Моделирование системы искусственного интеллекта для опережающего выявления аварийных ситуаций на жизненно важных объектах

В статье приводятся результаты моделирования системы искусственного интеллекта для опережающего выявления нежелательных ситуаций различного характера на объектах, представляющих важнейшее народнохозяйственное значение. В качестве такого объекта можно указать трубопроводный транспорт или любую другую производственную систему, в которой проводится непрерывный мониторинг параметров работоспособности ответственных узлов и механизмов. Данная модель может быть применена в работе различных нефтегазодобывающих компаний. Результаты моделирования и последующей разработки информационной системы предоставят базу для промышленной реализации высокоэффективных систем обнаружения и предотвращения аварийных ситуаций на основе нейросетевого анализа непрерывно получаемых потоковых данных. В рамках проводимого исследования проанализирована возможность применения для рассматриваемой задачи современных архитектур нейросетей, а именно: сверточных нейросетей – TCN, нейронных сетей прямого распространения – MLP, рекуррентных нейронных сетей – LSTM. Предложено для LSTM отказаться от функции активации, что крайне важно для данной задачи, потому что позволяет обеспечить нейросеть «долговременной памятью» о хранимых значениях. Кроме того, выполнено перекрестное сравнение скорости снижения ошибок при обучении сетей для обнаружения архитектуры, способной к «самообучению». Все модели были протестированы с использованием обучающих данных со скважин «Восточный купол». Для всех моделей было получено приемлемое совпадение тестовых и экстраполяционных данных.

1. Павлов С.Г. Разработка технологии оценки геоэкологической безопасности газопроводов в условиях возникновения аварийных ситуаций: дис. … канд. техн. наук. М.: 2009. Доступно по: http://miigaik.ru/science/councils/congregation / 09_05_21_pavlov.pdf (дата обращения: 30.10.2021).

2. Комашинский В.И., Смирнов Д.А. Нейронные сети и их применение в системах управления и связи. М.: Горячая линия – Телеком; 2002. 94 с.

3. Подольский А.К. Применение методов искусственного интеллекта в нефтегазовой промышленности. Современная наука. 2016;(3):33–36.

4. Нейросеть сможет оценить риски аварий на предприятиях нефтяной отрасли в Арктике. Доступно по: https://minobrnauki.gov.ru/press-center/news/?ELEMENT_ID=40904 (дата обращения: 15.11.2021).

5. Малкина В.Д., Кукаренко А.В. Система оптоволоконного мониторинга трубопроводов «ОМЕГА» с применением искусственного интеллекта. Экологический вестник России. 2020. Режим доступа: https://omega.transneft.ru/press/articles/?id=36023 (дата обращения: 15.11.2021).

6. Автоматическая система контроля аварийных выбросов на химически опасных объектах (АСКАВ). Доступно по: http://cit-avtomatika.ru/catalogue/avtomatizaciya/askav/ (дата обращения: 01.12.2021).

7. Вялышев А.И., Добров В.М., Долгов А.А., Зиновьев С.В., Файзулин Т.Ш. Система контроля аварийных ситуаций на объектах нефтегазодобычи в акваториях арктических морей. Технологии гражданской безопасности. 2013;37(3):16–21.

8. Многослойный персептрон (Multilayered perceptron). Доступно по: https://wiki.loginom.ru/articles/multilayered-perceptron.html (дата обращения: 18.11.2021).

9. Долгая краткосрочная память. Доступно по: https://neerc.ifmo.ru/wiki/index.php?title=Долгая_краткосрочная_память (дата обращения: 18.11.2021).

10. Устройство регулирующее исполнительное УР. Доступно по: https://p-sr.ru/products/ustrojstva-zapornye-krany-sharovye/ustrojstva-reguliruyushhie-ur/ (дата обращения: 15.11.2021).

11. Катаев К.А. Гидратообразование в трубопроводах природного газа. Всероссийский журнал научных публикаций. 2011;2(1).

12. Дорман В.Н., Баскакова Н.Т. Анализ состояния оборудования как инструмент снижения расходов на ремонты. Экономический анализ: теория и практика. 2011;(39).

13. Науменко А.П. Теория и методы мониторинга и диагностики: Материалы лекций. Омск: ОмГТУ; 2017. 154 с.

14. Dietterich T. Machine Learning for Sequential Data: A Review. Structural, Syntactic, and Statistical Pattern Recognition. 2002:15–30.

15. Fox M. Industrial Applications of Artificial Intelligence. Robotics. 1986:301–311.

16. Временные сверточные сети и прогнозирование. Доступно по: https://ichi.pro/ru/vremennye-svertocnye-seti-i-prognozirovanie-102124506152164 (дата обращения: 18.11.2021).

17. A Method for Stochastic Optimization. Доступно по: https://arxiv.org/abs/1412.6980 (дата обращения: 04.12.2021).