Как современные цифровые разработки помогают предсказывать аварии?
Автор: Константин Сергеевич Калугин
Базы данных (Big Data) и нейросети очень популярны, с их помощью пытаются решать самые разные задачи. Разработчики систем безопасности, разумеется, тоже не обошли их стороной.
Потенциальных потребителей, как правило, пытаются впечатлить возможностью быстрого сбора данных, и «умными» алгоритмами, которые не только обрабатывают собранную информацию с помощью статистического анализа и теории вероятности, но и самосовершенствуются, учатся.
На что же реально способны программы прогнозирования аварий, и какие у них ограничения?
Какие данные собирают и как их обрабатывают?
Обычно авторы разнообразных методик прогнозирования аварий не идут дальше сбора параметров исследуемой системы, которые «лежат на поверхности». Как правило, это показания телеметрии (показания всевозможных датчиков, контролирующих рабочие параметры системы), данные метеослужб, для некоторых районов актуальны данные сейсмологических служб. Кроме этого, учитывается рельеф местности, грунтовые воды и реки, наличие и параметры капитальных сооружений и т.п.
«Входные данные ПС НОСТРАДАМУС (программа прогнозирования развития чрезвычайных ситуаций радиационного характера — прим. Калугина К.С.): данные об источнике (положение, интенсивность выброса, продолжительность, нуклидный и дисперсный состав) и метеоданные (скорость и направление ветра на разных высотах, интенсивность осадков, категория устойчивости атмосферы либо синоптические данные, необходимые для определения класса устойчивости).
Если откинуть пафос нейросетей, то в сухом остатке мы имеем, в общем-то, давно знакомое моделирование физических процессов. Полвека назад подобные результаты можно было получить, используя уменьшенные физические модели и теорию подобия.
Например, «[...] история об остеклении бостонского John Hancock Tower. [...] Вскоре после завершения строительства коробки здания с остекленной оболочкой ее стеклянные панели (размером 1,2×3,4 м и весом 227 кг — прим. Калугина К.С.) начали просто выпадать из здания и падать прямо на улицу. [...] Как писалось тогда в газете Boston Globe, для исследования проблемы в Массачусетском Технологическом институте (MIT) былa построена уменьшенная модель небоскреба и всего квартала Back Bay и затем испытана в аэродинамической трубе MIT Wright Brothers. Исследования выявили ряд проблем, связанных с конструктивным устройством самого здания (из-за непредвиденного скручивания конструкции), но это не объясняло выпадение стеклянных панелей».
Иными словами, программы прогнозирования аварий на самом деле прогнозируют последствия аварий, что становится понятно при внимательном прочтении описания на интернет-страницах продуктов.
«С помощью данного комплекса возможно выполнение расчета параметров поражающих факторов и построение зоны возможного поражения в результате возникновения чрезвычайной ситуации».Источник: https://gisinfo.ru/products/emergency.htm
Как данные помогают в предотвращении аварий?
После сбора данные пытаются обрабатывать с помощью нейросетей, которые точны вплоть до 99%.
«Накопленные архивы данных телеметрии позволяют построить и обучить модель распознавания аварийных ситуаций. Обученная модель сравнивает текущее состояние объекта с состояниями, которые запомнила при обучении, и выносит суждение либо о нормальной работе, либо предстоящей аварии или инциденте. В случае распознавания предстоящей аварии производятся её классификация и расчет времени до наступления. Результаты передаются на монитор оператора для обязательного ознакомления. Достигнутая точность прогнозирования на реальных объектах позволяет предсказать более 99% аварий и инцидентов».Источник: http://neuro.ssoft24.com
Программы работают на большой статистике, алгоритмы ищут закономерности в изменении параметров, а после этого, получая свежие данные о телеметрии, проверяют их на наличие определенных закономерностей, характерных для начала аварии.
Проблем у такого подхода несколько
Во-первых, должна быть наработана статистика отказов. Как быть если объект новый и аварий ещё не было? К тому же, каждая авария, это не только статистика, но и реальный ущерб. Кроме того, подобный подход предполагает крайне узкую специализацию, вплоть до конкретного оборудования.
Во-вторых, многие аварийные процессы быстротечны, и с момента фиксации отклонений до аварии будет лишь несколько секунд.
В-третьих, когда на объекте регулярно происходят отказы, работники, выполняющие ремонт, вполне способны предсказать примерное место, время и сопутствующие условия, когда произойдёт очередная авария. Для предупреждения подобных аварий традиционным решением является составление графиков ремонтов.
Так, например, для тестирования эффективности программы прогнозирования преступлений провели эксперимент, результаты которого показали, что «предсказания случайно подобранных людей (без юридического образования) оказались верными в 67 % случаев, а предсказания Compas (нейросеть) — в 65 %». Источник: https://knife.media/predict-crime/
Недостатки и ошибки современных методик прогнозирования аварий
Гипотеза:
современные методики прогнозирования технических аварий слабые, потому что:
1) рассматривают единичные явления;2) строят модели только на статистических данных;3) делают допущение, что система закрытая (действуют только известные закономерности, выявляемые из статистики).
Технические системы, могут подвергаться НЕ изученным явлениям (физическим, химическим, геологическим, атмосферным и т.д.).
Пример из области геологии:
«В России ежегодно происходит примерно 80 тысяч порывов нефте и газопроводов. Причины этих аварий ищут в низком качестве трубопроводов. Однако то, что аварии зачастую повторяются в одних и тех же местах, указывает на то, что причина в геологии.
В 1993 году нами, фирмой Геофизпрогноз был обнаружен геологический объект, который является ответственным за внезапные разрушения инженерных сооружений (ИС). По признаку резкого увеличения уровня радона над этими объектами стало понятно, что эти геологические объекты есть не что иное как зоны тектонических нарушений (ЗТН)». (Источник http://ancb.ru/analytics/read/60).
Пример из области физических явлений:
Другой пример, Авиакатастрофа Ту-144д с новыми двигателями РД-3651 (более мощными, чем прежние) под Егорьевском. «В топливопроводах возникли усталостные разрушения из-за собственных колебаний, которые создала внутренние течение топлива. Хотя в литературе указывалась ожидаемая и рекомендуемая для расчета частота пульсации топлива, а именно около 100 Гц, в топливной системе Ту-144 эта частота достигла 1 500 Гц, из-за чего за дроссельной шайбой на стенке кармана для установки экспериментального датчика температуры возникали критические напряжения. Это значительно снижало ресурс трубопроводов. Помимо этого сам метод технологической очистки трубопроводов с помощью неконтролируемых пульсаций двухфазного потока по расчетам дополнительно снизил ресурс более чем в два раза. Свою роль также сыграли и значительные гидравлические удары, которые в данной системе были куда сильнее из-за высокого давления топлива».
То есть в технических системах недостаточно собирать параметры. Еще нужно собирать эффекты (физические, химические, биологические, геологические, атмосферные и т.д.).
Часто нужны дополнительные исследования. Например, в интервью, проведенном Татьяной Викторовной Кыркаловой, океанолог Алексей Вадимович Зимин назвал одно такое неисследованное явление — короткопериодная изменчивость в атмосфере (ссылка с привязкой ко времени).
Чего не учитывают современные методики прогнозирования?
Сильная методика прогнозирования аварий должна работать не на теории вероятности (которую так любят эксплуатировать), а использовать систему параметров, а также эффектов (физические, химические, геометрические, биологические, геологические, + эффекты связанные с мышлением / ошибками мышления, эффекты восприятия: оптические, акустические эффекты и др. которые наверняка вносят существенный вклад в развитие аварий), а также недоисследованные явления, и правила их взаимодействия, наподобие системы стандартов разработанной Генрихом Сауловичем Альтшуллером.
ВЫВОД:
Современные программы прогнозирования аварий позволяют моделировать последствия этих самых аварий. По сути, идёт подмена, хоть разработчики и делают оговорку.
Нейросети ищут закономерности в изменении характеристик оборудования, но это очень локальные процессы, не позволяющие прогнозировать работу всей системы или взаимодействия систем. Для полноценного прогнозирования аварий на данный момент недостаёт знаний о закономерностях более высоких уровней. Более того, некоторые закономерности ещё только предстоит открыть.
+ Ваши дополнительные возможности:
1) СИЛЬНЫЕ ИДЕИ: ВЫЯВЛЕНИЕ ПРИЧИН АВАРИЙ и КАТАСТРОФ
2) ВЫДВИЖЕНИЕ ГИПОТЕЗ при РАССЛЕДОВАНИИ АВАРИЙ и КАТАСТРОФ
3) ВОПРОСЫ ТВОРЧЕСТВА для: Новичков, Слушателей онлайн-курса VIKENT.RU и наших Докладчиков.