Снижение потерь при простое энергоблоков АЭС за счет применения Data mining и предиктивной аналитики при прогнозировании аварийных ситуаций в работе энергоблока

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Институт экономики, математики и информационных технологий, факультет информационных технологий и анализа данных, отделение Бизнес-информатики, Российская академия народного хозяйства и государственной службы

Снижение потерь при простое энергоблоков АЭС за счет применения Data mining и предиктивной аналитики при прогнозировании аварийных ситуаций в работе энергоблока

Сидоренко А.А., Уманский Ю.Н.

Аннотация

Ключевые слова: интеллектуальный анализ данных, предиктивная аналитика, неструктурированные данные, прогнозирование аварийных событий на производстве.

Key words: Data mining, predictive analytics, unstructured data, forecasting of emergency events in production.

На сегодняшний день АО «Концерн Росэнергоатом» - единственная компания, эксплуатирующая все российские атомные электростанции. Данная деятельность сопряжена с огромной ответственностью перед обществом и государством. Основными приоритетами компании являются: энергетическая безопасность, защищенность и безопасность граждан и окружающей среды, а также экономическое развитие России. Для снижения потерь при простое энергоблока АЭС, связанного с аварийной остановкой и выводом в ремонт, необходим постоянный учет и анализ опыта эксплуатации станций, расследование причин аномальных и аварийных событий в работе. Разработка и реализация превентивных, корректирующих и компенсирующих мероприятий на основании анализа внутреннего и внешнего опыта эксплуатации, а также контроль выполнения и оценка результативности разработанных превентивных, корректирующих и компенсирующих мероприятий.

Однако данный процесс осложняется тем, что порядка 70% всех данных, связанных с работой АЭС - это неструктурированные данные, т.е. не имеющие заранее определенную структуру, либо не организованные в установленном порядке. Часто подобные данные представлены в формате электронного документа, содержащего даты, различные факты и показатели. В таких ситуациях применение традиционных программ, предназначенных для работы со структурированными данными (хранящимися в базах или аннотированными) не подходит. В целом затрудняется анализ информации, увеличивается время подготовки экспертных заключений и время принятия управленческих решений, усложняется процесс планирования превентивных мероприятий и в целом увеличиваются трудозатраты по процессу.

Сам по себе вопрос анализа неструктурированных данных не является новым. Однако в эпоху «Big Data» данная тема все чаще поднимается в производственных компаниях, имеющих огромный массив данных с информацией по накопленному опыту. Темпы роста хранимой информации и разнообразие обрабатываемой информации продолжают значительно расти, усложняя процесс управления данными.

Структурированные данные в отличие от неструктурированных представляют собой совокупность предсказуемых, повторяющихся и упорядоченных единиц информации. Такие данные можно разложить в строки и столбцы, размечать и проводить по ним анализ, но таких данных в компании всего порядка 30-35%. Неструктурированные данные в свою очередь нельзя разложить в виде классической базы данных структурированного типа. Как правило они хранятся в виде электронных писем, отчетов, актов и протоколов расследований аварийных ситуаций на производстве, предписаний уполномоченных органов, а также в виде данных, генерируемых IoT устройствами. Обобщенно можно сказать, что работа со структурированными данными дает ответ на вопрос «что происходит?», а с неструктурированными «почему это происходит?».

Производственные компании, игнорирующие в своей работе накопленную неструктурированную информацию, теряют существенное количество данных, остающихся вне поля аналитических инструментов, которое потенциально могло бы предотвратить аварийные ситуации в основной деятельности и подтолкнуло бы организацию к росту. Простой пример: показатели состояния защит энергоблока, показатели активной зоны - это структурированные данные, а неструктурированные несут более глубокую смысловую нагрузку, позволяют понять в каком режиме эксплуатируется энергоблок, проанализировать какие события происходят при такой нагрузке и почему.

По прогнозам крупных исследовательских компаний, к 2022 году общий процент неструктурированных цифровых данных составит 92% от общего числа данных, что серьезно повлияет на процессы управления данными и на подходы к их защите. Почти все производственные компании ведут учет аварийных и нештатных ситуаций, с их подробным описанием, расследованием причин и принятыми мероприятиями, но мало кто способен оперативно проанализировать всю историю таких событий при возникновении рисков их наступления и разработать план действий. Знать почему данное событие происходит бывает недостаточно, важно понимать может ли оно повториться. Именно в таких ситуациях и применяются методы Data mining.

Data mining - совокупность методов по «добычи» неизвестных ранее, нестандартных, полезных, с практической точки зрения, знаний. Данные методы могут применятся и к неструктурированным данным, их применение обеспечит анализ неструктурированной текстовой или графической информации, а также формирование различных прогнозов. Полученные знания можно использовать для предотвращения аварийных ситуаций в работе АЭС, обоснования проведения внеплановых ремонтов, своевременного внесения корректировок в плановые ремонты, внесения изменений в планы закупок материалов для ремонта и совершенствования производственных процессов в целом.

В конструкции энергоблоков с реактором типа РБМК (реактор большой мощности канальный) предусмотрено два турбогенератора. Данная технология позволяет вывести один турбогенератор в ремонт без останова самого реактора, тем самым обеспечивая бесперебойную работу реактора и выработку электроэнергии. В случае наличия прогноза аварийной ситуации, а существующие математические методы позволяют строить прогнозы за 2 -4 месяца до ее возникновения, станция сможет подготовиться и провести внеплановый ремонт без потери выручки и нарушения плана ФАС (Федеральной антимонопольной службы).

Прогнозные модели строятся с применением методов углубленного анализа данных и различных математических алгоритмов: искусственные нейронные сети, регрессионный анализ, корреляционный анализ, деревья решений и др. Эти методы также заложены в основу информационно-аналитических систем, которые объединяют, хранят и анализируют информацию из различных источников.

Для того чтобы делать прогнозы, необходимо на первом этапе осуществить поиск и анализ большого массива неструктурированных данных.

Эти задачи должны быть реализованы в виде подсистемы, которая также будет:

• осуществлять интеллектуальный поиск по содержанию документов, с учетом морфологии русского языка, по ключевым словам;

• осуществлять параметрический поиск (поиск и выдача значений отдельных полей документов);

• обеспечивать возможности поиска ключевых слов внутри фильтров (категорий) для быстрого доступа к конкретным фильтрам, автоматическое формирование фильтров поиска в зависимости от содержимого документов;

• обеспечивать возможности поиска схожих документов;

• осуществлять автоматическое формирование перечня схожих по содержимому документов;

• формировать структуры индексирования документов по отдельным разделам, метаполям документа;

• фильтровать результаты поиска на основе прав доступа пользователей, осуществляющих поиск (разграничение доступа к информации на уровне доступа к вкладкам интерфейса пользователя и логических баз данных);

• обеспечивать возможность индексации новых документов и данных без необходимости приостанавливать функции поиска информации;

• осуществлять нечеткий поиск (для неточно заданных грамматически ключевых слов);

• осуществлять выявление ошибок в написании слов в рамках поисковых запросов (в строке поиска) и автоматическое формирование предложений по корректировке запросов;

• осуществлять автоматическое формирование ключевых понятий документа;

• формировать механизмы создания справочников сущностей (ключевых слов) с автоматическим их выделением в обрабатываемых документах на основе фиксированного количества справочников и их согласованного внутреннего состава;

• осуществлять распознавание графических документов: решать задачи по обработке изображений, на основе оптического распознавание символов.

Одной из особенностей АО «Концерн Росэнергоатом» является территориальная распределённость АЭС, Центрального аппарата и контролирующих государственных органов, что дополнительно усложняет сбор и обработку структурированных и неструктурированных данных, важных для процесса анализа опыта эксплуатации. В то время, как накопленный опыт одной станции, может быть критически важен для принятия решений на другой АЭС.

• существенные различия в программном построении информационных баз данных (информационных ресурсов) и процессов сбора информации по опыту эксплуатации на разных АЭС;

• отсутствие единой системы регистрации событий эксплуатации АЭС;

• отсутствие единой точки доступа к данным об опыте эксплуатации АЭС, событиях, замечаниях и предложениях в условиях разрозненности информационных систем;

• отсутствие единой информационной системы управления процессом расследований и документированием результатов;

• сложность обмена информацией между функциональными группами специалистов географически распределенных филиалов;

• отсутствие единого источника данных о надежности оборудования и эффективности стратегий ремонтов с учетом конструктивных особенностей блоков и конфигурации оборудования;

• отсутствие единого источника данных по поставщикам оборудования и поставщикам услуг по проведенным ремонтам энергоблоков.

Исходя из этого в основу системы должно быть заложено единое логическое пространство Больших данных, т.е. выстроена единая платформа. Разработка единой платформы, включающей центр обработки и хранения данных, позволит унифицировать интерфейсы взаимодействия между предприятиями АО «Концерн Росэнергоатом» и внешней средой, тем самым реализовав сквозные бизнес-процессы энергетического дивизиона.

• формировать различные визуальные формы представления данных;

• предоставлять данные в наглядном, интуитивно понятном виде (различные шкалы, показатели, индикаторы и т. п.);

• выгружать отчеты по предиктивной аналитике в стандартных форматах;

• предоставлять возможность преднастройки отчетов пользователям (в том числе возможность конструирования отчетных таблиц по различным критериям анализа);

• осуществлять цветовое кодирование отображения показателей в зависимости от установленных предельных значений;

• отображать исторические значения показателей;

• и т.д.

Ниже представлены два варианта визуального отображения графиков преднастроенного отчета. (Рисунок 1, Рисунок 2, Рисунок 3)

• динамика показателя, объект типа «Линейная диаграмма», изменение значения во времени;

• тренд показателя, объект типа «Линейная диаграмма»,

накопительный итог показателя во времени;

Конструктор таблиц позволяет построить таблицу по всем показателям и критериям анализа, собранными системой, разложив все данные по максимально возможной детализации построчною. (Рисунок 4)

прогнозирование аварийный энергоблок

Рисунок 4 Конструктор таблиц

Вариативное представление результатов анализа позволяет расширить круг пользователей системы и подготовить отчеты различного назначения. В целом система повышает оперативность доступа к материалам по значимым событиям при расследовании аномальных событий (нарушения, отклонения).

Подводя итог, можно сказать, что управление производством и принятие решений в современных условиях затруднительны, а порой невозможны, без качественной и оперативной информации о текущем состоянии производственных активов и прогнозов аварийных событий.

Подсистема поиска и анализа неструктурированных данных, с заложенными в нее методами Data Mining, Text Mining и предиктивного анализа, снижает временные и финансовые издержки на поиск и анализ значимых событий опыта эксплуатации, а также повышает качество анализа данных опыта эксплуатации на производстве, позволяет получить достоверные прогнозы, повышает оперативность и эффективность принимаемых управленческих решений. Ниже приведен график недовыработки электроэнергии, связанный с отказами генераторов до применения методов Data Mining в прогнозировании аварий и после. (Рисунок5).

Консолидация информации в одном месте о работе всей компании позволит расширить варианты для принятия оперативных решений и снизит в разы время их принятия, в конечном счете повысит безопасность на производстве.

Использованные источники

1. Пятецкий-Шапиро Г., Data Mining и перегрузка информацией // Вступительная статья к книге: Анализ данных и процессов / Барсегян А. А., Куприянов М. С., Холод И. И., Тесс М. Д., Елизаров С. И.. З-е изд. перераб. и доп. СПб.: БХВ-Петербург, 2009. 512 с.

2. Паклин Н. Б., Орешков В. И. Бизнес-аналитика: от данных к знаниям (+ CD). -- СПб.: Изд. Питер, 2009. -- 624 с.

3. Журавлёв Ю.И., Рязанов В.В., Сенько О.В. РАСПОЗНАВАНИЕ. Математические методы. Программная система. Практические применения. -- М.: Изд. «Фазис», 2006. -- 176 с. -- ISBN 5-7036-0108-8.

4. Ian H. Witten, Eibe Frank and Mark A. Hall. Data Mining: Practical Machine Learning Tools and Techniques. -- 3rd Edition. -- Morgan Kaufmann,

5. Пескова О. В. Алгоритмы классификации полнотекстовых документов // Автоматическая обработка текстов на естественном языке и компьютерная лингвистика. -- М.: МИЭМ (Московский государственный институт электроники и математики), 2011. -- С. 170--212. -- 1БВК 978-594506-294-8.

6. Survey of Text Mining I: Clustering, Classification, and Retrieval / Ed. by Berry M. W. -- 2004. -- Springer, 2003. -- 261 p. -- ISBN 0387955631.

7. Aggarwal C. C., Zhai C. Mining Text Data. -- Springer, 2012. -- 527 p. -- ISBN 9781461432234.

8. Do Prado H. A. Emerging Technologies of Text Mining: Techniques and Applications / Ed. by H. A. Do Prado, E. Ferneda. -- Idea Group Reference, 2007. -- 358 p. -- ISBN 1599043734.

Размещено на Allbest.ru