автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Разработка интеллектуальной системы поддержки принятия решений по управлению безопасностью химических производств

На правах рукописи

МИХАЙЛОВА ПАВЛА ГЕННАДЬЕВНА

Разработка интеллектуальной системы поддержки принятия решений по управлению безопасностью химических производств

05.13.01 - Системный анализ, управление и обработка информации (химическая технология, нефтехимия и нефтепереработка, биотехнология)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Москва -2006

Работа выполнена на кафедре компьютерно-интегрированных систем в химической технологии Российского химико-технологического университета им. Д.И.Менделеева

Научный руководитель: доктор технических наук, профессор

Савицкая Татьяна Вадимовна

Официальные оппоненты: доктор технических наук, профессор

Дорохов Игорь Николаевич кандидат технических наук Аверкиев Андрей Владимирович

Ведущая организация: Московская государственная академия тонкой

химической технологии имени М.В. Ломоносова (МИТХТ имени М.В. Ломоносова)

Защита состоится "¿9 " \M0Hdj. 2006 года в часов в аудитории

¡2>3> на заседании диссертационного совета Д 212.204. 03 в РХТУ им. Д. И. Менделеева (125047 г. Москва, Миусская пл., д. 9).

С диссертацией можно ознакомиться в Информационно-библиотечном центре РХТУ имени Д.И. Менделеева.

Автореферат диссертации разослан /Ч&<Л_200^Г_г.

Ученый секретарь диссертационного совета Д 212.204.03 ЖепсаА.В.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы. Крупнотоннажные непрерывно действующие химические и нефтеперерабатывающие производства являются высокорисковыми объектами, представляющими серьезную опасность для человека и окружающей среды, функционирующими в условиях неопределенности, связанной с отсутствием или неполнотой информации о процессах возникновения и развития аварии.

Существует несколько подходов к обеспечению безопасности химических производств. В работах отечественных и зарубежных ученых Горского В.Г., Кузьмина И.И., Порфирьева Б.Н., Махутова H.A., Маршалла В., Хенли Э. предложен подход к обеспечению безопасности химических производств с использованием методов анализа и оценки риска. Однако большинство разработанных моделей оценки риска и последствий аварий на опасных промышленных объектах имеют достаточно высокие погрешности, связанные с наличием в них значительного количества допущений и ограничений. А переход к более сложным феноменологическим моделям процессов развития химических аварий и негативных воздействий требует существенных временных затрат и наличия исходных данных, связанных с экспериментальными исследованиями, что является не приемлемым в системах оперативного управления безопасностью химических производств.

Наиболее прогрессивным является основанный на методах системного анализа информационно-управляющий подход к обеспечению безопасности химических производств, предложенный в трудах академика Кафарова В.В. и развитый в работах его учеников Перова В.Л., Дорохова И.Н., Мешалкина В.П., Палюха Б.В., Егорова А.Ф. Этот подход заключается в анализе отказов, диагностике неисправностей и повышении эксплуатационной надежности оборудования и систем управления. Он направлен на создание автоматизированных систем управления технологическими процессами и автоматических систем противоаварийной защиты и блокировки, но не позволяет в полной мере описать и учесть неопределенности различной природы при создании систем управления безопасностью химических производств.

Для решения задач анализа производственных опасностей, идентификации преда-варийных ситуаций и управления безопасностью химических производств перспективно использование методов искусственного интеллекта (нейронных сетей, логических рассуждений), которые позволяют за счет заложенных в них алгоритмов обучения и адаптации уменьшить погрешности существующих моделей, связанные с отсутствием или неполнотой информации, и применимы для управления безопасностью в режиме реального времени. В этой связи для учета неопределенностей различной природы решение проблемы обеспечения безопасности химических производств предложено осуществлять на качественно новом уровне с использованием новых информационных технологий на основе создания интеллектуальных систем поддержки принятия решений (СППР) по управлению безопасностью химико-технологических процессов и систем на всех стадиях возникновения и развития аварий. Данные системы позволяют формировать рекомендации для различных лиц, принимающих решения по управлению безопасностью химических производств, как на основе данных оперативных наблюдений, так и с использованием методов и моделей на основе искусственного интеллекта, заложенных в экспертные системы СППР, включающие в себя знания специалистов и опыт эксплуатации химически опасных объектов.

Диссертация проводилась в рамках научно-исследовательской работы (НИР) по фундаментальным исследованиям, выполняемой научно-педагогическим коллективом кафедры компьютерно-интегрированных систем в химической технологии по теме "Развитие теоретических основ и методов системного анализа для управления безопасно-

сгыо химических производств на основе новых информационных технологий" (20032005 г.).

Цель работы и задачи исследований. Целью данной работы является разработка функциональной структуры, моделей, методов и алгоритмов интеллектуальной системы поддержки принятия решений по управлению безопасностью химических производств.

Для реализации поставленной цели в работе сформулированы и решены следующие задачи:

- оптимального оперативного управления безопасностью химико-технологических систем (ХТС) в условиях неопределенности;

- оперативного управления безопасностью химико-технологических процессов и систем с целью предотвращения возникновения технологических нарушений, отказов и идентификации предаварийных ситуаций с использованием нейросетевых моделей;

- многокритериального принятия решений по оперативному и долгосрочному управлению безопасностью ХТС и химических производств (ХП) на стадиях функционирования, реконструкции, модернизации с использованием системы поддержки принятия решений;

- разработки продукционных моделей представления знаний в системе поддержки принятия решений по оперативному управлению безопасностью химико-тсхнологичсских процессов (ХТП) и фреймовых моделей для создания экспертных систем для управления безопасностью ХП на всех стадиях возникновения и развития аварии;

- разработки баз данных, баз знаний и комплексов программных средств интеллектуальной системы поддержки принятия решений.

Методы исследовании. В работе использовались и развиты различные разделы системного анализа, математического моделирования, методологии анализа и оценки риска, искусственного интеллекта, теории принятия решений и новых информационных технологий.

Научная новизна работы заключается в следующем:

- проведена классификация задач управления безопасностью химических производств и неопределенностей различной природы и обоснована необходимость разработки принципиально нового подхода к управлению безопасностью на основе создания интеллектуальной системы поддержки принятия решений;

- предложен методический подход и разработаны модели и алгоритмы решения многокритериальных задач принятия решений по управлению безопасностью химических производств в детерминированных условиях на стадиях функционирования, реконструкции, модернизации, заключающиеся в ранжировании наиболее опасных сценариев развития аварий и аварийных ситуаций с учетом приоритетных критериев (рисков и ущербов) и поиске управляющих воздействий, направленных на предотвращение возникновения наиболее опасных сценариев;

- предложен новый подход к принятию решений по управлению безопасностью химических производств с использованием методов искусственного интеллекта и разработаны продукционные и фреймовые модели представления знаний для систем поддержки принятия решений по управлению безопасностью непрерывных ХТС и ХП;

- разработаны нейросетевыс модели оперативного управления безопасностью химико-технологических процессов на основе архитектур рекуррентных нейронных сетей, позволяющие в режиме реального времени рассчитывать управляющие воздействия по предотвращению возникновения отказов и аварийных ситуаций с учетом управляющих воздействий, принятых в предыдущий момент времени;

- для идентификации предаварийных ситуаций разработаны принципиально новые нейросетевые модели, основанные на теории адаптивного резонанса, позволяющие

хранить и формировать новые образы предаварийных ситуаций, которые могут возникнуть в процессе функционирования непрерывно действующих установок химических производств.

Практическая ценность работы

Разработано информационное и программно-алгоритмическое обеспечение, базы данных и базы знаний и комплексы программных средств интеллектуальной СППР по управлению безопасностью химических производств для решения широкого круга проблемно ориентированных задач промышленной безопасности.

Комплексы программных средств реализованы в архитектуре клиент-сервер, включающей распределенные базы данных, пакеты прикладных программ, информационно-моделирующие системы. Распределенные базы данных информационных подсистем интегрированной автоматизированной системы управления (ИАСУ) и базы данных вычислительных экспериментов систем поддержки принятия решений ИАСУ реализованы с использованием СУБД Oracle 7.0. Прикладное программное обеспечение и базы знаний интеллектуальной СППР безопасностью ХП реализованы в среде Borland Delphi и предназначены для работы в операционной системе Windows.

С использованием разработанного математического и программно-алгоритмического обеспечения проведен анализ Московского нефтеперерабатывающего завода как источника риска; получены результаты нейросетевого прогнозирования технологических параметров процессов и результаты оценки экономического, экологического и социальных видов рисков и тяжести последствий аварий; с использованием методов принятия решений проведено ранжирование сценариев развития аварий по степени их опасности; разработаны продукционные и фреймовые модели для оперативного управления безопасностью реакторно-регенераторного блока установки каталитического крекинга и электрообессоливаюхцей атмосферно-вакуумной установки.

Полученные результаты исследований используются в учебном процессе на кафедре компьютерно-интегрированных систем в химической технологии.

Апробадня работы. Основные положения диссертационной работы докладывались на 7 международных и одной всероссийской конференции, в том числе: XVI, XVII Международных научных конференциях «Математические методы в технике и технологиях» (г. Ростов/н Д, 2003, г. Кострома, 2004); XVI, XVII, XVIII, XIX «Международных конференциях молодых ученых по химии и химической технологии» (г. Москва, 2002, 2003, 2004, 2005); IX «Национальной конференции по искусственному интеллекту с международным участием» (г.Тверь, 2004); XII международной конференции «Проблемы управления безопасностью сложных систем» (2004).

Публикации. Результаты, отражающие содержание диссертационной работы, изложены в 10 публикациях.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав и выводов, изложенных на {ЗЦстраницах, содержит If0 рисунков, /У таблиц, список литературы из ¿03 наименований.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность, научная новизна и практическая ценность результатов диссертационной работы. Сформулированы цели и основные направления исследования.

В первой главе диссертации проведен анализ возможности использования традиционных и современных интеллектуальных моделей и методов принятия решений для создания системы поддержки принятия решений по управлению безопасностью химических производств; представлен литературный обзор о современном состоянии проблемы управления безопасностью, на основе которого обоснована необходимость создания ка-

чсственно новых систем управления безопасностью с использованием современных информационных технологий.

Систематизированы основные термины и определения предметной области, связанной с управлением безопасностью сложных технических систем.

Проведен анализ задач принятия решений, в результате которого установлено, что задача принятия решений по управлению безопасностью ХП является задачей в условиях неопределенности. Проведена классификация моделей и методов для решения задач управления безопасностью химических производств.

Проведен анализ использования современных методов искусственного интеллекта и информационных технологий в области промышленной безопасности и определены наиболее перспективные из них (экспертные системы, нейронные сети, продукционные правила, фреймы). Проведен обзор современных программных комплексов, используемых в области промышленной безопасности.

В результате проведенного системного анализа химических производств как источников промышленной опасности, существующих подходов, методов, моделей анализа и оценки риска и принятия решений обоснована необходимость использования новых информационных технологий при создании интеллектуальной СППР по управлению безопасностью химических производств.

Втора« глава диссертации посвящена разработке функциональной структуры, моделей, методов и алгоритмов интеллектуальной системы поддержки принятия решений для управления безопасностью химических производств.

Проведена классификация задач управления безопасностью химических производств. Определено три основных класса задач управления безопасностью различных классов химически опасных объектов (ХОО): оптимального оперативного управления безопасностью ХТС и ХП; многокритериального поиска детерминированных управляющих решений из множества альтернатив; с использованием методов искусственного интеллекта в СППР.

В данной диссертационной работе в рамках предложенных классов задач управления безопасностью непрерывных ХТП и ХП сформулированы и решены следующие задачи, представленные на рис.1. В рамках первого класса - задачи оптимального оперативного управления безопасностью химико-технологических систем и ХП в условиях неопределенности и оперативного управления безопасностью химико-технологических процессов и систем с целью предотвращения возникновения отказов и аварийных ситуаций с использованием нейросетевых моделей.

В рамках второго класса - сформулированы и решены задачи многокритериального принятия решений по оперативному и долгосрочному управлению безопасностью ХТС и ХП на стадиях функционирования, реконструкции модернизации с использованием методов сравнения альтернатив на основе многокритериальной теории полезности.

В рамках третьего класса задач управления безопасностью разработаны продукционные модели представления знаний в СППР по оперативному управлению безопасностью ХТП и фреймовые модели для создания экспертных систем (ЭС) для управления безопасностью ХП на всех стадиях возникновения и развития аварии.

В работе предложена функциональная структура интеллектуальной СППР по управлению безопасностью химических производств (рис.2). Данная система является одной из подсистем интегрированной автоматизированной системы управления безопасностью химических производств, развитие которой предложено в настоящей работе.

Типовая структура СППР состоит из двух подсистем: информационно-моделирующей и управляющей. Информационно-моделирующая подсистема состоит из баз данных вычислительных экспериментов (ВЭ) по оценке рисков и ущербов по возможным сценариям возникновения и развития аварий на типовом оборудовании и уста-

новках химических производств и блока анализа и сравнения результатов. В данном блоке используются методы, модели и алгоритмы для анализа производственных опасностей, оценки рисков и последствий аварий и алгоритмы сравнения в режиме реального времени результатов моделирования с имеющимися в базах данных вычислительных экспериментов для аналогичного сценария.

Рис. 1 Структура системы оценки и управления промышленной безопасностью химических производств.

Если полученные результаты моделирования допустимы, то база данных ВЭ пополняется новыми результатами, а оперативное управление безопасностью направлено на поддержание регламентных значений технологических параметров процессов. Если в исходной базе данных не оказалось аналогов причин и сценариев развития аварийной ситуации, информация, полученная в результате расчетов, пополняет базу данных ВЭ и структуру соответствующих экспертных систем новыми правилами принятия решений. Кроме того, в информационно-моделирующей подсистеме СППР для определения наиболее опасных сценариев развития аварий используются предложенные в работе алгоритмы ранжирования альтернатив на основе многокритериальной теории полезности и поиска управляющих воздействий по оперативному управлению безопасностью ХТП.

Если полученные результаты моделирования при сравнении с результатами из баз данных дают недопустимые значения, они передаются в управляющую подсистему СППР, где, с использованием заложенных в экспертные системы правил, осуществляется соответствующее управляющее воздействие.

Управляющая подсистема СППР включает экспертные системы: диагностики отказов; по технологическим нарушениям (отказам) на установках и способам их устранения; по аварийным ситуациям и сценариям их развития, по мерам их локализации и ликвидации; по ликвидации последствий аварийных ситуаций. Каждая экспертная система включает в себя базы данных (БД) и базы знаний (БЗ). Некоторые из экспертных систем используют одну или несколько БД из подсистемы сбора и хранения данных ИАСУ безопасностью и информационно-моделирующей подсистемы СППР.

Рис. 2 Функциональная структура интеллектуальной системы поддержки принятия решений по управлению безопасностью химических производств

Всего для управления безопасностью предложено использовать 5 реляционных баз данных различного целевого назначения (см. рис.2) и характера сбора и обработки информации: оперативные - БД о состоянии технологических параметров процессов; периодически обновляемые - на основе аварий на других производствах и нормативных документов. Базы знаний формируются как для отдельных экспертных систем, так и могут использоваться несколькими экспертными системами. Всего в управляющей подсистеме СППР разработаны 3 базы знаний различного целевого назначения: на основе регламентов, на основе БД вычислительных экспериментов, на основе планов ликвидации аварийных ситуаций (ПЛАСов).

Во второй главе диссертации разработано математическое обеспечение интеллектуальной СППР. Предложена постановка задачи оптимального оперативного управления безопасностью ХТП в условиях неопределенности и проведен анализ ее размерности. Определено, что указанная задача должна решаться для каждого сценария развития аварийной ситуации. Количество управляющих воздействий в таких задачах составляет один-два десятка для каждого аппарата (блока). Поэтому при создании интеллектуальной СППР по управлению безопасностью химических производств для различных уровней и состояний управления безопасностью показана нецелесообразность решения множеств задач оптимального оперативного управления безопасностью ХТС большой размерности традиционными методами оптимизации. И в работе предложены новые подходы и методы решения задач оперативного управления безопасностью ХТП и ХТС с использованием методов искусственного интеллекта: нейронных сетей, продукционных и фреймовых моделей.

Дня оперативного прогнозирования и управления безопасностью технологических процессов предложено использовать нейросетевые модели и алгоритмы на основе сетей: прямого распространения, адаптивного резонанса и рекуррентных нейронных сетей (Джордана и Элмана). Структура взаимосвязи прогнозируемых параметров нейросете-вого блока с СППР и химическим производством представлена на рис. 3. Нейронные сети прямого распространения и Элмана используются для прогнозирования состояния технологических параметров процессов. Но в отличие от сетей прямого распространения, в сетях Элмана учитываются результаты управляющих воздействий в предшествующий момент времени. Выходными параметрами нейронной сети Джордана являются управляющие воздействия, направленные на предотвращение отказов и аварийных ситуаций, по текущим значениям входных переменных - контролируемых и регулируемых технологических параметров и управляющих воздействий в предшествующий момент времени. Нейронные сети адаптивного резонанса используются для идентификации предаварийных ситуаций.

Предлагается использовать ART 1-сети (Adaptive Resonance Theory) для идентификации предаварийных ситуаций (рис. 4). В самой сети хранятся образы предаварийных ситуаций, имевших место на данной установке (Хг)и наборы значений технологических параметров, характеризующих нормальное протекание процесса ( , р = 1,Р):

Х2 = (Х2Х>Х22,...,Х2 а)'

Х° — (х fi, >■ ••> х\ъ) •

о

о

(1)

(2)

Xr - , XR2 .—, Хдь ).

Рис. 3. Структура взаимодействия нейросетевого блока с СППР и химическим производством

Рис. 4 Архитектура АКП-сети

П, Р2 - слои нейронных элементов; в, т— число нейронов слоя Р1 и соответственно; IV, V-весовые векторы, характеризующие синаптические прямые и обратные связи соответственно; р - параметр бдительности; С7, <32- блоки, формирующие соответственно сигналы возбуждения и сброса.

где Хг - вектор входных значений нейронной сети - контролируемых и регулируемых технологических параметров процесса, отклонение которых от регламентных значений характеризует предаварийную ситуацию; г=\,Я - номер предаварийной ситуации; Я -общее количество возможных предаварийных ситуаций на установке; Л = 1, Я - номер переменной (контролируемого или регулируемого технологического параметра); Р -общее количество штатных ситуаций на установке.

Идентификация происходит следующим образом: на вход нейронной сети подаются наборы значений технологических параметров процессов, которые характеризуют протекание ХТП. При функционировании сети она сравнивает входной образ (Х„ 5=1,2,...-номер входного образа) с образами, хранящимися в сети (Х°р и X,), и при возникновении предаварийной ситуаций ( X,) выдает сообщение об её возникновении. Далее сигнал о возникновении предаварийной ситуации поступает в управляющую подсистему системы поддержки принятия решений. Если же в процессе функционирования производства возникают новые предаварийные ситуации (образов которых нет в сети), то нейронная сеть АК.Т-1, благодаря своей структуре, может пополняться новой информацией. То есть нейронная сеть, выделив новый образ, предъявляет его лицу, принимающему решения (ЛПР), который и принимает решение, является ли он образом предаварийной ситуации или нет.

Для решения задачи принятия решений по оперативному управлению безопасностью ХТС (см. рис.1), которая заключается в поиске управляющих воздействий, обеспечивающих требуемый уровень безопасности ХТС в выбранной системе приоритетов рисков и ущербов, в настоящей диссертационной работе предложен подход, включающий два основных этапа.

На первом этапе необходимо для различных /-ых аварийных ситуаций, которые могут возникнуть при аварии на Аой установке и развиваются по сценариям оценить множество альтернатив по выбранным критериям: значениям социального, экологического и экономического рисков (Л^) и ущербов ( и определить наиболее опасные аварийные ситуации и сценарии их развития с точки зрения риска и тяжести последствий аварий. Провести ранжирование альтернатив с использованием одного из возможных подходов:

I. Ранжирование с учетом ряда приоритетов при фиксированных значениях альтернатив по другим критериям.

А. Рассматриваются приоритеты по рискам не зависимо от значений сравниваемых альтернатив по ущербам, т.е. используется аксиоматическое обоснование независимости по предпочтению многокритериальной теории полезности.

Б. Сценарии ранжируются по степени их опасности по значениям социальных рисков и ущербов ( У^"7) при фиксированных значениях остальных критериев на основании аксиомы независимости по предпочтению.

II. Ранжирование сценариев и ситуаций проводится по всем сравниваемым показателям (значениям всех видов рисков ущербов (}*')).

В результате проведенного ранжирования определяются наиболее опасные сценарии и наиболее опасные аварийные ситуации, которые могут возникнуть на установке.

На втором этапе с учетом проведенного ранжирования в СППР осуществляется

выбор перспективных управляющих воздействий ие, направленных на предотвращение возникновения и на снижение тяжести последствий, для наиболее опасных сценариев развития аварии (|»=1,0'). При этом предлагаются различные альтернативные управ-

ляюгцие воздействия направленные на предотвращение развития у-ой аварийной ситуации по g-мy сценарию, и проводится оценка рисков и ущербов ¿-го вида на Аой установке )', ( У")', которые будут получены при реализации этих управляющих воздействий. Альтернативы (управляющие решения) и', (где и'- множество управляющих воздействий на /-ой установке), обеспечивающие наиболее безопасное развитие аварии считаются предпочтительными. Размерность вектора альтернатив определяется количеством опасных сценариев развития аварии С, полученном на первом этапе решения задачи принятия решений.

На основе полученных решений по управлению безопасностью ХТС разрабатываются базы знаний в экспертных системах интеллектуальной СППР, которые используются для оперативного управления безопасностью химико-технологических процессов.

В работе предложен новый подход к решению задачи многокритериального выбора мероприятий, направленных на снижение риска возникновения аварий на стадии модернизации (реконструкции) предприятий (см. рис.1) и методика оценки эффективности этих мероприятий, основанная на анализе и оценке риска, экономических критериев и теории принятия решений. Данная задача является одной из задач долгосрочного управления безопасностью химических производств. Предлагаемая методика заключается в оценке возможных ущербов, которые могут возникнуть в результате аварии на предприятии и/или которые можно предотвратить (снизить) за счет внедрения на производстве новых технических средств (надежных систем управления ХТП), направленных на повышение безопасности на стадии реконструкции и модернизации.

Задача оценки эффективности мероприятий, направленных на повышение безопасности химических производств на стадии реконструкции и модернизации заключается в поиске альтернатив (управляющих решений), обеспечивающих минимальные значения всех видов ущербов и допустимые или приемлемые уровни рисков с минимальными (не превышающими установленные пределы) затратами по различным видам ресурсов. Данная задача с точки зрения теории принятия решений относится к задачам с жестко заданными альтернативами и критериями. В качестве критериев предлагается использовать общую эффективность мероприятий по снижению всех видов риска и ущерба и значения всех видов рисков и ущербов для различных возможных сценариев развития аварии.

Для решения данной задачи предложен алгоритм выбора альтернативных вариантов с использованием методики анализа и оценки риска, экономических критериев оценки и методов принятия решений.

Для решения задач управления безопасностью с использованием методов искусственного интеллекта разработаны продукционные и фреймовые модели представления знаний для создания ЭС в СППР по оперативному управлению безопасностью химико-технологических процессов и производств на всех стадиях возникновения и развития аварии.

Предложены две группы продукционных правил с использованием лингвистических переменных и моделей представления знаний. Первая группа соответствует формализованному описанию управляющих воздействий, направленных на предотвращение возникновения отказов или аварийных ситуаций на Аой установке в результате отклонения технологических параметров процессов от нормы.

Вторая группа продукционных моделей представления знаний и логического вывода предложена для формализованного описания управляющих воздействий, направленных на недопущение развития аварии с выходом за пределы технологического аппа-

рата и блока за счет включения системы аварийного взрывоподавления, аварийного останова и блокировки оборудования (табл. 1).

Для формализованного представления знаний в интеллектуальной СППР безопасностью введены следующие обозначения лингвистических переменных, описывающих контролируемые, регулируемые переменные и управляющие воздействия, характеризующие состояние ХТП и управление безопасностью: Л^'норма", ЬА- "ниже нормы, не допустимо", УА-" выше нормы не допустимо", £А - заданное значение для срабатывания аварийной защиты. Управляющие воздействия по управлению безопасностью обозначены: /"-"переключить", /?- "регулировать" в заданном диапазоне, МРЫ -"сильно увеличить", ЬРи - " немного увеличить", ЬРО - "немного уменьшить", МРП- " сильно уменьшить", Ы- "поддерживать в заданном диапазоне (не изменять)", УК— "включить".

Таблица 1.

Пример продукционных правил и моделей представления знаний для принятия решений по оперативному управлению безопасностью ХТП в предаварийном режиме_

Правило | Модель

Представление таняий

-/ Выбор управляющих воздействий (U¡\ направленных на включение системы противоаварийной защиты на Лой установке, в случае состояния ХТП " отклонение от нормы, недопустимо" (г*). 1,// (3) где Л" — общее количество управляющих воздействий, направленных на локализацию факторов риска в результате возникновения и развития аварийной ситуации; к-номер модели.

Если значения одного или нескольких контролируемых и регулируемых с-х технологических параметров процессов ( ) - "отклонение от нормы, недопустимо" и значение хотя бы одного из управляющих воздействий ( uf ) "отклонение от нормы, недопустимо", то состояние ХТП " отклонение от нормы, недопустимо". Мх - [(( лг/ V х[ V ..... V X'C)-->N) Л (и,' V и'г V ... V ы/ = -, ЛО г * = N1 (4) с — ГТс-, где Ус-.Мг =-,Л0->(^ = (ЬАч УА))\ (5) V/: Мг в [(и/ (и/ = {ЬА V УА))] (6)

Если состояние ХТП (¿х) -" отклонение от нормы, недопустимо" и время с момента обнаружения неполадки (f) не превышает установленное значение, то включить автоматическую систему противоаварийной защиты и осуществить последовательность управляю--1 щих воздействий ( и,), направленных на аварийный останов и блокировку оборудования Aro ХТП. Л/4 = [((л* = -,Л0 Л (^ гл)) -» (и, = КК)] (7) м5 - [Си, = УК) ->■ ((и/ л ¡4 л... ли',) = ((ЬРВч МРР> V {ЬР1/ч МРЩ) л (8) ((г^+1) л....л1/,) = ЛлЦ'л0 А......= гае Ус-¡У; У" с= №

Как способ формализации знаний продукционные модели являются наиболее простыми и интуитивно понятными для разработчиков экспертных систем. Тем не менее, для каждой установки требуется разработать десятки продукционных правил. Поэтому предложено для формализации знаний о возникновении, развитии аварийной ситуации и способах противоаварийной защиты в СППР управления безопасностью использовать фреймы в качестве моделей представления знаний.

В работе используют следующие типы фреймов: фреймы-объекты, фреймы-ситуации и фреймы-операции.

Фреймы-объекты описывают установки, секции, блоки и оборудование как объекты управления, т.е. имена слотов — это те технологические параметры, которые характе-

ризуют безопасное протекание ХТП, а значения слотов - это допустимые, расчетные, предельно-допустимые и критические значения этих параметров.

Фреймы-ситуации описывают возникновение аварийных ситуаций на различных установках, секциях, блоках и оборудовании. Именами слотов являются названия уровней развития аварийных ситуаций, значениями - конкретные значения технологических параметров, либо наличие или отсутствие того или иного информационного признака, который характеризует возникновение аварийной ситуации на выбранном уровне.

Управляющие воздействия на каждом уровне развития аварийной ситуации можно представить в виде фрейма-операции. Имена слотов - способы противоаварийной защиты для каждого уровня развития аварийной ситуации, значения - конкретные действия.

В зависимости от значений слотов в фрейме-ситуации, используются те или иные фреймы-операции - для управления безопасностью в предаварийном режиме и в обычном.

По сравнению с продукционными правилами, фреймы - это более компактный способ представления знаний, но менее понятный для эксперта.

Третья глава посвящена разработке алгоритмического и программного обеспечения интеллектуальной системы поддержки принятия решений по управлению безопасностью химических производств.

В соответствии с функциональной структурой интеллектуальной СППР по управлению безопасностью ХП разработан комплекс программных средств (КПС), структура которого представлена на рис. 5. Основной функцией данного КПС является выдача рекомендаций ЛПР в режиме реального времени для принятия управляющих решений по обеспечению безопасного функционирования ХТП, ХТС или ХП.

Комплекс реализован с использованием концепции распределенных баз данных и архитектуры клиент-сервер. Серверная часть создана на базе реляционной СУБД Oracle 7.0, содержащей таблицы нескольких баз данных. Запросы к таблицам баз данных реализуются с помощью структурированного языка запросов SQL (Structured Query Language и позволяют находить информацию, соответствующую функциональному назначению баз данных.

Клиентская часть реализована на языке Object Pascal в среде Borland Delphi vi состоит из блока принятия решений и блока пополнения баз данных. Блок принятия решений содержит программные средства для решения соответствующих задач. Для создания ЭС по предотвращению возникновения отказов, аварийных ситуаций и ликвидации их последствий используется программа ES Win 1.32 для создания БЗ, представленных в виде фреймов и продукционных правил и оболочку экспертной системы Эксперт 1.0 для создания продукционных ЭС. Нейросетевой блок для прогнозирования изменений технологических параметров процессов и управления безопасностью ХП создан с помощью пакетов Neural Network Wizard (создания сетей прямого распространения) и MATLAB Neural Network Toolbox (создания сетей прямого распространения и с обратными связями — рекуррентных сетей Элмана). Принятие решений по управлению безопасностью ХП осуществляется с помощью пакетов CritcriumDecisionPlus 3.0, S.M.A.R.T. или Expert Choice 2000, реализующих методы анализа иерархий. Блок пополнения данных содержит средства добавления в базы данных информации о новых предприятиях, технологических установках, неисправностях, отказах, свойствах пожаро-, взрывоопасных веществ, авариях на других производствах, нормативных документах, результатах вычислительных экспериментов.

В работе создана распределенная база данных для анализа производственных опасностей, оценки риска и управления безопасностью химических производств.

Серверная часть СУБД Oracle 7.0

БД о состоянии технологического оборудования, КИПиА БД технологических параметров процессов БД для анализа производственных опасностей и оценки риска БД на основе аварий на других производствах; по нормативным документам БД вычислительных экспериментов (ВЭ) информационно-моделирующей подсистемы СППР

II

Интерфейс СППР

Рис.5 Структура комплекса программных средств интеллектуальной СППР для управления безопасностью ХП

Она формируется на основании информации из технологических регламентов производств и данных по имевшим место производственным опасностям химических и нефтехимических предприятий и веществам и представляет собой реляционную БД (состоящую из таблиц и связей между ними). Для проектирования структуры БД и генерации программного кода использовался программный продукт ErWin 1.3. БД реализована в СУБД Oracle 7.0.

БД предназначена для сбора и хранения информации и многоуровневого её использования различными ЛПР (начальниками и технологами производств) в интегрированных автоматизированных системах управления безопасностью химических предприятий. Информация распределенной БД используется разработанными программными приложениями КПС интеллектуальной системы поддержки принятия решений по управлению безопасностью ХП. Результаты использования информационного и программного обеспечения рассмотрены далее в главе 4.

В четвертой главе представлены результаты практического использования интеллектуальной системы поддержки принятия решений на примере установок каталитического крекинга и электрообессоливающей атмосферно-вакуумной установки (ЭЛОУ-АВТ-6) Московского нефтеперерабатывающего завода (МНПЗ). Эти две установки были выбраны в качестве объектов исследования как наиболее опасные на предприятии.

В данной главе на примере вышеперечисленных установок решены следующие задачи:

• принятия решений по оценке эффективности внедрения новых технических средств на стадии реконструкции на примере вакуумного блока установки ЭЛОУ-АВТ-6;

• разработки продукционных правил для представления знаний в экспертных системах управляющей подсистемы СППР (на примере установки каталитического крекинга);

• нейросетевого прогнозирования технологических параметров процессов для оперативного управления безопасностью ХТП и идентификации предаварийных ситуаций на установке каталитического крекинга.

С использованием моделей и методов принятия решений, направленных на повышение безопасности химических производств на стадии реконструкции и модернизации, предложенных в главе 2, проведена оценка эффективности внедрения новой АСУ ТП на базе комплекса технических средств Rosemount System 3 на установке ЭЛОУ-АВТ-6 МНПЗ взамен существующего комплекса АСВТ М-6000. С использованием многокритериальной теории принятия решений проведено попарное сравнение двух автоматизированных систем управления технологическими процессами по значениям всех видов рисков и ущербов (экономического, экологического и социального), которые могут возникнуть при реализации четырех возможных сценариев развития аварии при разгерметизации оборудования. В результате проведенного ранжирования по всем сравниваемым показателям установлено, что новая система управления обеспечивает больший уровень безопасности.

С использованием продукционных моделей представления знаний и логического вывода, предложенных в главе 2 для реакторно-регенераторного блока установки каталитического крекинга составлена система правил, включающая формализованное описание 25 значений технологических параметров процессов, отклонения от нормы которых могут привести к возникновению аварийной ситуации в реакторе, связанной с повышением температуры.

Для оперативного управления безопасностью реактора каталитического крекинга с целью предотвращения возникновения аварийной ситуации, связанной с повышением температуры, в интеллектуальной СППР предложено 25 правил логического вывода.

Пример правила-продукции: «Если температура в зоне прямоточного реактора "выше нормы" и температура сырья "норма", и кратность циркуляции катализатора "норма", то увеличить расход водяного пара, подаваемого на распыл сырья, контролировать температуры в зоне контакта парожидкостной фазы с катализатором».

Для управления безопасностью реакгорно-регенераторного блока в предаварий-ном режиме предложена система продукционных правил и моделей логического вывода, реализованная в СППР (пример см. в табл.1).

Решение задач управления безопасностью с использованием предложенных во второй главе диссертации нейросетевых моделей рассмотрено на примере установки каталитического крекинга. Для идентификации предаварийных ситуаций, которые могут возникнуть на данной установке, использованы нейросетевые модели на основе архитектуры сетей ART1.

Если, например, перепад давления на шиберных задвижках (хг1 +хг6) достигнет предельно-допустимого (докритического) значения 1500 кг/м2, уровень в реакторе (хг7) и регенераторе (хг8) - 30% шкалы, перепад давления между регенератором и реактором будет ± 0.2 кгс/см2 (xrs), а температура в прямоточном реакторе более 545°С (хгю), то сеть, сравнив их со значениями, хранящимися в ней (л;), идентифицирует данную ситуацию как предаварийную ~хг «Падение перепада давления на шиберных задвижках на катализаторопроводах ниже 0,15 кгс/см2», передаст информацию в управляющую подсистему СППР, в которую экспертами-специалистами на основании данных технологических регламентов, опыта эксплуатации установки и планов ликвидации аварийных ситуаций заложены рекомендации для лица, принимающего решение, по её устранению.

Решены задачи обучения нейронных сетей для прогнозирования и управления технологическими процессами с использованием сетей прямого распространения, реализованных в программном средстве Neural Network Wizard, и рекуррентных сетей Эл-мана, реализованных в программном комплексе MatLab.

Одной из основных опасностей установки является повышение температуры в различных зонах по высоте реактора каталитического крекинга.

Для обучения была предложена структура сети прямого распространения, в качестве входных переменных которой задавались 6 значений контролируемых и регулируемых технологических параметров: температуры в зоне кипящего слоя регенератора {xj, х2); расход вакуумного дистиллята (д>); перепад давления па линии регенератор -реактор или реактор-регенератор (а>); расход водяного пара на распыл сырья, подаваемого в узел смешения (xs)i расход водяного пара в зону десорбции на отпарку катализатора (ха). В качестве выходных переменных прогнозировались значения температур: в зоне контакта парожидкостной фазы с регенерированным катализатором (у/); регулируемой температуры в зоне кипящего слоя реактора в зоне десорбции реактора (yj); в отстойной зоне реактора (у</).

Были получены зависимости средней относительной ошибки от числа скрытых слоев и количества нейронов в скрытом слое для линейной нормализации. Минимальное значение ошибки (0,66%) было получено для сети с одним скрытым слоем из 4 нейронов.

В отличие от сетей прямого распространения для прогнозирования состояния технологических процессов по результатам управляющих воздействий, предпринятых на предыдущем шаге, реактора каталитического крекинга предложена рекуррентная нейросстевая модель:

[У,СО, УМ........У4(0/=> f(x,(t), x2(t), С„....... С4) (9)

где в качестве вектора входных переменных используются 2 значения контролируемых и регулируемых технологических параметров (xi(t), температуры в зоне кипящего слоя регенератора в момент времени i) и 4 значения контекстных нейронных элементов

(С!-С4, соответствующие значениям технологических параметров для сети пря-

мого распространения в момент времени иТ). Вектором выходных переменных являются 4 значения контролируемых и регулируемых технологических параметров процесса таких же, как для сети прямого распространения в момент времени I

В результате обучения и тестирования рекуррентной нейронной сети Элмана средние относительные ошибки прогнозирования технологических параметров процессов реакторно-регенераторного блока составили: 0.91% - для обучения, 1.58% - для тестирования. Сравнение результатов прогнозирования технологических параметров процессов, полученных с использованием сетей прямого распространения и рекуррентной сети Элмана показало, что ошибки прогнозирования не превышают 2%. Причем, прогнозирующая способность сети Элмана оказалась хуже, чем у сетей прямого распространения.

В целом полученные результаты практических расчетов показали эффективность принимаемых решений по управлению безопасностью химико-технологических процессов и систем в режимах функционирования, реконструкции и модернизации с использованием интеллектуальной системы поддержки принятия решений.

Основные результаты работы и выводы

1. Проведен анализ химических производств как объектов управления безопасностью, в результате которого выявлены общие закономерности и специфические особенности анализа и оценки риска крупнотоннажных непрерывно действующих химических производств в режимах нормального функционирования и в случае аварий и предложен принципиально новый подход к управлению безопасностью ХТП, ХТС и химических производств, сочетающий принципы анализа и оценки риска и методы искусственного интеллекта.

2. Сформулирована задача оптимального оперативного управления безопасностью ХТП. Разработаны рекуррентные нейросетевые модели для оперативного управления безопасностью ХТП и нейросетевые модели адаптивного резонанса для идентификации предаварийных ситуаций.

3. Предложена функциональная структура интеллектуальной СППР по оперативному и долгосрочному управлению безопасностью химических производств.

4. Разработаны модели и методы принятия решений по оперативному управлению безопасностью ХТС и ХП и по повышению эффективности мероприятий, направленных на обеспечение безопасности химических производств на стадии реконструкции и модернизации.

5. Разработаны экспертные системы интеллектуальной СППР по управлению безопасностью ХТС и ХП на основе продукционных и фреймовых моделей представления знаний.

6. Разработана структура комплекса программных средств интеллектуальной СППР по управлению безопасностью химических производств с использованием программных средств на основе методов искусственного интеллекта.

7. Предложенные в работе модели, методы, алгоритмы и комплексы программных средств интеллектуальной СППР безопасностью химических производств использованы для решения задач анализа, оценки риска и управления промышленной безопасностью установок каталитического крекинга и ЭЛОУ-АВТ-6 Московского нефтеперерабатывающего завода.

Основные результаты диссертационной работы изложены в 10 публикациях:

1. Егоров А.Ф., Савицкая Т.В., Михайлова П.Г. Модели и методы решения задач оперативного управления безопасностью непрерывных химико-тсхнологнчсскнх систем 4.1. Управление в условиях неопределенности // Проблемы управления, 2005, №6, с.50-56.

2. Михайлова П.Г., Савицкая Т.В. Использование нейронных сетей в системах управления безопасностью химических производств. Математические методы в технике и технологиях:// Сб.тр. XVI Международной науч.конф. В 10 т., т.4 Секции 4,6./Г1од ред. В.С.Балакирева/РГАСХМ ГОУ, Ростов н/Д, 2003 - 244с. - с.12-13

3. Михайлова П.Г., Савицкая Т.В., Егоров Л.Ф. Нейросетевые и продукционные модели для управления безопасностью химических производств. Математические методы в технике и технологиях-ММТТ-17: Сб. трудов XVII Международ. Научн. Конф.: В 10 т. Т.6. Секция 6, 13/Под общ. Ред. B.C. Балакирева,- Кострома: Изд-во Костромского гос. Тех. Ун-та, 2004.-183 е., с.78-82

4. Дударов С.П., Егоров А.Ф., Михайлова П.Г., Савицкая Т.В., Шайкин А.Н. Разработка моделей и баз знаний в системах поддержки принятия решений по управлению безопасностью химических производств./ Девятая Национальная конф. по искусственному интеллекту с международным участием КИИ-2004 Тверь: Труды конф. В 3-х т. Т. 2. М.: Физматлит, 2004. - с. 660-672.

5. Савицкая Т.В., Шайкин А.Н., Михайлова П.Г., Егоров А.Ф. Разработка методов и моделей принятия решений по управлению безопасностью химических произ-водств//"Г1роблемы управления безопасностью сложных систем" в сборнике трудов XII международной конференции. М., РГГУ - 2004, с.408-412

6. Михайлова П.Г., Савицкая Т.В., Егоров А.Ф. Разработка интеллектуальных моделей и алгоритмов управления безопасностью химических производств. // В сб. трудов Семнадцатой международной конференции молодых учёных по химии и химической технологии «МКХТ-2003», с. 15-17.

7. Михайлова П.Г., Савицкая Т.В., Егоров А.Ф. Использование методов искусственного интеллекта для управления безопасностью установки каталитического крекинга// Успехи в химии и химической технологии: В сб. науч. тр. Том XVIII № 1 (41). М.: РХТУ им. Д.И.Менделеева, 2004. 148с,- 91-94с.

8. Михайлова П.Г., Савицкая Т.В., Егоров А.Ф. Разработка функциональной структуры управляющей подсистемы системы поддержки принятия решений для управления безопасностью химических производств// Успехи в химии и химической технологии: Сб. науч. тр. Том XIX № 1 (49). М.: РХТУ им. Д.И.Менделеева, 2005. 136с - 69-72с.

9. Михайлова П.Г., Варнавский Е.В., Савицкая Т.В., Егоров А.Ф. Разработка структуры базы данных для анализа производственных опасностей и риска возникновения аварий // Успехи в химии и химической технологии: Сб. науч. тр.: Том XVI: №1/ РХТУ им. Д.И. Менделеева. М., 2002. - с. 81-82.

10. Варнавский Е.В., Михайлова П.Г., Барабонова И.М., Савицкая Т.В. Сравнительный анализ расчетов последствий аварий со взрывами и пожарами но отечественным и зарубежным методикам для установок Московского нефтеперерабатывающего завода// Успехи в химии и химической технологии: Сб. науч. тр. Том XIX № I (49). М.: РХТУ им. Д.И.Менделеева, 2005. 136с,- 23-26с.

Принято к исполнению 22/05/2006 Исполнено 23/05/2006

Заказ № 421 Тираж: 100 экз.

ООО «11-й ФОРМАТ» ИНН 7726330900 Москва, Варшавское ш., 36 (495) 975-78-56 (495) 747-64-70 www.autoreferat.ru

Список основных сокращений, принятых в диссертации.

Введение.

Глава 1. Современное состояние проблемы управления безопасностью химических производств.

1.1 Основные понятия и определения предметной области, связанной с управлением безопасностью сложных технических систем.

1.2 Анализ возможности использования теории принятия решений для управления безопасностью опасных промышленных объектов.

1.2.1 Основные понятия и определения теории принятия решений.

1.2.2 Основные группы задач принятия решений.

1.2.3 Принятие решений в условиях неопределенности.

1.3 Использование современных методов искусственного интеллекта и информационных технологий в области промышленной безопасности.

1.3.1 Нейронные сети в системах управления безопасностью сложными техническими объектами.

1.3.2 Интеллектуальные системы управления безопасностью.

1.3.3 Экспертные системы для управления безопасностью.

1.3.4 Системы поддержки принятия решений на базе методов искусственного интеллекта для управления безопасностью сложных технических объектов.

1.3.5 Информационные системы в области промышленной безопасности.

Выводы по главе 1.1.

Глава 2. Разработка моделей и методов управления безопасностью химических производств в интеллектуальной системе поддержки принятия решений.

2.1 Классификация задач, моделей и методов для управления безопасностью химических производств в условиях неопределенности.

2.1.1 Классификация задач управления безопасностью химических производств.

2.1.2 Классификация моделей и методов для решения задач управления безопасностью химических производств.

2.1.3 Анализ неопределенностей химических производств как объектов управления безопасностью. Классификация неопределенностей различной природы.

2.2 Формулировки задач оперативного управления безопасностью химико-технологических процессов в условиях неопределенности.

2.2.1 Задача оптимального оперативного управления безопасностью химико-технологических процессов.

2.2.2 Разработка рекуррентных нейросетевых моделей для оперативного управления безопасностью химико-технологических процессов.

2.2.3 Разработка нейросетевых моделей на основе сетей адаптивного резонанса для идентификации предаварийных ситуаций.

2.3 Разработка функциональной структуры интеллектуальной системы поддержки принятия решений для управления безопасностью химических производств.

2.4 Разработка моделей и методов управления безопасностью химико-технологических систем в интеллектуальной системе поддержки принятия решений.

2.4.1 Разработка моделей и методов принятия решений по оперативному управлению безопасностью химико-технологических систем и производств.

2.4.2. Разработка методов и моделей принятия решений по оптимизации мероприятий, направленных на повышение безопасности химических производств на стадии реконструкции и модернизации.

2.5. Разработка системы поддержки принятия решений по управлению безопасностью на основе моделей искусственного интеллекта.

2.5.1 Разработка системь1 поддержки принятия решений по оперативному управлению безопасностью на основе продукционных моделей представления знаний. '

2.5.2 Разработка моделей представления знаний в виде фреймов при создании экспертных систем для управления безопасностью химических производств.

Выводы по главе 2.

Глава 3. Разработка алгоритмического и программного обеспечения интеллектуальной системы поддержки принятия решений по управлению безопасностью химических производств.

3.1 Разработка структуры комплекса программных средств интеллектуальной системы поддержки принятия решений.

3.1.1 Использование оболочки экспертной системы «ESWin» для разработки продукционных и фреймовых моделей представления знаний в экспертных системах.

3.1.2 Использование оболочки экспертной системы «Эксперт» для разработки продукционных моделей представления знаний в экспертных системах.

3.1.3 Использование пакета MATLAB Neural Network Toolbox для создания нейронных сетей Элмана.

3.1.4 Использование пакета Neural Network Wizard для создания сетей прямого распространения.

3.2 Разработка распределенной базы данных для анализа производственных опасностей, оценки риска и управления безопасностью химических производств.

Выводы по главе 3.

Глава 4. Практическое использование интеллектуальной системы поддержки принятия решений на примере установок каталитического крекинга и ЭЛОУ-АВТ-6 Московского нефтеперерабатывающего завода.

4.1 Анализ Московского нефтеперерабатывающего завода (МНПЗ) как источника риска.

4.1.1 Общая характеристика установки каталитического крекинга.

4.1.2 Общая характеристика установки ЭЛОУ - АВТ - 6.

4.2 Сравнение результатов нейросетевого моделирования, полученных с использованием MATLAB и Neural Network Wizard на примере управления реакторно-регенераторным блоком установки каталитического крекинга МНПЗ.

4.2.1 Пример обучения нейронных сетей для прогнозирования и управления технологическими процессами установки каталитического крекинга с использованием Neural Network Wizard.

4.2.2 Результаты нейросетевого моделирования, полученные с использованием пакета MATLAB.

4.3 Разработка продукционных правил в экспертных системах интеллектуальной системы поддержки принятия решений на примере установки каталитического крекинга.

4.4 Оценка эффективности мероприятий принятия решений по управлению безопасностью на стадии реконструкции установки (на примере вакуумного блока установки ЭЛОУ-АВТ-6).

Выводы по главе 4.

Основные результаты работы и выводы.

Крупнотоннажные непрерывно действующие химические и нефтеперерабатывающие производства являются высокорисковыми объектами, представляющими серьезную опасность для человека и окружающей среды, функционирующими в условиях неопределенности, связанной с отсутствием или неполнотой информации о процессах возникновения и развития аварии.

Существует несколько подходов к обеспечению безопасности химических производств. В работах отечественных и зарубежных ученых Горского В.Г. [1], Кузьмина И.И. [2,3,4], Порфирьева Б.Н. [5], Махутова H.A. [2,6], Маршалла В. [7], Хенли Э. [8] предложен подход к обеспечению безопасности химических производств с использованием методов анализа и оценки риска. Однако большинство разработанных моделей оценки риска и последствий аварий на опасных промышленных объектах имеют достаточно высокие погрешности, связанные с наличием в них значительного количества допущений и ограничений. А переход к более сложным феноменологическим моделям процессов развития химических аварий и негативных воздействий требует существенных временных затрат и наличия исходных данных, связанных с экспериментальными исследованиями, что является не приемлемым в системах оперативного управления безопасностью химических производств.

Наиболее прогрессивным является основанный на методах системного анализа информационно-управляющий подход к обеспечению безопасности химических производств, предложенный в трудах академика Кафарова В.В. [9,10,11] и развитый в работах его учеников Перова B.JI. [10,12], Дорохова И.Н. [13,14], Ме-шалкина В.П. [10,11,15], Палюха Б.В. [12,16], Егорова А.Ф. [17-29]. Этот подход заключается в анализе отказов, диагностике неисправностей и повышении эксплуатационной надежности оборудования и систем управления. Он направлен на создание автоматизированных систем управления технологическими процессами и автоматических систем противоаварийной защиты и блокировки, но не позволяет в полной мере описать и учесть неопределенности различной природы при создании систем управления безопасностью химических производств.

Для решения задач анализа производственных опасностей, идентификации предаварийных ситуаций и управления безопасностью химических производств перспективно использование методов искусственного интеллекта (нейронных сетей, логических рассуждений), которые позволяют за счет заложенных в них алгоритмов обучения и адаптации уменьшить погрешности существующих моделей, связанные с отсутствием или неполнотой информации, и применимы для управления безопасностью в режиме реального времени. В этой связи для учета неопределенностей различной природы решение проблемы обеспечения безопасности химических производств предложено осуществлять на качественно новом уровне с использованием новых информационных технологий на основе создания интеллектуальных систем поддержки принятия решений (СППР) по управлению безопасностью химико-технологических процессов и систем на всех стадиях возникновения и развития аварий. Данные системы позволяют формировать рекомендации для различных лиц, принимающих решения по управлению безопасностью химических производств, как на основе данных оперативных наблюдений, так и с использованием методов и моделей на основе искусственного интеллекта, заложенных в экспертные системы СППР, включающие в себя знания специалистов и опыт эксплуатации химически опасных объектов.

Цель работы и задачи исследований. Целью данной работы является разработка функциональной структуры, моделей, методов и алгоритмов интеллектуальной системы поддержки принятия решений по управлению безопасностью химических производств.

Для реализации поставленной цели в работе сформулированы и решены следующие задачи:

- оптимального оперативного управления безопасностью химико-технологических систем (ХТС) в условиях неопределенности;

- оперативного управления безопасностью химико-технологических процессов и систем с целью предотвращения возникновения технологических нарушений, отказов и идентификации предаварийных ситуаций с использованием нейросе-тевых моделей;

- многокритериального принятия решений по оперативному и долгосрочному управлению безопасностью ХТС и химических производств (ХП) на стадиях функционирования, реконструкции, модернизации с использованием системы поддержки принятия решений;

- разработки продукционных моделей представления знаний в системе поддержки принятия решений по оперативному управлению безопасностью химико-технологических процессов (ХТП) и фреймовых моделей для создания экспертных систем для управления безопасностью ХП на всех стадиях возникновения и развития аварии;

- разработки баз данных, баз знаний и комплексов программных средств интеллектуальной системы поддержки принятия решений.

Диссертация проводилась в рамках научно-исследовательской работы (НИР) по фундаментальным исследованиям, выполняемой научно-педагогическим коллективом кафедры компьютерно-интегрированных систем в химической технологии по теме "Развитие теоретических основ и методов системного анализа для управления безопасностью химических производств на основе новых информационных технологий" (2003-2005 г.).

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав и выводов, изложенных на 194 страницах, содержит 40 рисунков, 15 таблиц и список литературы из 203 наименований.

Основные результаты работы и выводы.

1. Проведен анализ химических производств как объектов управления безопасностью, в результате которого выявлены общие закономерности и специфические особенности анализа и оценки риска крупнотоннажных непрерывно действующих химических производств в режимах нормального функционирования и в случае аварий и предложен принципиально новый подход к управлению безопасностью ХТП, ХТС и химических производств, сочетающий принципы анализа и оценки риска и методы искусственного интеллекта.

2. Сформулирована задача оптимального оперативного управления безопасностью ХТП. Разработаны рекуррентные нейросетевые модели для оперативного управления безопасностью ХТП и нейросетевые модели адаптивного резонанса для идентификации предаварийных ситуаций.

3. Предложена функциональная структура интеллектуальной СППР по оперативному и долгосрочному управлению безопасностью химических производств.

4. Разработаны модели и методы принятия решений по оперативному управлению безопасностью ХТС и ХП и по повышению эффективности мероприятий, направленных на обеспечение безопасности химических производств на стадии реконструкции и модернизации.

5. Разработаны экспертные системы интеллектуальной СППР по управлению безопасностью ХТС и ХП на основе продукционных и фреймовых моделей представления знаний.

6. Разработана структура комплекса программных средств интеллектуальной СППР по управлению безопасностью химических производств с использованием программных средств на основе методов искусственного интеллекта.

7. Предложенные в работе модели, методы, алгоритмы и комплексы программных средств интеллектуальной СППР безопасностью химических производств использованы для решения задач анализа, оценки риска и управления промышленной безопасностью установок каталитического крекинга и ЭЛОУ-АВТ-6 Московского нефтеперерабатывающего завода.

1. Горский В.Г., Курочкин В.К., Моткин Г.А., Петрунин В.А., Терещенко Г.Ф., Шаталов A.A., Швецова-Шиловская Т.Н. "Научно-методические аспекты анализа аварийного риска" / М.: Экология и информатика, 2002-260с.

2. Кузьмин И.И., Махутов H.A., Хетагуров C.B. Безопасность и риск: эколого-экономические аспекты. Изд-во Санкт-Петербургского университета экономики и финансов. 1997 164 с.

3. Кузьмин И.И. Безопасность и техногенный риск: системно-динамический подход. //Журн. Всесоюзн. хим. общества им. Д.И. Менделеева, 1990, т.35, вып.4, с. 415-420.

4. Гидаспов Б.В., Кузьмин И.И., Ласкин Б.М. Безопасность и устойчивое развитие цивилизации // ЖВХО — 1990,т.35, вып. 4 с. 409-414.

5. Порфирьев Б.Н. Управление в чрезвычайных ситуациях: проблемы теории и практики. ИНТ. Сер. Проблемы безопасности при чрезвычайных ситуациях. ВИНИТИ, 1991, т.1.-204с.

6. Махутов H.A., Костин A.A., Костин А.И. "Нормирование степени риска поражения людей при авариях на ХОО" // Проблемы безопасности при чрезвычайных ситуациях. Вып.2,1998 г., 85-92с.

7. Маршалл В. Основные опасности химических производств: Пер. с англ. -М.: Мир, 1989.-672 с.

8. Хенли Э. Д., Кумамото X. Надежность технических систем и оценка риска /Пер. с англ.-М.: Машиностроение, 1984, 528 с.

9. Кафаров В.В. Методы кибернетики в химии и химической технологии. М.: Химия, 1985.468с.

10. Кафаров В.В., Перов В.Л., Мешалкин В.П. Принципы математического моделирования химико-технологических систем (Введение в системотехнику химических производств). М.: Химия, 1974. 344 с.

11. Кафаров В.В., Мешалкин В.П., Грун Г., Нойман В. Обеспечение и методы оптимизации надежности химических и нефтеперерабатывающих производств. -М.: Химия, 1987. 272 с. .

12. Палюх Б.В., Притыка Г.М., Перов В.Л., Эделынтейн Ю.Д., Кришнев В.Л. Надежность систем управления химическими производствами.- М.: Химия, 1987.178 с.

13. Дорохов И.Н., Кафаров Вяч.В., Системный анализ процессов химической технологии: Экспертные системы для совершенствования промышленных процессов гетерогенного катализа /. М.: Наука. 1989.- 376с.

14. Дорохов И.Н., Меньшиков В.В. системный анализ процессов химической телеологии. М.: Наука, 1976. - Интеллектуальные системы и инженерное творчество в задачах интенсификации химико-технологических процессов и производств/ - 2005 г. - 584 с.

15. Мешалкин В.П. Эксперные системы в химической технологии. Основы теории, опыт разработки и применения- М.: Химия, 1995.-368с.

16. Палюх Б.В. Основы построения и разработки автоматизированной системы управления эксплуатационной надежностью химических производств.// дисс.д.т.н., Москва, 1991 г.-ЗЗб с.

17. Егоров А.Ф., Савицкая Т.В., Управление безопасностью химических производств на основе новых информационных технологий. М.: Химия, КолосС,2004. 416с.: ил. - (Учебники и учебные пособия для студентов высш. учеб. заведений)

18. Егоров А.Ф., Савицкая Т.В., Макарова A.C. Разработка моделей оценки риска для предприятий химической промышленности//Химическая промышленность, 1998, №7, с. 55-63.

19. Макарова A.C., Кузнецов Д.О., Егоров А.Ф., Макаров C.B. Идентификация, оценка и управление рисками при обращении с потенциально опасными веществами и материалами.// Экологическая экспертиза. Обзорная информация ВИНИТИ, выпуск 3, М., 2001 г., 106 с.

20. Егоров А.Ф., Савицкая Т.В., Богатиков В.Н. "Интегрированные автоматизи

21. Егоров А.Ф., Савицкая Т.В., Вент Д.П., Эделыптейн Ю.Д., Дмитриева О.В. Разработка интегрированной автоматизированной системы контроля и управления качеством атмосферного воздуха//Химическая промышленность, N6, 1999 г., с.53-64.

22. Егоров А.Ф., Савицкая Т.В. Системный анализ, оценка риска и управление безопасностью производств химической и смежных отраслей промышленно-сти//Химическая технология, 2002, N10, с.14-22.

23. Егоров А.Ф., Савицкая Т.В., Михайлова П.Г. Модели и методы решения задач оперативного управления безопасностью непрерывных химико-технологических систем 4.1. Управление в условиях неопределенности //ф Проблемы управления, 2005, №6, с.50-56.

24. Егоров А.Ф., Савицкая Т.В., Дмитриева О.В. Математические методы в технике и технологиях ММТТ-2000. Сб. трудов Международ, науч. конф. В 7-и т. т.1. Секции 1,4 / Санкт-Петербургский гос. технол. ин-т (техн. ун-т). Санкт-Петербург, 2000. 205 с.

25. Балакирева.- Кострома: Изд-во Костромского гос. Тех. Ун-та, 2004.-183 е., с.78-82

26. Егоров А.Ф., Савицкая Т.В., Богатиков В.Н. Система управления безопасностью химических производств.//Проблемы охраны окружающей среды и природных ресурсов, №12, ВИНИТИ, 2000. с. 96 - 110.

27. Савицкая Т.В. Системный анализ и управление безопасностью химических производств с использованием новых информационных технологий. М., РХТУ, 2004 г., дисс. д.т.н.-784с.

28. Федеральный закон о промышленной безопасности опасных производственных объектов. N 116-ФЗ. 21.07.1997

29. Безопасность жизнедеятельности: Учебник для вузов / Под общей редакцией С.В. Белова. Изд. 3-е, испр. и дополн. М.: Высшая школа, 2001.- 672 с.

30. РД 08 120 - 96. Методические указания по проведению анализа риска опасных промышленных объектов // НТЦ "Промышленная безопасность"; М., 1996,27 с.

31. Владимиров В.А., Измалков В.И. Катастрофы и экология, М., Центр стратегических исследований МЧС, ООО "Контакт-культура", 2000, -380с.

32. ГОСТ Р 22.0.05-94. Безопасность в чрезвычайных ситуациях. Техногенные чрезвычайные ситуации. Термины и определения.// http://www.stroybirja.ru.

33. Безопасность России. Правовые, социально-экономические и научно-технические аспекты. Словарь терминов и определений. Изд. 2-е, доп. М.: МГФ "Знание", 1999. 368 с.

34. Федеральный закон РФ "Об охране окружающей среды", 10 января 2002г.

35. Снакин В.В. Экология и охрана природы. Словарь-справочник. Под редакцией академика А.Л.Яншина-M.:Academia, 2000.384 с.

36. Реймерс Н.Ф. Природопользование: словарь справочник. М.: Мысль. 1990 -639 с.

37. Муравых А.И. Системный подход к проблеме экологической безопасности, //в списке статей "Социально-экологический риск: концепция, методология анализа, практика управления". М.: Экономика и информатика -1998 с. 34-57.

38. Безопасность России. Правовые, социально-экономические и научно-технические аспекты. Безопасность промышленного комплекса., 2002. 455с.

39. Постановление Правительства Российской Федерации от 13.09.96 № 1094 «О классификации чрезвычайных ситуаций природного и техногенного характера» // Собрание законодательства Российской федерации. 1996. №39. Ст.4563

40. Сергеев Г.С. Управление риском: роль социальных факторов в возникновении крупных промышленных аварий (на основе материалов о чернобыльский, бхопальской и др. крупных аварий) //Пробл.безоп. при чрезвыч.сит., М.: ВИНИТИ -1993, вып.Ю, с. 39-48.

41. Kuzmin I. Dangerons and Saferty: Modells // Hypothetical Scenario Essays for the Greenhouse-Glasnost Program Ed. W, Roberts. Colorado: University Corporation for Atmospheric Research. 1989. P. 45-50.

42. Лобанов Ф.И., Шаннро М.М. Экологический риск в промышленности. Оценка и управление// ЖВХО 1990, т.35, вып.1 - с. 125-128.

43. Радиационная безопасность. Рекомендации МКРЗ 1990 г. Публикация 60 МКРЗ. Ч. 2/ Пер. с англ. М:. Энергоатомиздат, 1994. - 208 с.

44. Измалков А.В., Бодриков О.В. Методологические основы управления риском и безопасностью населения и территорий // Проблемы безопасности при чрезвычайных ситуациях. Обз. инф. ВИНИТИ, Вып.1, 1997 г., 48-63с.

45. Концепция управления безопасностью. Отчёт по проекту 7.1. ГНТП России "Безопасность". Москва ГКЧС РФ, 1992 г.

46. Потехин Г.С., Прохоров Н.С., Терещенко Г.Ф. Управление риском в химической промышленности 1990 т.35, вып.4- с. 421-425.

47. РД 03-418-01. Методические указания по проведению анализа риска опасных производственных объектов. Серия 03. Выпуск 10/ Колл. Авт.: Государственное унитарное предприятие "НТЦ по безопасности в промышленности Гос-гортехнадзора России", 2001. 60 с.

48. Cost-Benefit Analysis in Optimization of Radiation Protection/ ICRP Publication 37/International Commission on Radiological Protection //Pergamon Press, Oxford, 1984.

49. Алымов B.T., Крапчатов В.П., Тарасова Н.П. Анализ техногенного риска: Учебное пособие для студентов вузов. М.¡Круглый год, 2000,160 с.

50. ГОСТ Р12.3.047-98 Пожарная безопасность технологических процессов. Общие требования. Методы контроля.

51. Общие правила взрывобезопасности для взрывопожароопасных химических, нефтехимических и нефтеперерабатывающих производств (ПБ 09-170-97)// В сборнике ГУП "НТЦ "Промышленная безопасность". Серия 09. Выпуск 1.

52. Гражданкин А.И., Федоров А.А. К вопросу об оценке риска при декларировании промышленной безопасности опасных производственных объек-тов//Безопасность жизнедеятельности. 2001. - N4. - С.2-6.

53. Гражданкин А.И., Лисанов М.В., Печеркин А.С. Использование вероятностных оценок при анализе безопасности опасных производственных объек-тов//Безопасность труда в промышленности. 2001. - №5. - С.33-36.

54. Алымов В.Т., Тарасова Н.П. Техногенный риск: анализ и оценка: Учебное пособие для студентов вузов. М.: ИКЦ «Академкнига», 2004,118 с.

55. Устойчивое развитие: ресурсы России. Под общей редакцией академика РАН Н.П. Лаверова. М.: Издательский центр РХТУ им. Д.И. Менделеева, 2004, 212 с.

56. Теория управления. Терминология. Вып. 107. М.: Наука, 1988. с.56.

57. Бурдаков Н.И., Кульба В.В., Назаретов В.М. Концепция стратегического управления техногенным и природным риском в регионе. М. ВИНИТИ "Проблемы безопасности при чрезвычайных ситуациях". 1992. Вып.2. С. 1-18.

58. Смирнов В.Н. Принципы автоматизированного управления природо-промышленными комплексами "химическое производство-окружающая среда", М., РХТУ, 1998 г., дисс.д.т.н.-377с.

59. Белов П.Г., Системный анализ и моделирование опасных процессов в техносфере: Учеб. пособие для студ. высш. учеб. заведений / Петр Григорьевич Белов. М.: Издательский центр «Академия», 2003. - 512 с.

60. Федеральный закон о лицензировании отдельных видов деятельности. N 128-ФЗ. 08.08.2001

61. РД 03 315 - 99. Положение о порядке оформления декларации промышленной безопасности и перечне сведений содержащихся в ней. Серия 03. Выпуск 43/Колл. Авт.-М.: ГУП "НТЦ по безопасности в промышленности Госгортехнадзора России,-1999-13с.

62. Страхование ответственности за причинение вреда при эксплуатации опасных производственных объектов: Сб. документов. СПб.: ДЕАН, 2000. - 320 с.

63. Мастрюков Б.С., Безопасность в чрезвычайных ситуациях: Учеб. пособие для студ. высш. учеб. заведений / М.: Издательский центр «Академия», 2003. -336 с.

64. Трахтенгерц ЭЛ.Субъективность в компьютерной поддержке управленческих решений. Серия " Системы и проблемы управления". М.:СИНТЕГ, 2001 -256 с.

65. Ларичев О.И. Наука и искусство принятия решений,- М:Наука, 1979 -200с.

66. Панченко И.В. Методы принятия решений. Киев, 1986 г.

67. Т.Саати. Приятие решений. Метод анализа иерархий. Москва. 1993.-320с.

68. Ларичев О.И. Теория и методы принятия решений, а также хроника событий в Волшебных странах: Учебник,- М.: 2002.-296 с.

69. Разработка САПР, под под. ред. Петрова A.B., кн.2. Системо-технические задачи создания САПР, М.,"Высшая школа", 1990 144 с.

70. Андрейчиков A.B., Андрейчикова О.Н. Компьютерная поддержка изобретательства (методы, системы, примеры применения) М.: Машиностроение, 1998 -476 с.

71. Обработка нечеткой информации в системах принятия решений./ А.Н.Борисов, А.В.Алексеев, Г.В.Меркурьева и др. -М.:Радио и связь, 1989, -304с,

72. Белкин А.Р., Левин М.И. Принятие решений: комбинаторные модели аппроксимации информации. М: Наука. Гл.ред. физ-мат. Лит. -1990 г.-Теория и методы системного анализа.-160с.

73. Вилкас Э.Й., Майминас Е.З. Решения: теория, информация, моделирование. -М.;Радио и связь, 1982. -328с.

74. Черноморов Г.А. Теория принятия решений/ Изд.2-е перераб.и доп., учебное пособия. Юж.-Рос. Гос.техн.ун-т, Новочеркасск, ред. Журн. "Изв. Вузов. Электромеханика, 2002,310с.

75. Некоторые проблемы искусственного интеллекта // Сборник трудов ВНИИ-СИ № 10,1990 с. 1-9.

76. De Groot М.Н. Optimal statistical decisions Mc Craw Hill. Chapter 6,1970,

77. Моисеев H.H. Предисловие к книге Орловского С.А. Проблемы принятия решений при нечеткой исходной информации. М. Наука. 1981.

78. Кононов A.A., Косяченко С.А., Кульба В.В. Модели и методы анализа сценариев развития социально-экономических систем в АСУ // АиТ № 9,1999.

79. Трахтенгерц Э.А. Неопределенность в математических моделях компьютерной оценки решений. М; ИПУ. 1998.

80. Левин В.И. Интервальная математика и изучение неопределенных систем. Информационные технологии. № 6,1998, с.27-33.

81. Gottinger H.W. Intelligent decision support systems. № 8, 1992, p.317-332.

82. Ларичев О.И. Объективные модели и субъективные решения. М.: Наука. -1987- 137 с.

83. Лотов А.В., Бушенков В.Г., Каменев Г.К. Черных О.Л. Компьютер и поиск компромисса. М. Наука 1997.л 91. Острейковский В.А. Информатика: Учеб. для вузов.- М: Высш. Шк., 2000.• 511с.

84. Проталинский О.М., Применение методов искусственного интеллекта при автоматизации техногенных процессов: Моногр. / Астрахан. гос. техн. ун-т. Астрахань: Изд-во АГТУ, 2004. - 184 с.

85. Интеллектуальные системы управления с использованием нейронных сетей: Учеб. пособие / Уфим. гос. авиац. техн. ун-т, Васильев В.Н., Ильясов Б.Г., Васильев С.К. и др. Уфа, 1997 - 91 с.

86. Уоссермен Ф. Нейрокомпьютерная техника, М.,Мир, 1992. 237с.

87. Введение в искусственные нейронные сети./Анил К.Джейн, Жианчанг Мао, К.М.Моиуддин //Открытые системы,N4,1997,с.З-24.

88. Ежов А.А., Шумский С.А. Нейрокомпьютинг и его применение в экономике и бизнесе М.МИФИ, 1998-224с.

89. Головко В.А. Нейронные сети: обучение, организация и применение. / Научщ ная серия "Нейрокомпьютеры и их применение", Кн.4: Учеб. Пособие для вузов/общая ред. А.И.Галушкина. М.: ИПРЖР, 2001.-256 с.

90. Minsky М., Papert S.Perceptrons: An introduction to Computational Geometry. The MIT Press, 1969

91. Jordan M., Attractor dynamics and parallelism in a connectionist sequential machine// Proceedings of the Eighth Annual Conference of the cognitive Science Society. Hillsdale:Erbaum, 1986, pp.531-546.

92. Elman J., Finding structure in time// Cognitive Science, 1990, V14, pp.179-211.

93. Hinton, G., McClelland J., Learning Representation by Recirculation // Proceedings of IEEE Conference on Neural Information Processing Systems, 1989.

94. Kroese,B., An introduction to Neural Networks.- Amsterdam: University of Amsterdam, 1996.

95. French S., Smith J.Q. Bayesain analysis. В кн.ТЪе practice of Bayesian analy-sis.S.French, J.Q.Smith ed.London, Arnold, 1997.

96. Kohonen T. Self-organised formation of topologically correct feature maps//Biological Cybernetics, 1982,N43,pp.2554-2558

97. Kohonen T. Self-organization and Associattive Memory. Berlin: Springer Verlag, 1984.

98. Kohonen Т., Self-Organization Maps. Heidelberg: Springer Verlag, 1995.

99. Grossberg S. Adaptive pattern classification and universal recoding // Biological Cybernetics, 1976, no 23, pp.121-134.

100. Hetch Nielsen R., Counterpropagation Networks// Proceedings og the IEEE First International Conference on Neural Networks - IEEE Press, 1987, pp. 19-32.

101. Moody J., Darken C. Fast Leaning in networks locally-tuned processing // Neural Computation, 1989, no 1, pp.281-294.

102. Батыршин, И. 3. Представление и обработка нечеткой информации в интеллектуальных системах: автореферат диссертации на соискание ученой степени д-ра физ.-мат.наук:05.13.17 / И.З. Батыршин. Переславль-Залесский, 1996. - 38 с.

103. Уотермен Д. Руководство по экспертным системам. -М.: Мир, 1989.-388 с.

104. Попов Э.В. Экспертные системы: Решение неформализованных задач в диалоге с ЭВМ. М.: Наука, 1987. - 283 с.

105. Воройский, Ф.С. Информатика. Новый систематизированный толковый словарь-справочник (Вводный курс по информатике и вычислительной технике в терминах). 2-е изд., перераб. и доп. / Ф.С. Воройский. -М.: Либерия, 2001. 536 с.

106. Жернаков С. В.,, Нейросетевая база знаний прецедентов активной экспертной системы для комплексного контроля и диагностики параметров аваиационно-го двигателя. Информационные технологии. № 5,2002, с. 45-49

107. Гражданкин А.И. Разработка системы оценки техногенного риска и оптимизации мер безопасности на опасных производственных объектах// Дис. К.т.н., Москва, 2001 -208 с.

108. Sebastian H.-J., Intelligent support systems, Proceedings of EUFIT'93 (Sept.7-10, 1993, Aachen,Germany) 299-307

109. Сорокин C.B., Язенин A.B. Система поддержки принятия решений на базе моделей и методов возможностной оптимизации // Программные продукты и системы №2 2001 г. с.9-13.

110. Smith G.R., F. Speiser. Logical Decision: Multi-Measure Decision Analysis Software. Golden. CO: PDQ Printing, 1991.

111. Pitz G.F. DECAID Computer Program. Carbonadale. IL. Univ. Of Southern Illinois, 1987.

112. Baña e Costa C.A., Vansnick J.C. MACHBET-An interactive path towards the construction of cardinal value functions // International Transactions in Oper. Res.: V.l. №4.

113. Olson D.L., Fliendner G., Currie K. Comparison of the REMBRANDT system with analytic hierarchy process // European J. Oper. Res. 1995. V.32

114. Vallee D., Zielniewicz P. ELECTRE 3-4, version 3x. Guide d'Utilisation. Document LAMSADE N 85. Paris: Universite de Paris Dauphine, 1994.

115. Фирма InfoHarvest Inc электронный ресурс. Режим доступа: http://www.infoharvest.com - Загл. с экрана.

116. Фирма Expert Choice Inc. Pittsburgh электронный ресурс. Режим доступа: http://www.expertchoice.com - Загл. с экрана.

117. Акимов В.А., Воронин В.А., Нехорошее С.Н. Система развития АИУС РСЧС. 1998.-Вып.1.-с.51-56.

118. Каталог основных понятий Российской системы предупреждения и действий в чрезвычайных ситуациях. М.: ВНИИ ГО ЧС, 1993.

119. Агапов, А. А. Использование современных информационных технологий для повышения эффективности регулирования промышленной безопасности: автореферат диссертации на соискание ученой степени канд. техн. наук: 05.26.04 / A.A. Агапов.-М., 1999.-24 с.

120. Фирма DNV электронный ресурс. Режим доступа: http//www.dnv.com/software - Загл. с экрана.

121. Дрейзин В. Э. Типизация задач и методы анализа поддержки принятия решений в геоинформационных автоматизированных систем управления. Информационные технологии. № 3,2003, с. 2-9

122. Агентство по мониторингу и прогнозированию ЧС электронный ресурс. Режим доступа: http://www.ampe.ru/ Загл. с экрана.

123. Информационный портал Scada.ru электронный ресурс. Новости и публикации по системам сбора данных и оперативного диспетчерского управления. Режим доступа: http://www. Scada.ru/ Загл. с экрана.

124. Мосягин, А. Б. Координация информационных потоков в интегрированных автоматизированных системах безопасности объектов: автореферат диссертации на соискание ученой степени канд. техн. наук: 05.13.06 / А.Б. Мосягин. М., 1999. -24 с.

125. Ашеулов О.Н. Разработка автоматизированной информационно-измерительной системы контроля и учета энергетических и материальных потоков в среде TRACE MODE на базе контроллера TREI. Приборы и системы. Управление. Контроль. Диагностика. № 2, 2003, с.3-10.

126. Фирма АдАстра электронный ресурс. Москва. - 2006. - Режим доступа: http://www.adastra.ru - Загл. с экрана.

127. PC Noon (Neural Software) электронный ресурс. Информационный портал, посвященный использованию персонального компьютера Москва. - 2004. - Режим доступа: - http://www.orc.ru/~stasson- Загл. с экрана.

128. Лаборатория BaseGroup электронный ресурс. Информационный портал, посвященный технологиям анализа данных Рязань. - 2000. - Режим доступа: http//www.basegroup.ru - Загл. с экрана.

129. Фирма «Торинс» электронный ресурс. Красноярск. - 2004. - Режим доступа: http://www.torins.ru - Загл. с экрана.

130. Нейман Дж., Моргенштерн О. Теория игр и экономическое поведение. -М.: Наука,1970.-707 с.

131. Кини Р.Л., Райфа X. Принятие решений при многих критериях: Предпочтения и замещения. -М.: Радио и связь, 1981. -560с.

132. Фишберн П.К. Теория полезности для принятия решений.-М.:Наука,1978. -352с.

133. Ларичев О.И. Анализ процессов принятия человеком решений при альтернативах, имеющих оценки по многим критериям: Обзор // Автоматика и телемеханика.-1981.-№8. -С.131-141.

134. Трахтенгерц Э.А. Компьютерная поддержка принятия решений. Научно-практической издание. Серия "Информатизация России на пороге ХХ1в."-М.,СИНТЕГ, 1998-376 с.

135. Ларичев О.И., Мошкович Е.М. Качественные методы принятия решений: Вербальный анализ решений.М:Наука:Физматлит,1996 г-208 с.

136. Абовский Н.П. Творчество. Системный подход. Законы развития принятия решений.- М.; СИНТЕГ, 1998,294 с.

137. Белкин А.Р. Желательные свойства оптимальных линейных упорядочений //Изв.АН СССР .Техническая кибернетика -1987-N2-C-3-21.

138. Белкин А.Р., Левин М.Ш. Комбинаторно-графовые модели обработки информации при принятии решений. -Препринт/ НСК АН СССР. -М.,1985. -52с.

139. Белкин А.Р. Комбинаторные модели структурной аппроксимации.// Проблемы бионики. -Харьков. -1987. -Вып.38. -с 92 -99.

140. Руа Б. Классификации выбор при наличии нескольких критериев (метод Электра) //Вопросы анализа и процедура принятия решений.-М.:Мир,1976. -с 80107.

141. Модели принятия решений на основе лингвистической переменной /А.Н. Борисов, А.В. Алексеев й др. -Рига:3инатне, 1982. -256с.

142. Батыршин И.З. Модели размытых предпочтений в задачах выбора./АГруды МЭИ. -М.:1981. -вып.535. -с57 -62.

143. Нечеткие множества в моделях управления и искусственного интеллек-та./Под ред. Д.А.Поспелова. -М. Наука,1986. -312с.

144. Модели и методы векторной оптимизации/С.В.Емельянов, В.И.Борисов и др/Гехническая кибернетика: 1971. -М.:ВИНИТИ,1973. -Т5. -с386-448.

145. Подиновский В.В.,Гаврилов В.М. Оптимизация по последовательно применяемым критериям. -М.:Сов.радио, 1975—192с.

146. French S. The rôle of sensitizing analysis in décision analysis. In Executive Information Systems and Décision Making. Chapman Hall, London, 1991.

147. Walson S.R., Buede D. Décision Synthesis: the Principles and Practice of Décision Analysis Cambridge University Press, Cambridge, 1987.

148. Тэнк Д., Хопфилд Д. Коллективные вычисления в нейроподобных электронных схемах// В мире науки, 1988, N2, с.45-53.

149. Chen S.J., Hwang C.L. Fuzzy multiple attribute decision making. Springer Verlag. Berlin. 1992.

150. Borzenko V.l. Approximational approach multicriteria problems// Lectures Notes in Economics and Mathematical Systems. Springes Verlag, 1989, v.337.

151. Бурков В.H., Новиков В.А. Введение в теорию активных систем.М., ИПУ. 1996.

152. Белкин А.Р., Гвоздик A.A. Потоковая модель упорядочения объектов.// Вопросы кибернетики.-М.: ИСКАН СССР, 1989. -вып.151-стр.109-117.

153. Зинченко A.M. Система для извлечения логических зависимостей.// Прикладные системы искусственного интеллекта . под ред.Поспелова Д.А. ", Кише-нев: Штиинца, 1991, вып 123,135с.

154. Емельянов C.B., Ларичев О.И. Многокритериальные методы принятия реше-ния.-М.:Знание, 1985. -32с.

155. Поспелов Г.С. Искусственный интеллект основа новой информационной технологии. Сер. Академические чтения. М.: Наука, 1988.200 с.

156. Представление знаний в человеко-машинных системах. Том А. Фундаментальные исследования в области представления знаний. М.: ВЦ АН СССР. ВИНИТИ. 1984.

157. Абовский Н. Р., Максимова О. М. Системный подход к нейросетевому моделированию //Нейрокомпьютер: разработка, применение 2001.- №9, с.9-12

158. Теория выбора и принятие решений /И.М.Макарова, Т.М.Виноградская, В.Б.Соколов. -М.: Наука, 1982-327с.

159. Микони C.B. Методы и алгоритмы принятия решений., Учебное пособие. СП, 1995г.-55с.

160. Прангишвили И.В. Принятие решения при управлении сложными объектами: системы, методы, алгоритмы. Сборник трудов. М.: Институт проблем управления, №4,1997 г. -124 с.

161. Третьяк В.И. Методы принятия управленческих решений. Киев,УкрНИИНТИ, 1978 г, 32 с.

162. Чумаченко Н.Г., Заботина Р.И. Теория управленческих решений. Учебное пособие для вузов-Киев : Вища школа, 1981 г.-247с.

163. Аунапу Ф.Ф. Научные методы принятия решений в управлении производством. М.: Экономика, 1974 г.

164. Микони C.B. Методы и алгоритмы принятия решений. Учебное пособие. Санкт-Петербург. Часть 2.1996 г. 53 с.

165. Информационный портал 01ap.ru электронный ресурс. OLAP-технологии, системы поддержки принятия решений, добыча данных, хранилища данных. Режим доступа: http:// www.olap.ru Загл. с экрана.

166. Смидович Е.В. Технология переработки нефти и газа, ч.2-я. Крекинг нефтяного сырья и переработка углеводородных газов, 3-е изд., пер. и доп.- М.: Химия, 1980-328с.

167. Ойхман Е.Г., Попов E.B. Реинжиниринг бизнеса. М., Финансы и статистика. 1997.

168. РД03-496-02. Методические рекомендации по оценке ущерба от аварий на опасных производственных объектах. Серия 03.Выпуск 19/Колл. Авт.-М.: ГУП "НТЦ по безопасности в промышленности Госшртехнадзора России, -2002 40с.

169. Методика оценки последствий аварийных взрывов топливо-воздушных смесей. -НТЦ «Промышленная безопасность». 1996 г. 22 с.

170. РД 52.04.253 90 Методика прогнозирования масштабов заражения сильнодействующими ядовитыми веществами при авариях (разрушениях) на химически опасных объектах и транспорте / Госгидромет СССР, 1991 г., - с. 23.

171. Методика оценки последствий аварий на пожаро-, взрывоопасных объектах, министерство РФ по делам ГО, ЧС и ликвидации последствий стихийных бедствий, М.: 1994.-43 с.

172. Методики оценки последствий аварий на опасных производственных объектах. Сборник документов. Серия 27. Выпуск 2/ колл. авт.- 2-е изд.,испр. и доп. -М.: "НТЦ по безопасности в промышленности Госгортехнадзора России", 2002208 с.

173. НПБ 107-97. Определение категорий наружных установок по пожарной безопасности// ГУГПС, ВНИИПО, 1997г.

174. Медведев B.C., Потемкин В.Г. Нейронные сети MATLAB 6 / Под общ.ред.В.Г.Потемкина. М.: Диалог-МИФИ, 2002. - 489 с.

175. Маклаков C.B. BPwin и ERwin.CASE-средства разработки информационных систем. М.: Диалог-МИФИ, 1999. 256 стр.

176. Власов А.И., Лыткин С.Л., Яковлев В.Л. Краткое практическое руководство разработчика информационных систем на базе СУБД Oracle: Библиотечка журнала "Информационные технологии" М.: изд-во Машиностроение, 2000. - 120 с.

177. Трофимов С.А. CASE-технологии: практическая работа в Rational Rose. ЗАО "Издательство БИНОМ", 2001 г. 272 с.

178. Технологический регламент установки ЭЛОУ АВТ - 6 цеха №1.

179. Документация по безопасности ведения процесса цеха №1.

180. Фирма Breeze Trinity Consultants электронный ресурс. Режим доступа: http:// www.breeze-software.com - Загл. с экрана.

181. Абросимов A.A. Экологические аспекты производства и применения нефтепродуктов. М.: Барс., 1999. -732 с.

182. Методика оценки последствий химических аварий. (Методика ТОКСИ). / М.: НТЦ "Промышленная безопасность", 1996,27 с.