Вопросы прогнозирования уровней концентраций в телекоммуникационной системе газового контроля промышленных и коммунальных объектов

УДК 504.054

,

A. A. Belov, A. Y. PROSKURYAKOV

Вопросы прогнозирования уровней концентраций в телекоммуникационной системе газового контроля промышленных и коммунальных объектов

Questions of prediction concentration levels in the telecommunications industrial and municipal facilities gas control system

В данной статье авторы освещают разработку автоматизированного поста телекоммуникационной системы газового контроля, предназначенного для сбора данных о концентрациях токсичных и взрывоопасных веществ в составе воздушной среды на промышленных и коммунальных объектах, с замкнутым пространством и вероятностью загазованности. Разработан комбинированный алгоритм прогнозирования значений концентраций с применением искусственных нейронных сетей и вейвлет-преобразования.

Ключевые слова: телекоммуникационная система, модуль сбора данных, беспроводная связь, искусственная нейронная сеть, временной ряд, прогнозирование значений ряда

In given article authors shine a problem of development automated telecommunications system for gas control designed to capture data of toxic and hazardous substances concentrations in the industrial and municipal facilities air, with a closed space and the possibility of gas contamination. Proposed a combined algorithm for predicting concentration values based on artificial neural networks and wavelet transformation

Keywords: telecommunication system, gas detector module, wireless communication, neural network, time series, prediction of the time series

Введение

Вопросы обеспечения безопасных условий работы персонала в промышленности, коммунальных сетях, на объектах с замкнутым пространством, с имеющейся вероятностью выделения и накопления токсичных и взрывоопасных газообразных веществ (колодцы, шахты и др.) являются приоритетными и обязательными. Работа на подобного рода объектах связана с риском и опасностью для жизни и здоровья людей, в частности риска отравления/удушения вредными, скопившимися концентратами газов и возможного взрыва и возгорания скопившихся газовых смесей. Поэтому создание телекоммуникационных систем и устройств дистанционного контроля за концентрациями токсичных и взрывоопасных газовых смесей и их постоянного мониторинга является весьма актуальной задачей. Решение этой задачи позволит осуществить безопасный контроль, работу и обслуживание на соответствующего рода объектах, снизить вероятность возникновения чрезвычайных ситуаций, исключить человеческие жертвы, существенно минимизировать возможные экономические потери, связанные с возникновением и развитием аварийных ситуаций в промышленности и сфере ЖКХ.

Автоматизированная телекоммуникационная система газового контроля позволит создать единую систему метрологического обеспечения проведения работ и обслуживания объектов промышленности и коммунального хозяйства, единую систему информационно-справочных данных.

В разработке подобной системы и устройства заинтересованы предприятия добывающей нефтегазовой, горной, химической промышленности, а также отрасль жилищно-коммунального хозяйства. При этом одной из важнейших функций разрабатываемой телекоммуникационной системы является не только детектирование и оповещение об опасных уровнях токсичных и взрывоопасных газовых смесей, с привязкой всех данных к картографической основе, но и прогнозирование значений временных рядов концентраций газов. Качественно проведенное прогнозирование и моделирование ситуации обеспечит своевременное принятие управляющих решений, направленных на удаление скопившихся токсичных и взрывоопасных газовых смесей из рабочей зоны, с целью исключения аварийных ситуаций, минимизации экономического ущерба. На процесс прогнозирования существенное влияние оказывает флуктуация сигнала или присутствия значительной нелинейности в данных. Существует большое количество методов интерполяции и экстраполяции временных рядов [1]. Интерес вызывает разработка комбинированного метода прогнозирования в нейросетевом базисе, с использованием вейвлет-преобразования. Кроме газового контроля на объектах с замкнутым пространством и вероятностью загазованности, решение задачи прогнозирования значений временных рядов, находит применение в широком спектре отраслей.

Разработка поста сбора телекоммуникационной системы газового контроля

В состав поста сбора данных телекоммуникационной системы газового контроля входят два модуля (рис. 1). Модуль А отвечает за сбор информации о наличии в среде легковоспламеняющихся, взрывоопасных и токсичных газообразных веществ и включает в себя один многокомпонентный или несколько, чувствительных к определенному типу газа, датчиков. Второй модуль (модуль Б) предназначен для управления модулем сбора, графической и звуковой индикации результатов измерения и передачи данных по беспроводному радиоканалу единому информационному центра накопления и обработки информации распределенной телекоммуникационной системы.

Рисунок 1 – Структура поста сбора данных сбора данных телекоммуникационной системы

В модуль А входит микроконтроллер, который обеспечивает приём управляющих сигналов от модуля Б, управляет сбором данных от датчиков токсичных и взрывоопасных веществ и преобразует данные о концентрациях к формату, пригодному для передачи по радиоканалу. В модуле А в базовой комплектации используются следующие датчики: датчик метана (ch4) на основе сенсора типа tgs2611 и датчик сероводорода (h2s) на основе сенсора типа tgs 825. Ввиду гибкости системы, тип газовых сенсоров и количество датчиков могут быть подобраны в соответствии с объектом контроля. Коммутатор подключает два канала с датчиков к АЦП. Информация с АЦП через буферный регистр попадает во внутреннюю память микроконтроллера. Он обеспечивает приём управляющих сигналов от модуля Б, управляет сбором данных от датчиков токсичных и взрывоопасных веществ и преобразует данные о концентрациях газов и сигналов аварийного состояния водопровода к формату, пригодному для передачи по радиоканалу Bluetooth. Питание модуля А обеспечивается высокоемкими аккумуляторами.

В качестве второго модуля может выступать переносное мобильное устройство типа сотовый телефон, коммуникатор или планшет, с предустановленным программным приложением для iOS, Android, WP7, обеспечивающее управление модулем сбора, индикацию концентраций выбранного газа и оповещение о превышении допустимых норм. Для передачи данных и управляющих сигналов между модулями используется стандартный для большинства современных мобильных устройств беспроводной радио-интерфейс Bluetooth, что повышает надежность, взаимозаменяемость компонентов. В случае выхода из строя штатного мобильного блока индикации и управления, осуществляющий газовый контроль персонал, может применить другое мобильное устройство с поддержкой технологии Bluetooth для дальнейшей работы (анализа среды). Для этого необходимо лишь установить управляющее программное приложение на мобильное устройство.

При этом модуль управления и индикации может располагаться от модуля сбора данных с датчиками на расстоянии, ограниченном спецификацией Bluetooth (до 100 метров). Имеется возможность увеличения радиуса действия до 1 км за счет применения в каждом из модулей приемопередатчиков Bluetooth c антеннами направленного действия. При этом, на мобильном устройстве установлено геоинформационное приложение, позволяющее отобразить всю необходимую информацию на карте, которая может быть пригодна для ремонтных и обслуживающих бригад. При этом для передачи данных между стационарными постами контроля, передвижными мобильными станциями и единым информационным центром системы используется встроенный в мобильное устройство трансивер, обеспечивающий связь согласно высокоскоростным технологиям 3G (4G, LTE).

Для хранения данных в едином информационном центре сбора и обработки информации предполагается разработать базы данных. Автоматизированные стационарные посты контроля имеют адресную картографическую привязку, и поэтому вся тематическая и атрибутивная информация будет связана с конкретными объектами картографической основы геоинформационной системы (ГИС) [2]. Интеграционный характер геоинформационной системы позволит создать на их основе мощный инструмент для сбора, хранения, систематизации, анализа и представления информации по вопросам контроля за параметрами загазованности, сигналами обнаружения аварийных ситуаций и дальнейшего прогнозирования газового состояния объектов промышленности и ЖКХ с привязкой к карте.

Все поступающие с автоматизированных постов контроля данные проходят предварительную проверку, включающую в себя оценку достоверности измеряемых параметров с целью выявления метрологических погрешностей и неисправностей измерительного и передающего оборудования.

Все пункты контроля объединяются в сеть и взаимодействуют с вычислительной сетью региона, с сервером, отвечающим за сбор, анализ и хранение информации. Основным звеном в системе является программа, осуществляющая сетевой сбор информации и её обработку.

Предлагаемый проект телекоммуникационной системы контроля предполагает организацию дистанционного мониторинга состояния объектов промышленности и ЖКХ, дистанционного взаимодействия пунктов контроля с вычислительными сетями региона, а также регистрацию и обработку данных дистанционного контроля параметров промышленных объектов и коммунальных сетей с последующим выявлением опасных и проблемных объектов и участков.

Пункты контроля в любое время, без прерывания работы всей вычислительной сети, могут быть подключены к ней или отключены. Функционирование вычислительной сети не зависит от состояния отдельного пункта контроля.

Представляемая телекоммуникационная система газового контроля промышленных и коммунальных объектов имеет открытую архитектуру, что обеспечивает широкие возможности по наращиванию ее мощности как в плане включения в ее состав новых постов контроля, так и в плане их оснащения широким спектром датчиков. Открытость системы базируется на известных принципах работы аппаратного и программного обеспечения.

Система контроля позволяет выдавать информацию оперативно, позволяет определять объективно и достоверно масштабы аварий. На основании полученных данных можно разрабатывать мероприятия по предотвращению человеческих жертв и минимизации экономического ущерба.

В состав проектируемой автоматизированной системы входит также программное обеспечение, предназначенное для прогнозирования уровней концентраций токсичных и взрывоопасных газов на контролируемых объектах и участках.

Алгоритм комбинированного прогнозирования

Общая концепция алгоритма прогнозирования значений временных рядов в нейросетевом базисе с применением вейвлет-преобразования представлена на рис. 2.

Рисунок 2 - Алгоритм комбинированного прогноза

После выполнения этапа предварительного вейвлет-преобразования [3] (сглаживание и сжатие временного ряда), временной ряд подается на подсистемы прогнозирования и коррекции результатов.

Далее из множества значений ряда выделяются два непересекающихся подмножества (как правило, хронологически следующих одно за другим). Одно из них представляет собой обучающую выборку (ОВ), на которой будет выполняться обучение нейронная сеть (НС). Другое подмножество представляет собой контрольную выборку (KB), которая не предъявляется НС в процессе обучения и используется для проверки качества прогноза. Таким образом, прогнозирование временного ряда сводится к задаче интерполяции функции многих переменных. НС используется для восстановления этой функции по множеству наборов, входящих в состав ОВ.

На этапе структурного синтеза производится выбор архитектуры НС и структуры связей между нейронами.

На этапе параметрического синтеза НС выполняется обучение НС. Как правило, используются методы градиентного спуска, в частности алгоритм обратного распространения ошибки и его модификации.

Далее осуществляется проверка ошибки прогноза НС на КВ. В результате сравнения выходных данных с контрольными, вычисляется процентная доля ошибки для заданного входного временного ряда. Учитывая этот процент ошибки и разницу между выходным сигналом и КВ, формируется корректирующая выборка, представляющая собой модификацию весовых коэффициентов НС. Таким образов, помимо первого этапа формирования начальной процедуры обучения с применением ОВ, происходит постоянная адаптация и усовершенствование НС, с учетом накопленного опыта, то есть повторный переход к этапу параметрического синтеза и, следовательно, сведение вероятности появления ошибки НС к минимуму.

Стоит также отметить, что в данной системе, на начальном этапе её работы, приоритет отдается регрессионному вейвлет - прогнозированию, т. к. НС требуется определенный период, чтобы результат был приемлемого качества, то есть с низкой процентной долей ошибки. Поэтому при первых запусках системы наряду с НС, для получения пусть и не эталонных, но относительно достоверных прогнозов, параллельно включается замещающая подсистема регрессионного вейвлет-прогнозирования, работающая согласно алгоритму:

1) Преобразуем временной ряд данных в массив , в котором – равномерно распределенные временные отрезки. Для каждого отрезка i, находится среднее значение на данном отрезке.

2) Выполняем вейвлет-разложение сигнала . На данном этапе, посредством скейлинг и вейвлет функций, осуществляется аппроксимация сигнала коэффициентами разложения. В результате получаются усредненные аппроксимирующие и детализирующие коэффициенты:

где J – уровень вейвлет-разложения, l – номер временного интервала.

Полученные коэффициенты полностью характеризуют функцию регрессии , с помощью которой может быть выполнена операция экстраполяции.

3) C помощью обратного вейвлет-преобразования по коэффициентам и восстанавливается прогнозируемое значение временного ряда для произвольного значения параметра , лежащего внутри или за границами исходного диапазона значений времени:

Прогнозированию подвергался исходный тестовый временной ряд концентраций сероводорода (744 отсчета, измерения проводились каждый час в течение месяца).

Рисунок 3 - Результаты эксперимента

При этом в качестве обучающей выборки использовался урезанный ряд, состоящий из 640 отсчетов, прогнозировались 104 следующих отсчета (рис.3), представляющие значения ряда [4].

Была оценена эффективность предварительного регрессионного вейвлет-прогнозирования (табл. 1) по критерию средней процентной ошибки:

Также для оценки может использоваться логарифмическая ошибка прогноза: , либо средняя квадратическая ошибка (Mean Square Error)

Таблица 1 - Статистика и ошибки предварительного этапа прогнозирования

После того, как процентная доля ошибки искусственной нейронной сети и подсистемы регрессионного вейвлет-прогнозирования сравнивается, система автоматически переходит на прогнозирование с применением нейронной сети [5], накопившей к этому моменту необходимый «опыт» для адекватной оценки прогноза и выдающей с каждой следующей выборкой, более корректные и точные экстраполированные значения временного ряда.

Выводы

В ходе исследования была разработана структурная схема поста сбора данных телекоммуникационной системы газового контроля, назначением которого является дистанционный контроль за уровнями концентраций токсичных и взрывоопасных газов, который необходим для обеспечения безопасной работы на объектах с вероятной загазованностью. При этом в качестве модуля управления-индикации предлагается использовать стандартное мобильное устройство (телефон, КПК, планшет) поддерживающего стандартную технологию беспроводной передачи Bluetooth. Программное обеспечение телекоммуникационной системы и отдельных её частей учитывает основные тенденции рынка ПО мобильных и вычислительных устройств. На основе математических аппаратов вейвлет-преобразования и искусственных нейронных сетей разработан алгоритм комбинированного прогнозирования значений концентраций. Разработанный алгоритм используется в подсистеме прогнозирования единого информационного центра накопления и обработки данных системы. Средняя процентная ошибка при экстраполировании тестового временного ряда на 52 отсчета в подсистеме комбинированного прогнозирования на основе вейвлет преобразования и аппарата НС при этом составляет 12,15% (высококачественный прогноз). К этому моменту процесс обучения НС должен завершиться. Применение описанного выше подхода позволит повысить качество и оперативность прогнозирования.

список литературы

1. Белов анализ и обработка временных рядов данных о загрязняющих выбросах в системе экологического контроля/ , , // Информационные системы и технологии, 2010. − №6(62). − С. 28– 35.

2. , Кропотов вопросов сжатия и поиска картографической информации методом вейвлет-преобразований в экологической геоинформационной системе // Вестник компьютерных и информационных технологий. 2008, №12, с. 9-15.

3. Белов, обработки экспериментальных временных рядов в электронной системе автоматизированного контроля/, , //Вопросы радиоэлектроники. Серия общетехническая.–2010.- №1. - с. 95-101

4. А Регрессионное прогнозирование и восстановление временных рядов на основе вейвлет-преобразования в системе экологического мониторинга / , // Проектирование и технология электронных средств. 2010. №1. С. 27-31.

5. Белов алгоритм прогнозирования на базе вейвлет-преобразования и нейронных сетей / , // Методы и устройства передачи и обработки информации, 2011. − №1(13). − С. 109-113

Муромский институт (филиал) Владимирский государственный университет, г. Муром

К. т.н., доцент кафедры «Электроника и вычислительная техника»

Тел.: +7(492

E-mail: aleks. *****@***ru

Муромский институт (филиал) Владимирский государственный университет, г. Муром

Аспирант ВлГУ

Тел.: +7(492

E-mail: *****@***ru