Модели и алгоритмы поддержки принятия решений по обеспечению пожарной безопасности на промышленных предприятиях Тупиков Дмитрий Владимирович

Содержание к диссертации

Введение

1. Анализ состояния проблемы обеспечения пожарной безопасности на промышленных предприятиях 11

1.1. Обзор и анализ работ по обеспечению пожарной безопасности на промышленных предприятиях 11

1.2. Постановка задач исследования 21

2. Системный анализ процесса обеспечения пожарной безопасности на промышленных предприятиях 23

2.1. Причины возникновения пожара и факторы их обуславливающие 23

2.2. Системный анализ процесса обеспечения пожарной безопасности на промышленных предприятиях 27

2.3. Функциональные блоки системы поддержки принятия решений по обеспечению пожарной безопасности 29

3. Разработка алгоритма поддержки принятия решений по устранению пожароопасных ситуаций на промышленных предприятиях 32

3.1. Подход к прогнозированию факторов возникновения критических ситуаций 34

3.1.1. Обоснование использования для прогнозирования значений факторов возникновения пожароопасных ситуаций искусственных нейронных сетей

3.1.2. Прогнозирование значений факторов пожароопасных ситуаций с помощью искусственной нейронной сети 51

3.2. Определение степени пожарной опасности на промышленных предприятиях 57

3.2.1. Характерные особенности систем нечеткого вывода 57

3.2.2. Построение нечёткой базы знаний для обеспечения пожарной безопасности на промышленных предприятиях 66

3.3. Алгоритм поддержки принятия решений по предотвращению пожара...70

4. Результаты использования предложенных моделей и алгоритмов 75

4.1. Результаты прогнозирования значений факторов пожароопасных ситуаций 75

4.2. Результаты применения нечеткого вывода на предложенной базе знаний 78

4.3. Принятие решения по предотвращению пожара 81

4.4. Аппаратно-программные средства построения системы поддержки принятия решений по предотвращению пожара 86

Заключение 90

Список литературы

• Постановка задач исследования
• Системный анализ процесса обеспечения пожарной безопасности на промышленных предприятиях
• Обоснование использования для прогнозирования значений факторов возникновения пожароопасных ситуаций искусственных нейронных сетей
• Результаты применения нечеткого вывода на предложенной базе знаний

Введение к работе

Актуальность работы. В настоящее время проблема обеспечения пожарной безопасности производственных объектов приобретает все большую актуальность. В последние годы число пожаров по России выросло до 240-300 тысяч в год, причём значительная часть их приходится на промышленный сектор.

Для обеспечения пожарной безопасности на промышленных предприятиях используется большое количество автоматических систем пожарной сигнализации и пожаротушения на базе оборудования, производимого НВП «Болид», НПП «Специнформатика-СИ», НПО «Сибирский арсенал», ЗАО «Аргус-спектр», ГК «Рубеж» и целого ряда других предприятий-производителей оборудования. Однако эти автоматические системы позволяют обнаружить лишь очаги возгорания и не обеспечивают своевременного принятия решений по предотвращению ситуаций, приводящих к пожару.

Степень разработанности проблемы. Значительный вклад в разработку теории и практики обеспечения пожарной безопасности, в том числе на промышленных объектах, внесли А.Я. Корольченко, А.Н. Баратов, Н.Г. Топольский, В.А. Акантьев, Dougal Drysdale, Craig L. Beyler и другие отечественные и зарубежные ученые и специалисты.

Однако в работах этих авторов недостаточно внимания уделяется системному анализу процесса обеспечения пожарной безопасности на промышленных предприятиях, позволяющему наиболее полно выявить взаимосвязанную совокупность функций, составляющих этот процесс, а также вопросам прогнозирования пожарной опасности и принятию упреждающих решений по устранению пожароопасных ситуаций, возникающих на промышленных предприятиях.

Цель диссертационной работы. Разработка моделей и алгоритмов для поддержки принятия решений по обеспечению пожарной безопасности на промышленных предприятиях на основе автоматизированного поиска пожароопасных ситуаций и заблаговременного их устранения в условиях функционирования предприятия.

Объект исследования – пожарная безопасность на промышленных предприятиях.

Предмет исследования – модели и алгоритмы поддержки принятия решений по обеспечению пожарной безопасности на промышленных предприятиях.

Задачи исследования:

– системный анализ процесса обеспечения пожарной безопасности на промышленных предприятиях, положенный в основу построения системы поддержки принятия решений по обнаружению пожароопасных ситуаций и устранению их в режиме реального времени.

– определение наиболее значимых факторов пожароопасных ситуаций и способа прогнозирования их значений для обеспечения своевременного принятия решений по предотвращению пожара.

– определение степени пожарной опасности на производственных объектах и формирование соответствующей этой степени совокупности мероприятий по предотвращению пожара.

– разработка алгоритма поддержки принятия решений по обеспечению пожарной безопасности промышленных предприятий, положенного в основу построения системы поддержки принятия решений для предотвращения пожара на них.

Методы исследования. При решении поставленных задач использованы методы системного анализа, теории множеств, искусственного интеллекта.

Выносимые на защиту результаты:

– системный анализ процесса обеспечения пожарной безопасности промышленных предприятий, позволяющий обеспечить декомпозицию этого процесса и системно подойти к реализации полученного в результате взаимосвязанного комплекса задач;

– процедура прогнозирования значений факторов пожароопасных ситуаций на основе использования искусственных нейронных сетей, позволяющая обеспечить время, необходимое лицу, принимающему решения (ЛПР) для принятия решений по предотвращению пожара;

– процедура определения степени пожарной опасности производства на основе использования системы нечёткого вывода, положенная в основу формирования соответствующей совокупности мероприятий для принятия решений по предотвращению пожара;

– алгоритм принятия решений, обеспечивающий регистрацию значений факторов пожароопасных ситуаций, прогнозирование их значений и определение степени пожарной опасности производств, положенный в основу построения системы поддержки принятия решений по обеспечению пожарной безопасности на промышленных предприятиях.

Научная новизна результатов, выносимых на защиту:

1. Выполнен системный анализ процесса обеспечения пожарной безопасности на промышленных предприятиях, позволивший определить отдельные компоненты этого процесса и связи между ними для их дальнейшей формализации и реализации с помощью серийно производимых промышленностью аппаратно-программных средств.

2. Построена искусственная нейронная сеть на основе персептрона, позволяющая прогнозировать значения факторов пожароопасных ситуаций на интервалы времени, достаточные ЛПР для принятия решений по предотвращению пожара.

3. Предложена система нечёткого вывода для определения степени пожарной опасности промышленных производств, позволяющая формировать соответствующую совокупность мероприятий, необходимых для принятия решений по предотвращению пожара;

4. Разработан алгоритм поддержки принятия решений по обеспечению пожарной безопасности на промышленных предприятиях, позволяющий на основе прогнозирования значений факторов пожароопасных ситуаций и степени пожарной опасности производств, принимать своевременные решения по предотвращению пожара.

Особенностью алгоритма является своевременное обнаружение пожароопасных ситуаций и их устранение до возникновения пожара.

Теоретическая и практическая значимость работы определяется решением важной научно-практической задачи по совершенствованию систем обеспечения пожарной безопасности на промышленных предприятиях. Использование предложенных алгоритмов прогнозирования и построение на их основе системы автоматизированной поддержки принятия решений по обеспечению пожарной безопасности на промышленных предприятиях, позволяет повысить эффективность предотвращения пожароопасных ситуаций на них.

Достоверность и обоснованность результатов достигается корректным применением математического аппарата: системного анализа, теории множеств, методов искусственного интеллекта и апробацией их в составе действующей системы пожарной безопасности промышленных предприятий.

Реализация и внедрение результатов работы. Теоретические и практические
результаты работы апробированы на ООО «Системы Технической Безопасности» и
ОАО «РЖД», а также нашли применение в учебном процессе в Саратовском государ
ственном техническом университете (СГТУ) имени Гагарина Ю.А. и в отчетах о НИР
Института проблем точной механики и управления (ИПТМУ) РАН

(№ гос. рег. 01201454963).

Апробация работы. Результаты работы докладывались и обсуждались на научно-практической конференции с международным участием «Bringing Science to Life: Наука и Жизнь» (Саратов, 2013), на XXVII Международной научной конференции «Математические методы в технике и технологиях – ММТТ-27» (Саратов, 2014), на международной научной конференции «Компьютерные науки и информационные технологии» памяти А.М. Богомолова (Саратов, 2014), на ХХVIII Международной научной конференции «Математические методы в технике и технологиях – ММТТ-28» (Саратов, 2015), на научных семинарах лаборатории системных проблем управления и автоматизации в машиностроении ИПТМУ РАН (Саратов, 2012-2015) и кафедры «Системотехника» СГТУ (Саратов, 2012-2015).

Публикации. По теме диссертационной работы опубликовано 10 научных работ, из которых 3 в журналах из перечня ВАК РФ.

Структура и объем работы. Диссертационная работа содержит введение, четыре раздела, заключение, список использованных источников и приложение. Общий объем работы составляет 103 страницы машинописного текста, в том числе 24 рисунка, 5 таблиц и 95 наименований литературы.

Постановка задач исследования

Федеральный закон № 69-ФЗ определяет общие правовые, экономические и социальные основы обеспечения ПБ в РФ, регулирует в этой области отношения между юридическими лицами вне зависимости от их организационно-правовых форм и форм собственности, а также между общественными объединениями, индивидуальными предпринимателями, должностными лицами, гражданами РФ, иностранными гражданами и лицами без гражданства.

Правила противопожарного режима в Российской Федерации включают требования ПБ, определяющие правила поведения людей, способ организации производства, порядок содержания территорий, зданий, сооружений, помещений различных организаций и других объектов в целях обеспечения ПБ.

Федеральные законы № 123-ФЗ и № 384-ФЗ устанавливают общие требования ПБ к объектам защиты, в том числе к зданиям, сооружениям и строениям, промышленным объектам, пожарно-технической продукции и продукции общего назначения.

Данный закон содержит классификации пожаров по виду горючего материала, веществ и материалов по пожарной опасности, технологических сред по пожаровзрывоопасности и прочие классификации, необходимые для выбора технологий и средств пожаротушения. Однако, данные нормативные документы, регулирующие обеспечение ПБ на территории РФ, затрагивают лишь общие основы обеспечения ПБ. Ввиду этого необходима конкретизация данных основ для конкретных производственных объектов.

Традиционно обеспечение ПБ на промышленных предприятиях осуществлялось за счет организационно-технических мероприятий. И только в последнее время в связи с совершенствованием АПС, появлением высокопроизводительных ЭВМ, программируемых контроллеров и унифицированных измерительных устройств начали использоваться автоматизированные системы управления. Однако эти системы в настоящее время решают весьма ограниченный круг задач на основе использования производимого промышленностью оборудования для систем ОПС, АПТ и СОУЭ в случае возникновения пожара.

К числу основных производителей оборудования для данных систем в России относятся НВП «Болид», НПП «Специнформатика-СИ», НПО «Сибирский арсенал», ЗАО «Аргус-спектр», ГК «Рубеж» и др. [57-61]; а за рубежом – General Electric, Honeywell, Panasonic, Samsung, Siemens, Bosch, United Technologies Corporation, Tyco International Ltd, FireFly и др. [62-70].

Оборудование по обеспечению ПБ, поставляемое на рынок РФ, можно разделить на следующие компоненты: 1. Устройства приёма, передачи и обработки сигналов, позволяющие получать максимально полную информацию и воссоздавать на центральном пульте охраны всестороннюю и объективную картину состояния помещений и территории объекта, работоспособности аппаратуры и оборудования. 2. Исполнительные устройства, способные при необходимости действовать автоматически или по команде оператора. 3. Пункт (или пункты) контроля и управления системой отображения информации, посредством которых операторы могут контролировать работу системы. 4. Центральный процессор, наглядно представляющий и накапливающий информацию для её последующей обработки. 5. Коммуникации, с помощью которых осуществляется обмен информацией между элементами системы и операторами [71]. Основными показателями работы этих систем являются: информативность, время и способы обнаружения пожара и его тушения.

Информативность зависит от устройств приёма, передачи и обработки сигналов, используемых в системе. Как правило, информативность прибора ограничивается извещениями: «внимание», «пожар» и «неисправность». Адресные системы пожарной сигнализации способны определить точное место пожара и «сработавший» датчик. Но часто применяемые пороговые неадресные системы пожарной сигнализации способны определить только шлейф, в котором «сработал» пожарный извещатель (датчик). В одном шлейфе может быть до 100 пожарных извещателей, так что на определение места пожара может уйти значительное время.

Способ обнаружения пожара зависит от применяемых типов извещате-лей – тепловых, дымовых и пламени. Время обнаружения пожара в большей степени зависит от принципов его обнаружения извещателями. Широкое применение для обнаружения пожара находят тепловые изве-щатели, построенные на основе использования: – плавких материалов, разрушающихся из-за воздействия повышенной температуры; – термоэлектродвижущей силы; – зависимости электрического сопротивления элементов от температуры; – температурных деформаций материалов; – зависимости магнитной индукции элементов от температуры. Также широко применяются комбинированные извещатели. Тепловые извещатели используются в помещениях, в которых при пожаре имеет место быстрое нарастание температуры или невозможно применение извещателей других типов. Такие извещатели обладают достаточно низкой скоростью обнаружения пожара, которая может достигать 145 секунд.

Дымовые извещатели построены, исходя из двух принципов обнаружения дыма – радиоизотопного и оптико-электронного.

Работа радиоизотопных пожарных извещателей основана на изменении электрических параметров радиоизотопной камеры, являющейся чувствительным элементом дымового извещателя и определяющей его основные параметры. Такие извещатели обладают высокой скоростью обнаружения пожара.

Работа оптико-электронных пожарных извещателей основана на использовании отношения размеров частиц, из которых состоит дым, к длине волны света, падающего на них. Осуществляя контроль оптических свойств среды, дым можно обнаружить по уменьшению первичного светового потока (из-за уменьшения прозрачности окружающей среды) и по интенсивности отражённого (рассеянного) частицами светового потока. Скорость обнаружения пожара у данного типа извещателей ниже, чем у радиоизотопных (от трех секунд с момента достижения оптической плотностью воздуха порогового уровня в камере пожарного извещателя). К тому же эти извещатели малоэффективны при горении без выделения дыма.

Извещатели пламени предназначены для обнаружения в закрытых помещениях очагов пламени, сопровождающихся инфракрасным или ультрафиолетовым излучением. Эти извещатели эффективны в случаях взрыва веществ или быстрого воспламенения и неэффективны при долгом тлении каких-либо материалов. Особый интерес представляют датчики шведской фирмы FireFly [70], которая занимается защитой промышленного оборудования от пожаров. Изве-щатели этой фирмы позволяют обнаружить возникновение пожара в инфракрасном диапазоне на длинах волн 1,5-3,3 мкм, тогда как отечественные датчики обнаруживают его лишь в диапазоне волн 0,8-1,1 мкм.

Системный анализ процесса обеспечения пожарной безопасности на промышленных предприятиях

Входными данными являются значения факторов ПС, для регистрации которых через заданные интервалы времени осуществляется опрос датчиков и передача их показаний в БД. Эффективность решений по устранению ПС во многом определяется надежностью и качеством информации, поступающей с измерительных приборов. Поэтому отдельную задачу составляет обеспечение достоверности измерительной информации – обнаружение ошибочных (аномальных) измерений контролируемых величин.

Это позволяет повысить эффективность системы обеспечения ПБ на промышленных предприятиях, так как определяет адекватность принимаемых решений по прогнозированию ПС и предотвращению пожара.

Решение данной задачи необходимо ввиду того, что наличие грубых ошибок в измерениях снижает достоверность информации и, как следствие, качество принимаемых решений.

Для принятия решений по устранению критических ситуаций необходимо время, которое предлагается обеспечить за счет прогнозирования значений факторов, вызывающих эти ситуации.

Прогнозирование значений факторов возникновения критических ситуаций предлагается осуществлять с помощью ИНС. Это обусловлено тем, что ИНС позволяют легко обеспечить адекватность построенной модели, обладают хорошей обобщающей способностью и возможностью получения сложных нелинейных зависимостей выходных переменных от входных переменных. 3.1.1. Обоснование использования для прогнозирования значений факторов возникновения пожароопасных ситуаций искусственных нейронных сетей

Архитектура искусственной нейронной сети. Постоянно возрастающее применение ИНС для формализации функционирования сложных объектов и процессов связано с их отличительными свойствами, к числу которых относятся [87]: – способность к обучению; – надёжность при неполной входной информации; – устойчивость к помехам; – быстрая реакция обученной сети на входные воздействия; – возможность реализации на персональных компьютерах; – отсутствие математической модели объекта. Основной особенностью ИНС является возможность решать не четко сформулированные задачи. Недостаточная точность формулировки задач компенсируется способностью ИНС к самообучению и умению выявлять в данных скрытые образы.

Искусственные нейронные сети незаменимы при использовании большого количества разнообразных входных данных. При этом связь входных и выходных данных может быть чрезвычайно сложной. К тому же допускается сочетание численных и категориальных (время года, тип дня, тип облачности и другие признаки) входных данных.

Выбор архитектуры ИНС определяется особенностями и сложностью решаемой задачи. Для решения некоторых классов задач в настоящее время существуют оптимальные конфигурации ИНС. При невозможности сведения задачи к одному из этих классов, необходимо выполнить построение новой конфигурации сети.

Поскольку проблема построения ИНС существенно зависит от решаемой задачи, то привести общие подробные рекомендации о необходимых и достаточных свойствах ИНС невозможно. Поэтому конкретный вариант архитектуры сети определяется путем интуитивного подбора.

История ИНС связана с появлением модели «порогового логического нейрона», предложенной в 1943 году Маккаллоком и Питтсом. Эти ученые показали, что любая функция, которая может быть вычислена на ЭВМ, может быть реализована и сетью нейронов.

На рис. 5 приведена модель искусственного нейрона. На рисунке приведены сигналы xit которые поступают на вход нейрона, умножаются на синаптические коэффициенты (веса связей) wt и суммируются. Полученный таким образом сигнал, сдвинутый на величину смещения w0 [87], п S = wt xt + w0 /=1 поступает на вход блока, который реализует активационную функцию нейрона.

Активационные функции. На практике широкое применение нашли акти-вационные функции, представленные на рис. 6. Рис. 6. Виды активационных функций нейронов: а) единичный скачок; б) линейный порог (гистерезис); в) сигмоид (гиперболический тангенс); г) сигмоид (1) Из приведенных на рисунке функций в настоящее время наибольшее распространение нашла нелинейная функция с насыщением - логистическая функция или сигмоид (функция S-образного вида) [88] f(s) = 1 1 + е ах , (1) где а - параметр, принадлежащий отрезку [0, 1] (принимается равным 1); s - взвешенная сумма входных переменных нейрона.

Это обусловлено тем, что при уменьшении параметра а сигмоид становится более пологим, а при ос=0 вырождается в горизонтальную линию с ординатой 0,5. При увеличении же параметра а он приобретает вид единичного скачка с порогом Тв точке х = 0. Важное его свойство - дифференцируемость и достаточно простое выражение для производной. Это свойство сигмоидной функции оказывается существенным при реализации многих алгоритмов обучения.

Дифференцируемость сигмоидной функция на всей оси абсцисс, а также ее способность к усилению слабых сигналов лучше, чем больших, и предотвращению насыщения от них, используется во многих алгоритмах обучения.

Хебб на основе изучения клеточных механизмов деятельности мозга сформулировал правило обучения сети, которое позволяет увеличить силу связи между предсинаптическим и постсинаптическим нейронами при совпадении активности обоих нейронов во времени.

Другой подход к обучению в условиях более сложной архитектуры сети – персептрона – предложена и удачно использована при моделировании работы зрительного тракта Розенблаттом. Классификация искусственных нейронных сетей. ИНС может рассматриваться как ориентированный граф с взвешенными дугами (связями), в котором нейроны выступают в качестве узлов. По архитектуре связей ИНС выделяют два класса (рис. 7): 1. Сети прямого распространения, в которых графы не имеют петель. 2. Рекуррентные сети (сети с обратными связями). Наибольшее распространение среди сетей первого класса получили так называемые многослойные персептроны с нейронами расположенными слоями, между которыми имеют место однонаправленные связи. На рис. 7 приведены типовые сети для выделенных классов. Сети прямого распространения – статические сети, так как на каждый вход ими вырабатывается одна совокупность выходных значений, вне зависимости от предыдущего состояния сети. Рекуррентные сети – динамические, так как ввиду наличия обратных связей ими модифицируются входы нейронов, что приводит к изменению состояния сети.

Обоснование использования для прогнозирования значений факторов возникновения пожароопасных ситуаций искусственных нейронных сетей

Из приведенных на рисунке функций в настоящее время наибольшее распространение нашла нелинейная функция с насыщением - логистическая функция или сигмоид (функция S-образного вида) [88] f(s) = 1 1 + е ах , (1) где а - параметр, принадлежащий отрезку [0, 1] (принимается равным 1); s - взвешенная сумма входных переменных нейрона.

Это обусловлено тем, что при уменьшении параметра а сигмоид становится более пологим, а при ос=0 вырождается в горизонтальную линию с ординатой 0,5. При увеличении же параметра а он приобретает вид единичного скачка с порогом Тв точке х = 0. Важное его свойство - дифференцируемость и достаточно простое выражение для производной. Это свойство сигмоидной функции оказывается существенным при реализации многих алгоритмов обучения.

Дифференцируемость сигмоидной функция на всей оси абсцисс, а также ее способность к усилению слабых сигналов лучше, чем больших, и предотвращению насыщения от них, используется во многих алгоритмах обучения.

Хебб на основе изучения клеточных механизмов деятельности мозга сформулировал правило обучения сети, которое позволяет увеличить силу связи между предсинаптическим и постсинаптическим нейронами при совпадении активности обоих нейронов во времени.

Другой подход к обучению в условиях более сложной архитектуры сети – персептрона – предложена и удачно использована при моделировании работы зрительного тракта Розенблаттом.

Классификация искусственных нейронных сетей. ИНС может рассматриваться как ориентированный граф с взвешенными дугами (связями), в котором нейроны выступают в качестве узлов. По архитектуре связей ИНС выделяют два класса (рис. 7): 1. Сети прямого распространения, в которых графы не имеют петель. 2. Рекуррентные сети (сети с обратными связями). Наибольшее распространение среди сетей первого класса получили так называемые многослойные персептроны с нейронами расположенными слоями, между которыми имеют место однонаправленные связи. На рис. 7 приведены типовые сети для выделенных классов.

Сети прямого распространения – статические сети, так как на каждый вход ими вырабатывается одна совокупность выходных значений, вне зависимости от предыдущего состояния сети. Рекуррентные сети – динамические, так как ввиду наличия обратных связей ими модифицируются входы нейронов, что приводит к изменению состояния сети.

На сегодняшний день известно более 30 видов архитектур ИНС. Архитектуры наиболее распространенных из них и решаемые ими задачи приведены втабл. 1 [88]. Рис. 7. Классификация архитектур сетей Таблица 1 Классификация архитектур ИНС

Однослойные персептроны (с учителем) Алгоритмы обученияперсептрона.Обратное распространениеAdaline и Madaline Классификация образов. Аппроксимация функций. Предсказание, управление

Сети RBF (смешанные) Алгоритм обучения RBF Классификация образов. Аппроксимация функций. Предсказание, управление Многослойный персептрон. Самый простой вариант многослойного пер-септрона – это сеть с одним входным нейроном, одним выходным и одним или несколькими внутренними (скрытыми) слоями нейронов. В качестве характерной особенностью многослойных персептронов выступает прямонаправлен-ность сети – передача информации от входного слоя через К скрытых слоев к выходному слою – узел i в слое k, (k = 1 ,..., К+1) взаимодействует с помощью весов wi(jk) с j узлами предыдущего (k – 1)-го слоя ( k = 0 и k = k+1 – соответственно входной и выходной слои (рис. 8).

Необходимо отметить, что при этом могут иметь место также прямые связи между не смежными слоями, связи в пределах одного слоя, а также хаотичные связи между слоями.

Входной слой персептрона выполняет лишь функции приема и ретрансляции входных сигналов на нейроны скрытого слоя, в которых происходит основное нелинейное преобразование информации. Выходной слой осуществляет суммирование взвешенных сигналов последнего из скрытых слоев.

Процесс обучения персептрона заключается в целенаправленном изменении значений весов синаптических связей между слоями, итеративно повторяемый до приобретения сетью необходимых свойств. В основу обучения персеп-трона положено использование тренировочных данных (шаблонов).

После обучения сеть способна правильно осуществлять реакцию не только на шаблоны в процессе тренировки, но также хорошо реагировать на другие наборы данных из допустимого множества входов, с которыми эта сеть ранее не функционировала, т.е. сеть обладает свойством обобщения (generalization). Слой Слой К

У Розенблатта сила межслойных синаптических связей определялась в соответствии со следующим правилом подстройки параметров (алгоритмом обучения) сети. Веса связей увеличиваются при слишком слабом выходном сигнале, сформированном принимающим нейроном, и уменьшаются в противном случае. Это правило справедливо лишь относительно прямонаправленных сетей без скрытых слоев.

Однако сложные нейронные сети обладают большими вычислительными возможностями. Несмотря на то, что в настоящее время имеются сети всех конфигураций, какие только можно представить, послойная организация нейронов в них соответствует слоистым структурам определенных отделов мозга. Выявилось, что эти многослойные сети по сравнению с однослойными обладают большими возможностями, В последние годы разработаны алгоритмы для их обучения. Многослойные сети могут образовываться каскадами слоев – выход одного слоя является входом для последующего.

Многослойные сети не приводят к увеличению вычислительной мощности по сравнению с однослойной сетью только в случае линейной активацион-ной функции между слоями. Вычисление выхода слоя сводится к умножению входного вектора на первую весовую матрицу и умножению (при отсутствии нелинейной активационной функции) результирующего вектора на вторую весовую матрицу.

Способы обучения ИНС. Обучение сети необходимо для того, чтобы получить для некоторого множества входных сигналов желаемое множество выходных сигналов. Каждое такое множество рассматривается как вектор [87]. Обучение сети сводится к последовательному предъявлению входных векторов и сопутствующей этому подстройкой весов в соответствии с заданной процедурой.

Обучение с учителем. При обучении ИНС предполагается, что для каждого входного вектора существует парный ему вектор, задающий требуемый выход. Вместе эти векторы называются обучающей парой. Обычно сеть обучается на достаточно большом количестве пар. Группа обучающих пар называется обучающим множеством (обучающей последовательностью).

Перед началом обучения всем весам присваиваются небольшие начальные значения. Это предотвращает от насыщения большими значениями весов и от ряда других аномальных случаев. Так, например, при назначении всем весам одинаковых начальных значений, а для требуемого функционирования сети нужны неравные значения, то она не сможет обучиться

Результаты применения нечеткого вывода на предложенной базе знаний

Для построения СНВ использован один из рассмотренных выше алгоритмов - алгоритм Мамдани [92].

В качестве множества V входных ЛП приняты факторы ПС: ft1 - температура в помещении, /?2 - оптическая плотность воздуха, /?3 - сопротивления проводки и /?4 - ее изоляции, /?5 -плотность воздуха в помещении, Д6 -наличие искры, /?7 -горючая нагрузка, /?8 - факторы окружающей среды, /?9 - целостность тары.

Термами а входных переменных являются: «низкий уровень», «средний уровень», «высокий уровень».

В качестве множества W выходной ЛП выступает степень ПО со. На основе нормативных документов и мнений экспертов формируется полная БЗ P, содержащая 3888 продукционных правил R [93]: R1. Если температура в помещении – «низкий уровень», оптическая плотность – «низкий уровень», сопротивление изоляции – «низкий уровень», сопротивление проводки – «низкий уровень», плотность воздуха – «средний уровень», наличие искры – «низкий уровень», горючая нагрузка – «низкий уровень», факторы окружающей среды – «низкий уровень», целостность тары – «высокий уровень», то «низкая пожарная опасность». R2. Если температура в помещении – «средний уровень», оптическая плотность – «низкий уровень», сопротивление изоляции – «низкий уровень», сопротивление проводки – «низкий уровень», плотность воздуха – «средний уровень», наличие искры – «низкий уровень», горючая нагрузка – «низкий уровень», факторы окружающей среды – «низкий уровень», целостность тары – «высокий уровень», то «низкая пожарная опасность». …. R1900. Если температура в помещении – «высокий уровень», оптическая плотность – «высокий уровень», сопротивление изоляции – «средний уровень», сопротивление проводки – «средний уровень», плотность воздуха – «средний уровень», наличие искры – «низкий уровень», горючая нагрузка – «низкий уровень», факторы окружающей среды – «низкий уровень», целостность тары – «высокий уровень», то «высокая пожарная опасность». …. R3888. Если температура в помещении – «высокий уровень», оптическая плотность – «высокий уровень», сопротивление изоляции – «высокий уровень», сопротивление проводки – «высокий уровень», плотность воздуха – «высокий уровень», наличие искры – «высокий уровень», горючая нагрузка – «высокий уровень», факторы окружающей среды – «высокий уровень», целостность тары – «низкий уровень», то «критическая пожарная опасность». Генерация множества правил БЗ, исходя из всевозможных сочетаний нечетких высказываний в их предпосылках и заключениях, и согласованные мнения экспертов обеспечивают непротиворечивость БП и гарантируют получение результата для всевозможных сочетаний факторов, определяющих возникновение пожара. Система нечёткого вывода, построенная на основе этих правил, позволяет избежать чрезмерно большого объема вычислений, что очень важно при ее использовании в режиме реального времени.

Для дефаззификациии в работе используется метод центра тяжести (6). 3.3. Алгоритм поддержки принятия решений по предотвращению пожара

Принятие решений по предотвращению пожара на промышленных предприятиях осуществляется, как правило, в условиях неопределенности со значительным запаздыванием. Это вызывает значительные трудности по обеспечению их надежного функционирования. Такое положение обуславливает необходимость разработки моделей, методов, алгоритмов и средств информационной поддержки принятия решений по обеспечению ПБ на промышленных предприятиях.

Для реализации поставленной цели предлагается алгоритм поддержки принятия решений по предотвращению пожара на промышленных предприятиях представленный на рис. 16. Данный алгоритм включает в себя следующие блоки [95]: Блок 1 – «Инициализация работы алгоритма». На данном этапе происходит передача управления ПБ от оператора СППР. Блок 2 – «Измерительная информация». Работа данного блока заключается в опрашивании измерительных устройств значений факторов ПС через определённые промежутки времени и проверка информации на достоверность. Блок 3 – «Прогнозирование значений факторов ПС». Осуществляется прогноз значений факторов ПС для заблаговременного определения возможного пожара и предотвращения ПС. Блок 4 – «Определение ПО помещения». На данном этапе на основе значений совокупности факторов ПС определяется степень ПО защищаемого помещения. Блок-схема алгоритма определения степени ПО помещения приведена на рис. 17. Блок 5 – «Анализ значений факторов ПС и решения по устранению ПС». Если степень ПО выше низкой, выявляются факторы, вышедшие за пределы нормальных значений, и определяются решения по приведению их в норму. Блок-схема алгоритма приведена на рис. 18.

Блок-схема алгоритма поиска фактора ПС и его устранения Предложенный алгоритм является эффективным средством решения задачи по обеспечению пожарной безопасности в процессе функционирования промышленных объектов. При расширении перечня факторов возникновения пожароопасных ситуаций он может быть использован для различных специфичных взрывопожароопасных производств (предприятия химической, газовой, нефтеперерабатывающей, целлюлозно-бумажной, лакокрасочной промышленности; деревообрабатывающие предприятия; предприятия электро- и теплоэнергетики и др

Проведено тестовое прогнозирование значений факторов ПС для одного из взрыво- и пожароопасных помещений – склада ЛКМ Саратовского вагонного депо в среде программирования Matlab 7.11.0.584 (R2010b).

Для обучения персептрона использована обучающая последовательность из 360 элементов. При 300 итерациях время обучения составляет не более 20 с (процессор AMD Ahtlon X2 6000+).

Результаты прогнозирования представлены на экранной форме, приведенной на рис. 19. В графах 1-5 таблицы указаны прогнозные, в графах 6-10 – фактические значения температуры в помещении, оптической плотности воздуха, сопротивления проводки, сопротивления изоляции проводки и плотности воздуха в помещении, в графах 11-15 – соответствующие им значения относительной, а в графах 16-20 – абсолютной ошибки прогноза.