Говоря о применении искусственного интеллекта в энергетике, мы решили сконцентрироваться на теме применения ИИ в атомной отрасли. С одной стороны, в связи с тем, что данная тема относится к профессиональным интересам авторов, а с другой — по той причине, что с помощью технологий ИИ в данной индустрии решается широкий спектр задач, на примере которых можно раскрыть принципы работы целого ряда технологий.
Применение ИИ в атомной отрасли позволяет снизить затраты на проектирование, получить более безопасные конструкции, оптимизировать производство и строительство установок, оптимизировать эксплуатацию и обслуживание АЭС, сократить расходы, связанные с топливом, с выводом АЭС из эксплуатации, с утилизацией отходов, более успешно конкурировать с другими видами генерации электроэнергии.
Искусственный интеллект и атомную энергетику принято считать новыми технологиями, однако их развитие происходит уже более 70 лет. В известной степени эти технологии можно назвать ровесниками. Действительно, возраст ИИ большинство аналитиков отсчитывают со времен появления теста Тьюринга (1950 год), примерно в это же время (в 50-х годах прошлого столетия) началось проникновение на рынок атомной энергетики. Обе технологии — «мирный атом» и искусственный интеллект — сопровождались интенсивными научными исследованиями и, по сути, стали символами технологического и научного прогресса человечества. Статьи, связанные с использованием ИИ для нужд атомной энергетики, появились более 50 лет назад. Так, например, статья Application of Artificial Intelligence Techniques to Digital Computer Control of Nuclear Reactors («Применение методов искусственного интеллекта для цифрового компьютерного управления ядерными реакторами») датируется 1975 годом.
Все атомные станции имеют центры мониторинга и диагностики. Атомная энергетика опирается на данные, а следовательно, это именно та область, где перспективы применения ИИ весьма велики.
Компьютерное зрение
В атомной отрасли применяется множество решений, работающих на базе технологий компьютерного зрения. Одно из них связано с мониторингом состояния конструкционных материалов.
Воздействие высоких температур и радиации может приводить к повреждениям ответственных изделий. Небольшая трещина в ядерном реакторе способна привести к катастрофическим последствиям. Инспекция критически важных систем, таких как ядерные реакторы, на наличие дефектов достаточно трудоемкая процедура. Регулярная инспекция компонентов АЭС необходима для обеспечения безопасной эксплуатации. Существующая практика в основном сводится к просмотру видеозаписей инспекций. Это кропотливая работа, требующая высокой квалификации и пристального внимания специалиста во время многочасового просмотра видеозаписей.
Традиционная практика выявления трещин на реакторах является утомительной и субъективной. Обнаружение трещин осложняется в силу наличия шумовых паттернов на поверхности исследуемого материала. Применение компьютерного зрения позволяет автоматизировать работу по выявлению дефектов.
Несмотря на то, что речь идет об автоматизации процесса, ответственность за классификацию дефектов в данном случае все равно берет на себя человек, пользуясь системой поддержки принятия решений, а не системой принятия решений.
В качестве примера можно привести проект, описанный в статье авторов из Университета Пердью, США под названием «Обнаружение трещин на основе глубокого обучения с использованием сверточной нейронной сети и слияния данных по методу Наивного Байеса».
В рамках упомянутого проекта была предложена система на основе сверточной нейронной сети и схемы объединения данных, извлеченных из каждого видеокадра, для повышения общей производительности и надежности системы.
Система предоставляет оператору количественную информацию о трещине, позволяет перейти к конкретным кадрам, чтобы изучить дефекты и определить, какие действия могут быть необходимы. Приложение может использоваться в сочетании с роботизированными комплексами и беспилотниками, которые используются для сбора большого количества визуальных данных, позволяя выявлять и устранять структурные повреждения до катастрофических инцидентов.
В публикации описана разработка национальной лаборатории Ок-Ридж в Теннесси, где создали систему на основе глубокого обучения, которая может оперативно обнаруживать и анализировать радиационные микроповреждения материалов с высокой точностью. По данным авторов, сравнительный анализ показал, что нейронная сеть позволяет выявить и классифицировать около 86% дефектов в исследуемых материалах, при том что люди обнаруживают лишь 80% дефектов.
Новаторским и весьма перспективным следует назвать проект, выполненный международным университетом Флориды (FIU) в рамках сотрудничества с Национальной лабораторией Айдахо (INL) и направленный на изучение использования небольших беспилотников для осуществления обходов внутри помещений АЭС. При пролете дрон видит изображение QR-кода под некоторым углом зрения, восстанавливает изображение в первоначальном виде, распознает его и получает информацию о своем текущем местоположении, определяет свои координаты и обеспечивает навигацию пролетов.
На атомной станции достаточно много работ приходится на так называемые обходы, когда сотрудникам нужно пройти определенные точки и собрать данные. Это могут быть обходы, связанные с проверкой отсутствия дефектов в работе оборудования, контроля безопасности и т. п. В некоторых случаях может возникать необходимость инспекции зон, которые предоставляют угрозу для здоровья. Сотрудниками FIU разработан проект под условным названием ROUNDS («Route Operable Unmanned Navigation of Drones» — «Маршрутная беспилотная навигация дронов»), в котором роль обходчика выполняют дроны.
Разработчикам проекта пришлось преодолеть ряд проблем, включая отсутствие GPS в закрытых помещениях, отсутствие возможности свободного пролета между помещениями (закрытые двери), ограниченный размер дрона, лимитированный удобством подлета к датчикам (как следствие — ограниченная емкость аккумулятора и время пролета на одном заряде), относительно дорогие запчасти.
Проект показал перспективность использования беспилотников для проведения обходов на АЭС с возможностью снятия показаний с приборов, инспекции опасных мест, проведения радиационного обследования, в том числе на высоте, недосягаемой для человека. В упомянутом проекте дрон осуществляет облет помещения, считывая QR-коды на стенах и элементах оборудования.
Еще один пример применения систем компьютерного зрения на АЭС-это выполненный специалистами FIU проект, в котором методы глубокого обучения позволили реализовать систему автоматизации ручной регистрации показаний аналоговых датчиков, манометров и т. п. Решение позволяет распознавать изображения многочисленных датчиков под разными углами зрения, корректно считывая показатели их значений. Использование системы на базе ИИ для автоматизированного считывания показаний датчиков сокращает время обходов операторами, калибровку датчиков, повышает точность данных для онлайн-мониторинга. Если какой-то большой и дорогой агрегат имеет встроенную панель мониторинга, данные которой сложно получить программно, целесообразно поставить над этой панелью дешевую камеру и считывать данные в режиме 24/7.
Технологии компьютерного зрения уже давно применяются в Госкорпорации «Росатом» — это распознавание и обработка документов, технологии распознавания лиц на контрольно-пропускных пунктах, контроль наличия у сотрудников средств индивидуальной защиты. Подобный проект был выполнен в конце 2019 — начале 2020 годов на Кольской АЭС, где внедрили систему машинного зрения для проверки применения средств индивидуальной защиты, снижая риск травматизма персонала при опасных работах. С помощью стационарных камер видеонаблюдения детектируются люди и контролируется наличие на них касок, перчаток и других средств защиты.
Анализ естественного языка, понимание и синтез речи
АЭС — один из сложнейших технологических объектов. Учитывая огромный объем документации при проектировании, строительстве и эксплуатации атомных станций, в отрасли востребованы многие задачи, связанные с обработкой естественного языка: классификация текстов, маршрутизация документов, выделение требований в нормативной документации и т. п.
В качестве примера использования технологий NLP в атомной индустрии можно привести проект, проводимый в рамках Национальной лаборатории Айдахо, в котором ИИ используется для автоматизации процесса проверки отчетов о состоянии АЭС (анализ и классификация записей по разным категориям, включая степень влияния на безопасность атомной станции). В подобные отчеты попадает информация, полученная при обходах, это могут быть записи о разного рода дефектах (протечке воды, появлении шума или вибрации в оборудовании и т. д.). До внедрения систем на базе ИИ подобные отчеты рассматривались ежедневно комиссией из нескольких человек, что занимало существенный человеческий ресурс, требовало привлечения коллектива специалистов разного профиля.
Использование NLP позволило классифицировать регистрируемые записи по типу неисправности, присваивать записям уровень приоритетности рассмотрения, определять, кому непосредственно должна быть адресована та или иная задача, что существенно экономит ресурсы.
В Госкорпорации «Росатом» накоплено множество текстов, на основе которых можно строить системы поддержки принятия решений, и реализован ряд проектов, связанных с анализом естественного языка.
Один из успешных проектов под названием «Интеллектуальный анализ нормативной документации» выполнен компанией ЧУ » Цифрум» совместно АО » РАСУ».
В отрасли актуальна проблематика управления требованиями. Она особенно важна при проектированиии и строительстве АЭС, где объем требований исчисляется сотнями тысяч.
Основные требования заказчика к проектированию и сооружению АЭС формируются в контракте. Помимо этого, для получения лицензии на эксплуатацию АЭС у государственных регулирующих органов проект должен удовлетворять требованиям национальных и международных стандартов. Важной задачей является выделение требований из текстов нормативных документов в качестве отдельных самостоятельных сущностей для организации процесса управления требованиями. Нормативные документы обычно предоставляются в виде электронных документов, в которых требования описаны на естественном языке.
Таким образом, имеется документ, содержащий набор требований к строительству большого объекта, необходимо вычленить требования из документа и корректно занести в систему управления требованиями. Для этого документ нужно разбить на фрагменты и каждый фрагмент классифицировать (требование это или нет). Автоматизация этой задачи позволяет оптимизировать процесс управления требованиями и дает существенный эффект в увеличении производительности. Испытания показали 50% снижение времени на обработку текстов стандартов по отношению к существующему процессу.
Другой пример использования анализа естественного языка в Госкорпорации «Росатом» — это сервис «Атомбот.Закупки» — цифровой сервис, направленный на автоматизацию закупочной деятельности на основе искусственного интеллекта c применением программных роботов, созданных на базе платформы ROBIN RPA — российского разработчика платформы программных роботов и чат-ботов для автоматизации бизнес-процессов.
«Атомбот.Закупки» уже используется на предприятиях топливной компании «ТВЭЛ» в процессах закупочной деятельности и казначейства. Сервис осуществляет формирование и проверку технического задания и проекта договора по нормативным правилам, составляет запрос технико-коммерческого предложения и проводит сбор ценовой информации, формирует начальную и максимальную цену договора. Робот способен осуществлять выгрузку в систему документооборота, сверку отчетов о движении денежных средств, формирование единого реестра платежных поручений, сопоставление заявлений и сертификатов.
Госкорпорация «Росатом» обладает большим опытом внедрения роботов для внутренних задач атомной отрасли, а с 2018 года — появилась практика по предоставлению услуг, связанная с внедрением RPA-решений во внешних компаниях обрабатывающих отраслей, банковского сектора, ритейла, строительства и других.
Так, компанией АО » Гринатом» создан цифровой продукт Атом. РИТА (Роботизированный Интеллектуальный Технологичный Ассистент). Атом. РИТА — это RPA-платформа для настройки и сопровождения программных роботов, взаимодействующих с корпоративными системами и приложениями через пользовательский интерфейс. Командой разработки создано около 400 программных роботов, которые используются на предприятиях Госкорпорации «Росатом» для повышения эффективности бизнес-процессов. Одна из особенностей платформы — наличие интеллектуальных компонентов, которые помогают в обработке неструктурированных данных, в таких задачах, как например, классификация обращений клиентов. Также платформа умеет обрабатывать данные с отсканированных документов и взаимодействовать с пользователями с помощью обработки голосовых запросов. На момент написания курса (осень 2022г.) система напрямую маршрутизировала примерно 50% всех операционных обращений атомной отрасли. В 2021 году в составе платформы роботизации Атом.РИТА был выпущен сервис Голос — собственный движок распознавания и синтеза речи. Планируется создать на его основе единый отраслевой продукт, аккумулирующий в себе различные технологии работы с голосом и речевой аналитикой, который можно подключать к другим цифровым продуктам Госкорпорации «Росатом».
Близким к анализу естественного языка являются направления понимания и синтеза речи. Одна из областей применения — голосовые интерфейсы управления, позволяющие взаимодействовать с системой посредством голоса. Примером применения речевых технологий является задача протоколирования совещаний, когда присутствующие на совещаниях интеллектуальные агенты не только формируют скрипт произнесенной речи, но и позволяют выполнять голосовые команды вроде управления календарем и адресной книгой, формируют протоколы совещаний по форме. Пилотные испытания подобного решения были реализованы в ЧУ «Цифрум» в 2021 году.
В 2021 г. АО «Концерн Росэнергоатом» и АО «КОНСИСТ-ОС» разработали и ввели в эксплуатацию автоматизированную систему маршрутизации запросов на базе машинного обучения. Система помогает операторам первой линии технической поддержки компании распределять поступающие запросы пользователей. Нейросеть была обучена на основе истории запросов и маршрутов перенаправления. Ожидается, что нейросеть будет маршрутизировать не менее 30 000 заявок в год. Данные, использованные для обучения нейросети, собраны в датасеты и размещены в Отраслевом реестре датасетов Госкорпорации «Росатом», который был запущен в 2021 г. для упрощения внедрения подобных систем на других предприятиях атомной отрасли.
Еще одна задача маршрутизации была решена специалистами АО «КОНСИСТ-ОС» в отношении классификации большого потока входящей корреспонденции на адрес электронной почты info@rosenergoatom.ru. Было разработано решение, автоматизирующее процесс маршрутизации с использованием технологии машинного обучения для определения ответственного исполнителя на основе текста письма и вложений с изображениями, обрабатываемых с помощью оптитического распознавания текстов.
Рекомендательные системы
Еще один проект Госкорпорации «Росатом», который реализуется в ЧУ «Цифрум», это интеллектуальная система управления «Навигатор». Она включает систему поддержки принятия решений на основании данных, которая обеспечивает оперативный мониторинг и прогнозирование достижения показателей деятельности с учетом внутренних и внешних факторов влияния. «Навигатор» обеспечивает предиктивный анализ корректирующих мероприятий, оценивает влияние принимаемых управленческих решений и проверяет их фактическое исполнение.
Другой проект в области рекомендательных систем, выполненный специалистами АО «Гринатом», — система рекомендаций для обучающего портала РЕКОРД Mobile. Сотрудники госкорпорации «Росатом» регулярно проходят обучение на этой платформе, где представлено свыше 3000 курсов, разделенных на множество тематических рубрик, что делает навигацию достаточно сложной. Чтобы упростить использование платформы, специалисты отдела исследований «Гринатома» разработали рекомендательную систему на основе нейронных сетей, которая позволяет персонализировать подборку курсов. В основе рекомендательной системы лежит разновидность архитектуры рекуррентных нейронных сетей LSTM, которая позволяет выявлять зависимости между длинными последовательностями взаимодействий пользователя с обучающей платформой.
По итогам проведенного А/В-тестирования установлено, что внедрение рекомендательной системы существенно повысило метрики платформы РЕКОРД Mobile, например, на 24% выросло общее количество переходов на курсы на платформе, на 23% увеличился индекс потребительской лояльности к платформе за 2020 год.
Применение умной робототехники
Важным направлением в атомной отрасли является применение интеллектуальной робототехники, в том числе для выполнения трудоемких задач в зонах, где необходимо ограничить доступ людей вследствие высокого уровня радиации. Роботы, способные детектировать радиоактивность, могут помочь в выявлении остаточного загрязнения в помещениях.
В мире существует целый ряд научных центров, занятых в области создания умных роботов для атомной отрасли.
Например, проект RoMaNS (Robotic Manipulation for Nuclear Sort and Segregation) направлен на совершенствование технологий в области автоматизации решения критически важной с точки зрения защиты окружающей среды проблемы сортировки и сегрегации ядерных отходов. Сортировка позволяет минимизировать случаи, когда низкоуровневые отходы занимают дорогое оборудование для высокоуровневого хранения. Огромное количество старых контейнеров с отходами должны быть вскрыты, исследованы, а их содержимое отсортировано. Из-за высокого содержания радиоактивных материалов это можно сделать только дистанционно с помощью роботов. Текущая практика в промышленности состоит в простом телеуправлении с помощью джойстика. Это неудовлетворительно медленный подход, учитывая огромные объемы материала для обработки. Согласно публикации, команда RoMaNs еще в 2017 году успешно испытала роботизированную руку с разработанной ими системой управления на базе ИИ в радиоактивной среде на объекте в северной Англии, находящемся в ведении Национальной ядерной лаборатории, и продолжает разработки в данной области.
В том же году сотрудники Далтонского ядерного института Манчестерского университета сообщили о запуске программы по созданию роботов на базе искусственного интеллекта, направленную на очистку ядерных отходов. Центр робототехники и искусственного интеллекта для ядерной промышленности Robotics and Artificial Intelligence for Nuclear (RAIN) получил 12 миллионов фунтов стерлингов для решения таких проблем, как вывод из эксплуатации, утилизация отходов, термоядерный синтез, продление срока службы станций и строительство новых объектов. Центр объединяет специалистов из университетов Оксфорда, Ливерпуля, Шеффилда, Ноттингема, Ланкастера, Бристоля и Управления по атомной энергии Великобритании, а также международных партнеров из США, Италии и Японии.
Проблемами разработки роботизированных систем для очистки ядерных отходов занимаются во многих лабораториях. Например, в лаборатории экстремальной робототехники Бирмингемского университета выполняется проект, в рамках которого изучается проблема категоризации объектов отходов на основе RGBD обнаружения и категоризации отходов для вывода из эксплуатации ядерных объектов. Для обеспечения возможности автономного роботизированного манипулирования при выводе из эксплуатации необходимо обнаружить и классифицировать объекты ядерных отходов. Поскольку большое количество аннотированных данных об объектах отходов в настоящее время недоступно, специалисты разработали подход слабоконтролируемого обучения, который способен обучить глубокую сверточную нейронную сеть на основе немаркированных RGBD видео, требуя при этом очень мало аннотаций.
Интеллектуальная робототехника применяется не только для манипулирования радиоактивными отходами. Говоря о работах, выполняемых в Госкорпорации «Росатом», можно упомянуть проект на Калининской АЭС, где выполняется внедрение робототехнического комплекса противопожарной защиты машинных залов с элементами искусственного интеллекта. Разрабатываемая установка включает комплекс роботизированных лафетных стволов. У каждого робота задан свой определенный сектор, который он сканирует тепловизором, и в случае обнаружения возгорания система передает соответствующий сигнал на блочный щит управления энергоблоком и приступает к тушению в автоматическом режиме либо при управлении оператором.
Математическое моделирование
Атомная станция представляет собой сложную многокомпонентную систему, определяемую физическими процессами высокой сложности. Мультифизическое моделирование на основе решения дифференциальных уравнений упомянутых физических процессов требует больших вычислительных ресурсов и, соответственно, существенного расчетного времени. Для управления работой станции в нормальных и аномальных условиях различные системы АЭС (например, компоненты активной зоны реактора) подвергаются непрерывному мониторингу, что приводит к получению огромных массивов данных, которые целесообразно обрабатывать с помощью методов ИИ для прогнозирования поведения подсистем АЭС и принятия оперативных решений на основе фактических и прогнозных данных. Модели на основе данных с использованием машинного обучения в ряде случаев дополняют моделирование физических процессов.
В Госкорпорации «Росатом» разработано программное обеспечение для мультифизического математического моделирования и анализа инженерных данных — «Логос». Комплекс создан на основе цифровых разработок саровского предприятия РФЯЦ-ВНИИЭФ.
В настоящее время «Логос» состоит из пяти программных модулей: «Логос Аэро-Гидро» (для моделирования аэро-, гидро-, газодинамических процессов), «Логос Тепло» (для моделирования процессов теплопередачи), «Логос Прочность» (для решения статических и динамических прочностных задач),»ЛогосГидрогеология»(для решения задач водного баланса территорий и моделирования экологических процессов в сложной геологической среде), «Логос Платформа» (для интеграции в единую вычислительную платформу модулей «Логос» и ПО класса САЕ от различных российских разработчиков, а также для решения задач оптимизации методами машинного обучения).
Обучение с подкреплением
Исследователи из DeepMind вместе с коллегами из Швейцарии создали алгоритм машинного обучения для удержания плазмы в токамаке. Они обучили его на высокоточном симуляторе, а затем показали работоспособность подхода на реальном токамаке в Швейцарии. Термо ядерный реактор предполагает создание плазмы, в которой происходит управляемый термоядерный синтез — слияние ядер с выделением огромного количества энергии. Для термоядерных реакторов предлагались разные конструкции, но на данный момент лидирует токамак — эту конструкцию в свое время разработали советские физики Тамм и Сахаров. Она же используется в международном реакторе ITER, который должен начать работу и получить первую плазму в 2025 году. Токамак состоит из тороидальной камеры, вокруг которой расположены магнитные катушки. Они позволяют удерживать плазму с помощью магнитного поля, не давая ей столкнуться со стенками токамака и разрушить их.
Еще в середине XX века стало ясно, что удержание плазмы магнитным полем — крайне сложная задача, потому что в ней не минуемо возникают неустойчивости. В итоге даже лучшие токамаки удерживают ее в течение очень небольшого времени: в прошлом году китайский EAST установил рекорд, удержав горячую плазму (120 миллионов градусов) в течение 101 секунды, а создатели ITER рассчитывают на 400-600 секунд.
Алгоритмы обучались на высокоточном симуляторе токамака, разработанном специалистами Швейцарского центра плазмы. После обучения авторы проверили работу нейросети-исполнителя на реальном токамаке в этом центре и подтвердили, что он способен удерживать плазму и поддерживать разные ее конфигурации, в том числе двойную, при которой в токамаке формируется два отдельных плазменных шнура.
Мониторинг технического состояния и предиктивная аналитика
Одним из важнейших направлений применения искусственного интеллекта в атомной отрасли является предиктивная аналитика. Решения в области предиктивной аналитики позволяют оптимизировать процессы технического обслуживания и ремонта промышленного оборудования, повысить качество решений, принимаемых на основе данных, совершенствовать производственные процессы, снизить брак производимой продукции. К типовым задачам предиктивной аналитики в промышленности можно отнести следующие.
Мониторинг технического состояния производственного оборудования (детектирование аномалий).
Прогнозирование остаточного ресурса узлов оборудования (прогноз времени до выхода за уставки).
Прогноз вероятности брака (например, дефектов в микроструктуре) в производимой продукции по данным ранних этапов производственного процесса.
Прогноз оптимальных параметров производственного процесса (технологических режимов оборудования).
Любое оборудование подвергается износу и требует ремонта. Одна из задач эксплуатирующей организации состоит в том, чтобы собрать исторические данные о его работе и поведении и оценить, сколько есть времени до выхода из строя этого оборудования. Такая задача называется RUL (Remaining useful life estimation), или прогноз остаточного ресурса ( рис. 3.16).
Рис. 3.16. Изменение состояния во времени и возможности и стратегии предотвращения отказов
Конструкционные материалы, испытывающие механические нагрузки, со временем начинают изнашиваться, что приводит к наступлению стадии аномальной работы оборудования — такое состояние не обязательно требует полной остановки, но должно рассматриваться как предупреждение о том, что машина находится в неоптимальном режиме работы и требует проведения технического обслуживания.
Одна из проблем, с которой сталкиваются производственные предприятия и АЭС в частности, заключается в сложности ранней диагностики аномалий, поскольку в накапливаемых данных нет примеров для точного описания аномального поведения установок. Промышленная предиктивная аналитика для технического обслуживания, часто с использованием цифровых копий реальных объектов, является одной из центральных областей, где применяется ИИ. Развитие данной экспертизы внутри Госкорпорации «Росатом» важно для создания систем мониторинга технического состояния и оценки остаточного ресурса оборудования, что позволяет оптимизировать проведение обслуживания сложного дорогого оборудования, снизить количество необходимых ремонтов и число внеплановых остановок.
Аварийная остановка турбогенератора на АЭС может обходиться оператору в 1 млн евро за каждый день простоя. При этом использование предиктивного управления техническим обслуживанием и возможность прогнозирования аномального поведения в работе оборудования дает возможность перевести внеплановую остановку в плановую, что позволяет избежать штрафных санкций за недовыработку энергии.
Центры компетенций по предиктивной аналитике в промышленности внутри Госкорпорации «Росатом» есть в компании ЧУ «Цифрум», в АО «Концерн Росэнергоатом» на базе компании АО «КОНСИСТ-ОС», в топливной компании АО «ТВЭЛ», АО «Атом-энергопромсбыт» и других.
В 2022 г. на Нововоронежской АЭС завершился первый этап реализации пилотного проекта по внедрению системы предиктивной аналитики, которая призвана прогнозировать состояние оборудования и вероятность его выхода из строя в будущем, усовершенствовать его работу, избежать простоев, экономических убытков и, в конечном итоге, повысить надежность, безопасность и эффективность производства.
В рамках первого этапа на энергоблоке № 6 с реактором ВВЭР-1200 были созданы предиктивные модели генератора, турбины и четырех циркуляционных насосов. Данные о работе оборудования поступают в режиме онлайн в АО «ВНИИАЭС», где с помощью комплекса программ анализируются сотни параметров и выявляются закономерности, которые помогут предсказать, как оборудование будет вести себя в будущем и какие оптимальные решения и действия в связи с этим должны быть предприняты персоналом.
В задаче мониторинга технического состояния очень редко удается поставить задачу в терминах обучения с учителем полноценно, так как примеров разметки (аварийных событий) в реальной практике крайне мало. Более того, если на установке происходит происшествие, которое влечет за собой замену установки или значительной ее части, это может обесценивать накопленные исторические наборы данных.
Таким образом, в рассматриваемом проекте решалась не задача классификации отклонений, а задача поиска аномалий. То есть была описана работа оборудования в нормальном режиме, и все, что от него отклоняется, рассматривается как аномалия и фиксируется для дальнейшего анализа. Информация по отклонениям используется для верификации модели, то есть модель прогоняется через все события, которые известны, и проверяется ее адекватность.
На Нововоронежской атомной станции приступили к реализации второго этапа проекта, который предполагает подключение к системе предиктивной аналитики более 50 единиц оборудования турбинного и реакторного цехов энергоблока № 6.
Отработанные на Нововоронежской АЭС решения войдут в состав так называемого Цифрового шаблона эксплуатации АЭС — интегрированного комплекса цифровых платформ и инструментов, который обеспечивает оптимальное функционирование процессов на АЭС с момента запуска объекта и до его вывода из эксплуатации и который должен быть внедрен на всех российских станциях, а также предложен в качестве нового продукта для АЭС российского дизайна, сооружаемых Госкорпорацией «Росатом» на зарубежных площадках.
Платформенное решение в области предиктивной аналитики «Атом Майнд» в 2022 году также представила топливная компания «ТВЭЛ». «Атом Майнд» — это low-code-платформа, обеспечивающая быструю разработку сервисов и приложений, использующих данные, полученные от устройств, машин и механизмов для повышения эффективности решаемых задач.
В узком смысле «Атом Майнд» — это система для управления качеством изделий и состояния оборудования. В широком — это отечественная платформа цифровизации, с единым интерфейсом и набором интеграционных инструментов для встраивания в ИТ-архитектуру предприятия, позволяющая обеспечить быструю разработку сервисов для увеличения эффективности производственных процессов.
Внедрение решения «Атом Майнд» на предприятии позволяет экономить на техобслуживании до 10% затрат, увеличить производительность оборудования, заметно снизить брак, повысить качество продукции.
В качестве еще одного примера применения предиктивной аналитики в Госкорпорации «Росатом» следует назвать пилотные проекты, выполненные специалистами ЧУ «Цифрум» совместно с Машино-строительным заводом в г. Электросталь, в котором решались задачи мониторинга состояния оборудования и предсказания качества продукции в процессе производства топливных таблеток для АЭС. Целью проекта была проверка состоятельности ряда гипотез на данных, однако в результате реализации было создано несколько моделей машинного обучения, которые продолжают использоваться.
Мониторинг состояния оператора
Нештатные ситуации на АЭС могут произойти не только по причине сбоев оборудования, но и по причине ошибок операторов, работающих в стрессовых условиях. Согласно исследованию, человеческий фактор является основной причиной (70-90%) аварий на АЭС. В аномальных ситуациях обученные операторы должны установить неисправность в режиме реального времени, анализируя аварийные сигналы. Во время аварийного события на АЭС типична ситуация, когда возникает ряд сигналов от нескольких систем одновременно, что затрудняет возможность оперативного принятия решений и приводит к перегрузке оператора.
Работа оператора (человека) зависит от множества факторов (здоровье, состояние организма, стрессоустойчивость, настроение и т. п.) и от внешних факторов (температура, давление, нагрузка на внимание, качество интерфейсов «человек — компьютер», нестабильность работы оборудования). В этой связи очевидно, что нужны мониторинг и прогноз поведения не только оборудования, но и оператора. И решения для комплексной оценки состояния и здоровья оператора активно разрабатываются.
Одно из подобных решений — это система «здоровый оператор» Healthy Operator, которая позволяет измерять физические параметры оператора (пульс, температуру тела, положение, движение и так далее) с использованием носимых устройств и датчиков окружающей среды (рис. 3.17). Эти данные интегрируются и могут быть использованы для предоставления предупреждений о состоянии здоровья оператора в режиме реального времени. В результате синтеза данных, связанных со здоровьем, можно извлечь полезную информацию, такую как предупреждения о рисках, предложения и правила для улучшения состояния оператора.
Рис. 3.17. Система обеспечения здорового оператора.
Система обеспечения здоровья, безопасности и эффективности работы оператора может предоставлять информацию о рисках для здоровья в реальном времени, моделировать будущее поведение операторов, прогнозировать изменение их поведения, снижать эмоциональную и физическую нагрузку на человека, повышать уровень комфорта, безопасности и удовлетворенности работой.
Комплексные киберфизические системы
Выше мы рассмотрели вопросы мониторинга и применения предиктивной аналитики применительно к отдельным элементам оборудования. Следующая по уровню сложности задача состоит в объединении различных систем для создания комплексной объяснимой и надежной диагностики на уровне атомной станции, на основе анализа процессов предприятия. Концептуальную схему подобной диагностики можно найти в работе со ссылкой на публикацию Арагонской национальной лаборатории старейшего национального исследовательского центра Министерства энергетики США, занятого в том числе вопросами автоматизации АЭС (см. рис. 3.18).
Рис. 3.18. Объяснимая диагностика, основанная на использовании ИИ-технологий. Источник: Арагонская национальная лаборатория
Подобная система включает не только мониторинг и прогнозирование различных элементов оборудования, но также систему планирования ремонтов и закупок необходимого оборудования. Как видно из рисунка, технологии ИИ здесь являются важными элементами многих подсистем. Среди наиболее актуальных задач выделены подсистемы распознавания изображений, количественная оценка неопределенности, контроль и принятие обоснованных решений. Отмеченные на рисунке цифровые двойники в большинстве случаев интегрируют моделирование не только физических процессов, но и модели, основанные на данных, использующие технологии машинного обучения.
Выше мы рассмотрели вопросы мониторинга состояния операторов, работа которых в существенной мере определяет надежность функционирования АЭС.
Условия работы оператора (человека) и состояние оборудования (физических систем) взаимосвязаны. Надежность работы оборудования и человека можно и должно прогнозировать комплексно в их взаимосвязи на основе предиктивных моделей, построенных с использованием ИИ.
Объединение двух составляющих (анализ состояния оператора и анализ состояния оборудования) в одной киберфизической системе, управляемой на базе ИИ, — это актуальная тема, которая, в частности, подробно обсуждается в проекте NPPHCPS (Nuclear Power Plant Human-Cyber-Physical System — АЭС как человекокибер-физическая система) — рис. 3.19.
Главная идея концепции — рассмотрение АЭС как киберсистемы, являющейся пересечением двух систем: физической (оборудование, подверженное нагрузкам) и человеческой (оператор как психофизический объект, подверженный стрессу).
Рис. 3.19. Принципиальная схема использования ИИ-технологий в концепции NPPHCP
Комментируя объем проектов, связанных с использованием ИИ, выполняемых в Госкорпорации «Росатом», следует обратиться к рис. 3.20, где представлено процентное соотношение отраслевых проектов, связанных с различными цифровыми технологиями, по данным доклада компании ЧУ «Цифрум» по состоянию на 2021 г. В то время в Росатоме выполнялось около 200 проектов с использованием технологии искусственного интеллекта. Причем в период 2019-2021 гг. доля проектов, приходящаяся на ИИ-технологии, выросла с примерно 12% до 22%.
Рис. 3.20. Проекты Росатома, связанные с различными цифровыми технологиями. Источник: Доклад ЧУ «Цифрум» на вебинаре «AI FOR GOOD» 2021 г.
Часть упомянутых проектов была связана с использованием ИИ в решении различного рода задач автоматизации, вторая часть — это научно-исследовательские проекты, связанные с перспективными направлениями развития ИИ.
К прикладным следует отнести проекты по автоматизации деятель-ности обслуживающих департаментов. В этой связи можно назвать проект, выполненный специалистами компании АО «КОНСИСТ-ОС» по внедрению предиктивной аналитики для службы управления персоналом, которая помогает анализировать и выстраивать карьерные траектории сотрудников. Для реализации проекта был накоплен массив данных с 2015 года. Модель, построенная с использованием машинного обучения, позволяет прогнозировать карьерные повышения, рекомендовать, на кого из большого числа сотрудников делать ставку, давать рекомендации по номинированию сотрудников в кадровый резерв.
Безопасность и эффективность систем искусственного интеллекта напрямую зависит от качества данных, на которых строятся модели. В марте 2021 года АО «Концерн Росэнергоатом», ЧУ «Цифрум» и АО «КОНСИТ-ОС» создали отраслевой реестр по учету и хранению паспортов датасетов, который позволяет отслеживать использование данных, определять ответственность и вклад разработчиков систем ИИ.
В Госкорпорации «Росатом» накопился существенный объем датасетов в рамках различных проектов. Реестр служит для упрощения повторного использования уже имеющихся датасетов в других проектах, сокращения времени на подготовку данных для создания новых моделей.
Каждый датасет размещается в реестре вместе с описанием его содержания, назначения и истории использования, что позволяет оценить потенциальную пригодность конкретного набора данных для решения других задач. Наличие реестра позволяет в случае сбоев в работе систем с искусственным интеллектом легко найти исходные данные, на которых обучалась данная нейросеть, провести анализ и внести необходимые корректировки в модель.
Среди перспективных проектов можно назвать Нейроморфный проект, выполняемый в компании ЧУ «Цифрум». Работа над концептом проекта осуществляется в рамках соглашения между МГУ, РАН и Госкорпорацией «Росатом», заключенного на Питерском Эконо-мическом Форуме в 2021 году. В ЧУ «Цифрум» создана команда исследователей, которая сфокусирована на проблематике локального обучения в импульсных нейронных сетях.
Вместе с коллегами из МГУ, РАН, ЧГУ, Сколтеха, «Лаборатории Касперского» и ряда других компаний ЧУ «Цифрум» ведет работу над созданием набора прикладных решений с использованием нейроморфных вычислений, имея в виду как реализацию в железе, так и математическое представление в виде алгоритмов, исполняемых на этом железе.
В 2020 году Госкорпорация «Росатом» и Российский квантовый центр (РКЦ) объявили о создании лаборатории по исследованию в области ИИ на квантовых компьютерах для применения этих технологий в атомной отрасли. Проект по созданию отечественного квантового компьютера (и защищенных квантовым шифрованием каналов связи), рассчитанный на срок до 2024 года, реализуется в рамках Соглашения о намерениях между Правительством Российской Федерации и Госкорпорацией «Росатом» о развитии высокотехнологичной области «Квантовые вычисления».
Следует отметить, что Госкорпорация «Росатом» занимается не только вопросами, непосредственно связанными с развитием атомной отрасли. Имея в своем составе сотни предприятий с высоким научным потенциалом, госкорпорация участвует во многих проектах для нужд самых разных отраслей России. Например, на базе платформы «Аврора» компанией АО «Гринатом» ведется разработка «Модуля Дистанционного Зондирования Земли» для нужд судоходства и мореплавания на Северном Морском пути. В платформу входят модуль «Объекты интереса», который позволяет зафиксировать на карте объекты, за которыми требуется вести наблюдение, модуль «Заказ спутниковых снимков», который обеспечивает объекты интереса данными космической съемки, и модуль «Умная аналитика», который применяет технологии искусственного интеллекта для обнаружения на космических снимках бизнесценности, указанной заказчиком. За отображение снимков и аналитических продуктов отвечает собственный ГИС-Портал, разработанный в отделе исследований.
Говоря о применении искусственного интеллекта в энергетике, мы решили сконцентрироваться на теме применения ИИ в атомной отрасли. С одной стороны, в связи с тем, что данная тема относится к профессиональным интересам авторов, а с другой — по той причине, что с помощью технологий ИИ в данной индустрии решается широкий спектр задач, на примере которых можно раскрыть принципы работы целого ряда технологий.
Применение ИИ в атомной отрасли позволяет снизить затраты на проектирование, получить более безопасные конструкции, оптимизировать производство и строительство установок, оптимизировать эксплуатацию и обслуживание АЭС, сократить расходы, связанные с топливом, с выводом АЭС из эксплуатации, с утилизацией отходов, более успешно конкурировать с другими видами генерации электроэнергии.
Искусственный интеллект и атомную энергетику принято считать новыми технологиями, однако их развитие происходит уже более 70 лет. В известной степени эти технологии можно назвать ровесниками. Действительно, возраст ИИ большинство аналитиков отсчитывают со времен появления теста Тьюринга (1950 год), примерно в это же время (в 50-х годах прошлого столетия) началось проникновение на рынок атомной энергетики. Обе технологии — «мирный атом» и искусственный интеллект — сопровождались интенсивными научными исследованиями и, по сути, стали символами технологического и научного прогресса человечества. Статьи, связанные с использованием ИИ для нужд атомной энергетики, появились более 50 лет назад. Так, например, статья Application of Artificial Intelligence Techniques to Digital Computer Control of Nuclear Reactors («Применение методов искусственного интеллекта для цифрового компьютерного управления ядерными реакторами») датируется 1975 годом.
Все атомные станции имеют центры мониторинга и диагностики. Атомная энергетика опирается на данные, а следовательно, это именно та область, где перспективы применения ИИ весьма велики.
Компьютерное зрение
В атомной отрасли применяется множество решений, работающих на базе технологий компьютерного зрения. Одно из них связано с мониторингом состояния конструкционных материалов.
Воздействие высоких температур и радиации может приводить к повреждениям ответственных изделий. Небольшая трещина в ядерном реакторе способна привести к катастрофическим последствиям. Инспекция критически важных систем, таких как ядерные реакторы, на наличие дефектов достаточно трудоемкая процедура. Регулярная инспекция компонентов АЭС необходима для обеспечения безопасной эксплуатации. Существующая практика в основном сводится к просмотру видеозаписей инспекций. Это кропотливая работа, требующая высокой квалификации и пристального внимания специалиста во время многочасового просмотра видеозаписей.
Традиционная практика выявления трещин на реакторах является утомительной и субъективной. Обнаружение трещин осложняется в силу наличия шумовых паттернов на поверхности исследуемого материала. Применение компьютерного зрения позволяет автоматизировать работу по выявлению дефектов.
Несмотря на то, что речь идет об автоматизации процесса, ответственность за классификацию дефектов в данном случае все равно берет на себя человек, пользуясь системой поддержки принятия решений, а не системой принятия решений.
В качестве примера можно привести проект, описанный в статье авторов из Университета Пердью, США под названием «Обнаружение трещин на основе глубокого обучения с использованием сверточной нейронной сети и слияния данных по методу Наивного Байеса».
В рамках упомянутого проекта была предложена система на основе сверточной нейронной сети и схемы объединения данных, извлеченных из каждого видеокадра, для повышения общей производительности и надежности системы.
Система предоставляет оператору количественную информацию о трещине, позволяет перейти к конкретным кадрам, чтобы изучить дефекты и определить, какие действия могут быть необходимы. Приложение может использоваться в сочетании с роботизированными комплексами и беспилотниками, которые используются для сбора большого количества визуальных данных, позволяя выявлять и устранять структурные повреждения до катастрофических инцидентов.
В публикации описана разработка национальной лаборатории Ок-Ридж в Теннесси, где создали систему на основе глубокого обучения, которая может оперативно обнаруживать и анализировать радиационные микроповреждения материалов с высокой точностью. По данным авторов, сравнительный анализ показал, что нейронная сеть позволяет выявить и классифицировать около 86% дефектов в исследуемых материалах, при том что люди обнаруживают лишь 80% дефектов.
Новаторским и весьма перспективным следует назвать проект, выполненный международным университетом Флориды (FIU) в рамках сотрудничества с Национальной лабораторией Айдахо (INL) и направленный на изучение использования небольших беспилотников для осуществления обходов внутри помещений АЭС. При пролете дрон видит изображение QR-кода под некоторым углом зрения, восстанавливает изображение в первоначальном виде, распознает его и получает информацию о своем текущем местоположении, определяет свои координаты и обеспечивает навигацию пролетов.
На атомной станции достаточно много работ приходится на так называемые обходы, когда сотрудникам нужно пройти определенные точки и собрать данные. Это могут быть обходы, связанные с проверкой отсутствия дефектов в работе оборудования, контроля безопасности и т. п. В некоторых случаях может возникать необходимость инспекции зон, которые предоставляют угрозу для здоровья. Сотрудниками FIU разработан проект под условным названием ROUNDS («Route Operable Unmanned Navigation of Drones» — «Маршрутная беспилотная навигация дронов»), в котором роль обходчика выполняют дроны.
Разработчикам проекта пришлось преодолеть ряд проблем, включая отсутствие GPS в закрытых помещениях, отсутствие возможности свободного пролета между помещениями (закрытые двери), ограниченный размер дрона, лимитированный удобством подлета к датчикам (как следствие — ограниченная емкость аккумулятора и время пролета на одном заряде), относительно дорогие запчасти.
Проект показал перспективность использования беспилотников для проведения обходов на АЭС с возможностью снятия показаний с приборов, инспекции опасных мест, проведения радиационного обследования, в том числе на высоте, недосягаемой для человека. В упомянутом проекте дрон осуществляет облет помещения, считывая QR-коды на стенах и элементах оборудования.
Еще один пример применения систем компьютерного зрения на АЭС-это выполненный специалистами FIU проект, в котором методы глубокого обучения позволили реализовать систему автоматизации ручной регистрации показаний аналоговых датчиков, манометров и т. п. Решение позволяет распознавать изображения многочисленных датчиков под разными углами зрения, корректно считывая показатели их значений. Использование системы на базе ИИ для автоматизированного считывания показаний датчиков сокращает время обходов операторами, калибровку датчиков, повышает точность данных для онлайн-мониторинга. Если какой-то большой и дорогой агрегат имеет встроенную панель мониторинга, данные которой сложно получить программно, целесообразно поставить над этой панелью дешевую камеру и считывать данные в режиме 24/7.
Технологии компьютерного зрения уже давно применяются в Госкорпорации «Росатом» — это распознавание и обработка документов, технологии распознавания лиц на контрольно-пропускных пунктах, контроль наличия у сотрудников средств индивидуальной защиты. Подобный проект был выполнен в конце 2019 — начале 2020 годов на Кольской АЭС, где внедрили систему машинного зрения для проверки применения средств индивидуальной защиты, снижая риск травматизма персонала при опасных работах. С помощью стационарных камер видеонаблюдения детектируются люди и контролируется наличие на них касок, перчаток и других средств защиты.
Анализ естественного языка, понимание и синтез речи
АЭС — один из сложнейших технологических объектов. Учитывая огромный объем документации при проектировании, строительстве и эксплуатации атомных станций, в отрасли востребованы многие задачи, связанные с обработкой естественного языка: классификация текстов, маршрутизация документов, выделение требований в нормативной документации и т. п.
В качестве примера использования технологий NLP в атомной индустрии можно привести проект, проводимый в рамках Национальной лаборатории Айдахо, в котором ИИ используется для автоматизации процесса проверки отчетов о состоянии АЭС (анализ и классификация записей по разным категориям, включая степень влияния на безопасность атомной станции). В подобные отчеты попадает информация, полученная при обходах, это могут быть записи о разного рода дефектах (протечке воды, появлении шума или вибрации в оборудовании и т. д.). До внедрения систем на базе ИИ подобные отчеты рассматривались ежедневно комиссией из нескольких человек, что занимало существенный человеческий ресурс, требовало привлечения коллектива специалистов разного профиля.
Использование NLP позволило классифицировать регистрируемые записи по типу неисправности, присваивать записям уровень приоритетности рассмотрения, определять, кому непосредственно должна быть адресована та или иная задача, что существенно экономит ресурсы.
В Госкорпорации «Росатом» накоплено множество текстов, на основе которых можно строить системы поддержки принятия решений, и реализован ряд проектов, связанных с анализом естественного языка.
Один из успешных проектов под названием «Интеллектуальный анализ нормативной документации» выполнен компанией ЧУ » Цифрум» совместно АО » РАСУ».
В отрасли актуальна проблематика управления требованиями. Она особенно важна при проектированиии и строительстве АЭС, где объем требований исчисляется сотнями тысяч.
Основные требования заказчика к проектированию и сооружению АЭС формируются в контракте. Помимо этого, для получения лицензии на эксплуатацию АЭС у государственных регулирующих органов проект должен удовлетворять требованиям национальных и международных стандартов. Важной задачей является выделение требований из текстов нормативных документов в качестве отдельных самостоятельных сущностей для организации процесса управления требованиями. Нормативные документы обычно предоставляются в виде электронных документов, в которых требования описаны на естественном языке.
Таким образом, имеется документ, содержащий набор требований к строительству большого объекта, необходимо вычленить требования из документа и корректно занести в систему управления требованиями. Для этого документ нужно разбить на фрагменты и каждый фрагмент классифицировать (требование это или нет). Автоматизация этой задачи позволяет оптимизировать процесс управления требованиями и дает существенный эффект в увеличении производительности. Испытания показали 50% снижение времени на обработку текстов стандартов по отношению к существующему процессу.
Другой пример использования анализа естественного языка в Госкорпорации «Росатом» — это сервис «Атомбот.Закупки» — цифровой сервис, направленный на автоматизацию закупочной деятельности на основе искусственного интеллекта c применением программных роботов, созданных на базе платформы ROBIN RPA — российского разработчика платформы программных роботов и чат-ботов для автоматизации бизнес-процессов.
«Атомбот.Закупки» уже используется на предприятиях топливной компании «ТВЭЛ» в процессах закупочной деятельности и казначейства. Сервис осуществляет формирование и проверку технического задания и проекта договора по нормативным правилам, составляет запрос технико-коммерческого предложения и проводит сбор ценовой информации, формирует начальную и максимальную цену договора. Робот способен осуществлять выгрузку в систему документооборота, сверку отчетов о движении денежных средств, формирование единого реестра платежных поручений, сопоставление заявлений и сертификатов.
Госкорпорация «Росатом» обладает большим опытом внедрения роботов для внутренних задач атомной отрасли, а с 2018 года — появилась практика по предоставлению услуг, связанная с внедрением RPA-решений во внешних компаниях обрабатывающих отраслей, банковского сектора, ритейла, строительства и других.
Так, компанией АО » Гринатом» создан цифровой продукт Атом. РИТА (Роботизированный Интеллектуальный Технологичный Ассистент). Атом. РИТА — это RPA-платформа для настройки и сопровождения программных роботов, взаимодействующих с корпоративными системами и приложениями через пользовательский интерфейс. Командой разработки создано около 400 программных роботов, которые используются на предприятиях Госкорпорации «Росатом» для повышения эффективности бизнес-процессов. Одна из особенностей платформы — наличие интеллектуальных компонентов, которые помогают в обработке неструктурированных данных, в таких задачах, как например, классификация обращений клиентов. Также платформа умеет обрабатывать данные с отсканированных документов и взаимодействовать с пользователями с помощью обработки голосовых запросов. На момент написания курса (осень 2022г.) система напрямую маршрутизировала примерно 50% всех операционных обращений атомной отрасли. В 2021 году в составе платформы роботизации Атом.РИТА был выпущен сервис Голос — собственный движок распознавания и синтеза речи. Планируется создать на его основе единый отраслевой продукт, аккумулирующий в себе различные технологии работы с голосом и речевой аналитикой, который можно подключать к другим цифровым продуктам Госкорпорации «Росатом».
Близким к анализу естественного языка являются направления понимания и синтеза речи. Одна из областей применения — голосовые интерфейсы управления, позволяющие взаимодействовать с системой посредством голоса. Примером применения речевых технологий является задача протоколирования совещаний, когда присутствующие на совещаниях интеллектуальные агенты не только формируют скрипт произнесенной речи, но и позволяют выполнять голосовые команды вроде управления календарем и адресной книгой, формируют протоколы совещаний по форме. Пилотные испытания подобного решения были реализованы в ЧУ «Цифрум» в 2021 году.
В 2021 г. АО «Концерн Росэнергоатом» и АО «КОНСИСТ-ОС» разработали и ввели в эксплуатацию автоматизированную систему маршрутизации запросов на базе машинного обучения. Система помогает операторам первой линии технической поддержки компании распределять поступающие запросы пользователей. Нейросеть была обучена на основе истории запросов и маршрутов перенаправления. Ожидается, что нейросеть будет маршрутизировать не менее 30 000 заявок в год. Данные, использованные для обучения нейросети, собраны в датасеты и размещены в Отраслевом реестре датасетов Госкорпорации «Росатом», который был запущен в 2021 г. для упрощения внедрения подобных систем на других предприятиях атомной отрасли.
Еще одна задача маршрутизации была решена специалистами АО «КОНСИСТ-ОС» в отношении классификации большого потока входящей корреспонденции на адрес электронной почты info@rosenergoatom.ru. Было разработано решение, автоматизирующее процесс маршрутизации с использованием технологии машинного обучения для определения ответственного исполнителя на основе текста письма и вложений с изображениями, обрабатываемых с помощью оптитического распознавания текстов.
Рекомендательные системы
Еще один проект Госкорпорации «Росатом», который реализуется в ЧУ «Цифрум», это интеллектуальная система управления «Навигатор». Она включает систему поддержки принятия решений на основании данных, которая обеспечивает оперативный мониторинг и прогнозирование достижения показателей деятельности с учетом внутренних и внешних факторов влияния. «Навигатор» обеспечивает предиктивный анализ корректирующих мероприятий, оценивает влияние принимаемых управленческих решений и проверяет их фактическое исполнение.
Другой проект в области рекомендательных систем, выполненный специалистами АО «Гринатом», — система рекомендаций для обучающего портала РЕКОРД Mobile. Сотрудники госкорпорации «Росатом» регулярно проходят обучение на этой платформе, где представлено свыше 3000 курсов, разделенных на множество тематических рубрик, что делает навигацию достаточно сложной. Чтобы упростить использование платформы, специалисты отдела исследований «Гринатома» разработали рекомендательную систему на основе нейронных сетей, которая позволяет персонализировать подборку курсов. В основе рекомендательной системы лежит разновидность архитектуры рекуррентных нейронных сетей LSTM, которая позволяет выявлять зависимости между длинными последовательностями взаимодействий пользователя с обучающей платформой.
По итогам проведенного А/В-тестирования установлено, что внедрение рекомендательной системы существенно повысило метрики платформы РЕКОРД Mobile, например, на 24% выросло общее количество переходов на курсы на платформе, на 23% увеличился индекс потребительской лояльности к платформе за 2020 год.
Применение умной робототехники
Важным направлением в атомной отрасли является применение интеллектуальной робототехники, в том числе для выполнения трудоемких задач в зонах, где необходимо ограничить доступ людей вследствие высокого уровня радиации. Роботы, способные детектировать радиоактивность, могут помочь в выявлении остаточного загрязнения в помещениях.
В мире существует целый ряд научных центров, занятых в области создания умных роботов для атомной отрасли.
Например, проект RoMaNS (Robotic Manipulation for Nuclear Sort and Segregation) направлен на совершенствование технологий в области автоматизации решения критически важной с точки зрения защиты окружающей среды проблемы сортировки и сегрегации ядерных отходов. Сортировка позволяет минимизировать случаи, когда низкоуровневые отходы занимают дорогое оборудование для высокоуровневого хранения. Огромное количество старых контейнеров с отходами должны быть вскрыты, исследованы, а их содержимое отсортировано. Из-за высокого содержания радиоактивных материалов это можно сделать только дистанционно с помощью роботов. Текущая практика в промышленности состоит в простом телеуправлении с помощью джойстика. Это неудовлетворительно медленный подход, учитывая огромные объемы материала для обработки. Согласно публикации, команда RoMaNs еще в 2017 году успешно испытала роботизированную руку с разработанной ими системой управления на базе ИИ в радиоактивной среде на объекте в северной Англии, находящемся в ведении Национальной ядерной лаборатории, и продолжает разработки в данной области.
В том же году сотрудники Далтонского ядерного института Манчестерского университета сообщили о запуске программы по созданию роботов на базе искусственного интеллекта, направленную на очистку ядерных отходов. Центр робототехники и искусственного интеллекта для ядерной промышленности Robotics and Artificial Intelligence for Nuclear (RAIN) получил 12 миллионов фунтов стерлингов для решения таких проблем, как вывод из эксплуатации, утилизация отходов, термоядерный синтез, продление срока службы станций и строительство новых объектов. Центр объединяет специалистов из университетов Оксфорда, Ливерпуля, Шеффилда, Ноттингема, Ланкастера, Бристоля и Управления по атомной энергии Великобритании, а также международных партнеров из США, Италии и Японии.
Проблемами разработки роботизированных систем для очистки ядерных отходов занимаются во многих лабораториях. Например, в лаборатории экстремальной робототехники Бирмингемского университета выполняется проект, в рамках которого изучается проблема категоризации объектов отходов на основе RGBD обнаружения и категоризации отходов для вывода из эксплуатации ядерных объектов. Для обеспечения возможности автономного роботизированного манипулирования при выводе из эксплуатации необходимо обнаружить и классифицировать объекты ядерных отходов. Поскольку большое количество аннотированных данных об объектах отходов в настоящее время недоступно, специалисты разработали подход слабоконтролируемого обучения, который способен обучить глубокую сверточную нейронную сеть на основе немаркированных RGBD видео, требуя при этом очень мало аннотаций.
Интеллектуальная робототехника применяется не только для манипулирования радиоактивными отходами. Говоря о работах, выполняемых в Госкорпорации «Росатом», можно упомянуть проект на Калининской АЭС, где выполняется внедрение робототехнического комплекса противопожарной защиты машинных залов с элементами искусственного интеллекта. Разрабатываемая установка включает комплекс роботизированных лафетных стволов. У каждого робота задан свой определенный сектор, который он сканирует тепловизором, и в случае обнаружения возгорания система передает соответствующий сигнал на блочный щит управления энергоблоком и приступает к тушению в автоматическом режиме либо при управлении оператором.
Математическое моделирование
Атомная станция представляет собой сложную многокомпонентную систему, определяемую физическими процессами высокой сложности. Мультифизическое моделирование на основе решения дифференциальных уравнений упомянутых физических процессов требует больших вычислительных ресурсов и, соответственно, существенного расчетного времени. Для управления работой станции в нормальных и аномальных условиях различные системы АЭС (например, компоненты активной зоны реактора) подвергаются непрерывному мониторингу, что приводит к получению огромных массивов данных, которые целесообразно обрабатывать с помощью методов ИИ для прогнозирования поведения подсистем АЭС и принятия оперативных решений на основе фактических и прогнозных данных. Модели на основе данных с использованием машинного обучения в ряде случаев дополняют моделирование физических процессов.
В Госкорпорации «Росатом» разработано программное обеспечение для мультифизического математического моделирования и анализа инженерных данных — «Логос». Комплекс создан на основе цифровых разработок саровского предприятия РФЯЦ-ВНИИЭФ.
В настоящее время «Логос» состоит из пяти программных модулей: «Логос Аэро-Гидро» (для моделирования аэро-, гидро-, газодинамических процессов), «Логос Тепло» (для моделирования процессов теплопередачи), «Логос Прочность» (для решения статических и динамических прочностных задач),»ЛогосГидрогеология»(для решения задач водного баланса территорий и моделирования экологических процессов в сложной геологической среде), «Логос Платформа» (для интеграции в единую вычислительную платформу модулей «Логос» и ПО класса САЕ от различных российских разработчиков, а также для решения задач оптимизации методами машинного обучения).
Обучение с подкреплением
Исследователи из DeepMind вместе с коллегами из Швейцарии создали алгоритм машинного обучения для удержания плазмы в токамаке. Они обучили его на высокоточном симуляторе, а затем показали работоспособность подхода на реальном токамаке в Швейцарии. Термо ядерный реактор предполагает создание плазмы, в которой происходит управляемый термоядерный синтез — слияние ядер с выделением огромного количества энергии. Для термоядерных реакторов предлагались разные конструкции, но на данный момент лидирует токамак — эту конструкцию в свое время разработали советские физики Тамм и Сахаров. Она же используется в международном реакторе ITER, который должен начать работу и получить первую плазму в 2025 году. Токамак состоит из тороидальной камеры, вокруг которой расположены магнитные катушки. Они позволяют удерживать плазму с помощью магнитного поля, не давая ей столкнуться со стенками токамака и разрушить их.
Еще в середине XX века стало ясно, что удержание плазмы магнитным полем — крайне сложная задача, потому что в ней не минуемо возникают неустойчивости. В итоге даже лучшие токамаки удерживают ее в течение очень небольшого времени: в прошлом году китайский EAST установил рекорд, удержав горячую плазму (120 миллионов градусов) в течение 101 секунды, а создатели ITER рассчитывают на 400-600 секунд.
Алгоритмы обучались на высокоточном симуляторе токамака, разработанном специалистами Швейцарского центра плазмы. После обучения авторы проверили работу нейросети-исполнителя на реальном токамаке в этом центре и подтвердили, что он способен удерживать плазму и поддерживать разные ее конфигурации, в том числе двойную, при которой в токамаке формируется два отдельных плазменных шнура.
Мониторинг технического состояния и предиктивная аналитика
Одним из важнейших направлений применения искусственного интеллекта в атомной отрасли является предиктивная аналитика. Решения в области предиктивной аналитики позволяют оптимизировать процессы технического обслуживания и ремонта промышленного оборудования, повысить качество решений, принимаемых на основе данных, совершенствовать производственные процессы, снизить брак производимой продукции. К типовым задачам предиктивной аналитики в промышленности можно отнести следующие.
Любое оборудование подвергается износу и требует ремонта. Одна из задач эксплуатирующей организации состоит в том, чтобы собрать исторические данные о его работе и поведении и оценить, сколько есть времени до выхода из строя этого оборудования. Такая задача называется RUL (Remaining useful life estimation), или прогноз остаточного ресурса ( рис. 3.16).
Конструкционные материалы, испытывающие механические нагрузки, со временем начинают изнашиваться, что приводит к наступлению стадии аномальной работы оборудования — такое состояние не обязательно требует полной остановки, но должно рассматриваться как предупреждение о том, что машина находится в неоптимальном режиме работы и требует проведения технического обслуживания.
Одна из проблем, с которой сталкиваются производственные предприятия и АЭС в частности, заключается в сложности ранней диагностики аномалий, поскольку в накапливаемых данных нет примеров для точного описания аномального поведения установок. Промышленная предиктивная аналитика для технического обслуживания, часто с использованием цифровых копий реальных объектов, является одной из центральных областей, где применяется ИИ. Развитие данной экспертизы внутри Госкорпорации «Росатом» важно для создания систем мониторинга технического состояния и оценки остаточного ресурса оборудования, что позволяет оптимизировать проведение обслуживания сложного дорогого оборудования, снизить количество необходимых ремонтов и число внеплановых остановок.
Аварийная остановка турбогенератора на АЭС может обходиться оператору в 1 млн евро за каждый день простоя. При этом использование предиктивного управления техническим обслуживанием и возможность прогнозирования аномального поведения в работе оборудования дает возможность перевести внеплановую остановку в плановую, что позволяет избежать штрафных санкций за недовыработку энергии.
Центры компетенций по предиктивной аналитике в промышленности внутри Госкорпорации «Росатом» есть в компании ЧУ «Цифрум», в АО «Концерн Росэнергоатом» на базе компании АО «КОНСИСТ-ОС», в топливной компании АО «ТВЭЛ», АО «Атом-энергопромсбыт» и других.
В 2022 г. на Нововоронежской АЭС завершился первый этап реализации пилотного проекта по внедрению системы предиктивной аналитики, которая призвана прогнозировать состояние оборудования и вероятность его выхода из строя в будущем, усовершенствовать его работу, избежать простоев, экономических убытков и, в конечном итоге, повысить надежность, безопасность и эффективность производства.
В рамках первого этапа на энергоблоке № 6 с реактором ВВЭР-1200 были созданы предиктивные модели генератора, турбины и четырех циркуляционных насосов. Данные о работе оборудования поступают в режиме онлайн в АО «ВНИИАЭС», где с помощью комплекса программ анализируются сотни параметров и выявляются закономерности, которые помогут предсказать, как оборудование будет вести себя в будущем и какие оптимальные решения и действия в связи с этим должны быть предприняты персоналом.
В задаче мониторинга технического состояния очень редко удается поставить задачу в терминах обучения с учителем полноценно, так как примеров разметки (аварийных событий) в реальной практике крайне мало. Более того, если на установке происходит происшествие, которое влечет за собой замену установки или значительной ее части, это может обесценивать накопленные исторические наборы данных.
Таким образом, в рассматриваемом проекте решалась не задача классификации отклонений, а задача поиска аномалий. То есть была описана работа оборудования в нормальном режиме, и все, что от него отклоняется, рассматривается как аномалия и фиксируется для дальнейшего анализа. Информация по отклонениям используется для верификации модели, то есть модель прогоняется через все события, которые известны, и проверяется ее адекватность.
На Нововоронежской атомной станции приступили к реализации второго этапа проекта, который предполагает подключение к системе предиктивной аналитики более 50 единиц оборудования турбинного и реакторного цехов энергоблока № 6.
Отработанные на Нововоронежской АЭС решения войдут в состав так называемого Цифрового шаблона эксплуатации АЭС — интегрированного комплекса цифровых платформ и инструментов, который обеспечивает оптимальное функционирование процессов на АЭС с момента запуска объекта и до его вывода из эксплуатации и который должен быть внедрен на всех российских станциях, а также предложен в качестве нового продукта для АЭС российского дизайна, сооружаемых Госкорпорацией «Росатом» на зарубежных площадках.
Платформенное решение в области предиктивной аналитики «Атом Майнд» в 2022 году также представила топливная компания «ТВЭЛ». «Атом Майнд» — это low-code-платформа, обеспечивающая быструю разработку сервисов и приложений, использующих данные, полученные от устройств, машин и механизмов для повышения эффективности решаемых задач.
В узком смысле «Атом Майнд» — это система для управления качеством изделий и состояния оборудования. В широком — это отечественная платформа цифровизации, с единым интерфейсом и набором интеграционных инструментов для встраивания в ИТ-архитектуру предприятия, позволяющая обеспечить быструю разработку сервисов для увеличения эффективности производственных процессов.
Внедрение решения «Атом Майнд» на предприятии позволяет экономить на техобслуживании до 10% затрат, увеличить производительность оборудования, заметно снизить брак, повысить качество продукции.
В качестве еще одного примера применения предиктивной аналитики в Госкорпорации «Росатом» следует назвать пилотные проекты, выполненные специалистами ЧУ «Цифрум» совместно с Машино-строительным заводом в г. Электросталь, в котором решались задачи мониторинга состояния оборудования и предсказания качества продукции в процессе производства топливных таблеток для АЭС. Целью проекта была проверка состоятельности ряда гипотез на данных, однако в результате реализации было создано несколько моделей машинного обучения, которые продолжают использоваться.
Мониторинг состояния оператора
Нештатные ситуации на АЭС могут произойти не только по причине сбоев оборудования, но и по причине ошибок операторов, работающих в стрессовых условиях. Согласно исследованию, человеческий фактор является основной причиной (70-90%) аварий на АЭС. В аномальных ситуациях обученные операторы должны установить неисправность в режиме реального времени, анализируя аварийные сигналы. Во время аварийного события на АЭС типична ситуация, когда возникает ряд сигналов от нескольких систем одновременно, что затрудняет возможность оперативного принятия решений и приводит к перегрузке оператора.
Работа оператора (человека) зависит от множества факторов (здоровье, состояние организма, стрессоустойчивость, настроение и т. п.) и от внешних факторов (температура, давление, нагрузка на внимание, качество интерфейсов «человек — компьютер», нестабильность работы оборудования). В этой связи очевидно, что нужны мониторинг и прогноз поведения не только оборудования, но и оператора. И решения для комплексной оценки состояния и здоровья оператора активно разрабатываются.
Одно из подобных решений — это система «здоровый оператор» Healthy Operator, которая позволяет измерять физические параметры оператора (пульс, температуру тела, положение, движение и так далее) с использованием носимых устройств и датчиков окружающей среды (рис. 3.17). Эти данные интегрируются и могут быть использованы для предоставления предупреждений о состоянии здоровья оператора в режиме реального времени. В результате синтеза данных, связанных со здоровьем, можно извлечь полезную информацию, такую как предупреждения о рисках, предложения и правила для улучшения состояния оператора.
Система обеспечения здоровья, безопасности и эффективности работы оператора может предоставлять информацию о рисках для здоровья в реальном времени, моделировать будущее поведение операторов, прогнозировать изменение их поведения, снижать эмоциональную и физическую нагрузку на человека, повышать уровень комфорта, безопасности и удовлетворенности работой.
Комплексные киберфизические системы
Выше мы рассмотрели вопросы мониторинга и применения предиктивной аналитики применительно к отдельным элементам оборудования. Следующая по уровню сложности задача состоит в объединении различных систем для создания комплексной объяснимой и надежной диагностики на уровне атомной станции, на основе анализа процессов предприятия. Концептуальную схему подобной диагностики можно найти в работе со ссылкой на публикацию Арагонской национальной лаборатории старейшего национального исследовательского центра Министерства энергетики США, занятого в том числе вопросами автоматизации АЭС (см. рис. 3.18).
Рис. 3.18. Объяснимая диагностика, основанная на использовании ИИ-технологий. Источник: Арагонская национальная лаборатория
Подобная система включает не только мониторинг и прогнозирование различных элементов оборудования, но также систему планирования ремонтов и закупок необходимого оборудования. Как видно из рисунка, технологии ИИ здесь являются важными элементами многих подсистем. Среди наиболее актуальных задач выделены подсистемы распознавания изображений, количественная оценка неопределенности, контроль и принятие обоснованных решений. Отмеченные на рисунке цифровые двойники в большинстве случаев интегрируют моделирование не только физических процессов, но и модели, основанные на данных, использующие технологии машинного обучения.
Выше мы рассмотрели вопросы мониторинга состояния операторов, работа которых в существенной мере определяет надежность функционирования АЭС.
Условия работы оператора (человека) и состояние оборудования (физических систем) взаимосвязаны. Надежность работы оборудования и человека можно и должно прогнозировать комплексно в их взаимосвязи на основе предиктивных моделей, построенных с использованием ИИ.
Объединение двух составляющих (анализ состояния оператора и анализ состояния оборудования) в одной киберфизической системе, управляемой на базе ИИ, — это актуальная тема, которая, в частности, подробно обсуждается в проекте NPPHCPS (Nuclear Power Plant Human-Cyber-Physical System — АЭС как человекокибер-физическая система) — рис. 3.19.
Главная идея концепции — рассмотрение АЭС как киберсистемы, являющейся пересечением двух систем: физической (оборудование, подверженное нагрузкам) и человеческой (оператор как психофизический объект, подверженный стрессу).
Рис. 3.19. Принципиальная схема использования ИИ-технологий в концепции NPPHCP
Комментируя объем проектов, связанных с использованием ИИ, выполняемых в Госкорпорации «Росатом», следует обратиться к рис. 3.20, где представлено процентное соотношение отраслевых проектов, связанных с различными цифровыми технологиями, по данным доклада компании ЧУ «Цифрум» по состоянию на 2021 г. В то время в Росатоме выполнялось около 200 проектов с использованием технологии искусственного интеллекта. Причем в период 2019-2021 гг. доля проектов, приходящаяся на ИИ-технологии, выросла с примерно 12% до 22%.
Часть упомянутых проектов была связана с использованием ИИ в решении различного рода задач автоматизации, вторая часть — это научно-исследовательские проекты, связанные с перспективными направлениями развития ИИ.
К прикладным следует отнести проекты по автоматизации деятель-ности обслуживающих департаментов. В этой связи можно назвать проект, выполненный специалистами компании АО «КОНСИСТ-ОС» по внедрению предиктивной аналитики для службы управления персоналом, которая помогает анализировать и выстраивать карьерные траектории сотрудников. Для реализации проекта был накоплен массив данных с 2015 года. Модель, построенная с использованием машинного обучения, позволяет прогнозировать карьерные повышения, рекомендовать, на кого из большого числа сотрудников делать ставку, давать рекомендации по номинированию сотрудников в кадровый резерв.
Безопасность и эффективность систем искусственного интеллекта напрямую зависит от качества данных, на которых строятся модели. В марте 2021 года АО «Концерн Росэнергоатом», ЧУ «Цифрум» и АО «КОНСИТ-ОС» создали отраслевой реестр по учету и хранению паспортов датасетов, который позволяет отслеживать использование данных, определять ответственность и вклад разработчиков систем ИИ.
В Госкорпорации «Росатом» накопился существенный объем датасетов в рамках различных проектов. Реестр служит для упрощения повторного использования уже имеющихся датасетов в других проектах, сокращения времени на подготовку данных для создания новых моделей.
Каждый датасет размещается в реестре вместе с описанием его содержания, назначения и истории использования, что позволяет оценить потенциальную пригодность конкретного набора данных для решения других задач. Наличие реестра позволяет в случае сбоев в работе систем с искусственным интеллектом легко найти исходные данные, на которых обучалась данная нейросеть, провести анализ и внести необходимые корректировки в модель.
Среди перспективных проектов можно назвать Нейроморфный проект, выполняемый в компании ЧУ «Цифрум». Работа над концептом проекта осуществляется в рамках соглашения между МГУ, РАН и Госкорпорацией «Росатом», заключенного на Питерском Эконо-мическом Форуме в 2021 году. В ЧУ «Цифрум» создана команда исследователей, которая сфокусирована на проблематике локального обучения в импульсных нейронных сетях.
Вместе с коллегами из МГУ, РАН, ЧГУ, Сколтеха, «Лаборатории Касперского» и ряда других компаний ЧУ «Цифрум» ведет работу над созданием набора прикладных решений с использованием нейроморфных вычислений, имея в виду как реализацию в железе, так и математическое представление в виде алгоритмов, исполняемых на этом железе.
В 2020 году Госкорпорация «Росатом» и Российский квантовый центр (РКЦ) объявили о создании лаборатории по исследованию в области ИИ на квантовых компьютерах для применения этих технологий в атомной отрасли. Проект по созданию отечественного квантового компьютера (и защищенных квантовым шифрованием каналов связи), рассчитанный на срок до 2024 года, реализуется в рамках Соглашения о намерениях между Правительством Российской Федерации и Госкорпорацией «Росатом» о развитии высокотехнологичной области «Квантовые вычисления».
Следует отметить, что Госкорпорация «Росатом» занимается не только вопросами, непосредственно связанными с развитием атомной отрасли. Имея в своем составе сотни предприятий с высоким научным потенциалом, госкорпорация участвует во многих проектах для нужд самых разных отраслей России. Например, на базе платформы «Аврора» компанией АО «Гринатом» ведется разработка «Модуля Дистанционного Зондирования Земли» для нужд судоходства и мореплавания на Северном Морском пути. В платформу входят модуль «Объекты интереса», который позволяет зафиксировать на карте объекты, за которыми требуется вести наблюдение, модуль «Заказ спутниковых снимков», который обеспечивает объекты интереса данными космической съемки, и модуль «Умная аналитика», который применяет технологии искусственного интеллекта для обнаружения на космических снимках бизнесценности, указанной заказчиком. За отображение снимков и аналитических продуктов отвечает собственный ГИС-Портал, разработанный в отделе исследований.
-
Add a note