САМАРИН Илья Вадимович, д.т.н., доцент, заведующий кафедрой автоматизации технологических процессов
119991, г. Москва, Ленинский пр-т, 65, корп. 1
РИНЦ AuthorID: 867674
Ilya V. SAMARIN, Dr. Sci. (Eng.), Docent, Head of Department of Automation of Technological Processes
Leninskiy Avenue, 65, Bldg. 1, Moscow, 119991
RISC AuthorID: 867674
СТРОГОНОВ Андрей Юрьевич, старший преподаватель кафедры автоматизации технологических процессов
119991, г. Москва, Ленинский пр-т, 65, корп. 1
РИНЦ AuthorID: 936562
Andrey Yu. STROGONOV, Senior Lecturer of Department of Automation of Technological Processes
Leninskiy Avenue, 65, Bldg. 1, Moscow, 119991
RISC AuthorID: 936562
КРЮЧКОВ Алексей Вячеславович, к.т.н., доцент кафедры комплексной безопасности критически важных объектов
119991, г. Москва, Ленинский пр-т, 65, корп. 1
РИНЦ AuthorID: 1047095
Aleksey V. КRYUCHKOV, Cand. Sci. (Eng.), Associate Professor of Department of Integrated Security of Critical Facilities
Leninskiy Avenue, 65, Bldg. 1, Moscow, 119991
RISC AuthorID: 1047095
Введение. Актуальность рассматриваемой в статье проблемы заключается в необходимости совершенствования автоматизации и интеллектуализации организационного управления пожаровзрывобезопасностью на объектах топливно-энергетического комплекса. Дрейф нуля из-за влияния ряда параметров у термохимических датчиков снижает их чувствительность, что требует разработки новых подходов в реализации их технического обслуживания (ТО). Модель прогнозирования класса готовности датчиков, основанная на сверточной нейронной сети (СНС), позволяет скорректировать установленный процесс принятия решений о ТО, предотвращая опасные ситуации на ранних этапах развития.
Задача исследования. Повышение эффективности работы лиц, принимающих решения (ЛПР) при планировании работ бригад, выполняющих диагностику и техническое обслуживание вспомогательного оборудования, используемого в том числе для обеспечения пожарной безопасности (ПБ).
Методы. Для расчета значений классификации при прогнозировании класса готовности датчиков газосигнализаторов использовался метод стратегического планирования, основанный на важности признаков (динамического стратегического планирования с использованием математического программирования). В соответствии с ним класс готовности определялся как сумма бинарных значений признаков, умноженных на нормированное значение их важности.
Результаты и их обсуждение. Для проведения расчетов и оценки результатов применения СНС авторами была разработана программа на языке программирования Python. С ее помощью был сгенерирован общий набор данных, из которого в соотношении 9:1 были выбраны обучающий и тестовый наборы. После их формирования СНС прошла обучение. Тестирование показало, что ЛПР может прогнозировать класс готовности датчиков газосигнализаторов с вероятностью 89 %.
Выводы. Представленная в статье СНС позволяет повысить эффективность работы ЛПР при планировании работ бригад, выполняющих диагностику и техническое обслуживание вспомогательного оборудования для ПБ. Принцип работы данной СНС может быть использован для решения других аналогичных задач планирования и управления.
Introduction. The relevance of the problem considered in the paper is in the need to improve the automation and intellectualization of organizational management of fire and explosion safety at the facilities of the fuel and energy complex. Zero drift due to the influence of a number of parameters in thermochemical sensors reduces their sensitivity, which requires the development of new approaches in the implementation of their maintenance. The sensor readiness class prediction model, based on a convolutional neural network (CNN), allows to adjust the established decision-making process, preventing dangerous situations at early stages of development.
Objective. To increase the efficiency of decision makers (DM) in planning the work of teams performing diagnostics and maintenance of auxiliary equipment used, among other things, to ensure fire safety (FS).
Methods. To calculate the classification values when predicting the readiness class of gas alarm sensors, a strategic planning method based on the importance of features (dynamic strategic planning using mathematical programming) was used. According to it, the readiness class was defined as the sum of the binary values of the features multiplied by the normalized value of their importance.
Results and discussion. To carry out calculations and evaluate the results of the CNN application, the authors developed a programme in the Python programming language. It was used to generate a common data set from which training and test sets were selected in a ratio of 9:1. After their formation, the CNN was trained. Testing showed that the DM can predict the readiness class of gas alarm sensors with a probability of 89 %.
Conclusions. The CNN presented in the paper allows to increase the efficiency of the DM work when planning the work of teams performing diagnostics and technical maintenance of auxiliary equipment for FS. The principle of operation of this CNN can be used to solve other similar planning and management tasks.
The authors declare that there are no conflicts of interest present.