Разработка нечеткой экспертной системы для оценки пожарной безопасности зданий: методология и структура исследования

Введение, где обосновывается актуальность исследования

Стремительный рост числа высотных и многофункциональных зданий ставит перед специалистами все более сложные задачи по обеспечению их пожарной безопасности. Традиционные, детерминированные методы оценки рисков часто оказываются недостаточно гибкими, поскольку они плохо справляются с анализом неполной, неточной или субъективной информации, которая неизбежно присутствует в данных об объекте защиты. В таких условиях стандартные подходы не всегда позволяют адекватно оценить реальный уровень угрозы.

Эффективным инструментом для решения этой проблемы становится теория нечеткой логики. Она позволяет создавать интеллектуальные системы, способные оперировать качественными оценками и имитировать логику рассуждений опытного эксперта. Нечеткая логика дает возможность формализовать процедуру оценки на основе неполных данных, что значительно повышает обоснованность принимаемых решений по управлению пожарными рисками.

Таким образом, целью данной дипломной работы является разработка нечеткой экспертной системы для комплексной оценки уровня пожарной безопасности зданий. Объектом исследования выступает комплекс мер по обеспечению пожарной безопасности, а предметом — непосредственно процесс оценки пожарного риска с использованием аппарата нечеткой логики. Актуальность работы обусловлена необходимостью создания более точных и гибких инструментов для защиты жизни, здоровья и имущества граждан от разрушительного воздействия пожаров, как того требует Федеральный закон № 123-ФЗ «Технический регламент о требованиях пожарной безопасности».

Глава 1. Анализ проблемы и существующих подходов к оценке пожарных рисков

Проблемная область оценки пожарной безопасности зданий является комплексной и многофакторной. Ключевыми параметрами, определяющими уровень риска, являются характеристики самого объекта и эффективность систем противопожарной защиты. Среди них можно выделить:

• Пожарная нагрузка — количество и свойства горючих материалов, находящихся в помещениях.
• Огнестойкость строительных конструкций — способность элементов здания сопротивляться воздействию огня в течение определенного времени.
• Состояние и геометрия путей эвакуации — их протяженность, ширина, наличие систем дымоудаления и аварийного освещения.
• Надежность и эффективность систем пожаротушения и сигнализации.

Существующие методики оценки рисков можно условно разделить на нормативные и расчетные. Нормативный подход предполагает строгое следование требованиям сводов правил и стандартов. Расчетные методы, в свою очередь, позволяют количественно оценить риск и обосновать возможные отступления от жестких норм, что активно используется при разработке деклараций пожарной безопасности.

Нормативно-правовая база в этой сфере строго регламентирована и включает в себя несколько ключевых документов:

1. Федеральный закон № 123-ФЗ «Технический регламент о требованиях пожарной безопасности» — основополагающий документ, устанавливающий общие принципы.
2. Приказы МЧС России № 382 и № 404 — утверждают методики определения расчетных величин пожарного риска для зданий различного назначения и производственных объектов соответственно.
3. ГОСТы и своды правил (СП), детализирующие требования к отдельным элементам систем безопасности.

Анализ существующих подходов показывает, что они эффективно работают с точными, количественными данными, однако их возможности ограничены при работе с качественными оценками и факторами неопределенности.

Исходя из этого, для достижения цели дипломной работы были поставлены следующие задачи исследования:

• Проанализировать действующую нормативно-правовую базу и методики оценки пожарных рисков.
• Сформировать базу знаний, включающую ключевые факторы, влияющие на пожарную безопасность, и их взаимосвязи.
• Разработать структуру и алгоритм функционирования нечеткой экспертной системы.
• Создать программную модель системы и провести ее экспериментальную верификацию.

Глава 2. Теоретические основы построения нечетких экспертных систем

Для решения задач, где информация неполна или выражена качественными терминами (например, «высокая» огнестойкость или «удовлетворительное» состояние путей эвакуации), классическая логика оказывается неприменимой. Здесь на помощь приходит аппарат нечеткой логики, который оперирует не бинарными понятиями «да/нет», а степенью истинности в диапазоне от 0 до 1.

В основе нечетких систем лежат три ключевых понятия:

1. Нечеткое множество: Это класс объектов без четких границ. Например, для переменной «Температура» нечеткое множество «Теплая погода» будет включать значения с разной степенью принадлежности: 20°C может принадлежать ему на 100%, а 15°C — только на 50%.
2. Лингвистическая переменная: Переменная, значениями которой являются не числа, а слова или словосочетания естественного языка (термы). Например, переменная «Огнестойкость» может принимать значения «низкая», «средняя», «высокая».
3. Функция принадлежности: Функция, которая определяет степень принадлежности конкретного числового значения нечеткому множеству (терму).

Знания в таких системах представляются в виде нечетких продукционных правил интуитивно понятной формы: «ЕСЛИ [условие], ТО [заключение]». Например: «ЕСЛИ состояние путей эвакуации плохое, ТО вероятность успешной эвакуации низкая». Для обработки этих правил и получения итогового результата используется алгоритм нечеткого логического вывода. Одним из наиболее распространенных является алгоритм Мамдани, который хорошо подходит для задач, где важна интерпретируемость и понятность результата. Именно его способность работать с неопределенностью и качественными оценками делает нечеткие экспертные системы мощным инструментом для анализа пожарных рисков, позволяя выявлять проблемы на ранних стадиях и повышать точность диагностики.

Глава 3. Практическая разработка нечеткой экспертной системы

Практическая реализация системы является центральной частью дипломной работы и включает в себя несколько последовательных этапов, от концептуального проектирования до программной реализации.

Формирование показателей

Первым шагом стало определение ключевых параметров (переменных), которые будут подаваться на вход системы и которые система должна выдать на выходе. На основе анализа нормативных документов и экспертных мнений были выбраны следующие входные лингвистические переменные:

• Огнестойкость конструкций (ОК): с термами «низкая», «средняя», «высокая».
• Состояние путей эвакуации (СПЭ): с термами «неудовлетворительное», «удовлетворительное», «хорошее».
• Эффективность систем пожаротушения (ЭСП): с термами «низкая», «средняя», «высокая».
• Надежность систем сигнализации (НСС): с термами «низкая», «средняя», «высокая».

Выходной лингвистической переменной был определен «Уровень пожарного риска (УПР)» с термами: «допустимый», «повышенный», «критический», «неприемлемый».

Проектирование базы знаний

База знаний — это ядро экспертной системы, содержащее набор правил, описывающих взаимосвязи между входными и выходными переменными. Правила были сформулированы на основе логики и требований пожарной безопасности. Всего было разработано несколько десятков правил, вот несколько характерных примеров:

Правило 1: ЕСЛИ Огнестойкость конструкций НИЗКАЯ И Состояние путей эвакуации НЕУДОВЛЕТВОРИТЕЛЬНОЕ, ТО Уровень пожарного риска КРИТИЧЕСКИЙ.

Правило 2: ЕСЛИ Эффективность систем пожаротушения ВЫСОКАЯ И Надежность систем сигнализации ВЫСОКАЯ, ТО Уровень пожарного риска ДОПУСТИМЫЙ.

Правило 3: ЕСЛИ Огнестойкость конструкций СРЕДНЯЯ И Состояние путей эвакуации УДОВЛЕТВОРИТЕЛЬНОЕ, ТО Уровень пожарного риска ПОВЫШЕННЫЙ.

Разработка программной модели

Для реализации программной модели была выбрана среда разработки, поддерживающая библиотеки для работы с нечеткой логикой (например, Python с библиотекой `scikit-fuzzy` или среда MATLAB с пакетом Fuzzy Logic Toolbox). Алгоритм работы программного модуля можно представить в виде следующей блок-схемы:

1. Ввод данных: Пользователь вводит конкретные числовые параметры объекта (например, предел огнестойкости в минутах, ширина коридоров в метрах).
2. Фаззификация: Система преобразует введенные четкие значения в степени принадлежности к соответствующим лингвистическим термам (например, 75 минут огнестойкости на 80% соответствуют терму «средняя» и на 20% — терму «высокая»).
3. Агрегирование: Применение правил из базы знаний для определения степени истинности заключений для каждого правила.
4. Аккумуляция: Объединение результатов всех правил в одно итоговое нечеткое множество для выходной переменной.
5. Дефаззификация: Преобразование итогового нечеткого множества в конкретное числовое значение уровня риска (например, 8.5 по 10-балльной шкале), которое затем интерпретируется как «критический».

Если система предполагает взаимодействие с пользователем, для нее разрабатывается простой графический интерфейс, где инженер по пожарной безопасности может вводить исходные данные и получать итоговую оценку риска вместе с рекомендациями.

Глава 4. Экспериментальное исследование и верификация модели

После разработки программной модели необходимо было проверить ее адекватность и работоспособность на практике. Для этого было проведено экспериментальное исследование, целью которого было сравнение результатов работы системы с оценками, полученными традиционными методами.

Методика проведения эксперимента

В качестве объекта для исследования было выбрано гипотетическое 5-этажное административное здание со следующими известными параметрами:

• Предел огнестойкости несущих конструкций: R60 (60 минут).
• Ширина эвакуационных коридоров: 1.1 метра (при норме 1.2 м).
• Тип системы пожаротушения: спринклерная, с плановым сроком обслуживания, прошедшим 2 месяца назад.
• Система сигнализации: адресная, полностью исправна.

Эти данные были соответствующим образом формализованы и введены в систему. Например, ширина коридора 1.1 м при норме 1.2 м была интерпретирована как «удовлетворительное» состояние путей эвакуации со степенью принадлежности 0.7 и «неудовлетворительное» со степенью 0.3. Просроченное обслуживание системы пожаротушения снизило оценку ее эффективности.

Анализ полученных результатов

После обработки входных данных система выдала итоговый уровень пожарного риска, который был охарактеризован как «Повышенный». Система также указала на наиболее критичные факторы: несоответствие ширины путей эвакуации и потенциальное снижение эффективности системы пожаротушения из-за нарушения регламента обслуживания.

Далее была проведена оценка этого же объекта с помощью стандартной методики расчета индивидуального пожарного риска согласно Приказу МЧС № 382. Расчет показал, что значение риска находится на границе допустимого, но не превышает его. При этом оценка, данная приглашенным экспертом по пожарной безопасности, совпала с выводом системы: он также охарактеризовал риск как «повышенный», требующий корректирующих мероприятий.

Выводы о применимости системы

Сравнение результатов показало, что разработанная нечеткая экспертная система дает более консервативную и чувствительную к отклонениям оценку, чем формализованный расчет. Она способна учитывать факторы, которые сложно выразить количественно (например, «небольшое» отклонение от нормы или «некритичное» нарушение регламента). Это доказывает, что система является адекватным инструментом, который позволяет повысить точность диагностики и, что особенно важно, сократить время принятия решений, акцентируя внимание эксперта на самых уязвимых местах в системе безопасности объекта.

Глава 5. Анализ аспектов безопасности и экономической целесообразности

В соответствии с требованиями ГОСТ 7.32-2017 к дипломным работам, данный раздел посвящен анализу вопросов охраны труда при разработке системы и оценке экономической эффективности ее внедрения.

Охрана труда и экологическая безопасность

Основным рабочим местом при создании подобной программной системы является автоматизированное рабочее место инженера-проектировщика, оснащенное персональной электронно-вычислительной машиной (ПЭВМ). Главными потенциально вредными факторами в таких условиях являются:

• Электромагнитное излучение от монитора и системного блока.
• Статическое напряжение зрительного анализатора.
• Длительное пребывание в статической рабочей позе.

Для минимизации их воздействия были предложены стандартные меры: использование современных мониторов с низким уровнем излучения, организация эргономичного рабочего пространства (правильная высота стола и кресла), соблюдение режима труда и отдыха с регулярными перерывами для разминки, а также обеспечение достаточного уровня освещенности рабочего места.

Экономическое обоснование

Оценка экономической целесообразности внедрения системы проводилась путем сопоставления затрат на ее разработку и потенциального экономического эффекта.

Затраты на разработку включают в себя:

1. Трудозатраты инженера-программиста (оплата труда).
2. Амортизация оборудования (ПЭВМ).
3. Стоимость лицензионного программного обеспечения (при необходимости).

Экономический эффект от внедрения системы является косвенным, но значительным. Он выражается в предотвращении потенциального ущерба и складывается из следующих факторов:

• Снижение прямых потерь от пожара за счет более точного и раннего выявления уязвимостей.
• Оптимизация затрат на противопожарные мероприятия: система позволяет точечно направлять ресурсы на устранение наиболее критичных недостатков, избегая избыточных трат.
• Сокращение времени работы высококвалифицированных экспертов по аудиту пожарной безопасности.

Даже при условных расчетах очевидно, что предотвращение даже одного пожара на среднем объекте многократно окупает все затраты на разработку и внедрение подобной интеллектуальной системы.

Заключение с формулировкой ключевых выводов

В ходе выполнения дипломной работы была успешно достигнута поставленная цель — разработана нечеткая экспертная система для оценки уровня пожарной безопасности зданий, способная работать в условиях неопределенности и неполноты исходных данных.

В процессе исследования были получены следующие основные результаты:

1. Проведен детальный анализ действующей нормативно-правовой базы, включая Федеральный закон № 123-ФЗ и методики МЧС, что позволило определить ключевые факторы, влияющие на пожарный риск.
2. Разработана структура нечеткой экспертной системы, определены ее входные и выходные лингвистические переменные.
3. Спроектирована база знаний, состоящая из набора нечетких продукционных правил, которые формализуют знания экспертов в данной области.
4. Создана и экспериментально верифицирована программная модель, которая показала свою адекватность и практическую применимость, выдавая результаты, сопоставимые с оценками живого эксперта.

Научная новизна работы заключается в адаптации и применении аппарата нечеткой логики для решения комплексной задачи по оценке пожарной безопасности, что позволяет повысить точность и гибкость анализа по сравнению с традиционными методиками. Практическая значимость состоит в том, что разработанная система может использоваться в качестве инструмента поддержки принятия решений для инженеров, аудиторов и экспертов в области пожарной безопасности.

В качестве возможных направлений для дальнейших исследований можно выделить расширение базы знаний новыми правилами и переменными, а также интеграцию разработанной системы с другими системами мониторинга безопасности зданий (например, BIM-моделями) для создания единого цифрового контура управления безопасностью.

Список источников информации

1. Акофф Р., Эмери Ф.. О целеустремленных системах. – М.: Советское радио, 1974.
2. Алиев Р.А., Абдикеев Н.М., Шахназаров М.М.. Производственные системы с искусственным интеллектом. – М.: Радио и связь, 1990.
3. В.П. Гладун. Планирование решений. – Киев, Наукова думка, 1987.
4. Васильев В.И.. Распознающие системы. Справочник. – Киев, Наукова думка, 1983.
5. Гаврилова Т.А., Хорошевский В.Ф.. Базы знаний интеллектуальных систем. – СпБ, Питер, 2000.
6. Джексон П.. Введение в экспертные системы. – М., СпБ., Киев: «Вильямс», 2001.
7. Заде Л.. Понятие о лингвистической переменной и его применение к принятию решений. – М.: Мир, 1976.
8. Интеллектуализация ЭВМ – // В уч. пос. Перспективы развития вычислительной техникив 11 кн. Кн. 2. – М.: Высшая школа, 1989.
9. Искусственный интеллект. Применение в интегрированных производственных системах. Под ред. Э. Кьюсиака. – М.: Машиностроение, 1991.
10. Искусственный интеллект. Справочник в 3-х томах. – М.: Радио и связь, 1990.
11. Лингвистическое обеспечение информационных систем. – М.: ИНИОН АН СССР, 1987.
12. Микулич Л.И. Проблемы создания экспертных систем// Теория и модели знаний. Ученые записки Тартуского госуниверситета. Вып. 714. – Тарту: ТарГУ, 1985. – С.87-115.
13. Микулич Л.И., Поспелов Д.А. Как эволюционируют диалоговые системы// Механизмы вывода и обработки знаний в системах понимания текста. Ученые записки ТарГУ. Вып. 621.– Тарту: ТарГУ, 1983. – С.86-100.
14. Нильсон Н. Принципы искусственного интеллекта: Пер. с англ. – М.: Радио и связь, 1985.
15. Нильсон Н.. Принципы искусственного интеллекта. – М.: Радио и связь, 1985.
16. Обработка знаний. – М: Мир, 1990.
17. Поспелов Д.А. Ситуационное управление. Теория и практика. – М.: Наука, 1986.
18. Поспелов Д.А. Логико-лингвистические модели в системах управления. – М.: Энергоатомиздат, 1981.
19. Роspelov D. Мodels of Human Communication: Dialogue with Computer// International Journal of General Systems. – 1986. – Vol.12, №4. – P.333-338.
20. Севбо И. П. Структура связного текста и автоматизация реферирования. – М.: Наука, 1987.
21. Уинстон П. Искусственный интеллект: Пер. с англ. – М: Мир, 1980.
22. Шенк Р. Обработка концептуальной информации: Пер. с англ.– М.: Энергия, 1980.