автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Методика предварительной диагностики механизмов для систем мониторинга технической безопасности

ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ ГОСУДАРСТВЕННОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО И ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ «ТВЕРСКОЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ»

^ На правах рукописи

Гаганов Павел Геннадьевич

МЕТОДИКА ПРЕДВАРИТЕЛЬНОЙ ДИАГНОСТИКИ МЕХАНИЗМОВ ДЛЯ СИСТЕМ МОНИТОРИНГА ТЕХНИЧЕСКОЙ БЕЗОПАСНОСТИ

Специальность: 05.13.06 — «Автоматизация и управление технологическими процессами и производствами (по отраслям)»

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Тверь-2006

Работа выполнена в Тверском государственном техническом университете Научный руководитель к.т.н., доцент Матвеев Ю.Н.

Официальные оппоненты:

Доктор технических наук, доцент В.Н. Богатиков

Кандидат технических наук, с.н.с. В.И. Керницкий

Ведущая организация: ОАО «Редкинское ОКБА», п. Редкино, Тверской обл.

Защита состоится 22 сентября 2006 года в 16.00 на заседании диссертационного совета Д212.262.04 при Тверском государственном техническом университете по адресу: 170026, г. Тверь, наб. А. Никитина, 22, (Ц-212).

С диссертацией можно ознакомиться в библиотеке Тверского государственного технического университета.

Автореферат разослан

2% июля, 2.0О6 ГО}

Ученый секретарь диссертационного совета

В.Н. Михно

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы работы

Автоматизация работы объектов повышенной опасности, и в частности, опасных химических производственных и технологических процессов, является сегодня неотъемлемой частью повышения их безопасности и снижения вероятности возникновения аварийных ситуаций. Цепа аварии на подобных объектах, как правило, имеет катастрофический масштаб, поскольку последствия возникновения подобных ситуаций затрагивают не только и не столько сам объект, но и площади, превосходящие его в сотни и тысячи раз. Большинство веществ, которые обрабатываются или синтезируются на объектах этого класса, связаны с опасностью для жизни. Безопасность рассматриваемых объектов зависит в значительной мере от развития автоматических систем управления, оперативности и точности систем мониторинга, от интеллектуальности применяемых систем принятия решений.

На текущий момент основным направлением повышения безопасности и эффективности объектов повышенной опасности является совершенствование систем мониторинга и централизованных систем принятия ■' решений, экспертных систем. Введение в них элементов прогнозирования и оперативного распознавания (идентификации) ситуаций позволяет повысить общий уровень реагирования системы и тем самым улучшить безопасность объекта в целом.

Прогнозирование как метод предсказания ситуаций нашло сегодня широчайше« применение в медицине (для прогноза развития болезней), экономике (оценка финансовых рисков, прогноз котировок, курсов и т.п.) и других областях, однако методы прогнозирования не нашли достаточно широкого применения в рассматриваемых технологических процессах. Последнее обусловлено, в частности, тем, что прогнозирование в классическом виде осложнено здесь изменением свойств объекта мониторинга в момент возникновения нештатной ситуации и в течение её.

Одним из перспективных направлений идентификации и прогнозирования развития ситуаций является ранняя диагностика зарождающихся дефектов оборудования в реальном времени. Методы автоматизированной диагностики достаточно давно и подробно проработаны. Однако в большинстве своем они основаны на применении специального оборудования и эпизодического целенаправленного поиска дефектов в блоках и узлах механизмов и машин. Остается открытым вопрос чисто алгоритмического поиска аномальных информативных признаков в нормальных временных рядах показаний датчиков объекта, свидетельствующих в наличии тех или иных биений в механических системах объекта. Если подобные системы имеют даже минимальную возможность обнаружения зарождающихся дефектов критического оборудования, то применение их оправдано. Изложенные обстоятельства обуславливают актуальность разработки методики предварительной диагностики зарождающихся дефектов технологического оборудования.

Цель работы

Целью диссертационной работы является разработка методики повышения уровня технической безопасности объектов повышенной опасности на основе предварительной диагностики зарождающихся дефектов технологического оборудования.

Основные задачи работы

• Разработка алгоритма детектирования аномальных признаков в статических режимах технологических процессов.

• Разработка алгоритма детектирования аномальных признаков в динамических режимах технологических процессов.

• Разработка методики применения алгоритма детектирования аномальных признаков в динамических режимах технологических процессов в режиме реального времени, в том числе в режиме скользящего анализа.

• Разработка методики обоснования начальных настроек детектора и их варьирования в зависимости от поведения обрабатываемого процесса.

• Разработка программного средства, реализующего алгоритм детектирования аномальных признаков в динамических процессах, а также симулятор динамических режимов технологических процессов с аномальными включениями.

• Исследование свойств разработанного алгоритма путем вычислительного эксперимента.

Методы исследования

В диссертационной работе используются следующие методы и их модификации:

• теории автоматизированной диагностики механизмов и машин;

• кластерного анализа данных;

• атомарного спектрального анализа (ББА, «Гусеница») данных;

• классификации объектов;

• объектно-ориентированного проектирования и программирования;

• вычислительного эксперимента и статистического анализа данных.

Основные положения, выносимые на защиту

• алгоритм детектирования аномальных информативных признаков в динамических режимах технологических процессов и система, использующая данный алгоритм, основанная на аппарате шаблонов и реализованная на разработанных классах объекта-строки и шаблона;

• результаты исследования характеристик и свойств разработанного алгоритма для динамических процессов, полученные при помощи разработанного программного средства на реальных временных рядах;

• методика применения алгоритма детектирования аномальных информативных признаков в динамических процессах в режиме реального времени, в том числе в режиме скользящего анализа.

Научная новизна

Перечень вышеизложенных положений определяет методику повышения уровня технической безопасности объектов повышенной опасности, новизна которой (методики) обусловлена применением алгоритмов предварительной диагностики зарождающихся дефектов технологического оборудования на основе принципа поиска закономерностей во временных рядах сигналов датчиков объекта.

Элементами новизны обладают также каждое из выносимых на защиту положений.

Достоверность и обоснованность

Достоверность и обоснованность результатов работы обусловлены соответствием свойств исходных данных решаемой задачи постановке научной задачи и разработанным методам ее решения.

Достоверность результатов работы подтверждается также результатами вычислительных экспериментов и их сопоставлением с известными работами.

Практическая ценность работы

Разработанный алгоритм детектирования аномальных признаков в динамических режимах технологических процессов, методика применения его в режиме реального времени, а также результаты исследования свойств и характеристик алгоритма являются основой, позволяющей практически без модификации штатной системы классификации ситуаций объекта повысить общую безопасность и надежность функционирования технической системы, что особенно важно для объектов повышенной опасности.

Внедрение и реализация

Разработанный алгоритм детектирования аномальных информативных признаков в динамических технологических процессах был использован в создании функциональной структуры, алгоритмического и программного обеспечения прототипа информационной системы, работающей как в нормальном режиме обработки файлов данных, так и в режиме исследования характеристик алгоритма. Произведено исследование свойств разработанного алгоритма при различных настройках детектора, в различных режимах работы. Разработана методика применения алгоритма в режиме реального времени.

Разработанная методика предиагностики состояния оборудования включена в состав организационного и алгоритмического обеспечения системы мониторинга объекта уничтожения химического оружия (ОУХО) в г. Камбарка Удмуртской республики.

Программное средство «Детектор аномальных признаков в динамических процессах» получило свидетельство о государственной регистрации №2005612251 от 02.09.2005.

Апробация работы

Научные и практические результаты диссертационной работы докладывались и обсуждались на научных конференциях: «Развитие механики торфа и научных основ создания машин и оборудования торфяного производства», Тверь, 2001; «Компьютерные технологии в управлении, диагностике и образовании», Тверь, 2002; «Новые информационные технологии в решении проблем производства, строительства, коммунального хозяйства, экологии, образования, управления и права», Пенза, 2002; «Математические методы и информационные технологии в экономике, социологии и образовании», Пенза, 2006.

Публикации

Основные положения диссертации опубликованы в восьми печатных работах, в их числе две статьи в международном научном журнале, пять - в сборниках статей научно-технических конференций, одна публикация в официальном бюллетене федеральной службы по интеллектуальной собственности, патентам и товарным знакам. В работах, опубликованных в соавторстве, автору принадлежат обоснование методов решения научных задач, разработка алгоритмов, проведение и анализ вычислительных экспериментов, а также участие в постановке научных задач.

Структура и объем диссертации

Диссертация состоит из введения, четырех основных глав, заключения, библиографического списка, включает 146 страниц машинописного текста, 55 рисунков и 4 таблицы.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность диссертационной работы, ее научная новизна.

В первой главе на основе доступных источников описаны особенности процессов утилизации химического оружия, методы анализа числовых рядов и обнаружения их свойств. Дано общее понятие надежности и отказов, рассмотрены особенности проблемы надежности для химико-технологических систем повышенной опасности (ХТСПО). Описаны пути повышения надежности для технологических систем в целом. Описан рассматриваемый объект работы — печь огневого обезвреживания твердых отходов ТХ800 и агрегаты, входящие в ее состав (рис. 1).

Рассмотрены методы классификации абстрактных объектов. Описан метод поиска непериодических шаблонов в последовательностях чисел и символов.

Объект 1597 предназначен для расснаряжения, обезвреживания и утилизации артиллерийских и авиационных боеприпасов, содержащих в том

числе отравляющие вещества. Объект полностью автоматизирован и исключает наличие человека в рабочих цехах во время функционирования.

Печь огневого обезвреживания твердых отходов ТХ800 входит в состав объекта 1597. Она служит для термического обезвреживания твердых отходов, подающихся на тележках в рабочую камеру.

Печь отапливается горелками, питающимися газовоздушной смесью. В технологическую схему печи входят три продублированных вентилятора, два из которых отвечают за охлаждение необходимых областей, а один регулирует состав газовоздушной смеси.

В802,

В855.

ВАаа

Тележка с футерованной поверхностью для твердых отходов

V

ГОРЕЛКИ 900°С -1000 »С

О о

300 °С - 400 °С

Охлаждение пода лечи, колесных лар и рельс

J

Рис. 1. Печь прокалки твердых отходов ТХ800. Схема работы

Основная часть отказов в химико-технологических системах повышенной опасности носит эксплуатационный характер, так как конструкторская часть и производственная фаза для подобных объектов выполняются с особым контролем, поэтому следует обратить внимание на эксплуатационные методы повышения надежности ХТС.

Среди научных методов эксплуатации оборудования одно из важнейших мест занимают методы диагностики зарождающихся дефектов оборудования. Для ХТСПО они играют важнейшую роль, поскольку в них нередко очевидное проявление дефекта в оборудовании ведет к взрывоопасной ситуации и дальнейшей полной непригодности этого оборудования, не говоря уже об экологических последствиях.

На рис. 2 в общем виде показана зависимость стоимоста ликвидации последствий дефекта оборудования от времени и возможные пути развития дефекта. Системы предиагностики предназначены для повышения безопасности оборудования и минимизации вышеуказанной стоимости за счет более раннего обнаружения дефекта, то есть в интервале между точками 1 и 2. Однако, классические системы диагностики оборудования, например, вибродиагностика, требуют предварительного построения некоторого образа

нормально работающего оборудования и плохо применимы для оборудования с существенно различающимися режимами работы.

Штатные системы безопасности реагируют на превышение или занижение показателей какого-либо параметра. Возможно ли спрогнозировать поведение процесса? Исследование существующих методов прогнозирования развития процессов показало, что на настоящий момент не существует методики надежного предсказания развития тренда технологического процесса без наличия дополнительных данных о процессе и самом объекте, на котором этот процесс происходит. В то же время, даже если построить адекватную модель объекта, она, вполне вероятно, будет достаточно надежно прогнозировать нормальное развитие процесса на объекте, но ценность этой информации в нашем случае будет сомнительной, поскольку разрабатываемая система прежде всего предназначена для идентификации нештатной и аварийной ситуации. В подавляющем большинстве случаев возникновение нештатной ситуации либо является следствием изменения свойств самого объекта, либо ведет к изменению его свойств. В этом случае ошибка прогнозирования даже самых современных методов становится непредсказуемой, потому что сам принцип любого прогнозирования заключается в исследовании свойств процесса или объекта и вывода прогноза на основании той или иной модели процесса или объекта.

5

Рис. 2. Зависимость стоимости С ликвидации последствий дефекта оборудования от времени г Возможные пути развития дефекта. Отмечены точки: I - момент зарождения дефекта узла механизма (машины); 2 -останов узла вследствие перегрузки по одному из параметров и срабатывания штатной системы защиты; 3 - выход узла из технологической цепи вследствие его существенного повреждения; 4 - останов механизма (машины) вследствие его существенного повреждения. Стоимость ремонта сопоставима со стоимостью механизма (машины); 5 — выход из строя или разрушение данного механизма (машины) приводит к повреждению соседних механизмов (машин).

С другой стороны, нам известно, что процессы, предназначенные для анализа системой, происходят на реальном физическом оборудовании, что уже вносит свою долю детерминированности. Частой причиной нештатных ситуаций является выход из строя узлов и механизмов оборудования. Значит, есть предпосылки для поиска признаков зарождающихся дефектов оборудования, поскольку надежный метод обнаружения зарождающегося дефекта по сути своей будет надежным способом идентификации и прогнозирования нештатной ситуации.

Идентификация ситуации по своей сути заключается в классификации текущей ситуации на объекте. Классификация ситуации в данном случае есть отнесение ее к одному из определенных ранее классов ситуаций. Основой для процедуры классификации, независимо от конкретной алгоритмической реализации ее, является совокупность рассматриваемых факторов, несущих информацию о текущей ситуации на объекте. Эта совокупность, вектор текущих значений признаков объекта, является «операндом» любого алгоритма классификации, а в дальнейшем — и системы принятия решений.

На настоящий момент разработано множество алгоритмов классификации. В то же время известно, что информативность используемых признаков и их количество являются определяющими факторами качества процесса классификации, независимо от используемого метода. Следует также отметить, что изменение самих алгоритмов классификации ситуаций для объектов повышенной опасности, а тем более разработка и внедрение новых алгоритмов, связано с большими затратами средств и времени, поскольку любые алгоритмы принятия решений для подобных объектов подлежат тщательной проверке и сертификации.

В данной ситуации, самым перспективным направлением повышения безопасности функционирования объектов повышенной опасности и улучшения оперативности идентификации нештатных и аварийных ситуаций, представляется разработка новых алгоритмов формирования дополнительных информативных признаков для систем классификации и принятия решений.

В частности, наиболее перспективным выглядит разработка алгоритмов так называемой предиагностики, то есть методов предварительного детектирования дефектов механизмов и машин объекта, как в режиме реального времени, так и в режиме апостериорной обработки архивов.

Исходя из полученных выводов, осуществлена постановка цели и задач диссертационной работы.

Вторая глава посвящена разработке алгоритмов детектирования аномальных информативных признаков в технологических процессах.

Повышение качества и оперативности диагностики работающего технологического оборудования является сегодня одним из приоритетных направлений повышения надежности и безопасности функционирования установок и производств, работа которых потенциально связана с опасностью для здоровья и жизни персонала, а также для окружающей среды.

Как правило, наименее надежными узлами оборудования являются его движущиеся части. Обычно движение носит вращательный или циклически повторяющийся характер. Высокоточные цепи механизмов и машин объекта генерируют объемный спектр помех, которые воздействуют на слаботочные измерительные цепи и являются причиной аномальных показаний датчиков. Однако очевидно, что аномальные показания могут быть вызваны не только помехами, но и изменением свойств самого объекта, сторонним воздействием на него. Неудивительно, что анализ аномальных отклонений показаний в режиме нормального функционирования объекта нашел применение в

диагпостике зарождающихся дефектов оборудования. Даже априорно известно, что опытный человек способен по звуку работающего механизма оценить качество его функционирования и даже указать место дефекта если он присутствует. В целом, именно анализ показаний, определяемых как паразитные в процессе управления объектом, позволяет диагностировать в нем дефекты и неполадки.

С другой стороны, подобная диагностика проводится только периодически операторами непосредственно в режиме диагностики. Это обусловлено большой ресурсоемкостью применяемых алгоритмов. Они способны дать достаточно информативный результат, но применение их в режиме реального времени практически нереально.

Объекты повышенной опасности характеризуются согласно их классификации наиболее опасными последствиями аварии во время технологического процесса, поэтому в их обслуживании применяются не только надежные системы автоматического управления, но и различные мощные системы мониторинга, стоящие «над» цепыо «Обьект-АСУ». Они выполняют функции контроля системы в общем и функции прогнозирования развития ситуации, имеют элементы систем принятия решений.

Предлагается ввести в систему мониторинга функцию элементарной диагностики объекта в реальном времени на основе выделения аномальных информативных признаков из генеральной совокупности поступающих данных (рис.3).

Рис.3. Месторасположение детектора информативных признаков в структуре технологической системы «Объект-АСУТП». Здесь: АСУТП - автоматизированная система управления технологическими процессами;

СМиОН - система мониторинга и оценки надежности; ДАП - детектор аномальных признаков;

Предлагаемый блок нельзя в полной мере назвать диагностической системой, поскольку результатом его работы будет не указание места предполагаемого дефекта и его характера, а именно детектирование аномальных признаков. С другой стороны, при наличии соответствующей экспертной системы, из полученных признаков можно выделить и диагностическую информацию.

- и -

Был разработай алгоритм детектирования аномальных информативных признаков в стационарных технологических процессах, который исходит из предположения, что флуктуациями тренда полезного сигнала можно пренебречь на исследуемом интервале генеральной совокупности, и следовательно, можно рассматривать все отклонения от тренда как помехи и потенциальные информативные признаки.

В ходе реализации алгоритм показал работоспособность, однако посредственная производительность и ограничение на стационарный тренд сигнала оказались предпосылками изменения подхода и создания метода детектирования аномальных информативных признаков в динамических технологических процессах, позволяющего в значительной степени сократить отмеченные недостатки.

В связи со сложившейся постановкой задачи было проведено исследование числовых методов, активно применяющихся сейчас в медицине и экономике. В этих областях задача поиска закономерностей в числовых рядах является одной из центральной: это анализ электроэнцефалограмм, анализ геномов в генетике, анализ трендов курсов, уровней продаж и т.д.. Методы анализа последовательностей - временных или иных рядов чисел и символов, испытывают в настоящее время определенные затруднения. Несколько основных моделей, используемых при таком анализе, оказались плохо совместимыми друг с другом по базовым посылкам. Например, для числовых рядов Фурье-анализ требует отсутствия непериодических составляющих, методы Бокса чувствительны к виду одномерных распределений и т.д. Алгоритмы поиска закономерностей в последовательностях символов основываются на переборах, которые можно реализовать только в очень ограниченных вариантах, либо опираются на сильные эвристические допущения.

Одним из наиболее перспективных и развивающихся является метод «Гусеница» или, в зарубежном варианте названия — SS A (Singular S peclrum Analysis, Атомарный Спектральный Анализ). Основная идея его состоит в

(х У

следующем: анализу подвергается временной ряд <• i)i=1, образованный последовательностью N равноотстоящих значений некоторой (возможно, случайной) функции/(/):

= /(('"-DAO, где *=1,2,..., N. (1)

Выбирают некоторое число M<N, называемое длиной гусеницы, и первые М значений последовательности / представляют в качестве первой строки матрицы X . В качестве второй строки матрицы берут значения последовательности с х2 по Последнюю строку с номером к = N - М + 1 составляют последние М элементов последовательности. Построенную матрицу, элементы которой равны ху = xi+j.\, можно рассматривать как А/-мерную выборку объема к или М-мерный временной ряд, которому

соответствует М-мерная траектория (ломаная в М-мерном пространстве из ¿-1 звена. Матрицу X называют траекгорной матрицей ряда. Для ее дальнейшей обработки теперь можно применять различные методы из богатого арсенала математического аппарата многомерного анализа.

Целевой областью применения метода являются технологические процессы, и эта особенность была учтена при разработке. Предлагается следующая последовательность формулировки и решения задачи:

1. Исходный фрагмент генеральной совокупности проходит предварительную обработку. Сначала опционально производится его сглаживание методом скользящего среднего. Затем каждая точка ряда заменяется на значение знака первой производной в этой точке: отрицательному знаку ставится в соответствие значение 0, положительному - 1. Таким образом, непосредственно значения амплитуд исключаются из рассмотрения. Преобразованный в бинарный вид ряд отражает только локальное направление развития процесса.

2. Методом ББА ряд раскладывается в свою «траекторную» матрицу.

3. Далее, имея в наличии бинарную матрицу, исходную задачу можно переформулировать следующим образом: предполагая, что строки представляют собой абстрактные объекты, а столбцы — бинарные признаки этих объектов, требуется обнаружить среди объектов (строк) наиболее схожие между собой в смысле имеющихся признаков. Или, иными словами, провести классификацию этих объектов (строк). Общие фрагменты объектов, очевидно, и будут искомыми шаблонами.

Исходный ряд поел* воздействий возмущений

50

-го

Рис. 4. Исходный ряд после воздействия возмущения, его бинарный эквивалент и включения шаблона

На рис.4 отображен исходный ряд, подвергшийся воздействию возмущения, его бинарный эквивалент и периодически следующие схожие бинарные последовательности, называемые включениями шаблона. Некоторую усредненную последовательность, содержащую возможные незначащие элементы, допускающие искажение, будем называть шаблоном.

Ниже показана траекторная матрица бинарного эквивалента исходного ряда, полученная со значением длины «гусеницы», равным 12. Серым выделены строки, куда возмущение попало, начиная с первой точки. Очевидна схожесть этих строк и их периодичность в матрице. Таким образом, задача поиска шаблонов заключается в поиске схожих строк в смысле некоторого критерия близости. .

Классификация строк заключается в построении матрицы расстояний между объектами-строками. Было принято решение о модификации процедуры классификации в связи с особенностями обрабатываемых объектов. Переход от реального ряда к его бинарному эквиваленту дает нам возможность вычисления меры расстояния между двумя строками-объектами траекторной матрицы практически за несколько тактов центрального процессора: мера близости, т.е. расстояние между двумя бинарными объектами определяется как сумма значений разрядов результата их побитового сравнения операцией ИсключающееИЛИ-НЕ. По сути, ИсключающееИЛИ-НЕ является отношением эквивалентности.

: 3. I ' ■

® Г т гт

хит

/001010110001^ _ Ьоюопооюи

011100101011

)]Т

1»

!Ж

Рис.5.

матрица ряда

Мера близости (расстояние) :

Мб= 0+1+1+1+0+0+1+0+1+0+1+1= 7

Во всех алгоритмах классификации вычисление расстояний между объектами занимает более половины времени всего анализа, это же правило относится и к разработанному алгоритму. Вследствие кардинального увеличения скорости операции вычисления меры близости, значительно выросло общее быстродействие алгоритма, а также стало возможным существенно сократить требования к памяти. В частности, предлагается в процессе построения матрицы расстояний запоминать только двух ближайших соседей для объекта. Это было сделано из следующих предположений:

1) объект содержит в себе шаблон;

2) наиболее близкие соседи объекта содержат наиболее чистые включения шаблона;

3) минимальное количество включений шаблона равно трем (сам объект и двое его соседей);

4) Несмотря на то, что при таком подходе изначально доступны только три включения шаблона, остальные

могут быть получены дополнительным проходом по исходному ряду с целенаправленным поиском текущего шаблона. С учетом того, что работа ведется с бинарными объектами, потери быстродействия на данный дополнительный проход будут ничтожно малы в сравнении с получаемой экономией памяти ЭВМ.

Таким образом, объем требующейся памяти для матрицы расстояний будет составлять №3 единиц в сравнении с традиционными алгоритмами, требующими ИхЫ единиц памяти. Единица в данном случае будет составлять то количество памяти, которое ЭВМ использует для хранения одной меры близости. Как правило, это число с плавающей точкой. При размерах обрабатываемых рядов, исчисляющихся сотнями и тысячами точек, объем требуемой памяти для разработанного алгоритма будет в десятки и сотни раз меньше, чем для традиционных методов поиска закономерностей.

После построения матрицы близостей (расстояний), начинается второй этап работы алгоритма, собственно выявление шаблонов. Изначально полагается, что каждая строка траекторной матрицы содержит шаблон, наиболее чистые включения которого лежат в ее ближайших соседях, на которых ссылается матрица расстояний. Сам потенциальный шаблон получается побитовым сравнением строки-объекта и ее соседей. Совпавшие во всех трех строках элементы переносятся в шаблон, несовпавшие полагаются незначащими элементами в шаблоне. Блоки незначащих элементов в начале и конце строки шаблона удаляются. Далее происходит определение параметров шаблона и сравнение их с ключевыми параметрами алгоритма, называемыми настройками детектора. Они критически влияют на эффективность обнаружения шаблонов и скорость работы:

1) Длина «гусеницы».

2) Минимальный размер шаблона, т.е. количество значащих элементов в . нем.

3) Максимальная длина пропуска в шаблоне, т.е. длина последовательности незначащих элементов в шаблоне.

4) Минимальное число включений шаблона, т.е. число включений шаблона в рассматриваемом интервале генеральной совокупности.

5) Максимальная доля шума в шаблоне — используется при поиске включений шаблона, отношение числа несовпавших значащих элементов к размеру шаблона.

6) Максимальная апериодичность включений шаблона.

Если шаблон удовлетворяет всем требованиям, он допускается на включение в результирующую библиотеку шаблонов, однако сам факт включения в том или ином виде происходит только после проверки решающих правил библиотеки, направленных на очищение информации и поиск наиболее чистых и информативных шаблонов в смысле критериев количества включений (первый приоритет) и размера шаблона (второй приоритет).

Приведена методика применения разработанного метода в режиме реального времени. Благодаря особенностям алгоритма, возможна реализация

режима так называемого «скользящего анализа», когда по приходу новой точки во входной буфер, незамедлительно происходит анализ содержимого рабочего окна на генеральной совокупности, смещенного на одну точку. Пусть имеется ресурс, мощность которого требуется для обработки ряда при данных настройках в режиме обработки «по наполнению» буфера (ожидается наполнение буфера заданного размера, затем его содержимое (рабочее окно) передается алгоритму для анализа, в течение которого буфер опять заполняется). Расчеты показывают, при наличии ресурса, всего в 4 раза более мощного, чем вышеописанный, можно приступать к анализу окна сразу по приходу новой точки. Осуществив один раз построение траекторной матрицы и матрицы расстояний, нам потребуются лишь небольшие их корректировки, если известно, что из исходного ряда удалена самая ранняя точка (первая) и добавлена одна новая точка к концу.

Приведена стратегия ведения глобальной библиотеки шаблонов, которая необходима при анализе в реальном времени потока данных.

Приведена стратегия обоснования выбора длины «гусеницы», необходимая для начальной адаптации метода к конкретным применениям.

Третья глава посвящена разработке программного средства, реализующего метод детектирования аномальных информативных признаков в динамических технологических процессах, и имеющего в своем составе блок сценариев исследования, позволяющий оценить характеристики и свойства метода при различных настройках детектора.

Программное средство реализовано в среде Borland С++ Builder 6.0 на основе разработанных классов объекта-строки и шаблона.

Описаны основные окна программного средства и органы управления. Даны пояснения и указания к использованию настроек алгоритма и остальных основных настроек программного средства, и в частности, блока сценариев исследования.

Четвертая глава посвящена исследованию разработанного метода детектирования аномальных информативных признаков в динамических технологических процессах с использованием программного средства. Предоставлены результаты исследования основных характеристик метода в различных режимах работы с различными случайными исходными рядами, сгенерированными системой, и реальными технологическими рядами, взятыми из разных источников. В том числе открытые зарубежные банки данных и закрытые данные с химического производства в п. Горном. Основная работа была проведена в следующих направлениях:

Исследование быстродействия алгоритма. Как отмечалось, вследствие перехода на работу с бинарными эквивалентами объектов, удалось достичь кардинального снижения времени прохождения первого этапа, состоящего в предварительной обработке ряда, построении траекторной матрицы и матрицы расстояний. С другой стороны, первый этап является самым детерминированным в смысле требующихся ресурсов, и вместе со снижением

ресурсоемкости первого этапа, выросла и доля второго этапа в общей ресурсоемкости алгоритма. Вариации времени выполнения второго этапа могут быть весьма существенными в зависимости от количества шаблонов в библиотеке, поскольку в это время идет собственно поиск шаблонов и ведется активная работа с содержимым библиотеки шаблонов. Для технологических процессов нормальным режимом функционирования детектора является наличие в библиотеке шаблонов от 0 (аномальных признаков не обнаружено) до нескольких единиц шаблонов (имеются аномальные признаки, требующие дальнейшего учета). Количество шаблонов в библиотеке определяется общей чувствительностью алгоритма, которая, в свою очередь, определяется настройками детектора:

1) Минимальный размер шаблона

2) Максимальная длина пропуска в шаблоне

3) Максимальная доля шума в шаблоне.

4) Минимальное количество включений шаблона.

5) Режим исключения шаблонов с равными периодами.

6) Режим поиска периодичности.

На рис.6 отображен сводный график быстродействия алгоритма при различных значениях объема конечной библиотеки (на последнем шаге), обусловленного чувствительностью алгоритма. Показано, что при повышенной чувствительности алгоритм входит в режим перегрузки, когда функционирование продолжается, однако случайные ложные шаблоны «забивают» библиотеку, и время выполнения может, при прочих равных условиях, вырасти в разы.

Исследование вероятности ложного срабатывания. Оценка вероятности ложного срабатывания является одним из важнейших характеристик любой системы генерации опасных признаков, поскольку получаемый ею результат должен быть воспринимаем с соответствующей долей критичности. Разработанный метод позволяет заранее оценить вероятность ложного срабатывания на заданных настройках детектора, или, соответственно, настроить алгоритм на заданную вероятность. Самыми критическими факторами с точки зрения влияния на вероятность ложного срабатывания оказались одни из существенных параметров, влияющих на чувствительность алгоритма. Это минимальное количество включений шаблона и максимальная апериодичность шаблона (режим поиска периодичности). На рис.7 приведен сводный график исследования вероятности ложного срабатывания для случайных рядов длиной 200 точек. Генерировались случайные ряды и происходил их анализ. Детектирование хотя бы одного шаблона трактуется как факт ложного срабатывания. Множество опытов даст нам долю ложных срабатываний в общем числе, и, в пределе, вероятность ложного срабатывания.

Рис. б. Быстродействие. Зависимость времени выполнения (сек) от длины исходного ряда (точек). Тактовая частота ЦП 2,1 ГТц. Объем конечной библиотеки (шаблонов), снизу вверх: 2, 30, 100, 250, 300.

Кмин= 3. РПП=огкл----Кмин= 3. РГП=20% .......Кмин = 4. РГП=откп -----Кмин = 5. РГТЬагкп

Рис. 7. Поведение вероятности ложного срабатывания (ВЛС). Зависимость ВЛС (%) от отношения длины гусеницы к длине исходного ряда. Здесь: 1Смин - минимальное количество включений. РПП - режим поиска периодичности, характеризуется параметром максимальной апериодичности

Обратим внимание на значение отношения длины гусеницы к длине исходного ряда, равное 0,09. Видно, что увеличение параметра минимального количества включений с Кмин =3 до Кмин=4 приводит к снижению вероятности ложного срабатывания с -100% до ~20%. В принципе, поведение вероятности ложного срабатывания, как вероятности случайного возникновения нескольких идентичных последовательностей в исходном ряде известной длины, можно оценить теоретически при помощи аппарата теории вероятностей, однако сложно учесть все возможные настройки детектора. Это, к примеру, максимальная апериодичность следования, максимальная длина пропуска в шаблоне, режим исключения шаблонов с равными периодами. Поэтому, точную картину поведения вероятности ложного срабатывания при данных параметрах детектора можно получить только опытным путем.

Также проведено исследование поведения вероятности ложного срабатывания в зависимости от длины исходного ряда.

Исследование границы детектируемости шаблонов. Очевидно, что возможность детектирования конкретного шаблона (как образа информативного возмущения) в конкретном ряде, зависит как от свойств шаблона, так и от свойств самого ряда. Главной характеристикой шаблона в этой ситуации является отношение амплитуды шаблона к амплитуде ряда (точнее говорить о динамических диапазонах возмущения и ряда). Для характеризации ряда было введено понятие меры «шероховатости», которая отражает склонность ряда к резким локальным изменениям, его «динамичность». Пусть имеется ряд X: Хк, к=[0,КГ]. N - длина ряда.

ДД - динамический диапазон ряда. ДЦ = Хтах - Хтт

Тогда мера шероховатости ряда Мш:

Ь ДД N

(2)

Проведение процедуры сглаживания эффективно снижает меру шероховатости ряда. Тем самым, взяв исходный ряд с большой мерой шероховатости, представляется возможным ее поэтапное снижение с параллельным выявлением границы детектируемости на каждом шаге.

Под границей детектируемости понимается отношение амплитуды возмущения к динамическому диапазону ряда, при котором шаблон, соответствующий возмущению, начинает детектироваться системой.

Проведено исследование поведения границы детектируемости известного шаблона в нескольких технологических рядах. На рис.8 отображен сводный график.

-0О№9. Мш=й127.АПиак=0,6

------пив. Яш —------

- - МОМШОМИ. Мш=0,150 АПмаю^О. В • «••"•Давление пара в клапане""'1'' " '

- ••--Давление пара в клапане

в™!« пара . клапанеЦ^

0,00 0.05 0,10 0,15

Рис. 8. Зависимость границы детектируемости (отношения амплитуды шаблона к динамическому диапазону ряда, %) от меры шероховатости ряда.

В заключении подводятся итоги проведенной работы. В ходе

диссертационной работы:

1. Проведено исследование предметной области, обоснована актуальность, цель и задачи работы (гл.1).

2. Осуществлена разработка алгоритмов детектирования аномальных информативных признаков в стационарных и динамических режимах технологических процессов (гл. 2).

3. Разработана методика применения метода для динамических процессов в режиме реального времени, в том числе в режиме «скользящего анализа». Разработана стратегия ведения глобальной библиотеки шаблонов. Разработана стратегия выбора начальной длины гусеницы (гл. 2).

4. Разработано программное средство, реализующее алгоритм детектирования аномальных информативных признаков в динамических технологических процессах, оснащенное блоком сценариев исследования, получившее свидетельство о государственной регистрации №2005612251 от 02.09.2005 (гл.3).

5. Проведено исследование свойств метода для динамических процессов при помощи программного средства на основе случайных рядов, сгенерированных системой и реальных временных рядов технологических процессов (гл. 4). Сформированы рекомендации к применению метода на реальных объектах. В зависимости от параметров детектора исследованы:

• быстродействие алгоритма

• вероятность ложного срабатывания детектора

• поведение границы детектируемости шаблонов

Совокупность результатов работы составляет методику повышения

уровня технической безопасности объектов повышенной опасности,

основанную на предварительной диагностике зарождающихся дефектов

технологического оборудования.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК ПУБЛИКАЦИЙ

1. Гаганов П.Г., Фомин К.В., Усилитель-преобразователь тензометрический УПТ-2А // Материалы научно-технической конференции «Развитие механики торфа и научных основ создания машин и оборудования торфяного производства», Тверь, 2001.

2. Гаганов П.Г., Хабаров А.Р., Использование стандартных периферийных устройств ПК для тензометрирования динамических процессов в механических системах // Новые информационные технологии в решении проблем производства, строительства, коммунального хозяйства, экологии, образования, управления и права, Пенза, 2002.

3. Гаганов П.Г., Хабаров А.Р., Некоторые особенности проектирования цифровых систем контроля и исследования технологических объектов // Новые информационные технологии в решении проблем производства, строительства, коммунального хозяйства, экологии, образования, управления и права, Пенза, 2002.

4. Матвеев Ю.Н., Гаганов П.Г., Азарова Л.В. Детектирование аномальных информативных признаков в стационарных технологических процессах // Международный журнал «Проблемы теории и практики управления». Международное научно-практическое приложение «Программные продукты и системы». - 2004. - №1 — С.38-41.

5. Матвеев Ю.Н., Гаганов П.Г., Модернизация автоматических систем управления и мониторинга путем введения элементов предварительной диагностики дефектов оборудования II Научный журнал «Вестник Тверского Государственного Технического Университета», выпуск б, Тверь, 2005. - С. 63-65.

6. Матвеев Ю.Н., Гаганов П.Г. Детектирование аномальных информативных признаков в динамических технологических процессах как предиагностика дефектов механизмов и машин // Международный журнал «Проблемы теории и практики управления». Международное научно-практическое приложение «Программные продукты и системы». - 2006. - №1. - С. 46-48.

7. Гаганов П.Г. Предварительная диагностика дефектов технологического оборудования // Сборник статей ХУП международной конференции «Математические методы и информационные технологии в экономике, социологии и образовании», Пенза, 2006

8. Гаганов П.Г. Детектор аномальных признаков в динамических процессах <<ДАП» // Официальный бюллетень федеральной службы по интеллектуальной собственности, патентам и товарным знакам «Программы ЭВМ и БД». - 2005. — №4 (53). - С. 142 (Номер государственной регистрации №2005612251 от 02.09.2005)

Подписано в печать 25.07.06 Физ.печ.л. 1,25 Заказ №167 Тираж 100 экз.

Типография ТГТУ

I. ОБЗОР ПРЕДМЕТНОЙ ОБЛАСТИ И ПОСТАНОВКА ЗАДАЧИ ДИССЕРТАЦИИ.

1.1. Введение. 1.2. Актуальность проблемы.

1.3. Обзор предметной области работы, основные методы.

1.3.1. Особенности процессов утилизации химического оружия.

1.3.2. Основные понятия теории надежности. Особенности проблемы надежности для химико-технологических систем повышенной опасности (ХТСПО).

1.3.3. Пути повышения надежности химико-технологических систем.

1.3.4. Описание объекта.

1.3.4.1. Характеристика объекта 1597.

1.3.4.2. Агрегат огневого обезвреживания твердых отходов.

1.3.4.3. Печь прокалки твердых отходов ТХ800.

1.3.5. Кластерный анализ.

1.3.5.1. Проверка статистической значимости.

1.3.5.2. Области применения кластерного анализа.

1.3.5.3. Алгоритмы кластерного анализа.

1.3.6. Процедура классификации.

1.3.6.1. Алгоритм нахождения коэффициентов классифицирующих функций.

1.3.6.2. Обобщенная функция расстояния.

1.3.6.3. Вероятность принадлежности к классу.

1.3.6.4. Проверка точности процедуры классификации.

1.3.7. Поиск сложных непериодических шаблонов в последовательностях чисел и символов.

1.3.8. Развитие дефекта и стоимость ликвидации его последствий.

1.3.9. Методы поиска дефектов оборудования и проблемы их реализации.

1.4. Выводы и постановка задачи диссертации.

II. РАЗРАБОТКА АЛГОРИТМОВ.

2.1. Детектирование аномальных информативных признаков в стационарных технологических процессах.

2.2. Алгоритм детектирования аномальных информативных признаков в динамических технологических процессах.

2.2.1. Введение.

2.2.2. Предпосылки создания метода.

2.2.3. Понятие шаблона. Основы методов, базирующихся на идее SSA.

2.2.4. Изложение сущности разработанного метода.

2.2.5. Реализация режима реального времени.

2.2.5.1. Стратегия скользящего анализа.

2.2.5.2. Ведение глобальной библиотеки шаблонов.

2.2.5.3. Обоснование выбора длины «гусеницы».

III. РАЗРАБОТКА ПРОГРАММНОГО СРЕДСТВА.

Функциональная блок-схема программного средства.

3.1. Интерфейс программного средства. Описание органов управления.

3.1.1. Загрузка и сохранение исходных данных.

3.1.1.1. Вкладка «Файл данных».

3.1.1.2. Вкладка «Числовой ряд».

3.1.1.3. Вкладка «Траекторная матрица».

3.1.2. Генератор шаблонов.

3.1.3. Детектор шаблонов.

3.1.4. Библиотека шаблонов. л 3.1.2. Блок исследования свойств алгоритма.

3.1.2.1. Окно «Исследование быстродействия алгоритма».

3.1.2.2. Окно «Исследование вероятности ложного срабатывания».

3.1.2.3. Окно «Исследование границы детектируемости шаблонов».

IV. ИССЛЕДОВАТЕЛЬСКАЯ ЧАСТЬ.

4.1. Исследование быстродействия алгоритма.

4.1.1. Описание методики исследования быстродействия.

4.1.2. Результаты исследования быстродействия.

4.1.3. Случай №1. Нормальный режим. Рмин = 19, АПмакс=0,01. Nui~2.

4.1.4. Случай№2. Нормальный режим. Рмин = 15, АПмакс=0,1. NUI~30.

4.1.5. СлучайШ. Рмин = 15, АПмакс=0,6. Nu~100.

4.1.6. Случай №4. Выключение режима поиска периодичности. Объем конечной библиотеки N-250.

4.1.7. Случай №5. Уменьшение минимальной длины шаблона. Объем конечной библиотеки N-300.

4.1.8. Сводный график. Выводы.

4.1.9. Сравнительный анализ ресурсоемкостиразработанного метода и методов поиска закономерностей, основанных на классических процедурах классификации.ПО

4.2. Исследование вероятности ложного срабатывания.

4.2.1. Описание методики исследования вероятности ложного срабатывания.

4.2.2. Результаты исследования вероятности ложного срабатывания.

4.2.3. Случай№1. РПП выключен, Кмиц = З.С5~ 0,15.

4.2.4. Случай№2. АПмак = 20%, Кшн = 3. С5 ~ 0,13.

4.2.5. Случай №3. РПП выключен, Кмт = 4. С5~ 0,10.

4.2.6. Случай №4. РПП выключен, Кмт = 5.С5~ 0,08.

4.2.7. Сводный график. Выводы.

4.2.8. Зависимость С5 от длины исходного ряда.

4.3. Исследование границы детектируемости.

4.3.1. Понятие меры шероховатости ряда.

4.3.2. Описание методики исследования границы детектируемости.

4.3.3. Результаты исследования границы детектируемости.

4.3.4. Случай №1. Ряд «Давление пара на входе в 33 клапан». Мш = 0,117.

4.3.5. Случай№2. Ряд «ENGINES». Мш = 0,127.

4.3.6. Случай№3. Ряд «MONTGOME1». Мш = 0,158.

4.3.7. Случай№4. Ряд «Давление пара на входе в 33 клапан». Мш = 0,117. АПмакс = 10%.

4.3.8. Сводный график. Выводы.

Автоматизация работы объектов повышенной опасности, и в частности, опасных химических производственных и технологических процессов, является сегодня неотъемлемой частью повышения их безопасности и снижения вероятности возникновения аварийных ситуаций. Цена аварии на подобных объектах, как правило, имеет катастрофический масштаб, поскольку последствия возникновения подобных ситуаций затрагивают не только и не столько сам объект, но и площади, превосходящие его в сотни и тысячи раз. Большинство веществ, которые обрабатываются или синтезируются на объектах этого класса, связаны с опасностью для жизни.

На настоящий момент автоматические системы управления и мониторинга практически полностью контролируют химические объекты повышенной опасности по следующим причинам:

1) Статистически обосновано, что более половины причин аварий обусловлены человеческим фактором, поэтому любое управляющее воздействие, которое может быть автоматизировано, отдается под управление АСУ.

2) Подавляющее число применяемых технологических химических процессов требует полной изоляции от человека.

3) Для контроля многих процессов времени реакции человека совершенно недостаточно.

Таким образом, безопасность рассматриваемых объектов зависит в значительной мере от развития автоматических систем управления, оперативности и точности систем мониторинга, от интеллектуальности применяемых систем принятия решений.

4.3.3. Результаты исследования границы детектируемости.

С уменьшением меры шероховатости ряда граница детектируемости шаблона также уменьшается, причем зависимость можно охарактеризовать как линейную с большой долей достоверности. Однако, смещение этой линейной зависимости на графике существенно зависит от исходной структуры ряда, а в частности, от исходной меры шероховатости ряда. На примере рядов с различной исходной мерой шероховатости, описанных выше, эта зависимость будет показана.

Проведенные исследования показывают, что в результате процедур сглаживания, даже при достижении производными рядов равной меры шероховатости, исходная разница границ детектируемости заданного шаблона в этих рядах остается в прежнем своем виде, лишь пропорционально уменьшаясь с уменьшением меры шероховатости.

Очень существенное влияние на поведение границы детектируемости шаблонов в исходном ряде оказывают текущие настройки детектора, а в частности, параметр максимально допустимой апериодичности шаблона. Более подробные выводы приведены после сводного графика (см. пп. 4.3.8).

Ниже приведены результаты экспериментов по определению границы детектируемости, проведенных с описанными выше исходными рядами.

4.3.4. Случай №1. Ряд «Давление пара на входе в 33 клапан». Мш = 0,117

Зависимость границы детектируемости (отношения амплитуды шаблона к динамическому диапазону ряда, %) от меры шероховатости ряда

52х ■и; у - GO, !1о2 м f

0,00 0,05 0,10 0,15

Настройки детектора:

1) Длина гусеницы - системой ставится равной длине шаблона.

2) Минимальный размер шаблона ставится системой равным длине шаблона минус 1.

3) Максимальная длина пропуска 3.

4) Минимальное количество включений 3.

5) Максимальная доля шума 0 (искажения не допускаются).

6) Шаблоны с равными периодами допускаются.

7) Максимальная апериодичность - 60%.

Линейная линия тренда границы детектируемости соответствует уравнению у = 55,Зх+1,2. Масштабы осей абсцисс и ординат выбраны данным образом с целью дальнейшего наглядного сравнения с последующими графиками.

4.3.5. Случай №2. Ряд «ENGINES». Мш = 0,127.

Зависимость границы детектируемости (отношение амплитуды шаблона к динамическому диапазону ряда, %) от меры шероховатости ряда

У = 6< 1,49" 'х + 1,60 со /

0 0,05 0,1 0,15

Настройки детектора:

1) Длина гусеницы - системой ставится равной длине шаблона.

2) Минимальный размер шаблона ставится системой равным длине шаблона минус 1.

3) Максимальная длина пропуска 3.

4) Минимальное количество включений 3.

5) Максимальная доля шума 0 (искажения не допускаются).

6) Шаблоны с равными периодами допускаются.

7) Максимальная апериодичность - 60%.

Линейная линия тренда границы детектируемости соответствует уравнению у = 69,5х+1,6.

4.3.6. Случай №3. Ряд «M0NTG0ME1». Мш = 0,158.

Зависимость границы детектируемости (отношения амплитуды шаблона к динамическому диапазону ряда, %) от меры шероховатости ряда

У = 6 ,9х и, 3

0,00 0,05 0,10 0.15

Настройки детектора:

1) Длина гусеницы - системой ставится равной длине шаблона.

2) Минимальный размер шаблона ставится системой равным длине шаблона минус 1.

3) Максимальная длина пропуска 3.

4) Минимальное количество включений 3.

5) Максимальная доля шума 0 (искажения не допускаются).

6) Шаблоны с равными периодами допускаются.

7) Максимальная апериодичность - 60%.

Линейная линия тренда границы детектируемости соответствует уравнению у = 61,9х+1,1.

4.3.7. Случай №4. Ряд «Давление пара на входе в 33 клапан». Мш = 0,117. АПмакс = 10%.

Зависимость границы детектируемости (отношения амплитуды шаблона к динамическому диапазону ряда, %) от меры шероховатости ряда

У = 142 49х h 2,9 823

V

0,00 0,05 0,10 0,15

Настройки детектора:

1) Длина гусеницы - системой ставится равной длине шаблона.

2) Минимальный размер шаблона ставится системой равным длине шаблона минус 1.

3) Максимальная длина пропуска 3.

4) Минимальное количество включений 3.

5) Максимальная доля шума 0 (искажения не допускаются).

6) Шаблоны с равными периодами допускаются.

7) Максимальная апериодичность - 10%.

Данный эксперимент был проведен с целью демонстрации влияния одного из параметров детектора, максимально допустимой апериодичности, на поведение границы детектируемости.

4.3.8. Сводный график. Выводы. а

Зависимость границы детектируемое™ (отношения амплитуды шаблона к динамическому диапазону ряда, %) от меры шероховатости ряда (сводный) ENGINES. Мш=0,127. АПмакс=0,6

MONTGOME1. Мш=0,158. АПмакс=0,6

- • -л - - - Давление пара в клапане №33. Мш=0,117. АПмакс=0,6

- - • Давление пара в клапане №33. Мш=0,117. АПмакс=0,1

20

15

10

0,00

0,05

0,10

0,15

На сводном графике наглядно представлено расположение кривых границ детектируемости для рассмотренных рядов относительно друг друга. При прочих равных условиях, линии границ детектируемости рядов лежат по к высоте соответственно своей исходной структуре, а в частности, соответственно мерам шероховатости. С другой стороны, очевидной взаимосвязи поведения границы детектирования и меры шероховатости взятых рядов не наблюдается. Так, наиболее «грубый» ряд с точки зрения меры шероховатости «MONTGOME1» требует меньшей амплитуды вносимого шаблона, чтобы тот мог быть детектирован системой, в сравнении с рядом «ENGINES». Но ряд «Давление», обладающий наименьшей мерой шероховатости среди рассматриваемых, обладает и самой низкой границей детектируемости. Очевидно, что исходя только из меры шероховатости, невозможно сказать, какой из двух случайно взятых рядов будет обладать меньшей границей детектируемости.

Однако, несмотря на выявленные разночтения, исследование показало, что можно говорить об очевидной схожести поведения границ детектируемости всех рассмотренных рядов при прочих равных условиях. Границу детектируемости любого ряда можно с достаточной точностью аппроксимировать прямой линией, наклон которой будет практически постоянен для всех рядов в пределах равных настроек детектора. Смещение линии варьируется в незначительных пределах в зависимости от структуры конкретного ряда.

Настройки детектора значительно изменяют поведение границы детектируемости. Традиционно, наиболее значимыми параметрами являются те, которые меняют чувствительность детектора в целом (см. также «Исследование быстродействия алгоритма»). В данном исследовании показано влияние параметра максимально допустимой апериодичности шаблонов.

Напомним, максимально допустимая апериодичность - один из факторов, влияющих на правила внесения обнаруженного шаблона в библиотеку. В режиме поиска границы детектируемости, подбирается минимально возможная амплитуда шаблона, при котором он детектируется с учетом установленных правил. Работа идет на критически малых амплитудах шаблона, поэтому часть включений может быть серьезно повреждена вследствие слабого сигнала информативной помехи, следствие которой имитирует шаблон. Тогда, в процессе детектирования, блок детектора не обнаруживает подобные дефектные включения, и результирующая апериодичность следования включений шаблона возрастает. Если апериодичность шаблона не удовлетворяет требованию максимально допустимой апериодичности, он не считается информативным и отбрасывается. Таким образом, система обнаруживает, что для детектирования требуется более высокая амплитуда шаблона.

Эксперимент на ряде «Давление пара на входе в 33 клапан» показал, что при снижении в детекторе максимально допустимой апериодичности шаблона с 60% до 10%, граница детектируемости поднимается более чем в два раза. Также оказалось, что при снижении меры шероховатости граница детектируемости также падает быстрей. Иначе говоря, линия тренда имеет более крутой наклон.

Возвращаясь к теме выбора оптимального значения параметра максимально допустимой апериодичности (см. пп 4.1.4, 4.2.7), приходим к выводу, что снижение этой границы приводит не только к положительному эффекту снижения вероятности ложного срабатывания и повышению быстродействия, но и, к сожалению, повышает границу детектируемости шаблонов, причем существенным образом. Для каждого конкретного процесса должен производиться выбор оптимального значения этого параметра в соответствии с текущими рабочими условиями.

V. Заключение

В заключении проведенной работы отметим основные решенные задачи:

1. Проведено исследование предметной области, обоснована актуальность, цель и задачи работы (гл.1);

Исследование существующих методов идентификации ситуаций [32, 33, 34,69,77 ] показало, что главным критерием эффективной работы системы идентификации является наличие совокупности наиболее информативных факторов, описывающих текущее состояние целевого объекта. Существует большое разнообразие алгоритмов идентификации и принятия решений, и разработка нового метода из разряда подобных классификационных оказалась бы менее продуктивной, чем разработка системы формирования новых признаков конкретно для процессов на технологических объектах, о чем и было принято решение. Эти признаки отражают наличие «аномальностей» в обрабатываемом сигнале безотносительно источника сигнала. Под аномальными признаками понимается наличие периодических серий импульсов, характерных для биений механических систем. Поиск подобных признаков осуществляется из положения о том, что наличие периодических, закономерных колебаний часто свидетельствует о зарождающемся дефекте исследуемого механического узла, что подтверждается многими источниками [7, 8,10,11].

2. Осуществлена разработка алгоритмов детектирования аномальных информативных признаков в стационарных и динамических режимах технологических процессов (гл. 2);

В соответствии с целью и задачами работы проведена разработка методов ранней диагностики дефектов оборудования с использованием существующей системы информационных потоков объекта. Основываясь на традиционных принципах диагностики зарождающихся дефектов механизмов и машин [8, 10, 11, 30 и др.], были разработаны методы детектирования аномальных информативных признаков в стационарных и динамических технологических процессах. Первый метод был разработан с использованием классического метода кластерного анализа и исходил из предположения, что трендом полезного сигнала можно пренебречь в пределах текущего ряда. На этапе реализации он показал слишком большую чувствительность к характеристикам ряда при лишь приемлемом быстродействии. Поэтому было принято решение о поиске принципиально иного подхода и создании метода, более толерантного к поведению полезного сигнала, его динамичности. Алгоритм SSA («Гусеница»), независимо разработанный в США и России [73, 74,78, 79], дал основу для разработки нового метода детектирования информативных признаков в динамических технологических процессах. Кратко можно сказать, что этот подход основан на принципе поиска в сигнале закономерностей, коими являются искомые периодические серии импульсов.

Разработана методика применения алгоритма для динамических процессов на технологических объектах (гл. 2).

Для формирования целостной методики повышения уровня технической безопасности, являющейся целью работы, проведена разработка ряда сопроводительных стратегий и методик применения алгоритма на реальных объектах и адаптации его к конкретным технологическим процессам.

Разработана стратегия применения разработанного метода в системах, функционирующих в режиме реального времени. Особенности алгоритма позволяют максимально увеличить оперативность работы, если имеется возможность анализа новой точки рабочего ряда сразу после ее получения. Пусть имеется вычислительный ресурс, позволяющий анализировать ряд в соответствии с данным алгоритмом в режиме «по наполнению» буфера (ожидается заполнение буфера поступающими данными, происходит анализ буфера, и вновь ожидание заполнения). Расчеты показывают (см. п.п. 2.2.5.1.), что при наличии ресурса оценочно в 4 раза более мощного, чем данный, можно применить особый режим работы, называемый «скользящим анализом», когда обработка и выдача текущего результата начинается сразу по приходу одной новой точки.

Разработана стратегия ведения глобальной библиотеки шаблонов (см. п.п. 2.2.5.2), которая необходима при анализе в реальном времени постоянно поступающего потока данных. С ее помощью можно находить компромисс между оперативностью детектирования признаков (шаблонов) и вероятностью ложного срабатывания.

Разработана стратегия обоснования выбора длины «гусеницы» (см. п.п. 2.2.5.3), необходимая для начальной адаптации метода к конкретным применениям.

Разработано программное средство «Детектор аномальных признаков в динамических процессах», реализующее алгоритм детектирования аномальных информативных признаков в динамических технологических процессах (гл.З).

Программное средство реализовано в среде Borland С++ Builder 6.0 на основе разработанных классов объекта-строки и шаблона. Оно оснащено блоком сценариев исследования, при помощи которого была проведена оценка характеристик и свойств разработанного алгоритма.

Ядро программного средства вошло в состав алгоритмического обеспечения системы мониторинга объекта уничтожения химического оружия (ОУХО) в г. Камбарка Удмуртской республики.

Программное средство п олучило свидетельство о государственной регистрации №2005612251 от 02.09.2005.

5. Проведено исследование свойств метода для динамических процессов при помощи программного средства на основе случайных рядов, сгенерированных системой и реальных временных рядов технологических процессов (гл. 4). Сформированы рекомендации к применению метода на реальных объектах. В зависимости от параметров детектора исследованы:

• быстродействие алгоритма

• вероятность ложного срабатывания детектора

• поведение границы детектируемости шаблонов

Исследования показали сравнительно высокое быстродействие алгоритма, позволили выявить и прогнозировать поведение вероятности ложного срабатывания в зависимости от настроек детектора и параметров исходного ряда. Также было проведено исследование поведения границы детектируемости шаблонов в зависимости от меры шероховатости исходного ряда.

В целом метод детектирования аномальных информативных признаков в динамических технологических процессах выглядит перспективным средством повышения безопасности функционирования технологических объектов. Он позволяет без вмешательства в структуру существующей системы мониторинга и принятия решений, добавить новый информативный фактор в совокупность используемых идентификационных признаков объекта, и вес его может быть весьма существенным. Ресурсоемкость алгоритма и вероятность ложного срабатывания прогнозируемы и могут быть учтены при внедрении в существующую систему. Внедрение в технологическую систему объекта 1597 по уничтожению артиллерийских и авиационных боеприпасов показало практическую применимость метода.

Совокупность приведенных результатов составляет методику повышения уровня технической безопасности объектов повышенной опасности, основанную на предварительной диагностике зарождающихся дефектов технологического оборудования.

1. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. -М.:Финансы и статистика, 1987.

2. Себер Дж. Линейный регрессионный анализ. М.: Мир, 1980.- 456 с.

3. Дайитбегов Д.М., Калмыкова О.В., Черепанов А.И. Программное обеспечение статистической обработки данных. -М.:Финансы и статистика, 1984. -192 с.

4. Алгоритмы и программы восстановления зависимостей. Вапник В.Н. (ред.) М.:Наука, 1984.-816 с.

5. Вапник В.Н. Восстановление зависимостей по эмпирическим данным. -М.:Наука, 1979.

6. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. В 2-х тт. Перев. с английского. М.: Мир, 1974г. 408 C.+200 с.

7. Светлицкий В.А. Случайные колебания механических систем. М.: Машиностроение, 1976,216 с.

8. Виброакустическая диагностика зарождающихся дефектов / Ф.Я. Балицкий, М.А. Иванова и др. М.: Наука, 1984,119 с.

9. Болотин В.В. Случайные колебания упругих систем. М.: Наука, 1979,335 с.

10. Вибрации в технике: справочник. Т. 5. Измерения и испытания/Под ред. Челомей В.Н. М.: Машиностроение, 1981.496 с.

11. Добрынин С.А., Фельдман М.С., Фирсов Г.И. Методы автоматизированного исследования вибрации машин. М.: Машиностроение, 1987,224 с

12. Редько С.Ф., Ушкалов В.Ф., Яковлев В.П. Идентификация механических систем. Киев, 1985

13. Кулаичев А.П. Компьютерный контроль процессов и анализ сигналов. -М.: Информатика и компьютеры, 1999

14. Куприянов М.С. Цифровая обработка сигналов: процессоры, алгоритмы, средства проектирования. СПб, 1999

15. Гольденберг JI.M., Левчук Ю.П., Поляк М.Н. Цифровые фильтры. М.: Связь, 1974

16. Вавилов А.А., Солодовников А.И. Экспериментальное определение частотных характеристик автоматических систем. М. Д.: ГЭИ, 1963. 256 с.

17. Измерение, обработка и анализ быстропеременных процессов в машинах / В.П. Максимов, И.В. Егоров, В.А. Карасев. М.: Машиностроение, 1987, 208 с.

18. Вейц В.Д., Коловский М.З., Кочура А.Е. Динамика управляемых машинных агрегатов. М.: Наука, 1984,352 с.

19. Фролов К.В. Методы совершенствования машин и современные проблемы машиноведения. -М.: Машиностроение, 1984,223 с.

20. Демиденко Е.З. Линейная и нелинейная регрессии. М.:Финансы и статистика, 1981. - 302 с.

21. Каримов Р.Н. Обработка экспериментальной информации. Часть 2. Регрессионный анализ. СГТУ, Саратов, 1999. 104 с.

22. Каримов Р.Н. Обработка экспериментальной информации. Часть 3. Многомерный анализ. СГТУ, Саратов, 2000. -104с.

23. Робастность в статистике. Подход на основе функций влияния: Пер. с англ. -М.: Мир, 1989.-512 с.

24. Хьюбер П. Робастность в статистике: Пер. с англ. М.: Мир, 1984. - 304с.

25. Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Классификация и снижение размерности. М.: Финансы и статистика, 1989. - 607 с.

26. Факторный, дискриминантный и кластерный анализ: Пер. с англ., /Дж.-Он Ким, Ч.У.Мьюллер и др. М.: Финансы и статистика, 1989. - 215с.

27. Кендалл М.Дж., Стьюарт А. Многомерный статистический анализ временные ряды: Пер. с англ . -М.:Наука. Гл. ред. физ.-мат. лит., 1976. -736 с.

28. Афифи А., Эйзенс С. Статистический анализ. Подход с использованием ЭВМ. Пер. с англ. -М.:Мир, 1982. 488с.

29. Кафаров В.В., Дорохин И.Н., Марков Е.П. «Системный анализ процессов химической технологии. Применение метода нечетких множеств». М: Наука 1986.

30. Химмельблау Д. «Обнаружение и диагностика неполадок в химических и нефтехимических процессах». JI: Химия 1983

31. Бесчастнов М.В., Соколов В.М. «Предупреждение аварий в химических производствах» М: Химия, 1985

32. Поспелов Д. А. «Основы ситуационного управления: теория и практика» М.: Наука 1986.

33. Клыков Ю. И. «Ситуационное управление большими системами» М.: Энергия 1974.

34. Кузин Р. Е., Шаталов В. В., Комаров А. В. и др. «Автоматизированная система радиационного и химического мониторинга ВНИИ химической технологии для опасных химических производств» // Приборы и системы управления №12 1998, стр.24.

35. Иващук В. В. «Построение эффективных алгоритмов идентификации технологических объектов управления» // Приборы и системы. Управление, контроль, диагностика. №10 2001, стр. 68.

36. Андерсон Т. Статистический анализ временных рядов. М: Мир, 1976. -523 с.

37. Бартлегг М.С. Введение в теорию случайных процессов. М.: Изд-во иностр. лит., 1958. - 384 с.

38. Беляев В.И., Ивахненко А.Г., Флейшман Б.С. Кибернетические методы прогнозирования научно-технического прогресса // Автоматика. 1986. - № З.-С. 49-57.

39. Бронштейн Е.М., Бруснловский П.М. Процедура формирования коллективного прогноза // Применение методов теории информации. М.: Сов.радио, 1984. С. 66-67.

40. Брусиловский П.М., Гаев JI.B. Коллективные решения в задаче прогнозирования бинарных временных рядов // Изв. АН СССР. Сер. техн. киберн. 1987. - № 3. - С. 75-81.

41. Брусиловский П.М., Розенберг Г.С. Проверка неадекватности имитационных моделей динамической системы с помощью алгоритмов МГУА // Автоматика. -1981. № 6. - С. 43-48.

42. Брусиловский П.М., Фридлянд A.M. Методические указания по использованию пакета программ "Анализ и прогноз временных рядов коллективом предикторов". Уфа: Изд-во Уфим. авиац. ин-та, 1986. - 40 с.

43. Вайну Я.Я.-Ф. Корреляция рядов динамики. М.: Статистика, 1977. - 119 с.

44. Венецкий И.Г., Кильдишев Г.С. Основы теории вероятностей и математической статистики. М.: Статистика, 1968. - 360 с.

45. Горелова B.JL, Мельникова Е.Н. Основы прогнозирования систем. М.: Высшая школа, 1986. - 285 с.

46. Гренандер У. Случайные процессы и статистические выводы. М.:Изд. иностр. лит., 1961. - 167 с.

47. Дайитбегов Д.М., Калмыкова О.В., Черепанов А.И. Программное обеспечение статистической обработки данных. М.: Финансы и статистика, 1984. - 192 с.

48. Енюков И.С. Методы, алгоритмы, программы многомерного статистического анализа. М.: Финансы и статистика, 1986. - 230 с.

49. Ершов Э.Б. Об одном методе объединения частных прогнозов // Статистический анализ экономических временных рядов и прогнозирование. М.: Наука, 1975. С. 87-105.

50. Жуковский Е.Е., Брунова Т.И. Статистические методы оптимального комплексования альтернативных прогнозов // Применение статистических методов в метеорологии. М.: Гидрометеоиздат, 1978. - С. 40-50.51.