Модель прогнозирования класса готовности датчиков термохимического газосигнализатора для предотвращения пожаров и взрывов

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.

1. Юсупова Д.М. Аспекты внедрения искусственного интеллекта в цифровую трансформацию экономики и в системы электронного правительства // Экономика и социум. 2023. № 4 (107)-2. С. 801–815. URL: www.iupr.ru

2. Шкодырев В.П. Эволюция в кибернетике: управление, основанное на знаниях // Системный анализ в проектировании и управлении : сб. науч. тр. XXVI Междунар. науч.-практ. конф. В 3-х частях. Санкт-Петербург, 2023. С. 51–58. DOI: 10.18720/SPBPU/2/id23-34

3. Топольский Н.Г. Основы автоматизированных систем пожаровзрывобезопасности объектов. М. : МИПБ МВД России, 1997. 164 с.

4. Абросимов А.А., Топольский Н.Г., Федоров А.В. Автоматизированные системы пожаровзрывобезопасности нефтеперерабатывающих производств. М. : МИПБ МВД России, 1999. 244 с.

5. Федоров А.В., Гаплаев А.А.-Б., Топольский Н.Г., Самарин И.В. Автоматизация контроля и испытаний систем управления противопожарной защитой объектов топливно-энергетического комплекса / ред. А.В. Федоров. М. : РГУ нефти и газа (НИУ) им. И.М. Губкина, Академия ГПС МЧС России, 2019. 183 с.

6. Быкова В.Н., Ким Е., Гаджиалиев М.Р., Мусиенко В.О., Оруджев А.О., Туровская E.А. Применение цифрового двойника в нефтегазовой отрасли // Актуальные проблемы нефти и газа. 2020. Вып. 1 (28). С. 8. DOI: 10.29222/ipng.2078-5712.2020-28.art8

7. Бутузов С.Ю., Пранов Б.М., Прус Ю.В., Семиков В.Л., Яковлев О.В. Модель оценки устойчивости автомати­зированных систем пожаровзрывобезопасности // Пожаровзрывобезопасность/Fire and Explosion Safety. 2017. Т. 26. № 6. С. 14–20. DOI: 10.18322/PVB.2017.26.11.14-20. EDN YMCOHG.

8. Аблаев Р.Р., Абрамова Л.С., Аблаев А.Р. Импортозамещение и реструктуризация экспортных потоков в области высокотехнологического производства // Московский экономический журнал. 2023. № 3. С. 216–229. DOI: 10.55186/2413046X_2023_8_3_130

9. Крылов А.А. Исследование нестабильности дрейфа нуля МЭМС-гироскопов и способов ее учета при калиб­ровке // Известия Тульского государственного университета. Технические науки. 2020. Вып. 1. С. 64–69.

10. Abdullah Al-hammadi S.R.A., Liang Y. A review study on methane gas sensors // North American Academic Research. 2021. Vol. 4. Issue 5. Pр. 303–309. DOI: 10.5281/zenodo.4884736

11. Губенко А.М. Подходы к применению технологий искусственного интеллекта для решения задач автоматизированного управления в сложных организационно-технических системах // Техника средств связи. 2023. № 4 (164). С. 66–71. DOI: 10.24412/2782-2141-2023-4-66-71

12. Харитонова Ю.С., Савина В.С., Паньини Ф. Предвзятость алгоритмов искусственного интеллекта: вопросы этики и права // Вестник Пермского университета. Юридические науки. 2021. Вып. 53. C. 488–515. DOI: 10.­17072/1995-4190-2021-53-488-515. EDN EUKCPY.

13. Ikram Ben Ahmed1, Wael Ouarda, Chokri Ben Amar, Khouloud Boukadi. DEES-breast: deep end-to-end system for an early breast cancer classification // Evolving Systems. 2024. Vol. 15. Pр. 1845–1863. DOI: 10.1007/s12530-024-09582-9

14. Sourour Brahimi, Ibrahimi Soumaya, Chokri Ben Amar. An object recognition method based on deep BCNN with Reinforced Dense Blocks, Conference : 2023 International Conference on Cyberworlds (CW), October 2023. DOI: 10.1109/CW58918.2023.00044

15. Rim Fakhfakh, Anis Ben Ammar, Chokri Ben Amar. Deep Learning-Based Recommendation: Current Issues and Challenges // (IJACSA) International Journal of Advanced Computer Science and Applications. 2017. Vol. 8. No. 12. DOI: 10.14569/IJACSA.2017.081209

16. Zeineb Daoud, Amal Ben Hamida, Chokri Ben Amar. Fire object detection and tracking based on deep learning model and Kalman filter // Arabian Journal for Science and Engineering. 2023. No. 49 (6). DOI: 10.1007/s13369-023-08127-7

17. Velibor Božić. Machine learning vs deep learning. March 2024. DOI: 10.13140/RG.2.2.16632.21762

18. Shams Forruque Ahmed, Md. Sakib Bin Alam, Maruf Hassan, Mahtabin Rodela et al. Deep learning modelling techniques: current progress, applications, advantages, and challenges // Artificial Intelligence Review. 2023. No. 56 (11). Рр. 13521–13617. DOI: 10.1007/s10462-023-10466-8

19. Топольский Н.Г., Самарин И.В., Строгонов А.Ю. Методика оценки готовности к работе оборудования АСПВБ первого уровня информирования на объектах ТЭК в особых условиях // Пожаровзрывобез­опасность/Fire and Explosion Safety. 2019. Т. 28. № 1. С. 35–46. DOI: 10.18322/PVB.2019.28.01.35-46. EDN QHUJWX.

20. Топольский Н.Г., Самарин И.В., Строгонов А.Ю. Модель оценки обеспечения комплексной безопасности в АСУТП с применением диагностики пожарных извещателей для построения автоматизированной системы поддержки управления пожаровзрывобезопасностью // Пожаровзрывобезопасность/Fire and Explosion Safety. 2018. Т. 27. № 11. С. 15–22. DOI: 10.18322/PVB.2018.27.11.15-22