автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Обработка данных и знаний управления пожарной безопасностью промышленных объектов

На правах рукописи

Шварц-Зиндер Сергей Николаевич

ОБРАБОТКА ДАННЫХ И ЗНАНИЙ УПРАВЛЕНИЯ ПОЖАРНОЙ БЕЗОПАСНОСТЬЮ ПРОМЫШЛЕННЫХ ОБЪЕКТОВ

Специальность: 05.13.01 - "Системный анализ, управление и обработка информации (промышленность) - технические науки "

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

ИРКУТСК-2003

Работа выполнена в Иркутском Государственном Университете путей сообщения

Научный руководитель -

д.т.н., профессор Краковский Юрий Мечеславович

Официальные оппоненты:

д.т.н., профессор Носков Сергей Иванович д.т.н., профессор Тятюшкин Александр Иванович

Ведущая организация:

Иркутский Государственный Технический университет

Защита диссертации состоится «25» сентября 2003 г. в 13 часов на заседании диссертационного совета (шифр Д 218.004.01) в Иркутском Государственном университете путей сообщения по адресу: г. Иркутск, ул. Чернышевского, 15.

С диссертацией можно ознакомиться в библиотеке Иркутского государственного университета путей сообщения.

Отзывы в двух экземплярах, заверенные печатью учреждения, просим направлять по адресу диссертационного совета.

Автореферат разослан августа 2003 г.

Ученый секретарь диссертационного совета доктор технических наук

Н.П. Деканова

ш ¡«КО?

9631

--ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы

В Федеральном законе "О пожарной безопасности", принятом Государственной Думой 18 ноября 1994 года, говорится о том, что обеспечение пожарной безопасности является одной из важнейших функций государства. При этом под пожарной безопасностью понимают состояние защищенности от пожаров личности, имущества, общества и государства.

Государственная противопожарная служба МЧС является сложной социально-экономической системой, поэтому изучать процесс ее функционирования нужно с помощью современных методов системного анализа.

Для решения вопросов, связанных с совершенствованием оперативной обстановки с пожарами на объектах различного функционального назначения, необходимо располагать прежде всего соответствующей информацией. Несомненно, что эффективным средством совершенствования пожарной безопасности на данной категории объектов является применение новых информационных технологий, которое до настоящего времени носило локальный характер, имело ограниченно положительный эффект.

Во многом это объясняется отсутствием общей концепции информатизации, необходимых данных, научно-обоснованных моделей и методик подготовки и принятия решения по организации деятельности, современной технологии, а также прогрессивных приемов организации и ведения работ по обеспечению пожарной безопасности в условиях применения новых информационных технологий.

Обеспечение противопожарной устойчивости объектов - сложный и многофункциональный механизм. Возникновение в нем любой нештатной ситуации, связанной с пожаром, аварией и т. д., ведет к сбою в работе большого организма. Для того чтобы этот сбой был минимальным, а ликвидация инцидента была произведена тактически грамотно и в максимально сжатые сроки, необходимо создание системы методов и средств интеллектуальной поддержки для задач управления пожарной безопасностью.

Предметом исследования является изучение текущего положения по созданию и функционированию средств подготовки и обработки данных, знаний для задач обеспечения пожарной безопасности на объектах различного функционального назначения.

Цель диссертационной работы состоит в разработке средств извлечения, формализации и структурирования экспертной информации для подготовки и принятия управленческих решений по вопросам обеспечения пожарной безопасности, создании гибкой экспертной диагностической оболочки.

РОС. ним»,И' ,м V;! БИ1. '„,>;т \

ГС Г.\ и, г- р! РК

Задачи исследования:

1. Изучение состояния разработки методов и средств интеллектуальной поддержки принятия управленческих решений по обеспечению пожарной безопасности.

2. Разработка и обоснование методов представления и обработки экспертной информации в выбранной предметной области.

3. Разработка механизмов использования понятия вероятностей для моделей принятия решений.

4. Создание и апробация методик извлечения экспертной информации.

5. Создание легко адаптируемого и настраиваемого инструментария получения и обработки экспертной информации по управленческим задачам.

Научная новизна работы: В диссертации решен ряд специализированных прикладных задач системного анализа и получены следующие результаты:

1. Предложен экспертный вариант подхода к решению задачи оценки уровня пожарной опасности объектов железнодорожного транспорта.

2. Разработаны механизмы вывода в базах знаний оперативно-советующих экспертных систем типовых ситуаций по вопросам пожарной безопасности на объектах МПС.

3. Предложен метод обучения и адаптации системы поддержки принятия управленческих решений в области пожарной безопасности.

4. Разработаны частные методики организации работы инженеров по знаниям и экспертов в области пожарной безопасности:

- оценки компетентности экспертов в выбранной предметной области

- формирования экспертных групп

- определения возможностей потенциальных экспертов по пожарной безопасности.

Практическая ценность работы заключается в том, что созданная гибкая экспертная диагностическая оболочка «ДАРШ» может быть использована для интеллектуальной поддержки обоснования и принятия управленческих решений по вопросам обеспечения пожарной безопасности на объектах различного назначения.

Апробация работы. Основные результаты диссертационной работы докладывались на межкафедральных семинарах ВСИ МВД России (1998 -2003), на заседаниях Ученого Совета ВСИ МВД России (1999-2003), на всероссийской конференции "Новые информационные технологии в практике правоохранительных органов Санкт-Петербург", 1998), всероссийской научно-практической конференции "Актуальные проблемы предупреждения и тушения пожаров на объектах и в населенных пунктах" (Москва, 1999), на Всероссийской научно-практической конференции "Актуальные проблемы пожарной безопасности" (Иркутск, 1996 г.), на первой межвузовской научно-практической конференции "Проблемы управления в государственной противопожарной службе и органах внутренних дел" (Иркутск, 1996 г.), на открытой межвузовской научно-

практической конференции "Проблемы деятельности правоохранительных органов и противопожарной службы" (Иркутск, 1997 г.), на Всероссийском научно-практическом семинаре "Деятельность и взаимодействие силовых структур по ликвидации последствий чрезвычайных ситуаций " (Иркутск, 1999г.), на научно-практической конференции "Перспективы совершенствования деятельности ОВД и ГПС" (Иркутск, 2000, 2001, 2002, 2003 г.), на 4-ой международной конференции "Лесные и степные пожары" (Томск, 2001г.), на межкафедральном семинаре в Государственном Университете Министерства путей сообщения (Иркутск, 2003 г.).

Публикации. Результаты диссертационного исследования опубликованы в двадцати трех научных работах.

Реализация результатов исследования. Материалы диссертационного исследования использованы:

1. При выявлении экспертов для решения управленческих задач по различным направлениям обеспечения пожарной безопасности региона Сибири и Дальнего Востока.

2. На факультативных занятиях и в учебном процессе со слушателями выпускных курсов факультета пожарной безопасности Восточно-Сибирского Института МВД России.

3. При проведении экспресс-опросов по выявлению проблем в области пожарной безопасности региона Сибири и Дальнего Востока, проводимых по заявкам практических органов Государственной противопожарной службы (ГПС) МЧС.

4. В практической деятельности УГПС МЧС Иркутской и Кемеровской областей, республики Бурятия, подразделений Иркутского и Приморского отрядов ведомственной охраны по ПТЧ ФГП МПС России, что подтверждается актами о внедрении.

5. Программный диагностический комплекс "ДАРШ получил свидетельство об официальной регистрации Российского агентства по патентам и товарным знакам (Роспатента) (Свидетельство № 2003610529 от 27.02.03).

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и приложения. Общий объем диссертации составляет 142 страницы, в том числе 15 рисунков, 20 таблиц, списка литературы из 144 источников и приложения.

Основное содержание работы

Во введении обоснована актуальность проблемы, сформулированы цель и задачи исследования, изложены научная новизна и практическая значимость полученных результатов, приведены основные положения, выносимые на защиту.

Первая глава "Современное состояние разработки методов и средств интеллектуальной поддержки" посвящена обзору текущего применения средств обработки данных и знаний в задачах управления пожарной безопасностью.

Несмотря на большое количество существующих в мире экспертных систем и оболочек в различных сферах применения, информация о них в настоящее время носит разрозненный характер. Описания данных аналогов содержатся в большом количестве литературных источниках, что существенно затрудняет работу по их изучению. Кроме того, отсутствует систематизация систем экспертного типа по основным параметрам их создания и функционирования. Приведенные выше проблемы существенно тормозят процесс использования экспертных оболочек, их внедрения в другие области приложения, в частности для автоматизации государственной деятельности по обеспечению пожарной безопасности.

В ходе проведенных исследований изучены технические описания и характеристики 91 аналога экспертных систем и скелетных оболочек. Произведена их систематизация по основным параметрам. Результатом проведенной работы стало создание сводной

квалификационной таблицы. Полученные результаты позволяют облегчить процесс подбора интересующих пользователя инструментальных средств. Проведенная систематизация использовалась в дальнейшем для адаптации скелетных экспертных оболочек к различным направлениям совершенствования пожарной безопасности. Анализ показывает ограниченный характер возможности использования известных вариантов экспертных оболочек для выбранной предметной области. Существует реальная потребность создания авторского варианта легко адаптируемой диагностической экспертной системы. Наиболее целесообразным признано создание диагностических систем экспертного типа.

Для современных интеллектуальных систем характерно наличие дружественных интерфейсов. В ходе исследований были проанализированы особенности интерфейсного обеспечения известных инструментальных экспертных средств, с разработкой примеров интерфейсного диалога с помощью отобранных языков отображения знаний (ЯПЗ).

Вторая глава "Структурирование и обработка экспертной информации для принятия управленческих решений " посвящена созданию механизмов извлечения и переработки информационных экспертных массивов.

Для оценки состояния уровня пожарной безопасности объектов железнодорожного транспорта можно предложить экспертный механизм классификационного типа (модели, основанные на теории принятия решений). Он предполагает возможность использования подходов, обладающих рядом преимуществ по сравнению с традиционными методами решения такого класса задач. Отличительные особенности данного подхода: возможность работы с информацией, характеризуемой качественными показателями, наглядность и естественность восприятия выходных результатов. Общая схема алгоритмов индуктивного обучения по примерам имеет следующий вид. Исходными данными для управления алгоритмами служит множество примеров, а выявляемые на основе исходных данных закономерности представляются в виде решающего дерева.

Множество примеров Е включает в себя описания объектов. Эти описания, в свою очередь, состоят из двух частей, описания значений признаков, которыми характеризуется данный объект, и описания класса, к которому он принадлежит.

Множество признаков можно обозначить через А, множество значений признака ¡е А - через , а множество классов, на которые разбиты примеры из Е°, - через С. Решающее дерево - связной граф без циклов, внутренние вершины которого помечены признаками ¡еА, а листьевые - классами множества в. Каждой дуге, выходящей из вершины и соответствует одно из значений Решающее дерево предназначено для определения класса

новых (не принадлежащих к множеству Е®) объектов. Для нового объекта по значению признака, приписанного корневой вершине решающего дерева, определяется дуга, соответствующая этому значению. Если вершин, прикрепляемая по этой дуге, листьевая, то данный объект относится к классу, которым помечена эта вершина. В противном случае процедура определения нужной дуги и движения по ней в низлежающую вершину повторяется.

Произведенный сравнительный анализ логического аппарата представления знаний для ряда известных экспертных оболочек позволяет сделать вывод о предпочтительности использования модальной логики. Данная логика наиболее приемлема для систем искусственного интеллекта, в том числе и для представления правдоподобных рассуждений. Прежде всего, это относится к тем случаям, когда достаточно качественного понятия вероятности: "вероятно", "более вероятно", "менее вероятно" и т.п. Поэтому применительно к экспертным системам управленческого типа оптимальным представляется построение логики с оператором Ь:1А. Это читается, как "А является правдоподобной относительно имеющегося знания гипотезой". Количественных оценок степеней правдоподобия нет, но их различие удается передать за счет итерации операторов: 1ХА слабее, чем НА, и вообще, V, где п - число операторов перед А, слабее, чем если т<п. Для этой логики дается разрешающая процедура, позволяющая установить, следует ли некоторое утверждение из множества других утверждений или является ли некоторое утверждение необходимо истинным.

Одним из типов проблем, решаемых с помощью интеллектуальных систем поддержки принятия решений реального времени (СППР РВ), являются неструктурированные или качественно выраженные проблемы, содержащие лишь описание важнейших ресурсов, признаков и характеристик, количественные зависимости между которыми совершенно неизвестны. Существует технология подкрепленного обучения, активно используемая для обучения систем принятия решений по марковским моделям. Для исправления недостатков методов подкрепленного обучения можно предложить метод обучения и адаптации. Информация, на основе которой осуществляется обучение и адаптация, определяется не только с помощью лабораторных исследований, но и экспертов, и отражает их субъективное мнение, что вносит дополнительную неопределенность. В качестве выплат, используемых для управления обучением, используется

поощрение при выборе лицом, принимающим решение (ЛПР), одного из предложенных ему вариантов действий для разрешения проблемной ситуации. Схема работы интеллектуальной системы должна иметь в своем составе модуль обучения. В этой системе вывод осуществляется на основе связанных предысторией прецендентов, результат предлагается в виде описания сходной ситуации, действия, произведенного для ее исправления, и коэффициента уверенности в близости найденной сходной ситуации.

Для существенного сокращения окна предыстории можно предложить не грубую предысторию (все предшествующие вектора значений параметров), а только изменения параметров, которые явились причиной действий со стороны ЛПР, зафиксированные за время, данное реакции ЛПР на события, М последних действий пользователя. Такая предыстория позволяет не упустить возможную причину действий пользователя и выявить причинно-следственные и временные зависимости.

База эталонных ситуаций содержит записи вида (X, Н, А), где X -вектор сенсорных входов, Н - вектор истории, а А - вектор действий, представляет собой набор особым образом отобранных прецендентов, связанных с помощью предыстории переходами из ситуации в ситуацию.

При сопоставлении ситуаций для текущих X' и Н' требуется найти множество пар {АхС^, где вектор действий А соответствует вектору действий сходной ситуации, Сг - фактор уверенности. Может существовать несколько таких пар, поскольку самая близкая ситуация по расстоянию между векторами не всегда является самой близкой по смыслу. Это зависит от способа вычисления функции сходства ситуаций (близости ситуаций). Несколько вариантов вычисления этой функции описываются далее.

На рисунке 1 представлена схема работы интеллектуальной СППР РВ, имеющей модуль обучения в своем составе. В этой системе вывод осуществляется на основе связанных предысторией прецендентов, результат предлагается в виде описания сходной ситуации, действия, произведенного для ее исправления, и коэффициента уверенности в близости найденной сходной ситуации. Предлагаемая СППР может использоваться в целях обучения при работе с программой-имитатором, так и для управления реальным объектом через программу-посредник.

В настоящее время актуальным представляется создание механизмов вывода баз знаний оперативно-советующих экспертных систем стандартных ситуаций. Оперативно советующие экспертные системы стандартных ситуаций (ОСЭС СС) сеанса функционирования объекта предназначены для решения задач второго глобального уровня управления. Для каждой ТС создаётся своя ОСЭС. В структуру базы знаний ОСЭС положена следующая общая формализация предметной области:

а) задача сеанса функционирования объекта (задача определения причин пожаров), носителя ОСЭС, представляется через семантическую сеть типовых ситуаций (ТС) сеанса (диагностирования);

б) каждая ТС представляется, в свою очередь, через семантическую сеть проблемных субситуаций (ПрС/С). На существующих объектах оперативный

Описание обит упрмкнм

Рис.1. Схема интеллектуальной СППР PB

Рис.2. Механизмы вывода в базах знаний ОСЭС

выбор текущей ТС производится только экспертом. Решение всех задач (проблем) ТС уже возможно диагностической оперативно-советующей экспертной системой этой ТС.

На рисунке 2 представлен облик механизмов вывода в базе знаний ОСЭС СС (для железнодорожных объектов типа "причины и условия возникновения пожара"). По текущей информации от лабораторных исследований, "штатных" алгоритмов определения причин пожаров в базе знаний ОСЭС формируется ситуационный вектор V(HpC/C), описывающий состояние внешней и внутри диагностической обстановки для назначения (или идентификации) текущей ПрС/С. Механизм такою назначения можно назвать механизмом вывода на множестве IIpC/C.

Можно представить структуру механизмов вывода в ОСЭС, построенных на базе алгоритма многокритериального выбора.

В базе знаний ОСЭС содержится математическая модель (ММ) генерирования вариантов альтернатив разрешения ПрС/С рассматриваемого типа. На вход ММ подается текущая информация, характеризующая ПрС/С и допустимые типы альтернатив разрешения таких ПрС/С, заданные на этапе подготовки сеанса функционирования.

В ММ на основании допустимых типов альтернатив и сложившихся условий наступления ПрС/С: а) генерируется полный набор альтернатив {А,}, б) для каждой альтернативы А, { А-, } рассчитываются числовые значения каждого критерия Kj {Kj}. При этом возможна оперативная корректировка значений части координат, характеризующих возникшую ПрС/С.

Таким образом, каждая альтернатива (из множества, сгенерированного ММ) охарактеризована вектором, координаты которого являются числовыми значениями критериев KJt На основании этих векторов составляются матрицы парных сравнений альтернатив для каждого критерия.

Можно представить алгоритм [Роштейн; 1999] определения функции принадлежности щ (x1,...xi,...x11) прецедента dj, интерпретируемого как нечёткое множество на универсальном множестве Ud = Uxi х...х ÜXj ...х Ux„, где Uxi - универсальное множество, на котором заданы термы лингвистической переменной х„ а Ud - декартово произведение универсальных множеств Ux,. Каждое логическое высказывание типа, или, что тоже, каждая строчка матрицы знаний представляет собой нечётное отношение соответствующих нечётких множеств. Это будет ai'1 х а2'2 х ... х а„'". Функция принадлежности нечёткого множества, образованного этим нечетким отношением будет

Ца (хО ... ц, (Xj) ... ц„ (хп), где через" " обозначена операция "min". Рассматривая весь блок логических высказываний, относящийся к прецеденту dj (блок соответствующих строк матрицы знаний), замечено, что они представляют собой объединение соответствующих нечётких множеств, образовавшихся при рассмотрении строк выделенного блока. Функция принадлежности этого объединения, отождествляемая с функцией

принадлежности прецедента ¿¡, будет ..., ..., х„) = (ц»/1 (хх) л ...

л ц»/1 (Х|) л ... л ц,'1 (х„)> V ... л ... л — л (*»)), где

через "л" обозначена операция "тах".

Формально представленный алгоритм определения функции принадлежности прецедента сЦ можно записать в виде:

а) фиксируем произвольную точку (х1,...х*,..., х„*) е их1 х ... х их,х ... х их„

б) для каждого блока соответствующего Ф определяем щ (*ь Хь х„) в этой точке.

При наблюдении ситуационного вектора [Ротштейн, 1999] с количественными координатами (все координаты вектора измерены по числовым шкалам) для выбора наиболее подходящего прецедента вовсе нет необходимости полностью определять функции принадлежности Цл(х1, хь х„). Достаточно рассчитать её значение только для фиксированных числовых значений координат вектора, который мы наблюдаем. Для этого придется однократно воспользоваться выше приведенным алгоритмом, беря в качестве (х/, ... хД ... , х„*) координаты наблюдённого ситуационного вектора. В результате для каждого прецедента с^ мы получим число

,.••> XI, ..., х„), являющееся степенью принадлежности ^ точке (XI, ... , хД ... , х„*). Исходя из такой интерпретации, наиболее предпочтительным прецедентом для разрешения наблюдаемой ПрС/С будет

тот прецедент А*, для которого

* * * • *

а (XI,..., Х|,... ,х„) = щах "а*! »••• ? ,..., хи).

Шф

Изученный пример использования механизма вывода позволяет рассчитывать на успешное его использование в практике проектирования реальных баз знаний ОСЭС задач диагностики в выбранной предметной области.

В третьей главе " Методики формирования экспертных групп и работе с ними инженеров по знаниям" предложены основные подходы к организации работы с экспертами в области пожарной безопасности.

Есть два круга проблем, имеющих принципиальный характер, -формирование экспертных групп и проведение процедуры сбора экспертной информации.

Имеются особые специфические аспекты, не разработанные теорией профессионального отбора. Поиск профессионалов, способных давать информацию по поставленному вопросу, становится самостоятельной задачей. Какие бы методы не применялись, всегда в результате каждый кандидат будет "описан" набором значений ряда параметров, являющихся эмпирическими индикаторами содержательно сформулированных характеристик. Число таких параметров на практике достаточно велико.

Исходные данные - значения параметров у кандидатов - можно представить в виде матрицы N»0 (IV - число кандидатов, п - число параметров). Описанный способ применительно к нуждам рассматриваемой предметной области был опробован на материале экспертизы специалистов

пожарной безопасности (потенциальных экспертов). Для измерения компетентности специалистов - кандидатов в эксперты использовался список, состоящий из шестнадцати параметров. Большинство параметров -документальные, два - "судейские".

Для изучения параметров и выделения факторов были собраны значения параметров у 25 кандидатов в эксперты. Каждый из кандидатов описывался 16 параметрами, т.е. собранный материал представлял из себя матрицу размерностью 25*16. С помощью алгоритма экстремальной группировки "Модуль" (специализированного пакета прикладных программ) задавалось разбиение факторов на четыре функциональные группы. Исследования позволили выделить значения основных четырех блоков факторов подбора экспертов в области пожарной безопасности, что позволяет облегчить процесс получения итоговых значений компетентности потенциальных экспертов.

Наиболее перспективными в настоящее время признаны итерактивные процедуры опроса, исключающие непосредственное взаимодействие экспертов. С этой целью применено пошаговое описание процедуры сбора экспертной информации. Экспертную группу составили специалисты высокой квалификации в области пожарной безопасности. Суждения обосновывались в виде числовых оценок по 100-балльной шкале со словесными определениями градаций. Экспертный опрос проводился по последовательной процедуре. Для фиксации наступления стабилизации суждений в экспериментах использовались два показателя изменения оценок экспертов на К-ом туре по сравнению с (К-1) туром (без учета вошедшего на К-ом туре К-го эксперта):

А) показатель 8Ь равный отношению суммарного изменения оценок всех (К-1) экспертов к числу экспертов

где Af - изменение (в баллах) оценки ¡-го эксперта между турами К и

Б) показатель 82, равный отношению числа экспертов К , изменивших оценки между указанными турами, к общему числу экспертов

Данный метод позволил выделить подгруппу более компетентных в рассматриваемом вопросе экспертов. Для них характерна наибольшая стабильность оценок в ходе опроса. Во второй серии экспериментов был дополнительно поставлен вопрос об очередности ввода экспертов. Отличие от первой серии экспериментов состояло в очередности ввода экспертов. Первыми вводились наиболее компетентные эксперты. Исчерпывание информации и стабилизация экспертных оценок происходит на несколько туров раньше.

к-1

(=1

(К-1);

Установленным фактом является то, что невозможность получения от экспертов достоверной и непротиворечивой информации сильно влияют способы ее получения. Люди плохо определяют вероятности событий. На такие оценки сильно влияет личное восприятие событий. Плохо учитываются априорные вероятности, размеры выборки и т. д. Первая подсказка, сделанная во время оценки, сильно влияет на результаты. Эти недостатки можно отнести также и к построению функций принадлежности, необходимых при использовании подхода размытых множеств. При разработке системы экспертной классификации были поставлены задачи изучения поведения потенциальных экспертов в области пожарной безопасности при решении ими некоторых классификационных задач.

Серия экспериментов организовывалась с двумя категориями специалистов:

- со специалистами, не имеющими большой практики в принятии решений (слушатели факультета пожарной безопасности),

- с профессионалами в области пожарной безопасности, решающими конкретные практические задачи.

Для первой категории испытуемых имелась широкая возможность варьирования параметров задачи классификации и условий эксперимента. Для второй группы специалистов, когда задачи классификации являлись реальными задачами лиц, принимающих решения, возможности варьирования задачи почти отсутствовали, и схема экспериментов соответствовала реальной задаче. Была выдвинута гипотеза о том, что поведение экспертов может измениться при определенном увеличении того или иного параметра задачи.

Сложность задачи классификации в каждом из экспериментов определялась тремя следующими параметрами: числом критериев (признаков, характеристик) N. описывающих оцениваемые объекты; числом оценок \У(1=1, п) на порядковых шкалах этих критериев (оценки упорядочены от лучшей к худшей); числом классов решений Р, к которым следует отнести рассматриваемые объекты. Все возможные сочетания оценок по разным критериям определяют полное множество возможных описаний объектов. В каждом из экспериментов, кроме последнего, испытуемому предлагалось оценить все возможные объекты, отнеся каждый из них к одному из заданных классов решений. Для каждого из критериев была разработана шкала из трех словесных оценок, упорядоченных по качеству от первой к третьей. Отнесение какого-либо объекта к некоторому классу в условиях упорядоченности классов решений (первый класс лучше второго и т. д.) и порядковых шкал оценок критериев накладывает определенные ограничения на оставшееся множество объектов. В результате удалось установить уровень требований к качеству выполнения задания, в соответствии с которым выносилось суждение о том, справился ли испытуемый с задачей классификации. Определены такие значения N. Р, что при увеличении одного из этих параметров значительная часть испытуемых переставала справляться с задачей. Результаты экспериментов

подтвердили гипотезу о существовании определенных "границ" испытуемых в задачах многокритериальной классификации. Полученные результаты показывают, что при определенных значениях параметров происходит резкое увеличение числа противоречий и замен. Испытуемые перестают справляться с задачей и по их ответам невозможно установить границы между классами.

Основная цель данной серии экспериментов заключалась в оценке того, как профессионалы в области пожарной безопасности справляются с задачами классификации и в какой мере выводы, полученные с группой слушателей, могут быть перенесены на реальные практические задачи классификации. Задача многокритериальной классификации совмещалась с профессиональными задачами испытуемых. В экспериментах испытуемые осуществляли классификацию предлагаемых параметров. (N=5, \У,=3, Р=2). Полученные результаты показывают существование границ возможностей экспертов в области пожарной безопасности в задачах порядковой классификации. Для задач большой размерности время расчета становится недопустимо большим, что не позволяет поддерживать диалог. Следовательно, пределы психологических возможностей потенциального эксперта примерно совпадают с вычислительными возможностями экспертных оболочек. Привычной стратегией эксперта при столкновении с большими массивами информации является построение иерархии данных. Как показывают результаты проведенных исследований, потенциальные эксперты часто используют иерархию критериев. Можно помочь им в этом; выделить группы близких критериев, определить понятия, характерные для этих групп, построить иерархию классификации. Такой подход и был использован при построении знаний авторской диагностической системы. Оказалось, что они естественно разбивались на четыре основные функциональные группы, причем нагрузка на потенциальных экспертов в каждой из классификаций иерархии была близкой допустимой.

В четвертой главе "Экспертная диагностическая оболочка для определения причин пожаров" дано" описание созданной авторской экспертной диагностической системы ДАРШ.

В связи с тем, что система оперирует в проблемной области, где рассуждения могут быть неточны, приблизительны, необходим механизм, учитывающий данную особенность. Для такого учета выделены специальные в - правила, в которых, в целях учета неточности умозаключения, указываются весовые коэффициенты дизъюнктов, входящих в антецедент вправила, и их условные вероятности в предположении, что совместно с фактом консенквента они удовлетворяют формуле полной вероятности, т.е. образуют полную группу событий. Отмеченные особенности увеличивают выразительные возможности правил, что весьма важно в связи с необходимостью указать в предпосылке все условия применимости правила. Механизм выбора системой оптимального решения приведен на рисунке 3.

Система задумана как программа, консультирующая пользователя при установлении условий и причин пожаров на объектах железнодорожного транспорта. Фрагменты экранных форм оболочки приведены на рисунке 4. В

Поди*«« ном н рспмтироыт« аший

Подметем лос-тиюш задачи и поиска (мш

РЫММИ

Вмбранмо« ритм

!<НЫбОЛ11 ПР^ДПОЧТИПАНМ)

Рис.3. Механизм выбора системой оптимального решения

Рис.4. Фрагмент экранных форм системы

системе представлена адаптивная структура диалога, реализующего целевую функцию пользователя различными цепочками кадров (в ДАРШ они названы "листами"). При работе с ДАРШ пользователь приобретает свободу в выборе цепочки кадров сценария диалога, с одной стороны, а с другой, каждой траектории сетевого ГДП можно приписать категорию пользователей системы. При этом сложность ориентации в структуре диалога с ЭС удается преодолеть встроенной схемой служебных инструкций.

Обозначим через (Ф, >) линейно упорядоченное множество фактов, где > - упорядочение, определяемое: а) естественной иерархией контролируемых объектов (внешний признак); б) иерархией атрибутов конкретного объекта (внутренний признак). Ф имеет дизъюнктное разбиение

Ф = Ф „(1) и Ф!(() и Ф 2(0, Ф ,(1) = {(А, в, Ъ) : Ъ (0 = 1}, 1 е К, со ]. Будем считать, что Фо(0 = Ф0(^) = Ф°, Ф,^) = Ф°, Ф2(1„) = Ф° и определяются блоком отслеживания событий (БОС). Формально задача технической диагностики сложной функциональной системы средствами ЭС состоит в следующем: определить такую процедуру логического вывода, чтобы за конечный, в идеале за минимальный, интервал времени Щ перевести множество Ф 2(0 из состояния Ф = Ф° в Ф 2 (^ =0.

Рассмотрим Ф2(Ъ), как цепь (Ф, >) и пусть (А1, Ъ\ (^)) минимальный элемент Ф^), а N - длина цепи. Обозначим через множество антецедентов тех правил, консеквенты которых имеют вид (А1, И, 1). Соответственно через Р^, - множество антецедентов правил,

имеющих консеквент (А1, га,0). Аналогично Р",- множество консеквентов

правил с атецедентом (А1, га,1) и - множество консеквентов правил с

антецедентом (А1, га,0).

Алгоритмпрямого вывода

Пошаговая стратегия предлагаемого метода прямого логического вывода состоит в следующем: шаг 1 - множество Цг Й-1) перевести в состояние Фг№)=Ф2 №-1) \ {(А1, а, 2)}, 0 < Г*).

С этой целью в множествах Р^ вР", при исходных данных Ф0(^-1),

Ф1(1Г1), Ф2(^-1) необходимо проверить наличие формулы Р, = 1; при выполнении в Р1 операций (+) и (х) согласно (1). В случае, если таковая формула Р;= 1 имеется, то

Ф2 (^-1) \ {(А1, С1,2)}, Р, еР^ => Ф, (1.) = Ф, (1,-1) и {(А!, СИ,1)},

Р! еР£, => Ф0(*) = Ф, (1,-1) и {(А1, 0,0)}.

Алгоритм обратного вывода

Пошаговая стратегия прежней остается прежней, но усложняется процедура реализации.

Для исходных данных 0,(1,-1) V {(А1, а, 0)}, Ф,0,-1), Ф2(^-1) \ {(А1, С1„ 2)} проверяется наличие формулы Р,= 0 на всех множествах или Р^.,

имеющих одинаковый индекс пс каким-либо элементом (фактом) из Ф^,-!) или Фв(^-1), соответственно. Если таковая формула Р1 = О имеется, то Ф2(1,) = Ф2(1Г1)\{А1,С1, 2)}, ф1а,) = Ф,(е,-1)и{А1,С1,1)}. В противном случае подобная проверка повторяется, но уже для исходных данных - Ф0(1,-1), Ф, (1,-1), и {(А1, а, 1)}, Ф2 (1,-1) \ {(А1,0,2)}. В случае успеха поиска БПР фиксирует состояние Ф2(« = Ф2(М)и{А1,С1,2)}, Фо(1,) = Фо(Ы)и{А1,С1,0)}. Так как пошаговые стратегии обоих методов совпадают, то при построении дедуктивной машины можно предусмотреть использование метазнаний, позволяющих адаптировать структуру БПР в соответствии с текущими условиями функционирования контролируемой системы.

Для успешного выполнения поставленных задач в ДАРШ предложены и используются "листы структур данных" (для кратности называемые просто "листы"), рассматриваемые как устройство и язык для записи знаний о представлении. Язык листов является "тотальным", т.е. в нем должны быть описаны все сущности системы, используемые при представлении знаний. "Тотальность" языка делает возможной исчерпывающую проверку типов и определенный контроль за целостностью базы знаний. Формат "листов" по существу является формой метазнаний (в то время конкретное наполнение листа используется для представления сущностей проблемной области, "листы", как кадры-меню, используются для описания знаний о представлении, т.е. для описания сущности метауровня).

Все факты, получаемые ДАРШ от блока оценки состояний, а также в процессе логического вывода в блок принятия решений, организуются в тройки (атрибут - объект-значение): = (А, в, 1), где Ъ е {О, 1, 2}. Возможны три варианта принятия решения БПР для факта (А, в, X): (А, С, Ъ) = (А, в, 0) - атрибут А объекта в функционально вышел из строя; (А, в, Ъ) = (А, С, 1) - режим работы объекта в по атрибуту А - штатный; (А, в, Т) - (А, в, 2) - состояние атрибута А объекта С в БПР не определено. Представление правил. Основным источником знаний ДАРШ о проблемной области являются продукционные правила. Язык правил может быть представлен в форме Бэнуса-Наура следующим образом:

< правило > :: == (ЕСЛИ < антецедент > ТО < консеквент > <антецедент> :: = ({< функция > < условие >}+) <функция> :: — (И) (ИЛИ)

< условие >:: = (< ассоциативиая-тройка > )

< ассоциативная-тройка > :: == (А, в, 0) | (А, в, 1) | (А, С, 2)

< консеквент > :: = ({< функция > < условие >}+) | (< процедура >).

В консеквенте правило указывается одно и более заключений (фактов или действий), которые должны выполняться, если предпосылка

удовлетворена. Каждое правило является независимым фрагментом знаний о проблемной области, где в составе предпосылки в явном виде определены все условия применимости правила. Правила в системе представлены во внутреннем формате в виде конструкций языка Паскаль. На входе системы программа анализа и синтеза автоматически преобразует правило из внешней формы (фраз естественного языка) во внутренний формат. На выходе осуществляется обратное преобразование.

В заключении сформулированы основные научные положения и результаты диссертационной работы.

1. Предложен универсальный метод для решения задач определения пожарной безопасности объектов защиты. Отличительные черты метода: возможность одновременной работы с информацией, характеризуемой как качественными, так и количественными показателями, а также наглядность и естественность восприятия результатов.

2. Рекомендован метод обучения и адаптации для системы поддержки принятия решений реального времени в условиях неполноты или неопределенности данных Данный метод базируется на модели, имеющей память, и способной посредством анализа предыдущего процесса выявлять причинно-следственные и временные зависимости, повышая качество принимаемых решений. Предложена архитектура интеллектуальной системы поддержки принятия решений в условиях реального времени.

3. Разработан и апробирован матричный метод комплексного отбора экспертов по проблемам обеспечения пожарной безопасности. Для измерения их компетентности использован список из шестнадцати параметров. С помощью пакета экстремальной группировки "Модуль" (специализированного пакета прикладных программ) произведена обработка получившейся матрицы и произведено разбиение фактов на четыре функциональные группы для их дальнейшего наполнения логическими выводами, условиями и заключениями. В качестве методики формирования экспертных групп предложено использование итеракгивных процедур опроса, исключающих непосредственное взаимодействие экспертов. Предложено пошаговое потуровое описание процедур, проведены эксперименты по исследованию особенностей взаимодействия экспертов.

4. Произведено определение возможностей потенциальных экспертов в выбранной предметной области для задач экспертной классификации. Полученные результаты показали существование психологических границ у лиц принятия решений (ЛИР). В связи с этим принято решение о введении иерархии критериев, построении характерных групп, иерархии классификации. Предложенный подход реализован при построении компоновки знаний диагностической экспертной системы "ДАРШ". Нагрузка на эксперта в каждой из классификаций иерархии является близко допустимой.

5. Выполнен анализ возможности использования вероятностей моделирования правдоподобных рассуждений для интеллектуальных систем.

Произведен сравнительный анализ логического аппарата представления знаний ряда известных аналогов экспертных систем. Предложены механизмы вывода в базах знаний оперативно-советующих экспертных систем типовых ситуаций. Представлена структура механизмов вывода в ОСЭС, построенных на базе алгоритма многокритериального выбора. Изученный пример использования механизма вывода позволяет рассчитывать на успешное его использование в практике проектирования реальных баз знаний ОСЭС задач диагностики в выбранной предметной области.

6. Разработана гибкая экспертная диагностическая оболочка «ДАРШ». Система представляет собой программу, консультирующую инженеров пожарной безопасности, дающую им как рекомендации по принятию управленческих решений, так и организации автономных действий, направленных на поддержание живучести контролируемого объекта. Программный комплекс прошел регистрацию в Российском агентстве по патентам и товарным знакам (Роспатент). Программный комплекс и методики извлечения, конструирования знаний внедрены в деятельность Управления ГПС МЧС Иркутской и Кемеровской областей, республики Бурятия, подразделений Иркутского и Приморского отрядов ведомственной охраны по ПТЧ ФГП МПС России, что позволяет повысить эффективность принимаемых управленческих решений по вопросам пожарной безопасности.

Основное содержание диссертации изложено в работах:

1. Шварц-Зиндер С.Н. Применение экспертной системы "Пожар" в управленческой деятельности ПАСС. Материалы 2-ой региональной научно-практической конференции "Проблемы пожарной безопасности Сибири и Дальнего Востока" / ВИНИТИ. М.: 1992.

2. Топольский Н.Г., Шварц-Зиндер С.Н. О возможности применения экспертных систем в пожарной охране // Деятельность ГПС в современных условиях: Сб.науч.трудов - М.: ВИПТШ МВД России, 1992. - С.18-19.

3. Шварц-Зиндер С.Н. Основные подходы к выявлению причинно-следственных связей деятельности органов ГПН // Проблемы деятельности правоохранительных органов и противопожарной службы: Материалы региональной конференции ИВШ МВД России". - Иркутск: ЙВШ МВД РФ, 1995.-С.56-57.

4. Шварц-Зиндер С.Н. Совершенствование деятельности органов ГПН с помощью экспертных систем // Проблемы деятельности правоохранительных органов и противопожарной службы: Материалы региональной конференции ИВШ МВД России". - Иркутск: ИВШ МВД РФ, 1995. - С.59-61.

5. Шварц-Зиндер С.Н. Унификация методов и т-чк'ологии управления надзорного органа // Проблемы борьбы с преступностью в современных условиях: Материалы международной научн.-практ. Конф - Лркутск: ИВШ МВД РФ, 1995,- С.69-73.

6. Шварц-Зиндер С.Н. Подходы к разработке схемы концептуального анализа знаний для экспертных систем // Совершенствование деятельности ГПС в современных условиях: Материалы междунар.научно-практ.конф. -М.: ВИПТШ, 1996. - С.87-89.

7. Шварц-Зиндер С.Н. Методологические вопросы экспертного моделирования деятельности органов Г11Н // Актуальные проблемы общественной безопасности: - Иркутск: ИВШ МВД РФ, 1996. - С.144-146.

6. Шварц-Зиндер С.Н. Использование инструментальных средств для экспертных систем управленческого типа // Проблемы деятельности правоохранительных органов и противопожарной службы: Материалы междунар.научно-практ.конф.- Иркутск: ВСИ МВД РФ, 1997. - С.46-47.

9. Шварц-Зиндер С.Н. Проблемы повышения качества структурирования знаний для экспертной системы "Пожарная безопасность" // Развитие новых информационных технологий: Сб.ст.межвузовской науч.-практ.конф-Иркутск: ИГТУ, 1997. - С.43-46.

10. Шварц-Зиндер С.Н. Разработка технического задания на проектирование экспертной системы "Пожарная безопасность" // Проблемы деятельности правоохранительных органов и противопожарной службы: Сб. ст. первой межвузовской научн.-практ. конф. - Иркутск: ВСИ МВД РФ, 1997. -С.66-69.

11. Удилов В.П., Шварц-Зиндер С.Н. Экспертная обучающая система в подготовке специалистов экологической безопасности агропромышленных комплексов // Проблемы экологии при эксплуатации и ремонте техники. Сб.научлрудов, ИГСХА, 1997. - С.110 - 113.

12. Шварц-Зиндер С.Н. Разработка требований к экспертам при создании интеллектуальных систем для нужд ГПН // Новые информационные технологии в практике работы правоохранительных органов. - Санкт-Петербург, 1998. - С.64-66.

13. Шварц-Зиндер С.Н. Использование инструментальных средств по созданию экспертных систем для нужд ГПН // Новые информационные технологии в практике работы правоохранительных органов. - Санкт-Петербург, 1998. - С.75-76.

14. Шварц-Зиндер С.Н. Использование инструментальных средств для экспертных систем управленческого типа // Вестник ВСИ МВД России: -Иркутск: ВСИ МВД РФ, 1999. - С. 28-35.

15. Шварц-Зиндер С.Н., Данеев A.B., Русанов A.B. Эскизный проект системы выявления возможных причин пожаров // Вестник ВСИ МВД России-Иркутск: ВСИ МВД РФ, 1999. - С.35-39.

16. Шварц-Зиндер С.Н., Филипушков C.B. Экспертные системы проверки профессионального уровня сотрудников ГПН. Вестник ВСИ МВД России. -Иркутск: ВСИ МВД России, 1999. - С. 47-53.

17. Удилов В.П., Шварц-Зиндер С.Н. Прогноз экологических последствий от пожаров на объектах агропромышленного комплекса с помощью экспертных систем // Проблемы экологии при ремонте и эксплуатации сельскохозяйственной техники: - Иркутск: ИГСХА, 2000. - С.107-110.

18. Лапкин А.М., Шварц-Зиндер С.Н., Филипушков C.B. Создание демонстрационного клипа по конкретному диалогу ЭС с пользователем // Проблемы совершенствования деятельности ГПС в современных условиях: Сб. ст. 1-ой Сибирской научн,- практ. конф. - Иркутск: ВСИ МВД России, 2000. - С. 55-56.

19. Шварц-Зиндер С.Н. Формирование экспертных групп для задач ГПС и работа с ними инженера по знаниям // Проблемы деятельности ГПС регионов Сибири и Дальнего Востока: сб. ст. 1-ой Сибирской научн.-практ. конф. -Иркутск: ВСИ МВД России, 2000. - С. 88-89.

20. Шварц-Зиндер С.Н., Филипушков C.B. Концепция разработки интерфейсов ЭС управленческого типа для нужд ГПН. Вестник ВСИ МВД России. - Иркутск: ВСИ МВД России, 2000. - С. 36-40.

21. Шварц-Зиндер С.Н. Экспертно-обучающие системы. // Перспективы совершенствования для ОВД и ГПС: сборник статей ВСИ МВД России. -Иркутск: ВСИ МВД России, 2001. - С. 13-14.

22. Шварц-Зиндер С.Н., Тарасенко В.Н. Один из подходов к прогнозированию числа лесных пожаров // Лесные и степные пожары: возникновение, тушение и экологические последствия: Материалы 4-й международной конференции. - Томск: Изд-во Том.ун-та, 2001. - С. 166 -167.

23. Свидетельство об официальной регистрации программы для ЭВМ "Программы выявления причин пожаров на объектах железнодорожного транспорта" № 2003610529 от 27.02.03, выданное Российским агентством по патентам и товарным знакам (РОСПАТЕНТОМ).

Подписано к печати 10.08.03. Формат 60x90 1/16. Печать трафаретная. Тираж 100 экз. К-во с границ - 22. Усл. печ. л. 1. Заказ № 3553

Отпечатано в Глазковской типографии, г. Иркутск, ул. Гоголя, 53 тел.: 38-78-40

?

I t

I

I

I

I

II

«

I,

Í

I

I

I

I (

!

i

fô/3- úf.fá

РНБ Русский фонд

2005-4 9631

V

¡

г

08 СЕН 2003

Введение

1. Современное состояние разработки методов и средств интеллектуальной поддержки.

1.1. Обзор текущего применения средств обработки данных и знаний в предметной области.

1.2. Определение приоритетности направлений автоматизации .2.

1.3. Анализ возможности использования коммерческих экспертных оболочек для нужд пожарной безопасности.

Выводы по главе.

2. Структурирование и обработка экспертной информации для принятия управленческих решений.

2.1. Экспертный вариант подхода к решению задачи оценки уровня пожарной опасности.

2.2. Анализ механизмов использования понятия вероятностей для моделей правдоподобных рассуждений

2.3. Механизмы вывода в базах знаний оперативно-советующих систем типовых ситуаций.

2.4. Метод обучения и адаптации системы поддержки принятия решений в условиях реального времени.

Выводы по главе.

3. Методики формирования экспертных групп и работе с ними инженеров по знаниям.

3.1. Методика оценки компетентности экспертов.

3.2. Методика формирования экспертных групп.

3.3. Методика определения возможностей потенциальных экспертов.

Выводы по главе.

4. Диагностическая экспертная оболочка для определения причин пожаров.

4.1. Общее описание экспертной системы

4.2. Состав знаний и способы их представления

4.3. Управляющий механизм системы.

4.4. Механизм приобретения знаний.

Выводы по главе.

В Федеральном законе "О пожарной безопасности", принятом Государственной Думой 18 ноября 1994 года, говорится о том, что обеспечение пожарной безопасности является одной из важнейших функций государства. При этом под пожарной безопасностью понимают состояние защищенности от пожаров личности, имущества, общества и государства.

Обеспечение пожарной безопасности промышленных объектов различного назначения является сложной социально-экономической системой, поэтому изучать процесс ее функционирования нужно с помощью современных методов системного анализа.

Для решения вопросов, связанных с совершенствованием оперативной обстановки с пожарами, необходимо располагать прежде всего соответствующей информацией. Несомненно, что эффективным средством совершенствования пожарной безопасности является применение новых информационных технологий, которое до настоящего времени носило локальный характер и имело ограниченно положительный эффект.

Во многом это объясняется отсутствием общей концепции информатизации, необходимых данных, научно-обоснованных моделей и методик подготовки и принятия решения по организации деятельности, современной технологии, а также прогрессивных приемов организации и ведения работ по обеспечению пожарной безопасности в условиях применения новых информационных технологий.

Обеспечение пожарной безопасности - сложный и многофункциональный механизм. Возникновение в нем любой нештатной ситуации, связанной с пожаром, аварией и т. д., ведет к сбою в работе большого организма. Для того чтобы этот сбой был минимальным, а ликвидация инцидента была произведена тактически грамотно и в максимально сжатые сроки, необходимо создание системы методов и средств интеллектуальной поддержки для задач управления пожарной безопасностью.

Предметом исследования является изучение текущего положения по созданию и функционированию средств подготовки и обработки данных, знаний для задач обеспечения пожарной безопасности на объектах различного функционального назначения.

Цель диссертационной работы состоит в разработке средств извлечения, формализации и структурирования экспертной информации для подготовки и принятия управленческих решений по вопросам обеспечения пожарной безопасности, создании гибкой экспертной диагностической оболочки. Задачи исследования:

1. Изучение состояния разработки методов и средств интеллектуальной поддержки принятия управленческих решений по обеспечению пожарной безопасности.

2. Разработка и обоснование методов представления и обработки экспертной информации в выбранной предметной области.

3. Разработка механизмов использования понятия вероятностей для моделей принятия решений.

4. Создание и апробация методик извлечения экспертной информации.

5. Создание легко адаптируемого и настраиваемого инструментария получения и обработки экспертной информации по управленческим задачам.

Научная новизна работы:

В диссертации решен ряд специализированных прикладных задач системного анализа и получены следующие результаты:

1. Предложен экспертный вариант подхода к решению задачи оценки уровня пожарной безопасности объектов железнодорожного транспорта.

2. Разработаны механизмы вывода в базах знаний оперативно-советующих экспертных систем типовых ситуаций по вопросам пожарной безопасности на объектах промышленности.

3. Предложен метод обучения и адаптации системы поддержки принятия управленческих решений в области пожарной безопасности.

4. Разработаны частные методики организации работы инженеров по знаниям и экспертов в области пожарной безопасности:

- оценки компетентности экспертов в выбранной предметной области

- формирования экспертных групп

- определения возможностей потенциальных экспертов по пожарной безопасности.

Практическая ценность работы заключается в том, что созданная гибкая экспертная диагностическая оболочка «ДАРШ» может быть использована для интеллектуальной поддержки обоснования и принятия управленческих решений по вопросам обеспечения пожарной безопасности на промышленных объектах различного назначения.

Апробация работы. Основные результаты диссертационной работы докладывались на межкафедральных семинарах ВСИ МВД России (1998 -2003), на заседаниях Ученого Совета ВСИ МВД России (1999-2003), на всероссийской конференции "Новые информационные технологии в практике правоохранительных органов Санкт-Петербург", 1998), всероссийской научно-практической конференции "Актуальные проблемы предупреждения и тушения пожаров на объектах и в населенных пунктах" (Москва, 1999), на Всероссийской научно-практической конференции "Актуальные проблемы пожарной безопасности" (Иркутск, 1996 г.), на первой межвузовской научно-практической конференции "Проблемы управления в государственной противопожарной службе и органах внутренних дел" (Иркутск, 1996 г.), на открытой межвузовской научно-практической конференции "Проблемы деятельности правоохранительных органов и противопожарной службы" (Иркутск, 1997 г.), на Всероссийском научно-практическом семинаре "Деятельность и взаимодействие силовых структур по ликвидации последствий чрезвычайных ситуаций " (Иркутск, 1999г.), на научно-практической конференции "Перспективы совершенствования деятельности ОВД и ГПС" (Иркутск, 2000, 2001, 2002, 2003 г.), на 4-ой международной конференции "Лесные и стенные пожары" (Томск, 2001г.), на межкафедральном семинаре в

Государственном Университете Министерства путей сообщения (Иркутск, 2003г.).

Публикации. Результаты диссертационного исследования опубликованы в двадцати трех научных работах.

Реализация результатов исследования. Материалы диссертационного исследования использованы:

1. При выявлении экспертов для решения управленческих задач по различным направлениям обеспечения пожарной безопасности региона Сибири и Дальнего Востока.

2. На факультативных занятиях и в учебном процессе со слушателями выпускных курсов факультета пожарной безопасности Восточно-Сибирского Института МВД России.

3. При проведении экспресс-опросов по выявлению проблем в области пожарной безопасности региона Сибири и Дальнего Востока, проводимых по заявкам практических органов Государственной противопожарной службы (ГПС) МЧС.

4. В практической деятельности УГПС МЧС Иркутской и Кемеровской областей, республики Бурятия, подразделений Иркутского и Приморского отрядов ведомственной охраны по ПТЧ ФГП МПС России, что подтверждается актами о внедрении.

5. Программный диагностический комплекс "ДАРШ получил свидетельство об официальной регистрации Российского агентства по патентам и товарным знакам (Роспатента) (Свидетельство № 2003610529 от 27.02.03).

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и приложения. Общий объем диссертации составляет 142 страницы, в том числе 15 рисунков, 20 таблиц, списка литературы из 144 источников и приложения.

Выводы по четвертой главе

Разработана экспертная диагностическая система выявления причин и условий возникновения пожаров ДАРШ. Система задумана как программа, консультирующая инженеров пожарной безопасности при установлении причин и условий возникновения пожаров на объектах МПС и выдаче как рекомендаций по принятию управленческих решений, так и организации автономных действий, направленных на поддержание живучести контролируемого объекта. Для успешного выполнения задач в ДАРШ предложены и используются «листы структур данных» (для краткости называемые просто «листы»), рассматриваемые как устройство и язык для записи знаний о представлении. Язык «листов» является «тотальным», т.е. в нем должны быть описаны все сущности системы, используемые при представлении знаний. «Тотальность» языка делает возможной исчерпывающую проверку типов и определенный контроль за целостностью базы знаний. Представление правил на русскоподобном языке облегчает добавление сложных правил и позволяет языку ДАРШ автоматически генерировать ответы на вопросы: почему и как исполнилось конкретное правило.

Механизм вычисления коэффициентов уверенности, включая методы Байеса и нечеткой логики, автоматический опрос датчиков первичной информации и инициирование запусков алгоритмов диагностики отдельных узлов системы позволяют моделировать с помощью действия специалистов пожарной безопасности в условиях неопределенности, определяя наиболее вероятные причины неправильно работы и, исходя из них, принимать целенаправленные действия для поддержания функциональной задачи.

ЗАКЛЮЧЕНИЕ

1. На основе теоретических и экспертных исследований предложен системный подход к процессу интеллектуальной поддержки управленческих решений в области пожарной безопасности.

2. С помощью методов экспертного опроса выявлены приоритетные направления совершенствования подготовки управленческих решений по вопросам пожарной безопасности на промышленных объектах с помощью интеллектуальных систем. Наиболее целесообразно создание диагностической системы экспертного типа по выявлению причин пожаров.

3. Произведен анализ современного состояния разработки известных экспертных систем и скелетных оболочек. Произведены их систематизации и классификация по основным функциональным параметрам. Результатом проведенной работы стало создание сводной квалификационной таблицы. Проведенная систематизация может быть использована в дальнейшем для подбора скелетных экспертных оболочек применительно к различным направлениям совершенствования пожарной безопасности.

4. Предложен универсальный метод для решения задач определения пожарной опасности объектов защиты. Отличительные черты метода: возможность одновременной работы с информацией, характеризуемой как качественными, так и количественными показателями; использование быстрых алгоритмов для расчетных целей; наглядность и естественность восприятия результатов. В качестве примера использования данного подхода предложено решение задачи оценки пожарной опасности объекта защиты на основе фонда статистических данных о пожарах на объектах МПС.

5. Рекомендован метод обучения и адаптации для системы поддержки принятия решений реального времени в условиях неполноты или неопределенности данных Данный метод базируется на модели, имеющей память, и способной посредством анализа предыдущего процесса выявлять причинно-следственные и временные зависимости, повышая качество принимаемых решений. Предложена архитектура интеллектуальной системы поддержки принятия решений в условиях реального времени.

6. Разработан и апробирован матричный метод комплексного отбора экспертов по проблемам обеспечения пожарной безопасности. Для измерения их компетентности использован список из шестнадцати параметров. С помощью пакета экстремальной группировки "Модуль" (специализированного пакета прикладных программ) произведена обработка получившейся матрицы и произведено разбиение фактов на четыре функциональные группы для их дальнейшего наполнения логическими выводами, условиями и заключениями.

7. В качестве методики формирования экспертных групп предложено использование итерактивных процедур опроса, исключающих непосредственное взаимодействие экспертов. Предложено пошаговое потуровое описание процедур, проведены эксперименты по исследованию особенностей взаимодействия экспертов.

8. Произведено определение возможностей потенциальных экспертов в выбранной предметной области для задач экспертной классификации. Полученные результаты показали существование психологических границ у лиц принятия решений (ЛПР). В связи с этим принято решение о введении иерархии критериев, построении характерных групп, иерархии классификации. Предложенный подход реализован при построении компоновки знаний диагностической экспертной системы "Выявление причин пожаров". Всего в системе использовано 242 признака (критерия). Выяснено, что они естественно разбивались на группы "Общий осмотр", "Очаги пожара", "Детальный осмотр", "Лабораторные исследования", причем нагрузка на эксперта в каждой из классификаций иерархии является близко допустимой.

9. Выполнен анализ возможности использования вероятностей моделирования правдоподобных рассуждений для интеллектуальных систем.

Произведен сравнительный анализ логического аппарата представления знаний ряда известных аналогов экспертных систем.

10. Разработаны механизмы вывода в базах знаний оперативно-советующих экспертных систем типовых ситуаций (применительно к проблематике выявления причин и условий возникновения пожаров).

Представлена структура механизмов вывода в ОСЭС, построенных на базе алгоритма многокритериального выбора. Изученный пример использования механизма вывода позволяет рассчитывать на успешное его использование в практике проектирования реальных баз знаний ОСЭС задач диагностики в выбранной предметной области.

11. Разработана экспертная диагностическая система выявления причин пожаров ДАРШ. Система задумана как программа, консультирующая инженеров пожарной безопасности при установлении причин возникновения пожаров на различных объектах и выдаче как рекомендаций по принятию управленческих решений, так и организации автономных действий, направленных на поддержание живучести контролируемого объекта. Для успешного выполнения задач в ДАРШ предложены и используются "листы структур данных" (для краткости называемые просто "листы"), рассматриваемые как устройство и язык для записи знаний о представлении. Язык "листов" является "тотальным", т.е. в нем должны быть описаны все сущности системы, используемые при представлении знаний. "Тотальность" языка делает возможной исчерпывающую проверку типов и определенный контроль за целостностью базы знаний. Представление правил на русскоподобном языке облегчает добавление сложных правил и позволяет языку ДАРШ автоматически генерировать ответы на вопросы: почему и как исполнилось конкретное правило. Механизм вычисления коэффициентов уверенности, включая методы Байеса и нечеткой логики, автоматический опрос датчиков первичной информации и инициирование запусков алгоритмов диагностики отдельных узлов системы позволяют моделировать с помощью действия специалистов пожарной безопасности в условиях неопределенности, определяя наиболее вероятные причины неправильно работы и, исходя из них, принимать целенаправленные действия для поддержания функциональной задачи.

12. Программный комплекс прошел регистрацию в российском агентстве по патентам и товарным знакам (Роспатент).

1. Аболенцев Ю.И. Методические аспекты применения корреляционного и регрессионного анализа в расчетах технико-экономических показателей пожарной защиты // Вопросы экономики в пожарной охране. М.: ВНИИПО. - 1992.

2. Алексеев В.Б. О расшифровке некоторых классов монотонных многозначных функций // Журн. вычисл. математики и мат.физики. 1996. Т.16, №1. - С.189-198.

3. Алиев Р.А., Богданис Ф.С. Автоматизация построения моделей планирования нефтеперерабатывающего производства // Интегрированные системы управления и переработки информации: Сб. науч. трудов // ИНВФТЕХИМ.-Баку, 1995.- С. 14-16.

4. Ансель Ж. О числе монотонных булевых функций и переменных // Кибернетический сборник. М.: Мир. 1996. Вып. 5. С. 53-57.

5. Андрейченков А.В., Андрейчикова О.Н. Система синтеза технических объектов, основанная на знаниях / / Материалы восьмой национальной конференции по искусственному интеллекту с международным участием. Коломна. М.: Физматлит, 2002. С.527-533.

6. Багриновский К.А., Логвинец В.В. Интеллектуальная система в отраслевом планировании. М.: Наука, 1999. - 196 с.

7. Ситуационное управление и семиотическое моделирование / Под ред. Д.А. Поспелова,- М: Финансы и статистика, 1983. С. 14-22.

8. Брушлинский Н.Н., Пранов Б.М., Туркин Б.Ф. Проблемы автоматизации управления пожарной безопасностью // Итоги науки и техники. Пожарная охрана, т.9. М.: ВИНИТИ, 1989. - С.40-103.

9. Брушлинский Н.Н. Моделирование процесса функционирования пожарной охраной // Пожарная охрана: Итоги науки и техники. М.: ВИНИТИ, 1997.

10. Брушлинский Н.Н., Гришин А.Ф., Семиков B.J1. ЭВМ и АСУ в пожарной охране // Пожарная охрана: Итоги науки и техники. М.: ВИНИТИ, 1997.

11. Брушлинский Н.Н. Системный анализ деятельности Государственной противопожарной службы. М.: МИНЬ МВД России, 1998.

12. Бурдаков Н.И., Рыжиков B.C. Применение теории нечетких множеств для оценки пожарной опасности объектов народного хозяйства // Пожарная профилактика: Сб. тр.- М.: ВНИИПО. 1998.- Вып.16.

13. Бурдаков Н.И., Гаврилей В.М., Тарасов В.Н. Статистическая модель динамики пожарной безопасности объектов / Пожарная профилактика: Сб. тр.- М.: ВНИИПО, 1990. Вып.16.

14. Валдисоо М.Н., Вутт Э.В., Койт М.Э. Об одном подходе к разработке интеллектуальной диалоговой системы / / Материалы восьмой национальной конференции по искусственному интеллекту с международным участием. Коломна. М.: Физматлит, 2002. - С.389-393.

15. Вапник В.Н. Восстановление зависимостей по эмпирическим данным. М.: Наука, 1989. 448 с.

16. Васильев С.Н., Жерлов А.К., Федосов Е.А., Федунов Б.Е. Интеллектуальное управление динамическими системами. М.: Физико-математическая литература, 2000.- 352 с. - ISBN 5-9221-0050-5.

17. Венценбаум Дж. Возможности вычислительных машин и человеческий разум. М.: Радио и связь, 1992. 368 с.

18. Выявление экспертных знаний (процедуры и реализации ) / О.И. Ларичев, А.И. Мечетов, Е.М. Мошкович. М.: Наука, 1991.- 128 с.

19. Гаврилей В.М., Дударев Г.И., Мешалкин Е.А. Применение методов многомерного статистического анализа при решении организационно-управленческих проблем: Обзорная информация, М.: ГИЦ МВД СССР, 1987.

20. Геловани В.А., Ковригин О.В., Смольянинов Н.Д. Методологические вопросы построения экспертных интеллектуальныхсистем // Системные исследования. Методологические проблемы: Ежегодник. М.: Наука, 1993. С. 254-278.

21. Горелик A.JI., Скрипкин В.А. Методы распознавания. М.: Высшая школа, 1994. 207 с.

22. Дорофеюк А.А. Алгоритмы автоматической классификации // Проблемы расширения возможностей автоматов. М.: ИПУ, 1991. С. 5-41.

23. Дрейфус X. Чего не могут вычислительные машины. М.: Прогресс, 1998. 336 с.

24. Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1996.-511 с.

25. Дюран Б., Оделл П. Кластерный анализ. М.: Статистика, 1987.128 с.

26. Емельянов С.В. , Ларичев О.И. Многокритериальные методы принятия решений. М.: Знание, 1995. 32 с.

27. Журавлев Ю. И. Корректные алгебры над множествами некорректных эвристических алгоритмов // Кибернетика; 1996. №4, С. 14-21; № 6. С. 21-27; 1998. С. 35-43.

28. Журавлев Ю. И. Об алгебраическом подходе к решению задач распознавания и классификации // Проблемы кибернетики. М.: Наука, 1988. Вып. 33. С. 5-68.

29. КайдбергГ. Вероятность и индуктивная логика. М.: Прогресс, 1998. -375 с.

30. Ким В.Н., Малыгин В.П., Ларичев О.И. и др. Использование автоматизированной системы в диагностике ишемической болезни сердца на догоспитальном этапе /7 Воен. -мед. журн, 1997. №1. С. 23-26.

31. Клацки Р. Память человека, структуры и процессы. М.: Мир. 1999.319 с.

32. Котенко И.В., Лихванцев Н.А. Технология экспертной критики для интеллектуальной поддержки принятия решений / / Материалы восьмой национальной конференции по искусственному интеллекту с международным участием. Коломна. М.: Физматлит, 2002. - С.565-573.

33. Кулинич А.А. Модель активизации мышления субъекта в системах когнитивного моделирования // Материалы восьмой национальной конференции по искусственному интеллекту с международным участием. Коломна. М.: Физматлит, 2002. - С.575-579.

34. Ларичев 0. И. Наука и искусство принятия решений. М.: Наука, 1999. -С. 199.

35. Ларичев 0. И. Проблемы взаимодействия человек-ЭВМ в системах поддержки принятия решений // Процедуры оценивания многокритериальных объектов. М.: ВНИИСИ, 1994.- С. 20-28.

36. Ларичев О.И., Зуев Ю.А., Гнеденко Л.С. Метод классификации проектов проведения прикладных научных исследований и разработок // Перспективное планирование научных исследований и разработок. М.: Наука, 1994. С. 24-33.

37. Левашова Т.В., Пашкин М.Н., Смирнов А.В., Шилов Н.Г. "Web-DESO": система управления онтологиями // Материалы восьмой национальной конференции по искусственному интеллекту с международным участием. Коломна. М.: Физматлит, 2002. - С.437-443.

38. Левашова Т.В., Пашкин М.П., Смирнов А.В., Шилов Н.Г. Принципы построения систем для быстрой интеграции знаний из распределенных источников // Труды международного конгресса "Искусственный интеллект в 21 веке". Дивноморское, Россия, 2001. Т.1.

39. Лорьер Ж.Р. Системы искусственного интеллекта: Пер. с франц.-М.: Мир, 1998 558 с.

40. Мануэль Т. Попытки внедрения экспертных систем и проблемы интеграции. М.: Электроника 1989. - 169 с.

41. Мичи Д., Джонстон Р. Компьютер творец. М.: Мир, 1997. - 254 с.

42. Мидэумото М. Нечеткое рассуждение с нечеткими условными высказываниями вида "ЕСЛИ. ТО. ИНАЧЕ. ". В кн.: Нечеткие множества и теория возможностей. Последние достижения: Пер. с англ ./ Под ред. Р. Р. Ягера М: Радио и связь, 1996.- С. 143-161.

43. Нильсон Н. Принципы искусственного интеллекта. М.: Мир, 1991.

44. Носков С.И. Технология моделирования объектов с нестабильным функционированием и неопределенностью данных. Иркутск: РИЦ ГП "Облинформпечать", 1996.

45. Осуга С. Обработка знаний. Пер. с япон.- М.: Мир, 1999. 295 с.

46. Практическое введение в технологию искусственного интеллекта и экспертных систем. / Р. Левин, Д. Дранг, Б. Эделсон: Пер. с англ. М.: Финансы и статистика, 1991.- 239 с.

47. Поспелов Д.А. Ситуационное управление. Теория и практика.-М.: Наука, 1996. С.285.

48. Распознание образов: состояние и перспективы: Пер. с англ. / К. Верхаген, Р. Дейн, Ф. Грун и др. М.: Радио и связь, 1995. - 104 е., ил.

49. Распознавание, классификация, прогноз. Математические методы и их применение. Вып.2.- М.: Наука, 1999.- 302 с.

50. Справочник искусственного интеллекта. Книга 1. Системы общения и экспертные системы. Под ред. Попова Э.В. М.: Радио и связь. 1990.- 469 с.

51. Саймон Г. Науки об искусственном. М.: Мир, 1992. 147 с.

52. Топольский Н.Г., Шварц-Зиндер С.Н. О возможности применения экспертных систем в пожарной охране // Деятельность ГПС в современных условиях: Сб.науч.трудов М.: ВИПТШ МВД России, 1992. - С. 18-19.

53. Туркин Б.Ф. Новые информационные технологии в Государственной противопожарной службе МВД России. Состояние и перспективы // Материалы пятой международной конференции "Информатизация систем безопасности" ИСБ 96. - МИНЬ МВД России, 1996. - С.116 - 119.

54. Туркин Б.Ф. Автоматизированные системы управления и связь в пожарной охране. М.: Радио и связь, 1987. 304 с.

55. Удилов В.П., Шварц-Зиндер С.Н. Экспертная обучающая система в подготовке специалистов экологической безопасности агропромышленных комплексов // Проблемы экологии при эксплуатации и ремонте техники. Сб.науч.трудов, ИГСХА, 1997. С.110 - 113.

56. Шварц-Зиндер С.Н. Унификация методов и технологии управления надзорного органа // Проблемы борьбы с преступностью в современных условиях: Материалы международной научн.-практ. конф.- Иркутск: ИВШ МВД РФ, 1995.- С.69-73.

57. Шварц-Зиндер С.Н. Подходы к разработке схемы концептуального анализа знаний для экспертных систем // Совершенствование деятельности ГПС в современных условиях: Материалы междунар.научно-практ.конф. -М.: ВИПТШ, 1996. С.87-89.

58. Шварц-Зиндер С.Н. Использование инструментальных средств для экспертных систем управленческого типа // Проблемы деятельности правоохранительных органов и противопожарной службы: Материалы междунар.научно-практ.конф.- Иркутск: ВСИ МВД РФ, 1997. С.46-47.

59. Шварц-Зиндер С.Н. Методологические вопросы экспертного моделирования деятельности органов ГПН // Актуальные проблемы общественной безопасности: Иркутск: ИВШ МВД РФ, 1996. - С. 144-146.

60. Шварц-Зиндер С.Н. Использование инструментальных средств для экспертных систем управленческого типа // Вестник ВСИ МВД России: -Иркутск: ВСИ МВД РФ, 1999. С. 28-35.

61. Шварц-Зиндер С.Н., Данеев А.В., Русанов А.В. Эскизный проект системы выявления возможных причин пожаров // Вестник ВСИ МВД России.- Иркутск: ВСИ МВД РФ, 1999. С.35-39.

62. Шварц-Зиндер С.Н. Формирование экспертных групп для задач ГПС и работа с ними инженера по знаниям // Проблемы деятельности ГПС регионов Сибири и Дальнего Востока: сб. ст. 1-ой Сибирской научн.-практ. конф. Иркутск: ВСИ МВД России, 2000. - С. 88-89.

63. Шварц-Зиндер С.Н., Филипушков С.В. Концепция разработки интерфейсов ЭС управленческого типа для нужд ГПН. Вестник ВСИ МВД России. Иркутск: ВСИ МВД России, 2000. - С. 36-40.

64. Шварц-Зиндер С.Н., Филипушков С.В. Экспертные системы проверки профессионального уровня сотрудников ГПН. Вестник ВСИ МВД России. Иркутск: ВСИ МВД России, 1999. - С. - 47-53.

65. Шварц-Зиндер С.Н. Разработка требований к экспертам при создании интеллектуальных систем для нужд ГПН // Новые информационные технологии в практике работы правоохранительных органов. Санкт-Петербург, 1998. - С.64-66.

66. Шварц-Зиндер С.Н. Использование инструментальных средств по созданию экспертных систем для нужд ГПН // Новые информационные технологии в практике работы правоохранительных органов. Санкт-Петербург, 1998. - С.75-76.

67. Шварц-Зиндер С.Н. Проблемы повышения качества структурирования знаний для экспертной системы "Пожарная безопасность" // Развитие новых информационных технологий: Сб. ст. межвузовской науч.-практ.конф-Иркутск: ИГТУ, 1997. С.43-46.

68. Шварц-Зиндер С.Н. Экспертно-обучающие системы. // Перспективы совершенстввования для ОВД и ГПС: сборник статей ВСИ МВД России. Иркутск: ВСИ МВД России, 2001. - С. 13-14.

69. Шварц-Зиндер С.Н. Применение экспертной системы "Пожар" в управленческой деятельности ПАСС. Материалы 2-ой региональной научно-практической конференции "Проблемы пожарной безопасности Сибири и Дальнего Востока" / ВИНИТИ. М.: 1992.

70. УистонП. Искусственный интеллект: Пер. с англ. М.: Мир, 1990.

71. Экспертные системы. Принципы работы и примеры / Под ред. Р.Форсайта. М.: Радио и связь, 1989. 224 с.

72. Элти Дж., Кумбс М.: Экспертные системы. Концепции и примеры. -М.: Финансы и статистика, 1987. 192 с.

73. Яблонский С.В. Функциональные построения в К-значной логике. -В кн. Труды МИАН СССР, т.51. М.: Из-во АИ СССР, 1958. - С.5-142.

74. Яглом A.M., Яглом И.М. Вероятность и информация. М.: Наука, 1993. -256 с.

75. An Expert System for Process Planning. Descotte Claude // Solid Model Comput. Theory Appl. Proc. Symp., Warren, Mich. New York Academic Press, 1993. P. 324-337.

76. Artificial Intelligence Manufacturing / Bd, by T. Bernold.- North-Holland, 1997. 325 p.

77. An Expert System for Control and Signal Processing with Fortran Code Generation / C. Gornez, G. L, Blankenship, P. Kirraret al.// Proc. 23-rd ConfDecis. and Contr., Las Vegas, 12-14 Dec., 1994. New York, 1994 Vol. 24: N.- P. 716723.

78. An Expert Control System for Tool Life Management in Flexible Manufacturing Cells / A.Villa. G.Quaglia, R.Chiara at al.// CIRPAnn, 1995 Vol. 34, № 1-P. 87-90.

79. A Real-Time Expert System for Process Control / R. Moore, L. Hawkinson, C. Knickerbocker at all // First Conf. on Artificial Intelligence Applications. Computer Society, 1994 P. 178-186.

80. A Real-Tinie Expert System for Process Control / R.Moore, L.Hawkinson, C. Knickerbocker at al.// First Conf. on Artificial Intelligence Applications, -computer Society. 1984 P. 178-186.

81. Bibel W. Artificial Intelligence in Europe // Artificial Intelligence: Methodology, Systems Applications / Ed. by W. Bibol.- North-Holland, 1995. P. 3-15.

82. Bramer M.A. A Survey and Critical Review of Expert Systems Research // BCS Information Technology Eighties. Proc. Conf.- London, 1991 P. 486-515.

83. Bundy A. Incident calculus a mechanism for probabilistic reasoning // Inform. Proc. - 1994. Vol.74, P.308-312.

84. CoRA An Expert System for Verification Reky Protection Systeins // Personal communication with Westinghouse Electric Corporation's Productivity. -1995- P.81-132.

85. Clancey W. Classification problem solving // Proc. Nat.Conf. Artif. Intelllg., Univ. Texas. Austin, 1994. P. 49-55.

86. Decision support systems: Issues and challenges / Ed.C.Fick, R.Sprague. Oxford: Pergamon press, 1990. 189 p.

87. The Development of ALADIN, and Expert System for Aluminum Alloy Design / M. L. Farinacci, M.S, Fox, Hulthage et al // Artificial Intelligence all Manufacturing / Ed, by T. Bernold.- North-Holland, 1997.- P. 171-185.

88. Duda R.O., Gaschnig J.G. Knowledge-based Export Systems Come of Egel Byte 1991.- Vol. 6, № 9.- P. 238-278.

89. Emst G., Newell A. GPS: a Case Study in Generality and Problem Solving. New York: Academic Press, 1999. - 315 p.

90. Expert System Gives Advice for the Real time Control. "Dig. Des", 1995, №4- P. 28-30.

91. Expert Systems for Process Control Rooms, by RAE Sargeant // Measurement Control. 1996. -Vol. 19, № 2. - P. 239-244.

92. Furbach U., Dirlich G., Freksa C. Towards a Theory of Knowledge Reprezentation Systems // Artificial Intelligence: Methodology, Systems. Apphcations / ED. By W. Bibel, -North-Holland, 1995. P. 77-84.

93. Hendux G. G-Expanding the Utility of Semantic Networks Through Partitioning // Artificial Intelligence. 1996. Vol.7.- P. 21-49.

94. Hoffman P., Slovic P., Rorer L. An analysis of variance model for the assessiment of conflgural utilization in clinical judgments // Psychol. Bull. 1998. Vol. 69. P. 37-48.

95. Humphreys P., McFadden W. Experiences with MAUD: aiding decision structuring versus bootstrapping the decision maker // Psychol. 1990. Vol. 45. P. 24-37.

96. Cami G. An Expert System for the Process Planning // process Syst. Eng.; PSE 84: Use Coinput. Chem.Eng.Conf.- Cambridge, 1994.- P. 11-23.

97. Carna R. Inductive logic and rational decisions // Studdies in inductive logic and probably. 1991. P.5-31.

98. Feigenbaum L.A., McCorduck P. The 5th generation. Addson Wesley. Mass. 1993, 266 p.

99. Fellenstein С., Green С., Punier 0. IMS-A Prototype Manufacturing Knowledge-based System in Syllog // Pitsburg. Carnegie-Mellon University -1995.-P. 58.

100. Finn Т., McAdams J., Kleinosk A. FOREST an Expert System for Automatic Test Equipment / 71th Conf., Art. Int. Application, Denver, 5-7 Dec., 1994. - P. 350-356.

101. Fox M. Industrial Application of Artificial Intelligence // Artificial Intelligence in Manufacturing / Ed, by T.Bernold-North-Holland. 1997. P. 1-18.

102. Kahneman D., Slovic P., Tversky A. Judgment under uncertainty: heuristics and biases. Cambridge: Univ. Press. 1992, 555 p.

103. Kazuhiko K., Close J. ROTES: An Expert System for Robot Trouleshooling.// Proc 16fh Southeastern Symp. Syst. Theory, Mississipi, 25-27 March 1984. Silver Spring, 1994. - P. 129-132.

104. Kirn L. McDermott J. TAUB: An Layout Design Assistant // Proc Nat. conf.of al.-1993. 4os Altos, CA: W. Kaufman Inc.- P. 197201.

105. Kobsa A. Knowledge Representation: a Surway of its Mechanisms, a Sketch of its Semantics // Cybernetics and Systems. 1994. - № 15. - P. 41-89.

106. Lenat D.B. Theory Formation by Heuristic Search. The Nature of Heurictisc: Background and Examples //Artificial Intelligence 1993.- Vol. 21.

107. Limdsav K.J. Frame Based Knowledge Representation for Processing Planning // Proc. First Annual Aerospace Application of AI. - Dayton O.H: Wight-Patterson Air Force Base Materials Lab., 1995. - P. 231 -239.

108. Mamdani В. H. Application of Fussy Logic to Approximate Reasoning Using Linguistic Systems Trans.- 1997. Vol. 26. - P. 1182-1191.

109. Manuel Т., Evanezult S. Commercial Products Begin to Emerge From Decades of Research // Electronics. 1993. Vol. 22. P. 127-131.

110. Marcus S., Stout J., McDermott J. VT: An Expert Elevator Configurer // Technical Report, Computer Science Dept.- Pitsburg. Carnegie-Mellon University, 1996. P. 19-26.

111. McDermott : A Computer Sales Person's Assistant // Machine Intelligence / Ed. by J.E., Michie Y.H.- John Willey & Sons, 1992.- P. 172-186.

112. McDermott J.R. A Rule-Based Configurer of Computer Systems // Artificial Intelligence.- 1992.-Vol. 19, №1, - P. 39-88.

113. Miwmoto M., Fukami S., Tanaka K. Come Methoods for Fuzzy Reasoning // Advances in Fuzzy Set. Theory and Applications / Ed, by M. M. Gupta, R.K, Ragade, R.R. Yager. North-Holland, 1997, - P. 117-136.

114. Moris D. LISP Shows First Process Control Expert Systein // Electronic Enginnering Times. -1994, № 13. P. 41-53.

115. Newell A., Simon H. A. Human Problem Solving. Binglcwood Cliffs, N. J.: Prentice-Hall, 1992. 234 p.

116. Nilson N.G. Probabilistic logic // Ibid. 1996. Vol.28 P.71-87.

117. Nisbett R.E., Wilson T.G. Telling more than we can know: verbal reports on mental processes // Psyschol. Rev. 1997. N 37. P. 231-259.

118. Nakashima H. Knowledge Representation m PROLOG / KR // Int. Symp. on Logic Programming, Feb. 6-9, 1999.

119. Perrot A., Lebaity J.M. The Project at EefAquitane.// Pattern Recogmt. Lett. 1994. Vol. 6, № 5. - P. 433-437.

120. Perrone G. Down from the clouds: notes on "Expert systems, microcomputers and operation research" // Comput. and Oper. Res. 1996. Vol.13, N2, 3. P.323-344.

121. Post E. Format Reduction of the General Combinatorial Problem // Amer. Matem. 2000.- Vol. 65.- P. 197-268.

122. Processes and tools for decision support / Ed. H.Sol.Amsterdam: North-Holland. 1993.259 р.

123. Reiter R.A. Logic for Default Reasoning // Artificial Intelligence. -1999. -P.l 17-125.

124. Shortliffe E.N., Buchaman B.C., Feigenbaum E.A. Knowledge engineering for medical decision making: A rev. of computer-based clinical decision aids // 1999. Vol. 67, N 9. P. 1207-1223.

125. Quillian M.R. Semantic Memory / report APCRL -Cambridge: MIT Press, 1996.- P. 251-259.

126. Robinson J.A. A Machine-Oriented Logic Based on the Resolution Principle //ACM, 1999. Vol. 12. - P. 23-41.

127. Sathi A., Morton Т., Roth S. Callisto. An Intelligence Project Management System // Al Magazine, 1996. vol. 4, № 1.- P.27-34.

128. Schubert L.K. Extending the Expressive Power of Semantic Network / Artificial Intelligence. 1996. - Vol. 7. - P. 162-198.

129. Steele G.L. The Defimicion and Implementation of a Computer Programming Language Based on Constraints (Ph. Thesis) // MIT Technical Report Al-TR-595 Cambridge, 2000. - P.25.

130. Tomson J. PEDOTEX: Expert System for Process Control and Maintenance // Proc .Tech. Assisments and Management Conf. of the Cottlieb Duttweiler Institute Ruschilikon-Zbrich, 1995.- P. 128-134.

131. Waterman D.A. An Introduction to Production Systems // AISP Bur. Newsletter. 1997. Issue 25. - P. 7-10.

132. Winograd T. Frame Representation and the Declarative / Procedural Contro-versy // ReDresentation and Understanding / Ed, 1998.

133. Yaghmal U.S., Maxin J.A. Expert systems: a tutorial // J.Amer. Soc. Inform. Scl. 1999. Vol. 35. N 5. P. 297-305.

134. Систематизация и классификация известных аналогов экспертных оболочек управленческого типа.

135. Наименование Стадии существования Тип Представление знаний Основные свойства Среда функционирования Источник

136. AC1.S Коммерческая Оболочка Примеры, правила Обеспечивает преобразование внешнего представления правил, получаемых при решении экспертом задачи, в общие правила методом индукции. APPLE, IBM, PC; PASCAL Paterson et al., 1992

137. ADVISE Исследовател ьский прототип Средство автоматизации проектирования ЭС Правила Вспомогательные программы для различных форм представления знаний, стратегий управления, индуктивного вывода правил и т.д. PASCAL Michalski et al., 1993

138. AGE Исследовательская То же ♦ Выбор фреймов, языка, правил, соединение отдельных компонентов в систему. INTERLISP Aieelo et al., 1981; Niietal., 1989

139. Analyser Plus Коммерческая * * Предоставление возможности экспертам разрабатывать ЭС без участия инженеров по знаниям IBM PC Expert Systems, 1995,v.3,N 1

140. APES Исследовательская Яз-Язык инженера знаний * Обработка недостоверной информации IBM PC (128k) PROLOG Hammond, 1982 Hammond, 1983

141. APES Коммерческая Средство автоматизации проектирования ЭС * Автоматическая генерация диалога и текстов объявлений IBM PC (128k) Expert Systems, 1995,v.2, N 4

142. APLICOT Экспериментальная Я-Язык инженера знаний Логика Гибкое управление, использующее прямые и обратные цепочки, обработка фактора уверенности. Вспомогательная среда, интерактивный редактор правил и фраз ICOT, DEC-2060 Mizoguchi, 1983

143. Autologie * То же Правила, прямые цепочки Вывод правила на основе примеров; несколько редактирующих программ; объяснительная способность IBM PC Expert Systems, 1995,v.2, N 4

144. Cash Value # Язык инженерии знаний Правила Диагностика IBM PC (192k) To же

145. CODES * То же Фреймы Задачи диагностики IBM PC (256k) To же

146. Cristal * Оболочка Правила, обратные цепочки Для ведения правил используется интерактивный редактор, нет необходимости овладевать языком правил IBM PC Expert System, 1996, V.3.N3; Expert Systems User 1997, v. 2, N 12

147. DPL Исследовател ьская Язык инженерии знаний Фреймы Создание и манипулирование фрейма ми Интерактивный графический редактор SymboIics-3600 ZETALISP Batali, 1990 Davis et al., 1992

148. E Fossil Коммерческая Оболочка Деревья Возможности для БЗ режимы запроса эксперта и обучение Объяснительные способности, графика, ЕЯ-интерфейс. Для областей с таксономическим представлением знаний (геология и т.п ) PROLOG Expert Systems, 1996. v.3, N2;

149. SDI ESCF. * * Прямые и обратные цепочки, правила Для решения задач "структурного выбора" (диагностики), не требуется инженера по знаниям в процессе работы; встроенная объясняющая программа IBM System/370 VM/CM; PASCAL Expert Systems, 1995, v.2, N 4;

150. ES/P Advisor * * Правила Преобразования заранее подготовленных текстов в ЭС, до 400 правил IBM PC; PROLOG Expert Systems, 1995, v.2, N4;

151. ESP Frame Engine * * Прямые и обратные цепочки, демоны, механизм наследования; фреймы Для опытных разработчиков ЭС в области диагностики, конфигурации, планирования IBM PC/AT (640K.) Expert Systems User 1997, v.2, N 12;

152. ETS Исследовательская Средство автоматизации проектирования ЭС Помощь экспертам в создании и анализе БЗ путем интервьюирования эксперта XEROX-1100 INTERL1SP-D Boose, 1994

153. Expert-teach -II Коммерческая То же Правила Комплексный инструментарий, включающий примеры ЭС, интерактивные обучающие программы, языки ИИ и 6 оболочек ЭС работающих с правилами IBM PC (256k) LISP, PROLOG PASCAL Byte, 1997 Febr

154. Expert-4 * Оболочка Правила, размытая логика Для студентов и специалистов в области биомедицинской информации (классификация и диагностика) IBM PC (256k) Compiled, BASIC Expert Systems User 1987, v.2, N 12;

155. Expert Исследовательская * Правила Для решения задачи диагностики и классификации. Широко используется в медицине DEC IBM FORTRAN Waterman, 1996

156. EXPERT-EASE Коммерческая * Примеры, правила Помощь при создании ЭС; требует от эксперта примеры условий, ведущих к каждому результату, и создает дерево вывода IBM PC/XT (128K) PASCAL Perrone, 1993

157. Expertkit * * Диагностика, управление обработкой данных в реальном масштабе времени До 1000 правил IBM PC,Macintosh Le-LISP Expert Systems User 1997, v.2, N 12;

158. Exsys Коммерческая Оболочка Правила Обработка вероятности; может служить интерфейсом систем БД, вызывать внешние управляющие программы IBM PC,С Expert Systems 1995, v.2, N4;

159. First-Class * * Индукции,правила Средство для разработки ЭС, не требующее от пользователя знания программирования IBM PC (PC,DOS, MS DOS,256K) Expert Systems 1996, v.3, N3,

160. FIT Исследовательская Язык инженерии знаний Логика Объединение свойства ПРОЛОГА и ЛИСП Широкая ориентация, нехронологический параллелизм DEC-10;UCI-LISP Boley, 1993

161. G2 Коммерческая Средства автоматизации проектирования Правила, фреймы Создание систем для управления процессами в реальном времени Symbolics, Common-LISP Вульф, 1997

162. CETREE Исследовательская Средства автоматизации проектирования ЭС Сети, правила Вспомогательное средство для управления БЗ в виде сетей; представление правил в графа И/ИЛИ DEC-VAX, VMS Lewis et al., 1983

163. GURU Коммерческая То же Правила ЕЯ-интерфейс для расчетов; интерфейс с БД, электронная таблица IBM PC,VAX 11/780 PCWOS, MS DOS;C AI, 1987a

164. Gold Hill Expert System Toolkit (-Acorn Shel) * * Правила, фреймы Создание систем для управления процессами IBM PC; GCI.ISP Expert Systems User 1997. v.2, N 11;

165. KANDOR Исследовател ьская Язык инженерии знаний Фреймы Преднамеренная ограниченность выразительности языка для обеспечения простоты вычислений, наследование свойств, простой интерфейс LISP Patee Scheider,1994

166. KAS Коммерческая Оболочка Правила Интерфейс и механизм вывода от системы PROSPEKTOR INTERLISP Expert Systems 1996, v.3, N 1;

167. KEE То же Средства автоматизации проектирования Правила, фреймы, логика Интерфейс и механизм вывода от системы PROSPEKTOR VAX,Xerox 1100; T1 Explorer, Symbolics Kehler et al.,1994 Kunzetal, 1994

168. KISS * ♦ Обратные цепочки, индукция Поиск, хранение и вывод знаний IBM PC/XT,AT и др (DOS) Micro-Prolog Professional Expert Systems User 1997, v.2,N 12; Schmolsee! al., 1992

169. KL-ONE Исследовательский прототип Язык инженерии знаний Семантические сети Автоматическое наследование свойств, автоматический классификатор Интерактивный графический редактор БЗ Xerox 1100, DEC VAX;Symbolics,TI Explorer; INTERLISP Schmolseet al., 1993

170. Knowledge Craft Коммерческая То же Правила, фреймы Логика Программное обеспечение для создания больших систем, основанных на знаниях Symbolics T,VAX, T1 Explorer; OPS-5, PROLOG Expert Systems 1996, v,3, N 1;

171. Micro-IN-ATE * Оболочка Правила Приобретает информацию, необходимую для формирования БЗ из данных средств автоматизации проектирования и данных о достоверности APPLE, Macintosh IBM PC; PASCAL, LISP Expert Systems 1996, v.3. N 1;

172. ONARDO Коммерческая Оболочка * Имеет средства для неподготовленных пользователей и для инженеров по знаниям Объективно-ориентированная архитектура IBM XT,AC.PC DOS FORTRAN, ASSEMBLER Expert Systems User 1997, v.2, N 12.|

173. OPS Исследовательская Объектно-ориентированный язык Правилалроцедуры, демоны Включает 4 парадигмы программирования Вспомогательная система, включающая КС для отладки Xerox-1100; 1NTERI.ISP-D Waterman, 1996

174. NEXUS Коммерческая Оболочка Правила, прямые и обратные цепочки Финансовый анализ, экономика, управление, коммерция 500 продукционных правил IBM PC/XT, AT, FORTH Expert Systems User 1997, v.2, N 12;

175. PC/Beogle * * Прямые цепочки, булевы правила,таблица вероятностей Вывод правил из данных для пользователя и для инженера по знаниям IBM PC,DEC VA, Data General MV 1 lp300;TURBO-PASCAL,C Expert Systems User 1997, v.2, N 12;

176. Personal Consultant Plus * * Правила,Фреймы 2000 правил IBM PC,T1 Explorer(512K) Waterman, 1996

177. PICON * Средство автоматизации проектирования Правила Для управления производственными процессами в реальном масштабе времени Lambda LMI;LISP Moore et al., 1994 Morris, 1994

178. Pro MD * Оболочка Задачи диагностики в медицине В основу MYCIN; ЕЯ-интерфейс IBM PC;PROLOG-2 Expert Systems User 1987, v.2, N 12;

179. PLL Исследовательский прототип Язык инженерии знаний Фреймы Благодаря гибкости возможно уточнение языка представления с помощью частных представлений, стратегий наследования и схемы управления INTERL1SP Greiner et al.,1980 Watterman, et al, 1983

180. RULE MASTER (версия 3.0) Коммерческая Средство автоматизации проектирования Правила Автоматическая индукция правил из примеров; объяснения (почему?), использование "размытой" логики MS DOS IBM PC/AT,XT,C Byte, 1997, Jan

181. RULE MASTER ♦ То же * Вывод правил на основании примеров, иерархия порождающих правил, возможность использования внешних данных и процессов, автоматическая генерация объяснений VAX,SUN.IBM PC;C Michieet al.,1984 Riese, 1995

182. S-l # Оболочка Правила, Фреймы Взаимодействие с другими программами, простота в обращении, не требует переучивания программиста SUN,APOLLO,Micro -VAX,Xerox-l 100; Symbolics;C, ADA Expert Systems, 1995, v.2. N4;

183. SAVOIR * * Правила Допускает правдоподобные рассуждения, контролирует наполнение БЗ; Визуальное представление данных 1BM370,IBM PC/XT PRIME,SYR1US.VAX Expert Systems 1985, v.2. N 4, Expert Systems User 1997, v.2, N 12;о

184. SRI + * Язык инженерии знаний Фреймы, правила Для логических, объектных и ориентированных на правила методов представления. Наследование свойств определяется пользователем; Встроенная система ведения БД DEC VAX. Symbolics-3600 COMMON-LISP Wright et al.

185. SRI./l 5 Исследовательским прототип То же То же Автоматическая и заданная пользователем наследование свойств, разнообразные контексты для суждений в альтернативных мирах. 1)1 t VAX; FRENZ-LISP To же

186. Smalltalk-AT * Объектно-ориентированный язык Объекты Версия языка Smalltalk с графическим интерфейсом, "мышью", "окнами". Совместим с Smalltalk-80 IBM PC Expert Systems 1987, v.2, N 10;

187. Smalltalk-V * То же * Версия языка Smalltalk с организацией памяти в двоичных кодах IBM PC To же

188. Smalltalk-80 * * * Расширение стандартной версии языка Smalltalk Textronics-4400 *

189. THIRAS1AS Исследовательский прототип Средство автоматизации проектирования ЭС Правила Передача знаний экспертам в БЗ в интерактивном режиме. Ограниченный подъязык английского языка для приобретения новых правил INTERLISP >76; 1988; 1989

190. VP-Expert * То же * Для создания ЭС Вывод правил из примеров IBM PC Byte, 1997, June

191. Twaice * + Правила, прямые и обратные цепочки Правила запрашиваются интерактивным редактором и затем составляются для данной версии ЭС Проверка непротиворечивости правил NIXDORF-8832, PROLOG Expert Systems 1996, v.3,N 1;

192. WIZDOW * Оболочка Семантические сети Оболочка для создания и отладки ЭС IBM PC/AT (640K) С Expert Systems 1996, v.3,N3;

193. WPS + * Правила Для решения задач планирования, оценки производительности IBM PC/XT. AT; С Expert Systems User 1997, v.2, N 12;

194. Xi * * Прямые и обратные цепочки Возможные вопросы типа "Что, если " IBM PC; PROLOG Expert Systems 1995, v.2, N 4;

195. Xi Plus * * Прямые и обратные цепочки, правила Для программистов, экспертов и пользователей в области законодательства и диагностики Динамическое распределение памяти. IBM PC/XT, AT; MicroPROLOG, ASSEMBLER Expert Systems User 1997, v.2, N 12,

196. XSYS * * Правила Обработка приближенной информации IBM PC; LISP Expert Systems 1995, v.2, N4;

197. ДИРП Промышленная * Правила сети, процедуры Представляет причинные, временные и пространственные знания EC ЭВМ; ПЛ/1 Кириллов и др., 1995

198. КОНС-ПРОЛОГ * * * Для задач диагностики небольшого размера CM-4.0C РАФОС-2; Пролог Диалоговая, 1997

199. МикроПРИЗ МикроЭКСПЕРТ * Средство автоматизации проектирования Правила, сети Для построения гибридных систем на основе синтеза программ и эвристических знаний ЕС-1840,IBM РС/ XT, Labtam Коов, 1997

200. ПИЭС Исследовател ьская То же Правила Много уровневая с несколькими языками представления: ПИЛОТ, ATNL2, TUTOR IBM PC/XT,AT, Labtam 3000 Рефал/2 Хорошевский, 1996

201. Реляп * Язык инженерии знаний Отношения, правила Реляционный язык представления знаний EC ЭВМ Kleshchev, 1994

202. СПЭЙС * Оболочка Правила, Фреймы Для задач диагностики IBM PC, MS WOS; Лисп Kleshchev, 1994

203. ФИАКР Коммерческая * Правила То же CM-4; ПАСКАЛЬ Kleshchev, 1994

204. ЭКСПЕРТ * * * * IBM PC,EC-1840, EC-1841, АЛЬФА-ДОС, СИ Kleshchev, 1994

205. ЭКСПЕРТИЗА (ГЛОБ) * * Правила, Фреймы Для задач диагностики, гибридная система EC ЭВМ,ОС 6.1, 7 0ЛИСП BM, Ассемблер ГЛОБ на ПЭВМ Kleshchev, 19941. NJ1. РОССИЙСКАЯ ФЕДЕРАЦИЯ

206. РОССИЙСКОЕ АГЕНТСТВО ПО ПАТЕНТАМ И ТОВАРНЫМ ЗНАКАМ (РОСПАТЕНТ)1. СВИДЕТЕЛЬСТВО

207. Об официальной регистрации программы для ЭВМ2003610529

208. Программа выявления причин пожаров на объектах различного функционального назначения ("ДАРШ")1. Правообладатель(ли):

209. ЯМвару-Знндер Сергей 91пколаевн1, Юанеев еЛлексеЖ 33асилъевя1,

210. Русанов Здя1еслав сЛнатолъеви1 (RU)1. Автор(ы):

211. ЯЛвару- Знидер Сергей <Лнколаевн1, Юапеев еДлексей Здаснлъевп1, 'Русанов Здя1еслав сЛнатолъеви1 (RU)

212. Страна: Российская Федерацияпо заявке № 2002611954, дата поступления: 10 ноября 2002 г.

213. Зарегистрировано в Реестре программ для ЭВМг. Москва, 27 февраля 2003 г.гТсм^тльиый, длфеюпьо^ь ~, ЛЯ). тс

214. УТВЕРЖДАЮ Первый зам§сжйчщь председателяета по делам к УГПС лужбы1. Государс ГО ипол1. С. MAC ЛОВ года

215. Акт о внедрении научно-исследовательских результатов в практическую деятельность

216. Настоящий акт финансовых обязательств не несет.

217. Председатель комиссии: Заместитель начальника Управления -начальник ОПТиРО УГПС МЧС России РБподполковник внутренней службы А.П. Сорокин1. Члены комиссии:

218. Старший дознаватель группы дознания при УГПС МЧС России Республики Бурятия^майор внутренней службы f /У^ ' С.Д. Жигмытов

219. Начальник ИПЛ ГПС МЧС России РБ майор внутренней службы1. В А. КорытовутверждаюрпУа^альника УГПС МЧС КО Шк|)вник внутренней службы Ц/+ у/В.В. Ситников•Р JJу> .у2003 года

220. Акт о внедрении научно-исследовательских результатов в практическую деятельность

221. Настоящий акт финансовых обязательств не несет.

222. Председатель комиссии: Зам начальника УГПС МЧС КО подполковник внутренней службыо1. УТВЕРЖДАЮ1. Заместитель начальника

223. ВСИ МВД России по учебной работе

224. Акт о внедрении результатов научно-исследовательской работы по теме: "Обработка данных и знаний управления пожарной безопасностью промышленных объектов" в учебный процесс ВСИ МВД России

225. Заместитель начальника учебного отдела1. ВСИ МВД Россииполковник внутренней службы1. В.Е. Антипин

226. Члены комиссии: Начальник ОН и РИО ВСИ МВД России

227. Начальник КОиЭ в ГПС ВСИ МВД России к.т.н., доцентполковник внутренней службык.т.н., доцент подполковник милиции1. A.M. Лапкин1. В.М. Кусачев1. УТВЕРЖДАЮ

228. Заместитель начальника Иркутского отряда ведомственной охраны по ПТЧ ВО МПС России1. A.M. Короткое2003г.1. АКТо внедрении научно-исследовательских результатов в практическую деятельность

229. Председатель комиссии: Старший инструктор ПТЧ

230. Члены комиссии: . Начальник пожарного поезда ст. Суховская-Южная

231. Начальник пожарной командь: ст. 1фкутск-Сортировочный1. УТВЕРЖДАЮ

232. Начальник Комсомольского отряда ведомственной охраны ФГУП ДВжд * РЛ?. Уи1илов2003 год1. АКТо внедрении научно-исследовательских результатов в практическую деятельность

233. Комиссия в составе: и.о. заместителя начальника

234. Настоящий акт финансовых обязательств не несет.

235. Председатель комиссии: И.о. заместителя начальника Комсомольского отряда в/охраны ФГУП ДВжд

236. Члены комиссии: Старший инструктор по противопожарной профилактик

237. Начальник стрелково-пожарной команды ст. Комсомольск-груз1. Г.Н. Бабий1. С.В. Гиренко1. Максимов