Модель системы поддержки принятия решений для решения задач предотвращения и ликвидации чрезвычайных ситуаций техногенного характера

Юнин Александр Игоревич - аспирант Вологодского государственного технического университета (г.Вологда).

Суконщиков Алексей Александрович - научный руководитель, к.т.н., доцент Вологодского государственного технического университета.

Аннотация: рассматривается концептуальная модель построения автоматизированной СППР для предотвращения и ликвидации ЧС техногенного характера, приводятся доводы в пользу практической значимости и внедрения подобных систем на машиностроительное производство; представляется базовая структура и основные информационно-управляющие потоки разрабатываемой концепции.

Ключевые слова: автоматизированная система, информация,  концепция, чрезвычайная ситуация, промышленные агенты.

В настоящее время отрасли народного хозяйства сталкиваются с необходимость глубокой автоматизации производственных процессов.  Часть из них идет по пути внедрения поверх существующих систем автоматических и автоматизированных модулей управления.  Другие – заново перестраивают производственный цикл, внедряя новые объекты вместо морально и физически устаревших. Преследуя цели обеспечения надежности и стабильности функционирования, точности и быстродействия, экономичности – зачастую забывают о безопасности внедряемых систем управления, что приводит к возникновению внештатных ситуаций. Каждая внештатная ситуация и события, ей предшествующие, требуют к себе повышенного внимания и проработки алгоритмов ее предупреждения.

Однако, внештатные ситуации зачастую могут переходить в форму чрезвычайных ситуаций (ЧС), применительно для предприятий машиностроительного комплекса — техногенного характера.

Необходимо сделать оговорку, что любая внештатная ситуация, влекущая за собой остановку производства – сродни чрезвычайной, особенно для малых и средних предприятий.

Любая техногенная ЧС характеризуется:
-  спонтанностью (скорость развертывания, масштабы, нечеткость знания об очаге возникновения);
- стохастичностью (синергетика систем, попадающих под ЧС, множество противоречивых данных);
- восприятие и поведение лица, принимающего решение (ЛПР), в чрезвычайной ситуации (паника, внимательность, поведение).

Нельзя гарантировать полной защиты от ЧС, однако, можно частично спрогнозировать ее, тем самым снизив риск возможного ущерба. С этим призваны эффективно справляться системы поддержки принятия решений (СППР), ориентированные на выработку оптимальных управленческих решений в условиях ЧС. Они должны служить первоочередной цели – спасению людей и второстепенной – снижению материального ущерба от ЧС. Такая система должна анализировать и предоставлять в удобной форме информацию, необходимую для принятия решения по предупреждению кризиса, а также по эвакуации людей и принятию мер для его локализации и ликвидации.

Следует отметить, что действия людей при возникновении чрезвычайной ситуации техногенного характера определяются должностными инструкциями, однако принятие обоснованных решений именно на начальных стадиях развития и ликвидации аварийной ситуации в наибольшей степени может обеспечить эффективное использование имеющихся сил и средств для ликвидации аварии и минимизации ее последствий. Приходиться сталкиваться с ситуацией информационного вакуума как для ЛПР, так и для персонала, попавшего в чрезвычайную ситуацию. Отсюда вытекает основная проблема управления в ЧС – принятие решений задерживается из-за необходимости поиска документации об объекте, ее обработки, доведения структуры и конструктивных особенностей объекта до рядовых сотрудников служб и подразделений.

Цель исследования - выработка и формулировка методов и моделей (концепции построения) автоматизированной  СППР с использованием гибридных алгоритмов принятия оптимальных управленческих решений для предотвращения/ликвидации ЧС техногенного характера.

К задачам исследования относятся:
-  анализ существующих и апробированных методов и моделей принятия решений в ЧС с целью поиска их оптимальных взаимосочетаний (по критериям разных технических областей) и  построения на их основе  единого гибридного алгоритма;
- решение трудноформализуемых задач для предотвращения ЧС и управления их ликвидацией, обусловленных неполнотой, массовостью и противоречивостью исходных данных;
-   анализ, мониторинг и визуализация развития ЧС;
- моделирование развития ЧС с возможностью прогнозирования и учетом возникновения новых опасных факторов;
-   учет работы средств обеспечения безопасности;
-   учет поведенческого фактора лица, принимающего решение (ЛПР) при принятии решений (внимательность, эмоциональное и физиологичекое состояние);
-   разработка эффективной системы предотвращения и ликвидации ЧС техногенного характера для предприятий машиностроительного комплекса, внедрение на производство.

Также можно выделить ряд положений, определяющих актуальность поставленной задачи:
- угроза человеческой жизни и материального ущерба;
- положительная динамика роста значений экономических рисков для производств (недопустимость остановки производственного цикла);
- высокая динамика развития и внедрения подобных СППР на производства: оказывает влияние на деловой статус предприятия – как итог - рост доверия со стороны поставщиков и потребителей.

Всякой чрезвычайной ситуации предшествуют те или иные отклонения от нормального хода какого-либо процесса. Характер развития события и его последствия определяются дестабилизирующими факторами различного происхождения. Таким образом, особое внимание должно быть отведено модулям, анализирующим состояние отдельных, представляющих опасность агрегатов, составляющих систему управления.  
Однако нельзя исключать вероятность неспрогнозированного разрушения объекта системы вследствие брака отдельные его агрегатов, возникновения ЧС из-за антропогенного или социального фактора.

Решению проблемы предотвращения, ликвидации и прогнозирования обозначенных ЧС посвящены работы М.С. Бирюкова, С.А. Качанова,  В.С. Кретова, И.У. Ямалова. Авторы используют в своих исследованиях разнообразные математические модели и аппараты: нечеткая логика, нейронные сети, когнитивное моделирование, вывод по прецедентам, ситуационный анализ. Однако, сходятся в том, что оптимальным является использование гибридные методов, комбинирующих для решения задач СППР в себе несколько математических. Таким образом, проводимое мной исследование посвящено изучению и выборке оптимального аппарата для решения задач принятия решений в техногенных ЧС.

В качестве исходных данных для исследования берутся нормативные акты МЧС РФ по действиям персонала в условиях предотвращения и ликвидации ЧС, а также документы, стандартизирующие вывод и представление информации для ЛПР (в т.ч. данные о структуре промышленных сетей, нормы отклонений физических параметров агрегатов СУ).  СППР должна интегрироваться с комплексами систем внутренней безопасности, получать от них сигналы, извещения; иметь возможность передавать управляющие воздействия. Необходимо предусмотреть не только автоматическое оповещение о возможности возникновения или инициализации ЧС ЛПР, но и передавать им информацию о возможном сценарии развития ЧС на основе оценки факторов риска, модели распространения ЧС, вхождение в модель новых опасных факторов.

Для взаимодействия с промышленными сетями (управляющие модули систем подготовки воздуха, пожарной автоматики и сигнализации, системы обратного водооборота и т.д.), можно использовать протокол BACnet, который успешно зарекомендовал себя на практике в автоматических системах разных производителей.

Укрупненная структура исследуемой концепции построения АСППР для предотвращения кризисных ситуаций техногенного характера представлена на рис. 1.

Рисунок 1. Структура АСППР для предотвращения чрезвычайных ситуаций техногенного характера (блок А-0).

Управляющие модули представляют из себя агентов промышленных сетей, осуществляющих сбор, кластеризацию исходных данных, инициализацию аварийных состояний, передачу информации по локальной сети в автоматизированную СППР. Кроме того, ЛПР может управлять агентами с целью предотвращения ЧС и ликвидации ее последствий.

Для реализации подобной концепции будут использоваться следующие модули: база данных знаний, журнал событий и журнал прецедентов. Подобное разбиение позволит снизить нагрузку на моделирование и прогнозирование (за счет хранения и вывода по прецедентам), а также облегчить анализ новых внештатных ситуаций (хранение событий).

Для обеспечения работы системы требуются два актора – эксперт, задающий структуру и администрирующий базу знаний (обучение), и ЛПР – менеджер либо диспетчер. Исходя из рис. 1, автоматизированная СППР должна обладать двумя явными обратными связями – по управлению агентами (согласно решению ЛПР) и по записи новых внештатных событий (прецедентов).

Целесообразным представляется для повышения эффективности и оптимальности принимаемых решений использовать гибридный алгоритм нечетких нейронных сетей. Математический аппарат нейронных сетей уравновешивает нечеткость информации, принятой от агентов промышленных сетей, компенсирует неопределенность и многозначность входных данных. Такой выбор делает систему гибкой и позволяет использовать обозначенные аппараты в концепциях вывода по прецедентам и ситуационном анализе. Точность и адекватность принимаемых решений будет обеспечиваться подстройкой весов нейронной сети, представляющей модель принятия решения. Кроме того, данный математический аппарат будет использоваться для прогнозирования развития ЧС с учетом инициализации новых факторов опасности и скрытых угроз.

Для настройки агентов эффективно использование «правила трех сигналов» (светофора), которое позволит отбросить часть информации, которая не требует анализа и обработки, но и анализировать динамику работы агрегатов систем управления с позиции накопления отказов. Данное решение влечет за собой установление порогов реагирования, написание алгоритмов выборки данных и их кластеризации.

Возможная структура автоматизированной СППР для предотвращения и ликвидации ЧС техногенного характера представлена на рис. 2.

Рисунок 2. Декомпозиция структуры АСППР (блока А-0) на базовые функциональные составляющие.

Блок сбора и интеграции данных  предназначен для информации, необходимой для предотвращения и моделирования ЧС от различных промышленных агентов, и преобразования их в единый формат. В качестве единого формата могут использоваться матрицы состояний, которые позволяют представить однородные данные в структурированном виде, что упрощает последующие анализ и обработку.

На выходе данный модуль должен, определив вид угрозы (ЧС), передать матрицу состояний для моделирования и/или отработки по прецеденту. Информацию предполагается получать по ЛВС от агентов промышленных сетей, которые, в свою очередь, обрабатывают информацию с датчиков.

Блок анализа и моделирования на основе матриц состояния и вида угрозы моделирует ЧС или осуществляет подготовку и выдачу готовых решений в случае возникновения прецедента. Моделирование происходит на основе обучения и заложенных правил, задаваемых экспертом. Прогнозирование не обязательно либо невозможно, например, для ситуации неисправности или сбоя отдельного агрегата, не влекущего за собой ЧС непосредственно. Понятие моделирования охватывает физическое и математическое представление всех процессов, так или иначе связанных с возникновением и развитием ЧС, включая физические, физико-химические и химические процессы, воздействие поражающих и опасных факторов на человека, стратегию и тактику ликвидации, оценку потенциального и фактического ущерба. В этом смысле понятие моделирования ЧС практически сливается с понятием теории ЧС.

Результаты моделирования, при необходимости, передаются в блок прогнозирования развития ЧС, а также в блок выработки решений. Если выработанное решение – новое, оно должно быть сохранено в журнале прецедентов. В блоке «A4» происходит кластеризация, классификация и ранжирование решений в порядке значимости и актуальности.

Информация, передаваемая в блок представления решений, должна быть актуальной и достаточной для представления оптимального решения для ЛПР. При этом рассматривается использование следующих методов представления:
- графический метод (2D- и 3D-модели, деревья решений, анимация);
- текстовый метод (алгоритмы, порядок действий);
- звуковой метод (звуковые рекомендации, «тревожные сигналы»).

Выдача и представление решения всецело ложится на программный интерфейс автоматизированной СППР для ЛПР, требует глубокой проработки, так как выводимая информация должна однозначно характеризовать текущую ЧС или обстоятельства, ведущие к ней; быть достаточной, целостной и непротиворечивой, эффективной по выбранному критерию оптимальности для принятия решения.

Таким образом, на рис. 1 и 2 четко  прослеживаются этапы исследования и разработки АСППР – от разработки программного обеспечения обработчиков промышленных агентов до разработки пользовательского интерфейса и алгоритмов управления оборудованием сетей. При этом, нечеткая логика «работает» на блоке «A1», а задачи моделирования, прогнозирования и выработки решения, являющиеся, по своей сути, входными, промежуточными и выходными слоями нейронных сетей, соответственно – на блоках «А2», «A3», «A4».

В результате исследования планируется получение следующих результатов:
- основываясь на предположении, что качество принимаемых решений можно повысить за счет применения наиболее доступного и удобного способа подачи информации, разработать интуитивно-понятные, достоверные и достаточные алгоритмы представления данных;
- разработка наиболее приемлемых с учетом достоверности и вычислительной сложности гибридных математических моделей и методов описания, анализа и прогнозирования развития различных типов техногенных ЧС, доказательство эффективности моделей;
- решение задач интеграции с различными промышленными системами предприятия;
- разработка и внедрение на основе найденной гибридной концепции АСППР для предотвращения ЧС техногенного характера на выбранном предприятия машиностроительного комплекса.

Список литература:

1.    Burstein F., Hollsaple C.W.  Handbook of decision support systems 2: Variations. - Mahwah, NJ.: Laurence Erlbaum Associates, Inc., 2008. – 788 c.
2.    Акимов В.А., Лесных В.В., Радаев Н.Н. Основы анализа и управление риском в природной и техногенной сферах. М.: Деловой экспресс, 2004 г. – 352 c.
3.    Сайт МЧС. Статистические данные о чрезвычайных ситуациях на территории Российской Федерации. Электрон. ресурс. Режим доступа: http://www.mchs.gov.ru/stats/ (дата обращения – 21.01.2012).
4.    Ямалов И. У. Моделирование процессов управления и принятия решений в условиях чрезвычайных ситуаций/ -  М.: Лаборатория базовых знаний, 2007.  – 273 с.