29
режиме on-line. Полученная таким образом информация
дает является более достоверной нежели чем информация,
полученная в ходе экспертной оценки или же при выводе
оборудования из эксплуатации.
II.
О
ЦЕНИВАЕМЫЕ ПАРАМЕТРЫ
Человек в отличии от автоматизированных систем не
способен всеобъемлюще оценить состояние систем в тот
или иной момент. Порой, выявление некорректно
работающих систем происходит слишком поздно, что
приводит к критическому повреждению оборудования и
дальнейшим авариям. Создание комплексов анализа и их
дальнейшее
применение
позволит
не
только
заблаговременно узнать о выходе из строя, но и оценить
аномалии, возникающие в ходе эксплуатации.
Основными параметрами для достоверной оценки
могут являться:
•
Акустические;
•
Оптические;
•
Тепловые;
•
Электрические;
•
Магнитные;
•
Радиационные (для оборудования АЭС).
Каждый тип оборудования соответственно имеет свой
набор измеряемых параметров. К примеру, масло в
трансформаторе должно подвергаться химическому
анализу для определения наличия примесей, кислотного
числа и пр. У обмоток контролируется нарушение
соединений между обмотками. Изоляция проверяется на
износ, а магнитная система на несимметрию и нарушение
изоляции.
В существующих работах предлагается создание среды
с полноценным описанием того или иного оборудования.
Телеметрия и паспортные данные выступают основным
способом описания, к примеру, трансформатора.
Следующим этапом создается обучаемая нейросеть
обрабатывающая полученные данные. Интересно то, что в
основе системы может лежать нейро-нечеткая система.
Это система, которая на практике сперва использует
нечеткую логику, а в дальнейшем дополняется нейронной
сетью для дополнительного обучения и выявления
неточностей [1].
III.
Н
ЕЙРОННЫЕ СЕТИ
Искусственная нейронная сеть – это набор нейронов,
соединённых между собой. Как правило, передаточные
функции всех нейронов в сети фиксированы, а вес
является параметром сети и может изменяться. Некоторые
входы нейронов являются внешними входами сети, а
некоторые выходы – внешними выходами сети.
Выбор типа сети – задача сложная, но на данный
момент существует несколько десятков эффективных
математически доказанных нейросетевых архитектур.
Наиболее популярные и изученные архитектуры –
многослойный персептрон, сеть каскадной корреляции
Фальмана, сеть Вольтерри, сети с обратной связью между
различными слоями нейронов – рекуррентные сети (сеть
Хопфилда, сеть Хемминга, сеть ВАМ, персептронная сеть
с обратной связью, сеть Эльмана, сеть RTRN), сети с
самоорганизацией на основе конкуренции (сеть Кохонена,
сеть нейронного газа), сети с самоорганизацией
корреляционного типа (сеть РСА, сеть ICA), нечёткие
нейронные сети (сеть TSK, сеть Ванга–Менделя)[2].
Основная рассматриваемая мною сеть – нейросеть
Кохонена. Карты Кохонена применяются для наглядного
упорядочивания многопараметрической информации.
Программная среда как может быть написана с нуля,
так и использована существующая. На следующем этапе
производится
обучение
нейросети
на
выборках
параметров оборудования вплоть до минимизации
ошибки обучения. Например, был произведен анализ
повышенной вибрации ГНЦ-2 блока 1 Калиниской АЭС и
предаварийных
данных
Нововоронежской
АЭС.
Результатом стало выявление аномальной ситуации,
предшествующей аварии на блоке. После провиденного
анализа было составлено заключение, что повреждение
было в области блока уплотнений, что подтвердила
ревизия самого блока [3].
IV.
Д
ОПОЛНИТЕЛЬНЫЕ АСПЕКТЫ СИСТЕМ АНАЛИЗА
.
П
РЕДЛОЖЕНИЯ ПО ПРОГРАММНЫМ КОМПЛЕКСАМ И ВЫВОДЫ
Предлагается
создать
комплекс
анализа
на
существующих объектах электроэнергетики с разным
сроком
эксплуатации.
К
примеру,
взять
станции/подстанции разного года ввода с разной
оснащенностью. Ключевым фактором будет являться
наличие телеметрии на объекте.
Следующим этапом является внедрение ПО для
анализа работы выключателей, линий и трансформаторов.
Само ПО интегрировать в программный комплекс СК-11 с
уже
использующимся
функционалом
обработки
телеметрии. Это позволит сэкономить время разработки
дополнительного ПО и в реальном времени обрабатывать
входящую информацию.
В дальнейшем также предлагается ввести систему
мониторинга программной системы, как и для
нейросетевой составляющей так и для всего комплекса
СК-11. Как необязательный, но немаловажный в
дальнейшем комплекс, он позволит выявлять аномалии
программной системы, приводящей к сбою или отказу.
Список литературы
[1]
М.В. Бобырь, С.А. Кулабухов, Н.А. Милостная. Обучение нейро-
четкой системы на основе метода разности площадей. – Курск:
Юзгу, 2016.
[2]
В. А. Горбунов «Использование нейросетевых технологий для
повышения энергетической эффективности теплотехнологических
установок» - Иваново. – 2001. – С. 11.
[3]
Лескин С.Т., Слободчук В.И., Пузаков А.Ю., Шелегов А.С.
«Применение нейронных сетей для раннего обнаружения аномалий
в состоянии оборудования АЭС».– Обнинск. – 2017. – С. 6-8.
