по
Меню журнала
> Архив номеров > Рубрики > О журнале > Авторы > О журнале > Требования к статьям > Редакция и редакционный совет > Порядок рецензирования статей > Рецензирование за 24 часа – как это возможно? > Политика издания > Ретракция статей > Этические принципы > Политика открытого доступа > Оплата за публикации в открытом доступе > Публикация за 72 часа: что это? > Политика авторских прав и лицензий > Политика цифрового хранения публикации > Политика идентификации статей > Политика проверки на плагиат
Журналы индексируются
Реквизиты журнала

Публикация за 72 часа - теперь это реальность!
При необходимости издательство предоставляет авторам услугу сверхсрочной полноценной публикации. Уже через 72 часа статья появляется в числе опубликованных на сайте издательства с DOI и номерами страниц.
По первому требованию предоставляем все подтверждающие публикацию документы!
ГЛАВНАЯ > Вернуться к содержанию
Кибернетика и программирование
Правильная ссылка на статью:

Применение интеллектуальных агентов магнитных измерений для мониторинга объектов железнодорожной инфраструктуры
Коробейников Анатолий Григорьевич

доктор технических наук

профессор, Санкт-Петербургский филиал Федерального государственного бюджетного учреждения науки Института земного магнетизма, ионосферы и распространения радиоволн им. Н.В.Пушкова Российской академии наук.

199034, Россия, г. Санкт-Петербург, ул. Менделеевская, 1

Korobeinikov Anatolii Grigor'evich

Doctor of Technical Science

professor, Pushkov institute of terrestrial magnetism, ionosphere and radio wave propagation of the Russian Academy of Sciences St.-Petersburg Filial

199034, Russia, g. Saint Petersburg, ul. Mendeleevskaya, 1

Korobeynikov_A_G@mail.ru
Другие публикации этого автора
 

 
Гришенцев Алексей Юрьевич

доктор технических наук

доцент, Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики

197101, Россия, г. Санкт-Петербург, Кронверкский проспект, 49

Grishentsev Aleksei Yur'evich

Doctor of Technical Science

Associate Professor, St. Petersburg National Research University of Information Technologies, Mechanics and Optics

197101, Russia, St. Petersburg, Kronverkskiy prospect, d. 49

grishentcev@ya.ru
Другие публикации этого автора
 

 
Святкина Мария Николаевна

105005, г. Москва, 2-я Бауманская ул., д. 5

Svyatkina Mariya Nikolaevna

105005, g. Moscow, 2-ya Baumanskaya ul., d. 5

Korobeynikov_A_G@mail.ru

Аннотация.

В данной работе предлагается применение интеллектуальной как гибридного мета-агента для задачи интеллектуализация управления и информационного обеспечения на железнодорожном транспорте. Для обеспечения гарантированного уровня безопасности и управления рисками возникновения негативных природно-техногенных ситуаций на железнодорожном транспорте предлагается использовать интеллектуальное управление и информационное обеспечение. Рассматривается общая архитектура интеллектуальной среды как гибридного когнитивного агента, включающая четыре основных компонента. Основными препятствиями на пути создания систем интеллектуального мониторинга являются: недофинансирование, отсутствие базы знаний о предаварийных состояниях объектов, отсутствие специализированных программного и аппаратного обеспечения. Необходимыми характеристиками обладают современные сенсорные сети объединенные в многоагентную систему, где каждый отдельный сенсор представляет собой отдельного агента, со своей локальной базой знаний. Многоагентная система, образованная несколькими взаимодействующими интеллектуальными агентами, может быть использована для решения таких проблем, которые сложно или невозможно решить с помощью одного агента. Предлагаются варианты построения логических моделей взаимодействия между сенсорами с использованием аппарата многозначных логик и бирешеток.

Ключевые слова: интеллектуальный агент, магнитные измерения, мониторинг, железнодорожная инфраструктура, информационное обеспечение, безопасность, управление, сенсорные сети, многоагентная система, база знаний

DOI:

10.7256/2306-4196.2013.3.8737

Дата направления в редакцию:

26-05-2013


Дата рецензирования:

27-05-2013


Дата публикации:

1-6-2013


Abstract.

The paper proposes the use of the intelligent hybrid meta-agent for solving a problem of intellectualization management and information systems in rail transport. In order to ensure the safety and risk management for harmful natural and man-made situation in rail transport the authors propose to use intelligent software for management and informational support. The article reviews general structure of intelligent environment as hybrid cognitive agent consisting of four main parts. The main obstacles to the creation of intelligent monitoring systems are: lack of finance support, absence of knowledge base on pre-threshold facilities, nonexistence of specialized software and hardware. Modern sensor networks combined in multi-agent system where each individual sensor is a single agent, with its local knowledge base possess the necessary characteristics. Multi-agent system formed by multiple interacting intelligent agents can be used to solve these problems that are difficult or impossible to solve with a single agent. The article shows variants of construction of logical models of interaction between the sensors using the apparatus of multi-valued logic and bilattices.

Keywords:

sensor networks, management, security, information support, rail infrastructure, monitoring, magnetic measurements, intelligent agent, multi-agent system, knowledge base

Введение

В настоящее время общее состояние природно-технических объектов, оказывающих влияние на движение железнодорожных составов, не всегда удовлетворяет современным требованиям безопасности. Например, до сих пор происходит эксплуатация большого количества сооружений и объектов железнодорожной инфраструктуры (ЖИ), исчерпавших свой нормативный ресурс. Поэтому задача обеспечения гарантированного уровня безопасности и управления рисками возникновения негативных природно-техногенных ситуаций на железнодорожном транспорте (ЖТ) является актуальной.

Одним из решений является интеллектуализация управления и информационного обеспечения (ИО) на ЖТ, то есть использование интеллектуальной среды (ИС). Вариант архитектуры ИС как гибридного мета-агента с распределенной системой восприятия и централизованной исполнительной системой представлен на Рис.1.

Общая архитектура ИС как гибридного когнитивного агента включает четыре основных компонента:

  1. Средства обработки знаний и проведения рассуждений;
  2. Искусственные сенсорные системы;
  3. Искусственные средства осуществления действий;
  4. Программно-аппаратные средства реализации повсеместных вычислений (Ubiquitous Computing).

Деятельность ИС состоит из трех этапов:

11

Рис. 1 Архитектура Интеллектуальной среды

  1. Восприятие текущего состояния физической среды с помощью распределенной системы сенсоров.
  2. Интеллектуальный анализ сенсорных данных, обнаружение знаний, проведение рассуждений о возможных действиях.
  3. Распределенное воздействие на среду с целью изменения ее текущего состояния.

Основными существующими подходами к мониторингу объектов железнодорожной инфраструктуры (ЖИ) являются:

  • систематический визуальный надзор за объектами ЖИ;
  • спутниковый мониторинг;
  • SCADA системы и беспроводные сенсорные сети WSN.

На сегодняшний день наиболее актуальными задачами мониторинга в железнодорожной области являются:

  • анализ протекания процессов в контролируемых объектах;
  • диагностирование текущих состояний;
  • прогнозирование дальнейшего развития;
  • управление состоянием ЖИ.

Задачи мониторинга объектов ЖИ возникают в различных ситуациях: сильный дождь, туман, интенсивное задымление, маскировка груза, контроль металлических опор мостов и т.д. И здесь уже недостаточно обычной обработки данных – необходимы системы интеллектуального мониторинга объектов.

Основными препятствиями на пути создания систем интеллектуального мониторинга являются: недофинансирование, отсутствие базы знаний (БЗ) о предаварийных состояниях объектов, отсутствие специализированных программного и аппаратного обеспечения. Ввиду этого фактора и многообразия природно-технических систем, относящихся к ЖТ, разрабатываемые системы мониторинга и управления должны обладать следующими характеристиками:

  • оперативностью реакции: необходимость работы в реальном времени диктуется быстрым изменением обстановки на ЖТ;
  • универсальностью, что позволит разворачивать данные системы на различных объектах ЖТ;
  • адаптивностью, позволяющей системе функционировать в условиях сезонных колебаний параметров окружающей среды и в условиях процессов, вызывающих старение и изменение состояния объектов;
  • надежностью, в том числе, открытым остается вопрос вандалоустойчивости и живучести системы;
  • интеллектуальностью, которая позволит системе принимать решения без постоянного участия человека;
  • обучаемостью, способностью накапливать знания об исследуемом объекте и превентивных управляющих воздействиях на него в режиме эксплуатации объекта мониторинга.

Такими характеристиками обладают современные сенсорные сети объединенные в многоагентную систему, где каждый отдельный сенсор представляет собой отдельного агента, со своей локальной БЗ.

Многоагентные технологии в задаче мониторинга железнодорожной инфраструктуры

Задачи мониторинга объектов ЖИ являются плохо или слабо формализованными. Для их решения предлагается использовать многоагентные системы (МАС), состоящие из интеллектуальных агентов (ИА) магнитных измерений (МИ). Решаются задачи, как контроль за подвижными составами в условиях плохой видимости (например, интенсивного задымления на железнодорожных станциях (ЖС). МАС ИА МИ, анализируя данные от ИА, или измерительных систем или служб (магнитометрические комплексы, вариационные станции, диспетчерские службы и т.д.), принимает (формирует) в режиме реального времени решение о локальном положении ферромагнитных объектов.

Для эффективного функционирования МАС ИА МИ на ЖС необходимо наличие БЗ о конкретной станции. Для этого необходимо предварительное проведение достаточного количества МИ с целью получения математической модели магнитного состояния ЖС. Эта модель должна отражать динамику магнитного портрета ЖС при внесении возмущений. Под возмущением в данном случае понимается изменение токовых систем и различные перемещения ферромагнитных объектов, например вагонов, локомотивов, дрезин и т.д. Наличие соответствующей БЗ позволяет МАС ИА МИ решать задачу нахождении подвижного состава в условиях отсутствия оптической информации на ЖС.

Основные свойства многоагентной системы интеллектуальных агентов магнитных измерений

Многоагентная система, образованная несколькими взаимодействующими ИА, может быть использована для решения таких проблем, которые сложно или невозможно решить с помощью одного агента. Она может трактоваться как коллективный агент, обладающий такими свойствами как реактивность, целенаправленность, непрерывность функционирования, коммуникативность, обучаемость (адаптивность) и др.

Основные характеристики агентов в задачах распределенного мониторинга среды:

1. Каждый агент имеет неполную информацию о среде, строит собственную модель внешней среды и обладает ограниченными возможностями по решению "своей" проблемы.

2. Глобальное управление агентами ограничено или отсутствует.

3. Данные, которые используются агентами, децентрализованы и часть их может являться "собственностью" отдельных агентов.

4. Агенты функционируют в асинхронном режиме.

5. Агенты взаимодействуют между собой и координируют свои действия путем обмена сообщениями на языке высокого уровня

Соответственно формируется многоагентная система поддержки функционирования сенсорной сети, которая представляет собой множество агентов, реализующих парадигму «вычисления на основе взаимодействий».

На практике не все изменения в среде оказываются известными (доступными) сенсорам ИА, т.е. окружение не является полностью наблюдаемым для агента.

Главной особенностью систем искусственного интелекта (ИИ) , в том числе и МАС ИА МИ, является то, что они оперируют со знаниями. Поэтому МАС ИА МИ обладает следующими свойствами:

- Раздельное хранение знаний, представленных в символьной форме и компонентов обработки этих знаний.

- Способность делать выводы и принимать решения на основании сохраненной информации, которая представляется не явно, однако органически свойственна этим системам. Как правило, выводам систем, основанных на знаниях, присущ недетерминированный характер.

- Способность к пояснениям, т.е. возможность вывести по требованию пользователя понятную и ясную для него цепочку рассуждений (например: шагов резолюции). Способность к четкому пояснению является важным фактором, так как признание системы ИИ пользователем по большей части зависит именно от качества данной способности к объяснению.

- Способность к обучению, которая подразумевает, например, способность выводить новые знания на основании информации, полученной от пользователя.

Итак, в МАС ИА МИ разделены следующие типы знаний.

1. Специфические для конкретной предметной области знания эксперта:

• «статистическая база знаний», сформированная при проектировании МАС ИА МИ;

• содержание остается неизменным при использовании системы;

• изменение возможно посредством обучения системы.

2. Факты и знания о специальных случаях:

• пополняются за счет ввода знаний пользователем во время работы с системой.

3. Промежуточные и окончательные результаты:

• получаются посредством осуществления выводов на основании имеющихся знаний.

Отметим, что МАС ИА МИ относятся к числу самоорганизующихся систем, так как в них ищется оптимальное решение задачи без внешнего вмешательства. Под оптимальным решением понимается решение, на которое потрачено наименьшее количество энергии в условиях ограниченных ресурсов.

Главное достоинство МАС ИА МИ ‑ это гибкость; система может быть дополнена и модифицирована без переписывания значительной части программного обеспечения.

Кроме того, МАС ИА МИ обладают способностью к самовосстановлению и устойчивостью к сбоям, благодаря достаточному запасу компонентов и самоорганизации.

Работы в области МАС, в особенности разработка приложений, связанных с получением и обработкой сенсорной информации, требуют привлечение знаний и технологий из ряда областей, которые ранее были вне поля зрения специалистов по ИИ.

Технология МАС не является простым объединением различных результатов в области ИИ. Интеграция разнородных агентов, которая приводит к парадигме MAC, позволяет вносить новые свойства и возможности в информационные технологии и, по существу, представляет собой качественно новый, более высокий уровень ее развития.

Модели взаимодействия сенсоров

При разработке ИС как нового поколения гибридных интеллектуальных систем центральное место занимает создание распределенной системы восприятия текущего состояния параметров внешней физико-технической среды на основе сенсорных сетей. Полноценная реализация широких возможностей сенсорной сети предполагает организацию эффективного информационного взаимодействия между сенсорами. Предлагаются варианты построения логических моделей взаимодействия между сенсорами с использованием аппарата многозначных логик и бирешеток.

О четырехзначных семантиках и их приложених

Пусть V – множество значений истинности. По Данну, в качестве значений истинности могут выступать не только элементы v`in` V, но и любые его подмножества, включая пустое множество `O/` , т.е. осуществляется изящный переход от V к 2V . В простейшем случае для |V |= 2 получаем логическую семантику Данна-Белнапа 2V = V 4 ={T, B, N, F}, где B={T, F}, N={`O/` }. Здесь B (от англ. слова Both – и то, и другое, оба), понимается как «пресыщенная оценка» истинности (Glut), а N (от None – ни то, ни другое) – как разpыв истинности или «истиннозначный провал» (Gap).

На основе базовых четырехзначных семантик были построены логика вопросов и ответов Н.Белнапа, логики аргументации В.К.Финна, логики переговоров между агентами [1]. В частности, «полезная четырехзначная логика» Н.Белнапа, опирающаяся на введенную им логическую решетку L4, которая получается с помощью поворота аппроксимационной решетки Д.Скотта A4 по часовой стрелке на 90°, и позволяет оценивать истинность высказывания в соответствии с имеющейся информацией, обеспечивая учет ее неполноты и противоречивости [2].

Представление семантики диалога двух сенсоров в сети

Следует отметить, что четырехзначная логика Белнапа является обобщением минимальной параполной логики – трехзначной логики Клини, где промежуточное значение истинности понимается как неопределенность.

На рис. 2 и 3 приведены диаграммы Хассе для двух бирешеток «9» = 32, характеризующих взаимодействие двух сенсоров Клини и двух сенсоров, двойственных к сенсорам Клини.

Здесь T1T2 – «согласованная истина» (показания обоих сенсоров характеризуются значением «норма»); F1F2 – «согласованная ложь» (оба сенсора сигнализируют о состоянии отказа); T1B2~B1T2 – «частичное противоречие как предотказ 1-го уровня» (один сенсор показывает значение «норма», а другой – «предотказ»); T1N2~N1T2 – «частичная истина с неопределенностью» (один сенсор показывает значение «норма», а другой «спит»); T1F2~F1T2 – «противоречие» (один сенсор показывает значение «норма», а другой – «отказ»); B1B2 – «согласованное противоречие» (оба сенсора передают состояние «предотказ»); N1N2 – «согласованная неопределенность» (оба сенсора исчерпали свои ресурсы или оба сенсора «спят»); F1B2~B1F2 – «частичное противоречие как предотказ 2-го уровня» (один сенсор показывает значение «отказ», а другой – «предотказ»); F1N2~N1F2 – «частичная ложь с неопределенностью» (один сенсор показывает значение «отказ», а другой «спит»).

Из рис.2 и 3 видно, что, например, T1T2 >v N1Т2 >v F1T2 >v F1N2 >v F1F2, а T1T2 >v T1B2 >v T1F2 >v B1F2 >v F1F2.

22

Рис.2. Бирешетка «9» как произведение двух трехзначных решеток с неопределенностями

В логике Белнапа значения B и N рассматриваются независимо друг от друга, поэтому при ее консервативном расширении значения B1N2 и N1B2 запрещены. Таким образом, имеем |V| =14. Семантика диалога между белнаповскими сенсорами представлена на рис.4, а общая карта отказов и предотказов приведена на рис. 5

44

Рис. 4. Семантика диалога между

белнаповскими сенсорами

55

Рис. 5. Общая карта отказов и предотказов

Заключение

В работе представлены результаты разработки компонентов интеллектуальной системы мониторинга объектов железнодорожной инфраструктуры путем формирования диагностических и прогностических знаний на основе сенсорной информации, получаемой от системы распределенных взаимодействующих сенсоров.

Библиография
1.
Dunn, J. M. Intuitive semantics for first-degree entailment and ‘coupled trees’/ J.M. Dunn// Philosophical Studies. 1976. Vol. 29. P. 149-168.
2.
Белнап, Н., Логика вопросов и ответов. Перевод с английского Г. Е. Крейдлина/Н. Белнап, T. Стил // М.: Прогресс, 1981. – 133 с.
3.
Scott, D. Models for various type-free calculi/D. Scott//Logic, Methodology and Philosophy of Science. Vol. IV. Amsterdam: North-Holland, 1973. P. 157-187.
4.
Целуйко А.В. К вопросу о генезисе инфраструктуры Московского метрополитена и правоохранительных органов, осуществляющих его охрану // NB: Российское полицейское право. - 2013. - 2. - C. 50 - 61. URL: http://www.e-notabene.ru/pm/article_803.html
References (transliterated)
1.
Dunn, J. M. Intuitive semantics for first-degree entailment and ‘coupled trees’/ J.M. Dunn// Philosophical Studies. 1976. Vol. 29. P. 149-168.
2.
Belnap, N., Logika voprosov i otvetov. Perevod s angliiskogo G. E. Kreidlina/N. Belnap, T. Stil // M.: Progress, 1981. – 133 s.
3.
Scott, D. Models for various type-free calculi/D. Scott//Logic, Methodology and Philosophy of Science. Vol. IV. Amsterdam: North-Holland, 1973. P. 157-187.
4.
Tseluiko A.V. K voprosu o genezise infrastruktury Moskovskogo metropolitena i pravookhranitel'nykh organov, osushchestvlyayushchikh ego okhranu // NB: Rossiiskoe politseiskoe pravo. - 2013. - 2. - C. 50 - 61. URL: http://www.e-notabene.ru/pm/article_803.html
Ссылка на эту статью

Просто выделите и скопируйте ссылку на эту статью в буфер обмена. Вы можете также попробовать найти похожие статьи


Другие сайты издательства:
Официальный сайт издательства NotaBene / Aurora Group s.r.o.
Сайт исторического журнала "History Illustrated"