Применение интеллектуальных агентов магнитных измерений для мониторинга объектов железнодорожной инфраструктуры

Коробейников Анатолий Григорьевич доктор технических наук профессор, Санкт-Петербургский филиал Федерального государственного бюджетного учреждения науки Института земного магнетизма, ионосферы и распространения радиоволн им. Н.В.Пушкова Российской академии наук. 199034, Россия, г. Санкт-Петербург, ул. Менделеевская, 1 Korobeinikov Anatolii Grigor'evich Doctor of Technical Science professor, Pushkov institute of terrestrial magnetism, ionosphere and radio wave propagation of the Russian Academy of Sciences St.-Petersburg Filial 199034, Russia, g. Saint Petersburg, ul. Mendeleevskaya, 1 Korobeynikov_A_G@mail.ru Другие публикации этого автора     Гришенцев Алексей Юрьевич доктор технических наук доцент, Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики 197101, Россия, г. Санкт-Петербург, Кронверкский проспект, 49 Grishentsev Aleksei Yur'evich Doctor of Technical Science Associate Professor, St. Petersburg National Research University of Information Technologies, Mechanics and Optics 197101, Russia, St. Petersburg, Kronverkskiy prospect, d. 49 grishentcev@ya.ru Другие публикации этого автора

Святкина Мария Николаевна 105005, г. Москва, 2-я Бауманская ул., д. 5 Svyatkina Mariya Nikolaevna 105005, g. Moscow, 2-ya Baumanskaya ul., d. 5 Korobeynikov_A_G@mail.ru

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

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

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

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

Деятельность ИС состоит из трех этапов:

Рис. 1 Архитектура Интеллектуальной среды

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

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

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

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

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

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

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

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

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

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

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

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

Основные характеристики агентов в задачах распределенного мониторинга среды:

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

2. Глобальное управление агентами ограничено или отсутствует.

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

4. Агенты функционируют в асинхронном режиме.

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

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

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

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

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

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

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

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

Итак, в МАС ИА МИ разделены следующие типы знаний.

1. Специфические для конкретной предметной области знания эксперта:

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

• содержание остается неизменным при использовании системы;

• изменение возможно посредством обучения системы.

2. Факты и знания о специальных случаях:

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

3. Промежуточные и окончательные результаты:

• получаются посредством осуществления выводов на основании имеющихся знаний.

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

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

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

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

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

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

О четырехзначных семантиках и их приложених

Пусть V – множество значений истинности. По Данну, в качестве значений истинности могут выступать не только элементы v`in` V, но и любые его подмножества, включая пустое множество `O/` , т.е. осуществляется изящный переход от V к 2^V. В простейшем случае для |V|=2 получаем логическую семантику Данна-Белнапа 2^V = V₄ ={T, B, N, F}, где B={T, F}, N={`O/` }. Здесь B (от англ. слова Both – и то, и другое, оба), понимается как «пресыщенная оценка» истинности (Glut), а N (от None – ни то, ни другое) – как разpыв истинности или «истиннозначный провал» (Gap).

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

Представление семантики диалога двух сенсоров в сети

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

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

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

Из рис.2 и 3 видно, что, например, T₁T₂ >_vN₁Т₂ >_vF₁T₂ >_vF₁N₂ >_v F₁F₂, а T₁T₂ >_vT₁B₂ >_vT₁F₂ >_v B₁F₂ >_v F₁F₂.

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

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

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