Формирование обучающего массива для анализа применения регрессионной модели нейронной сети в вопросе управления пожарной безопасностью производственных объектов
Formation of a training array for the analysis of application of regression model of a neural network in a question of management of fire safety of production facilities
- 1 АГПС МЧС России
В статье рассматривается необходимость применения искусственных нейронных сетей для устранения неопределенностей, возникающих в результате погрешностей в вычислениях при расчете пожарных рисков объектов защиты. Описывается механизм формирования массива данных и создания обучающей выборки с помощью технологий искусственного интеллекта и метода регрессионного анализа.
The article deals with the need to use artificial neural networks to eliminate the uncertainties arising from errors in the calculations in the calculation of fire risks of objects of protection. Describes the mechanism of formation of the data set and the training samples are created using the technologies of artificial intelligence and the method of regression analysis.
Обеспечение безопасности людей- одна из важнейших задач любого государства. Немаловажной составляющей безопасности является пожарная безопасность. В Российской Федерации, в качестве профилактических мероприятий в области пожарной безопасности, активно внедряется риск-ориентированный подход [1]. Это помогает распределить все объекты защиты по различным категориям риска [2], эффективно составить график профилактических мероприятий и обследований объектов, снизить нагрузку на инспекторский состав.
Расчет пожарного риска объектов защиты, на основании которого проводится оценка пожарной опасности, процедура, требующая значительных временных и финансовых затрат со стороны руководителя объекта и сотрудников, занимающихся проведением расчетов. К сожалению, существующие методики по расчету пожарного риска, имеют значительную долю неопределенности. Эта неопределенность связана, прежде всего, с большим количеством исходных данных, участвующих в расчете. Помимо этого существует значительное количество комбинаций мероприятий, обеспечивающих пожарную безопасность объекта защиты. Для упрощения процессов расчета применяются специально созданные программы, направленные на автоматизацию расчетных операций. Самыми распространенными среди них являются Prom risks [3], Sigma ПБ [4], ПК Русь [5], Фогард [6], Токси + Риск [7], «Прогноз-Анализ безопасности» [8], Fenix [9]. Тем не менее, данные программные комплексы не устраняют проблему неопределенности, вызванную погрешностью при проведении расчетов, за счет жестких алгоритмов.
Решить эту проблему стало возможно с развитием информационных технологий и искусственного интеллекта. Применение искусственных нейронных сетей, являющихся, по своей сути, сильно упрощенной двухмерной схемой головного мозга человека. Возможности искусственных нейронных сетей и сфера их применения довольно обширны [10], но для эффективного их применения в целях решения поставленных задач, необходимо обучение. Обучение искусственной нейронной сети - довольно сложный и кропотливый процесс, от которого зависит конечный результат. При этом необходимо помнить, что для минимизации вероятности возникновения ошибки необходимо обучить сеть на количестве примеров, превышающих эту допустимую вероятность. Для формирования эффективной обучающей выборки целесообразно применение метода регрессионного анализа, устанавливающего статистическое влияние нескольких независимых переменных на зависимую. При помощи данного метода возможно составить список оборудования и мероприятий, комбинации которых наиболее существенно влияют на пожарную опасность объекта и величину значения пожарного риска.
Согласно [11] определяется частота реализации инициирующих пожароопасных ситуаций для определенного перечня аппаратов и технологического оборудования. Помимо этого, для каждого вида оборудования предусматриваются мероприятия, обеспечивающие их безопасность. Ниже приведен перечень основного производственного оборудования, основные типы производственных объектов и технические характеристики, влияющие на безопасность:
-Резервуары, емкости и аппараты под давлением;
- Насосы и компрессоры;
-Резервуары для хранения жидкостей под давлением, близким к атмосферному;
-Резервуары с плавающей или стационарной крышей;
-Технологические трубопроводы.
К типовым производственным объектам относятся: электростанции, склады химической продукции, склады многономенклатурной промышленности, инструментально-механические цеха, цеха по обработке синтетического каучука и искусственных волокон, плавильные и литейные цеха, цеха по переработке мясных и рыбных продуктов, цеха горячей прокатки металлов, текстильные производства и т.д. Для обеспечения безопасности производства, для каждого вида установки и оборудования применяются различные мероприятия. Это могут быть системы автоматической сигнализации и пожаротушения, обвалование, клапаны для сброса давления, система оповещения и управления эвакуацией людей, установки для перекачки жидкостей и многие другие. Также на величину риска оказывает влияние вероятность нахождения человека в возможной зоне поражения.
Первым этапом при создании обучающей выборки является генерирование объектов с различным набором технологического оборудования и противопожарных мероприятий. Это возможно сделать в довольно короткий срок при помощи искусственного интеллекта, а именно - генетических алгоритмов. После создания массива данных, при помощи метода регрессионного анализа выявляются факторы, наиболее существенно влияющие на значение величины пожарного риска. И, наконец, можно приступать к обучению искусственной нейронной сети на поиск и формирование списка мероприятий, направленных на снижение пожарной опасности объектов защиты.
Таким образом, при помощи технологий искусственного интеллекта и метода регрессионного анализа был определен подход к созданию массива данных, направленного на обучение искусственной нейронной сети, применение которой в системах поддержки принятия решений позволит устранить неопределенности, сократить временные и финансовые затраты, направленные на расчет пожарного риска и предлагать эффективные мероприятия по снижению пожарной опасности объекта защиты.
Список использованной литературы:
1. Федеральный закон "О защите прав юридических лиц и индивидуальных предпринимателей при осуществлении государственного контроля (надзора) и муниципального контроля" от 26.12.2008 N 294-ФЗ (последняя редакция).
2. Постановление Правительства РФ от 12.04.2012 N 290 (ред. от 21.12.2018) "О федеральном государственном пожарном надзоре" (вместе с "Положением о федеральном государственном пожарном надзоре").
3. http://www.promrisk.ru/supr/direction/firesafety/building_risk_calculate/
4. Кирик Е. С. Компьютерное моделирование развития пожара и эвакуации в парадигме BIM //Сибирский пожарно-спасательный вестник. – 2016. – №. 1. – С. 25-31.
5. http://www.aieco.ru/programms_main_pozhar.html
6. Козлачков В. И. и др. Условия применения методик оценки пожарных рисков при моделировании надзорной деятельности //Технологии техносферной безопасности. – 2016. – №. 1. – С. 47-54.
7. Агапов, А.А. Использование программного комплекса ТОКСИ+ Risk для оценки пожарного риска [Текст] / А.А. Агапов // Безопасность труда в промышленности. – 2010. – № 1. – С. 46-52.
8. http://www.esrc.ru/I/ocenka-riska-na-opasnom-proizvodstvennom-obekte
9. Сухотина М. А., Тихонова Н. В. Программные комплексы, используемые для определения расчетных величин пожарного риска в зданиях, сооружениях и строениях различных классов функциональной пожарной опасности // Пожаровзрывобезопасность. 2012. №4.
10. Тетерин Д. А., Хабибулин Р. Ш., Гудин С. В. Обзор применения искусственных нейронных сетей в управлении социальными и экономическими системами //Научные ведомости Белгородского государственного университета. Серия: Экономика. Информатика. – 2018. – Т. 45. – №. 3.
11. Приказ МЧС России от 10 июля 2009 г. № 404 «Об утверждении Методики определения расчетных величин пожарного риска на производственных объектах» (зарегистрирован в Минюсте Российской Федерации 17 августа 2009 г. Регистрационный № 14541)