Содержание к диссертации
Введение
1. Анализ современного состояния и перспективы решения задач синтеза контролепригодных объектов 11
1.1. Анализ методов обеспечения контролепригодности непрерывных технических объектов 13
1.2. Анализ эффективности применения генетических алгоритмов к решению оптимизационных задач 23
1.3. Выводы 34
2. Применение эволюционного подхода к задачам синтеза контролепригодных объектов 36
2.1. Разработка и исследование количественных показателей контролепригодности 37
2.1.1. Критерии оценки контролепригодности объекта 39
2.1.2. Исследование влияния топологии граф - модели на мощность множества назначаемых контрольных точек для локализации дефектов 46
2.2. Применение генетических алгоритмов к задачам технической диагностики 56
2.3. Метод кодирования решения задачи синтеза контролепригодных объектов в виде битовой строки 60
2.4. Выводы 66
3. Адаптация генетических алгоритмов к решению задач обеспечения контролепригодности сложных техническиз систем 67
3.1. Поиск множества назначаемых точек контроля с использованием генетического алгоритма 68
3.2. Оптимизация настроек генетического алгоритма для решения задач синтеза контролепригодных объектов 69
3.2.1. Анализ параметров генетического алгоритма, влияющих на сходимость решения 73
3.2.2. Анализ параметров генетического алгоритма, влияющих на количество вычислений целевой функции 85
3.3. Разработка алгоритма синтез контролепригодных объектов по показателю глубины поиска дефекта 94
3.4. Разработка алгоритма минимизации времени восстановления технических систем 115
3.5. Выводы 116
4. Практическая реализация разработанных методов синтеза контролеприодных объектов 118
4.1. Краткая характеристика газотранспортной сети как объекта контроля 119
4.2. Описание работы участка газотранспортной сети 119
4.3. Оптимизация контролирующих параметров для мониторинга газотранспортной сети 121
4.4. Выводы 131
5. Заключение 132
6. Список литературы 134
Приложение 1 146
Приложение 2 148
- Анализ методов обеспечения контролепригодности непрерывных технических объектов
- Исследование влияния топологии граф - модели на мощность множества назначаемых контрольных точек для локализации дефектов
- Оптимизация настроек генетического алгоритма для решения задач синтеза контролепригодных объектов
- Описание работы участка газотранспортной сети
Введение к работе
Актуальность проблемы. За последнее время резко возросла
сложность современных технических объектов, увеличилось количество
выполняемых ими функций, и как следствие — повысились требования к их
надёжности. Соответственно непрерывно возрастает роль методов и средств
поддержания их в работоспособном состоянии в процессе внедрения и
эксплуатации. Эффективность этих методов зависит от
контролепригодности, т.е. степени приспособленности объектов к контролю их технического состояния, своевременному обнаружению и локализации дефекта. Обеспечение контролепригодности позволяет значительно сократить время и стоимость восстановления при устранении дефекта, повысить надежность, качество и производительность технических средств.
Высокий уровень контролепригодности, достигаемый благодаря встроенным и внешним средствами контроля, автоматизированной системой сбора, обработки данных для определения технического состояния и оперативного поиска дефектов, обеспечивает принятие своевременных мер по предотвращению аварийных ситуаций, что особенно важно при их необратимых последствиях.
Вопросы структурной реализации сложных технических систем с учетом обеспечения их контролепригодности для проведения диагностических работ следует прорабатывать на стадиях их проектирования и изготовления. Это значительно повысит показатели надежности, качества функционирования, сократит затраты на обслуживание и ремонт при их эксплуатации.
Проблеме синтеза контролепригодных систем уделяется большое внимание - фундаментальные положения теории предложены в работах П.П. Пархоменко, А.В. Мозгалевского, Е.С. Согомоняна, В.В. Карибского [24-26, 41, 51], В.А. Гуляева [50], В.И. Сагунова [36, 37, 52, 57, 66, 67], дальнейшее
развитие эти вопросы получили в работах Г.С. Пашковского [38], В.П. Чипулиса [63, 64] и других. При этом большая часть работ посвящена вопросам диагностики дискретных объектов. В частности достаточно успешно решаются задачи построения тестовых последовательностей для покрытия возможных неисправностей.
Для класса непрерывных систем нет общего подхода к решению вопросов обеспечения их контролепригодности. В системах со сложной структурой и большим количеством возможных дефектов выбор расположения точек контроля при существовании ограничений на их размещение является достаточно нетривиальной задачей. Используемые для решения таких задач традиционные точные методы, методы ветвей и границ, динамического программирования, градиентного спуска теряют эффективность при увеличении размерности задач, что приводит к необходимости разработки новых методов и алгоритмов проектирования контролепригодных систем.
В последнее время для решения задач с большим числом возможных состояний применяются алгоритмы эволюционного моделирования, в частности генетические алгоритмы, использующие для нахождения экстремума целевой функции принципы, лежащие в основе процессов естественного отбора. По своей сути, являясь алгоритмами нахождения глобального экстремума многоэкстремальной функции, они значительно сокращают перебор в сложных задачах и легко адаптируются к изменению условий проблемы.
Таким образом, задачи оптимального синтеза контролепригодных объектов в связи с ростом их сложности и увеличением числа состояний актуальны и требуют развития новых методов для их решения. Генетические алгоритмы предназначены для решения задач оптимизации большой размерности и успешно применяются для решения технических задач. Попытки применения генетических алгоритмов в области технической диагностики отсутствуют. Разработка и адаптация алгоритмов
эволюционного моделирования к решению задач обеспечения контролепригодности позволит преодолеть ограничение на размерность решаемых задач и даст новый эффективный подход к решению задач синтеза контролепригодных объектов различной природы и назначения.
Цель работы. Разработка методов синтеза контролепригодных систем с большим числом состояний, определяемым дефектами, на базе эволюционного моделирования. Адаптация генетических алгоритмов к решению задач обеспечения контролепригодности восстанавливаемых непрерывных технических систем по критериям глубины поиска, времени восстановления при наличии ограничений на область допустимых решений.
Методы исследования. В диссертационной работе для теоретических исследований применялись методы теории графов, теории множеств, теории вероятностей и эволюционного моделирования. Для практической апробации и настройки разработанных алгоритмов применено программное статистическое моделирование, реализованное на языке Builder C++. Графический материал при проведении исследований получен с использованием математических технологий пакета MATLAB 6.0, Microsoft Excel.
Объекты исследований. В практическом плане объектами исследования являются восстанавливаемые технические системы непрерывного действия, число возможных состояний которых, обусловленных возникновением дефектов, превышает сто и более единиц.
Научная новизна диссертационной работы. Научная новизна диссертационной работы заключается в следующем:
Предложен критерий оценки топологии структуры, позволяющий прогнозировать мощность множества диагностических параметров для обеспечения контролепригодности - коэффициент достижимости.
Предложена символьная модель кодирования допустимых решений, с которой работает генетический алгоритм в задачах синтеза контролепригодных объектов.
Разработаны структуры генетических адаптированных алгоритмов для решения задач синтеза контролепригодных объектов по критериям максимума коэффициента глубины поиска, минимума времени восстановления при наличии ограничений на технические ресурсы, связанные с обеспечением контролепригодности.
Проведён анализ параметров основных операторов * генетического алгоритма для выявления оптимальных настроек с целью обеспечения хорошей сходимости к оптимальному решению.
Разработаны рекомендации по настройке генетических алгоритмов синтеза контролепригодных объектов в соответствии со значением коэффициента достижимости граф-модели объекта.
Практическая значимость работы. Разработанные в
диссертационной работе модели, методы и алгоритмы предназначены для обеспечения контролепригодности сложных технических систем непрерывного действия с большим числом состояний — возможных дефектов. Практическая ценность работы заключается в том, что с помощью разработанного подхода возможно оценить затраты, связанные с реализацией точек контроля ещё до процедуры их назначения. Программная реализация алгоритмов позволяет существенно повысить эффективность проектирования контролепригодных систем, и, соответственно, обеспечить своевременность принятия управленческих решений с целью предотвращения аварийных ситуаций и снижения эксплуатационных расходов.
Реализация результатов работы. Разработанные математические модели, методы и алгоритмы повышения уровня контролепригодности технических объектов с большим количеством состояний применены на предприятии ООО «Волготрансгаз», в учебном процессе Нижегородского Государственного Технического Университета в виде фрагмента лекций в рамках курса «Надежность, эргономика и качество АСОИУ» для студентов, обучающихся по специальности 22.02.00 «Автоматизированные системы обработки информации и управления».
Апробация работы. Основные результаты диссертационной работы докладывались и обсуждались на научных семинарах кафедры "Информатика и системы управления" Нижегородского государственного технического университета (2002-2004гг.); ежегодных научных конференциях факультета информационных систем и технологий Нижегородского государственного технического университета (2002-2004гг.); 1-й, П-й и Ш-й Региональной научно-технической конференциях «Будущее технической науки нижегородского региона»; 9-ой Нижегородской сессии молодых учёных.
Публикации. По результатам диссертационной работы опубликовано 12 работ в печатных изданиях.
Структура и объём работы. Диссертационная работа изложена на 150 печатных листах, включает 25 рисунков и 19 таблиц, состоит из введения, 4 глав, заключения, списка литературы и приложения.
Во введении обосновывается актуальность работы, формулируются цели и направления исследований, выносимых на защиту, определена научная новизна и практическая ценность полученных результатов.
В первой главе проводится анализ существующих методов синтеза контролепригодных систем непрерывного типа, рассмотрены основные результаты, полученные в этой области за последнее время, дано описание генетических алгоритмов для решения оптимизационных задач. Приведены базовая блок — схема генетического алгоритма и описание основных генетических операторов. Сделан вывод о целесообразности адаптации генетического алгоритма к решению задач оптимизации контролепригодности сложных технических систем с большим числом возможных отказов. Показано отсутствие разработок в этой области. На основании проведённого анализа сформулированы основные задачи исследования.
Во второй главе проведены исследования в области поиска зависимости числа назначаемых контрольных точек и связанных с этим
затрат от топологии объекта диагностирования. Введён коэффициент достижимости для граф-модели структуры объекта, позволяющий прогнозировать мощность множества количества назначаемых точек контроля для обеспечения различимости дефектов. Предложен механизм кодирования допустимого решения оптимизационной задачи обеспечения контролепригодности в виде битовой строки.
В третьей главе рассматривается адаптация операторов генетических
алгоритмов для решения оптимизационных задач синтеза
контролепригодных объектов в зависимости от имеющихся ограничений.
Проведен анализ эффективности различных вариантов операторов
генетического алгоритма, оптимизированы их настройки для решения
конкретных задач. Дана блок — схема адаптированного генетического
алгоритма для решения задач синтеза контролепригодных систем.
Сформулированы и решены задачи синтеза контролепригодных систем по
критериям максимума коэффициента глубины поиска дефекта и минимума
времени восстановления объекта. 1
В четвёртой главе приведён пример практического применения
разработанных алгоритмов. *
Обеспечена контролепригодность участка газотранспортной сети между КС Заволжская и КС Сеченовская Ужгородского коридора, модель которого представлена графом причинно-следственных связей. Проведена оптимизация множества диагностических параметров для обеспечения одноразличимости всех однократных дефектов. Полученные результаты используются при реализации информационной системы, предназначенной для мониторинга газотранспортной сети и поддержки принятия решения службой диспетчерского управления в аварийных и предаварийных ситуациях.
В заключении формулируются основные результаты работы.
На защиту выносятся следующие результаты работы:
1) Критерий оценки топологии структуры, позволяющий
прогнозировать мощность множества диагностических параметров для
обеспечения контролепригодности.
Механизм кодирования и декодирования допустимого решения -множества назначаемых точек контроля в виде битовой строки.
Адаптированные генетические алгоритмы для решения задач синтеза контролепригодных объектов по критериям максимума глубины поиска дефекта, включая одноразличимость и минимума времени восстановления.
Результаты исследования влияния различных видов операторов генетического алгоритма на эффективность поиска решения, оптимальная настройка операторов генетических алгоритмов для решения поставленных задач.
Результаты вычислительных экспериментов с использованием разработанных генетических алгоритмов решения задач синтеза контролепригодных объектов.
Анализ методов обеспечения контролепригодности непрерывных технических объектов
В соответствии с [2] при разработке системы диагностирования прежде всего необходимо построить математическую модель объекта диагностирования. По методам представления взаимосвязей между состоянием объекта, его элементами и параметрами выходных сигналов методы построения моделей делятся на аналитические, графоаналитические (топологические), информационные и логические.
Аналитические модели широко используются для описания объектов электрического, электромеханического или пневмогидравлического типа. При решении задач диагностирования [3-5] непрерывные объекты представляются формульным описанием объекта в виде совокупности функциональных соотношений, дифференциальных или передаточных функций. При этом неисправности объекта моделируются как недопустимые изменения значений параметров диагностирования. Алгоритм поиска дефектов в этом случае строится на основе вероятностных методов оценки надежности системы с учетом специфики ее структуры и надежности составляющих ее компонент, назначением контрольных точек в результате анализа таблицы функций неисправностей.
Достоинства аналитических моделей объекта диагностирования заключаются в глубине и полноте описании объекта. Недостатки таких моделей - сложность и отсутствие инженерной наглядности, кроме того, невозможность представления аналитической моделью большого класса технических объектов.
Если система технического диагностирования может быть представлена как источник информации о техническом состоянии объекта, на основе которого осуществляется управление состоянием, то такая система может быть представлена информационной моделью диагностирования. В этом случае объект описывается как датчик диагностических параметров, измерительные приборы как преобразователи информации, средства отображения информации и диагностирования как процесс снятия неопределенности при определении работоспособного состояния или поиска места отказа.
Если системы диагностирования не представляются блочно функциональной схемой, а зависимости между их параметрами не могут быть представлены аналитическим выражением [7-23], то для таких систем построение моделей базируется на выявлении причинно-следственных связей между параметрами диагностируемого объекта, т.к. пространства параметров объекта находятся в изоморфном отношении с пространством его состояния. Модель строится в виде графа [25, 41, 58], каждой вершине которого ставится в соответствие тот или иной параметр диагностируемой системы: значения входных воздействий, величины, характеризующие режимы функционирования координат. Дуги графа представляют собой функциональные или статистические зависимости между параметрами. Эффективным множеством диагностических параметров предлагается считать множество, удовлетворяющее условиям полного описания всех классов технического состояния, наибольшей чувствительности к изменению значений параметров, минимальности состава, доступности для контроля и измерения, обеспечения заданной степени различимости при распознавании отдельных дефектов [ 16-18].
Широкое распространение при решении задач технической диагностики получили двузначные логические модели [24-31, 38], охватывающие большой класс реальных технических объектов, представимых блочной функциональной или структурной схемами. При построении логической модели каждому функциональному блоку ставится в соответствие совокупность логических блоков так, чтобы выход каждого логического блока характеризовался только одним параметром, и при этом оставляются только те входы, которые формируют данный выход. Логическая модель впервые была описана в работе [24], а ее строгая формализация и доказательство однозначного соответствия объекта и модели приведены в работе [25]. Кроме того, разработана и выпущена методика, устанавливающая единые правила построения логических моделей изделий машиностроения и приборостроения непрерывного действия [27].
Применение логической модели основывается на применении допусковых способов диагностирования, характеризующихся тем, что заключение о правильности функционирования объекта делается на основании качественной оценки некоторой совокупности диагностических параметров. Если значение сигнала находится в допустимых пределах, то значение данного выходного сигнала полагается равным 1, в противном случае — 0.
Простота моделей логического типа, как отмечается в [25], является их преимуществом перед моделями другого типа. Однако применение логических моделей для диагностирования объектов, содержащих контуры обратных связей, позволяет определить дефект с точностью до группы компонент, входящих в контуры обратных связей. Логическая модель, не содержащая многоканальных блоков, может трактоваться как граф причинно-следственных связей между входными, внутренними и выходными параметрами объекта. Справедливо также обратное: если при построении графа причинно-следственных связей выполнены требования, предъявляемые к построению логической модели, то от графа причинно-следственных связей можно однозначно перейти к логической модели. Следовательно, для обработки логической модели и графа причинно-следственных связей можно использовать одни и те же методы.
В работе [30] были поставлены и решены задачи определения минимальных совокупностей контрольных точек, обеспечивающих одноразличимость одиночных дефектов методом определения минимального покрытия таблицы функций неисправностей системой ее столбцов.
Следует отметить, что если рассматриваются только однократные дефекты, то число столбцов таблицы функций неисправностей равно п +1, где п — число блоков модели. При отсутствии сведений о недопустимых состояниях таблица функций неисправностей должна содержать 2" +1 столбцов и построение ее становиться затруднительным для объектов очень большой размерности.
Проблема различимости одиночных дефектов при использовании граф-модели рассмотрена в работе [34]. Предложенные алгоритмы применимы для ограниченного класса объектов, моделью которых является ациклический последовательно-параллельный граф или граф типа дерева.
В работах [36, 38] для обеспечения различимости одиночных дефектов предложен алгоритм, основанный на использовании матрицы путей упорядоченного графа, представляющего собой логическую модель объекта диагностирования.
Исследование влияния топологии граф - модели на мощность множества назначаемых контрольных точек для локализации дефектов
При решении задач синтеза контролепригодных объектов в качестве целевой функции Q используются значение коэффициента глубины поиска или время восстановления, зависящее от глубины диагностирования. Эти параметры вычисляются по матрице эквивалентных дефектов U, т.е. зависят от её вида: Матрица U состоит из строк, являющихся строками матрицы достижимости D с номерами, соответствующим входным вершинам графа, и столбцов матрицы достижимости D с номерами, соответствующими выходным вершинам графа. Таким образом, получаем, что матрица эквивалентных дефектов U есть функция, зависящая от трёх величин: где D — матрица достижимости исследуемого графа, V" - множество входных вершин исследуемого графа, на которые подаются диагностические воздействия, Zut - множество диагностических параметров, включающее множество исходных точек съёма информации Vой и множество назначаемых точек контроля Z. Учитывая (2.11), выражение (2.10) примет следующий вид: т.е. критерий оптимальности определяется значением матрицы достижимости, множеством входов, на которые подаются диагностические сигналы и множеством точек съема диагностической информации. Для удобства в качестве критерия оптимальности возьмём коэффициент глубины поиска. При решении задачи синтеза контролепригодных объектов ведётся поиск минимального множества Z диагностических параметров, которое зависит от требуемого значения Кгп и числа вершин граф-модели. Но для различных структур графов при числе вершин, равных п, она может значительно варьироваться. Для определения зависимости между структурой исследуемого объекта и минимально необходимым числом контрольных точек было проведено численное моделирование. При этом априорно заданными величинами являются: число вершин граф-модели; множество входных вершин графа исследуемого объекта; значения КП1. В качестве переменной, варьируемой вычислительной программой, выступает матрица достижимости D. Матрица достижимости строится по матрице смежности, являющейся эквивалентом графа. Но, как указывалось в пункте 2.1, матрица достижимости не является математическим эквивалентом структуры рассматриваемого объекта. Это означает, что различным графам может соответствовать одна матрица достижимости, но различным матрицам достижимости всегда соответствуют различные графы.
Как уже отмечалось, значение Кгп вычисляется по матрице эквивалентных дефектов. Особенность вычисления данного коэффициента заключается в том, что он будет иметь тем большую величину, чем больше в матрице U несовпадающих хмежду собой столбцов. Данное разнообразие напрямую зависит от соотношения долей ненулевых и нулевых элементов матрицы U. Если доли нулевых и ненулевых элементов в матрице U будут примерно одинаковы, то вероятность различимости всех столбцов матрицы эквивалентных дефектов будет достаточно высока, т.е. близка к 1. При увеличении одной доли и соответственно уменьшения другой, возрастает вероятность наличия в матрице U совпадающих столбцов. При этом не важно, доминирование какой доли элементов будет происходить в матрице эквивалентных дефектов. Исходя из того, что матрица U строится по матрице D, вид матрицы эквивалентных дефектов будет напрямую зависеть от вида матрицы достижимости, множеств входных и выходных вершин графа (2.12). Следовательно, чем больше отличаются доли нулевых и ненулевых элементов в матрице D, тем больше множество контрольных точек необходимо назначить для обеспечения различимости дефектов.
Оптимизация настроек генетического алгоритма для решения задач синтеза контролепригодных объектов
Для решения оптимизационных задач с помощью генетического алгоритма необходимо разработать метод кодирования допустимого решения, определяемого граничными условиями задачи (точки в области допустимых значений), в виде битовой строки, метод расшифровывания битовой строки, т.е. представление решения, полученного с помощью генетического алгоритма, к виду, удобному для восприятия, и метод оценки приспособленности битовых строк.
Как уже было отмечено в разделе 2.3, для решения задач синтеза контролепригодных объектов решение (хь х2,..., хп) удобно представить в виде битовой строки длинной п бит, где п — число возможных состояний, характеризуемых возникновением дефектов. При этом значение переменной х, = 1, если і - ый параметр используется в качестве диагностического. Простота символьной модели, кодирующей допустимое решение, является одним из преимуществ использования генетических алгоритмов для решения задач диагностики. Очевидное представление решения в двоичном формате упрощает процедуру кодирования и декодирования параметров. На каждом шаге алгоритма происходит генерация новых решений. Эти решения в общем случае могут не входить в область допустимых решений. Для решения этой проблемы существует два подхода: — использование метода штрафов [85], заключающегося в том, что если сгенерировано недопустимое решение, ему ставится в соответствие такое значение целевой функции, которое делает эту битовую строку неконкурентоспособной. Но, если область допустимых решений составляет небольшую часть от области всех возможных решений, в результате формирования "потомков" редко будут возникать допустимые решения, и алгоритм большую часть времени будет работать в холостую; - модификация операторов генетического алгоритма, такая, чтобы он сразу формировал "потомка", удовлетворяющего ограничениям поставленной задачи. Модификация операторов может быть двух видов: - проверка вхождения сгенерированного "потомка" в область допустимых решений, и если он не входит, то происходит его модификация или ремонт: - модификация оператора таким образом, чтобы он генерировал только допустимых "потомков". Таким образом, адаптация алгоритмов к решению задач обеспечения контролепригодности должна в первую очередь включать следующие действия: разработку алгоритма генерации первого поколения допустимых решений; модификацию операторов кроссовера и мутации для формирования допустимого решения. Далее следует провести моделирование для исследования свойств операторов и их оптимальной настройки к данной прикладной задаче, а . также определить основные параметры генетического алгоритма, такие как мощность популяции особей на і-й итерации работы алгоритма, формирующей "потомков", и количество поколений, обрабатываемых генетическим алгоритмом для получения оптимального решения. 3.2. Оптимизация настроек генетического алгоритма для решения задач синтеза контролепригодных объектов Проведенный анализ работы генетического алгоритма для решения задач оптимизации контролепригодности объекта привел к выработке следующей схемы его настройки. Перед проведением процесса эволюционного моделирования объекта необходимо настроить следующие параметры генетического алгоритма: выбрать схемы для реализации оператора кроссовера и типа отбора для него "родительских" особей; задать вероятности выбора операторов кроссовера, мутации; задать вероятности инвертирования бит в битовую строку для ближней и дальней мутации; определить метод отбора особей в следующее поколение; задать мощность начальной популяции; задать максимальное число поколений, обеспечивающих получение "достаточно хорошего" решения.
Проведённые исследования при решении поставленных в разделах 3.3 и 3.4 задач показали, что неправильный выбор этих параметров приводит к существенному ухудшению искомого оптимального решения, а также к увеличению времени его поиска.
Оптимальные значения многих параметров генетического алгоритма, реализующих процесс эволюционного моделирования при решении задач синтеза контролепригодных объектов, зависят от коэффициента достижимости, характеризующего топологию граф — модели объекта и введённого в разделе 2.1.2. Поэтому в работе анализ поведения генетического алгоритма при различных настройках операторов проведено для графов с различной топологией. При этом выявлен ряд существующих закономерностей при настройках генетического алгоритма в зависимости от значения коэффициента достижимости.
Описание работы участка газотранспортной сети
В качестве контролируемого объекта выбран участок газотранспортной сети между КС Заволжская и КС Сеченовская Ужгородского коридора, состоящая из 6 трубопроводов: Уренгой-Ужгород, Уренгой-Центр 1, Уренгой-Центр2,Ямбург-Елеці, Ямбург-Елец2 и Прогресс.
В качестве контролируемых параметров, характеризующих функционирование системы, является уменьшение или увеличение давления газа на всём протяжении контролируемого участка.
При стабильной работе системы, как правило, исключительных ситуаций не возникает. При изменении режимов работы, связанных в первую очередь с изменением погодных условий, возможны нештатные ситуации, которые могут привести к катастрофическим последствиям. К таким же последствиям может привести ложное срабатывание телемеханики. При открытии байпасного крана секущего крана или самого секущего крана на КС Сеченове на контролируемом участке ГТС возрастает давление газа. При открытии этих кранов на КС Заволжская происходит понижение давления. После агрегатов газ подаётся в трубы. Но после сжатия газ становится сильно нагретым и для его охлаждения (чем ниже температура газа, тем больше его можно пропустить через ГТС) используются АВО. Для каждого времени года используется своё количество работающих АВО. Это связано с экономическими затратами на охлаждение газа. При остановке любого из агрегатов воздушного охлаждения на КС Заволжская (всего 150 АВО) происходит общее нагревание газа и повышение давления на контролируемом участке. При увеличении температуры и выхода данного параметра за предельные нормы на выхлопе одного из агрегатов на КС Сеченово происходит сброс оборотов на данном агрегате или его полная остановка. Тоже самое можно сказать про агрегаты КС Заволжская. При увеличении оборотов на одном из агрегатов на КС Заволжская происходит увеличение давления на контролируемом участке и при выходе данного параметра за допустимые границы, происходит аварийная остановка агрегата. Данная ситуация на КС Сеченово может привести к падению давления на данном участке или к аварийной остановке данного агрегата. При несанкционированном закрытии любого линейного крана на контролируемом участке, происходит увеличение давления на выходе КС Заволжская с вытекающими из этого последствиями, такими как разрыв трубы или остановка агрегатов. При сбросе оборотов на каком-то агрегате на КС Сеченово происходит увеличение давления на контролируемом участке. Данная ситуация на КС Заволжская приводит соответственно к падению давления. Увеличение давления на выходе агрегата на КС Заволжская приводит к увеличению давления на контролируемом участке, и кроме того, может привести к открытию антипомпажного клапана, находящегося на данном агрегате. При превышении давления на любом КЦ на КС Заволжская может сработать антипомпажная система и/или открыться рециркуляционный (36) кран. При переходе агрегата в помпажный режим на КС Сеченово автоматически произойдёт останов агрегата и увеличение давление на КУ. Открытие 36 крана приводит к падению давления на выходе и увеличению давления на входе - происходит объединение выхода со входом через стабилизирующую перемычку. 4.3. Оптимизация контролирующих параметров для мониторинга газотранспортной сети Требуется назначить минимальное множество диагностических параметров для определения состояния технологического процесса транспорта газа. В качестве математической модели при решении данной задачи будем использовать граф причинно — следственных связей, построенный в пространстве возможных состояний рассматриваемого технологического процесса. Определим возможные дефекты ГТС, влияющие на качество её функционирования вплоть до возникновения аварийной ситуации, имеющей катастрофические последствия.
![Разработка методов, моделей и алгоритмов прогнозирования и донозологической диагностики кожных болезней, имеющих представительство на проекционных зонах, с использованием нечеткой логики принятия решений и рефлексодиагностики [Электронный ресурс]](/i/i/4381/168311.png "Разработка методов, моделей и алгоритмов прогнозирования и донозологической диагностики кожных болезней, имеющих представительство на проекционных зонах, с использованием нечеткой логики принятия решений и рефлексодиагностики [Электронный ресурс] Ходеев Денис Владимирович")
