Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Нейромережеві програмні засоби для автоматичної діагностики елементів обладнання атомних електростанцій

Автореферат

дисертації на здобуття наукового ступеня кандидата технічних наук

Загальна характеристика роботи

Актуальність теми. Сучасні програмно-технічні комплекси діагностики обладнання атомних електростанцій (АЕС) України та інших країн світу забезпечують лише надання експлуатаційних даних для оперативного персоналу, який евристично формує діагностичні рішення щодо поточного стану елементів головного обладнання ядерного енергоблоку. У більшості випадків можливих небезпечних пошкоджень цього обладнання, зокрема, руйнації тепловиділяючих елементів (ТВЕЛ) ядерного реактора (ЯР), можна уникнути завчасним попередженням цих аварій завдяки ранньому автоматичному виявленню відповідних нештатних експлуатаційних режимів у головному обладнанні ядерної енергоустановки. Для автоматизації процесу формування діагностичних рішень необхідно створити програмні засоби, які дають змогу: 1) розпізнавання режимів експлуатації обладнання АЕС за спектральними параметрами діагностичних сигналів; 2) ідентифікації початкових фаз переходу до нештатних режимів експлуатації цього обладнання.

Реалізація першої із зазначених функцій ускладнюється обмеженим обсягом навчальних даних, стохастичною природою діагностичних сигналів та високим рівнем їх зашумленості маскуючими технологічними шумами. З огляду на це використання відомих методів статистичного, геометричного та структурного розпізнавання таких діагностичних об'єктів суттєво ускладнюється або взагалі є неможливим. В той же час нейромережевий підхід до їх ідентифікації, зокрема, на основі самоорганізації штучних нейронних мереж (ШНМ) принципово дає змогу забезпечити функціонування такої системи розпізнавання із використанням обмежених навчальних даних та в реальному часі.

Використання карт самоорганізації в структурі ШНМ з топологією Кохонена, загалом, відповідає характеру сформульованої вище задачі автоматичної оперативної діагностики важливих для безпеки елементів головного обладнання АЕС. Методи навчання ШНМ цього типу досліджувались Т. Кohonen, Р.Х. Садихов, М.Є. Ваткін та іншими. Проте, запропоновані цими дослідниками алгоритми функціонування карт самоорганізації не тільки не забезпечують високої надійності розпізнавання, але й не дають також змоги забезпечити самоадаптацію ШНМ в умовах апріорної невизначеності класів, що підлягають ідентифікації. Втім, саме такі апріорні інформаційні обмеження відповідають реальним умовам функціонування систем розпізнавання при ідентифікації аномальних та передаварійних режимів експлуатації в елементах ЯЕУ. Однак, алгоритми самоадаптації ШНМ в умовах апріорної невизначеності класів до теперішнього часу є фактично відсутніми.

Таким чином, розробка нейромережевих алгоритмів та створених на їх основі прикладних програмних засобів для автоматичної діагностики обладнання АЕС в реальному часі є актуальною науково-технічною задачею, вирішення якої створює необхідні передумови для суттєвого підвищення експлуатаційної безпеки ядерних енергоблоків.

Зв'язок роботи з науковими програмами, планами і темами. Дисертаційну роботу виконано відповідно до наступних планових НДР, які виконувались за участю автора, що був їх виконавцем: 1) «Розробка технологічних рішень подовження ресурсу й підвищення ефективності головного обладнання АЕС та засоби його діагностики в усталених і маневрових режимах» (ДР №0103U006170); 2)_ «Наукове обґрунтування й розробка сучасних методів діагностики технічного стану, оцінки та контролю ресурсу роботи головного обладнання АЕС з метою подовження строку його експлуатації» (ДР №0106U004626); 3) «Розробка наукових, технічних і методологічних засад, математичних, програмних і інструментальних засобів системи комплексного моніторингу технічного стану електротехнічного й теплотехнічного обладнання енергоблоків АЕС України» (ДР №0105U008122).

Мета і задачі дослідження. Метою роботи є розробка алгоритмічної бази визначення режимів експлуатації складних технічних об'єктів за спектральними параметрами діагностичних сигналів та створення на її основі програмних засобів для автоматичної діагностики елементів головного обладнання АЕС.

Для досягнення поставленої мети необідно вирішити наступні основні задачі:

1. Виконати аналіз обчислювальних методів для автоматичного розпізнавання поточного експлуатаційного стану обладнання АЕС та обґрунтувати використання нейромережевих діагностичних моделей ідентифікації нештатних режимів експлуатації цього обладнання.

2. Виконати аналіз існуючих нейромережевих алгоритмів для розпізнавання випадкових об'єктів та обґрунтувати використання топології Кохонена для ідентифікації цих об'єктів.

3. Вдосконалити метод та розробити алгоритм навчання нейронної мережі Кохонена для забезпечення надійного розпізнавання режимів експлуатації елементів головного обладнання АЕС за спектральними параметрами стохастичних діагностичних сигналів за наявності обмежених навчальних даних.

4. Розробити метод та алгоритм динамічного формування нейронної мережі Кохонена в процесі виявлення нових, апріорно невідомих на початковому етапі навчання, класів діагностичних об'єктів.

5. Розробити програмний модуль для цифрової фільтрації високочастотних маскуючих перешкод в структурі корисного діагностичного сигналу.

6. Розробити програмний модуль для самоадаптації діагностичної нейронної мережі в умовах фізичних обмежень стосовно набуття апріорної навчальної інформації.

7. Реалізувати запропоновані методи в програмному комплексі для автоматичного розпізнавання аномальних та передаварійних режимів експлуатації в елементах головного обладнання АЕС. Апробувати розроблені програмні засоби для автоматичної нейромережевої діагностики елементів головного обладнання АЕС на основі реальних діагностичних даних.

Об'єктом дослідження є засоби математичного та програмного забезпечення автоматичної діагностики елементів головного обладнання АЕС.

Предметом дослідження є алгоритми та програмні засоби для автоматичного розпізнавання режимів експлуатації елементів головного обладнання АЕС за спектральними параметрами стохастичних діагностичних сигналів на основі нейроної мережі Кохонена.

Методи дослідження. Поставлені в роботі задачі розв'язувались на основі методів штучних нейроних мереж, теорії стохастичних динамічних систем, кластерного аналізу, теорії розпізнавання образів, цифрової обробки сигналів, а також методології сучасних теплофізичних, трибологічних та обчислювальних експериментів.

Наукова новизна одержаних результатів. При вирішенні поставлених задач автором вперше отримано наступні наукові результати:

1. Запропоновано удосконалену модель навчання карти самоорганізації на основі попередньої ініціалізації центрів кластерів, що дає змогу використання обмежених масивів апріорних даних для реалізації етапу навчання нейронної мережі.

2. Запропоновано метод та алгоритм еволюційного навчання карт самоорганізації, що забезпечує можливість додавання нових, апріорно невідомих на початковому етапі навчання, класів діагностичних об'єктів з метою еволюційного самонавчання нейромережевої діагностичної структури.

3. На основі запропонованих алгоритмів автоматичного визначення моментів міжкласових переходів діагностичного об'єкту запропоновано програмні засоби для самоадаптації нейронної мережі в умовах апріорної невизначеності класів.

4. На основі вдосконаленого в дисертації метода навчання нейронної мережі Кохонена створено прикладні програмні засоби для автоматичного розпізнавання режимів експлуатації елементів головного обладнання АЕС за спектральними параметрами діагностичних сигналів.

Практичне значення одержаних результатів полягає у створенні прикладних програмних засобів для автоматичної діагностики головного обладнання ядерних енергоблоків, що забезпечують надійне розпізнавання початкових стадій виникнення аномальних та передаварійних режимів експлуатації у критично важливих для безпеки АЕС елементах цього обладнання.

Результати дисертації впроваджено в Інституті технічної теплофізики НАН України.

Особистий внесок здобувача. Всі результати дисертаційної роботи, які винесено на захист, отримані автором самостійно. Роботи [11, 16, 18], підготовлені автором самостійно. В інших роботах, які опубліковані у співавторстві, автору належать: математичні моделі та програмне забезпечення для навчання модифікованої карти самоорганізації [2, 3, 8,]; математичні моделі, алгоритми та комплекс програм, що забезпечують самоадаптацію нейронної мережі Кохонена [10, 15, 17, 19]; методика та результати обчислювальних та діагностичних експериментів [1, 4, 5,6,7, 9, 12, 13, 14, 20].

Апробація роботи. Наукові результати і основні положення дисертаційної роботи представлено на 11 міжнародних конференціях: V, VII, IX, X Міжнародні конференції «Інтелектуальний аналіз інформації» (м. Київ, 2005 р., 2007 р., 2009 р., 2010 р.); XІІІ Міжнародна конференція з автоматичного управління «Інтернет-освіта-наука» (м. Вінниця, 2006 р.); XІІІ Міжнародна конференція з автоматичного управління «Автоматика» (м. Вінниця, 2006 р.); V Міжнародна конференція «Проблеми промислової теплотехніки» (м. Київ, 2007 р.); VI, VII Міжнародна конференція «Проблеми програмування» (м. Київ, 2008 р., 2010 р.); X, XI Міжнародні конференції «Системний аналіз та інформаційні технології» (м. Київ, 2008 р., 2009 р.).

Публікації. Основний зміст дисертаційної роботи опубліковано у 20 друкованих працях. В їх числі 7 статей в провідних фахових наукових журналах (з них 3 статті без співавторів); 10 публікацій - в науково-технічних збірках (в тому числі 8 з них в тезах вітчизняних, міжнародних і галузевих конференцій). За матеріалами дисертації отримано одне авторське свідоцтво та опубліковано одну колективну монографію.

Структура та обсяг роботи. Дисертаційна робота складається зі вступу, чотирьох розділів, висновків, списку використаних джерел з 176 посилань та двох додатків. Дисертація містить 226 сторінок і включає 180 сторінок основного тексту, 56 ілюстрацій та 19 таблиць. Обсяг додатків становить 13 сторінок і включає 5 ілюстрацій та одну таблицю.

Основний зміст роботи

нейронний кохонен програмний алгоритм

У вступі обґрунтовано актуальність теми та розглянуто комплекс проблемних задач, що підлягають вирішенню в дисертаційній роботі; наведено дані про зв'язок дисертації з науковими програмами та темами; сформульовано мету і задачі роботи; відзначено її наукову новизну та практичне значення результатів; відображено особистий внесок здобувача і наведено інформацію про апробацію результатів роботи та її публікацію у провідних фахових виданнях.

У першому розділі представлено аналіз сучасного стану проблеми автоматичного розпізнавання початкових стадій виникнення потенційно небезпечних експлуатаційних пошкоджень в елементах та системах головного обладнання АЕС. Розглянуто можливості якісного покращення тієї критично недостатньої інформаційної підтримки операторів блочних щитів управління (БЩУ), яку нині надають операторам ядерних енергетичних установок (ЯЕУ) існуючі комп'ютерні комплекси в структурі АСУ ТП АЕС. Відзначено, що сучасні програмно-технічні комплекси моніторингу та діагностики обладнання АЕС надають суттєво обмежену інформаційну підтримку операторам БЩУ і не забезпечують реалізації функцій автоматичного розпізнавання небезпечних аномальних та передаварійних режимів експлуатації у відповідальних елементах ЯЕУ. Як відомо, в існуючих обчислювальних засобах оперативного контролю ядерних енергоблоків процес формування діагностичних рішень покладено безпосередньо на операторів цих комп'ютерних комплексів, що, звичайно, зумовлює їх суттєве інформаційне перенавантаження, особливо, в нештатних експлуатаційних умовах. В якості типових об'єктів діагностики в дисертаційній роботі виокремлено ті фізично обґрунтовано комплекс інтелектуальних діагностичних задач для двох типів елементів обладнання АЕС: 1) осьового підшипника вузла ковзання парового турбоагрегату (ПТ); 2) ТВЕЛ, які розташовані в активній зоні (АкЗ) реакторної установки (РУ).

З позицій методології сучасної теорії розпізнавання образів у розділі розглянуто математичну формалізацію задачі автоматичної ідентифікації тих класів експлуатаційних режимів вищезазначених елементів ЯЕУ, що мають розглядатися як об'єкти діагностики. Згідно з цим підходом, режими експлуатації зазначених об'єктів діагностики, які необхідно ідентифікувати, складають множину класів образів де:- деякий режим експлуатації цього обладнання; - загальна кількість визначених режимів; - поточний номер класу. Множина спектральних реалізацій діагностичних сигналів відповідно до вищезазначених класів образів складає іншу множину випадкових об'єктів: де: - якась конкретна реалізація; - загальне число неоднакових реалізацій; - поточний номер реалізації; при цьому має місце нерівність . Сукупність діагностичних ознак, зокрема, спектральних для кожного з елементів множини утворює іншу множину де: - деяка конкретна ознака; - загальна кількість ознак; - поточний номер ознаки. Ця множина формує відповідний вхідний діагностичний багатомірний вектор, що має бути ідентифікований. В свою чергу кожну з цих ознак формує інша множина де: - якесь конкретне значення ознаки ; - загальне число градацій ознаки ; - поточний номер градації спектральної ознаки.

В контексті цієї формалізації вирішуваної задачі проаналізовано існуючі методологічні підходи до розпізнавання випадкових об'єктів із використанням статистичної теорії розпізнавання образів, відомого багатомірного геометричного підходу та структурних методів автоматичної ідентифікації, які на теперішній час є найбільш розвиненими. За результатами аналізу відзначено наступне: 1) Відсутність фізичних обмежень стосовно набуття масивів апріорних навчальних даних по кожному з класів множини А визначальним чином впливає на надійність розпізнавання, що забезпечується на основі відомих статистичних, геометричних та інших моделей розпізнавання; 2) Застосування цих моделей вимагає для своєї реалізації значних об'ємів навчальних даних; 3) Наявність фізичного чинника ризику пошкодження відповідальних елементів ЯЕУ, насамперед, ТВЕЛ в процесі набуття цих навчальних даних при відтворенні передаварійних режимів суттєво обмежує можливості застосування відомих моделей розпізнавання; 4) ШНМ принципово є здатними до ефективної реалізації процедур навчання із використанням суттєво обмежених навчальних даних, що створює необхідні передумови для подолання обмежень, властивих відомим моделям розпізнавання. Крім того, запропонована Т. Кохоненом топологія ШНМ (ШНМК), є здатною до автоматичного кластер-аналізу, тобто до самоорганізації нейромережевої структури. Ця властивість ШНМК створює необхідні передумови для її застосування при вирішенні сформульованої вище діагностичної задачі. З огляду на це у Додатку до дисертації представлено дані щодо відомих топологій ШНМ, їх функціональних особливостей, а також відомих програмних пакетів для реалізації ШНМК.

Крім того, в розділі відзначено, що відповідно до реальних умов експлуатації АЕС особливе значення набуває здатність створюваної в даній роботі перспективної нейромережевої діагностичної структури до самоорганізації та еволюційного самонавчання. Втім, відома топологія ШНМК цих функціональних можливостей не має. Таким чином, для розв'язання проблеми автоматичної діагностики елементів обладнання АЕС в наступних розділах дисертаційної роботи мають бути виконані науково-дослідні розробки зі створення програмних засобів для реалізації діагностичної нейромережевої структури із зазначеними можливостями.

У другому розділі розглянуто структурні та функціональні особливості ШНМК при вирішенні задачі розпізнавання випадкових спектральних реалізацій діагностичних сигналів, а також запропоновано підходи до модифікації цієї нейромережевої структури відповідно до сформульованих у першому розділі задач. Рис. 1 ілюструє архітектурні особливості цієї нейромережевої структури, яку адаптовано до вирішення задач розпізнавання реалізацій автоспектральної повності (АСП) шумових діагностичних сигналів в елементах обладнання АЕС.

Визначальною особливістю цієї нейромережевої структури є самоорганізація на етапі навчання. Ця функція автоматично виконується в ході процесу кластеризації карти самоорганізації на основі попередньо невпорядкованого навчального масиву випадкових вхідних векторів. Послідовність самоорганізації на основі алгоритму KSOM (Kohonen self organizing map) полягає у наступному: 1) Формування початкового нейронного поля . Ініціалізація початкових синаптичних ваг вхідного нейронного шару малими значеннями. 2) Визначення ознакових параметрів вхідного вектора невідомої приналежності. 3) Обчислення евклідової метрики вхідного вектора відносно кожного вихідного вузла . 4) Визначення вихідного вузла з мінімальною метрикою . 5) Коректировка синаптичних ваг штучних нейронів, що знаходяться у нейронному полі вузла . 6) Коректировка прирісту , що знаходиться в межах і має зменшуватись при збільшенні . 7) Перевірка збіжності процесу навчання. Збіжність вважається досягнутою, якщо: а) синаптичні ваги стабілізувались; б) визначений на кроці 5 коректуючий приріст становить . Якщо збіжність відсутня, то відбувається повернення до етапу 2.

Фактичну суть цього алгоритму складає комп'ютерне моделювання процесу «конкуренції» окремих штучних нейронів шару Кохонена в ході реалізації кластер-аналізу вхідного невпорядкованого масиву випадково обраних з навчальної вибірки спектральних реалізацій відповідних діагностичних сигналів. Кінцевим результатом цього процесу є визначення приналежності -реалізації вхідного випадкового вектора до однієї з кластерних груп, що представлені векторними центрами , =1, 2, …, . При цьому, якщо для деякого моменту часу спектральна складова -го вхідного вектора становить , то синаптична вага відповідно входу складає . Згідно з алгоритмом KSOM, багатомірний вектор є приналежним до -кластеру, якщо евклідова відстань до його векторного центру складає , , тобто, коли ця метрика є мінімальною. Попередньо визначений оточуючий простір кожного вихідного вузла SOM формує відповідне нейронне поле , простір якого в ході виконання етапів алгоритму KSOM має зменшуватись.

Таким чином, навчання SOM відповідно до розглянутого вище алгоритму KSOM є одним з етапів формування цієї мережі в режимі навчання. За результатами цього етапу має вирішуватись задача кластерізації отриманого шару Кохонена. На відміну від алгоритму KSOM, у другому розділі запропоновано іншу схему формування SOM, за якою на етапі навчання попередньо виконується ініціалізація центрів кластерів. Верхня гілка цієї схеми відповідає відомому алгоритму KSOM, нижня гілка - запропонованій модифікації цього алгоритму.

З цієї ілюстрації випливає, що, відповідно до запропонованої модифікації алгоритму KSOM, після етапу навчання карти самоорганізації її структура є нерівномірною. В той же час, реалізація відомого алгоритму кластеризації Вороного формує геометрично нерівноцінні кластери, шо призводить до недостатньо ефективного використання нейронного поля, сформованого за класичним алгоритмом SOM. Навпаки, за відсутності процедури кластеризації запропонована модифікація алгоритму дає змогу рівномірного формування карти самоорганізації та ефективного використання всього нейронного поля цієї карти.

Крім того, визначальна особливість модифікованого алгоритму KSOM полягає саме у попередній фізичній ініціалізації експертом відповідних центрів кластерних груп карти SOM. С цією метою на підготовчому етапі функціонування алгоритму, який передує процедурі навчання, експерт формує шаблон майбутньої SOM, розташовуючи в ній еталонні зразки кожного з класів множини А, що підлягають розпізнаванню. При цьому, побудова штучної нейронної мережі Кохонена виконується за принципами об'єктно-орієнтованого програмування. Слід зазначити, що перевагами запропонованої модифікації алгоритму KSOM є: 1) значне скорочення часу формування SOM на етапі навчання завдяки відсутності етапу збіжності (ця збіжність досягається вже на першому етапі упорядкування нейронів); 2) підвищення надійності розпізнавання невідомого вхідного вектора за рахунок підвищення ефективності використання нейронного поля. Таким чином, завдяки попередній фізичній ініціалізації центрів кластерних груп забезпечується можливість наступного динамічно розширення карти SOM, що дає змогу реалізації процедури еволюційного навчання створюваної в роботі діагностичної нейромережевої структури.

Реалізація розробленого алгоритму включає наступні обчислювальні етапи:

1. Ініціалізація. Для вихідних векторів синаптичних ваг вибираються випадкові значення, які формують відповідний фазовий простір мережі, представлений на рис. 2.г Визначальною вимогою є розходження вхідних векторів, які відповідають різним областям карти самоорганізації, що містять нейрони j = 1, 2,…, l, де l - загальна кількість нейронів у структурі.

2. Маркування нейронів. Для ініціалізації карти самоорганізації у відповідних місцях покриття встановлюються центри відповідних кластерних груп, що представлені на рис. 2.д.

3. Конкуренція нейронів. Із вхідної неупорядкованої множини випадкових векторів довільно вибирається вектор x за умови, що вектор синаптичних ваг кожного з нейронів мережі має ту ж розмірність , де n - розмірність вхідного вектора.

4. Пошук максимальної подоби. На основі критерію мінімуму із використанням евклідової метрики визначається домінантний нейрон , тобто.

, (1)

де: позначає відстань між векторами x і w, N - кількість нейронів.

5. Генерація нового кластера. Якщо відстань відповідає нерівності (тобто, якщо вхідний вектор не належить до жодного з відомих класів), то генерується новий кластер з відповідним кластерним центром.

6. Процес кооперації. Визначається топологічна околиця із центром у домінантному нейроні , що складається із множини нейронів, які кооперуються,

, (2)

де: - латеральна відстань між домінантним і вдруге збудженим нейронами, _ - ефективна ширина топологічної околиці яка обчислюється за формулою,

(3)

де - функція околиці рівна радіусу структури, а - додатковий коефіцієнт, який дорівнює .

При цьому функція околиці має охоплювати практично всі нейрони мережі і мати центр у домінантному нейроні. Згодом ця функція буде поступово звужуватись, охоплюючи тільки найближчих сусідів домінантного нейрона (рис. 3, б)

7. Синаптична адаптація. Коректуються вектори синаптичних ваг всіх нейронів, що перебувають у топологічній околиці

(4)

де: ; - вектори синаптичних ваг нейрона на моменти часу відповідно та ; параметр швидкості навчання визначається за формулою,

(5)

Параметр швидкості навчання вибирається близьким до значення 0,1. Із часом він повинен зменшуватись, але залишатися більшим за 0,01. Це забезпечується застосуванням наступних констант: .

8. Повернення до етапу 2 за умови наявності помітних змін в структурі карти SOM.

Таким чином, запропонована модифікація алгоритму T. Kohonen дає змогу: а)_поєднати кластерне структурування SOM з процедурою зовнішнього навчання; б)_реалізувати еволюційне навчання SOM за результатами визначених в процесі функціонування ШНМК нових класів.

В зв'язку з вищезазначеними особливостями реалізації діагностичних функцій в реальних умовах експлуатації АЕС особливе значення набуває принципова здатність розроблюваної системи діагностики на основі ШНМК до її самоадаптації. Визначальною рисою цієї самоадаптації має стати можливість автоматичного (тобто без участі експерта) визначення меж між окремими класами режимів експлуатації з метою наступного набуття апріорних навчальних даних. Запропонований в роботі підхід до вирішення цієї задачі розглянуто в наступному розділі дисертації.

Третій розділ присвячено створенню алгоритмічного та програмного забезпечення для надання створюваній в дисертації діагностичній ШНМ функцій самоадаптації та еволюційного самонавчання. Зазначені функції мають виконуватись в автоматичному режимі спеціалізованим препроцесором модифікованої нейронної мережі Кохонена за умов відсутності апріорної інформації для попереднього навчання цієї ШНМ. Відповідно до таких інформаційних обмежень запропонований у дисертації підхід до реалізації функцій самоадаптації передбачає послідовну реалізацію наступних обчислюваних модулів. Перший з них передбачає виявлення змін статистичної структури випадкового часового ряду, що формується за даними оперативного моніторингу АСП діагностичного сигналу у відповідній ключовій спектральній ознаці, яка характеризує конкретний тип міжкласового переходу об'єкту діагностики. Результатом цих обчислень є визначення факту переходу діагностичного об'єкту до нового, попередньо невідомого, режиму його експлуатації. Результатом функціонування другого модуля є фізична інкрементація у модифікованій карті SOM визначених таким чином діагностичних класів. Третій модуль має забезпечити наступне додаткове навчання інкрементованого кластеру, що сформований в модифікованій SOM.

У відповідності до функціонального призначення першого обчислювального модуля в третьому розділі дисертації запропоновано комплекс алгоритмів, що забезпечують автоматичне визначення міжкласових меж в процесі динамічної зміни режимів експлуатації діагностичного об'єкту. Основу розробки цього алгоритмічного забезпечення складають наступні математичні моделі визначення моменту зміни статистичних властивостей стохастичного часового ряду, який сформовано послідовністю рівнів спектральної повності у ключовій спектральній ознаці відповідного діагностичного сигналу. В основу математична формалізації цієї задачі покладено аналіз статистичної структури відповідного часового ряду , що є стаціонарною випадковою послідовністю. В деякий момент часу цей ряд стрибком змінює свої статистичні властивості, які визначаються вектором параметрів . Це означає, що до моменту () включно вектор параметрів становив , а починаючи з моменту , цей вектор став складати . На основі аналізу треба визначити момент , що відповідає стану зміни статистичних властивостей цього часового ряду, тобто момент його розладки. Принциповим є той факт, що при послідовному виявленні цього моменту в часовому ряді визначення має відбуватися в темпі, що є відповідним до виникнення наступного виміру траєкторії цього випадкового процесу. Таким чином, визначення моменту розладки має бути забезпечене в режимі реального часу. Як відомо, існують наступні відомі підходи до визначення моменту розладки такої стаціонарної випадкової часової послідовності. Відомий алгоритм кумулятивних сум (АКС), запропонований E. Page, використовує послідовний критерій відношення імовірностей (ПКВІ), що був розроблений A. Wald. Відповідно до АКС реалізовано наступне вирішуюче правило. Для гіпотези , коли немає розладки, характеристичний вектор параметрів часового ряду становить . За умови виникнення розладки діє гіпотеза , якій відповідає . Визначальним при цьому є той факт, що вектор параметрів передбачається попередньо відомим. Відповідно до існуючої класифікації АКС, зазначений алгоритм E. Page відповідає першій моделі розладки і позначається як АКС-1. Параметр є параметром щільності імовірностей розподілу значень часового ряду , а кумулятивна сума (КС) цього ряду визначається як:

(6)

Так, якщо на момент часу ця сума відповідає , то має місце гіпотеза.Навпаки, коли в момент , ця сума становить , то приймається гіпотеза . За умови виконується наступний крок АКС-1, що відповідає моменту часу (). Якщо на кроці () прийнято гіпотезу , то КС обнулюється. В цих умовах приймається (). Таким чином, якщо є моментом зміни гіпотез з на , то має місце наступне математичне очікування:

(7)

Якщо, відповідно до А.Н. Ширяєва та G. Lorden, прийняти (цей параметр характеризує рівень «відбиваючого екрану»), то АКС-1 з (6) приймає вигляд вирішуючої функції:

де (8)

При цьому момент визначення факту розладки, подібно до (6), має вигляд;

(9)

Крім того, в третьому розділі дисертації проаналізовано інші відомі підходи то реалізації АКС, зокрема А.Н. Ширяєва із використанням критерія Неймана-Пірсона, процедури S. Roberts та P. Robinson, а також C.A. McGilchrist, які також забезпечують визначення моменту розладки випадкового процесу. Втім, вищезазначені методи визначення розладки загалом також відповідають першій моделі. Тому, подібно до АКС-1, вони також не можуть бути застосовані для вирішення сформульованих вище діагностичних задач.

Ця невідповідність існуючих методів АКС та інших вирішуючих функцій вирішуваним в дисертації задачам зумовлена наступними чинниками: а) інформація стосовно статистичного параметру при є фактично відсутньою через неможливість визначення цього параметру в умовах розвитку аварійної ситуації в обладнанні АЕС, зокрема, на поверхні ТВЕЛ; б) в реальних умовах виникнення нештатного режиму, тобто переходу до нового класу експлуатаційного стану об'єкту діагностики, наприклад ТВЕЛ, досліджуваний часовий ряд не є стаціонарним; в) часовий ряд апріорно не може вважатися незалежною послідовністю без попереднього визначення його статистичних властивостей. Таким чином, існуючі підходи до визначення розладки на основі першої моделі, тобто АКС-1, вищезазначеним обмеженням не відповідають. Втім, врахування цих обмежень забезпечує інший підхід до визначення розладки статистичних властивостей із використанням математичних моделей авторегресії (АР) та стохастичного проінтегрованного змінного середнього (ПЗС). Цей підхід у останні роки розроблявся в роботах М. Basseville, A. Benveniste, І.В. Нікифорова. На основі аналізу теоретичних розробок цих авторів в третьому розділі проаналізовано другу та третю моделі визначення моменту зміни статистичних властивостей залежної випадкової часової послідовності.

Відповідно до другої моделі, в моменти часу , що передують виникненню розладки, має місце наступна щільність розподілу ймовірностей , яка відповідає гіпотезі . При має місце зміна статистичних властивостей часового ряду який має вже іншу сумісну щільність розподілу де . Відповідно до цієї моделі завдання апріорної інформації про вектор параметрів має місце наступне рівняння:

(10)

де: - попередньо встановлена межа у просторі параметрів характеристичного вектора; - одиничний вектор напрямку у просторі з розмірністю

Відповідно до (10) вирішуюче правило для ідентифікації факту зміни властивостей часового ряду при виникненні розладки має визначити момент переходу межі в напрямку одиничного вектору . Таким чином, якщо до розладки () має місце гіпотеза з вектором параметрів , то після розладки приймається гіпотеза , якій відповідає . З урахуванням зазначених особливостей цієї моделі її застосування дає змогу визначення моменту зміни статистичних властивостей часового ряду при попередньо відомому напрямку зміни вектора параметрів , що характеризує цей ряд. Так, наприклад, з огляду на обчислювальні особливості цієї моделі (її ілюструє рис. 4, а) раптове збільшення стохастичного рівня спектральної інтенсивності в деякій інформаційно значущій спектральній ознаці може бути ідентифіковане на основі АКС-2, що розглядається далі. Фізично цій моделі розладки відповідає виникнення аномального режиму початку кипіння теплоносія на поверхні ТВЕЛ в АкЗ реактора ВВЕР.

Іншим різновидом потенційно небезпечного режиму експлуатації ТВЕЛ є передаварійний режим нестабільного плівкового кипіння теплоносія на його поверхні. В цьому режимі зміна спектральної інтенсивності в іншій характерній спектральній ознаці діагностичного сигналу (наприклад, нейтронного шуму в АкЗ ЯР) стохастично відбувається в обох напрямках. Вирішення задачі автоматичного виявлення такого передаварійного режиму зумовлює необхідність використання іншої, третьої, моделі розладки.

Згідно з третьою моделлю, до моменту розладки вектор параметрів є відомим, що відповідає гіпотезі . Після розладки має місце гіпотеза , коли в параметричному просторі цей вектор виходить за межі деякого еліпсоїду, що утворений інформаційною матрицею Фішера. З урахування цього гіпотеза приймається за наступної умови:

(11)

де:- інформаційна матриця Фішера порядку ; - граничне значення параметру нецентральності. Дещо змінений варіант цієї моделі відповідає наступним умовам формування гіпотез та :

(12)

(13)

де:,- граничні значення параметрів нецентральності еліпсоїдів у просторі . З огляду на вищезазначене ця модель на основі застосування АКС-3 дає змогу визначити факт раптової зміни (в сторону збільшення або зменшення) інформаційно значущої спектральної компоненти в структурі АСП діагностичного сигналу в умовах виникнення передаварійного режиму кипіння в АкЗ ВВЕР.

В третьому розділі дисертації розглянуто також структурні та обчислювальні особливості вищезазначених алгоритмів АКС-2 та АКС-3 на основі використання моделей авторегресії та проінтегрованого змінного середнього (тобто АРПЗС) порядку (). Ці моделі принципово забезпечують ефективну реалізацію обчислюваних процедур, що дають змогу визначення моменту , який розділяє дві частини (тобто та ) випадкових часових послідовностей з різними характеристичними векторами . Так, для одномірної випадкової послідовності модель АРПЗС має наступний вигляд:

 (14)

де: - коефіцієнти авторегресії (АР); - коефіцієнти змінного середнього (ЗС); - оператор здвигу назад (); - незалежна гаусівська послідовність з ;; - математичне очікування.

Зокрема, у випадку застосування моделі (14) для визначення розладки марківських, тобто АР, процесів, підхід до виявлення для частин та часового ряду спрощується і передбачає обчислення коефіцієнтів системи рівнянь Юла-Уокера для цієї випадкової часової послідовності:

(15)

де: - коефіцієнти АР () - процесу до () і після () розладки, що мають бути обчислені; - гаусівська послідовніть ;.

У третьому розділі на основі використання вищезазначених моделей АРПЗС розглянуто особливості комп'ютерної реалізації вищезазначених алгоритмів АКС-2 та АКС-3. Зокрема, в основу першого з них покладено процедуру виявлення зміни () - мірного вектора параметрів АРП - процесу. Так, вихідна інформація та попередні обчислення АКС-2 (його структуру представлено на рис. 5) включають: а) компенсацію можливого тренду , що забезпечується застосуванням оператора з порядком ; б) розміщення у оперативній пам'яті останніх () - спостережень , що складають часовий ряд . При цьому функціонування АКС включає наступні обчислювальні етапи: 1) обчислення параметрів статистичної моделі відповідно до (14); 2) установку параметрів вирішуючої функції , що відповідає (8); 3) обчислення параметрів за даними останніх () спостережень з ряду ; 4) перевірку вирішуючої функції: за умови алгоритм АКС-2 передбачає встановлення цілочисельних індексів , , що відповідають стану відсутності розладки у ряді . При цьому, зміна вектора параметрів через виникнення розладки призводить до генерації індексу ; 5) порівняння на кожному обчислювальному кроці досягнутого значення вирішуючої функції з пороговим рівнем наступним чином: лічильник визначає кількість вимірів після попереднього значення . За умови досягнутий рівень збільшується на одиницю.

Завершує третій розділ опис розробленого в дисертаційній роботі алгоритму еволюційного самонавчання діагностичної ШНМ. Таким чином, представлений у третьому розділі комплекс алгоритмів та програм забезпечує комп'ютерну реалізацію наступних функцій створюваної в роботі діагностичної ШНМ: 1) самоадаптацію ШНМК; 2) еволюційне самонавчання модифікованої карти SOM за результатами цієї самоадаптації. Як зазначено вище, ці функції мають виконуватись спеціалізованим препроцесором в структурі створюваного діагностичного комплексу для забезпечення можливості розпізнавання нейронною мережею випадкових об'єктів в умовах суттєвих інформаційних обмежень.

В четвертому розділі розглянуто організацію та результати практичного застосування розробленого в дисертації комплексу програмних засобів для автоматичної нейромережевої діагностики елементів головного обладнання АЕС. У зазначеному контексті в цій заключній частині роботи наведено інформацію стосовно: 1) виконаних автором діагностичних та обчислювальних експериментів, а також використаного в процесі цих експериментів дослідницьких стендів та вимірювального обладнання; 2) результатів комп'ютерної реалізації запропонованих в роботі математичних моделей модифікованої карти SOM, самоадаптації та еволюційного самонавчання діагностичної нейромережевої структури, а також розроблених на основі цих моделей алгоритмів та програм; 3) реалізованого в роботі алгоритму цифрової фільтрації високочастотних маскуючих перешкод в структурі корисних діагностичних сигналів акустичної емісії пари тертя підшипникового вузла ПТ; 4) фактичних даних щодо досягнутої на основі комп'ютерної реалізації розробленого в дисертації нейромережевого програмного комплексу надійності розпізнавання відповідно до реальних класів діагностичних сигналів, які містять інформацію про штатні, аномальні та передаварійні режими експлуатації в натурних зразках досліджуваних елементів головного обладнання ядерного енергоблоку. У відповідності до конкретизованих у першому розділі роботи нейромережевих діагностичних задач в якості вищезазначених діагностичних об'єктів досліджено:_ а) Осьовий підшипник ковзання валопроводу сучасної вологопарової турбіни типу К-1000; б) натурна тепловиділяюча збірка (ТВЗ) реактора ВВЕР-440 з встановленими в цій збірці реальними ТВЕЛ.

Структуру та функціональну схему розробленого в дисертації нейрокомп'ютерного програмного комплексу для автоматичної діагностики елементів обладнання АЕС представлено на рис. 6. Цей комплекс реалізовано у інтегрованому середовищі розробки Microsoft Visual Studio 2008 з використанням об'єктно-орієнтовоної мови програмування C#. Для зберігання сформованих масивів навчальних даних та моніторингу і автоматичного виявлення стану розладки у ключових спектральних ознаках діагностичного сигналу, а також для визначення поточних оперативних масивів використано СКБД на базі SQL Server 2008.

Програмний комплекс на рис. 6 включає наступні обчислювальні модулі: а) формування діагностичного вектора; б) визначення моменту міжкласового переходу; в) функціонування нейронної мережі Кохонена; г) збереження навчальної інформації; д) візуалізації діагностичних даних. Нейрокомп'ютерний діагностичний комплекс функціонує у двох режимах: 1) розпізнавання випадкових діагностичних сигналів в умовах відсутності обмежень стосовно набуття апріорних навчальних даних (цей режим

відповідає конфігурації комплексу «Нейросистема-1»); 2) самоадаптації нейронної мережі за умов суттєвих інформаційних обмежень та еволюційного самонавчання карти SOM і наступної автоматичної ідентифікації випадкових вхідних векторів невідомої приналежності (конфігурація комплексу «Нейросистема-2»). В якості типових прикладів діагностичної інформації, що надходить на вхід нейромережевого програмного комплексу в конфігурації «Нейросистема-1» і підлягає автоматичному розпізнаванню, на рис. 7 представлено нормовані АСП сигналів акустичної емісії в осьовому підшипнику ПТ К-1000 відповідно до основних режимів тертя в умовах послідовної руйнації його гідродинамічного змащувального клину. Вищезазначені вимірювання АСП акустичної емісії пари тертя виконано із використанням вимірювального комплексу «Малахит АС-12А» на вимірювальному стенді із використанням осьового підшипника ПТ К-1000.

Результати перевірки функціонування комплексу «Нейросистема-1» засвідчили наступне: середня надійність правильної ідентифікації чотирьохелементної множини класів, що представлена на рис. 7, із використанням контрольної вибірки у 400 реалізацій склала 94,5%.

Нейрокомплекс в конфігурації «Нейросистема-2» вирішує задачу виявлення апріорно невідомих нештатних режимів експлуатації. Так, в роботі вирішено задачу визначення аномального режиму теплозйому з поверхні ТВЕЛ в АкЗ ЯР. При цьому, чотирьохелементну множину класів діагностичних векторів відповідно складали: стан конвективного теплозйому з поверхні ТВЕЛ (клас А₁), початок кипіння теплоносія (клас А₂), його пузирковий режим (клас А₃), режим нестабільних парових плівок (клас А₄).

На рис. 9 представлено типові результати обчислень параметрів стохастичного часового ряду, структуру відповідних випадкових процесів, а також динаміку вирішуючої функції алгоритму АКС-3 при визначенні моменту міжкласового переходу відповідно до розглянутих у третьому розділі обчислювальних процедур. В якості діагностичного сигналу використовувався нейтронний шум в експериментальній ТВЗ реактору ВВЕР-440. При цьому, вхідний діагностичний вектор мав мірність N=242 і формувався на основі частотних ознак АСП нейтронного шуму, що реєструвався вимірювальним комплексом МІК у складі СВРК-М, що є підсистемою АСУ ТП.

Виявлений комплексом «Нейросистема-2» і представлений на рис. 9, б міжкласовий перехід до передаварійного режиму відповідає стану зміни характеру процесу кипіння на поверхні реальних ТВЕЛ від розвиненої теплогідравлічної аномалії в АкЗ (пузиркове кипіння) до передаварійного стану теплозйому, який безпосередньо передує руйнації поверхні кипіння.

Результати перевірки функціонування комплексу «Нейросистема-2» засвідчили наступне: при використанні контрольної вибірки у 400 реалізацій середня надійність правильної ідентифікації вищезазначеної чотирьохелементної множини класів склала 96%.

Висновки

На основі розробки алгоритмічної бази та програмного забезпечення для нейромережевої автоматичної діагностики елементів головного обладнання АЕС в дисертаційній роботі вирішено актуальну науково-технічну задачу якісного вдосконалення комп'ютерних комплексів моніторингу та діагностики головного обладнання ядерних енергоблоків. Зазначені алгоритмічні та програмні засоби забезпечують автоматичне розпізнавання аномальних та передаварійних режимів експлуатації в критично важливих для експлуатаційної безпеки АЕС елементах та системах ядерного енергоблоку, зокрема, в умовах апріорної невизначеності стану діагностичного об'єкту. За результатами виконаної роботи отримано наступні наукові та практичні результати:

1. Встановлено, що інформаційна підтримка, яку надають нині оперативному персоналу сучасних АЕС існуючі комп'ютерні комплекси моніторингу та діагностики головного обладнання ядерних енергоблоків, є суттєво недостатньою з точки зору забезпечення їх експлуатаційної безпеки. Існуюче алгоритмічне та програмне забезпечення, що використовується в цих програмно-технічних засобах, не забезпечує автоматичного розпізнавання аномальних та передаварійних режимів експлуатації у відповідальних елементах головного обладнання АЕС. З огляду на це потенційно небезпечні експлуатаційні режими у критично важливих для безпеки елементах ядерних енергоблоків є фактично не контрольованими.

2. Запропоновано удосконалену модель навчання нейронної мережі з топологією Кохонена, що передбачає попередню ініціалізацію центрів кластерів з метою суттєвого (на два порядки) зменшення кількості ітерацій на етапі навчання нейрокомп'ютерної діагностичної системи.

3. Розроблено алгоритмічне та програмне забезпечення для модифікованої в дисертаційній роботі карти самоорганізації нейромережевої структури, що забезпечує можливість її еволюційного самонавчання та підвищення (до 10%) надійності розпізнавання випадкових діагностичних об'єктів.

4. На основі математичних моделей визначення стану зміни статистичних властивостей випадкових часових рядів розроблено алгоритмічне та програмне забезпечення для самоадаптації діагностичної нейромережевої структури в умовах фізичних обмежень стосовно набуття апріорної інформації для її навчання.

5. Із використанням запропонованої в дисертації нейромережевої діагностичної моделі, розроблених в роботі алгоритмів самоадаптації та еволюційного навчання створено кросплатформений нейрокомп'ютерний програмний комплекс для автоматичного розпізнавання аномальних та передаварійних режимів експлуатації в елементах головного обладнання АЕС.

6. На основі використання реальних діагностичних сигналів, що отримані в натурних експериментах з досліджуваними в дисертаційній роботі елементами головного обладнання ядерного енергоблоку (осьовий підшипниковий вузол парового турбоагрегату та тепловиділяюча збірка реактору ВВЕР) апробовано ефективність створених в дисертації програмних засобів при вирішенні задач автоматичного розпізнавання потенційно небезпечних режимів експлуатації цих діагностичних об'єктів. Середня надійність розпізнавання можливих режимів експлуатації зазначених елементів обладнання АЕС при використанні контрольної вибірки загальним обсягом у 400 реалізацій склала відповідно 94,5% та 96,0%.

7. Розроблені в дисертаційній роботі нейромережеві програмні засоби для автоматичної діагностики елементів головного обладнання ядерних енергоблоків створюють необхідні передумови для суттєвого підвищення експлуатаційної надійності та ресурсу цих елементів на діючих та споруджуваних АЕС.

Список публікацій здобувача за темою дисертації

1. Шаповалова С.И. Диагностика подшипниковых узлов парового турбоагрегата АЭС при помощи нейронной сети / С.И. Шаповалова, Г.И. Шараевский / Интеллектуальный анализ информации: сб. трудов V межд. конф. ИАИ-2005 (17-20 мая 2005 г.)/. - К.:Просвіта.-С. 121 - 124.

2. Шаповалова С.И. Автоматическое распознавание и расчет арифметических выражений / С.И._Шаповалова, Г.И. Шараевский // Известия Белорусской инженерной академии. Науч. - техн. журнал. - 2005. - Вып.1 (19)/2. - С. 141 - 143.

3. Шаповалова С.И. Формирование карты самоорганизации для решения задачи распознавания / С.И. Шаповалова, Г.И. Шараевский / XІІІ Міжнародна конференція з автоматичного управління: тези доповідей. Автоматика-2006 (25-28 вересня 2006 р.) /. - Вінниця.: Універсум. - С. 368.

4. Шаповалова С.І. Комп'ютерне моделювання карти самоорганізації для розв'язання задачі розпізнавання сигналів / С.І. Шаповалова, Г.І. Шараєвський // Вісник національного університету «Львівська політехніка» Автоматика, вимірювання та керування. - 2007. - №574. - с. 75-81.

5. Шаповалова С.И. Предобработка диагностируемого сигнала для распознавания нейронной сетью / С.И. Шаповалова, Г.И. Шараевский / Интеллектуальный анализ информации: сб. трудов VII межд. конф. ИАИ-2007 (15-18 мая 2007 г.) /. - К.: Просвіта. - с. 352-357.

6. Архипов А.П. Разработка и проверка методики исследований энтальпии поперечных потоков между ячейками пучка стержней / А.П. Архипов, И.В. Волошина, В.И. Колочко, Г.И._Шараевский // Промышленная теплотехника - 2007. - Т.29, №7. - с. 75-79.

7. Шараевский И.Г. Методология искусственного интеллекта для раннего обнаружения предаварийных теплогидравлических процессов в ядерных реакторах / И.Г. Шараевский, С.И._Шаповалова, Г.И. Шараевский, Н.И. Власенко, А.Ю. Зенюк / V Международная конференция «Проблемы промышленной теплотехники»: тезизы докладов коференции. (22-26 мая 2007 г.) /. - С. 324-325.

8. Шаповалова С.И. Среда моделирования нейронных сетей для решения задач диагностики оборудования АЭС / С.И. Шаповалова, Г.И. Шараевский // Проблеми програмування. - 2008. - №2-3. - С. 675-678.

9. Аушева Н.М. Біометричний сенсор відбитків пальців/ Н.М. Аушева, А.А. Демчишин, С.І._Шаповалова, Г.І. Шараєвський / Інтернет-освіта-наука-2006: зб. матеріалів V міжнародної конф. ІОН-2006 (10-14 жовтня 2006 р) /. - Вінниця.: Універсум. - С. 586 - 588.

10. Шаповалова С.И. Инициализация центров кластеров карт самоорганизации для решения задач классификации / С.И. Шаповалова, Г.И. Шараевский / Системний аналіз та інформаційні технології: матеріали IIX міжн. конф. САІТ-2008 (20-24 травня 2008 р.) /. - К.: НТУУ» КПІ». - С. 270.

11. Шараевский Г.И. Оптимизация распознавания символов нейронными сетями // IX международная конференция имени Т.А. Таран «Интеллектуальный анализ информации ИАИ-2009»: Киев, 19-22 мая 2009 г.: Сб. тр./ Ред. кол.: С.В. Сирота (гл. ред.) и др. К.- : Просвіта, 2009. - С. 434-438.

12. Шаповалова С.И. Распознавание режимов работы основного оборудования АЭС/ С.И. Шаповалова, Г.И. Шараевский / Системний аналіз та інформаційні технології: матеріали X міжн. конф. САІТ-2009 (26-30 травня 2009 р.) /. - К.: НТУУ» КПІ». - С. 434.

13. Шараевский И.Г./ Интеллектуальная система автоматической диагностики главных циркуляционных насосов ядерных энергоблоков/ Шараевский.И.Г., Авраменко А.А., Шараевский.Г.И. // Проблеми ресурсу і безпеки експлуатації конструкцій, споруд і машин. - 2009. - Збірник наукових статей за результатами, отриманими в 2007-2009 рр. - С. 242-243.

14. Шараевский Г.И. Оперативная диагностика основного оборудования АЭС / Г.И. Шараевский, С.И. Шаповалова // Проблеми загальної енергетики. - 2009. - №20. - С. 35-39.

15. Шараевский Г.И. Алгоритм структуруризации карты самоорганизации при обучении нейронной сети / Шараєвський Г.И., Шаповалова С.И. // X международная конференция имени Т.А. Таран «Интеллектуальный анализ информации ИАИ-2010»: Киев, 18-21 мая 2010 г.: Сб. тр./ Ред. кол.: С.В. Сирота (гл. ред.) и др. К.- : Просвіта, 2010. - С. 434-438.