Содержание к диссертации
Введение
Глава 1. Развитие и системная, интеграция интеллектуальных функций промышленных систем обработки информации 20
1.1. Формулирование проблемы исследования 20
1.2. Анализ состояния инженерных сетей нефтегазодобычи 26
1.3. Существующие математические модели и методы контроля и диагностики состояния инженерных сетей 36
1.4. Современные программные комплексы контроля и диагностики., состояния инженерных сетей 40
1.5. Формулирование цели и задач исследования 44
Выводы по главе 1 46
Глава 2. Концепция интеллектуального нейрокомпыотинга 48
2.1. Нейрокибернетический и нейробионический подходы, к определению структурно-функциональной организации нейронных сетей 50
2.2..Представление нейронных структур как функциональных сетей 53
2.3. Классификация интеллектуальных нейросистем и разработка концепции.интеллектуального нейрокомпьютинга 56
2.3.1. Классификация интеллектуальных нейросистем 56
2.3.2. Основные положения концепции интеллектуального нейрокомпьютинга 61
2.3.3. Интеллектуальные функции системы обработки информации 74
2.3. Классификация нейронных структур и выбор начальной организации нейросистемы 79
Выводы по главе 2 93
Глава 3. Теоретические основы структурно-функциональной организации нейронных сетей в системах обработки информации 96
3.1. Нейросетевые модели обработки информации 96
3.1.1. Нейросетевые модели как основа интеграции «процессов обработки информации в интеллектуальных нейросистемах 96
3.1.2. Нейросетевая модель для решения задач распознавания образов и классификации состояний объектов 103
3.1.3. Нейросетевая модель для решения задач диагностики и прогнозирования состояния автоматизированного технологического комплекса 105
3.1.4. Нейросетевая модель для .решения задач анализа и сведения балансов материальных и энергетических потоков 106
3.1.5. Нейросетевая модель для оценки показателей качества продуктов и эффективности производства при управлении технологическими процессами 108
3.3. Теорема А.Н. Колмогорова и обобщенная коннекционистская модель обработки информации в нейронных сетях анализаторов данных реального времени 110
3.3.1. Нейросетевая интерпретация теоремы А.Н. Колмогорова 110
3.3.2. Нейросетевая реализация векторных булевых функций 120
3.3.3. Представление векторных функций общего вида 124
3.3.4. Обобщенная коннекционистская модель обработки информации 125
3.3.5. Дополнительное обучение нейронной сети анализатора 129
3.4. Системная интеграция нейронных сетей анализаторов данных реального времени 133
Выводы по главе 3 143
Глава 4. Нейробионичсское моделирование нейронных структур и процессов их согласования 145
4.1. Многоуровневое описание нейронных структур в пространстве времени 147
4.1.1. Модель сообщества нейронных сетей 147
4.1.2. Модель нервной ткани 155
4.1.3. Модель нейронной сети 159
4.2. Формирование системы анализаторов в процессе метаинтеграции нейронных сетей 164
4.3. Определение дифференциальных и интегральных свойств адаптивных фильтров пространственно-временных сигналов 169
4.3.1. Фильтрация пространственно-временных сигналов 169
4.3.2. Дифференциальные и интегральные свойства адаптивных фильтров 173
4.3.3. Описание детекторов признаков пространственно-временных сигналов 174
4.4. Преобразование координат пространства и времени нейросистемы 180
4.5. Запоминание и воспроизведение пространственно-временных сигналов и образов в процессе адаптации нейросистемы 183
4.6. Функциональное кодирование сигналов нейросистемы и синтез интегральных голографических кодов 189
4.7. Согласование организационных, отражающих биологических и отображающих технических элементов и систем ноосферы 192
4.7.1. Уточнение постановки проблемы 192
4.7.2. Основные положения теории согласованиям 194
4.7.3. Аксиоматическое определение ноосферы 197
4.8. Согласование интеллектуальных нейросистем в реальном пространстве-времени 202
4.8.1. Согласование элементов нейросистемы в циклах взаимодействия 202
4.8.2. Анализ условий согласования элементов интеллектуальных нейросистем 207
4.8.3. Согласование подсистем интеллектуальной нейросистемы в пространстве-времени 210
Выводы по главе 4 214
Глава 5. Интеграция нейронных сетей анализаторов данных реального времени в составе промышленных систем обработки информации 216
5.1. Нейросетевые технологии разработки и системная интеграция анализаторов данных реального времени 216
5.2. Анализ состояния инженерных сетей нефтегазодобычи с использованием нейросетевых моделей 221
5.2.1. Многоуровневые модели инженерных сетей нефтегазодобычи 221
5.2.2. Анализ причин возникновения грубых ошибок при анализе баланса потоков в инженерных сетях нефтегазодобычи 233
5.2.3. Архитектура анализатора состояния участка инженерной сети 237
5.2.4. Метаинтеграция нейросетевых моделей участков инженерной сети 242
5.3. Разработка интеллектуальной нейросистемы для обнаружения утечки в трубопроводе 253
5.4. Разработка и интеграция интеллектуальных нейросистем, обеспечивающих оптимизацию процессов добычи нефти 257
5.5. Программное и информационное обеспечение для генерирования и интеграции нейронных сетей 266
5.6. Методическое обеспечение системы производственного учета и анализа баланса потоков нефтепромысла 283
5.7. Внедрение разработанных способов анализа данных реального времени о состоянии инженерных сетей 292
Выводы по главе 5 296
Заключение: 298
Список литературы 300
Список принятых сокращений 325
Приложение А. Тезаурус понятий концепции интеллектуального нейрокомпыотинга 327
Приложение Б. Структурно-функциональная организация промышленной системы обработки информации «Мониторинг АСУ ТП» 329
Приложение В. Методические материалы по анализу баланса потоков инженерной сети нефтегазодобычи 349
Приложение Г. Справка об использовании результатов диссертационной работы 355
- Формулирование проблемы исследования
- Нейросетевая интерпретация теоремы А.Н. Колмогорова
- Согласование подсистем интеллектуальной нейросистемы в пространстве-времени
- Внедрение разработанных способов анализа данных реального времени о состоянии инженерных сетей
Введение к работе
Актуальность темы. Нейросетевые технологии искусственного интеллекта находят растущее применение при разработке интеллектуальных датчиков, анализаторов данных и систем обработки информации (СОИ) в нефтегазовой и других стратегически важных отраслях промышленности. Они позволяют создавать нейросетевые модели объектов автоматизации и прикладные нейросистемы, благодаря которым существенно облегчается контроль технического состояния этих объектов, их структурная и параметрическая идентификация, осуществляемая с использованием алгоритмов обучения нейронных сетей.
Эффективность промышленных СОИ, создаваемых на базе нейронных сетей (нейросетевых СОИ и их нейронных структур), определяется:
– степенью адекватности нейросетевых моделей объектам автоматизации, которая во многом зависит от правильного выбора структурно-функциональной организации (спецификации) используемых нейронных сетей;
– качеством предварительной обработки информации, реализуемой нейронными сетями интеллектуальных датчиков и анализаторов данных;
– наличием у анализаторов нейросетевых СОИ функций, необходимых для интеллектуального анализа данных реального времени (data mining);
– возможностью эволюции (реинжиниринга) нейронных сетей при изменении структуры объектов автоматизации и появлении новых функций;
– наличием инструментария для интеграции отдельных нейронных сетей СОИ в сообщество, имеющее единую целевую функцию, на основе которой координируются процессы обучения нейронных сетей для достижения требуемого качества контроля и диагностики состояния объектов.
Общетеоретическим вопросам решения задач обработки информации с использованием нейронных сетей посвящены классические работы, выполненные в середине истекшего столетия Н. Винером, Э. Каянелло, С. Виноградом и Дж. Коуэном, У. Мак-Каллоком и У. Питтсом, М. Минским и С. Пайпертом, Ф. Розенблаттом, У. Эшби и др. В их работах структура нейронных сетей представляется в виде орграфа с прямыми и обратными связями между его вершинами (нейронами), обучаемыми или необучаемыми. Отдельный нейрон рассматривается как функциональный преобразователь, выполняющий линейные операции взвешенного суммирования входных сигналов и нелинейные операции формирования сигнала на выходе. Динамика нейронной сети описывается нелинейными конечно-разностными, дифференциальными или интегральными уравнениями. Однако узким местом этих работ является недостаточная проработка алгоритмов обучения нейронных сетей, что не позволяло широко использовать эти алгоритмы для идентификации параметров нейросетевых моделей объектов автоматизации.
Алгоритмы обучения простых нейронных сетей разной структуры были исследованы в 80 – 90-х годах, что открыло новые возможности для создания СОИ, реализующих обработку информации в нейросетевом базисе. Для описания алгоритмов обучения нейронных сетей и идентификации параметров моделей объектов автоматизации введены представления о целевых функциях разных классов сетей (энергетической функции, функции полной ошибки и т.п.). В основу теории нейронных сетей, пригодных для создания нейросетевых СОИ, легла теорема А.Н.Колмогорова о представлении функций многих переменных с помощью функций, близких к линейным (композиций функций одного переменного и сложения). Большой вклад в разработку теории внесли отечественные ученые А.И. Галушкин, А.Н. Горбань, В.Л. Дунин-Барковский, А.Г. Ивахненко, А.Б. Коган, Н.В. Позин, Я.З. Цыпкин и др.
Однако, несмотря на успехи в развитии теории нейронных сетей, принципиально не решенными являются вопросы выбора структуры нейронных сетей и вопросы автоматизации трудоемких процессов их обучения в составе СОИ. Открытым остается также вопрос о возможности обобщения свойств разных классов сетей и осуществления их согласованного обучения.
В последние годы в практике создания и развития промышленных СОИ сложилось два направления наращивания и совершенствования их интеллектуальных функций и превращения их в интеллектуальные системы. Первое основано на частичной модернизации существующих систем путем включения в их состав интеллектуальных датчиков и анализаторов данных (Н. Н. Бахтадзе, В. И. Васильев, В. И. Городецкий, В. А. Лотоцкий, Б. Г. Ильясов, Я. С. Коровин и др.). Второе направление (в большей мере развиваемое за рубежом) исходит из необходимости придания системе еще на этапе ее проектирования (или реинжиниринга) развитых возможностей по обеспечению программной реализации и эволюции ее интеллектуальных функций, обеспечивающих обработку данных реального времени. Для реализации этих функций используются инструментальные средства, имеющиеся в составе легко масштабируемых программно-информационных платформ (NeurOn-Line в G2, Sigmafine в PI System и пр.)
Общий недостаток этих направлений состоит в том, что акцент в них делается на традиционные информационные технологии, в которых средства искусственного интеллекта используются в усеченном виде и от случая к случаю. Как следствие, промышленные СОИ обладают «лоскутным» интеллектом, что тормозит создание в стратегически важных отраслях, таких как нефтегазовая, промышленных систем, обеспечивающих:
-
интеллектуальный анализ накапливаемых данных реального времени и извлечение знаний о связях между параметрами материально-энергетических потоков и параметрами состояния объектов автоматизации в составе производственных инженерных сетей;
-
идентификацию структуры этих связей и их характеристик на основе неполных и противоречивых данных о функционировании объектов;
-
оценку показателей доверия/недоверия к моделям технологических объектов и моделям средств измерения для управления процессами идентификации их параметров при возникновении систематических погрешностей и грубых ошибок в процессе обработки данных реального времени.
В сложившихся направлениях:
отсутствует концепция структурно-функциональной организации нейросетевых и комбинированных технологий искусственного интеллекта в СОИ (концепция интеллектуального нейрокомпьютинга);
не определены пути поэтапного развертывания промышленных СОИ, обеспечивающих повышение степени адекватности нейросетевых моделей объектам автоматизации, находящимся в их среде;
не решена в целом научная проблема системной интеграции интеллектуальных функций развитых промышленных СОИ, в основе конструкции которых лежат нейронные сети.
Цель и задачи исследования
Целью работы является решение научной проблемы системной интеграции нейронных сетей промышленных СОИ, используемых для анализа состояния объектов инженерных сетей нефтегазодобычи и принятия решений по их управлению.
Для достижения этой цели в работе поставлены и решаются следующие основные задачи:
-
Анализ интеллектуальных функций промышленных СОИ и обоснование необходимости использования нейронных сетей для контроля, диагностики и управления состоянием инженерных сетей нефтегазодобычи.
-
Разработка концепции структурно-функциональной организации нейронных структур, позволяющей свободно наращивать их функциональные возможности с целью удовлетворения постоянно растущих требований к уровню автоматизации производственных процессов.
-
Разработка нейросетевых моделей и методов системной интеграции нейронных сетей в составе промышленных СОИ.
-
Исследование процессов обработки информации в нейронных структурах и разработка инструментария для контроля процессов их адаптации к изменениям внешних условий их работы в реальном времени.
-
Исследование эффективности предложенных нейросетевых моделей и основанных на них методов обработки информации в составе корпоративной информационной системы ОАО «Татнефть».
Методы исследования
Поставленные в диссертационной работе задачи решаются с использованием методологии системного анализа, методов математического моделирования, общей теории систем, теории оптимизации, теории кодирования сигналов, теории графов, теоретической механики и математической физики.
На защиту выносятся:
-
-
-
-
Концепция структурно-функциональной организации нейронных структур промышленных СОИ, основанная на коннекционистском подходе к организации процессов обработки информации.
-
Разработанная в рамках коннекционисткого подхода обобщенная модель сообщества нейронных сетей анализаторов первичной информации СОИ и предложенные алгоритмы их системной интеграции.
-
Модели адаптивных нейронных структур, реализующих обработку информации в реальном времени при изменении внешних условий работы СОИ.
-
Балансный метод определения структурно-функциональной организации (спецификации) нейронных сетей анализаторов первичной информации промышленной СОИ.
-
Результаты проверки эффективности промышленных СОИ, построенных на основе предложенных нейросетевых моделей и методов, применительно к анализу баланса потоков и коррекции характеристик средств измерения в составе корпоративной информационной системы ОАО «Татнефть».
Научная новизна:
-
Новизна предложенной концепции структурно-функциональной организации нейронных структур промышленной СОИ состоит в том, что она, за счет многоуровневой организации нейронных сетей, обеспечивает системную интеграцию анализаторов первичной информации в составе иерархически организованных интеллектуальных подсистем СОИ, решающих прикладные задачи в условиях неполноты и противоречивости поступающих данных.
-
Новизна разработанной обобщенной модели сообщества нейронных сетей анализаторов первичной информации и предложенных алгоритмов их системной интеграции состоит в том, что модели анализаторов описываются в гиперкомплексном пространстве на основе использования присоединенной алгебры, в виде представления, адекватного коннекционистской модели обработки информации.
-
Новизна моделей адаптивных нейронных структур, реализующих обработку информации в реальном времени при изменении внешних условий работы СОИ, состоит в использовании параметрического представления их дифференциальных и интегральных свойств в пространстве и времени.
-
Новизна балансного метода определения структурно-функциональной организации (спецификации) нейронных сетей анализаторов первичной информации в промышленных СОИ применительно к инженерным сетям нефтегазодобычи состоит в том, что поэлементные нейросетевые модели объектов инженерных сетей объединяются в нейросетевые балансные модели участков инженерных сетей, которые используются для оценивания дисбалансов потоков и определения показателей степени доверия/недоверия к моделям объектов инженерных сетей и моделям средств измерения их параметров.
-
Новизна выполненной проверки эффективности промышленных СОИ, построенных на основе предложенных нейросетевых моделей и методов, применительно к анализу баланса потоков и коррекции характеристик средств измерения в составе корпоративной информационной системы ОАО «Татнефть», состоит в разработке нового метода анализа состояния инженерных сетей нефтегазодобычи с итеративной нейросетевой коррекцией и последующей проверкой адекватности характеристик средств автоматизации, обеспечивающих контроль параметров состояния инженерных сетей.
Практическое значение данной работы заключается в разработке технологии создания в составе промышленной СОИ интегрированных нейронных структур, обеспечивающих обработку в нейросетевом базисе данных реального времени и решение задач контроля и диагностики состояния инженерных сетей нефтегазодобычи; в разработке нейросетевых моделей объектов этих инженерных сетей, выборе структуры и функций анализаторов данных и обеспечении системной интеграции нейронных структур СОИ, согласованных со своей средой.
Теоретические результаты работы, полученные в 1967–76 гг., применялись при подготовке ряда эскизных и технических проектов создания систем обработки пространственно-временных сигналов.
Разработанная методология структурно-функциональной организации нейронных сетей использовалась при разработке логико-семантических моделей ведения диалога в автоматизированных обучающих системах (1977–1980 гг.) и нейросетевых моделей многостепенных манипуляторов с отработкой их на макете в лабораторных условиях (1995–2002 гг.).
С 1980 г. по 2008 г. развитый в рамках данной работы коннекционистский подход к определению и совершенствованию структурно-функциональной организации сообщества нейронных сетей применялся при разработке и использовании нейронных структур для обработки данных реального времени в составе АСУ ТП нефтегазодобычи.
Внедрение результатов работы. Балансный метод определения спецификаций интеллектуальных нейросистем и математическое обеспечение нейросетевых анализаторов данных реального времени нашли применение при разработке нейросетевых моделей и методики анализа баланса потоков в инженерных сетях нефтегазодобычи и используются на ряде предприятий нефтяной промышленности. Выявленные принципы структурно-функцио-нальной организации нейронных сетей использованы также при разработке нейросетевых моделей других сложных технических систем и логико-семантических моделей ведения диалога и внедрены в учебный процесс.
Апробация работы
Основные научные и практические результаты диссертационной работы докладывались и обсуждались на республиканских, всесоюзных, всероссийских и международных конференциях и школах, в том числе на III, IV и V Всесоюзных конференциях по бионике (Москва, 1968, 1970, 1973); I Республиканской летней школе по нейробионике (Киев, 1971); V Украинской республиканской конференции по бионике (Киев, 1972); I Всесоюзной конференции «Человеко-машинные обучающие системы» (Телави–Москва, 1979); Всесоюзной конференции «Комплексная автоматизация и создание АСУ ТП в бурении, добыче, транспорте нефти и газа» (Москва, 1985); Республиканской научно-технической конференции «Проблемы нефти и газа» (Уфа, 1988); Международной научно-технической конференции «Проблемы нефтегазового комплекса России» (Уфа, 1998); Всероссийской научно-технической конференции «Нейроинформатика-99» (Москва, 1999); Международной научно-технической конференции «Проблемы трансферной технологии» (Уфа, 1999); V и VI Всероссийских конференциях «Нейрокомпьютеры и их применение» (Москва, 1999, 2000); Международной конференции по нейросетевым информационным технологиям «ICONIP-2001» (Шанхай, 2001); Международной конференции «Актуальные проблемы прикладной математики и механики» (Харьков, 2006); 9-й Международной конференции «Распознавание образов и анализ изображений: новые информационные технологии» (Нижний Новгород, 2008); IV Международной конференции «Параллельные вычисления и задачи управления» (Москва, 2008); научно-практических конференциях «Автоматизация и метрология в нефтегазовом комплексе» (Уфа, 2003–2008).
Публикации
По теме диссертации в период с 1967 по 2008 годы автором опубликовано более 150 научных работ, в том числе 3 монографии (две из них в соавторстве), 37 статей в рецензируемых журналах из списка ВАК, получено 10 авторских свидетельств на изобретения и 2 патента.
Структура и объем работы
Диссертация состоит из введения, пяти глав основного материала, библиографического списка, содержит 326 страниц основного текста и 3 приложения. Библиографический список содержит 297 наименований литературы.
Формулирование проблемы исследования
В стратегически важных отраслях производства оперативный контроль и диагностика состояния объектов технологических комплексов (ТК) осуществляется с помощью промышленных СОИ, интегрирующих в единое информационное пространство модули обработки информации отдельных автоматизированных систем: АСУ ТП, MES-систем, информационно-измерительных систем (ИИС), систем технического и коммерческого учета количества и показателей качества производимой продукции, потребляемого сырья и энергии (рис. 1.1) [164, 291].
Модули обработки информации реализуются в виде библиотек специальных подпрограмм, сервисов, функционирующих в режиме on-line, и приложений пользователя, взаимодействующих с базой данных (БД) в режиме off-line. Сервисы обеспечивают сбор и отображение информации, со держащейся в данных реального времени, контроль исполнения команд в локальных АСУ ТП, экспресс-анализ информации и предоставляют инструментальные средства по конфигурированию моделей обработки текущих данных, событий и команд. Приложения обеспечивают поддержку принятия решений конечным пользователем при контроле и диагностике состояния объектов различного назначения.
На предприятиях отраслей с непрерывным циклом производства (энергетики, нефтегазодобычи, трубопроводного транспорта нефти, нефтепродуктов и газа, нефтепереработки, нефтехимии и др.) решение многих задач оперативного контроля и диагностики сводится к определению причин нарушения1 балансов материально-энергетических потоков (путем анализа дисбалансов, или небалансов)- в узлах гидравлических и электрических инженерных сетей, образующих инфраструктуру предприятия. Оперативное решение этих задач позволяет локализовать нарушения, вовремя спланировать и выполнить действия, по устранению выявленных причин с целью минимизации возможных последствий этих нарушений.
Поиск причин возникновения дисбалансов осуществляется на основе анализа связей между параметрами материально-энергетических потоков и параметрами состояния отдельных объектов инженерных сетей, включающих в свой состав первичные средства автоматизации (датчики и исполнительные механизмы). Структурная и параметрическая идентификация в реальном времени этих связей, носящих нестационарный характер, с уточнением и использованием правил контроля и диагностики состояния отдельных объектов,инженерных сетей, составляет сложную прикладную научно-техническую задачу. Сложность решения этой задачи возрастает из-за наличия постоянных изменений и нарушений в работе измерительных каналов промышленных СОИ. Данные изменения и нарушения усугубляются также действиями субъективного фактора (несанкционированными и противоправными действиями человека).
В последние годы, в связи с внедрением малолюдных технологий и широким применением компьютерных средств автоматизации, наблюдается постоянный рост объемов собираемых данных реального времени о состоянии технологических объектов, которые могут быть использованы для оперативного контроля и диагностики состояния инженерных сетей. Часть этих данных формируется системами коммерческого учета производимой продукции, потребляемого сырья и энергии, аттестованными государственными органами. Однако большая их часть собирается в АСУ ТП и системах технического учета материально-энергетических ресурсов, в которых отсутствуют жесткие требования к качеству сбора и подготовки данных, и поэтому эти данные часто оказываются неполными и противоречивыми («сырыми»). В этих данных находят отражение многие производственные факторы, прямой контроль которых не предусмотрен в имеющихся. методиках выполнения операций технического учета параметров материально-энергетических потоков; регламентах контроля и диагностики состояния технологических объектов и в. других нормативных документах. Поэтому при диагностике состояния технологических объектов и контроле параметров их входных и выходных материально-энергетических потоков требуется выполнять интеллектуальные операции интерпретации данных реального времени, в том числе операции их предварительной обработки и интеллектуального-анализа (data mining) с выделением полезной информации о скрытых производственных факторах и проверкой ее достоверности. Без выполнения этих операций не может быть гарантировано адекватное управление технологическими объектами инженерных сетей [292].
В промышленных СОИ, образующих надстройку над локальными АСУ ТП и ИИС, для обеспечения качественной интерпретации данных реального времени формируются сложные структуры данных (информационные модели соответствующих предметных областей) и алгоритмы интеллектуальной обработки информации, имеющие множество настраиваемых параметров. Сложные структуры данных и алгоритмы их интеллектуальной обработки составляют основу адаптивных моделей технологиче ских объектов, разрабатываемых с помощью традиционных средств информатики (баз данный, программных интерфейсов, языков программирования) и средств искусственного интеллекта (четкой и нечеткой логики, нейронных сетей, генетических алгоритмом, хаосных систем) [15]. Для автоматизации процессов конфигурирования и настройки параметров адаптивных моделей технологических объектов зарубежными фирмами разработаны отдельные модули в составе средств разработки АСУ ТП (например, модуль NeuroDeltaV фирмы Emerson Process Management [293]), а также программные среды для создания-промышленных СОИ (например, G2 и NeurOn-Line фирмы Gensym, США [87]), использующие средства искусственного интеллекта.
В России развитие промышленных СОИ осуществляется путем частичной модернизации существующих систем, с включением в их состав интеллектуальных подсистем: отдельных интеллектуальных датчиков и анализаторов сигналов [16, 102, 115]. При этом.не обращается внимание на процессы поэтапного развития и системной интеграции создаваемых интеллектуальных подсистем.
Для анализа баланса потоков в инженерных сетях и обнаружения утечек продуктов, как за рубежом, так и в России используются специализированные программные комплексы с ограниченными интеллектуальными функциями, обеспечивающие интерпретацию данных реального времени. К ним относятся комплексы программ Sigmafine (фирма. OSI Software, США), DATACON (фирма Simulation Sciences Inc., США), Production Balance (фирма Honeywell, США), Aspen Advisor (фирма Aspentech, США), Nessi (фирма PSI, Германия), LeakSPY (OOO «Энергоавтоматика», Россия), CityCom (Инженерно-внедренческий центр «Поток», Россия), Гра-фИн (НПО «Сибгеоинформатика», Россия), БАЛАНС (ОАО «Нефтеавто-матика», Россия) и др.
Теоретические вопросы моделирования, и идентификации параметров состояния инженерных сетей с использованием классических физико математических моделей технологических объектов и основанных на этих моделях методов (model-based methods [259]) отражены в отечественной литературе в работах Евдокимова А.Г., Меренкова А.П., Тевяшева А.Д., Хасилева В.Я., Сидлера ВТ., Сенновой Е.В. и др. [37, 49, 50, 119, 122, 123], в зарубежной литературе — в работах Kron G., Narasimhan S., Soudek А. и др. [105, 269, 280]. В ряде работ [4, 7, 38, 112, 242, 290] рассмотрены вопросы, связанные с применением методов, основанных на знаниях (knowledge-based methods [259]), для предварительной обработки и интерпретации данных реального времени при анализе баланса потоков и диагностике состояния объектов инженерных сетей.
Совместное использование методов, основанных на классических моделях, и методов, основанных на знаниях, связано с учетом структуры известных моделей многокомпонентных нестационарных потоков в инженерных сетях и с использованием разнообразных дополнительных.априорных и опытных данных о функционировании и нарушениях в работе инженерных сетей, имеющих детерминированный или случайный характер. Глубокая интеграция-этих методов предполагает использование единого математического аппарата для создания моделей технологических объектов. Таким аппаратом фактически является аппарат алгебры и функционального анализа, который широко используется для создания классических физико-математических моделей инженерных сетей и первичных средств их автоматизации. С помощью этого аппарата описываются также обучающиеся модели объектов этих сетей, реализуемые с помощью нейросетевых и гибридных технологий искусственного интеллекта. Аппарат алгебры и функционального анализа позволяет использовать классические модели инженерных сетей, дополненные обучающимися моделями его отдельных объектов, в качестве специального класса адаптивных моделей инженерных сетей.
Нейросетевая интерпретация теоремы А.Н. Колмогорова
Для описания нейронных сетей различного назначения широко используются функции многих переменных, близкие по своим свойствам к линейным функциям (nearly linear functions [270]). С их помощью функциональная зависимость между входами, состояниями и выходами нейронной сети представляется в виде суперпозиции нелинейных функций одного переменного и взвешенного суммирования. Одним из известных классов функций, близких к линейным, обладающих асимптотами (слева и справа), является класс пороговых функций [223 - 226].
Векторные и гиперкомплексные функции (вектор-функции), которые реализуются, например, нейронной сетью простого однородного персептрона (рис. 3.7), имеющего п входов с вектором переменных in - (щ,...,іпп), п состояний с вектором переменных х- {хх,...,хп), т выходов нейронов с вектором возбуждения net = (net\,...,netт) и вектором активности out = (outx,...,outm), можно разделить на два больших класса функций, близких к линейным [94,95]: - класс вектор-функций первого рода где A = (aIJ) — матрица весов связей между входными и выходными нейронами сети (i = l,m;j = \,п) ; ао - (aio) — вектор смещений (порогов) нейронов сети; (р — функция активации нейрона, х = ф(ігі), имеющая асимптоты х-а (слева) и х = Ь (справа); а и Ь — константы. Если (р — ступенчатая функция Хевисайда или аппроксимирующая ее функция, например, сигмоидная функция out — [1 + ехр(-иеґ)] , то а = О, Ъ = \ и нейронная сеть реализует векторную или гиперкомплексную функцию многих переменных в виде композиции пороговых функций или аппроксимирующих их функций.
Если (р - сигнум-функция или аппроксимирующая ее функция, например, гиперболический тангенс out = [l — exp(-nety\[l + Gxp(-nef)Y , то a = —l,b = \ и сеть реализует векторную или гиперкомплексную функцию многих переменных в виде композиции знаковых или аппроксимирующих их функций.
В структуре вектор-функций первого и второго рода присутствует линейная вектор-функция net(x) (рис. 2.8):
Пониманию фундаментальной роли функций, близких к линейным, способствовало доказательство А. Н. Колмогоровым [99, 100] и В. И. Арнольдом [14] несостоятельности гипотезы, высказанной Д. Гильбертом в 1900 г. при постановке своей 13-й проблемы. Они показали, что непрерывную функцию п переменных можно представить с помощью суперпозиции непрерывных функций одного переменного и сложения.
A. H. Колмогоров доказал теорему [100]: при любом целом п 2 существуют такие определенные на единичном отрезке Ек = [0,1] непрерывные действительные функции Ук](хк)- что каждая определенная на и-мерном единичном кубе Е" = Y[ Е\ непрерывная действительная функция многих пе к=\ ременных у = /(х15...,хи) может быть представлена в виде где внешние функции Xk(zk) действительны и непрерывны, зависят от вида функции/, а внутренние функции Ykj (Хк ) — только от п.
Соотношения (3.13) и (3.14) могут быть описаны с помощью векторно-матричных уравнений [1]
Уравнения (3.15) и (3.16) могут быть представлены в виде одного функционального уравнения где функция А(Х), определенная над вектором возбуждения X, имеет матричное представление.
Уравнение (3.17) описывает функциональную сеть [213], состоящую из функциональных узлов, каждый из которых реализует функцию одного переменного и соединен с другими функциональными узлами и с выходом сети с помощью узлов-сумматоров.
Получен ряд результатов, дополняющих теорему А. Н. Колмогорова. В частности, G. G. Lorentz и D. A. Sprecher представили соотношения (3.13) -(3.14) в несколько модифицированном виде [260, 261, 281 - 285]:
Используя это представление, R. Hecht-Nielsen [244] интерпретировал теорему А. Н. Колмогорова как теоретическое доказательство универсальности нейронных сетей как аппроксиматоров экспериментальных данных, способных реализовать векторные функции многих переменных достаточно общего вида.
Сеть, соответствующая соотношениям (3.18) и (3.19), также может быть представлена в виде функционального уравнения (3.17) и интерпретирована как нейронная сеть Колмогорова, состоящая из однотипных блоков (колонок) [74] (рис. 3.8). Функция у/ по построению является монотонной неубывающей функцией и зависит от п. Постоянные 1;)«и функции g выбираются таким образом, чтобы нейронная сеть вычисляла требуемую функцию п переменных у = f{xly...,xn).
Функции g и ц/ по построению существенно не гладкие, имеющие фрактальные свойства (space-filling curve). Они могут быть аппроксимированы, например, кусочно-линейными функциями или сигмоидными функциями. В результате такой аппроксимации может быть получена регулярная сеть Колмогорова [74]. Переход к регулярной сети Колмогорова, элементы которой (нейроны) имеют однотипные (монотонно возрастающие) функции активации, в общем случае требует увеличения числа элементов в скрытом слое свыше
Для получения структуры регулярной нейронной сети можно, следуя [100], разделить единичный отрезок Е\ на тк сегментов Д4 , где іц — номер сегмента. На каждом из этих сегментов функции у/ку(ху),к = \,2п + \ могут быть аппроксимированы с требуемой точностью и вплоть до константы оп-ределены сигмоидной функцией ф [232, 233].
На рис. 3.9 представлена полученная таким образом регулярная сеть Колмогорова, являющаяся совокупностью линейно связанных сигмоидных преобразователей, реализующих функции, близкие к линейным. Вне единичного куба Е" = \\Е[ они стРемятся к своим асимптотам (к насыщению). В рамках отдельной ячейки ,,,...,,„ единичного куба в насыщении находятся все сигмоидные преобразователи, кроме тех, которые определены на сегментах, задающих в пересечении данную ячейку. Эти преобразователи, входящие в отдельный фрагмент регулярной сети, на рис. 3.9 выделены. Связи, соединяющие их с выходом сети, реализуют линеаризованные в рамках ячейки ,,,...,/„ свойства функции y = f(xx,...,xn) , которые в явном виде проявляются при малых изменениях положения точки (х,,..., хп ) в пределах данной ячейки.
При обучении регулярной сети Колмогорова, на основе малых изменений положения точки ( ,,..., лси) в пределах одной ячейки, полная ошибка на выходе сети, в ходе ее обратного распространения (по методу back propagation), распределяется на связи элементов соответствующего фрагмента сети: на веса связей выходных преобразователей сети (линейного и 2п+1 сигмоид-ных), а также на веса связей входных преобразователей (2«+1 линейных и п(2п+\) сигмоидных). Все остальные связи фактически определяют положе 2п+1
При последовательном обучении регулярной сети реагированию на изменение положения точки (x15...,x„) в разных ячейках ,,, Л области определения функции y = f(xi,—,x„), положение последующей (Н-1)-й рабочей точки сети (zj,...,z2/J+1),+1 может быть связано с положением предыдущей t-u рабочей точкой (zl,...,z2n+l)t отношениями смежности и порядка, отражающими историю обучения. Эти рабочие точки могут отражать как, внутренние состояния сети, так и пространственно-временные характеристики динамических ситуаций внешней среды, в которой идет обучение.
Недостатком сети Колмогорова, затрудняющим ее непосредственное использование для решения задачи аппроксимации функции, заданной с помощью обучающих примеров, является большое количество скрытых нейронов и необходимость управления скоростью их обучения на отдельных шагах. Представляя функцию g полиномиальными сплайнами или суперпозициями полиномиальных функций TLS степени г с монотонно возрастающей функцией (р, т.е. S — 2 i "И фС-П-л), количество скрытых элементов можно приблизить к оптимальному (2и+1). Проведение исследований в данном направлении представляет интерес для разработчиков вьшислительных схем [226].
Функциональное уравнение (3.17) может быть использовано не только для описания статики нейронных сетей, но и для описания их динамики. Например, в случае однослойной сети с обратными связями, обладающими задержкой А г, вектор возбуждения сети Хг зависит от времени т, а функциональное уравнение (3.17) сводится к виду [248, 249].
Согласование подсистем интеллектуальной нейросистемы в пространстве-времени
Для обеспечения согласованного взаимодействия элементов системы в пространстве и времени необходимо конкретизировать условия согласования (4.54) — (4.61) применительно к системам, преобразующим пространственно-временные сигналы. Эти условия можно изучить на примере простой системы, состоящей из двух подсистем (см. рис. 4.13); Взаимодействуя, они образуют один замкнутый контур, по которому циркулируют сигналы. Преобразования сигналов, которые осуществляют эти подсистемы, можно описать в общем виде с помощью системы нестационарных интегральных уравнений где Pl(x,t),P2(x,t) - входные и выходные сигналы подсистем; Gx(x,x ,t,t ),G2{x,x" ,t,t") — функции влияния подсистем.
После выполнения подстановок в соотношениях (4.66) и (4.67) получим
Эти равенства выполняются при любых сигналах Px{x,t),P2{x,i), если для отношений циклов подсистем 1 и 2 справедливы условия
В? данных соотношениях, устанавливающих связи между функциями влияния подсистем, базовые свойства подсистем определяются 8-мерным векторным пространством с координатами x,x ,t,t (удвоенным пространством-временем). Это пространство является предельным по своей размерности векторным пространством, в котором может быть введена, в соответствии с теоремой Рурвица, мера близости (квадратичная форма), допускающая композицию [52, 92].
Сами функции влияния в общем случае могут быть гиперкомплексными. Прш этом; поскольку преобразования1 (4.66) и (4.67) в соответствии с (4.70) и (4.71)-оказываются взаимно обратными, допускающими их обращение, функции-влияния могут принимать значения в алгебре гиперкомплексных чисел с делением; в частности, в предельной по размерности-алгебре Кэ-ли (или в алгебре Кэли-Диксона) [52, 92].
Подсистемы 1 и 2 в соответствии с (4.70) и (4.71) являются безынерционными. Однако реальные подсистемы всегда являются инерционными и могут скомпенсировать свою инерционность только за счет предсказанияшове-дения другой подсистемы, с которой они согласуются. Для того чтобы научиться- познавать реально существующие в природе интеллектуальные системы обработки информации, а также строить технические системы, согласованные со своей внешней и внутренней средой (объектами и субъектами), необходимо уметь оценивать степень согласования базовых элементов в системе. Для оценки степени согласования /-го базового элемента системы, имеющего в цикле взаимодействия функцию влияния Gn(x,x ,t,t ) и преобразующего сигнал P,(x,t), можно воспользоваться модифицированным разложением этой функции влияния по производным функции медленного роста в СМ)» аппроксимирующей многомерную 8-функцию [29], в виде
Если отношение цикла /-го базового элемента нейросистемы обеспечивает преобразование пространственно-временных сигналов, близкое к тождественному, то при є — О
В окрестности точки согласования C"(x,t)&C" = const,\а\ О 5 и любой г-й базовый элемент системы становится стационарным и однородным, поэтому используя подходящие функции coe(x,t) в (4.73) достаточно учитывать несколько первых членов разложения
Координаты центра (хц,ґц) разложения можно выбрать такими, чтобы выполнялось условие С" = 0,р = 1. Тогда
Согласно (4.72) и (4.77), согласованный элемент нейросистемы осуществляет в цикле взаимодействия смещение сигнала Р, (х, t) в пространстве на величину хц и задержку его во времени на величину tlx. При неидеальном взаимодействии элемента с системой возможно дифференцирование и интегрирование сигнала Р,(х 0 в пространстве и во времени. При выборе подвижной системы координат, начало которой совпадает с координатами центра разложения, а также подходящих масштабов для представления пространственных координат в квазистатике (при пренебрежении второй производной по времени) получим
Данное соотношение характерно для преобразований в простых рецептивных полях анализаторов различных животных и в системе восприятия человека [41].
Не равные нулю коэффициенты С"(x,t),\a\ 0, а также параметр Ct (x,t) = \-Cl (x,t) характеризуют отличия отношения цикла /-го элемента нейросистемы от тождественного преобразования пространственно временных сигналов. Коэффициенты Cl (x,t),C"(x,t),\a\ 0;i = l,N могут использоваться для оценки достигнутой степени согласования базовых элементов интеллектуальной нейросистемы со своей средой, как некоторые ха рактеристики фактических отношений S!t єП,/ = 1,7У и аналогичных харак теристик отношений At є П, / = 1, TV.
Тогда базовые элементы нейросистемы могут быть представлены в пространстве коэффициентов Ca(x,t), а\ О, как отдельные точки или их наборы (геометрические тела), а сама обобщенная интеллектуальная система — как набор прямых в смысле той проективной геометрии (и координатизи-рующей ее алгебры), которая соответствует структуре организованной среды ее обитания - ноосферы.
Внедрение разработанных способов анализа данных реального времени о состоянии инженерных сетей
Разработанный способ анализа данных реального времени о состоянии инженерных сетей и средств измерения их параметров на основе нейросете-вых технологий внедрены в ОАО «Татнефть» и других нефтяных компаниях в виде стандарта организации «СТО-БАЛАНС» и программных модулей нейросетевой ИСОИ, реализованных в составе корпоративных промышленных систем обработки информации.
На рис. 5.18 представлена архитектура корпоративной информационной системы (КИС) ОАО «Татнефть» «Баланс», в которой используются подсистемы КПС и ПС «Анализ баланса», созданные на основе ПК «АНАЛИЗ БАЛАНСА» и ПМ «Генератор нейросетевых моделей».
Оперативная информация собирается с помощью существующих систем автоматизации технологических и производственных процессов (локальных АСУ ТП и АСУ П «МЕГА», «Проток», «Диск-ПО», «АРМИТС» и др.), интегрированных с серверами баз данных интегрированных АСУ ТП (ИАСУ ТП) НГДУ, КИС «Татнефть-нефтедобыча» (ТН-НД) и др., с возможностью ручного ввода недостающей информации диспетчерами участков, цехов и центральных инженерно-технологических служб НГДУ и компании в целом.
Технологические объекты инженерных сетей нефтепромыслов и товарных парков рассредоточены на большой территории и тесно взаимоувязаны в технологическом процессе добычи и коммерческого учета нефти. При анализе результатов измерений, контроле и надзоре за состоянием систем и средств измерения используется информация как о структуре и режимах работы инженерных сетей нефтегазодобычи, так и о характеристиках средств измерения параметров их состояния (рис. 5.19 и 5.20).
Информация об изменениях структуры инженерных сетей нефтепромыслов и характеристик средств измерения параметров потоков вводится специалистами промыслов и корпоративного метрологического центра, что позволяет поддерживать балансную модель инженерных сетей нефтегазодобычи в актуальном состоянии.
На рис. 5.21 представлены диаграммы дисбалансов по объектам учета сернистой жидкости НГДУ "Джалильнефть" (до и после внедрения нового способа анализа баланса потоков инженерных сетей на основе нейросетевых моделей объектов нефтегазодобычи и программных модулей, автоматизирующих реализацию данного способа).
В результате использования адаптивных балансных моделей инженерных сетей нефтегазодобычи удалось уменьшить дисбалансы потоков в узлах инженерных сетей НГДУ «Джалильнефть», «Нурлатнефть», «Азнакаевск-нефть», «Альметьевнефть». Уменьшение средних значений дисбалансов потоков по жидкости на 10 % позволило снизить потери нефти на 1% (при обводненности продукции скважин в 90%).
Результаты работы внедряются также на нефтегазодобывающих предприятиях компании ТНК-ВР.
Разработанная, методология моделирования, сложных организационно-технических систем и предложенная технология реализации в неиросетевом базисе интеллектуальных функций СОИ используются также в учебном процессе кафедр информатики- и технической кибернетики. УГАТУ и кафедры вычислительной техники и инженерной кибернетики УРИТУ при-подготовке специалистов-в области моделированияюрганизационно-технических систем разработки программного обеспечения5 автоматизированных систем управления-[69].
Полученные в- работе результаты могут быть использованы- в различных отраслях промышленности для анализа и синтеза нейросетевых,анализаторов пространственно-временных сигналов и образов в составе промышленных систем; обработки информации, предназначенных для контроля состояния пространственно распределенной производственной инфраструктуры, (инженерных сетей) предприятие в реальномшремени.
Похожие диссертации на Структурно-функциональная организация нейронных сетей в промышленных системах обработки информации : применительно к инженерным сетям нефтегазодобычи
-
-
-
