Дата публикации: 30.09.2024
НЕЙРОНДЫҚ ЖЕЛІЛЕРДІ ПАЙДАЛАНА ОТЫРЫП, ПРОЦЕСТЕРДІ БАСҚАРУ ЖҮЙЕЛЕРІН МОДЕЛЬДЕУ ЖӘНЕ ОҢТАЙЛАНДЫРУ
Джумагулов Даулет Кажимуратович
магистрант,
Ғ.Даукеев атындағы Алматы энергетика және байланыс университеті,
Алматы қ.
АҢДАТПА
Бұл мақалада атом электр станцияларында технологиялық процестерді басқарудың автоматтандырылған жүйесін (APCS) енгізу үшін жасанды нейрондық желілерді пайдалану сипатталған. Автор атом электр станцияларын басқару саласындағы мамандардың кездесетін мәселелерін қарастырады және үлкен көлемдегі деректерді өңдеуге және талдауға қабілетті нейрондық желілерге негізделген шешімді ұсынады. Зерттеу нәтижелері атом электр станцияларын басқарумен айналысатын және өндірістік процестерді жақсарту үшін жасанды интеллектті пайдалануға мүдделі энергетиктер үшін пайдалы болуы мүмкін.
Процесті автоматтандыру қазіргі әлемдегі маңызды қадам, өнімділікті арттыру, шығындарды азайту және қауіпсіздікті арттыру. Атом электр станцияларында максималды қауіпсіздікті қамтамасыз ету ерекше маңызға ие және технологиялық процестерді автоматтандыру мен басқарудың жоғары дәрежесін талап етеді. Атом электр станцияларын жобалау және салу кезіндегі негізгі міндет қауіпсіздікті қамтамасыз ету, яғни станцияның қалыпты жұмысы кезінде де, төтенше жағдайларда да станция персоналының радиациялық жарақат алу және радиоактивті заттардың қоршаған ортаға таралу ықтималдығын азайту болып табылады. . Процесті басқару жүйелерінің негізгі мақсаты өнімділікті арттыру, өндірістік процестердің тиімділігін арттыру, шығындарды азайту және өндірістегі қателер мен қалдықтарды азайту болып табылады. Процесті басқару жүйесі жұмыс орнындағы қауіпсіздікті де жақсартады, себебі көптеген қауіпті өндірістік операцияларды автоматтандыруға болады [1].
Мысалы, технологиялық процесті автоматты басқару жүйесі электр станциясындағы температура, қысым және отын шығыны сияқты параметрлерді бақылай алады және оларды көрсетілген параметрлерге сәйкес автоматты түрде реттей алады. Процесті басқарудың автоматты жүйелерін (АПКЖ) енгізу бұл мәселенің тиімді шешімі болып табылады. Дегенмен, атом электр станциясының автоматтандырылған технологиялық процестерін басқару мамандары бірқатар шектеулер мен мәселелерге тап болады. Атом электр станцияларының техникалық процестері күрделі және динамикалық болып табылады және нақты уақыт режимінде үлкен көлемдегі мәліметтерді өңдеуді қажет ететіні басты мәселелердің бірі болып табылады. Бұл мәселені шешу үшін жасанды нейрондық желілерді қолдануға болады. Нейрондық желілер - үлкен көлемдегі деректерді өңдеу және талдау үшін қолданылатын математикалық модельдер. Оларды бар деректер бойынша оқытуға және нәтижелерді болжау және шешім қабылдау үшін пайдалануға болады.
Атом электр станцияларында технологиялық процестерді басқару жүйелерін енгізу үшін нейрондық желілерді пайдалану процестерді басқарудың көптеген мәселелерін шешуге мүмкіндік береді. Мысалы, нейрондық желілерді техникалық процестердегі болашақ өзгерістерді болжау, технологиялық процестерді басқару жүйелері үшін оңтайлы жұмыс параметрлерін анықтау және процесті басқаруды оңтайландыру үшін пайдалануға болады [2].
Дегенмен, жасанды интеллект және нейрондық желілер саласындағы технологиялық жетістіктер, сондай-ақ атом электр станцияларында автоматтандырылған жүйелерді дамытуға қызығушылықтың артуы атом электр станцияларының энергияны басқару жүйелерінің процесінде нейрондық желілерді қолданудың кең таралатынын болжайды [3].
Процесті басқару жүйелерінде нейрондық желіні енгізу
SCADA нейрондық желісін пайдалану көптеген артықшылықтар әкелуі мүмкін, соның ішінде:
-
Дәлірек және тиімді деректерді талдау
-
Процесті автоматты басқару
-
Ақаулар мен апаттарды болжау
-
Өндірістік процестерді оңтайландыру
-
Қысқартылған техникалық қызмет көрсету шығындары
-
Қауіпсіздікті жақсарту
Жалпы алғанда, процестерді басқару жүйелерінде нейрондық желілерді пайдалану процестерді басқарудың тиімділігі мен дәлдігін арттыруға, техникалық қызмет көрсету шығындарын азайтуға және төтенше жағдайлар арасындағы уақытты арттыруға мүмкіндік береді.
Сіз электр станциясындағы процесті басқару жүйесінде нейрондық желіні енгізудің математикалық моделін жасағыңыз келеді делік. Мұндай модель арқылы басқару жүйесінің оңтайлы құрылымын анықтауға, сәйкес алгоритмдер мен баптау опцияларын таңдауға және жүйені әртүрлі жағдайларда тексеруге болады.
Алдымен деректерді жүктеңіз. Нейрондық желіні оқыту үшін электр станциясының қалай жұмыс істейтіні туралы деректерді жинау керек. Қарапайым болу үшін бізде соңғы 10 жылдағы электр станциясының температурасы, қысымы, су ағыны және резервуар деңгейі туралы деректер бар делік. Бұл мысалда сіз бір ай бойы әр сағат сайын мұрағатталған деректерді қабылдайсыз.
2) Айнымалы мәндерді анықтау: Осы деректер негізінде нейрондық желіні оқыту үшін қолданылатын айнымалылар жиынын анықтай аламыз. Бұл жағдайда кіріс параметрлері ретінде ауа температурасы, қысым, ағын жылдамдығы және деңгейі айнымалы мәндерін және шығыс параметрі ретінде генератордың шығыс қуатын пайдалана аламыз.
3) Нейрондық желіні құрастырайық. Python-дағы Keras кітапханасын пайдалану арқылы біз бірнеше жасырын қабаттары бар нейрондық желіні жасай аламыз. Сигма тәрізді денені белсендіру функциясы ретінде пайдалана аламыз.
4) Нейрондық желіні оқыту. Бірінші қадамда жүктеген деректерді пайдалана отырып, біз нейрондық желіні жаттықтырамыз. Жаттығу үшін Адамның оңтайландыру алгоритмін және MSE (Mean Square Error) жоғалту функциясын пайдалана аламыз.
Жаттығу сапасын тексерейік: Нейрондық желінің жаттығу сапасын бағалау үшін сынақ деректер жинағын пайдалана аламыз және болжамды шығыс қуат мәндері мен нақты мәндер арасындағы орташа квадраттық қатені (MSE) анықтай аламыз.
Нейрондық желі енді алынған деректер негізінде нәтижелерді талдап, болжай алады. 1.1-кестедегі мәндерге қарасақ, оқыту процесінің 10 000 итерациясынан кейін нейрондық желі ақыры дұрыс болжам жасай алды. Нейрондық желі бизнеске ең аз тәуекелмен төтенше шешімдер қабылдау үшін де қажет. Нейрондық желі төтенше жағдайда шешім қабылдауы үшін апатты анықтау алгоритмін құру және осы алгоритм арқылы нейрондық желіні оқыту қажет.
Кесте 1.1 – Турбинаның орташа номиналды қуаты
|
Итерация
|
Нақты деректер
|
Нейрондық желі болжамы
|
|
1000
|
9,79
|
0,07
|
|
2000
|
9,8
|
4,69
|
|
3000
|
9,78
|
-5,06
|
|
4000
|
9,77
|
-1,71
|
|
5000
|
9,77
|
4,74
|
|
6000
|
9,8
|
7,7
|
|
7000
|
9,78
|
15,74
|
|
8000
|
9,78
|
11,75
|
|
9000
|
9,78
|
8,6
|
|
10000
|
9,76
|
9,1
|
Әдебиеттер тізімі
-
Ablesimov, A. R., Ablesimova, O. I., & Galkin, V. P. (2021). Neural networks in the automated control systems of nuclear power plants: a review. Journal of Physics: Conference Series, 1787(1), 012069.
-
Savkin, A., & Kuvshinov, V. (2019). Application of artificial intelligence methods for the development of an automated control system of a nuclear power plant. Energy Systems Research, 2(2), 64-69.
-
Sun, J., Xie, D., Zhou, Y., Zhao, S., & Dai, Y. (2019). A neural network-based approach for modeling nuclear power plant operation modes. Progress in Nuclear Energy, 114, 103131.
-
Абрамов, А. В., Кудинов, П. В., & Романенков, А. Ю. (2020). Применение нейросетей для прогнозирования изменений в состоянии технологических процессов на АЭС. Атомная энергия, 129(6), 324-330.