Адаптивний нейромережевий комплекс для автоматичної діагностики стохастичних динамічних об’єктів атомної електростанції

Запропоновано підхід до навчання та автоматичної адаптації діагностичної нейромережевої структури на основі топології Кохонена в умовах апріорної невизначеності множини класів, що підлягають розпізнаванню. Цей підхід реалізовано на основі визначення моменту розладки випадкового часового ряду, із вик...

Full description

Saved in:

Bibliographic Details
Date:	2010
Main Author:	Шараєвський, Г.І.
Format:	Article
Language:	Ukrainian
Published:	Інститут програмних систем НАН України 2010
Subjects:	Прикладне програмне забезпечення
Online Access:	https://nasplib.isofts.kiev.ua/handle/123456789/14669
Tags:	Add Tag No Tags, Be the first to tag this record!
Journal Title:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Cite this:	Адаптивний нейромережевий комплекс для автоматичної діагностики стохастичних динамічних об’єктів атомної електростанції/ Шараєвський, Г.І. // Пробл. програмув. — 2010. — № 2-3. — С. 611-615. — Бібліогр.: 10 назв. — укр.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

_version_	1860118376515371008
author	Шараєвський, Г.І.
author_facet	Шараєвський, Г.І.
citation_txt	Адаптивний нейромережевий комплекс для автоматичної діагностики стохастичних динамічних об’єктів атомної електростанції/ Шараєвський, Г.І. // Пробл. програмув. — 2010. — № 2-3. — С. 611-615. — Бібліогр.: 10 назв. — укр.
collection	DSpace DC
description	Запропоновано підхід до навчання та автоматичної адаптації діагностичної нейромережевої структури на основі топології Кохонена в умовах апріорної невизначеності множини класів, що підлягають розпізнаванню. Цей підхід реалізовано на основі визначення моменту розладки випадкового часового ряду, із використанням авторегресійної моделі. In this work the approach for training and automated adaptation of diagnostic neuro-networking structure on the basis of Kohonen’s topology in conditions of a priori uncertainty of many classes to be recognized is proposed. This approach is implemented on the basis of determination of the moment of disorder of random time series using the autoregressive model.
first_indexed	2025-12-07T17:38:00Z
format	Article
fulltext	Прикладне програмне забезпечення © Г.І. Шараєвський, 2010 ISSN 1727-4907. Проблеми програмування. 2010. № 2–3. Спеціальний випуск 611 УДК 004.032.26 АДАПТИВНИЙ НЕЙРОМЕРЕЖЕВИЙ КОМПЛЕКС ДЛЯ АВТОМАТИЧНОЇ ДІАГНОСТИКИ СТОХАСТИЧНИХ ДИНАМІЧНИХ ОБ’ЄКТІВ АТОМНОЇ ЕЛЕКТРОСТАНЦІЇ Г.І. Шараєвський Національний технічний університет України «КПІ», Україна, 03056, Київ, проспект Перемоги, 37, тел.: +3 (067) 538-00-70, е-mail: yura.sharayevskij@gmail.com Запропоновано підхід до навчання та автоматичної адаптації діагностичної нейромережевої структури на основі топології Кохонена в умовах апріорної невизначеності множини класів, що підлягають розпізнаванню. Цей підхід реалізовано на основі визначення моменту розладки випадкового часового ряду, із використанням авторегресійної моделі. In this work the approach for training and automated adaptation of diagnostic neuro-networking structure on the basis of Kohonen’s topology in conditions of a priori uncertainty of many classes to be recognized is proposed. This approach is implemented on the basis of determination of the moment of disorder of random time series using the autoregressive model. Постановка проблеми Сучасні системи моніторингу в структурі автоматизованих ситсем управління технологічними процесами (АСУ ТП) атомних електростанцій (АЕС) не забезпечують автоматичного формування діагностичних рішень щодо ряду визначальних для безпеки ядерної енергоустановки (ЯЕУ) технологічних процесів та режимів експлуатації деяких критично важливих елементів та систем цієї складної технічної системи. Формування діагностичних рішень покладено безпосередньо на операторів ядерного енергоблока, які за умов високого психофізичного навантаження та браку часу мають евристично (тобто на основі власного досвіду та відповідного регламенту експлуатації) знайти порушення, визначити його тип та прийняти превентивні засоби для запобігання розвитку аварійної ситуації [1, 2]. Таким чином, за умов інформаційного перевантаження оперативного персоналу виконання функцій з діагностики елементів та систем ЯЕУ складного технічного об’єкта в ручному режимі не може бути якісно виконано. Аналіз останніх досліджень. Дослідження, виконані за останні десятиліття [2, 3], дозволили визначити головні діагностичні параметри та характеристики цих параметрів, зокрема, спектральні, які містять значущу діагностичну інформацію про характер важливих технологічних процесів, які відбуваються в обладнанні ЯЕУ і передують виникненню потенційно небезпечних передаварійних режимів експлуатації. За останні роки розроблено комплекс математичних підходів до розпізнавання випадкових діагностичних об’єктів різної фізичної природи відповідно до ряду елементів та систем головного обладнання АЕС [4, 5]. Проте, висока надійність правильної ідентифікації аномальних та передаварійних режимів експлуатації у критично важливих для безпеки ЯЕУ її елементах та системах на основі відомих статистичних, геометричних, структурних та інших концепцій розпізнавання до сьогоднішнього часу практично не була досягнута. Практична реалізація нейромережевих методів ідентифікації складних діагностичних об’єктів, що була виконана в роботах [6, 7] довела їх високу надійність та ефективність для деяких елементів ЯЕУ. Водночас ряд принципових аспектів адаптації штучної нейронної мережі (ШНМ) діагностичної системи до реального діагностичного середовища за умов апріорної невизначеності множини класів, що підлягають розпізнаванню, на сьогоднішній час є невирішеними. Мета роботи полягає у розробці підходів до навчання та адаптації ШНМ з топологією Кохонена [8] за умов апріорної невизначеності множини класів, що підлягають розпізнаванню, на основі концепції теорії стохастичних динамічних систем [9]. Задача діагностики за умов апріорної невизначеності множини класів, що підлягають розпізнаванню Особливості розпізнавання випадкових динамічних діагностичних об’єктів при наявності суттєвих обмежень на апріорну інформацію щодо повної множини класів, що підлягають розпізнаванню, полягають у наступному: а) відомими є вихідні навчальні вибірки щодо штатного режиму експлуатації відповідного обладнання ЯЕУ; б) відома кінцева множина спектральних ознак, в яких зміна статистичних властивостей сигналів характеризує момент міжкласового переходу від штатного режиму до непередбаченого регламентом експлуатації. Прикладне програмне забезпечення 612 Цей тип задач відрізняється від розглянутих в [4–7] умов розпізнавання діагностичних об’єктів у задачах з попередньо відомими елементами навчальної множини M,...,A,AAA= 21 , що утворена конкретними діагностичними об’єктами. Ця апріорна інформація на етапі навчання, виходячи з характерної спектральної структури та частотного діапазону сигналів [2] принципово може бути надана експертом. Таким чином, визначальним у зазначених діагностичних умовах відповідно до цього типу є той факт, що аварійна динаміка практично не може бути відтворена на відповідних дослідницьких стендах з причини невідповідності фізичних умов на цих стендах реальним умовам експлуатації, а також через потенційну небезпеку розвитку при відтворенні в умовах АЕС аварійних режимів експлуатації. Саме через вищезазначені об’єктивні чинники спектральні реалізації потенційно небезпечних передаварійних експлуатаційних станів не є відомими експерту. В табл. 1 наведено перелік діагностичних задач, коли попередньо відомими експерту є лише частотні діапазони спектральних ознак, які відповідають умовам початку переходу до нештатних режимів експлуатації (аномальних та передаварійних). Таблиця 1. Діагностичні об’єкти відповідно до умов динамічного формування множини класів № з/п Тип головного обладнання ядерного енергоблока Перелік діагнастованих вузлів та систем ЯЕУ Перелік класів, що підлягають розпізнаванню 1 Активна зона ядерного реактора Оболонки ТВЕЛ А1 – штатний режим конвективної тепловіддачі; А2 – початок аномального режиму кипіння теплоносія; А3 – розвинена теплогідравлічна аномалія; А4 – передаварійний режим тепловіддачі; А5 – аварійний режим кризи теплообміну на поверхні ТВЕЛ 2 Турбомашини ядерного блока Співвісність ротора турбомашин А1 – штатний режим співвісності; А2 – початок аномального режиму порушення співвісності; А3 – передаварійний режим зачіпання ротора за статор 3 Головні циркуляційні насоси Проточна частина насоса А1 – штатний режим відсутності кавітації теплоносія; А2 – початок аномального режиму кавітації; А3 – розвинена аномальна кавітація; А4 – передаварійний режим початку зриву циркуляції Як приклад на рис. 1 наведено дві типові спектральні реалізації діагностичних сигналів нейтронного шуму, що відповідають: а) класу А1 конвективної тепловіддачі з поверхні реальних ТВЕЛ в експериментальній ТВЗ реактора ВВЕР – 440; б) розвиненій теплогідравлічній аномалії (клас А3) в цій ТВЗ, що відповідає пузирковому кипінню теплоносія в активній зоні цього реактора. Слід зазначити, що спектральні структури цих сигналів є суттєво подібними і в реальних умовах експертом-діагностом ідентифіковані бути не можуть. Таким чином, аномальний теплогідравлічний режим, що відповідає початку кипіння теплоносія на поверхні ТВЕЛ і становить клас А2, евристично не може бути ідентифікований експертом-діагностом на основі візуального аналізу спектральної структури цього сигналу. Визначення межі між класами А1 та А2, що є невідомою експертам, у роботі практично реалізовано на основі математичного підходу до визначення моменту розладки випадкового часового ряду [9]. Останній утворено відповідною послідовністю рівнів спектральної повності в спектрах діагностичного сигналу нейтронного шуму при збільшені теплової потужності реакторного каналу. Дослідження зазначених випадкових часових рядів, виконані в даній роботі, довели можливість їх ефективної апроксимації послідовностями авторегресійного типу. Нехай Nwww ,....,, 21 є проінтегрованою послідовністю авторегресії (АР), тобто: p i titittttt d xxWWxW 1 1 1 (1) де d – оператор різності; d – порядок різності; p – порядок авторегресії; 1,..., p – коефіцієнти авторегресії; t – незалежна гаусівська послідовність. Прикладне програмне забезпечення 613 Рис. 1. Типові реалізації діагностичних сигналів нейтронного шуму, що відповідають: а – штатному режиму (клас А1) конвективної тепловіддачі з поверхні реальних ТВЕЛ у експериментальній ТВЗ реактора ВВЕР – 440; б – розвиненій теплогідравлічній аномалії (клас А3) у цій ТВЗ, з пузирковим кипінням теплоносія в активній зоні цього реактора Аналіз послідовностей рівнів спектральної повності в інформаційно значущих інформаційних ознаках нейтронного шуму показав, що міжкласовий перехід супроводжується суттєвою зміною ( 1)p -мірного вектора параметрів моделі (1), тобто: 1( ,..., , )T p . Формально, виявлення факту зміни цього вектора параметрів моделі АР, а саме: коефіцієнтів авторегресії p1 дає змогу вирішити задачу виявлення початку міжкласового переходу. На рис. 2 представлено результати пошуку розладки в трьох спектральних каналах у момент міжкласового переходу від класу А1 до класу А2. На цій же формі наведено обчислені відповідно до запропонованого алгоритму параметри авторегресії відповідного часового ряду, зміна яких свідчить про наявність факту зміни статистичних властивостей цього ряду в момент зафіксованого міжкласового переходу. Показово, що спектральні канали для пошуку розладки були попередньо визначені експертом, виходячи з відомих фізичних особливостей процесу кипіння теплоносія на поверхні ТВЕЛ та характерних властивостей нейтронного шуму, як діагностичного сигналу. Автоматичне визначення межі між класами А1 та А2, а також наступне виокремлення класу А3 дозволило сформувати відповідні навчальні вибірки та сформувати центри кластерів на основі запропонованого в [10] підходу. Це дає змогу ефективної реалізації нейрокомп’ютерного діагностичного підходу для реалізації автоматичної діагностики на основі ШНМК. На рис. 3 представлено узагальнену структурну схему функціонування розробленої у даній роботі нейрокомп’ютерної системи для програмної реалізації саме визначення перехідних процесів в обладнанні. Відповідно до цієї схеми, діагностичний сигнал, що підлягає ідентифікації, надається до блоку спектрального аналізу, в якому на основі відповідного типу спектрального перетворення (зокрема, алгоритма ШПФ) формуються спектральні ознаки цього сигналу. На основі інформації, попередньо наданої експертом з множини цих спектральних ознак виокремлюються деякі ознаки, зміна статистичних властивостей в яких, відповідає за факт міжкласового переходу. В кожному з таких блоків виявлення факту розладки реалізується на основі розглянутих у роботі алгоритмів визначення моменту зміни статистичних властивостей відповідного часового ряду. Інформація про визначені таким чином спектральні канали, які характеризують початок відповідного міжкласового переходу, на основі логічного аналізу узагальнюється в блоці ідентифікації типу міжкласового переходу, на виході якого формується номер класу, що попередньо був невідомим. Синхронно з визначенням типу цього класу з блоку спектрального аналізу на вхід до ШНМК надається відповідна цьому типу класу спектральна реалізація. В разі відсутності реалізацій цього типу в карті самоорганізації, у відповідності до модифікованого в даній роботі алгоритму SOM (Self Organizing Maps) здійснюється автоматичне динамічне додавання нового класу до множини класів діагностичних об’єктів А, що підлягають розпізнаванню. Всі ідентифіковані таким чином (раніше невідомі) типи класів діагностичних об’єктів та відповідні цим класам спектральні реалізації реєструються в базі даних системи автоматичної діагностики та надаються експерту для подальшого аналізу. Прикладне програмне забезпечення 614 Рис. 2. Форма функціонування алгоритма визначення моменту міжкласового преходу за умови апріорної невизначеності класів Рис. 3. Узагальнена структурна схема функціонування нейрокомп’ютерного комплексу для програмної реалізації динамічних діагностичних задач за умов апріорної невизначеності множини класів Прикладне програмне забезпечення 615 Висновки 1. Дослідження випадкових часових рядів, що утворені рівнями спектральної повності в інформаційно значущих частотних діапазонах спектрів сигналів, які надходять до входу системи автоматичної діагностики нейромережевого типу з виходу діагностичних сенсорів довели можливість їх ефективної апроксимації послідовностями авторегресійного типу. 2. Вирішення задачі адаптації діагностичних нейромережевих структур до конкретного об’єкта діагностики за умов апріорної невизначеності множини класів, що підлягають розпізнаванню, може бути ефективно реалізовано на основі визначення моменту розладки випадкового часового ряду з використанням авторегресійної моделі. 1. Анохин А.Н., Острейковский В.А., Сальников Н.Л. Системы поддержки оператора АЭС.-Обнинск: Институт атомной энергетики, 1988.– 92 с. 2. Самойлов О.Б., Усынин Г.Б., Бахметьев А.М. Безопасность ядерных энергетических установок.- М.: Энергоатомиздат, 1989. –- 279 с. 3. Kratzsch A., Kastner W., Hampel R., Ohlmeyer H. Anwendung von Kunstlichen Neuronalen Netzen (Multilayer Perzeptron) in der Reaktorsicherheitsforschung. – awt 52. Jg. (2007) Heft 10, S. 646 – 647. 4. Куприянова И.А. Автоматизированные средства информационной поддержки оператора при управлении АЭС. Аналитический обзор.- Обнинск: ФЭИ, 1997. – 47 с. 5. Диагностирование неисправностей в ЯЭУ с помощью ИВС. Реферативный обзор отечественной и зарубежной литературы. – Москва: ВНТИ Центр, 1987. – 178 с. 6. Шаповалова С.И., Шараевский Г.И. Диагностика подшипниковых узлов парового турбоагрегата АЭС при помощи нейронной сети // V междунар. конф. Интеллектуальный анализ информации ИАИ-2005, Киев, 17–20 мая 2005.: Сб. тр. / Под ред. Т.А. Таран. – Просвіта, 2005. – С. 296–301. 7. Шаповалова С.И., Шараевский Г.И. Предобработка диагностируемого сигнала для распознавания нейронной сетью // VII междунар. конф. Интеллектуальный анализ информации ИАИ-2007. – Киев, 15–18 мая 2007. Сб. тр. / Ред. кол.: С.В. Сирота (гл. ред.) и др. Киев. – Просвіта. – 2007. – С. 352–357. 8. Хайкин С. Нейронные сети: полный курс, 2-е издание. – М.: Издательский дом «Вильямс», 2006. – 1104 с. 9. Жигалевский А.А., Красковский А.Е. Обнаружение разладки случайных процессов в задачах радиотехники. – Л.: Изд. Ленингр. ун- та, – 1988. – 224 с. 10. Шаповалова С.И., Шараевский Г.И. Инициализация центров кластеров корт самоорганизации для решения задач классификации Системний аналіз та інформаційні технології. Матеріали X Міжнар. конф. САІТ-2008. – Киев: 20–24 травня 2008. – К.: НТУ України ”КПІ”. – 270 С.
id	nasplib_isofts_kiev_ua-123456789-14669
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
issn	1727-4907
language	Ukrainian
last_indexed	2025-12-07T17:38:00Z
publishDate	2010
publisher	Інститут програмних систем НАН України
record_format	dspace
spelling	Шараєвський, Г.І. 2010-12-27T14:07:17Z 2010-12-27T14:07:17Z 2010 Адаптивний нейромережевий комплекс для автоматичної діагностики стохастичних динамічних об’єктів атомної електростанції/ Шараєвський, Г.І. // Пробл. програмув. — 2010. — № 2-3. — С. 611-615. — Бібліогр.: 10 назв. — укр. 1727-4907 https://nasplib.isofts.kiev.ua/handle/123456789/14669 004.032.26 Запропоновано підхід до навчання та автоматичної адаптації діагностичної нейромережевої структури на основі топології Кохонена в умовах апріорної невизначеності множини класів, що підлягають розпізнаванню. Цей підхід реалізовано на основі визначення моменту розладки випадкового часового ряду, із використанням авторегресійної моделі. In this work the approach for training and automated adaptation of diagnostic neuro-networking structure on the basis of Kohonen’s topology in conditions of a priori uncertainty of many classes to be recognized is proposed. This approach is implemented on the basis of determination of the moment of disorder of random time series using the autoregressive model. uk Інститут програмних систем НАН України Прикладне програмне забезпечення Адаптивний нейромережевий комплекс для автоматичної діагностики стохастичних динамічних об’єктів атомної електростанції Adaptive neuro-networking complex for automated diagnostics of stochastic dynamic objects of nuclear power-station Article published earlier
spellingShingle	Адаптивний нейромережевий комплекс для автоматичної діагностики стохастичних динамічних об’єктів атомної електростанції Шараєвський, Г.І. Прикладне програмне забезпечення
title	Адаптивний нейромережевий комплекс для автоматичної діагностики стохастичних динамічних об’єктів атомної електростанції
title_alt	Adaptive neuro-networking complex for automated diagnostics of stochastic dynamic objects of nuclear power-station
title_full	Адаптивний нейромережевий комплекс для автоматичної діагностики стохастичних динамічних об’єктів атомної електростанції
title_fullStr	Адаптивний нейромережевий комплекс для автоматичної діагностики стохастичних динамічних об’єктів атомної електростанції
title_full_unstemmed	Адаптивний нейромережевий комплекс для автоматичної діагностики стохастичних динамічних об’єктів атомної електростанції
title_short	Адаптивний нейромережевий комплекс для автоматичної діагностики стохастичних динамічних об’єктів атомної електростанції
title_sort	адаптивний нейромережевий комплекс для автоматичної діагностики стохастичних динамічних об’єктів атомної електростанції
topic	Прикладне програмне забезпечення
topic_facet	Прикладне програмне забезпечення
url	https://nasplib.isofts.kiev.ua/handle/123456789/14669
work_keys_str_mv	AT šaraêvsʹkiigí adaptivniineiromereževiikompleksdlâavtomatičnoídíagnostikistohastičnihdinamíčnihobêktívatomnoíelektrostancíí AT šaraêvsʹkiigí adaptiveneuronetworkingcomplexforautomateddiagnosticsofstochasticdynamicobjectsofnuclearpowerstation

Адаптивний нейромережевий комплекс для автоматичної діагностики стохастичних динамічних об’єктів атомної електростанції

Institution

Similar Items