Автоматизация процессов мониторинга объектов железнодорожной инфраструктуры на основе мультиагентных иммунологических систем

Шабельников, Вадим Александрович

Автоматизация и управление технологическими процессами и производствами (по отраслям)

автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Автоматизация процессов мониторинга объектов железнодорожной инфраструктуры на основе мультиагентных иммунологических систем

кандидата технических наук: Шабельников, Вадим Александрович
город: Ростов-на-Дону
год: 2011
специальность ВАК РФ: 05.13.06

Диссертация по информатике, вычислительной технике и управлению на тему «Автоматизация процессов мониторинга объектов железнодорожной инфраструктуры на основе мультиагентных иммунологических систем»

Автореферат диссертации по теме "Автоматизация процессов мониторинга объектов железнодорожной инфраструктуры на основе мультиагентных иммунологических систем"

На правах рукописи

Шабельников Вадим Александрович

АВТОМАТИЗАЦИЯ ПРОЦЕССОВ МОНИТОРИНГА ОБЪЕКТОВ ЖЕЛЕЗНОДОРОЖНОЙ ИНФРАСТРУКТУРЫ НА ОСНОВЕ МУЛЬТИАГЕНТНЫХ ИММУНОЛОГИЧЕСКИХ СИСТЕМ

Специальность: 05.13.06 - Автоматизация и управление технологическими процессами и производствами (на транспорте)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

2 3 11ЮН 2011

Ростов-на-Дону - 2011

4850870

Работа выполнена в федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Ростовский государственный университет путей сообщения» (ФГОУВПОРГУПС)

Научный руководитель: доктор технических наук, профессор

Лябах Николай Николаевич

Официальные оппоненты:

доктор технических наук, профессор Берштейн Леонид Самойлович кандидат технических наук, доцент Хатламаджиян Агоп Ервандович

Ведущая организация:

Российский научно-исследовательский ипститут информационных технологий и систем автоматизированного проектирования (Рос НИИ ИТ и АЛ)

Защита диссертации состоится «30 » ШОк.<£.2011 г. в часов на

заседании диссертационного совета Д 218.010.03 при Ростовском государственном университете путей сообщения по адресу: г. Ростов-на-Дону, пл. Ростовского Стрелкового Полка Народного Ополчения, 2, конференцзал.

С диссертацией можно ознакомиться в научной библиотеке РГУПС.

Автореферат разослан 1-ийХ2011 г.

Отзывы на автореферат в двух экземплярах, подписанные и заверенные печатью, просим направлять по адресу: 344038, г. Ростов-на-Дону, пл. Ростовского Стрелкового Полка Народного Ополчения, 2, диссертационный совет Д 218.010.03, ученому секретарю.

Ученый секретарь

диссертационного совета, д.т.н., профессор

М.А. Бутакова

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Устойчивая тенденция повышения осевых нагрузок и скоростей движения на железнодорожном транспорте актуализирует задачи мониторинга динамического воздействия поездов на земляное полотно, мосты, тоннели и другие искусственные сооружения (ИС). В настоящее время на сети железных дорог эксплуатируется 82,6 тысячи искусственных сооружений, из них около 7,7 тысячи дефектных (9,3 %), не соответствуют современным нормам - 50,9 тысячи (62%), превысили нормативный срок эксплуатации -40,3 тысячи мостов (49 %).

Существующие системы мониторинга искусственных сооружений, между тем, отличаются устаревшей технологией анализа состояния ИС, значительным влиянием человека на результаты мониторинга, низкой производительностью, что требует разработки новой концепции мониторинга и управления состоянием ИС.

Степень разработанности проблемы. Вопросы автоматизации сложных объектов и процессов на транспорте рассматривались в трудах Долгого И.Д., В.Н. Иванченко, Э.К. Лецкого, В.М. Лисенкова, В.В. Сапожникова, Вл.В. Сапожникова и др.

Новая концепция беспроводного мониторинга, основанного на беспроводных сенсорных сетях, разрабатывается в трудах А. Боулиса, А. Дасгупты, Н. Джаубера, C.B. Дублинга, Д.П. Линча, М. Нилеша, Д. Станковича, K.P. Фаррара, X. Харидаса, К. Чинталапуди, Д.В. Шевитса и др.

Технологии искусственного интеллекта в исследуемой сфере разрабатывались Л.С. Берштейном, С.М. Ковалевым, А.О. Таракановым, Б.К. Хуангом, Б. Ченом, А.Н. Щабельниковым, Дж. Элманом и др.

Проблемы создания информационных систем мониторинга сложных природных и техногенных объектов на железнодорожном транспорте освещены в трудах: В.М. Круглова, В.А. Коугия, С.И. Матвеева, В.Я. Цветкова, E.H. Розенберга, И.Н. Розенберга, В.А. Явны и др.

Математические вопросы обеспечения работы автоматизированных систем на транспорте рассматривались в работах М.А. Бутаковой, А.Н. Гуды, H.H. Лябаха, Э.А. Мамаева, C.B. Соколова, В.Н. Тарана и др.

Цель н задачи исследования. Данное диссертационное исследование предпринималось в соответствии со следующей целью: анализ этапов развития и совершенствование систем мониторинга и управления состоянием искусственных сооружений железнодорожного транспорта.

Достижение поставленной цели раскрывается в последовательном решении следующих задач:

1. Обоснование необходимости построения автоматизированной системы мониторинга искусственных сооружений железнодорожного транспорта.

2. Разработка авторской концепции мониторинга и управления искусственными сооружениями железнодорожного транспорта.

3. Развитие математического, программно-технического обеспечения синтезируемой системы.

4. Внедрение результатов диссертационного исследования в научные и практические разработки.

Объект и предмет исследования. В качестве объекта данного исследования выступают автоматизированные системы мониторинга и управления состоянием объектов железнодорожного транспорта различного назначения (мосты, тоннели, железнодорожное полотно, здания и пр.).

Предметом исследования являются технологии мониторинга и управления состоянием объектов, их информационное, программно-математическое, алгоритмическое, техническое обеспечение. Работа выполнена в рамках следующих пунктов паспорта специальности 05.13.06 - автоматизация и управление технологическими процессами и производствами (транспорт):

6. Научные основы, модели и методы идентификации производственных процессов, комплексов и интегрированных систем управления.

14. Теоретические основы, методы и алгоритмы диагностирования, (определения работоспособности, поиск неисправностей и прогнозирования) АСУТП, АСУП, АСТПП и др.

15. Теоретические основы, методы и алгоритмы интеллектуализации решения прикладных задач при построении АСУ широкого назначения (АСУТП, АСУП, АСТПП и др.).

Теоретико-методологической основа исследования. Научные труды отечественных и зарубежных ученых, посвященные вопросам автоматизации сложных объектов, построению математических моделей технологических процессов контроля, диагностики, управления и процедур принятия решений в условиях неопределенности.

Информационно-эмпирическая база исследования. Основана на натурных обследованиях ряда типичных объектов исследования:

скально-обвально-оползневого косогора КМ 1929 ПК 5-9 перегона Чемитоквадже - Якорная Щель;

тоннеля №8 КМ 1977 ПК 10 перегона Мацеста - Хоста;

- данных монографических исследований отечественных и зарубежных ученых, а также информации из разнообразных Интернет-ресурсов и собственных авторских исследований диссертанта.

Инструментарно-методологический аппарат. Для решения вышепоставленных задач был использован инструментарно-методологический аппарат, включающий: методологию системного анализа, методы и инструменты формализованного анализа: теория распознавания образов, теория нечетких множеств, анализ временных рядов, теория массового обслуживания, теория искусственных иммунных систем и пр. Программное обеспечение выполнено на языках программирования С# и МАТЬАВ, ЗБ-модели объектов были созданы с использованием языка разметки ХАМЬ.

Основные положения, выносимые на защиту:

1. Организационный механизм, определяющий общую стратегию оценки состояния искусственных сооружений на железнодорожном транспорте, согласовывающий работу ЛПР и машины и включающий:

- методику экспертной системы оценивания;

- машинные процедуры принятия решений.

2. Модели описания сложных динамических процессов, характеризующих динамику среды и собственно исследуемого ИС. В данном направлении выполнено следующее:

- проанализированы условия применения классических подходов моделирования временных рядов (моделей авторегрессии, скользящего среднего и смешанных моделей);

- предложен авторский метод идентификации тенденций изменения временных рядов, основанный на использовании аппарата теории распознавания образов и позволяющий осуществить поэтапную адаптацию моделей и процедур принятия решений;

- исследованы интеллектуальные технологии анализа временных рядов.

3. Процедуры формализованного принятия решений в системах мониторинга и управления ИС на основе использования аппарата теории нечетких множеств. В частности:

- введен соответствующий категориальный аппарат исследования;

-разработана общая структура системы принятия решений, использующая

нечеткую логику;

- показана теоретическая обоснованность и практическая реализуемость предложенного математического аппарата;

- предложено систему правил логического вида формировать в виде таблиц соответствий значений лингвистических переменных;

- проиллюстрирована возможность учета психофизиологических качеств ЛПР при формировании баз знаний.

4. Построение нового класса систем технического мониторинга (СТМ), основанное на использовании парадигм искусственных иммунных систем и мультиагентных технологий.

5. Процедуры формирования локальных БЗ интеллектуальных агентов и механизм выработки диагностических решений, основанных на технологии мягких вычислений, а также общая схема применения данной технологии.

6. Модели интеллектуальных агентов для иммунологических мультиагентных СТМ, ориентированных на решение задач, связанных с диагностикой распределенных технических объектов.

7. Модель взаимодействия агентов верхнего уровня СТМ при решении задач распределенного мониторинга сложных технических объектов.

Научная новизна диссертационного исследования заключается в следующих предложениях автора.

1. Уточнен категориальный аппарат исследования: автоматизированная беспроводная система мониторинга (АБСМ), уровень компетентности, стабильность функционирования, обучаемость эксперта; адаптированы к решению поставленной задачи понятия интеллектуальных агентов и биоинспирированных алгоритмов.

2. Разработана концепция и базовые принципы функционирования АБСМ, отличающаяся интеллектуальностью функционирования, универсальностью внедрения на объектах железнодорожного транспорта.

3. Разработана методика экспертной оценки состояния искусственного сооружения, включающая механизм обучения и отбора экспертов.

4. Предложен подход к представлению числовых временных рядов в символьном виде путем многомерной нечетко-шейповой аппроксимации.

5. Разработана парадигма использования биоинспирированных алгоритмов в задаче диагностирования инженерных сооружений. В частности:

- адаптированы модели интеллектуальных агентов для иммунологических мультиагентных систем мониторинга, ориентированных на решение задач, связанных с диагностикой распределенных технических объектов.

- разработаны два новых класса интеллектуальных моделей обработки динамической информации в условиях неопределенности, позволяющих также решать задачи обучения и адаптации локальных БЗ интеллектуальных систем мониторинга.

Апробация и внедрение результатов исследования. Результаты диссертации докладывались на семинарах кафедры «Информатика» РГУПС, на международных научно-практических конференциях «Актуальные проблемы

информатики и информационных технологий» (г. Тамбов, 2005, 2006 гг.), «Интеллектуальные системы на транспорте» (г. Санкт-Петербург, 2011 г.) и «Интегрированные модели и мягкие вычисления в искусственном интеллекте» (г. Коломна, 2009 г.), международном конгрессе по интеллектуальным системам и информационным технологиям «AIS-IT» (г. Дивноморск, 2010 г.), всероссийских научно-практических конференциях и симпозиумах «Транспорт - 2006» (г. Ростов-на-Дону) и «Седьмой всероссийский симпозиум по прикладной и промышленной математике» (г. Москва, 2006 г.), Российской выставке научно-технического творчества молодежи (г. Москва, НТТМ - 2010 г.), отраслевых выставках ОАО «РЖД» и ОАО «НИИАС» (г. Москва, г. Санкт-Петербург).

Публикации. Полученные в диссертации результаты нашли свое отражение в 22 печатных работах, 7 из которых опубликованы в журналах из перечня ВАК, одна является патентом на полезную модель.

Структура и объем работы. Диссертация состоит из введения, четырех глав, включающих 13 параграфов, заключения, списка использованных источников из 147 наименований и приложения. Работа проиллюстрирована 52 рисунками, 7 таблицами. Общий объем диссертации составляет 164 страниц.

СОДЕРЖАНИЕ РАБОТЫ

Во введении раскрывается актуальность исследований, формируются цель и задачи работы, формулируются положения, выносимые на защиту, научная новизна результатов, дается общая характеристика работы.

Первая глава «Состояние систем мониторинга объектов инфраструктуры на железнодорожном транспорте» представляет собой укрупненный взгляд на сферу мониторинга природно-технических объектов железнодорожного транспорта. В разделе 1.1 оценивается общее состояние объектов инфраструктуры ОАО «РЖД», приводятся статистические данные текущего состояния инженерные сооружений, выделяются «узкие места» стальных магистралей, подверженные наибольшем)'- риску возникновения негативных ситуаций техногенного характера: мосты, тоннели, оползнеопасные склоны.

Общее состояние природно-технических объектов, влияющих на движение поездов во второй по протяженности железнодорожных линий стране мира, не всегда удовлетворяет нормам безопасности. Большое количество сооружений, исчерпавших свой нормативный ресурс, устанавливает высочайшие требования к объемам ежегодных материальных вложений в их реконструкцию и ремонт. Посткризисное состояние российской экономики

вряд ли позволит компании ОАО «РЖД» в ближайшие 10 лет справиться с задачей обновления объектов инфраструктуры, не удовлетворяющих современным нормам.

В таком случае для обеспечения гарантированного уровня безопасности и управления рисками возникновения негативных природно-техногенных ситуаций следует сфокусировать внимание на создании систем мониторинга и управления природно-технических объектов.

Основными препятствиями на пути создания систем данного типа являются: недофинансирование, отсутствие базы знаний о предаварийных состояниях объектов, отсутствие специализированного программного и аппаратного обеспечения. Ввиду этого фактора и многообразия природно-технических систем, относящихся к железнодорожному транспорту, разрабатываемые системы мониторинга и управления должны обладать следующими характеристиками:

оперативностью реакции - необходимость работы в реальном времени диктуется быстрым изменением обстановки на железнодорожных линиях;

, - универсальностью, что позволит разворачивать данные системы на различных объектах железнодорожного транспорта;

- 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.

В разделе 1.2 приводится общий анализ существующих систем мониторинга природно-технических объектов и выделение «белых пятен» используемых подходов. Рассматриваются следующие технологии контроля состояния объектов:

- систематический визуальный надзор за искусственными сооружениями,

- спутниковый мониторинг;

- сенсорные сети.

Рассматривая систематический визуальный надзор как один из способов организации мониторинга потенциально опасных природно-технических

объектов, следует отметить низкую эффективность использования человеческих ресурсов, невысокую оперативность мониторинга, наличие человеческого фактора, полное отсутствие элементов автоматизации процесса.

Применение технологий спутникового мониторинга с высокой степенью точности (субсантиметровый уровень) позволяет определять относительные смещения объектов, поверхностную деформацию, движение земной коры, трассодиагностику, уровень риска отдельных участков железнодорожного полотна, а также выявлять потенциально опасные зоны для движения поездов. Системы данного типа позволяют организовать эффективный мониторинг многих объектов. С практической точки зрения применение спутниковых систем навигации, референсных станций и спутниковых геодезических реперов для контроля относительного положения статических объектов неудобно по ряду причин: высокая потребляемая мощность элементов сети, необходимость прокладки кабеля в точки мониторинга, высокая стоимость системы.

Рассматривая основные особенности беспроводных сенсорных сетей мониторинга, можно отметить, что наиболее важными задачами в организации их работы являются обеспечение энергопитания и оптимизация энергозатрат. Беспроводные узлы могут питаться лишь от автономных источников энергии, запасы которых часто ограничены емкостью питающих батарей. Для увеличения срока автономной работы устройств необходимо использовать источники альтернативной энергии: солнечные модули, преобразователи механической энергии, а также пьезоэлектрические, емкостные, индуктивные генераторы и т.д.

В разделе 1,3 предлагается авторская концепция организации мониторинга и упреждающего управления природно-техническими объектами железнодорожного транспорта. Перечислены требования, предъявляемые к разрабатываемой системе: интеллектуальность, универсальность, возможность мониторинга пространственно протяженных объектов, высокая рентабельность системы, высокая чувствительность датчиков, организация работы системы в реальном масштабе времени, высокая скорость и удобство установки системы.

На рис. 1 представлена обобщенная структура беспроводной сенсорной сети автоматизированной беспроводной системы мониторинга. На рис. 2 представлена упрощенная структура АБСМ.

Во второй главе «Математические основы синтеза систем мониторинга и управления состоянием природно-технических объектов на железнодорожном транспорте» в 2.1 приводится общая стратегия оценки состояния природно-технических объектов железнодорожной инфраструктуры. Автором предложены процедуры оценки состояния природно-технических объектов, выдвинуты требования к разрабатываемой системе мониторинга, а

также к интеллектуальному комплексу, организующему анализ, строящему зависимости и прогнозирующему дальнейшее поведение объекта.

центр мониторинга

■ координатор сети

ИР - сенсорный узел

Рис. 1. Поле мониторинга сложной динамической конструкции

Рис. 2. Упрощенная структура АБСМ

Формирование управленческих решений по режиму использования искусственного сооружения может осуществляться двумя путями:

1) с помощью экспертов в данной области;

2) путем синтеза интеллектуального советчика.

Предложен алгоритм функционирования экспертной системы объекта, обоснован ее состав, исследованы основные функции и процедуры составляющих подсистем.

Подробно рассмотрена подсистема формирования оценок экспертов, проведен анализ существующих публикаций по теме, введены следующие параметры обучаемости экспертов: скорость, стабильность и уровень компетентности.

Информационные связи

СППР

Рис. 3. Зависимость показателя компетентности экспертов от времени

Из рисунка 3 следует, что время обучаемости первого эксперта равно семи тактам экспертизы, второго - более десяти. Предельный уровень значимости (вес) первого эксперта равен 0,8, а второго - 0,5.

Уровень компетентности г-го эксперта на заданном временном промежутке вводится как среднее значение т показателей Л, из этого промежутка:

к = 1/ш (11*+1 + Я;п+2 + ...+11,"™), (1)

стабильность его работы оценивается среднеквадратическим отклонением наблюденных показателей Я, от среднего к:

5 = (1/(ш-1)(ЕГ№"+'-к)2))0'5 • (2)

В цитируемых работах не прописана методика взаимодействия экспертов при экспертизе объекта. Традиционно используется среднее арифметическое взвешенное высказываний т экспертов:

Qa = (ZiR^<li)/m, (3)

где Qa — суммарная (аддитивная) степень безопасности объекта, а д, - высказанная г-м экспертом. Учитывая важность данного показателя, считаем целесообразным использовать более пессимистическую оценку -среднее геометрическое высказываний т экспертов:

а = , (4)

где <2г — суммарная (мультипликативная) степень безопасности объекта.

В качестве обоснования (4) можно привести следующее рассуждение. Среднее геометрическое всегда меньше среднего арифметического тех же чисел (потому используем пессимистическую оценку). При стремлении произведений оценок экспертов на их веса друг к другу (присутствует

единодушие мнений экспертов) значение (4) стремиться к значению (3). При значительном разбросе этих произведений (отсутствие солидарной уверенности) - общая оценка уменьшается.

Если разброс значений слагаемых в (3), сомножителей в (4), измеряемый с помощью дисперсии В или среднеквадратического отклонения, выше некоторого заданного порога, то такой группе экспертов следует отказать в принятии решений о состоянии объекта вследствие отсутствия единодушия во мнении.

В разделе 2.2 представлен математический аппарат для предварительного аналитического анализа параметров создаваемой системы, а также закладываются программно-математические основы для создания имитационной модели системы. Рассмотрена методика расчета параметров каналов на основе теории массового обслуживания. Создана имитационная модель телекоммуникационного канала с регулируемым уровнем зашумления, позволяющая также исследовать корректирующие возможности кода Хэмминга. В конце раздела предложена методика оптимизации каналов по внешнему критерию.

В разделе 2.3 произведена систематизация и развитие моделей динамических процессов. Функционирование объектов инфраструктуры транспортного комплекса страны представлено в виде временных рядов (ВР). Проанализировано использование классических методов моделирования временных процессов, среди которых: авторегрессия, скользящее среднее, смешанные модели.

При увеличении неопределенности в данных предполагается отсутствие достаточной информации для использования перечисленных формализмов. В этом случае предлагается воспользоваться средствами теории распознавания образов для анализа тенденций изменения временных рядов.

Дальнейшее увеличение неопределенности в данных требует применения специальных процедур выявления знаний. Предлагается метод поиска аномалий в базах данных.

Процесс интеллектуального поиска знаний включает в себя очистку и фильтрацию данных, формирование признаков и извлечение множества ассоциативных правил, которые могут быть использованы для идентификации аномалий или предсказания дальнейшего поведения временного ряда. Метод базируется на использовании информационно-теоретического подхода к извлечению знаний в комбинации с идеями лингвистической аппроксимации временных рядов.

Исходный ВР сегментируется на непересекающиеся временные интервалы с последующим представлением каждого интервала одним из

нескольких базовых примитивов (шейпов). Предлагается подход к представлению числовых ВР в символьном виде путем многомерной нечетко-шейповой аппроксимации ВР. Для этого ВР преобразуется в многомерный ВР, каждое измерение которого характеризует определенный числовой признак, извлеченный из исходного ВР, а затем числовым признакам сопоставляются нечеткие числовые термы. Комбинации нечетких термов, сопоставленных разным измерениям ВР, образуют нечетко-шейповые представления интервалов ВР. При таком представлении каждый интервал ВР ассоциируется с несколькими символьными признаками. Строго упорядоченная последовательность из т нечетко-шейповых признаков задает темпоральный образ ВР. Далее выявляются ассоциативные нечеткие правила на т нечетко-шейповых признаков. Конечные правила являются ассоциативными правилами на помеченных интервалах, которые в задачах прогнозирования интерпретируются как правила предсказания целевых атрибутов, а в задачах выявления аномалий - как правила идентификации аномалий.

Предлагаемый способ определения аномалий заключается в создании модели нормального состояния временного ряда в виде правил предсказаний. Входные данные, не соответствующие в достаточной мере модели, отмечаются как аномальные.

В разделе 2.4 рассматривается применение теории нечетких множеств в задачах мониторинга и управления природно-техническими объектами и, в частности, моделирования оползневых процессов.

Нелинейные характеристики, ухудшающие качество работы традиционных регуляторов в исследуемых процессах, проявляются в следующем: насыщение грунта влагой, трение между собой различных слоев грунта.

В классической теории управления были разработаны методы, уменьшающие эффекты нелинейности. Среди них метод непостоянной структуры и адаптивное управление с эталонной моделью. Однако такие решения носят ограниченный характер, во многом зависят от технических параметров, природных условий функционирования конкретного объекта исследования, а разрабатываемые системы должны обладать определенной степенью универсальности для их тиражирования. Нечеткая логика, учитывающая возможность использования лингвистических переменных, нечеткую принадлежность элемента множеству, позволяет эффективно работать в данных условиях.

Общая структура системы, использующей нечеткую логику, представлена на рис. 4. Она содержит в своем составе блок фаззификации, базу знаний, блок решений и блок дефаззификации. Их совместное взаимодействие обладает

синергетическим эффектом, определяющим интеллектуальность функционирования системы.

База знаний '

лингв, переменные

нечеткие правила И

Блок ' фаззификации'

Блок решений

Блок дефаззификации

Измеренные величины

Управляемая система

Выход контроллера

Рис. 4. Общая структура системы принятия решений, использующая нечеткую логику

Блок фаззификации преобразует четкие величины, измеренные на выходе объекта управления (влажность грунта, его масса, силы внутреннего трения и пр.), в нечеткие величины, описываемые лингвистическими переменными в базе знаний. Далее рассматриваем переменные: х — влажность грунта, у -нагрузка на грунт, г — степень опасности возникновения оползня. Исходя из анализа свойств конкретного объекта, ЛПР определяет на множестве выделенных переменных нечеткие множества. Например: А/ - слабое увлажнение грунта, А2 - среднее, А3 - сильное; В/ — умеренная нагрузка на сооружение, В2 — нормальная, В3 - предельно допустимая; С\ - опасность возникновения оползня существует, С2- опасности нет.

В третьей главе «Мультиагентные иммунологические модели в системах мониторинга распределенных технических объектов» разрабатываются теоретические основы нового подхода к построению

мониторинговых технических систем, основанном на использовании элементов теории искусственных иммунных систем и мультиагентных технологий.

В разделе 3.1 разрабатывается общий подход и принципы построения гибридных мультиагентных систем распределенной обработки информации, ориентированных на решение задач мониторинга протяженных объектов железнодорожной инфраструктуры.

Мобильные агенты (имитирующие иммунные клетки), оснащенные классифицирующими алгоритмами, производят мониторинг состояния объекта, патрулируя по сенсорной сети, развернутой на нем. Антителом мобильного агента является обобщенный образ нормального и/или аномального состояния объекта, представленный классифицирующей моделью агента, построение которой будет рассмотрено в последующих разделах. Мобильный агент считывает данные с сенсоров в режиме реального времени и выполняет их идентификацию с использованием классифицирующей модели. Координатор мультиагентной системы, управляющий сенсорной сетью поддерживает генерацию, миграцию, взаимосвязь и управление мобильными агентами и их популяциями.

Основными элементами распределенных БЗ мобильных агентов являются процедуры вычисления шейпов развития динамического процесса в зонах размещения агентов. Шейп формируется в виде нечетко-трендовых представлений процесса с использованием таких лингвистических термов как «малое нарастание», «резкое снижение» и т.п. Для их вычисления на интервале ЬТ используются искусственные нейронные сети (ИНС):

=> а(Т),р(Т)-,Х(Т)

У(О,Г(0..У(О => а(Т),т-,Х{Т)

=> а(Т),т~,х(Т) _

На вход локальной ИНС подается последовательность чисел, характеризующих мгновенные значения деформаций по каждой из пространственных координат X, У, 2. Эту информацию агент принимает от соответствующих сенсоров напряженности в течение интервала времени Д7\ Выходом ИНС является вектор нечетких термов, характеризующих шейп процесса на интервале ДГ, вместе со значениями соответствующих функций принадлежности.

В разделе 3.2 разрабатываются две модели представления интеллектуальных автономных агентов и классифицирующих алгоритмов, предназначенные для использования на нижних иерархических уровнях в гибридных системах технического мониторинга.

Предлагаемый класс динамических нейросетевых моделей основан на использовании рекуррентных нейросетей Джордана-Элмана с контекстным внутренним слоем, выполняющим функции краткосрочной динамической памяти (рис. 5).

выходной слой

Рис. 5. Архитектура рекуррентной нейронной сети Джордана-Элмана

Рекуррентная нейронная сеть (РНС), не обладая внутренней памятью, оказывается способной неявно выработать внутреннее представление времени на основе распределенной пространственной структуры нейронов и обратной связи. График ошибки предсказания РНС является показателем наличия темпоральной структуры во входных данных и может быть использован для определения границ извлекаемых из них темпоральных образов.

Сеть обучается таким образом, что может использовать области в пространстве скрытых нейронов и переходы между этими областями для имитации состояний конечного автомата.

Второй тип моделей, предлагаемых для использования в классифицирующих алгоритмах мониторинга, основан на нечетких моделях с обратной связью.

Для реализации нелинейной функции будем использовать нелинейную динамическую систему (НДС), имеющую к обратных связей. Структура НДС приведена ниже на рис. 6.

Нечеткая схема вывода представляет собой логическую сумму функций принадлежности нечетких выходных переменных продукционных правил, умноженных на значения истинности их предпосылок.

Рис. 6. Структура НДС с обратными связями

В разделе 3.3 разрабатываются модели представления агентов-координаторов, предназначенные для использования на верхних иерархических уровнях мониторинговых систем, а также предлагаются иммунологические механизмы взаимодействия интеллектуальных агентов нижнего уровня, реализуемые агентами-координаторами.

К наиболее важным механизмам и принципам функционирования естественных иммунных систем, отличающих их от других биологических систем обработки информации и делающие их особо привлекательными при решении задач технического мониторинга сложными рассредоточенными объектами, являются: механизм селективного клонового размножения для динамического контроля иммунных клеток, механизм распределенной классификации и распознавания образов на принципах селективного клонирования, механизм принятия решений на основе принципов отрицательного и положительного отбора.

Механизм контроля размножения агентов в гибридной системе мониторинга представлен на рис. 7.

Сырые данные

Поереждение 1

Повреждение 2

Daroaq.e Detected

Повреждение 3

МЛ

Повреждение п

I t

[Агенты-

исполнители

I.JL

!етки памяти

Отчет о повреждении

- тип

- расположение

- пострадавшая область

Й I

Умирает, если не был активирован в течение жизни

Мобильный агент, настроенный на образ п

Рис. 7. Иллюстрация адаптивного управления популяцией агентов

В четвертой главе «Программно-аппаратная реализация системы мониторинга и управления прйродно-техническими объектами» в разделе 4.1 проведен эксперимент иммунного распознавания образов (ИРО) механических колебаний в различных точках железнодорожных мостов.

Образы механических колебаний представляют собой признаковые вектора, извлеченные из динамических данных мониторинга. Признаковый вектор формируется посредством быстрого преобразования Фурье и представляет собой 32-разрядную спектрограмму.

Эффективность описанной модели ИРО тестировалась с использованием экспериментальной базы данных, предложенной Американским обществом гражданских инженерных сооружений (ASCE). В обучающую выборку модели PIPO вошли различные образы колебаний, характеризующие нормальные и аварийные состояния конструкции. Проведенные эксперименты показали успешное (100 %) распознавание аварийных образов.

Для иллюстрации признакового пространства модели векторы соответствующих образов данных построены по первым трем главным компонентам и приведены на рис. 8.

Рис. 8. Признаковые вектора экспериментальных данных

В разделе 4.2 выбирается канал передачи информации: частотный диапазон и мощность передатчика. Обоснован выбор стандартного протокола беспроводной связи - 802.15.4/ ZigBee,

В разделе 4.3 рассматривается автоматизированная беспроводная система мониторинга природно-технических объектов (АБСМ). Обосновывается периодический тип функционирования сети на уровне управления доступом, выбирается маячковый режим организации трафика данных. Устанавливаются режимы синхронизации и шифрования данных. Раскрывается структура информационной посылки. Подробно рассматриваются цели, задачи и функции ) АБСМ, программно-аппаратное обеспечение. Приведены данные по внедрению АБСМ на пилотных объектах.

В заключении приведены основные результаты работы, которые отражены в следующих пунктах.

1. Обоснована необходимость, разработаны принципы работы и свойства АБСМ. Система выполняет две функции: мониторинг и управление, что позволяет обеспечить ЛПР своевременной и полной информацией об объекте исследования, сформировать вектор управляющих воздействий. Данный ' механизм систематизирует усилия всех уровней управления и сопричастных сфер деятельности по планированию и проведению регламентных работ по J мониторингу состояния искусственных сооружений на железнодорожном транспорте.

2. Разработан организационный человеко-машинный механизм оценки состояния искусственных сооружений на железнодорожном транспорте, включающий: методику экспертной системы оценивания, машинные процедуры принятия решений.

3. Систематизированы и развиты модели описания сложных динамических процессов, характеризующих динамику среды и собственно исследуемого ИС. Показаны возможность и необходимость формализации процедур принятия решений в системах мониторинга и управления ИС на основе использования аппарата теории нечетких множеств.

Это позволило повысить точность математического описания объекта и системы управления и обеспечить ее технологическую эффективность.

4. Обоснована необходимость и раскрыта сущность использования мультиагентных иммунологических систем АБСМ, а именно:

- разработан новый класс моделей интеллектуальных агентов для иммунологических мультиагентных СТМ, ориентированных на решение задач, связанных с диагностикой распределенных технических объектов;

- разработаны наиболее важные теоретические аспекты проблемы обеспечения взаимодействия агентов верхнего уровня СТМ при решении задач распределенного мониторинга сложных технических объектов.

Решение этих вопросов обеспечивает системе защиту от внешних непрогнозируемых возмущений и внутренних поломок.

Основные положения диссертации опубликованы в работах:

Статьи в периодических научных рецензируемых изданиях, рекомендованных ВАК:

1. Ададуров, С.Е. Интеллектуальная система мониторинга искусственных сооружений / С.Е. Ададуров, В.А. Шабельников // «Мир транспорта», 2009.-№3(27).-С. 32-37.

2. Бутакова, М.А. Модель телекоммуникационного канала в виде системы массового обслуживания / М.А. Бутакова, В.А. Шабельников // Тезисы докладов Седьмого всероссийского симпозиума по прикладной и промышленной математике. Ч. 2. // Обозрение прикладной и промышленной математики. М.: Изд-во «ТВиП», т. 14, вып.2, 2006. - С. 279-280.

3. Шабельников, А.Н. Нейросетевые и нечетко-логические модели временных процессов / А.Н. Шабельников, В.А. Шабельников // Известия ЮФУ. Технические науки. Тематический выпуск «Интеллектуальные САПР». - Таганрог: Изд-во ТТИ ЮФУ, 2007. - №2 (77). - С. 170-174.

4. Шабельников, А.Н. Поиск аномалий в технических базах данных временных рядов / А.Н. Шабельников, В.А. Шабельников / Известия ЮФУ. Технические науки. Тематический выпуск «Интеллектуальные САППР». -Таганрог: Изд-во ТТИ ЮФУ, 2008. - №4. - С. 167 - 173.

5. Шабельников, В.А. Система мониторинга потенциально опасных объектов инфраструктуры // «Автоматика, связь, информатика», 2011. -№3. - С. 16-17.

6. Шабельников, В.А. Анализ и разработка методов прогнозирования тенденций изменения грузопотока в транспортной системе / В.А. Шабельников, A.A. Сычев // Известия высших учебных заведений. Северо-Кавказский регион. Технические науки, 2007.- №6. - С. 56 - 59.

7. Шабельников, В.А. Мульти-агентная искусственная иммунная система для адаптивной регистрации повреждений в распределенной сети мониторинга // Вестник ВГТУ, 2011. - № 2. - С. 153 - 160.

Другие издания:

1. Бутакова, М.А. Моделирование сервера приложений на основе теории очередей и нечеткой логики средствами MATLAB и SIMULINK / М.А. Бутакова, В.А. Шабельников // Труды. Всероссийской научно-практической конференции «Транспорт - 2006». - Ростов н/Д: РГУПС, 2006.-С. 76-78.

2. Шабельников, А.Н. Интеллектуальные системы распределенного мониторинга на основе беспроводных сенсорных сетей с использованием системы мобильных объектов / А.Н. Шабельников, С.М. Ковалев, В.А. Шабельников II Сб. науч. трудов V-ой междунар. науч.-практ. конф. «Интегрированные модели и мягкие вычисления в искусственном интеллекте». Т.2. - Коломна, 2009. - С. 538 - 543.

3. Шабельников, В.А. Автоматизированная система управления и мониторинг состояния железнодорожных мостов / В.А. Шабельников // Актуальные проблемы развития железнодорожного транспорта. — Ростов н/Д: Рост. гос. ун-т путей сообщения, 2009. - С. 218 - 223.

4. Шабельников, В.А. Использование мобильных агентов распределенных систем контроля напряженно-деформированных состояний / В.А. Шабельников / Сборник тезисов докладов 68-й студенческой научно-

практической конференции. - Ростов н/Д: Рост. гос. ун-т путей сообщения, 2009. - С. 22 - 23.

5. Шабельников, В.А. Комплексная система управления рисками, задачи мониторинга на транспорте / В.А. Шабельников, H.A. Скнарина / Сборник тезисов первой международной научно-практической конференции «Интеллектуальные системы на транспорте». - СПб. : Петербург, гос. ун-т, путей сообщения, 2011.- С. 17.

6. Шабельников, В.А. Компьютерная модель для исследования кода Хэмминга / В.А. Шабельников, Н.И. Гриненко, A.A. Карякин, В.А. Кандалов // Труды РГУПС, №1,2009. - С. 80 - 85.

7. Шабельников, В.А. Нечеткая логика в управлении движением и электродвигателями / В.А. Шабельников, О.М. Харсеев // Сборник тезисов докладов 65-й студенческой научно-практической конференции. - Ростов н/Д: Рост. гос. ун-т путей сообщения, 2006. - С. 31 - 32.

8. Шабельников, В.А. Нечеткая логика в управлении электродвигателями / В.А. Шабельников // Актуальные проблемы информатики и информационных технологий. Материалы X Международной научно-практической конференции. - Тамбов, 2006. - С. 159 — 159.

9. Шабельников, В.А. Оптимизация алгоритмов работы беспроводных сенсорных сетей мониторинга состояния железнодорожных объектов / В.А. Шабельников // Сборник тезисов докладов 67-й студенческой научно-практической конференции. - Ростов н/Д: Рост. гос. ун-т путей сообщения, 2008.-С. 17-18.

10. Шабельников, В.А. Применение теории нечетких множеств при разработке беспроводных сенсорных сетей / В.А. Шабельников // Сборник тезисов докладов 67-й студенческой научно-практической конференции. - Ростов н/Д: Рост. гос. ун-т путей сообщения, 2008. - С. 15-16.

11. Шабельников, В.А. Разработка беспроводной сенсорной сети для мониторинга состояния объектов / В.А. Шабельников, Д.Ю. Елисеев, В.М. Скобло // Сборник тезисов докладов 68-й студенческой научно-практической конференции. - Ростов н/Д: Рост. гос. ун-т путей сообщения, 2009. - С. 24 - 25.

12. Шабельников, В.А. Разработка компьютерной модели по исследованию кодов Хэмминга / В.А. Шабельников В.А. Кандалов // Сборник тезисов докладов 66-й студенческой научно-практической конференции. - Ростов н/Д: Рост. гос. ун-т путей сообщения, 2007. - С. 7.

13. Шабельников, В.А. Система мониторинга и анализа состояния искусственных сооружений на железнодорожном транспорте / В.А.

Шабельников, A.B. Денисов, A.C. Сарьян // Молодой ученый, 2010. -№8. - С. 34-38.

Шабельников, В.А. Нечеткая логика в задачах мониторинга и управления состоянием искусственных сооружений на железнодорожном транспорте / В.А. Шабельников // Сборник научных трудов VI-й Международной научно-практической конференции «Интегрированные модели и мягкие вычисления в искусственном интеллекте». - Коломна, 2011. - С. 828 -831.

Шабельников Вадим Александрович

Автореферат диссертации на соискание ученой степени кандидата технических наук

Подписано в печать 27. 05.2044Л Формат 60x84/16. Бумага офсетная. Печать офсетная. Усл. печ. л. 1,25. Уч.-изд. л. 1,0. Тираж 100 экз. Заказ №5604.

Ростовский государственный университет путей сообщения. Ризография РГУПС.

Адрес университета: 344038, г. Ростов н/Д, пл. им. Ростовского Стрелкового Полка Народного Ополчения, 2.

Оглавление автор диссертации — кандидата технических наук Шабельников, Вадим Александрович

Список используемых сокращений.

ВВЕДЕНИЕ.

Глава 1 Состояние систем мониторинга объектов инфраструктуры на железнодорожном транспорте.

1.1 Характеристика объектов мониторинга.

1.2 Существующие системы. Анализ проблем и задач мониторинга.

1.3. Авторская концепция организации мониторинга и управления природно-техническими объектами железнодорожного транспорта.

Выводы по главе 1.

Глава 2 Математические основы синтеза систем мониторинга и управления состоянием искусственных сооружений на железнодорожном транспорте.

2.1 Общая стратегия оценки состояния искусственных сооружений на железнодорожном транспорте.

2.2 Моделирование сети каналов системы мониторинга и управления.

2.3 Систематизация и развитие моделей динамических процессов.

2.4 Нечеткая логика в задачах мониторинга и управления состоянием искусственных сооружений на железнодорожном транспорте.

Выводы по главе 2.

Глава 3 Мультиагентные иммунологические модели в системах мониторинга распределенных технических объектов.

3.1 Общий подход и принципы построения мультиагентных иммунологических систем распределенной обработки информации.

3.2 Модели представления интеллектуальных автономных агентов и классифицирующих алгоритмов в- гибридной системе технического мониторинга.

3.3. Модели представления агентов-координаторов и иммунологические механизмы их взаимодействия в гибридной СТМ.

Выводы по главе 3.

Глава 4 Программно-аппаратная реализация системы мониторинга и управления природно-техническими объектами.

4.1 Иммунное распознавание образов. Эксперимент.

4.2 Выбор беспроводного канала передачи информации.

4.3 Автоматизированная беспроводная система мониторинга природно-технических объектов.

Выводы по главе 4.

Введение 2011 год, диссертация по информатике, вычислительной технике и управлению, Шабельников, Вадим Александрович

Актуальность темы исследования.

Устойчивая тенденция повышения осевых нагрузок и скоростей движения на железнодорожном транспорте актуализирует задачи1 мониторинга динамического воздействия* поездов на земляное полотно, мосты, тоннели, и другие искусственные сооружения (ИС). В настоящее время на сети железных дорог эксплуатируется; 82,6 тысячи искусственных сооружений; из них около 7,7 тысячи дефектных (9,3 %), не соответствуют современным нормам - 50,9 тысячи (62 %), превысили нормативный- срок эксплуатации — 40,3 тысячи мостов (49 %).

Существующие системы мониторинга искусственных сооружений, между тем, отличаются устаревшей технологией анализа состояния ИС, значительным влиянием человека на результаты мониторинга, низкою производительностью, что требует разработки новой концепции мониторинга и управления: состоянием ИС.

Степень разработанности проблемы;

Вопросы автоматизации сложных; объектов и процессов на транспорте рассматривались в трудах Долгого И.Д., В.Н. Иванченко, Э.К. Лецкого, В.М. Лисенкова, В.В. Сапожникова, Вл.В. Сапожникова и др.

Новая концепция беспроводного мониторинга, основанного на беспроводных сенсорных сетях, разрабатывается в трудах А. Боулис, А. Дасгупта, Н. Джаубер, C.B. Дублинга, Д.П. Линч, М. Нилеш, Д. Станкович, К.Р. Фар-рар, X. Харидас, К. Чинталапуди, Д.В: Шевитс и др.

Технологии искусственного интеллекта в исследуемой сфере разрабатывались Л.С. Берштейном, С.М. Ковалевым, А.О. Таракановым; Б.К. Хуан-гом, Б. Ченом, А.Н. Шабельниковым, Дж. Элманом и др.

Проблемы создания информационных систем мониторинга: сложных природных и техногенных объектов на железнодорожном транспорте освещены в трудах: В.М. Круглова, В.А. Коугия, С.И. Матвеева, В.Я. Цветкова, E.H. Розенберга, И.Н. Розенберга, В.А. Явны и др.

Цель и задачи исследования.

Данное диссертационное исследование предпринималось в соответствии со следующей целью: анализ этапов развития и совершенствование систем мониторинга и управления состоянием искусственных сооружений железнодорожного транспорта.

Достижение поставленной цели раскрывается в последовательном решении следующих задач:

3. Развитие математического, программно-технического обеспечения синтезируемой системы.

4. Внедрение результатов диссертационного исследования в научные и практические разработки.

В качестве объекта данного исследования выступают автоматизированные системы мониторинга и управления состоянием объектов железнодорожного транспорта различного назначения (мосты, тоннели, железнодорожное полотно, здания и пр.).

Предметом исследования данной работы являются: технологии мониторинга и управления состоянием объектов, их информационное, программно-математическое, алгоритмическое, техническое обеспечение. Работа выполнена в рамках следующих пунктов паспорта специальности 05.13.06 автоматизация и управление технологическими процессами и производствами (транспорт):

15. Теоретические основы, методы и алгоритмы интеллектуализации решения прикладных задач при построении АСУ широкого назначения (АСУТП, АСУП, АСТПП и др).

Теоретико-методологической основой исследования послужили научные труды отечественных и зарубежных ученых, посвященные вопросам автоматизации сложных объектов, построению математических моделей технологических процессов контроля, диагностики, управления и процедур принятия решений в условиях неопределенности.

Информационно-эмпирическая база исследования формировалась на основе натурных обследований ряда типичных объектов исследования:

- скально-обвально-оползневого косогора КМ 1929 ПК 5-9 перегона Чемитоквадже - Якорная Щель;

- тоннеля №8 КМ 1977 ПК 10 перегона Мацеста - Хоста, данных монографических исследований отечественных и зарубежных ученых, а также информации из разнообразных Интернет-ресурсов и собственных авторских исследований диссертанта.

Для решения выше поставленных задач был использован инструмен-тарно-методологический аппарат, включающий методологию системного анализа, методы и инструменты формализованного анализа: теория распознавания образов, теория нечетких множеств, анализ'временных рядов, теория массового обслуживания, теория искусственных иммунных систем и пр. Программное обеспечение выполнено на языках программирования С# и

МАТЬАВ, ЗО-модели объектов были созданы с использованием языка разметки ХАМЬ.

Основные положения, выносимые на защиту.

- методику экспертной системы оценивания;

- машинные процедуры принятия решений.

2. Модели описания сложных динамических процессов, характеризующих динамику среды и собственно исследуемого ИС. В данном направлеI нии выполнено следующее:

I - предложен авторский метод идентификации тенденций изменения временных рядов, основанный на использовании аппарата теории распознавания образов, и позволяющий осуществить поэтапную адаптацию моделей и процедур принятия решений;

- исследованы интеллектуальные технологии анализа временных рядов.

- введен соответствующий категориальный аппарат исследования;

-разработана общая структура системы принятия решений, использующая нечеткую логику;

- проиллюстрирована возможность учета психофизиологических качеств ЛПР при формировании баз знаний.

Научная новизна диссертационного исследования- заключается в следующих предложениях автора.

Апробация и внедрение результатов исследования. Результаты диссертационного исследования докладывались на семинарах кафедры «Информатика» РГУПС, на международных научно-практических конференциях «Актуальные проблемы информатики и информационных технологий» (г. Тамбов, 2005, 2006 гг.), «Интеллектуальные системы на транспорте» (г. Санкт-Петербург, 2011 г.) и «Интегрированные модели и мягкие вычисления в искусственном интеллекте» (г. Коломна, 2009 г.), международном конгрессе по интеллектуальным системам и информационным технологиям «AIS-IT» (г. Дивноморск, 2010 г.), всероссийских научно-практических конференциях и симпозиумах «Транспорт - 2006» (г. Ростов-на-Дону) и «Седьмой всероссийский симпозиум по прикладной и промышленной математике» (г. Москва, 2006 г.), Российской выставке научно-технического творчества молодежи (г. Москва, НТТМ - 2010 г.), отраслевых выставках ОАО «РЖД» и ОАО «НИИАС» (г. Москва, г. Санкт-Петербург).

Структура и объем работы. Диссертационное исследование последовательно раскрывает цель и задачи исследования и состоит из введения, четырех глав, включающих 13 параграфов, заключения, списка использованных источников, включающего 147 наименований и приложения. Работа проиллюстрирована 52 рисунками, 7 таблицами. Общий объем диссертации составляет 164 страницы основного текста.

Заключение диссертация на тему "Автоматизация процессов мониторинга объектов железнодорожной инфраструктуры на основе мультиагентных иммунологических систем"

Выводы по главе 4

1. Проведены эксперименты иммунного распознавания образов реакций пролетного строения моста на возмущения. Вынесен положительный вердикт об использовании данного алгоритма в задаче определения предава-рийных состояний строительных сооружений.

2. Для организации работы беспроводной сенсорной сети выбран частотный диапазон канала передачи информации и максимальная мощность передатчиков радиосети.

3. Обоснован выбор протокола передачи данных, периодического типа функционирования беспроводной сети, маячкового режима организации трафика.

4. Рассмотрены цели, задачи и функции автоматизированной беспроводной системы мониторинга природно-технических объектов.

5. Рассмотрены особенности внедрения АБСМ на пилотных объектах.

Заключение

На основе анализа состояния искусственных сооружений (ИС) железнодорожного транспорта России, обзора существующих систем мониторинга объектов транспортной инфраструктуры обоснована необходимость разработки автоматизированной системы мониторинга и управления (АБСМ), основанной на использовании современных технологий интеллектуальной обработки данных и реализованной с помощью беспроводных сенсорных сетей.

В работе исследованы свойства, разработаны принципы работы АБСМ. Выявлены требования, предъявляемые к данной системе: интеллектуальность; универсальность; возможность организации работы сенсорной сети на пространственно протяженных объектах; высокая рентабельность системы; высокая чувствительность датчиков; организация работы сети мониторинга в реальном масштабе времени; высокая скорость и удобство установки сенсорных узлов на объекте.

Система выполняет две функции: мониторинг и управление, что позволяет обеспечить ЛПР своевременной и полной информацией об объекте исследования, сформировать вектор управляющих воздействий. Данный механизм систематизирует усилия всех уровней управления и сопричастных сфер деятельности по планированию и проведению регламентных работ по мониторингу состояния искусственных сооружений на железнодорожном транспорте.

Разработан организационный человеко-машинный механизм оценки состояния искусственных сооружений на железнодорожном транспорте, который включает методику работы экспертной системы оценивания, машинные процедуры принятия решений о состоянии ИС, что позволяет значительно облегчить процедуру ревизии ИС в отрасли и четко регламентировать работы по улучшению их состояния.

Систематизированы модели описания сложных динамических процессов, характеризующих динамику среды и собственно исследуемого ИС. Это позволило повысить точность математического описания объекта и системы управления и обеспечить ее технологическую эффективность.

В качестве базовых моделей предложены модели временных рядов. В данном направлении выполнено следующее:

- предложен авторский метод идентификации тенденций изменения временных рядов, основанный на использовании аппарата теории распознавания образов, и позволяющий осуществить поэтапную адаптацию моделей и процедур принятия решений;

- исследованы интеллектуальные технологии анализа временных рядов.

Систематизация и развитие методов моделирования временных рядов позволила обеспечить анализ реальных процессов с различной степенью неопределенности, стационарности и зашумленности, то есть обеспечить исследование всего спектра процессов, характеризующих динамику состояния ИС.

Показаны возможность и необходимость формализации процедур принятия решений в системах мониторинга и управления ИС на основе использования аппарата теории нечетких множеств. В частности:

- введен соответствующий категориальный аппарат исследования;

-разработана общая структура системы принятия решений, использующая нечеткую логику;

- проиллюстрирована возможность учета психофизиологических качеств ЛПР при формировании баз знаний.

Этот блок исследований обеспечивает информационный и управленческий «диалог» человека и машины, направленный на реализацию взаимного обучения. Человек передает разрабатываемой системе свои знания о проблеме и опыт управления состоянием ИС, а машина обогащает человека результатами функционирования машинного интеллекта.

Разработаны базовые принципы и общий подход к построению нового класса систем технического мониторинга (СТМ), основанный на использовании парадигм искусственных иммунных систем и мультиагентных технологий. В этом направлении реализованы следующие задачи:

- для целей формирования локальных БЗ интеллектуальных агентов и механизма выработки диагностических решений предложено использовать технологию мягких вычислений, и разработана общая схема применения данной технологии;

Решение этих вопросов обеспечивает системе защиту от внешних непрогнозируемых возмущений и внутренних поломок, а также снабжает систему вычислительными средствами нового поколения — распределенная вычислительная сеть.

Теоретические исследования апробированы на имитационных моделях, в лабораторных экспериментах и на реальных объектах внедрения. В частности:

- проведены эксперименты иммунного распознавания образов реакции пролетного строения моста на внешние возмущения в результате чего вынесен положительный вердикт об использовании данного алгоритма в задаче определения предаварийных состояний строительных сооружений;

- для организации работы беспроводной сенсорной сети выбраны: частотный диапазон канала передачи информации, максимальная мощность передатчиков радиосети, протокол передачи данных, периодического типа функционирования беспроводной сети, маячкового режима организации трафика;

- рассмотрены особенности внедрения АБСМ на двух пилотных объектах Северо-Кавказской железной дороги.

Библиография Шабельников, Вадим Александрович, диссертация по теме Автоматизация и управление технологическими процессами и производствами (по отраслям)

1. Абовский, Н. П. Нейроуправляемые конструкции и системы / Н. П. Абовский. - М.: Радиотехника, 2003. — 368 е.: ил.

2. Ададуров, С.Е. Железнодорожный- транспорт: на пути к интеллектуальному управлению. Монография / С.Е. Ададуров, В.А. Гапанович, H.H. Лябах, А.Н. Шабельников // Южный научный центр РАН, НИИАС. -Ростов н/Д, 2010. 322 с.

3. Ададуров, С.Е. Интеллектуальная система мониторинга искусственных сооружений / С.Е. Ададуров, В.А. Шабельников // «Мир транспорта», 3 (27), 2009. С. 32 37. '

4. Бажанов, Ю.С. Оптимизация баз знаний экспертных систем с применением нейронных нечетких сетей / Ю.С. Бажанов, A.B. Бухнин // Нейрокомпьютеры: разработка, применение, № 11.- 2007.

5. Батыршин, И.З. Основные операции нечеткой логики и их обобщение / И.З. Батыршин, Казань: Отечество, 2001. - 102 с.

6. Берштейн, JI.C. Нечеткие модели принятия решений: дедукция, индукция, аналогия. Монография^ Л.С. Берштейн, A.B. Боженюк // Таганрог: Изд-во ТРТУ, 2001. - 1 Юс.

7. Бутакова, М.А. Разработка оптимальных алгоритмов функционирования технологических объектов, представляемых открытыми системами: Дис. Канд. техн. наук. / М.А. Бутакова Ростов н/Д, 1996. - 175 с.

8. Воронин, B.C. Интеллектуальные системы на железнодорожном транспорте / B.C. Воронин // Железнодорожный транспорт, № 3, 2009.

9. Гапанович, В.А. Интеллектуальные железнодорожные системы: состояние и направления развития / В.А. Гапанович, A.A. Поплавский // Железнодорожный транспорт, № 11,- 2009.

10. Денисов, A.B. Оценка компетентности эксперта в экспертной системе / A.B. Денисов // Журнал ОПиПМ, 2009. т.16, в.1. - С. 142-143.

11. Заде, JI.A. Роль мягких вычислений-м нечеткой логики в понимании, конструировании и развитии информационных интеллектуальных систем / JI.A. Заде // Новости искусственного интеллекта. № 2. 2001. С. 711.

12. Заде, JI.A. Математика сегодня. Основы нового подхода к анализу сложных систем и процессов принятия решений / JI.A. Заде. — М.: Знание, 1974.- С. 5-49.

13. Ивашкин, Ю.А. Теория и практика агентного моделирования «живых» систем / Ю.А. Ивашкин // Труды Конгресса по интеллектуальным системам и информационным технологиям, 2-9 сентября, 2010 года, т. 1. — Москва: Физматлит, 2010.

14. Инструкция по содержанию искусственных сооружений. М. Транс: порт, № 1999.

15. Интеллектуальные транспортные системы: перспективы развития // Железнодорожный транспорт, № 5, 2009.

16. Ковалев, С.М. Гибридные коннекционисткие модели извлечения темпоральных знаний в информационных базах данных / С.М. Ковалев //i

17. Интегрированные модели и мягкие вычисления в искусственном интел-| лекте. Сб. научн. тр. V Международной научно-практической конференции. Т1. М.: Физматлит, 2009. С. 30-41.

18. Ковалев, С.М. Модели анализа слабо формализованных динамических процессов на основе нечетко-темпоральных систем / С.М. Ковалев // Изв. вузов. Сев.-Кав. регион. Естественные науки, 2002. № 2. С. 10-13.f

19. Ковалев, С.М. Интеллектуальные модели в системах горочной автоматизации / С.М. Ковалев, A.B. Муравский // Железнодорожный транспорт, №8, 2010. С. 47-50.

20. Ковалев, С.М. Информационные технологии: интеллектуализация обучения, моделирование эволюции, распознавание речи / С.М. Ковалев,i С.И Родзин // Изд-во СКНЦ ВШ. Ростов н/Д, 2002.

21. Левин, Б.А. Геоинформатика транспорта / Левин Б.А., Круглов В.М., Матвеев С.И., Цветков В .Я., Коугия В.А. М.: ВИНИТИ РАН, 2006, 336 с.ь

22. Лябах, H.H. Системы массового обслуживания: развитие теории, методология моделирования и синтеза: монография / H.H. Лябах, М.А. Бута-кова. Ростов н/Д: ЮНЦ РАН, РГУ ПС, 2004. - 200 с.

23. Лябах, H.H. Разработка интеллектуальной системы мониторинга оползневых ситуаций / H.H. Лябах, A.C. Сарьян // Труды конгресса по интеллектуальным системам и информационным технологиям AIS-IT' 10 -Дивноморск, 2010.

24. Лябах, H.H. Техническая кибернетика на железнодорожном транспорте: учебник / H.H. Лябах, А.Н. Шабельников. Ростов н/Д.: Изд-во СевероКавказского научного центра высшей школы. 2002.

25. Лябах, H.H. Алгоритмическое, математическое, информационное обеспечение формирования портфеля инновационных проектов / H.H. Лябах,

26. A.B. Денисов // Известия вузов. Сев.-Кавк. регион. Техн. науки. №1, 2009.

27. Малышев, П.Г. Нечеткие модели для экспертных систем в САПР / П.Г. Малышев, Л.С. Берштейн, A.B. Баженюк. М.: Энергоатомиздат, 1991. - 136 с.

28. Мамаев, Э.А. Основы информационной безопасности и защиты данных: учебное пособие / Э.А. Мамаев. Ростов н/Д: Рост. гос. ун-т путей сообщения, 2004. - 127 с.

29. Мартынов, Р. Локомотивы с интеллектом: на железные дороги выходит «думающая» техника / Р. Мартынов // Гудок, 17 марта 2009, № 45.

30. Мартынов, Р. Удаленный доступ: ученые создали интеллектуальные системы управления движением поездов / Р. Мартынов // Гудок, 17 апреля 2009, № 68.

31. Мастаченко, В.Н. Применение методов искусственного интеллекта в решении строительных задач: учебное пособие для вузов ж.- д. тр-та /

32. B.Н. Мастаченко. М.: ГОУ «Учебно-методический центр по образованию на железнодорожном транспорте», 2007. - 308 с.1 r• дорожном транспорте: учебное пособие для вузов ж.- д. тр-та / С.И.

33. Матвеев, В.А. Коугия, В .Я. Цветков / Под ред. С. И. Матвеева // Высшее1.профессиональное образование. М.: УМК МПС России, 2002.с

34. Мелихов, А.Н. Расплывчатые ситуационные модели принятия решений: î учеб. пособие / А.Н. Мелихов, JI.C. Берштейн, С.Я. Коровин Таганрог:1. ТРТИ, 1986.-92 с.

35. Микони, C.B. Границы применения метода вкладов в задаче определения рейтинга объектов / C.B. Микони // Труды Конгресса по интеллектуальным системам и информационным технологиям, 2-9 сентября, 2010г года, т. 1. Москва: Физматлит, 2010.

36. Микони, C.B. Многокритериальный выбор на конечном множестве альтернатив: учебное пособие / C.B. Микони. СПб.: Лань, 2009. - 272 с.

37. Орлов, А.И. Принятие решений. Теория и методы разработки управленческих решений / А.И. Орлов. М.: ИКЦ «МарТ»; Ростов-н/Д, 2005. -' 496 с.V

38. Поляков, A.A. Прикладная информатика: учебно-методическое посоt1.бие: в 2^х частях / A.A. Поляков, В.Я. Цветков. М.: МАКС Пресс, 2008,-41 -778 е.,42-860 с.

39. Решения Государственной Комиссии по Радиочастотам при Министерстве Связи Российской Федерации (ГКРЧ России) от 29.06.98 №7/6 «Об условиях использования радиочастот в диапазоне 2400 2483,5 МГц».

40. Решения Государственной Комиссии по Радиочастотам при Министерстве Связи Российской- Федерации (ГКРЧ России) от 7 мая 2007 года07.20-03-001 «О выделении полос радиочастот устройствам малого радиуса действия».

41. Розенберг, E.H. Инновационные спутниковые технологии на службе у безопасности движения поездов / E.H. Розенберг // Наука и транспорт, 2007.

42. Ротштейн, А.П. Нечеткий многокритериальный выбор альтернатив: метод наихудшего случая / А.П. Ротштейн // Теория и системы управления. 2009. — № 3.

43. Сазыкин, И. Обследования и испытания сооружений: учебное пособие / И. Сазыкин. М.: РГОТУПС, 2003.

44. Сарьян, A.C. Разработка систем функционирования на железнодорожном транспорте: проблемы, пути развития / A.C. Сарьян // Сборник трудов конференции «Транспорт 2009». - Ростов н/Д, 2009.

45. Семенюта, JI.A. Плановый обвал в тоннеле / JT.A Семенюта // «Гудок», 26 июля 2006.

46. Серебряников, И.В. Новое в ремонте и реконструкции инженерных сооружений / И.В. Серебряников // Евразия Вести, 2007. №8.

47. Соколов, М.Ю. Механизация тоннелепроходческих работ, часть I, Проходческие щиты: учебное пособие / М.Ю. Соколов, А.Н. Коньков, Я.В. Мельник, А.Б. Голубых // СПб.: Петербургский гос. ун-т путей сообщения. 2005-44 с.

48. Фоминых, И.Б. Гибридные интеллектуальные системы на основе темпоральных логических моделей и инженерии образов / И.Б. Фоминых //

49. Шабельников, А.Н. Интеллектуальные системы управления на железнодорожном транспорте. Монография / А.Н. Шабельников. — Ростов н/Д, 2004. -214 с.

50. Шабельников, А.Н. Интеллектуальные системы распределенного мониторинга на основе беспроводных сенсорных сетей с использованиемсистемы мобильных объектов / А.Н. Шабельников, С.М. Ковалев, В.А.

51. Шабельников // Сб. науч. трудов V-ой междунар. науч.-практ. конф.

52. САПР». Таганрог: Изд-во ТТИ ЮФУ, 2007, №2 (77). С. 170-174.

53. Шабельников, А.Н. Поиск аномалий в техничеких базах данных временных рядов / А.Н. Шабельников, В.А. Шабельников / Известия ЮФУ. Технические науки. Тематический выпуск «Интеллектуальные САППР». Таганрог: Изд-во ТТИ ЮФУ, 2008, №4. С. 167 - 173.

54. Шабельников, В.А. Компьютерная модель для исследования кода Хэм-минга / В.А. Шабельников, Н.И. Гриненко, А.А. Карякин, В.А. Кандалов // Труды РГУПС, №1, 2009 / Ростов н/Д: Рост. гос. ун-т путей сообщения, 2009. С. 80 85.

55. Шабельников, В.А. Нечеткая логика в управлении электродвигателями / В.А. Шабельников // Актуальные проблемы информатики и информатизационных технологий. Материалы X Международной научно-практической конференции, 2006.

56. Шабельников, В.А. Комплексная система управления рисками, задачи мониторинга на транспорте / В.А. Шабельников, H.A. Скнарина / Первая международная научно-практическая конференция «Интеллектуальные системы на транспорте», 24-26 марта 2011.

57. Шабельников, В.А. Нечеткая логика в управлении движением и электродвигателями / В.А. Шабельников; О.М. Харсеев // Сборник тезисов докладов 65-й студенческой научно-практической конференции / Ростов н/Д: Рост. гос. ун-т путей сообщения, 2006. С. 31-32.

58. Шабельников, В.А. Автоматизированная система управления и мониторинг состояния железнодорожных мостов / В.А. Шабельников // Актуальные проблемы развития железнодорожного транспорта. Ростов н/Д: Рост. гос. ун-т путей сообщения, 2009.

59. Шабельников, В.А. Разработка компьютерной модели по исследованию кодов Хэмминга / В.А. Шабельников В.А. Кандалов // Сборник тезисов докладов 66-й студенческой научно-практической конференции / Ростов н/Д: Рост. гос. ун-т путей сообщения, 2007. С. 7.

60. Шабельников, В.А. Система мониторинга и анализа состояния'искусственных сооружений на железнодорожном транспорте / В.А. Шабельников, А.В. Денисов, А.С. Сарьян // Молодой ученый, №8. Чита, 2010.

61. Шабельников, В.А. Анализ и разработка методов прогнозирования тенденций изменения грузопотока в транспортной системе / В.А. Шабельников, А.А. Сычев,// Известия высших учебных заведений. СевероКавказский регион. Технические науки, 2007.

62. Шухостанов, В.К. Дистанционная диагностика и мониторинг современных железнодорожных транспортных объектов и систем / В.К. Шухостанов, В.Г. Реутов, М.В. Еремина, JI.A. Ведешин, А.Г. Цыбанов // ArcReview № 4 (47) 2008.

63. Явна, В.А. Антенна для скоростного мониторинга железнодорожного пути / В.А. Явна, 3:Б. Хакиев, В.А. Попов, В.В. Ковдус // Вестник РГУПС 2006. - №2,- С. 20-23.

64. Agrawal'R. and R. Srikant. Fast algorithms for mining association rules. In Proceedings of the 20th VLDB Conference, pages 487 499, 1994.

65. Al-Kasassbeh M. Network fault detection with Wiener filter-based agent / M. Al-Kasassbeh, M. Adda // Journal of Network and Computer Applications 2009. - 824—833 p.

66. Ashkenazi V., Bingley R., Dodson A.H., Pena N., Baker T. GPS monitoring of vertical land movements in the UK. 11th Int. Tech. Meeting of the Satellite Division of the U.S. Inst, of Navigation GPS ION-98, Nashville, Tennessee. 1998.

67. Bakshi B. R., G. Stephanopoulos. Representation of process trends IV. Induction of real-time patterns from operating data for diagnosis and supervisory control. Computers & Chemical Engineering, 18(4), 1994.

68. Boukerche A. An agent based and biological inspired real-time intrusion detection and security model for computer network operations / A. Boukerche, R. Machado, K. Juca, J. Sobral, M. Notare // Computer Communications 2007. - 2649-2660 p.

69. Boulis A., Han C.-C., Srivastava M.B. Design and implementation of a framework for efficient and programmable sensor networks. In: Proceedings of the first international conference on Mobile systems, applications and services MobiSys '03 San Francisco.

70. Carter J.H. The immune system as a model for pattern recognition and classification. Journal of the American Medical Informatics Association 2000;7(1):28-41.

71. Cerpa A., Wong J., Kuang L., Potkonjak M., and Estrin D., Statistical Model of Lossy Links in Wireless Sensor Networks, IPSN, April 2005.

72. Chen B. Monitoring structure's health: applying lessons learned from the immune system, SPIE Newsroom; 2009.

73. Chen B., Zang C. Artificial immune pattern recognition for structure damage classification. Computers & Structures 2009;87(21-22): 1394-407.

74. Chintalapudi Krishna, Jeongyeup Paek, Nupur Kothari, Sumit Rangwala, Ramesh Govindan. Embedded Sensing of Structures: A Reality Check. University of Southern California. Los Angeles, USA. - 2002.

75. Chintalapudi K. Structural Damage Detection and Localization Using

76. NETSHM / K. Chintalapudi, J. Paek, O. Gnawali, T. Fu, K. Dantu // Computier Science and Civil Engineering Depts. Univ. of Southern California. -2006.

77. Choi S.H;, M Y. Chung, M. Yang, T. Kim, J. Park. «An Enhanced Simple-Adaptive Link State Update Algorithm for QoS Routing», IEICE Transac-tions-90-B(l l): 3117-3123 (2007).

78. Colomer J., J. Melendez,.and F. Gamero. Pattern recognition based on episodes and DTW. Application: to diagnosis of a level control system1. In Proceedings 16th International Workshop on Qualitative Reasoning (QR'02),2002:

79. Dasgupta A, Attoh-Okine N. Immunity-based systems: A survey // Presented at the ICMAS workshop on Immunity-Based Systems, Japan, December, 1996.

80. Dasgupta D., Yu S, Majumdar NS. MILA-multilevel immune learning algorithm and its application to anomaly detection. Soft Computing 2005;9(3): 172-84.,

81. Delves P.J., Martin S.J:, Burton D R., Roitt I.M. Roitt's essential immunology. Blackwell Publishing; 2006.

82. EIA, International Energy Statistics database (as of November 2009); web site www.eia.gov/emeu/international. Projections: EIA, World Energy Projection System Plus (2010).

83. Elman J. Finding Structure in Time. COGNITIVE SCIENCE, University of California, San Diego. 14, 179-211 (1990).

84. Elman J.L. (1991) Distributed representations, simple recurrent networks, and grammatical structure. Machine Lear ning, 7, 195 -225.

85. F. Morchen. Time Series Knowledge Mining Dissertation Marburg/Lahn 2006.

86. Farrar C. R. Historical overview of structural health monitoring / C. R. Far-rar // Lecture notes on structural health monitoring using statistical pattern recognition. 2001.

87. Haridas H. Design and Implementation of Railway Bridge Monitoring Application / Department of Computer Science and Engineering, Indian Institute of Technology. Kanpur. - May, 2006.

88. Harmer P.K., Williams P.D., Gunsch G.H., Lamont G.B. An artificial immune system architecture for computer security applications. IEEE Transactions on Evolu- tionary Computation 2002;6(3):252-80.

89. He T., J. Stankovic, C. Lu and T. Abdelzaher. A Spatiotemporal Communication Protocol for Wireless Sensor Networks, IEEE Transactions on Parallel and Distributed Systems, to appear.

90. He T., S. Krishnamurthy, J. Stankovic, T. Abdelzaher, L. Luo, T. Yan, R. Stoleru, L. Gu, G. Zhou, J. Hui and 6. Krogh. VigilNet: An Integrated Sensor Network System for Energy Efficient Surveillance, ACM Transactions on Sensor Networks, to appear.

91. Holland J.H, Holyoak K.J., Nisbett R.E., Thagard P.R. Induction: Processes of inference, learning and discovery. Cambridge: MIT Press, 1986.

92. Holland J.H:,. J.S. Reitman. Cognitive systems based on adaptive algorithms. In : D.A. Waterman , F. Hayes-Roth (Eds.), Pattern-Directed Inference Systems. Academic Press, New York, 1978.

93. Huang B.Q., Tarik Rashid and M-T. Kechadi. Multi-Context Recurrent Neural Network for Time Series Applications // INTERNATIONAL JOURNAL OF COMPUTATIONAL INTELLIGENCE. VOLUME 3, NUMBER 1,2006. p.p. 1304-2386.

94. Jabeur N., Mc Carthy J.D., Xitao X., Graniero P.A. Aknowledge-oriented meta-framework for integrating sensor network infrastructures. Computers & Geosciences 2009:809-19.

95. Kennewell J., A. McDonald. Satellite Communications and Space Weather. IPS Radio and Space Services. .

96. Keogh E., K. Chakrabarti, M. J. Pazzani, and S. Mehrotra. Dimensionality reduction for fast similarity search in large time series databases. Knowledge and Information Systems, 3(3), 2001.

97. Kintner-Meyer M., Brambley M.R. Pros&Cons of wireless. ASHRAE Journal, November 2002.

98. Kumar P.R: «New technological vistas for systems and control: the example of wireless networks,» IEEE Control Systems Magazine, pp. 24-37, Feb. 2001.

99. Lanaridis A., Karakasis V., Stafylopatis A. Clonal selection-based neural classifier. In: Proceedings of the 2008 eighth international conference on hybrid intelligent systems (HIS); 2008, pp. 655-660.

100. Last M., Y. Klein, and A. Kandel. Knowledge discovery in time series databases. IEEE Transactions on Systems, Man, and Cybernetics, 31(1), 2001

101. Levis P., Culler D. Mate: A tiny virtual machine for sensor networks. ACM Sigplan Notices 2002;37(10):85-95.

102. Lynch J. P. A summary review of wireless sensors and sensor networks for structural health monitoring / J. P. Lynch, K. J. Loh // Shock Vib. Dig. -38(2).-2006.-91-128 p.

103. Mendel J., Mouzouris G. Non-Singleton fuzzy logic systems: Theory and application», IEEE Trans. Fuzzy Syst., vol. 5. pp. 56-71, Feb. 1997.

104. Nanopoulos A., R. Alcock, and Y. Manolopoulos. Feature-based clas-sication of time-series data. In N. Mastorakis and S. D. Nikolopoulos, editors, Information processing and technology, pages 49 {61. Nova Science, 2001.

105. Necati Catbas F. Experimental Data from the Benchmark, August, 2006 // http://www.cece.ucf.edu/people/catbas/Bechmark.

106. Negoita M. Artificial immune systems an emergent technology for autonomous intelligent systems and datamining. Autonomous Intelligent Systems: agents and datamining. International Workshop, AIS-ADM2005. In: Proceedings.

107. Nilesh Mishra. Design Issues and Experiences with BRIMON Railway BRIdge MONitoring Project // Indian institute of technology Kanpur. 2006.

108. Paek J. A programmable wireless sensing system for structural monitoring. / J. Paek, O. Gnawali, K.-Y. Jang, D. Nishimura, R'. Govindan // Computer Science Department. University of Southern California. - 2001.

109. Perelson A.S. Theoretical immunology // Lectures in Complex Systems. SFI Studies in the Sciences of Complexity, V.2 (Ed. E.Jen). Addison-Wesley, 1990. P. 465-500.

110. Perelson A.S. Towards a realistic model of the immune system. In: Theoretical Immunology, V. 2 (Ed. A. S. Perelson). SFI Studies in the Sciences of Complexity, V.3. Reading, MA: Addison-Wesley, 1988. P. 377-401.

111. Rizos C., S. Han, C. Roberts, X. Han, H. Abidin, A.D. Wirakusumah. A continuously operating GPS-based volcano deformation monitoring in Indonesia: challenges and preliminary results / Proc. IAG General Assembly. -Birmingham, UK. 2000. - 361-366 p.

112. Roundy S., Univ. of California, Berkeley ; T. Sterken, V. Leonov, imec.

113. Sarafijanovic S., Le Boudec JY. An artificial immune system approach with secondary response for misbehavior detection in mobile ad hoc networks. IEEE Transactions on Neural Networks 2005; 16(5): 1076-87.

114. Shamim N. Design and implementation of scalable wireless sensor network for structural monitoring / N. Shamim, G.L. Fenves, Sukun Kim, D.E. Culler // Journal of infrastructure systems. March, 2008.

115. Stepney S. Embodiment. In: FlowerD, TimmisJ, editors. Silicon Immunology. Springer; 2007.

116. Szumel L., Le Brun, J., Owens, J.D. Towards a mobile agent framework for sensor networks. In:Proceeding sof the second IEEE workshop on embedded networked sensors (IEEECat.No.05EXl 105): 79-879x+l68,2005.

117. Tarakanov A.O. Immunocomputing for intelligent intrusion detection. IEEE Computational Intelligence Magazine 2008; 3(2):22-30.

118. Tsitsiklis J.N. Asynchronous stochastic approximation and Q-learning. Internal Report from Laboratory for Information and Decision Systems-and the Operations Research Center, MIT, 1993.

119. U.S. Department of Energy. Wireless Temperature Sensors for Improved HVAC Control. An assessment of wireless sensor technology. http://www.eere.energy.gov/ femp/.

120. Ultsch A. Knowledge discovery, lecture notes, 2003a. German.

121. Wang X., K. A. Smith, R. Hyndman, and D. Alahakoon. A scalable method, for time series • clustering. Technical report, Department of Econometrics and Business Statistics, Monash University, Victoria, Australia, 2004.

122. Wang, L-X. Generating fuzzy rules by learning from examples (1992), J M Mendel. IEEE Transactions on Systems, Man and Cybernetics.

123. Zhong Y.F., Zhang LP, Huang B, Li PX. An unsupervised* artificial immune classifier for multi/hyperspectral remote sensing imagery. IEEE Transactions on Geoscience and Remote Sensing 2006; 44(2):420-31.

124. Zhu Q., Aldridge S.L., Resha T.N. Hierarchical Collective Agent Network (HCAN) for efficient fusion and management of multiple networked sensors. Information Fusion 2007:266-80.

125. ZIGBEE SPECIFICATION. ZigBee Document 053474rl3. December 1, 2006 3:10 pm. http://www.zigbee.org.

126. ZigBit™ Amp OEM Modules ZDM-A1281-PN/PN0 (MNZB-A24-UFL/U0). Product Datasheet. - MESHNETICS. - March, 2008.

127. ZigBit™ OEM Modules ZDM-A1281-B0 (MNZB-24-B0/A2). Product Datasheet. - MESHNETICS. - March, 2008.

Похожие работы

Информатика, вычислительная техника и управление
05.13.00