Структура интеллектуальной системы поддержки принятия решений для предварительного диагностирования электрооборудования

Энергетическая отрасль во всех странах мира играет немаловажную роль, являясь одним из важнейших элементов жизнеобеспечения общества. Однако она постоянно находится под угрозой, по той причине, что большая часть электрооборудования уже исчерпала свой эксплуатационный ресурс, но продолжает использоваться из-за дороговизны замены и большого объема ремонтных работ, в виду протяженности электросетей. Кроме того, зачастую, оборудование не подвергается должным проверкам, что повышает риски возникновения сбоев и аварий.

В связи с этим использование интеллектуальных систем поддержки принятия решений для предварительного диагностирования электрооборудования становиться перспективным решением для выявления возможных поломок и дефектов. Такая система позволит не только в кратчайшие сроки выявлять отклонения, сигнализирующие о рисках эксплуатации, но также будет способна выдавать рекомендации для устранения возможных неисправностей на ранних этапах, тем самым позволяя избежать поломок и сбоев оборудования. Интеграция искусственного интеллекта позволит повысить производительность и эффективность работы энергосистем и снизит временные затраты, помогая специалистам в выявлении неисправностей, а иногда и полностью выполняя за них всю работу.

Подходы к разработке интеллектуальных систем поддержки принятия решений

Разработка систем поддержки принятия решений является одним из наиболее перспективных и, в свою очередь, простых способов для обеспечения комплексного подхода к мониторингу и идентификации неисправностей. Существует несколько различных подходов для создания такого рода систем. Рассмотрим несколько ключевых направлений.

• 1.    Экспертные системы. Системы, основанные на базе знаний, позволяющие проводить анализ, используя продукционные правила и механизмы логического вывода [1–2].

• 2.    Машинное обучение. Данный подход позволяет работать с историческими данными, обучаясь на них и выявляя закономерности для дальнейшего прогнозирования [3–4]. Для диагностики могут использоваться методы классификации и регрессии.

• 3.    Нечеткая логика. Данный подход позволяет проводить работы с неточными или лишенными полноты данными, что особенно полезно при работе с зашумленными или неоднозначными данными [5–6].

  
  
  

  © Верещагина С.С., Прохоров А.С., 2025

Таблица 1. Сравнение основных подходов для создания ИСППР

Подход	Преимущества	Ограничения	Применимость в диагностике электрооборудования
Экспертные системы	Прозрачность, использование знаний от экспертов	Адаптация к новому оборудованию происходит вручную	Подходит для систем с четкими правилами
Машинное обучение	Адаптивность	Требует больших данных, сложность интерпретации полученного результата	Подходит для анализа больших объемов информации
Нечеткая логика	Устойчивость к нечетким данным	Сложность настройки, ограниченная масштабируемость	Подходит для зашумленных данных

Для того, чтобы понять какое направление нужно использовать, предлагается сравнить основные подходы для создания интеллектуальных систем поддержки принятия решений (ИСППР), представленные в таблице 1.

Следует отметить, что на сегодняшний день существует гораздо больше направлений для создания систем поддержки принятия решений: анализ больших данных, агентно-ориентированный подход, эволюционные алгоритмы, глубокое обучение, однако три рассмотренных выше подхода напрямую подходят для решения поставленной задачи. На текущий момент данные снимаются прибором ПКЭ-А и обрабатываются экспертами вручную по сводным данным, которые включают в себя максимальные значения отклонения, дату и время. В связи отсутствием аналогов систем с нужными характеристиками, возникает необходимость разработки ИСППР. Для создания ИСП-ПР, предлагается взять за основу экспертную систему, в виду наличия необходимости четкого объяснения полученных результатов и обеспечения простоты взаимодействия с пользователем.

Необходимо также учесть, что при разработке системы предусматривается дальнейшее ее расширение для интеграции с другими подходами, например, использование нейронных сетей с целью внедрения функционала определения неисправностей по изображению тепловых карт электрооборудования [7].

Разработка экспертной системы для предварительного диагностирования электрооборудования

Важнейший этап при создании экспертной системы – это составление продукционных правил, которые являются основным фундаментом экспертной системы, использующей продукционную модель представления знаний [8], обеспечивая механизм для их формализации и применения на практике. Немаловажно настроить грамотный алгоритм взаимодействия моделей экспертной системы. Информация попадает в экспертную систему путем загрузки файла с результатами длительного анализа сети, получаемых с датчика, установленного в цепь питания электроприбора. В обобщенном виде схема работы ИСППР изображена на рисунке 1.

Как видно из рисунка 1, работа системы начинается с загрузки файла с данными наблюдения за электрооборудованием (ЭО), затем происходит выбор диагностируемого оборудования. Это необходимо делать в связи с тем, что для разного ЭО будет свой набор параметров, которые существенно влияют на его работоспособность и которые необходимо мониторить. Данные наблюдения получены с приборов, которые собирают сведения о параметрах и их изменении в течении определенного периода времени (напряжение, сила тока, гармоники напряжения и т.д.). По выбранному типу ЭО и загруженным данным происходит поиск отклонений параметров от нормы, с помощью взвешенных нечетких правил, приведенных в базе знаний [9–11].

Система анализирует данные, используя диагностические алгоритмы и модели, чтобы выявить любые аномалии или потенциальные неисправности [12]. Если неисправностей не обнаружено, то данные сохраняются в базе данных как исторические данные для мониторинга. При обнаружении неисправностей, ИСППР обращается к базе знаний, где хранятся правила и модели, на основе которых генерируются рекомендации по устранению выявленных проблем или предотвращению возможных отказов. Учитывая тот факт, что отклонений может быть не одно, модуль генерации рекомендаций подбирает мероприятия с учетом всех отклонений, их длительности, при этом отфильтровывая дублирующие рекомендации [13]. Затем результаты анализа и рекомен- дации сохраняются в системе, чтобы обеспечить их доступность для пользователей. В конечном итоге, пользователи получают возможность взаимодействовать с системой, получая необходимую информацию для принятия обоснованных решений по обслуживанию и ремонту оборудования. Подробный алгоритм представлен рисунке 2.

Алгоритм работы ИСППР:

Шаг 1. Пользователь загружает файл с результатами наблюдения за ЭО.

Шаг 2. Если файл успешно загружен, то система переходит к шагу 4, если нет, то переходим к шагу 3.

Шаг 3. Система формирует отчет об ошибке.

Рисунок 1. Обобщенная схема работы системы

Рисунок 2. Алгоритм работы ИСППР

Шаг 4. Выбирается тип диагностируемого электрооборудования.

Шаг 5. С помощью модуля обработки данных система обрабатывает данные, загруженные на шаге 1 и проверяет их.

Шаг 6. Если данные успешно считались и обработались, то переходим к шагу 7, если нет, то переходит к шагу 3.

Шаг 7. Модуль логического вывода проверяет параметры наблюдаемого ЭО по правилам, приведенным в базе знаний.

Шаг 8. Если отклонения наблюдаются, то переходим к шагу 9, если нет, то переходим к шагу 10.

Шаг 9. Модуль генерации рекомендаций выдает рекомендации по найденным отклонениям.

Шаг 10. Сохранение результатов в базе данных.

Разработанный алгоритм обладает рядом ключевых особенностей, которые выделяют его среди аналогов:

• 1.    Высокая адаптивность. Дает системе возможность динамически подстраиваться под изменение входного потока данных.

• 2.    Энергоэффективность вычислений. Алгоритм работы выстроен таким образом, чтобы потреблять минимальное количество вычислительных ресурсов, за счет использования продукционных правил.

• 3.    Многоуровневая система валидации. Множество проверок на разных шагах работы программы позволяют минимизировать вероятность ложных срабатываний.

Данный алгоритм может найти применение в мониторинге состояния и оптимизации режимов работы электрооборудования; в промышленных системах управления и умных энергетических системах, например, для обеспечения равномерного распределения нагрузки между энергопотребителями.

Программная реализация работы экспертной системы

ИСППР была реализована с помощью языка программирования Python. В качестве данных был использован тестовый файл, содержащий данные, полностью идентичные получаемым с прибора. Каждая строка файла содержит значения различных параметров, таких как:

• –    температура работы устройства;

• –    напряжение на выводах;

• –    ток, протекающий через компоненты;

• –    частота вращения электродвигателей;

• –    уровень вибрации и другие характеристики.

Для того, чтобы проверить выдачу рекомендаций в файле были намеренно изменены пока- затели напряжения на значение 420 В. Экранная форма загрузки файла изображена на рисунке 3.

Рисунок 3. Экранная форма «Главное окно»

Пользователь загружает файл формата csv/xlsx, с данными, полученными с прибора, подключенного в сеть электрооборудования на период, рекомендованный нормативной документацией. После того, как файл загружается в систему, он проверяется на несколько различных параметров: формат, полнота данных, соответствие количественных характеристик. Далее пользователь нажимает «Провести диагностику» и система проводит анализ данных на основе продукционных правил, хранящихся в базе знаний. После этого система выдает результат и при наличии рекомендации по устранению неисправностей или их предотвращения. Пример выдачи результата диагностики приведен на рисунке 4, он выдает рекомендацию пользователю и показывает дату и время проверки, сохраняя результат в базу данных.

В данном примере система нашла отклонение параметра от принятых норм и выдала рекомендации на основе экспертной оценки. Так как при выборе асинхронного двигателя с типом подключения «звездой» номинальное напряжение должно быть в пределах 10% от 380 В [11], было проведено 50 пробных тестирований системы, из которых в 46 случаях система сгенерировала верные рекомендации, что дает возможность заявить, что система выдает грамотные рекомендации в 92% случаев, что является хорошим показателем. Выборка для тестирования была сформирована так, чтобы она включала в себя как аварийные ситуации, так и данные без отклонений по отобранным параметрам, характеризующие оборудование, которые были оценены экспертами, и сравнение полученных результатов происходило с известными результатами для оценки работоспособности системы.

Рисунок 4. Экранная форма «Рекомендации»

Заключение

В данной работе предлагается использование экспертной системы с соблюдением продукционных правил для определения неисправностей электрооборудования и выдачи рекомендаций. В ходе исследования были рассмотрены различные подходы к созданию интеллектуальной системы поддержки принятия решений, их положительные и отрицательные качества. Был обоснован выбор использования экспертной системы для достижения наивысшей степени точности и скорости обработки информации с датчиков, и выдачи рекомендаций. Система подразумевает возможность дальнейшего расширения доступного функционала и методов обработки информации для более точной оценки различных характеристик необходимого электрооборудования.