Модель процесса подготовки специалистов с применением компьютерного тренажёра для повышения безаварийности взрывопожароопасных производств
MODEL OF THE TRAINING PROCESS FOR SPECIALISTS USING A COMPUTER-BASED SIMULATOR TO IMPROVE SAFETY AT EXPLOSION AND FIRE HAZARDOUS FACILITIES
- 1 РГУ нефти и газа (НИУ) имени И.М. Губкина
В работе предложена структура модели процесса обучения с критериями оценки качества подготовки специалистов на основе показателей учебно-тренировочного процесса. Предложена классификационная модель на основе алгоритма деревьев решений, позволяющая оценивать уровень понимания причинно-следственных связей и корректировать траектории обучения с целью повышения безопасности взрывопожароопасных производств и снижения влияние человеческого фактора.
The study proposes a structure of the training process model with evaluation criteria for the quality of specialist preparation based on indicators of the training process. A classification model based on a decision tree algorithm is presented, enabling the assessment of the understanding of cause-and-effect relationships and the adjustment of training trajectories to enhance safety at explosion and fire hazardous facilities and to reduce the impact of the human factor.
В условиях повышенных требований к промышленной безопасности на взрывопожароопасных производствах и эффективности работы предприятий нефтегазовой отрасли особое значение приобретает подготовка операторов технологических процессов. Автоматизированные системы управления процессами (АСУ ТП) широко используются на предприятиях, однако, согласно исследованиям, порядка 60% контуров автоматического регулирования функционируют неэффективно из-за человеческого фактора [1]. Одной из основных причин являются ошибки персонала, связанные с нарушением требований организации и производства опасных работ, приведенные на рисунке 1. Это подтверждает необходимость совершенствования подготовки операторов для минимизации рисков аварийных ситуаций.
Рисунок 1. Распределение причин аварий на нефтеперерабатывающих предприятий [2]
Современные технологические процессы обладают бесконечным количеством состояний, что требует от операторов умения корректно выбирать траектории управления. Для формирования устойчивых навыков безопасного ведения работ необходимо систематическое обучение операторов с использованием программных систем. Одним из наиболее эффективных инструментов такого обучения являются компьютерные тренажеры, которые позволяют моделировать аварийные ситуации, отрабатывать критически важные действия и формировать устойчивые навыки управления процессами.
Архитектура компьютерного тренажера (рис.2) включает следующие ключевые компоненты: расчётный модуль, интерфейсы пользователей (администратора, инструктора и обучаемого), сервер приложений с модулями оценки и моделирования, а также сервер данных для хранения результатов обучения. В работе рассматривается модуль автоматизированной системы оценки, которая анализирует действия обучаемого и формирует показатели его компетенций.
Рисунок 2. Архитектура компьютерного тренажёра
Для формирования оценки действий обучаемых была разработана имитационная модель в пакете технологического моделирования. Модель позволяет рассчитывать технологические параметры процесса, такие как расход, давление, температура, парожидкостное равновесие смеси компонентов с учётом характеристик оборудования, что позволяет воспроизводить физические процессы с высокой точностью. При моделировании технологических процессов учитываются динамические изменения входных параметров, аварийные сценарии и влияние различных факторов на работу установки. Для повышения достоверности модели проведена ее верификация на основе реальных данных эксплуатации оборудования. Погрешность разработанной модели не превышает 6 %, что является допустимым значением для подготовки операторов, так как позволяет адекватно воспроизводить условия реальной эксплуатации.
В качестве исследуемого процесса был выбран непрерывный технологический процесс подготовки сжиженного природного газа (СПГ) в связи с его сложностью и значимостью для энергетической стратегии России. Производство СПГ относится к категории опасных производств. Это означает, что ошибки операторов могут приводить к серьезным последствиям. Поэтому вопросы качественной подготовки и оценки профессиональной готовности специалистов выходят на первый план. Подготовка СПГ включает несколько последовательных технологических блоков, таких как сепарация, абсорбция, адсорбция, компримирование и сжижение, хранение и отгрузка, что требует строгого соблюдения технологических регламентов и высокой квалификации операторов (рис.3).
Рисунок 3. Типовой технологический процесс малотоннажного производства СПГ
Для подготовки специалистов опасных производств была предложена структура модели обучения, адаптирован алгоритм обучения на компьютерном тренажере (рис. 4). Назначение модели – обеспечение прогрессивного развития навыков и знаний обучающихся с учетом их индивидуальных характеристик и динамики освоения материала [3].
Рисунок 4. Структурная схема модели обучения на компьютерном тренажере
Структура модели включает итерационный процесс. На вход модели поступает обучающийся с определённым начальным уровнем подготовки Qн(t0). Этот уровень определяется до начала обучения. Модель включает теоретическую составляющую на основе лекций. Формирование практических навыков происходит во время обучения на тренажере. Система оценки анализирует управляющие воздействия, которые осуществляет обучающийся и результаты этих воздействий с учётом текущего состояния технологического процесса с целью оценки изменения уровня знаний и навыков, обучающихся во времени. На входе и выходе обучения проводится дополнительное тестирование. Подсистема управления накапливает статистику выполнения, анализ которой позволяет корректировать траекторию обучения. Данный цикл повторяется для каждого блока задача, до тех пор, пока в результате обучения не будет получен требуемый уровень компетенций у оператора Qв(t).
В рамках текущего исследования разработана классификационная модель, позволяющая оценивать уровень усвоения материала обучающимися на основе интегрального балла (1) и уровня натренированности (2).
(1)
где:
IB – итоговый интегральный балл,
Si – сумма штрафов за нарушение i-го типа,
n – количество категорий штрафов.
Категории штрафов:
S1 – выход за технологические ограничения,
S2 – количество взятых подсказок,
S3 – нарушение регламентной последовательности,
S4 – выход за аварийные ограничения,
S5 – несоблюдение временных выдержек работы с оборудованием.
(2)
где:
tp – время выполнения последней попытки,
tavr – среднее время выполнения тренировок.
Уровень натренированности позволяет оценить текущее время выполнения задания оператором по сравнению с предыдущими попытками.
Для построения классификационной модели и комплексной оценки уровня подготовки операторов применялся алгоритм деревьев решений, где в качестве признаков использовался интегральный балл и уровень натренированности. Данный алгоритм позволяет классифицировать операторов по их уровню освоения учебно-тренировочных задач (УТЗ) на основе различных указанных признаков.
Была сформулирована гипотеза о том, что уровень освоения материала возможно прогнозировать на основе интегрального балла и уровня натренированности. Была поставлена задача классификации студентов на три чётких непересекающихся класса: класс 1 (высокий уровень освоения материала), класс 2 (средний уровень освоения материала), класс 3 (низкий уровень освоения материала). Для построения классификационной модели применялась оптимизированная версия алгоритма построения деревьев решений CART из библиотеки scikit-learn [4]. Во всех построенных моделях при их формировании применялся коэффициент энтропии, стратегия разделения нод задано «best», минимальное количество объектов для разделения на подгруппы (min_samples_split) равно 2, минимальное число образцов для формирования листа дерева (min_samples_leaf) равно 1, прочие параметры алгоритма также применялись по умолчанию [5].
Был осуществлен сбор статистики выполнения учебно-тренировочных задач. Построенная классификационная модель на основе деревьев решений представлена на рисунке 5.
Рисунок 5. Схема классификационной модели на основе деревьев решений
Точность построенной классификационной модели отражена и представлена матрицей ошибок на рисунке 6. С помощью матрицы ошибок была подсчитана доля правильных ответов (ДПО) - это коэффициент, характеризующий верность прогноза модели (3).
(3)
где:
ИП - истинно позитивные предсказания,
ИН - истинно негативные предсказания,
ОП - ошибочно позитивные предсказания,
ОН - ошибочно негативные предсказания.
Общая точность классификации по всем 3 классам равна 87%.
Рисунок 6. Матрица ошибок
Результаты исследования применяются на взрывопожароопасных производствах с непрерывными технологическими процессами и в учебных заведениях. Систематизация процесса обучения персонала с использованием компьютерного тренажера позволяет сформировать необходимый набор знаний и навыков среди оперативного персонала, повышая уровень безопасности и эффективности работы.
Литература
1. Thwaites P. Process control in metallurgical plants: Towards’ operational performance excellence (plenary talk). Automining 2008—International Congress in Automation in the Mining Industry, Santiago, Chile.
2. Губайдуллина И.Н., Аксенов С.Г., Сергеев А.Н. Причины возникновения пожаров на нефтяных объектах // Экология и безопасность жизнедеятельности: Сборник научных статей по материалам XXIII Международной научно-практической конференции 31 мая 2023 года, город Пенза / Пензенский государственный аграрный университет. – Пенза: ПГАУ, 2023. – С. 140-143 .
3. Барашкин РЛ., Жедяевский Д.Н., Калашников П.К., Южанин В.В., Попадько В.Е. Модернизация компьютерного тренажерного комплекса по процессам подготовки газа к транспорту для применения в учебном процессе вуза. Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. 2019. № 3-2. С. 5-9.
4. Pedregosa,
F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel,
O.,
Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V.,
Vander-plas, J., Passos, A.,
Cournapeau, D., Brucher, M.,
Perrot, M., Duch-esnay, E., 2011. Scikit-learn: machine
learning
in python. J. Mach. Res. vol. 12, 2825–2830.
https://doi.org/10.48550/
arXiv.1201.0490.
5. Barashkin R.L., Nurguatova A.S., Kalashnikov P.K., Taktasheva D.R., Tupysev A.M. Enhancement of efficiency of the training process with the use of digital technologies. // Education for Chemical Engineers. 2023