Алгоритм навчання нейронної мережі Кохонена для забезпечення надійного розпізнавання режимів експлуатації елементів головного обладнання атомної електростанції. Розробка та аналіз програмного модулю для самоадаптації діагностичної нейронної мережі.
Аннотация к работе
Для автоматизації процесу формування діагностичних рішень необхідно створити програмні засоби, які дають змогу: 1) розпізнавання режимів експлуатації обладнання АЕС за спектральними параметрами діагностичних сигналів; 2) ідентифікації початкових фаз переходу до нештатних режимів експлуатації цього обладнання. В той же час нейромережевий підхід до їх ідентифікації, зокрема, на основі самоорганізації штучних нейронних мереж (ШНМ) принципово дає змогу забезпечити функціонування такої системи розпізнавання із використанням обмежених навчальних даних та в реальному часі. Проте, запропоновані цими дослідниками алгоритми функціонування карт самоорганізації не тільки не забезпечують високої надійності розпізнавання, але й не дають також змоги забезпечити самоадаптацію ШНМ в умовах апріорної невизначеності класів, що підлягають ідентифікації. Дисертаційну роботу виконано відповідно до наступних планових НДР, які виконувались за участю автора, що був їх виконавцем: 1) «Розробка технологічних рішень подовження ресурсу й підвищення ефективності головного обладнання АЕС та засоби його діагностики в усталених і маневрових режимах» (ДР №0103U006170); 2)_ «Наукове обґрунтування й розробка сучасних методів діагностики технічного стану, оцінки та контролю ресурсу роботи головного обладнання АЕС з метою подовження строку його експлуатації» (ДР №0106U004626); 3) «Розробка наукових, технічних і методологічних засад, математичних, програмних і інструментальних засобів системи комплексного моніторингу технічного стану електротехнічного й теплотехнічного обладнання енергоблоків АЕС України» (ДР №0105U008122). Виконати аналіз обчислювальних методів для автоматичного розпізнавання поточного експлуатаційного стану обладнання АЕС та обґрунтувати використання нейромережевих діагностичних моделей ідентифікації нештатних режимів експлуатації цього обладнання.В якості типових обєктів діагностики в дисертаційній роботі виокремлено ті фізично обґрунтовано комплекс інтелектуальних діагностичних задач для двох типів елементів обладнання АЕС: 1) осьового підшипника вузла ковзання парового турбоагрегату (ПТ); 2) ТВЕЛ, які розташовані в активній зоні (АКЗ) реакторної установки (РУ). За результатами аналізу відзначено наступне: 1) Відсутність фізичних обмежень стосовно набуття масивів апріорних навчальних даних по кожному з класів множини А визначальним чином впливає на надійність розпізнавання, що забезпечується на основі відомих статистичних, геометричних та інших моделей розпізнавання; 2) Застосування цих моделей вимагає для своєї реалізації значних обємів навчальних даних; 3) Наявність фізичного чинника ризику пошкодження відповідальних елементів ЯЕУ, насамперед, ТВЕЛ в процесі набуття цих навчальних даних при відтворенні передаварійних режимів суттєво обмежує можливості застосування відомих моделей розпізнавання; 4) ШНМ принципово є здатними до ефективної реалізації процедур навчання із використанням суттєво обмежених навчальних даних, що створює необхідні передумови для подолання обмежень, властивих відомим моделям розпізнавання. Таким чином, для розвязання проблеми автоматичної діагностики елементів обладнання АЕС в наступних розділах дисертаційної роботи мають бути виконані науково-дослідні розробки зі створення програмних засобів для реалізації діагностичної нейромережевої структури із зазначеними можливостями. У другому розділі розглянуто структурні та функціональні особливості ШНМК при вирішенні задачі розпізнавання випадкових спектральних реалізацій діагностичних сигналів, а також запропоновано підходи до модифікації цієї нейромережевої структури відповідно до сформульованих у першому розділі задач. Слід зазначити, що перевагами запропонованої модифікації алгоритму KSOM є: 1) значне скорочення часу формування SOM на етапі навчання завдяки відсутності етапу збіжності (ця збіжність досягається вже на першому етапі упорядкування нейронів); 2) підвищення надійності розпізнавання невідомого вхідного вектора за рахунок підвищення ефективності використання нейронного поля.На основі розробки алгоритмічної бази та програмного забезпечення для нейромережевої автоматичної діагностики елементів головного обладнання АЕС в дисертаційній роботі вирішено актуальну науково-технічну задачу якісного вдосконалення компютерних комплексів моніторингу та діагностики головного обладнання ядерних енергоблоків. Зазначені алгоритмічні та програмні засоби забезпечують автоматичне розпізнавання аномальних та передаварійних режимів експлуатації в критично важливих для експлуатаційної безпеки АЕС елементах та системах ядерного енергоблоку, зокрема, в умовах апріорної невизначеності стану діагностичного обєкту. Існуюче алгоритмічне та програмне забезпечення, що використовується в цих програмно-технічних засобах, не забезпечує автоматичного розпізнавання аномальних та передаварійних режимів експлуатації у відповідальних елементах головного обладнання АЕС. Із використанням запропонованої в дисертації нейромережевої діагностичної моделі, розроблених в роботі алгоритмів