитель и патентообладатель Межрегиональное открытое акционерное общество «НЕФТЕАВТОМАТИКА». - № 2002118833/03; заявл. 12.07.2002; опубл. 20.11.2006,. - 12 с., ил.

3. Кулаков П.А., Чариков П.Н. Модель системы оптимизации процесса управления материальными потоками // Экономика и менеджмент систем управления. 2015. Т. 18. № 4 С. 469475.

4. Зозуля Ю.И., Жильцов А.А., Кабальнов Ю.С. Системная интеграция нейросетевых анализаторов при диагностике состояния инженерных сетей // Вестник УГАТУ. - 2009. - Т.12, № 1(30). С. 25-33

5. Хайкин, С. Нейронные сети: полный курс. Москва, Санкт-Петербург; Киев: Вильямс, 2006.

6. Кулаков П.А., Шишкина А.Ф., Карасев Е.М. Управление функционированием объектов нефтехимии на основе менеджмента риска // Современные проблемы науки и образования. 2014. №6; URL: www.science-education.ru/120-16482 (дата обращения: 07.03.2015).

7. Кулаков П.А. Обеспечение безопасности технологической установки производства олигопипериленового синтетического каучука: Дис. на соискание ученой степени канд. техн. наук.

8. 05.26.03: Казань, 2011. 121 с.

9. Чариков П.Н. Системное моделирование организационного управления машиностроительным предприятием при производстве под заказ: Дис. на соискание ученой степени канд. техн. наук: 05.13.06: Уфа, 2004. -162 с.

10. Муравьева Е.А., Маннанов Ф.Ф., Шарипов М.И., Каяшева Г.А. Система управления температурой воздуха механического цеха с использованием инфракрасных обогревателей // Теория. практика. инновации. - 2016. - №1. С.61-74.

11. Манжула В.Г., Федяшов Д.С. Нейронные сети кохонена и нечеткие нейронные сети в интеллектуальном анализе данных // Фундаментальные исследования. 2011. - №4. - С. 108-114

Размещено на Allbest.ru