CC BY
143
© И.О. Темкин, Д.А. Клебанов, 2014
УДК 519.7:622.1
И.О. Темкин, Д.А. Клебанов
ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ УПРАВЛЕНИЯ ГОРНОТРАНСПОРТНЫМИ КОМПЛЕКСАМИ: СОВРЕМЕННОЕ СОСТОЯНИЕ, ЗАДАЧИ И МЕХАНИЗМЫ РЕШЕНИЯ
Рассмотрены вопросы применения методов искусственного интеллекта при управлении горно-транспортными системами в карьерах, особенности технологических процессов добычи полезного ископаемого открытым способом как объекта управления, а также основные этапы эволюции систем автоматизированного управления горно-транспортными комплексами (ГТК). Обсуждаются проблемы развития проекта «Интеллектуальный карьер». Основное внимание в работе уделено общим принципам построения интеллектуальной системы управления ГТК и анализу архитектуры интеллектуальной системы на основе агентного подхода. Даны рекомендации по использованию программных инструментов для моделирования и разработки прототипа системы.
Ключевые слова: карьер, горно-транспортный комплекс, интеллектуальная система управления, агентные системы, интеллектуальная платформа, мультиагентное моделирование, инструментальные программные средства.
Лобыча разнообразных видов полезных ископаемых открытым способом характеризуется рядом особенностей, обуславливающих сложность построения систем управления горными работами в карьерах:
1. В отличие от многих промышленных объектов при управлении технологическими процессами в карьерах трудно сформулировать и строго формально определить цель функционирования объекта.
2. Критерии оптимальности различных технологических процессов, а также процессов, вызванных воздействием на природную среду на всех этапах ведения горных работ, достаточно специфичны, существенно различаются по способам описания и, как правило, противоречивы.
257
3. Вне зависимости от уровня рассмотрения проблемы (отдельная производственная операция, локальный технологический процесс, комплексная технология), объект управления характеризуется пространственной распределенностью важнейших параметров управления, а взаимосвязи между этими параметрами описываются нелинейными функциями и образуют сложную топологическую структуру, постоянно изменяющуюся во времени.
Кроме того, предсказание поведения основных параметров на основе традиционных моделей и методов прогноза практически невозможно из-за нелинейности, стохастичности и не стационарности процессов в системе «человек-технология-горный массив». Усложняет проблему также большая размерность решаемых задач. Следует дополнительно подчеркнуть, что в последние годы в горной промышленности наблюдается естественный процесс усложнения горногеологических и климатических условий добычи. Добыча полезных ископаемых с каждым годом ведется на все больших глубинах, а это напрямую сказывается на эффективности и безопасности ведения горных работ. Разработки месторождений, как правило, ведутся в труднодоступных регионах с недостаточно развитой социальной инфраструктурой, что существенно осложняет участие человека в технологических процессах и создает проблемы поиска высококвалифицированного персонала.
В этой ситуации особую значимость приобретает дальнейшее развитие моделей управления и методов автоматизации, разработка и внедрение современных интеллектуальных средств и программных систем и создание на их основе новых технологий извлечения полезного ископаемого, в рамках которых горная техника частично или полностью работает без водителей и операторов [3, 4, 5].
Следует отметить, что история использования средств вычислительной техники и устройств автоматики в процессах управления открытыми горными работами и, в первую очередь горно-транспортными комплексами, насчитывает не один десяток лет.
Можно кратко охарактеризовать несколько основных шагов в развитии технологий автоматизации управления, которые существенно изменили формы и методы управления ведением работ при добыче полезных ископаемых открытым способом:
1. Разработка методов автоматизированного управления работой карьера, в которых решение отдельных функциональных задач осуществлялось с использованием компьютерных методов оптимизации. 258
2. Разработка и применение датчиков контроля различных параметров, которые устанавливались на стационарные и динамические объекты в карьерах, а также систем контроля, сделавших возможным оперативное реагирование диспетчера на изменение технологических ситуаций. Создание и внедрение на карьерах первых АСУ ТП.
3. Внедрение ГИС в качестве базового элемента диспетчерского управления, что открыло новые возможности в визуализации технологических процессов и повысило качество управленческих решений.
4. Создание на основе GPS технологий комплексной системы контроля и управления с высокой степенью оперативности принятия решений.
На наш взгляд, в настоящее время наиболее органично перечисленные подходы и технологии реализованы в одной из наиболее высокотехнологичных отечественных систем управления горнотранспортными комплексами — системе «КАРЬЕР», разработанной российской компанией «ВИСТ Групп» при научно-методическом участии ИПКОН РАН. Эта система уже более 10 лет успешно используется и применяется в железорудных, угольных, золотодобывающих компаниях, компаниях по добыче цветных металлов России, Украины, Казахстана и Монголии [1]. Избегая детализации, отметим, что аппаратно-программный комплекс управления, реализованный в системе «Карьер» включает следующие основные функциональные компоненты:
• систему централизованного диспетчерского управления, которая выполняет комплекс задач оперативного планирования и обеспечивает управляющий персонал карьера всеми необходимыми для принятия решений информационно-справочными формами (планы-графики, сменные наряды, сводные отчеты и тд.);
• комплекс навигационных приемников ГЁОНАСС/GPS, которые устанавливаются на все мобильные объекты и позволяют позиционировать объект с точностью в плане порядка 3-5 м. Этой точности достаточно для осуществления мониторинга и управления парком горно-транспортного оборудования;
• системы беспроводной передачи данных: УКВ-связь, транкин-говые системы, сотовые системы связи. Применяются также широкополосные системы и технологии беспроводной передачи данных: WiFi, WiMax, MESH-системы и др., обеспечивающие надежное
259
радиопокрытие и высокую скорость передачи данных, необходимую для передачи видеоизображений, диагностической информации и решения задач оперативного управления горно-транспортным комплексом;
• бортовую компьютерную систему, установленную в кабине карьерных самосвалов, которая обеспечивает возможность многофункционального контроля (сбор, обработка и передача в диспетчерский центр навигационной и диагностической информации) и дистанционного управления горно-транспортными средствами.
Эти разработки легли в основу комплексного проекта «Интеллектуальный карьер», реализация которого позволит сделать следующий шаг на пути повышения эффективности и безопасности добычи полезных ископаемых [4, 5]. Проект уже поддержан фондом «СКОЛКОВО», рядом российских горно-добывающих компаний, вызвал значительный интерес в отечественном инженерно-научном сообществе. Именно поэтому нам представляется весьма своевременным обсудить некоторые аспекты реализации основных этапов данного проекта, и возможные направления исследований с использованием методов когнитологического управления и имитационного моделирования. Кроме того, необходимо рассмотреть возможные подходы к построению интеллектуальной программной платформы будущей системы.
Несмотря на то, что еще в конце 80-х годов был сформулирован ряд принципов построения интеллектуальных систем для управления горно-производственными процессами [2], но и сегодня в практической плоскости несколько преждевременно обсуждать вопрос осуществления всего технологического цикла открытых горных работ без участия человека («безлюдная выемка»). Тем не менее, необходимо обозначить основные этапы по пути этого движения и обсудить возможные инструменты для проведения исследований в процессе разработки интеллектуальной системы.
I этап. Создание системы управления, включающей не только функции оперативной диспетчеризации, но и прямого дистанционного управления отдельными карьерными механизмами и агрегатами в реальных технологических условиях. По существу, речь идет о разработке семейства робототехнических механизмов, способных выполнять технологические операции, как с участием человека (оператора), так и в автономном режиме.
260
Сегодня это абсолютно реальная задача. Так, компания Komatsu, являющаяся мировым лидером в разработке и внедрении роботизированных самосвалов планирует развертывание в регионе Пилбара (Австралия) системы автономных грузоперевозок с не менее чем 150 роботизированными самосвалами. Другой ведущий мировой производитель карьерной техники — компания Caterpillar в настоящее время ведет активные работы по созданию автономной системы грузоперевозок при проведении горных работ. Планами предусмотрен запуск первых демонстрационных образцов в 2015 г. Центр управления производством 8 горных предприятий будет размещён в г. Эдмонтоне (Канада). В прошлом году японская компания Hitachi также объявила о планах разработки системы автономных грузоперевозок полного технологического цикла к 2017 г., на основе карьерных самосвалов Hitachi с электроприводом переменного тока. Таким образом, речь идет о разработке алгоритмов и программ, которые могли бы поддерживать автономное функционирование карьерных механизмов (экскаваторов, автосамосвалов, дорожно-строительных машин и т.д.), и могли бы быть интегрированы в единую интеллектуальную платформу диспетчерского управления.
Анализ реализованных проектов роботизированных карьерных самосвалов ведущих мировых производителей позволяет выделить следующие основные функциональные модули программного обеспечения:
• считывание и первичная обработка сенсорных данных; первичный data mining
• объединение и согласование полученных данных; ведение журнала полученных данных для последующего анализа
• управление исполнительными устройствами и системами;
• техническое зрение; первичная обработка; определение характеристик препятствий, дорожных условий и транспортных средств в направлении движения;
• определение характеристик дорожного полотна;
• построение цифровых планов;
• позиционирование самосвала и определение текущего состояния системы;
• выработка стратегий;
В функциональном плане перечисленные модули следует рассматривать как основу для построения комплексной интеллектуальной
261
платформы. Процесс разработки такой платформы можно в тоже время обозначить, как второй этап реализации проекта.
II этап. Создание локальных систем поддержки рационального взаимодействия между собой роботизированных агрегатов (динамических и стационарных объектов) в рамках отдельных технологических операций на базе единой интеллектуальной платформы.
Конечная цель этапа состоит в разработке динамической системы управления, которая представляет собой совокупность взаимодействующих интеллектуальных агентов, имеющих различные модели поведения (цели, алгоритмы функционирования), различные пространственные характеристики, отличающиеся динамикой и типом (дискретные, непрерывные) основных параметров. В дальнейшем, используя термин интеллектуальный агент (агент) будем иметь в виду комплекс программ, обменивающихся входной и выходной информацией с внешней средой и другими агентами. Большинство агентов может быть описано с помощью моделей автоматного типа (адаптивные базы нечетких правил или обучаемые нечеткие регуляторы). Однако сложность моделирования и построения системы в целом применительно к действующему карьеру обусловлена значительным количеством возможных сценариев взаимодействия агентов. В этой связи, принимая во внимание необходимость построения прототипа интеллектуальной системы и корректное моделирование, предлагается рассматривать и изучать параллельно (и в некоторой степени независимо) интеллектуальные агенты различной степени сложности.
Предварительный анализ показывает, что основные классы агентов, с которыми нам предстоит иметь дело при разработке и исследовании модели интеллектуальной динамической системы, можно представить, ранжируя их от простых к сложным, следующим образом.
1) Рефлексивные автоматные агенты — это элементы системы, поведение которых определяется текущим изменением среды и информацией от других агентов. К агентам данного класса будем относить все роботизированные механизмы системы (самосвалы, экскаваторы, дорожные машины, конвейеры и т.д.), которые на уровне активного взаимодействия со средой, используя различные продукционные модели, отрабатывают условия, заданные технологическими или ситуационными сценариями.
262
2) Целенаправленные обучаемые интеллектуальные агенты — элементы системы, обладающие базой знаний, иерархией целей, банком моделей поведения. Эти агенты предназначены для того, чтобы идентифицировать ситуацию на основании информации, получаемой от агентов класса (1), интерпретировать ее с позиций более общего контекста и формировать сценарии возможного решения. Эти «условные» агенты необходимы нам для того, чтобы с единых позиций подойти к описанию разнообразных видов взаимодействия рефлексивных агентов. Примеры таких агентов:
А1: «Экскаваторная погрузка автосамосвала».
А2: «Смена маршрута».
А3: «Транспортная развязка (условный перекресток)».
3) Агент(ы) с функциями диспетчера (супервизора) — самообучающийся агент, способный формировать базу знаний без участия человека, накапливая и сортируя разнородные и разнотипные факты, события, ситуации с участием других агентов и взаимодействуя с ними, умеющий выбирать стратегию достижения цели и анализировать возможность ее достижения, а также развивать свои модели поведения. В конечном итоге данный агент должен выполнять функции некоего диспетчерского узла.
На рис. 1 представлена схематическая архитектура взаимодействия рассмотренных ранее классов агентов:
Рис. 1.
263
Здесь 01,..., 0п — множество транспортных средств и горнотехнологических устройств и механизмов;
21,., 2п — отработка на активном уровне всех внешних управлений и возмущений автоматных агентов;
а1,..., ап — команды на передачу управления автоматными агентами на более высокий уровень;
Р1,..., Бп — активация новых моделей поведения автоматных агентов, в связи с изменением технологической ситуации
Х1,..., Хп, у1,...., уп — обмен данными из оперативных рабочих областей между агентами различных типов;
11,.., 1п — пополнение интеллектуального банка данных; запуск механизмов самообучения модуля «агент-супервизор».
Представленная схема не раскрывает детали организации функционирования каждого агента, но иллюстрирует общие подходы к описанию и моделированию их взаимодействия. Это взаимодействие представляет собой динамический процесс, в ходе которого изменяется состояние рабочих областей агентов, то есть, доступных агенту непротиворечивых фактов, активных правил, моделей поведения и т.д. Если, например, состояние некоторого агента в момент времени к обозначим, как Р(к), то состояние в следующий момент: Р(к+1) = 1[Р(к), а1, Б], 2(к+1)], где:
I Р(к) — Р(к+1) — функциональное отображение, предполагающую различную математическую интерпретацию, в зависимости от типа агента, от формы описания состояния и способа задания модели поведения;
а1 — требование 1-му агенту о передаче управления агентам более высокого уровня;
Б] — изменение модели поведения агента, в соответствии с ]-м сценарием: установка новых целей, изменение рабочей области на активном уровне;
2(к+1) — результат отработки нового сценария на активном уровне.
В данной статье не планировалось обсуждать вопросы, связанные с моделями представления и обработки знаний, с профессиональными деталями разработки программных инструментов и организации их совместного функционирования в реальной технологической обстановке. Тем не менее, представляется полезным наметить некоторые контуры решений. Прежде всего, следует упомянуть о средствах, которые необходимы для моделирования, создания прототипов и
264
разработки опытных образцов «боевых» программ. Оптимальную среду для тестового моделирования и последующего прототипиро-вания обеспечивают приложения пакета МДТЬДВ, такие как: Риг-гуЬодю, Неига^е^огкв, БтиИпк и ряд других. Использование этой среды позволяет получать коды языка С++ для конструирования на их основе функционально ориентированных автономных программных продуктов, которые могут быть адаптированы к различным аппаратно-программным средам. Также следует сказать об активно развивающемся в последние годы инструментарии — системах мультиагентного моделирования. Эти системы предназначены для описания сложных систем (в то числе, человеко-машинных), элементы которых (агенты) могут обладать собственными схемой представления о «внешнем мире» и моделью поведения. Так, например, пакет Б1шр1ех-МОЬ [6] не только предоставляет широкие возможности для описания поведения и взаимодействия агентов различных типов в терминах нелинейной динамики (при этом модель поведения задается в форме дифференциальных или конечно-разностных уравнений), но и дает возможность подключать внешние С-функции и С-процедуры. Это позволяет существенно расширить класс описываемых объектов и решаемых задач и делает возможным использование такого рода инструмента для эскизного моделирования взаимодействия агентов, о которых шла речь в данной статье.
В заключение отметим, что конечной целью разработок, направленных на развитие проекта «Интеллектуальный карьер» должна, на наш взгляд, стать комплексная система управления технологическими процессами в карьере, все функциональные элементы которой интегрируются в рамках единой интеллектуальной платформы. Такая система должна будет обеспечивать выемку полезных ископаемых робототехническими устройствами на фиксированных временных интервалах и в пределах определенных технологических циклов без участия человека. Это позволит на порядки сократить потребность в техническом и управленческом персонале, существенно меняя функции диспетчерского персонала и требования к его профессиональному уровню. Можно предположить, что в качестве инструментальной основы такой системы должна использоваться специальная гео-платформа, предусматривающая реализацию механизма распределенных и параллельных вычислений и позволяющая диспетчеру не только иметь достаточно точную 3Э модель карьера, но и оперативно моделировать динамические процессы.
265
СПИСОК ЛИТЕРАТУРЫ
1. Трубецкой К.Н., Кулешов A.A., Клебанов А.Ф., Владимиров Д.Я. Современные системы управления горно-транспортными комплексами / Под редакцией акад. РАН К.Н. Трубецкого. — СПб.: Наука, 2007.
2. ПучковЛ.А., ТемкинИ.О. Проблемы искусственного интеллекта в управлении горным производством. — Препринт ИПКОН АН СССР, 1990. — 24 с.
3. Темкин И.О. Математические модели и компьютерные механизмы принятия решений в рамках управления природными ресурсами: концепции, сферы применения, ограничения. Материалы 4-й международной конференции «Государственное управление в XXI веке: традиции и инновации». — М.: МГУ, 2008. — С. 35-38.
4. Трубецкой К.Н., Клебанов А.Ф., А.Д. Рубан. Принципы построения и основные этапы научно-технической реализации проекта «Интеллектуальный карьер». II международная научно-практическая конференция «Техгормет-21 век». Тема конференции — «Карьерная техника для открытых горных работ: новые разработки и эффективные решения».
5. Клебанов Д.А., Макеев М.А. Роботизированные технологии добычи полезных ископаемых рождаются в недрах инновационного цента Сколково // Горная промышленность. — 2012. — №4. — С. 132.
6. Ивашкин Ю.А. Агентные технологии и мультиагентное моделирование систем. — М.: МФТИ, 2013. — 268 с. ЕШ2
КОРОТКО ОБ АВТОРАХ -
Темкин Игорь Олегович — доктор технических наук, профессор, заведующий кафедрой ИСУ, Московский государственный горный университет, igortemkin@yandex.ru
Клебанов Дмитрий Алексеевич — директор по развитию Открытого Акционерного Общества «ВИСТ Групп», dmitry.klebanov@vistgroup.ru
266
