книги / Развитие теории анализа аварийной ситуации при хранении взрывчатыхз веществ

конечные результаты, получаемые в результате автоматизации управления безопасностью.

Известно, что большинство боеприпасов и ВВ изменяют свои свойства и характеристики со временем: меняются параметры технологического оборудования, характеристики взрывчатых веществ, внешние и внутренние воздействия непостоянны во времени. Все эти обстоятельства приводят к тому, что установленные параметры АСУ безопасностью хранения РГЗ необходимо периодически изменять, приводя их в соответствие со значениями наблюдаемых текущих контролируемых показателей. В русле такого понимания интеллектуальная АСУ – это система, сохраняющая при каких-либо изменениях способность эффективно решать задачиуправления.

Достичь этого возможно двумя путями. Первый путь: система должна располагать явными механизмами приспособления к изменениям, модифицируя соответствующие параметры алгоритма управления благодаря применению адаптивных технических средств: например, так называемые интеллектуальные ПИД-регуляторы (пропорционально-интегрально-дифференци- альный регулятор) или АСУ с самообучением, в частности, с использованием нейронных сетей. Другой путь – снабдить систему управления математическими моделями поведения РГЗ

вслучае развития аварийной ситуации, адекватно отражающими протекающие процессы. В таком направлении развиваются АСУ, использующие модели прогнозирования, что особенно актуально для управления потенциально опасными объектами.

Вместе с тем очевидным является третий путь, сочетающий

всебе и автоматизированные системы управления, и математи-

ческие прогнозные модели поведения системы боеприпасов в случае возникновения аварийной ситуации. Именно этот путь предлагается для создания автоматизированной системы управления безопасностью рассредоточенной группы зарядов.

Целью создания данной системы являются: контроль и управление безопасностью РГЗ в режиме реального времени, мониторинг состояния РГЗ, прогнозирование развития воз-

151

можных аварийных ситуаций, выработка решений по управлению безопасностью РГЗ и долгосрочных рекомендаций, направленных на минимизацию последствий аварийного взрыва боеприпасов.

Для выявления опасностей, оценки риска и управления безопасностью РГЗ необходимо обладать количественной (измеряемые и вычисляемые по математическим моделям переменные) и качественной информацией (знания о причинно-следственных связях). Схема причинно-следственных связей автоматизированной системы управления безопасностью рассредоточенной группы зарядов (АСУБ РГЗ) приведена нарис. 5.5.

Рис. 5.5. Причинно-следственные связи автоматизированной системы управления безопасностью рассредоточенной группы зарядов

152

Функциональная структура АСУБ РГЗ приведена на рис. 5.6. Она состоит из подсистемы хранения данных, подсистемы анализа опасности и системы поддержки принятия решения.

Рис. 5.6. Структура автоматизированной системы управления безопасностью рассредоточенной группы зарядов

153

Подсистема хранения данных предназначена для длительного хранения и распределенной обработки данных различными подсистемами АСУБ РГЗ и включает в себя:

базу данных реального времени для сбора информации, поступающей от систем контроля и наблюдения, а также передачи этой информации в подсистему анализа опасности;

базу данных по авариям и оценки последствий;

базу данных о типах хранящихся боеприпасов и сроках их эксплуатации;

базу данных о поражающих факторах хранящихся боеприпасов.

Функциональная схема подсистемы анализа опасности приведена на рис. 5.7.

Рис. 5.7. Функциональная схема подсистемы анализа опасности

154

Основными задачами, решаемыми в подсистеме анализа опасностей, являются:

идентификация видов потенциальных опасностей, выявление аварийных ситуаций, определение источников и факторов риска;

прогнозирование возможных аварийных ситуаций, ситуационное моделирование, построение дерева событий;

оценка состояния безопасности РГЗ в режиме реального времени;

количественная оценка различных видов риска для всевозможных вариантов развития аварии.

Результаты, получаемые с использованием математических моделей прогнозирования аварийных ситуаций, накапливаются

вбазах данных системы поддержки принятия решения.

Система поддержки принятия решения предназначена для хранения и обработки информации, моделей и алгоритмов, необходимых для принятия решений по управлению безопасностью рассредоточенной группы зарядов.

Как правило, СППР состоит из двух подсистем: подсистемы математического моделирования и управляющей подсистемы.

Подсистема математического моделирования состоит из блока математического моделирования, предназначенного для оперативного моделирования аварийных ситуаций, баз данных готовых математических моделей, подсистемы имитационного моделирования для прогнозирования аварийных ситуаций, блока анализа и сравнения результатов. Управляющая подсистема содержит экспертные системы, предназначенные для управления безопасностью рассредоточенной группы зарядов.

В свою очередь, экспертные системы состоят из баз данных (рабочей памяти), формируемых в зависимости от их назначения, баз знаний, содержащих модели и алгоритмы принятия управленческих решений по управлению безопасностью РГЗ, механизма логического вывода для формирования заключения в ответ на запрос к системе.

Функциональная схема СППР автоматизированной системы управления безопасностью рассредоточенной группы зарядов представлена на рис. 5.8.

155

Рис. 5.8. Функциональная схема СППР автоматизированной системы управления безопасностью рассредоточенной группы зарядов

156

Целью функционирования СППР является оперативное принятие решения по управлению безопасностью РГЗ. Для этого в случае отсутствия аналогичного сценария развития событий в библиотеке прецедентов в блоке математического моделирования с использованием методик и алгоритмов проводится моделирование развития аварийных ситуаций, вызванных различными факторами или же осуществляется обращение к базе данных готовых математических моделей. В случае подбора или моделирования аналогичного прецедента осуществляется управляющее воздействие. Если в библиотеке прецедентов не оказалось аналогичных сценариев развития аварийной ситуации, информация, полученная в результате расчетов, пополняет ее, и соответствующие экспертные системы дополняются новыми правилами принятия решения, по которым и осуществляется управляющее воздействие.

5.4. Управление безопасностью хранения рассредоточенной группы зарядов с использованием системы поддержки принятия решений

5.4.1. Анализ существующих моделей принятия решений

В любой системе управления наиболее важной является функция принятия решений, которая в настоящее время в сложных информационно-управляющих системах остается за человеком, а компьютер осуществляет информационную поддержку, предоставляя необходимую информацию.

Задачей принятия решений является отыскание альтернатив, представляющих собой оптимальный компромисс при учете всех рассматриваемых факторов – как количественных, так и качественных [91].

Выделяют следующие задачи принятия решений:

в условиях определенности, когда каждой альтернативе соответствует строго определенный исход;

в условиях риска, где исход является дискретной или непрерывной случайной величиной с известным законом распределения;

157

в условиях неопределенности, когда исход является случайной величиной, закон распределения которой неизвестен.

Задача принятия решений по управлению безопасностью хранения боеприпасов и ВВ является задачей в условиях неопределенности.

Существуют следующие подходы к принятию решения:

аксиоматический, предполагающий справедливость ряда аксиом о системе предпочтений лица, принимающего решения

(ЛПР);

эвристический, основывающийся на некоторых соображениях о системе предпочтений ЛПР, а не на четко сформулированных допущениях;

лингвистический, обеспечивающий возможность построения методов принятия решений в нечеткой среде.

Классификация моделей принятия решений представлена на рис. 5.9.

Рис. 5.9. Классификация моделей принятия решений

Большую группу моделей составляют экспертные модели: многокритериальной функции предпочтения, продукционные, искусственного интеллекта.

Большинство подходов многокритериальной оценки решений, основанных на субъективных оценках эксперта, сводятся к линейной или нелинейной свертке, позволяющей поставить

158

в соответствие каждому элементу множества оценивающее его число. Модели, основанные на использовании функций предпочтения, могут быть использованы при принятии решений в условиях чрезвычайных ситуаций.

Другой класс моделей принятия решений – продукционные модели. Эти модели активно используются как средство формализации эвристической (экспертной) информации в системах поддержки принятия решений. Продукционные модели позволяют реализовывать как детерминированную (алгоритмическую) схему вычислений, так и схему вычислений, содержащую элементы недетерминизма. Это делает их удобным средством представления плохо формализуемой и слабо структурированной информации.

Кэкспертным моделям принятия решений, использующим методы искусственного интеллекта, относятся искусственные нейронные сети и генетические алгоритмы.

Кнечетким относятся:

модели нечеткого математического программирования;

модели нечеткой ожидаемой полезности;

нечеткие модели коллективных решений;

нечеткие модели многокритериальных задач;

лингвистические модели принятия решений. Преимуществом использования подхода, основанного на

нечеткой логике в системах поддержки принятия решений, является возможность приблизительного (неточного) оценивания ситуаций.

Для принятия решений по управлению безопасностью хранения РГЗ наиболее перспективным представляется использование продукционных моделей и моделей принятия решений на основе нечетких множеств и нейронных сетей.

Различают следующие методы многокритериального принятия решений, традиционно используемые при решении задач принятия решений:

сравнения альтернатив;

с использованием нечетких множеств;

вербального анализа.

159

Самую большую группу составляют методы сравнения альтернатив:

аппроксимационные (линейного программирования, линейного упорядочения альтернатив; построения квазипорядка на множестве альтернатив; векторных предпочтений; множественных сравнений; упорядоченных разбиений);

на основе многокритериальной теории полезности (методы анализа иерархий, методы аналитической иерархии (попарное сравнение).

Методы с использованием нечетких множеств широко используются для формализации человеко-машинных процедур. К этим методам относятся методы размытого ранжирования, использования лингвистических переменных, использования нечетких выводов в экспертных системах и ряд других.

Методы вербального анализа используются для решения неструктурированных задач с качественными переменными.

Все перечисленные выше методы используются при решении традиционных задач принятия решений, таких как упорядочение альтернатив, сравнение альтернатив, выявление предпочтений, классификации, назначения.

Обобщая вышеизложенные методы и возможность их использования в интеллектуальных компьютерных системах поддержки принятия решений для управления безопасностью РГЗ, следует отметить, что наиболее перспективными являются методы сравнения альтернатив на основе многокритериальной теории полезности (для принятия долгосрочных управляющих решений) и методы

сиспользованием нечетких множеств и прецедентного представлениязнаний (дляпринятия оперативных управляющих решений).

5.4.2. Анализ возможности использования СППР на основе прецедентного метода представления знаний

для управления безопасностью хранения рассредоточенной группы зарядов

Рассуждения на основе прецедентов (CBR – Case-Based Reasoning) базируются на понятии аналогии и повышают эффективность принятия решений в чрезвычайных ситуациях при управ-

160