CC BY
29
ГИАБ. Горный информационно-аналитический бюллетень / MIAB. Mining Informational and Analytical Bulletin, 2022;(2):150-168 ОРИГИНАЛЬНАЯ СТАТЬЯ / ORIGINAL PAPER
УДК 004.896:622 DOI: 10.25018/0236_1493_2022_2_0_150
АНАЛИТИЧЕСКИЙ ОБЗОР ФУНКЦИОНАЛЬНЫХ СТРУКТУР ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ УПРАВЛЕНИЯ СЛОЖНЫМИ ГОРНО-МЕТАЛЛУРГИЧЕСКИМИ ОБЪЕКТАМИ
В.Б. Трофимов
НИТУ «МИСиС», Москва, Россия, e-mail: trofimov_vbt@mail.ru
Аннотация: Представлены функциональные структуры интеллектуальных систем управления, имеющие перспективы применения в горно-металлургической промышленности. Целесообразность их использования обусловлена сложностью процессов, протекающих в объектах, функционирующих в затрудненных условиях, созданием мощных баз данных реального времени. Сложные процессы характеризуются большой размерностью, нестационарностью, долговременной динамической памятью, распределенностью параметров, нелинейностью, существенными запаздываниями, многообразием ситуаций, неполнотой контроля параметров, наличием грубых помех в сигналах измерительной информации. Технологические агрегаты, промышленные линии, участки, цехи горнодобывающей и металлургической промышленности в большинстве своем относятся к сложным объектам автоматизации. Для эффективного управления сложными процессами необходимо применение адекватно сложных интеллектуальных систем. Показаны место и роль баз знаний в системах управления, разнообразие способов выработки управляющих воздействий в зависимости от степени информированности управляющей подсистемы. Использование разнообразных механизмов логического вывода позволяет более полно осуществить оптимизацию управления объектом. Промышленные интеллектуальные системы управления построены по иерархическому принципу на основе системного подхода, современной вычислительной техники, методов искусственного интеллекта. Эти системы охватывают разнообразные функции: динамическое управление, диспетчерское управление, диагностику состояния объекта, производственное планирование, а также учитывают высокую интенсивность технологического процесса, его масштаб, длительность, прерывность и гибкость. Ключевые слова: управление, база знаний, механизм логического вывода, искусственный интеллект, иерархическая структура, модель объекта, прогнозирование, технологический объект.
Для цитирования: Трофимов В.Б. Аналитический обзор функциональных структур интеллектуальных систем управления сложными горно-металлургическими объектами // Горный информационно-аналитический бюллетень. - 2022. - № 2. - С. 150-168. DOI: 10.25018/0236_1493_2022_2_0_150.
Functional structure of intelligent control over complex mining-and-metallurgical facilities: Analytical review
V.B. Trofimov
National University of Science and Technology «MISiS», Moscow, Russia, e-mail: trofimov_vbt@mail.ru
© В.Б. Трофимов. 2022.
Abstract: The article reviews the functional structures of intelligent control systems applicable in the mining and metallurgical industry. Their application expedience is governed by the complexity of processes in objects which function in difficult conditions, and by creation of rich real-time data bases. Complex processes feature high dimensionality, transiency, long-term dynamic memory, wide spreading of parameters, and harsh noise in measurement information. The process equipment, production lines and work shops in the mining and metallurgical industry represent mostly complex automation facilities. Efficient control of complex processes requires adequately complex intelligent systems. The article identifies the role of the intelligent data bases in the control systems and describes the variety of possible control actions depending on information awareness on a control subsystem. The use of different mechanisms of logical inference improves control optimization. Industrial intelligent control systems have a hierarchical arrangement which is structured using the systemic approach, advanced computer engineering and artificial intelligence. These systems perform various functions such as dynamic control, dispatching, trouble-shooting and production planning with regard to high intensity of process flows, as well as their scales, duration, discontinuity and flexibility. Key words: control, database, logical inference mechanism, artificial intelligence, hierarchical arrangement, model, prediction, production facility.
For citation: Trofimov V. B. Functional structure of intelligent control over complex mining-and-metallurgical facilities: Analytical review. MIAB. Mining Inf. Anal. Bull. 2022;(2):150-168. [In Russ]. DOI: 10.25018/0236_1493_2022_2_0_150.
Введение
Создание интеллектуальных систем управления горно-металлургическим производством обусловлено: наличием множества сложных противоречивых критериев оптимального функционирования технологических процессов (например, экологических, экономических, нормативных критериев, правил безопасности); пространственной распределенностью основных параметров управления, взаимосвязь между которыми является нелинейной и нестационарной; воздействием неконтролируемых горногеологических и горно-технологических факторов на параметры технологических процессов, затрудняющим применение формальных статистических методов управления; наличием современных баз большого количества натурных данных, технологических инструкций; необходимостью применения эвристических приемов при решении производствен-
ных задач, а также целесообразностью сохранения и использования знаний опытных операторов-технологов в горном и металлургическом деле; существованием повторяющихся производственных ситуаций; наличием разнотипных и разномасштабных информационных потоков.
Информационная база интеллектуальной системы управления должна включать данные, необходимые для построения модели объекта управления, для представления знаний. Эти данные могут быть получены путем нанесения специальных тестовых воздействий на объект управления.
Современная промышленность насыщена сложными высокопроизводительными агрегатами, характеризующимися многочисленностью управляющих, возмущающих, выходных воздействий и состояний, нестационарностью процессов и нелинейностью их математических мо-
делей, существенными запаздываниями, распределенностью параметров и другими свойствами, затрудняющими автоматическое управление. Именно для таких объектов весьма перспективно применение интеллектуальных систем управления.
Последние достижения в области систем искусственного интеллекта и соответствующих научных направлений позволяют подвергнуть существенному пересмотру сферу прикладного применения методов обработки и представления знаний для решения сложных задач управления.
Схемы интеллектуальных систем
управления
Интеллектуальные системы структурированы для управления сложными технологическими процессами.
На схемах приняты следующие обозначения:
WKD(t) — действительные (индекс <Ю») контролируемые (индекс «К») внешние воздействия в момент времени £
М^^) — неконтролируемые (индекс «Н») внешние воздействия;
и D(t) — управляющие воздействия;
YD(t) и 5 D(t) — выходные воздействия и состояния технологического объекта управления (ТОУ);
МКИ(0, и И(0, YИ(t), 5 И(0 — измеренные (индекс «И») значения соответствующих переменных объекта управления;
2^) = {{(), й(ь), ^), Б«)} — оценки переменных объекта управления.
Интеллектуальная система управления (по работам [1, 2]), представленная на рис. 1, основана на методе ситуаци-
XI - регулирующие органы; -у - подсистема измерения Рис. 1. Структура интеллектуальной системы управления на основе работ [1, 2] Fig, 1. Structure of intelligent control system based on [1, 2]
онного управления. Схема такой системы состоит из следующих блоков и подсистем:
• интеллектуальный интерфейсный блок (естественно-языковой пользовательский интерфейс), служащий для связи оператора-технолога с управляющей системой, для контроля за работой автоматической части системы;
• интерфейсный блок инженера по знаниям, используется для наполнения базы знаний экспертной подсистемы из различных источников;
• экспертная подсистема, включающая базу знаний, подсистему объяснений принимаемых управляющих решений и блок логического вывода, реализующего процесс рассуждений на основе формализованных знаний;
• «симулятор» для прогнозирования выходных воздействий на основе искусственных нейронных сетей и ретроспективного анализа траекторий объекта управления на основе метода динамического программирования;
• «вычислитель» для выполнения расчетных процедур.
Интеллектуальная система, согласно работам Д.А. Поспелова, должна обладать следующими функциями:
• «функция представления и обработки знаний» — накапливание знаний о внешней среде в базе знаний, их классифицирование, оценивание прагматичности и непротиворечивости, получение новых знаний;
• «функция рассуждения» — формирование новых знаний на основе механизмов логического вывода и выявления закономерностей в накопленных знаниях, получение обобщенных знаний на основе частных знаний, планирование своей деятельности;
• «функция общения» — общение с пользователем на языке, близком к естественному, получение данных и знаний через «зрительные» и «звуковые» кана-
лы, объяснение принимаемых решений (собственной деятельности) и консультирование пользователей системы на основе логических средств рассуждения.
Интеллектуальная система управления сложным динамическим объектом (по работам [3 — 6]), представленная на рис. 2, отличается использованием методов хранения и обработки знаний. Эта система способна функционировать в неопределенных условиях при случайном характере внешних возмущений, непредусмотренном изменении задающих воздействий, эксплуатационных характеристик объекта управления, параметров окружающей среды.
В системе используется механизм самообучения, обеспечивающий обобщение накапливаемого опыта и пополнение знаний [3].
Объект управления представляет собой технологический комплекс, который в общем случае может состоять из нескольких ТОУ, работающих последовательно и параллельно. Для таких объектов целесообразно использовать многоуровневую архитектуру управляющей системы, обеспечивающую распознавание технологических ситуаций, реализацию «стратегии целесообразного поведения», планирование последовательности действий, оперативное управление для достижения требуемых показателей качества продукции.
Иерархическая структура рассматриваемой системы включает стратегический, тактический, оперативный и исполнительный уровни (рис. 2).
Для иерархического управления предлагается использовать методы искусственного интеллекта и соответствующие интеллектуальные информационные технологии, технологии обработки знаний (экспертные системы, искусственные нейронные сети, ассоциативную память, нечеткую логику), позволяющие
Рис. 2. Структура интеллектуальной системы управления на основе работ [3—6] Fig, 2. Structure of intelligent control system based on [3—6]
уменьшить влияние факторов неопределенности окружающей среды.
В экспертных системах знания представлены в явном виде (с помощью правил, семантических сетей, фреймов, онтологий), в искусственных нейронных сетях знания представлены в неявном виде (в структуре сети, параметрах нейронов и связей), в ассоциативной памяти знания представлены в неявном виде (в форме гиперповерхности и в ее структуре), в системах на основе нечеткой логики знания представлены в полускрытом виде (с помощью процедурных правил и функций принадлежности, отражающих взаимосвязь вход-
ных и выходных лингвистических переменных и их физическую значимость).
Для построения интеллектуальной системы управления необходимо соблюдение следующих условий [3]:
• наличие тесного информационного взаимодействия управляющей системы с окружающей средой и применение информационных каналов связи;
• открытость системы для интеллектуализации и улучшения;
• применение методов прогнозирования динамически изменяющихся внешних и выходных воздействий;
• использование иерархического принципа, «повышение интеллектуаль-
ности и снижение требований к точности по мере повышения ранга иерархии в системе (и наоборот)» для построения сложных моделей систем управления на основе современных инструментов;
• живучесть системы при потере управляющих воздействий от высших уровней иерархии системы управления.
Интеллектуальная система управления должна прогнозировать события, самообучаться и адаптироваться, работать с базами данных и знаний. Это позволяет повысить динамические характеристики системы на основе лингвистической аппроксимации поведенческих характеристик объекта [4].
Интеллектуальная система управления на базе динамической экспертной системы (по работам [7 — 9]), представленная на рис. 3, рассматривается как объединенная информационным процессом совокупность математического, технического и программного обеспечения. Она основана на теории функциональных систем П.К. Анохина, описывающей структуру поведения и системную приспособительную реакцию живого организма.
Интеллектуальная система на основе данных и знаний о внешней среде и состоянии системы при наличии памяти и мотивации способна синтезировать
Рис. 3. Структура интеллектуальной системы управления на основе работ [7—9] Fig, 3. Structure of intelligent control system based on [7—9]
цель управления, вырабатывать решение о действии и находить рациональные способы достижения этой цели. Система может работать как во взаимосвязи с оператором-технологом,так и автономно.
Цель управления и оценка сигналов измерительной информации поступают в динамическую экспертную систему, которая на основе базы знаний проводит экспертную оценку, позволяющую принять решение о действии, также прогнозируются результаты этого действия (рис. 3).
Управление вырабатывается в соответствии с принятым решением, то есть реализуется тот или иной вариант управляющего воздействия на объект с помощью исполнительной подсистемы. Результаты этого управляющего воздействия сравниваются с прогнозируемыми. Если наблюдается несоответствие результатов, то для устранения этого при нимается решение на базе новой экспертной оценки, вырабатывается и реализуется корректировка управляющего воздействия, устраняющая это несоответствие. Если наблюдается соответствие результатов, то выполняется «подкрепление» предшествующего управляющего воздействия. Если соответствие недостижимо, то уточняется цель управления.
Интеллектуальная система управления (по работам [10 — 12]), представленная на рис. 4, относится к самонастраивающимся системам с гибкими процедурами принятия решений, использующим знания и формирующим новые знания в процессе работы [10].
На стратегическом уровне управления («уровне планирования целесообразного поведения») решается проблема выбора стратегии выполнения требуемого задания и синтеза последовательности действий, необходимых для его реализа-
ции, а также обеспечения оперативной корректировки поведения в зависимости от изменений окружающей обстановки и состояния объекта управления. В интеллектуальной системе должны быть заложены механизмы приобретения знаний о закономерностях внешней среды, распознавания и интерпретации возникающих технологических ситуаций, ретроспективного анализа траекторий системы. На тактическом уровне управления выполняется планирование программных траекторий работы объекта, их корректировка с учетом текущих изменений окружающей среды и исполнительных устройств. На регулирующем и исполнительном уровнях осуществляется адаптация управления исполнительными устройствами с учетом динамики задающих и внешних воздействий, параметрических возмущений.
В системе управления (рис. 4) база знаний представляет собой множество продукционных правил, не изменяющихся в процессе работы в режиме реального времени. Экспертный регулятор обеспечивает функционирование рабочего регулятора в оптимальном режиме на основе логического анализа данных, поступающих из подсистемы оценивания, связанной с объектом. Машина логического вывода анализирует эти правила, принимает решение об использовании того или иного алгоритма. Супервизор по найденному алгоритму вырабатывает цель управления, которая подается через контроллер в регулятор [10].
Блок настройки формирует сигналы адаптации, которые поступают в рабочий регулятор через соответствующий контроллер. Адаптация рабочего регулятора (то есть изменение его параметров и структуры) осуществляется в связи с изменением внешней среды, параметров, режимов и структуры объекта, а также исполнительных устройств. Для этого
Связь с вышестоящим руководителем
Рис. 4. Структура интеллектуальной системы управления на основе работ [10—12] Fig, 4. Structure of intelligent control system based on [10 — 12]
база знаний должна быть дополнена правилами для принятия решений об изменении настроек и структуры рабочего регулятора, а база алгоритмов — соответствующими процедурами.
Оператор-технолог может корректировать задающие воздействия через интеллектуальный интерфейсный блок. При выработке задающих воздействий возможно использование процедуры срав-
нения данных из подсистемы оценивания с данными из имитационной модели объекта.
Для корректировки базы знаний и базы алгоритмов «анализатор принятого решения» сравнивает последствия управляющих воздействий на объект с реакциями имитационной модели на такие же воздействия, а также с реакцией оператора.
Рис. 5. Структура интеллектуальной системы управления на основе работ [13—16] Fig, 5. Structure of intelligent control system based on [13—16]
Интеллектуальная система автоматизированного управления (по работам [13—16]), представленная на рис. 5, функционирует в условиях большого объема данных и знаний.
База фактов хранит натурные данные, база правил — продукционные модели представления знаний. База процедур содержит прикладные программы для необходимых преобразований и вычислений. База закономерностей включает различные сведения, относящиеся
к особенностям технологического объекта и внешней среды. База метазнаний содержит сведения о том, как внутри системы управления представляются единицы информации различного типа, как взаимодействуют различные элементы системы управления, как было получено то или иное решение.
База целей содержит сценарии, способствующие достижению цели управления, которая поступила в систему от оператора-технолога или оператора-дис-
петчера, либо была сформулирована самой системой в процессе ее функционирования в окружающей среде. Система управления базами знаний осуществляет организацию взаимодействия всех баз, реализует связи этих баз с объектом и окружающей средой.
Решатель обеспечивает выполнение функции рассуждения. Блок дедуктивного вывода, используя базу знаний, базу фактов и базу правил, выполняет поиск управленческих рекомендации на основе эвристических процедур. Блоки
индуктивного и правдоподобного выводов используются для поиска решения по прецедентам. Для выполнения рас-четно-логических процедур применяется блок функциональных преобразований.
Интеллектуальная система автономного адаптивного управления (по работе [17]), представленная на рис. 6, выполняет «условие автономности» (управляющая подсистема является отдельной, развивается вместе с объектом, подвер-
Рис. 6. Структура интеллектуальной системы управления на основе метода автономного адаптивного управления [17]
Fig, 6. Structure of intelligent control system based on adaptable independent control [17]
жена влиянию окружающей среды, самостоятельно выполняет поиск знаний, необходимых для управления), «условие дискретности» (система состоит из элементов и связей), «условие максимальной начальной приспособленности» (максимального использования априорной информации), «условие минимума начальных знаний» (система обладает относительным минимумом знаний и способна накапливать знания, необходимые для управления, то есть быть самообучающейся).
Заполнение базы знаний происходит в процессе наблюдения за предысторией работы системы управления.
«Аппарат эмоций» содержит качественные оценки элементов знаний (образов, действий), критерии управления, оценивает текущее состояние объекта управления на основе распознания образов, является источником постоянной «внутренней активности» системы и «учителем» в процессе самообучения, заставляет управляющую систему выбрать действие, улучшающее текущее состояние объекта управления.
Подсистема принятия решений формирует решение на основе множества распознанных ситуаций, анализа набора возможных действий и их последствий, записанных в базе знаний, а также на
Рис. 7. Структура интеллектуальной системы управления на основе работ [18,19] Fig, 7. Structure of intelligent control system based on [18,19]
основе критерия принятия решений, которым является «аппарат эмоций».
В системе выполняется одновременно самообучение и управление. Оператор-технолог (диспетчер) может периодически участвовать в работе управляющей системы, контролировать ее, редактировать «аппарат эмоциональных оценок», а также взаимодействовать с ней дистанционно.
Интеллектуальная система управления технологическим процессом (по работам [18, 19]), представленная на рис. 7, осуществляет сбор данных и их предварительный анализ, выработку и реализацию управлений, а также обучение и адаптацию.
В блок сбора данных поступают сигналы от подсистемы измерения, от оператора-технолога через человеко-машинный интеллектуальный интерфейсный блок, а также от других уровней управления. На основе наблюдений за входными и выходными воздействиями объекта управления в блоке косвенной оценки состояния формируются оценки переменных, которые невозможно наблюдать в реальном режиме времени с измерительных датчиков.
В системе предусмотрено выделение информативных участков данных, фрагментов знаний, по которым осуществляется поиск в базе знаний. Для обработки сигналов измерительной информации целесообразно использовать алгоритмы робастной фильтрации. Выработка управляющих воздействий осуществляется на основе собранных данных и знаний, представленных в базе знаний, извлеченных из технологических инструкций.
Процесс обработки данных включает кодирование и декодирование сигналов измерительной информации, ассоциативное запоминание и применение нечеткой логики.
Обучение и автоматическая адаптация системы к изменениям внешней среды, оперативная корректировка модели объекта управления на основе методов идентификации в режиме реального времени и базы знаний на основе методов логического вывода, приобретение знаний необходимы для поддержания функционирования всей системы управления на высоком уровне, даже в затрудненных условиях.
Интеллектуальная система управления технологическим процессом, представленная на рис. 8, построена на основе идей «Интернета вещей».
В системе управления имеется возможность беспроводного подключения датчиков, технологического оборудования и информационных систем к сети Интернет, а также дистанционного управления в режиме реального времени. Эти информационные системы выполняют анализ данных, получаемых от периферийных устройств. Прогнозирование используется для оценивания возможности аварий на производстве с целью оперативной замены неисправных деталей оборудования, что способствует снижению времени простоя и повышению производительности.
«Цифровые двойники» представляют собой цифровые, аналитические и имитационные модели объекта и системы управления. Эти модели используются для прогнозирования, планирования, проектирования в режиме реального времени, а также для визуального моделирования.
Промышленный «Интернет вещей» используется для создания «умных» фабрик, предприятий, то есть для интеллектуального управления технологическими объектами на основе Интернет-технологий.
Блок передачи данных собирает и обрабатывает сигналы измерительной
Рис. 8. Структура интеллектуальной системы управления на основе Интернет-технологий Fig. 8. Structure of intelligent control system based on Internet-Technologies
информации. Для преобразования различных промышленных протоколов и интерфейсов, сбора и архивации данных, мониторинга и оповещения о проблемах, управления различными устройствами ввода-вывода используется 1оТ-шлюз. На рис. 8 использованы следующие дополнительные обозначения: ИБ — ин-
терфейсный блок, НИ — неинструментальная информация.
Переход к современным интеллектуальным производственным технологиям, создание систем обработки больших объемов данных, машинного обучения и искусственного интеллекта является актуальным направлением Стратегии
научно-технологического развития РФ. Применение методов искусственного интеллекта для управления также представлено в работах [20, 21].
В системах управления сложными технологическими объектами целесообразно использовать прогнозирующие модели. В работе [22] сформулированы принципы и обосновано применение методов прогнозной аналитики в интеллектуальных системах. В статье [23] утверждается, что одного случая и нескольких десятков случаев недостаточно для высокоточного прогноза, для правильного применения методов прогнозной аналитики, для идентификации трендов в будущем, необходимо вести базы данных и знаний, сохраняющие большое количестве инцидентов [24 — 26]. Применение экспертных систем и концепции рассуждения по прецедентам показано в работах [27 — 29].
Тенденции современных цифровых технологий с элементами искусственного интеллекта и их внедрение в горной отрасли представлены в работах [30 — 36], в металлургической промышленности в статьях [37, 38]. Применение методов искусственного интеллекта, нечеткой логики для прогнозирования с целью оперативной диагностики горного оборудования, для предотвращения аварий на угольных шахтах и в транспортных системах является актуальной задачей [33, 34]. В последнее время активно разрабатываются экспертные системы для оценки состояния металлургических объектов, целесообразность их использования обусловлена сложностью процессов, протекающих в этих объектах, существенным развитием теории моделирования знаний, созданием мощных баз данных и баз знаний [37].
Заключение
Объекты автоматизации в горно-металлургической промышленности ха-
рактеризуются трудностью получения непрерывной, достоверной и надежной информации об их работе. Устройства для сбора первичной информации находятся в условиях высоких температур, химически агрессивных сред, располагаются иногда в труднодоступных местах. Сложные объекты в большинстве случаев нестационарны и нелинейны, что существенно затрудняет их изучение, математическое моделирование, усложняет структуру системы управления. Параметры нелинейных и нестационарных объектов зависят от их производительности, срока службы, времени, прошедшего от начала циклических процессов. В условиях неполного знания свойств объекта и воздействий окружающей среды целесообразно проектировать интеллектуальные системы управления, работающие в непредвиденно меняющихся ситуациях.
Выбор схемы системы управления зависит от специфики решаемых задач, особенностей объекта управления, его функционального назначения, условий эксплуатации. Инженерия знаний, распознавание образов, машинное обучение, нечеткая логика, искусственные нейронные сети обеспечили огромные возможности для решения задач управления сложными процессами.
Обзор функциональных схем интеллектуальных систем управления показал их широкое многообразие, обусловленное следующими факторами: многообразием и изменчивостью свойств объектов управления; широким разнообразием и изменчивостью внешних условий функционирования объекта управления и управляющей системы; разнообразием способов выработки управляющих воздействий в зависимости от степени информированности управляющей системы; разнообразием целевых критериев и ограничивающих условий управляющей системы.
СПИСОК ЛИТЕРАТУРЫ
1. Поспелов Д. А. Ситуационное управление. Новый виток развития // Известия РАН. Теория и системы управления. — 1995. — № 5. — С. 152 — 159.
2. Поспелов Д. А. Ситуационное управление. Теория и практика. — М., 2021. — 288 с.
3. Макаров И. М. Концептуальные основы организации интеллектуального управления сложными динамическими объектами / Новые методы управления сложными системами: Сборник научных трудов. — М.: Наука, 2004. — С. 19 — 31.
4. Лохин В. М., Захаров В. Н. Интеллектуальные системы управления: понятия, определения, принципы построения / Интеллектуальные системы автоматического управления: Сборник научных трудов. — М.: Физматлит, 2001. — С. 25 — 38.
5. Лохин В. М., Романов М. П. Интеллектуальные системы управления — перспективная платформа для создания техники нового поколения // Вестник МГТУ МИРЭА. — 2014. — № 1(2). — С. 1 — 24.
6. Макаров И. М., Лохин В. М., Манько С. В., Романов М. П. Искусственный интеллект и интеллектуальные системы управления. — М.: Наука, 2006. — 333 с.
7. Пупков К. А., Коньков В. Г. Интеллектуальные системы. — М.: Изд-во МГТУ им. Н.Э. Баумана, 2003. — 348 с.
8. Pupkov K. A. Intelligent systems: development and issues // Procedia Computer Science. 2017, vol. 103, pp. 581 — 583. DOI: 10.1016/j.procs.2017.01.069.
9. Пупков К. А. Современные проблемы теории и техники интеллектуальных систем / Интеллектуальные системы: Труды XI международного симпозиума. — М.: РУДН, 2014. — С. 4 — 6.
10. Городецкий А. Е., Ерофеев А. А. Принципы построения интеллектуальных систем управления подвижными объектами // Автоматика и телемеханика. — 1997. — № 9. — С. 101 — 109.
11. Городецкий А. Е., Курбанов В. Г., Тарасова И. Л. Экспертная система анализа и прогнозирования аварийных ситуаций в энергетических установках // Информационно-управляющие системы. — 2012. — № 4(59). — С. 59 — 63.
12. Тимофеев А. В., Юсупов Р. М. Интеллектуализация процессов управления и навигации робототехнических систем // Робототехника и техническая кибернетика. — 2014. — № 2(3). — С. 19 — 22.
13. Советов Б. Я., Цехановский В. В., Чертовской В. Д. Теоретические основы автоматизированного управления. — М.: Высшая школа, 2006. — 463 с.
14. Советов Б. Я., Цехановский В. В., Чертовской В. Д. Интеллектуальные системы и технологии. — М.: Издательский центр «Академия», 2013. — 320 с.
15. Советов Б. Я., Цехановский В. В. Информационные технологии. — М.: Изд-во «Юрайт», 2019. — 327 с.
16. Советов Б. Я., Цехановский В. В., Чертовской В. Д. Представление знаний в информационных системах. — М.: Академия, 2012. — 144 с.
17. Жданов А. А. Метод автономного адаптивного управления // Известия ТРТУ. — 2004. — № 3(38). — С. 166 — 175.
18. Lu Y.-Z. Industrial intelligent control: fundamentals and applications. New York: Wiley, 1996, 346 p.
19. Lu Y.-Z., Chu J. The perspective of industrial control driven by global economy and information technologies / 2011 IEEE International Symposium on Advanced Control of Industrial Processes (ADCONIP), 2011, pp. 300 — 305.
20. VassilyevS. N., NovikovD.A., BakhtadzeN. N. Intelligent control of industrial processes / IFAC Proceedings Volumes (IFAC-PapersOnline). 2013, vol. 46, no. 9, pp. 49 — 57. DOI: 10.3182/20130619-3-RU-3018.00643.
21. Соколов И. А. Теория и практика применения методов искусственного интеллекта // Вестник Российской академии наук. - 2019. - Т. 89. - № 4. - С. 365-370. DOI: 10.31857/S0869-5873894365-370.
22. Темкин И. О., Клебанов Д. А., Дерябин С. А., Конов И. С. Построение интеллектуальной геоинформационной системы горного предприятия с использованием методов прогнозной аналитики // Горный информационно-аналитический бюллетень. - 2020. -№ 3. - С. 114-125. DOI: 10.25018/0236-1493-2020-3-0-114-125.
23. Temkin I., Klebanov D, Deryabin S, Konov I. Predictive analytics in mining. Dispatch system is the core element of creating intelligent digital mine / Modern Information Technology and IT Education. SITITO 2018. Communications in Computer and Information Science, vol. 1201. Springer, Cham. 2020, pp. 365-374. DOI: 10.1007/978-3-030-46895-8_28.
24. Dinh Hieu Le, Temkin I. Application of PSO and bacterial foraging optimization to speed control PMSM servo systems / 2018 IEEE Seventh International Conference on Communications and Electronics (ICCE). 2018, pp. 196-201. DOI: 10.1109/CCE.2018.8465728.
25. Temkin I. O., MyaskovA. V, Deryabin S. A., Rzazade U. A. Digital twins and modeling of the transporting-technological processes for on-line dispatch control in open pit mining // Eurasian Mining. 2020, no. 2, pp. 55-58. DOI: 10.17580/em.2020.02.13.
26. Temkin I., Deryabin S., Konov I., Kim M. Possible architecture and some neuro-fuzzy algorithms of an intelligent control system for open pit mines transport facilities // Frontiers in Artificial Intelligence and Applications. 2019, vol. 320, pp. 412-420. DOI: 10.3233/ FAIA190205.
27. Trofimov V. B. An approach to intelligent control of complex industrial processes: An example of ferrous metal industry // Automation and Remote Control. 2020, vol. 81, no. 10, pp. 1856-1864. DOI: 10.1134/S0005117920100057.
28. Kulakov S. M., Trofimov V. B., Dobrynin A. S., Taraborina E. N. Precedent approach to the formation of programs for cyclic objects control // IOP Conference Series: Materials Science and Engineering. 2018, vol. 351, no. 1, article 012002. DOI: 10.1088Д757-899Х/354Д/012002.
29. Trofimov V. B., KulakovS. M. Industrial intelligent control systems: Fundamentals and applications / Proceedings of the IASTED International Conference on Automation, Control, and Information Technology - Control, Diagnostics, and Automation, ACIT-CDA 2010. 2010, pp. 148-151.
30. Barnewold L., Lottermoser B. G. Identification of digital technologies and digitalisation trends in the mining industry // International Journal of Mining Science and Technology. 2020, vol. 30, no. 6, pp. 747-757. DOI: 10.1016/j.ijmst.2020.07.003.
31. VostrikovA. V., Prokofeva E. N., Goncharenko S. N., Gribanov I. V Analytical modeling for the modern mining industry // Eurasian Mining. 2019, no. 2, pp. 30-35. DOI: 10.17580/ em.2019.02.07.
32. Bui X.-N., Bui H.-B, Nguyen H. A Review of artificial intelligence applications in mining and geological engineering / Proceedings of the International Conference on Innovations for Sustainable and Responsible Mining. 2021, pp. 109-142. DOI: 10.1007/978-3-030-60839-2_7.
33. Куприянов В. В., Бондаренко И. С. Применение нечеткой логики для оценки достоверности моделей краткосрочного прогноза состояния горношахтного оборудования // Горный журнал. -2021. - № 5. - С. 75-79. DOI: 10.17580/gzh.2021.05.08.
34. Баранникова И. В., Мажибрада И. Прогнозирование отказов одноковшовых экскаваторов на основе методов искусственного интеллекта // Горный информационно-аналитический бюллетень. - 2017. - № 1. - С. 37-46.
35. HyderZ., Siau K., Nah F. Artificial intelligence, machine learning, and autonomous technologies in mining industry // Journal of Database Management. 2019, vol. 30, no. 2, pp. 6779. DOI: 10.4018/JDM.2019040104.
36. Зайцева Е. В. Вопросы стратегического управления предприятиями цементной промышленности // Горный информационно-аналитический бюллетень. — 2019. — № 2. — С. 214 — 220. DOI: 10.25018/0236-1493-2019-02-0-214-220.
37. Spirin N. A., Rybolovlev V. Yu, Lavrov V. V., Gurin I. A., Schnayder D. A., Kras-nobaev A. V. Scientific problems in creating intelligent control systems for technological processes in pyrometallurgy based on Industry 4.0 Concept // Metallurgist. 2020, vol. 64, no. 5-6, pp. 574 — 580. DOI: 10.1007/s11015-020-01029-1.
38. Liu J. Artificial intelligence drives changes in metallurgical industry // Kang T'ieh/Iron and Steel. 2020, vol. 55, no. 6, pp. 1 — 7. DOI: 10.13228/j.boyuan.issn0449-749x.20200191. ЕИЭ
REFERENCES
1. Pospelov D. A. Situational control. The new round of development. Izvestiya Rossiyskoy akademii nauk. Teoriya i sistemy upravleniya. 1995, no. 5, pp. 152 — 159. [In Russ].
2. Pospelov D. A. Situatsionnoe upravlenie. Teoriya i praktika [Situational control. Theory and practice], Moscow, 2021, 288 p.
3. Makarov I. M. Conceptual foundations of intelligent control organization for complex dynamic objects. Novye metody upravleniya slozhnymi sistemami: Sbornik nauchnykh trudov [New methods of controlling complex systems. Collection of scientific papers], Moscow, Nauka, 2004, pp. 19 — 31.
4. Lokhin V. M., Zakharov V. N. Intelligent control systems: concepts, definitions, design principles. Intellektualnye sistemy avtomaticheskogo upravleniya: Sbornik nauchnykh trudov [Intelligent automatic control systems. Collection of scientific papers], Moscow, Fizmatlit, 2001, pp. 25 — 38.
5. Lokhin V. M., Romanov M. P. Intelligent control systems — a promising platform for creating a new generation equipment. Vestnik MGTU MIREA. 2014, no. 1(2), pp. 1 — 24. [In Russ].
6. Makarov I. M., Lokhin V. M., Man'ko S. V., Romanov M. P. Iskusstvennyy intellekt i intellektualnye sistemy upravleniya [Artificial Intelligence and intelligent control systems], Moscow, Nauka, 2006, 333 p.
7. Pupkov K. A., Kon'kov V. G. Intellektualnye sistemy [Intelligent systems], Moscow, Izd-vo MGTU im. N.E. Baumana, 2003, 348 p.
8. Pupkov K. A. Intelligent systems: development and issues. Procedia Computer Science. 2017, vol. 103, pp. 581 — 583. DOI: 10.1016/j.procs.2017.01.069.
9. Pupkov K. A. Contemporary problems of theory and technology of intelligent systems. Intellektualnye sistemy: Trudy XI mezhdunarodnogo simpoziuma [Intelligent systems: Proceedings of the XI international symposium], Moscow, RUDN, 2014, pp. 4 — 6. [In Russ].
10. Gorodetsky A. E., Erofeev A. A. Principles of building intelligent control systems for moving objects. Avtomatika i telemekhanika. 1997, no. 9, pp. 101 — 109. [In Russ].
11. Gorodetsky A. E., Kurbanov V. G., Tarasova I. L. Expert system for analyzing and predicting emergency situations in power plants. Information and Control Systems. 2012, no. 4(59), pp. 59—63. [In Russ].
12. Timofeev A. V., Yusupov R. M. Intellectualization of control and navigation processes of robotic systems. Robotics and technical cybernetics. 2014, no. 2(3), pp. 19 — 22. [In Russ].
13. Sovetov B. Ya., Tsekhanovskiy V. V., Chertovskoy V. D. Teoreticheskie osnovy avtoma-tizirovannogo upravleniya [Theoretical foundations of automated control], Moscow, Vysshaya shkola, 2006, 463 p.
14. Sovetov B. Ya., Tsekhanovskiy V. V., Chertovskoy V. D. Intellektualnye sistemy i tekh-nologii [Intelligent systems and technologies], Moscow, Izdatel'skiy tsentr «Akademiya», 2013, 320 p.
15. Sovetov B. Ya., Tsekhanovskiy V. V. Informatsionnye tekhnologii [Information technologies], Moscow, Izd-vo «Yurayt», 2019, 327 p.
16. Sovetov B. Ya., Tsekhanovskiy V. V., Chertovskoy V. D. Predstavlenie znaniy v informat-sionnykh sistemakh [Knowledge representation in information systems], Moscow, Akademiya, 2012, 144 p.
17. Zhdanov A. A. A method of autonomous adaptive control. Izvestiya TRTU. 2004, no. 3(38), pp. 166-175.
18. Lu Y.-Z. Industrial intelligent control: fundamentals and applications. New York: Wiley, 1996, 346 p.
19. Lu Y.-Z., Chu J. The perspective of industrial control driven by global economy and information technologies. 2011 IEEE International Symposium on Advanced Control of Industrial Processes (ADCONIP), 2011, pp. 300-305.
20. Vassilyev S. N., Novikov D. A., Bakhtadze N. N. Intelligent control of industrial processes. IFACProceedings Volumes (IFAC-PapersOnline). 2013, vol. 46, no. 9, pp. 49-57. DOI: 10.3182/20130619-3-RU-3018.00643.
21. Sokolov I. A. Theory and practice of application of AI methods. Vestnik Rossiyskoy aka-demii nauk. 2019, vol. 89, no. 4, pp. 365-370. [In Russ]. DOI: 10.31857/S0869-5873894365-370.
22. Temkin I. O., Klebanov D. A., Deryabin S. A., Konov I. S. Construction of intelligent geo-information system for a mine using forecasting analytics techniques. MIAB. Mining Inf. Anal. Bull. 2020, no. 3, pp. 114-125. [In Russ]. DOI: 10.25018/0236-1493-2020-3-0-114-125.
23. Temkin I., Klebanov D., Deryabin S., Konov I. Predictive analytics in mining. Dispatch system is the core element of creating intelligent digital mine. Modern Information Technology and IT Education. SITITO 2018. Communications in Computer and Information Science, vol. 1201. Springer, Cham. 2020, pp. 365-374. DOI: 10.1007/978-3-030-46895-8_28.
24. Dinh Hieu Le, Temkin I. Application of PSO and bacterial foraging optimization to speed control PMSM servo systems. 2018 IEEE Seventh International Conference on Communications and Electronics (ICCE). 2018, pp. 196-201. DOI: 10.1109/CCE.2018.8465728.
25. Temkin I. O., Myaskov A. V., Deryabin S. A., Rzazade U. A. Digital twins and modeling of the transporting-technological processes for on-line dispatch control in open pit mining. Eurasian Mining. 2020, no. 2, pp. 55-58. DOI: 10.17580/em.2020.02.13.
26. Temkin I., Deryabin S., Konov I., Kim M. Possible architecture and some neuro-fuzzy algorithms of an intelligent control system for open pit mines transport facilities. Frontiers in Artificial Intelligence and Applications. 2019, vol. 320, pp. 412-420. DOI: 10.3233/FAIA190205.
27. Trofimov V. B. An approach to intelligent control of complex industrial processes: An example of ferrous metal industry. Automation and Remote Control. 2020, vol. 81, no. 10, pp. 1856-1864. DOI: 10.1134/S0005117920100057.
28. Kulakov S. M., Trofimov V. B., Dobrynin A. S., Taraborina E. N. Precedent approach to the formation of programs for cyclic objects control. IOP Conference Series: Materials Science and Engineering. 2018, vol. 351, no. 1, article 012002. DOI: 10.1088/1757-899X/354/1/012002.
29. Trofimov V. B., Kulakov S. M. Industrial intelligent control systems: Fundamentals and applications. Proceedings of the IASTED International Conference on Automation, Control, and Information Technology - Control, Diagnostics, and Automation, ACIT-CDA 2010. 2010, pp. 148-151.
30. Barnewold L., Lottermoser B. G. Identification of digital technologies and digitalisation trends in the mining industry. International Journal of Mining Science and Technology. 2020, vol. 30, no. 6, pp. 747-757. DOI: 10.1016/j.ijmst.2020.07.003.
31. Vostrikov A. V., Prokofeva E. N., Goncharenko S. N., Gribanov I. V. Analytical modeling for the modern mining industry. Eurasian Mining. 2019, no. 2, pp. 30-35. DOI: 10.17580/ em.2019.02.07.
32. Bui X.-N., Bui H.-B., Nguyen H. A Review of artificial intelligence applications in mining and geological engineering. Proceedings of the International Conference on Innovations for Sustainable and Responsible Mining. 2021, pp. 109-142. DOI: 10.1007/978-3-030-60839-2_7.
33. Kupriyanov V. V., Bondarenko I. S. Fuzzy logic in reliability assessment of short-term forecast models for mining equipment. GornyiZhurnal. 2021, no. 5, pp. 75-79. [In Russ]. DOI: 10.17580/gzh.2021.05.08.
34. Barannikova I. V., Mazhibrada I. Predicting the probability of failure of excavators based on artificial intelligence methods. MIAB. Mining Inf. Anal. Bull. 2017, no. 1, pp. 37-46. [In Russ].
35. Hyder Z., Siau K., Nah F. Artificial intelligence, machine learning, and autonomous technologies in mining industry. Journal of Database Management. 2019, vol. 30, no. 2, pp. 67-79. DOI: 10.4018/JDM.2019040104.
36. Zaytseva E. V. Strategic management in the cement industry. MIAB. Mining Inf. Anal. Bull. 2019, no. 2, pp. 214-220. [In Russ]. DOI: 10.25018/0236-1493-2019-02-0-214-220.
37. Spirin N. A., Rybolovlev V. Yu., Lavrov V. V., Gurin I. A., Schnayder D. A., Kras-nobaev A. V. Scientific problems in creating intelligent control systems for technological processes in pyrometallurgy based on Industry 4.0 Concept. Metallurgist. 2020, vol. 64, no. 5-6, pp. 574-580. DOI: 10.1007/s11015-020-01029-1.
38. Liu J. Artificial intelligence drives changes in metallurgical industry. Kang Tieh/Iron and Steel. 2020, vol. 55, no. 6, pp. 1-7. DOI: 10.13228/j.boyuan.issn0449-749x.20200191.
ИНФОРМАЦИЯ ОБ АВТОРE
Трофимов Владимир Борисович - канд. техн. наук,
доцент, НИТУ «МИСиС»,
e-mail: trofimov_vbt@mail.ru,
ORCID ID: 0000-0001-9321-8081,
https://elibrary.ru/author_profile.asp?id=180787,
https://www.scopus.com/authid/detail.uri?authorId=22636050400.
INFORMATION ABOUT THE AUTHORS
V.B. Trofimov, Cand. Sci. (Eng.), Assistant Professor,
National University of Science and Technology «MISiS»,
119049, Moscow, Russia,
e-mail: trofimov_vbt@mail.ru,
ORCID ID: 0000-0001-9321-8081,
https://elibrary.ru/author_profile.asp?id=180787,
https://www.scopus.com/authid/detail.uri?authorId=22636050400.
Получена редакцией 24.11.2021; получена после рецензии 10.12.2021; принята к печати 10.01.2022. Received by the editors 24.11.2021; received after the review 10.12.2021; accepted for printing 10.01.2022.
_Д
