УДК 681.5

Разработка интеллектуальной системы управления вентиляцией взрывоопасных помещений на низковольтных датчиках дифференциального давления

Гусев Андрей Сергеевич – магистрант Московского технического университета связи и информатики.

Аннотация: В статье описан процесс разработки и реализации нейронной сети, для управления вентиляцией взрывоопасных помещениях на низковольтных датчиках дифференциального давления. Описана подготовка и предварительная обработка набора данных, реализация модели нейронной сети, ее обучение и тестирование, проведен анализ полученных результатов.

Ключевые слова: Машинное обучение, интеллектуальный анализ данных, нейронная сеть, управления вентиляции взрывоопасных помещениях, низковольтные датчики давления.

Введение

В важном вопросе обеспечения безопасности взрывоопасных помещений, вентиляция играет критическую роль. Новейшие технологии, такие как использование низковольтных датчиков давления, позволяют создавать интеллектуальные системы управления, способные реагировать на изменения в реальном времени. Это обеспечивает оптимальный микроклимат и качество воздуха в соответствии с нормами (СНиП).

Современные методы также включают в себя применение искусственных нейронных сетей (ИНС) и машинного обучения (МО) для более точного и эффективного управления вентиляцией во взрывоопасных условиях. Машинное обучение (МО) считается одной из самых захватывающих и перспективных технологий [1].

На кафедре "Интеллектуальные системы в управлении и автоматизации" Московского технического университета связи и информатики (МТУСИ) проводятся множественные научные исследования в этой области [2,3,4], что подчеркивает актуальность темы. В взрывоопасных помещениях, где хранятся более 2500 опасных веществ с установленными предельно допустимыми концентрациями (ПДК) или ориентировочными безопасными уровнями воздействия (ОБУВ) [5, 6], обеспечение безопасности персонала всегда остается в центре внимания и является высшим приоритетом.

Анализ предметной области

Системы управления во взрывоопасных условиях эксплуатации требуют особых методов, алгоритмов и технологий для обеспечения безопасности, и эффективности процессов.

В данной статье рассмотрены два таких подхода: использование интеллектуальных алгоритмов и методов, а также применение MEMS технологий.

Интеллектуальные алгоритмы, такие как алгоритмы машинного обучения и нейронные сети, играют важную роль в обнаружении и предотвращении опасных ситуаций.

Они могут анализировать данные и рано обнаруживать признаки необычного поведения, что помогает предотвратить взрывные ситуации. Нейронные сети особенно выделяются как эффективный инструмент в области интеллектуального анализа данных. С их помощью можно достичь более высоких результатов по сравнению с другими методами, особенно при использовании готовых библиотек, которые значительно упрощают процесс обучения.

Микроэлектромеханические системы (MEMS) технологии также являются значимым фактором в разработке систем управления в экстремальных условиях. Эти технологии предлагают надежные и компактные устройства, способные работать в различных агрессивных окружающих средах. Оптические МЭМС, биомедицинские МЭМС и наноэлектромеханические системы (НЭМС) представляют собой различные варианты устройств, разработанных с использованием MEMS технологий [7].

Компания Omron Electronic Components BV является одним из производителей, предлагающих инновационные цифровые датчики дифференциального давления на основе MEMS технологии. Эти датчики обеспечивают высокую точность и повторяемость измерений параметров, таких как давление и расход воздуха.

В целом, использование интеллектуальных алгоритмов, методов машинного обучения и MEMS технологий имеет большое значение для обеспечения безопасности и эффективности систем управления во взрывоопасных и экстремальных условиях эксплуатации.

Эти подходы предоставляют новые возможности для раннего обнаружения опасных ситуаций и разработки компактных, надежных устройств для контроля и управления.

Описание набора данных

Для обучения нейронных сетей, реализующих управление приточной и вытяжной системами вентиляции взрывоопасных помещений, используем набор данных, собранных с датчиков давления в этих помещениях [8, 9]. Нашей целью является создание модели, способной предсказывать оптимальные управляющие сигналы для поддержания безопасных условий.

Для приточной системы используем данные о давлении с датчиков для обучения нейронной сети, которая будет предсказывать оптимальный управляющий сигнал приточной системы. Первоначально, загружаем данные из CSV-файла [10] "вентиляция взрывоопасные датчики.csv". Далее, проводим предобработку данных и разделяем их на входные признаки (давления с датчиков Па) и выходные метки (управляющий сигнал приточной системы Гц).

Анализ данных

Производим загрузку набора данных (датасета) из CSV-файла с именем.

Файл "вентиляция взрывоопасные датчики.csv" содержит данные о вентиляции с использованием взрывоопасных датчиков. После загрузки данных, они будут представлены в виде таблицы DataFrame с помощью библиотеки pandas.

Используем переменную data для дальнейшей работы с данными, например, для исследования и визуализации или для разделения данных на входные признаки и выходные метки перед обучением моделей нейронных сетей.

Создадим 3D-график для набора данных, визуализируя взаимосвязь между давлением и управляющим сигналом для приточной и вытяжной систем.

Каждая точка синего цвета представляет точки данных для приточной системы. Каждая точка красного цвета представляет точки данных для вытяжной системы.

На оси X и Y находятся значения измеренного давления с датчиков 1 и 2 соответственно, а на оси Z — управляющий сигнал.

Эта визуализация поможет нам лучше понять распределение данных и возможные зависимости между признаками и целевыми переменными.

На Рисунке 1 представлен график для понятия распределение данных, приточная и вытяжная система.

Рис. 1. График распределения данных

Выводим первые нескольких строк набора данных в виде таблицы.

Функция head в библиотеке Pandas позволяет получить первые несколько строк DataFrame'а.

В таблице 1 представлены первые несколько строк набора данных датчики давления Па.

Таблица 1

Датчик давления 1 (Па)	Датчик давления 1 (Па)
194.74	212.46
27.84	38.54
23.03	186.65
181.67	127.54
153.57	222.12

В таблице 2 представлены первые несколько строк набора данных управляющего сигнала приточно-вытяжной системы Гц.

Таблица 2

Управляющий сигнал приточной системы (Гц)	Управляющий сигнал вытяжной системы (Гц)
26.5	4.6
9.3	26.7
38.6	24.0
0.7	45.2
49.3	23.3

Модель нейронной сети

Определим модель нейронной сети, которая будет принимать значения давления (Па) на вход и предсказывать оптимальную частоту (Гц) частотного преобразователя на выходе. Система вентиляции включает в себя две подсистемы: Приточную и Вытяжную.

Приточная система:

Датчик дифференциального давления: Собирает данные о давлении (Па) во взрывоопасных помещениях.

Нейронная сеть (Приточная): Обрабатывает данные от датчика дифференциального давления и предсказывает управляющий сигнал приточной системы. Оптимальную частоту (Гц) частотного преобразователя приточного вентилятора.

Интеграция SCADA с микрофреймворком Flask позволяет: Обменивается данными с SCADA системой для реального времени управления.

Модель НС можно увидеть на Рисунке 2.

Рис. 2. Модель нейронной сети

Вытяжная система:

Датчик дифференциального давления: Замеряет давление в вытяжной системе (Па). Нейронная сеть вытяжная: Обрабатывает данные датчиков дифференциального давления (Па) и предсказывает управляющий сигнал для частотного преобразователя (Гц) вытяжного вентилятора.

Интеграция SCADA с микрофреймворком Flask позволяет взаимодействовать с SCADA для оперативного контроля и корректировки.

Для создания и обучения нейронной сети для приточно-вытяжной системы. Мы используем библиотеку TensorFlow [11].

Определили архитектуру разрабатываемой нейронной сети для приточно-вытяжной системы.

Архитектуры нейронной сети состоит из одного скрытого слоя с 10 нейронами и функцией активации ReLU, а также выходного слоя с 1 нейроном и линейной функцией активации.

Такие архитектуры обеспечивает наши системы способностью обучаться на основе данных, а также предсказывать управляющие сигналы.

Построение архитектур нейронной сети реализуется при помощи модели Keras – Sequential model [12].

Визуализация архитектуры нейронной сети для приточной системы представлена на Рисунке 3.

Рис. 3. Архитектура нейронной сети приточной системы

Визуализация архитектуры нейронной сети для вытяжной системы представлена на Рисунке 4.

Рис. 4. Архитектура нейронной сети вытяжной системы

Обучение и оценка точности нейронной сети

Обучения модели, были выведены значения среднеквадратическая ошибка (Mean Squared Error, MSE) на обучающем и валидационном наборах данных. Эти значения позволяют оценить, насколько хорошо модели обучаются и обобщаются на новые данные.

Если модель имеет низкое MSE на обучающем наборе, но высокое MSE на валидационном наборе, это может быть признаком переобучения - модель хорошо запомнила обучающие данные, но плохо обобщается на новые данные.

Поэтому важно следить за разницей между MSE на обучающем и валидационном наборах данных и, при необходимости, применять методы регуляризации, чтобы предотвратить переобучение.

Среднеквадратическая ошибка (Mean Squared Error, MSE) - это метрика, используемая для оценки качества модели регрессии. Она представляет собой среднее значение квадратов разностей между предсказанными значениями модели и фактическими значениями на тестовом наборе данных.

Математически, MSE вычисляется следующим образом:

(1)

Где:

n - количество примеров в тестовом наборе данных.

Ytrue,i- - фактическое значение целевой переменной для i-го примера в тестовом наборе данных.

Ypred,i- - предсказанное моделью значение для i-го примера в тестовом наборе данных.

MSE измеряет среднее квадратичное отклонение предсказанных значений от фактических. Чем меньше значение MSE, тем лучше качество модели, поскольку это означает, что предсказанные значения ближе к фактическим.

Использован модуль mean_squared_error из библиотеки sklearn.metrics, который позволяет вычислить среднеквадратическую ошибку (MSE).

Этот модуль предоставляет функцию mean_squared_error, которая вычисляет MSE между фактическими и предсказанными значениями.

Функция для вывода графика потерь на обучающем и валидационном наборах данных для приточной и вытяжной систем:

Листинг 1

plt.subplot(1, 2, 1) plt.plot(history.history['loss'], label=' Обучающая потеря') plt.plot(history.history['val_loss'], label='Валидационная потеря') plt.xlabel('Эпоха') plt.ylabel('Потеря') plt.legend() plt.title(title + ' - Потеря')

Этот код создает два графика, каждый с двумя подграфиками. Первый подграфик показывает потери на обучающем наборе данных, а второй подграфик показывает потери на валидационном наборе данных.

Это поможет вам оценить процесс обучения моделей и их обобщающую способность на новых данных.

Вычисления и вывода среднеквадратической ошибки (MSE) на обучающем и валидационном наборах данных для приточной и вытяжной систем:

Листинг 2

y_train_pred = model.predict(X_pr_train) y_val_pred = model.predict(X_pr_test) mse_train = mean_squared_error(y_pr_train, y_train_pred) mse_val = mean_squared_error(y_pr_test, y_val_pred) print(f'Среднеквадратическая ошибка на обучающем наборе данных: {mse_train:.2f}') print(f'Среднеквадратическая ошибка на валидационном наборе данных: {mse_val:2f}')

Вычисляет среднеквадратическую ошибку на обучающем и валидационном наборах данных для обеих систем и выводит результаты.

Это позволит вам оценить качество моделей на разных наборах данных и определить, есть ли переобучение или недообучение.

Визуализации графиков потерь и среднеквадратической ошибки (MSE) для приточной и вытяжной систем:

На Рисунке 5 представлен графиков потерь и MSE для приточной системы.

Рис. 5. График потерь приточная система

На Рисунке 6 представлен график потерь и MSE для вытяжной системы.

Рис.6. График потерь вытяжная система

Тестирование разработанной нейронной сети

Два графика для каждой системы: график потерь (loss) и график среднеквадратической ошибки (MSE). Используем эти графики, чтобы анализировать процесс обучения модели и оценить ее качество на обучающем и валидационном наборах данных.

Результат тестирования сетей изображен на Рисунке 7.

Рис. 7.

Выводы

В ходе исследования были проведены загрузка и предобработка данных с датчиков давления в взрывоопасных помещениях. Данные были разделены на входные признаки (давления Па) и выходные метки (управляющие сигналы приточной и вытяжной систем Гц), что позволило подготовить их для обучения нейронных сетей.

Для управления приточной и вытяжной системами были разработаны отдельные нейронные сети с оптимальными гиперпараметрами. Модели были компилированы с оптимизатором Adam и функцией потерь 'mean_squared_error', что обеспечило эффективное обучение сетей на предоставленных данных. Процесс обучения был оптимизирован с помощью анализа графиков потерь и среднеквадратической ошибки (MSE), а также применения методов регуляризации для предотвращения переобучения.

Разработанная система продемонстрировала высокую производительность, эффективность и стабильность в различных ситуациях, что делает ее ценным инструментом для обеспечения безопасности в промышленных объектах.

Заключение

В данной статье описано решение поставленной задачи разработка интеллектуальной системы управления вентиляции в взрывоопасных помещениях на датчиках дифференциального давления.

Поставленная задача была решена, интеллектуальная система управляет вентиляции в взрывоопасных помещениях. При проведении тестирования работоспособность ИНС была оценена положительно.

В результате, использование нейронных сетей для управления вентиляцией в взрывоопасных помещениях представляет собой успешный и перспективный подход, который рекомендуется для практического внедрения в индустрии и других областях, где важно обеспечить безопасность в условиях повышенного риска взрыва.

Полученные результаты подтверждают эффективность разработанной системы и ее потенциал для реализации задач контроля и управления в сложных промышленных условиях.

Список литературы

1. Воронова Л.И. Machine Learning: регрессионные методы интеллектуального анализа данных: учебное пособие / Воронова Л.И., Воронов В.И. — Москва: Московский технический университет связи и информатики, 2018. — 82 c. — Текст: электронный // Электронно-библиотечная система IPR BOOKS: [сайт]. — URL: https://www.iprbookshop.ru/81325.html (Дата обращения: 1.09.2023).
2. Применение алгоритмов машинного обучения для разработки автоматизированной системы определения инструментов для станков ЧПУ. Репинский В.Н. Белюженко Д.Р. В сборнике: Технологии информационного общества. Сборник трудов XVI Международной отраслевой научно-технической конференции. 2022. С. 265-268. URL: https://elibrary.ru/item.asp?id=48513720 (Дата обращения: 1.09.2023).
3. Моделирование полета беспилотного летательного аппарата в Matlab Simulink. Белов Н.В., Репинский В.Н. – URL: https://elibrary.ru/item.asp?id=54092095 (Дата обращения: 2.09.2023).
4. Моделирование системы обнаружения аномалий в переходном режиме с использованием алгоритма обучения на основе распределения Гаусса. Репинский В.Н. Гусев А.С., В сборнике: Технологии информационного общества. Сборник трудов XVI Международной отраслевой научно-технической конференции. 2019. С. 417-421. URL: https://elibrary.ru/item.asp?id=39388377 (Дата обращения: 3.09.2023).
5. ГН 2.2.5.1313-2003. Предельно допустимые концентрации (ПДК) вредных веществ в воздухе рабочей зоны. – М.: Минздрав России, 2003. – 200с.
6. ГН 2.2.5.1314-03. Ориентировочные безопасные уровни воздействия (ОБУВ) вредных веществ в воздухе рабочей зоны. – М.: Минздрав России, 2003. – 126 с.
7. Методы и алгоритмы анализа МЭМС-датчиков дифференциального давления. Фетисов М.С, Репинский В.Н. URL: https://elibrary.ru/item.asp?id=44909697 (Дата обращения 3.09.2023).
8. Kaggle URL: https://www.kaggle.com/datasets (Дата обращения 2.09.2023).
9. Google Dataset search URL: https://datasetsearch.research.google.com/ (Дата обращения 2.09.2023).
10. Подборка датасетов для машинного обучения URL: https://habr.com/ru/post/452392/ (Дата обращения 2.09.2023).
11. Открытая библиотека машинного обучения Keras [Электронный ресурс]. – URL: https://keras.io/ (Дата обращения: 2.09.2023).
12. Открытая библиотека машинного обучения TensorFlow [Электронный ресурс]. – URL: https://www.tensorflow.org/ (дата обращения: 2.09.2023).