CC BY
20
УПРАВЛЕНИЕ В СОЦИАЛЬНЫХ И ЭКОНОМИЧЕСКИХ СИСТЕМАХ (технические науки) MANAGEMENT IN SOCIAL AND ECONOMIC SYSTEMS (TECHNICAL)
УДК 004.8
АНАЛИЗ РЕЗУЛЬТАТОВ ПОИСКА И СХОДИМОСТИ ПРЕЦЕДЕНТОВ В СИСТЕМЕ ПОДДЕРЖКИ УПРАВЛЕНИЯ ЛИКВИДАЦИИ ПОЖАРОВ И ЧРЕЗВЫЧАЙНЫХ СИТУАЦИЙ
А. Г. МУСАЙБЕКОВ, Р. Ш. ХАБИБУЛИН, В. В. УХАТОВ
ФГБОУ ВО Академия ГПС МЧС России, Российская Федерация, г. Москва E-mail: [email protected], [email protected], [email protected]
В рамках проводимого исследования рассмотрено применение базы данных прецедентов на основе фреймовой модели для поддержки управления пожарной безопасностью нефтеперерабатывающих заводов.
Разработан алгоритм нахождения и адаптации ближайшего прецедента из базы данных прецедентов по методу «ближайшего соседа». На основе разработанного алгоритма создано специальное программное обеспечение системы поддержки управления на языке высокого уровня Delphi. Проведён анализ мер близости для измерения расстояния между прецедентами. На практическом примере показана возможность поиска прецедентов. Проведен сравнительный анализ 50 фреймов, каждый из которых характеризуется пятью параметрами. Так же был проведен пошаговый тест на сходимость прецедентов из базы прецедентов.
Результаты работы могут использоваться лицом принимающим решение (ЛПР) при обеспечении пожарной безопасности объектов защиты.
Ключевые слова: база знаний; база данных прецедентов; система поддержки принятия решений; нефтеперерабатывающий завод; метод «ближайшего соседа».
ANALYSIS OF SEARCH RESULTS AND CONVERGENCE OF PRECEDENTS IN THE FIRE AND EMERGENCY MANAGEMENT SUPPORT SYSTEM
A. G. MUSAIBEKOV, R. SH. KHABIBULIN, V. V. UHATOV
Federal State Educational Institution of Higher Education Academy of the State Fire Service
of the Ministry of Emergencies of Russia, Russian Federation, Moscow E-mail: [email protected], [email protected], [email protected]
As part of the study, the use of a database of precedents based on the frame model for managing the fire safety of oil refineries was considered.
An algorithm has been developed for finding and adapting the closest use case from the use case database using the «nearest neighbor» method. Based on the developed algorithm, special software has been created in the high-level language Delphi. The analysis of proximity measures to measure the distance between precedents. A practical example shows the ability to search for use cases from the use case database. A comparative analysis of fifty frames was carried out, each of which is characterized by five parameters. A step-by-step test for the convergence of use cases from the use case database was also conducted.
The results of the work can be used by the decision maker (DM) to ensure the fire safety of the objects to be protected.
Key words: knowledge base; precedent database; decision support system; oil refinery; «nearest neighbor» method; Euclidean modeling.
© Мусайбеков А. Г., Хабибулин Р. Ш., Ухатов В. В., 2020
4
Введение
Для реализации комплексного управления безопасностью сложных систем и объектов необходимо интегрировать технологии систем поддержки принятия решений (СППР) и современные информационные технологии. Данная проблема отчасти освещена в фундаментальных исследованиях, которые освещают подходы к моделированию систем принятия решений по управлению безопасностью сложных систем (В.Н. Бурков, Д.А. Новиков [1], Д.В. Тупиков [2], А.В. Минаев, Н.Г. Топольский, [3], Е.А. Мешалкин, А.П. Абрамов, В.Т. Олейников [4] и др).
Целью обработки разработанной базы данных по прецедентам является определение необходимой информации для поддержки принятия решений по всем множествам полученных ранее случаев возникновения пожаров на нефтеперерабатывающем заводе (НПЗ) и определение показателей, которые могут быть использованы для принятия управленческих решений по:
• локализации пожаров;
• принятию мер по ликвидации аварийных ситуаций;
• задействованию автоматических систем пожаротушения, имеющиеся, на объекте защиты ручных стационарных и передвижных средств.
Для проверки эффективности разработанного специального программного обеспечения, проведен анализ базы данных прецедентов на примере 50-и фреймов, каждый из которых характеризуется 5-ю выбранными параметрами, имеющими численное значение [5].
1. Описание базы данных прецедентов
База данных прецедентов представляет собой хранилище статистических данных и является частью базы знаний СППР. База знаний строится на основе метода прецедентов [6]. Обобщенная схема структуры метода прецедентов с учетом предметной области приведена на рис. 1.
Рис. 1. Обобщённая структура метода прецедентов
Применение метода прецедентов для поиска информации из базы знаний, можно условно разделить на следующие этапы:
1) Задача поиска подобной информации о поставленной задаче формулируется в виде массива P = [РьР2,...,Р^;
2) Сопоставление новой информации с прецедентами, хранящихся в базе данных прецедентов (БДП), которая сформирована из
базы данных карточек тушения пожара (БДКТП), для выявления аналогичных случаев;
3) В наиболее близком к текущей проблеме извлеченном прецеденте, формируются показатели решения к =
4) Адаптация выбранного решения к текущей проблеме представляется в виде массива кодоб = [к1одоб,к2одоб,. ■ -,^N0605]',
5) Проверка на корректность полученного адаптированного решения;
6) Сохранение информации о новом прецеденте в базе прецедентов.
Следующим этапом разработки базы знаний является создание информационной модели описания прецедентов в виде фреймовой модели (рис. 2).
Таким образом, сформированная база знаний, основанная на прецедентах, представляет собой, собранный массив данных, в котором содержится следующая информация: дан-
ные об организации (объект защиты НПЗ); все пожары и виды чрезвычайных ситуаций (ЧС), происходившие на НПЗ; информация об общей площади по каждому пожару на НПЗ; количество задействованного личного состава на этих пожарах; количество пожарных автомобилей, задействованных на различных пожарах и ЧС; информация позволяющая руководителю тушения пожара (РТП) организовать действия подразделений пожарной охраны по спасанию людей и тушению пожара (табл. 1).
Т
Внешние объекты
Имя слота
Слот 1
Слот 2
Слот п
Г
Объект
Имя слота
Слот 1
Слот 2
Слот 11
ОЬъ ект защ иты
Имя слота
Слот 1
Слот 1
Слот п
1 г
Предмет защиты
Имя слота
Слот 1
Слот 2
Слот 11
Объекты повышенной опасности
Имя слота
Слот 1
Слот 2
Слот п
I
Прщедент
Имя слота
Слот 1
Слот 2
Слот п
Инфраструктура
Имя слота
Слот 1
Слот 2
Слот п
Т
Событие
Имя слота
Слот 1
Слот 2
Слот п
Рис. 2. Информационная модель описания базы прецедентов [7]
Таблица 1. Выборка групп параметров
Номер Р1 Р2 Р3 Р4 Р5
фрейма Кол-во ве- Площадь Площадь Время сво- Количество
щества на объекте за- пожара, м2 объекта защиты, м2 бодного развития пожа- пострадавших на объекте
щиты, т ра, мин
фрейм №1 11,125 10 672 11 1
фрейм №2 8,826 75 360 11 3
фрейм №3 7,065 15 225 13 0
фрейм №4 15,421 476 840 23 2
фрейм №5 23,551 100 1300 16 0
фрейм №6 10,200 20 580 12 0
фрейм №7 25,146 690 1650 18 0
фрейм №8 12,125 110 650 19 0
фрейм №9 9,789 68 500 9 3
фрейм №10 18,192 25 1000 10 1
фрейм №11 126,178 1230 4400 22 1
Номер Р1 Р2 Р3 Р4 Р5
фрейма Кол-во ве- Площадь Площадь Время сво- Количество
щества на объекте за- пожара, м2 объекта защиты, м2 бодного развития пожа- пострадавших на объекте
щиты, т ра, мин
фрейм №12 74,623 740 3200 11 2
фрейм №13 8,601 204 400 8 4
фрейм №14 7,728 83 415 9 1
фрейм №15 30,314 13 980 9 0
фрейм №16 55,102 2500 5515 21 2
фрейм №17 101,258 547 2000 18 0
фрейм №18 32,300 252 880 21 1
фрейм №19 9,887 96 500 15 1
фрейм №20 3,451 55 550 11 2
фрейм №21 98,035 3583 6840 19 3
фрейм №22 38,112 810 2030 8 5
фрейм №23 61,649 340 1500 7 1
фрейм №24 2,408 90 270 10 0
фрейм №25 3,583 11 110 11 2
фрейм №26 67,700 2970 3700 19 2
фрейм №27 108,507 935 2000 17 2
фрейм №28 24,101 440 950 13 1
фрейм №29 6,566 58 300 11 0
фрейм №30 9,230 38 420 16 3
фрейм №31 1,850 47 120 7 2
фрейм №32 9,846 76 648 8 2
фрейм №33 30,519 150 1050 10 1
фрейм №34 29,394 98 815 11 2
фрейм №35 66,231 2880 5200 17 4
фрейм №36 93,584 1670 4060 20 5
фрейм №37 224,943 130 1720 9 2
фрейм №38 27,403 329 1000 23 3
фрейм №39 6,062 60 245 9 1
фрейм №40 7,704 31 238 11 0
фрейм №41 180,143 520 3408 19 1
фрейм №42 5,531 36 238 8 2
фрейм №43 5,298 40 300 8 1
фрейм №44 4,087 88 420 9 3
фрейм №45 23,108 175 840 15 1
фрейм №46 2,734 9 110 11 1
фрейм №47 9,300 22 502 11 2
фрейм №48 4,497 86 518 21 0
фрейм №49 2,560 55 225 16 1
фрейм №50 35,318 36 1356 14 1
2. Кластерный анализ
Для «интеллектуальной» обработки данных при поиске прецедентов, будем использовать кластерный анализ. Кластерный анализ - это группа методов, предназначенная для разделения исходных данных на однотипные группы данных, чтобы элементы, входящие в одну группу были максимально «схожи», и соответственно элементы другой группы должны максимально отличаться от другой группы элементов [8]. Методов кластерного
анализа достаточно много, и далее будет описана их классификация (табл. 2).
Существуют различные способы измерения расстояния или определения меры близости между объектами. Перечислим основные методы кластеризации:
• Межгрупповая связь (Between-groups linkage);
• Внутригрупповая связь (Within-groups linkage);
• Ближайший сосед (Nearest neighbor);
• Самый дальний сосед (Furthest neighbor);
• Центроидная кластеризация (Centroid clustering);
• Медианная кластеризация (Median clustering);
• Метод Варда (Уорда) (Ward's method).
Использование метода ближайшего соседа обеспечивает меньшую разницу расстояния между двумя объектами при введении в анализ нового объекта, поэтому для дальнейшего сравнения и анализа рассмотрим только его.
Таблица 2. Меры близости между объектами (меры подобия)
№
Показатели
Формулы
Описание
Евклидово расстояние
Евклидово расстояние - это наименьшее расстояние между х и у. В двух- или трёхмерном случае - это прямая, соединяющая данные точки.
Обобщенное степенное расстояние Мин-ковского
Расстояние Минковского (Minkowski) -равно корню r-ой степени из суммы абсолютных разностей пар значений взятых в r-ой степени.
Расстояние Чебыше-ва
= max ki -yj
Расстояние Чебышева (^еЬу^е^ - вычисление расстояния как максимума абсолютного значения разности между элементами. Используется при определении двух объектов как "различные", если они отличаются по какому-то одному измерению._
Расстояние городских кварталов (Манхэт-тенское расстояние)
Расстояние городских кварталов, манхэт-тенское расстояние, расстояние такси, метрика прямоугольного города — оно измеряет дистанцию не по кратчайшей прямой, а по блокам. Расстояние городских кварталов измеряет дистанцию между городскими блоками: это расстояние всех прямых линий пути._
1
2
3
4
3. Алгоритм поиска и адаптации ближайшего прецедента
Использование метода «ближайшего соседа» (Nearest neighbour), является, более эффективным, так как в данном методе дистанция между двумя кластерами определяется как расстояние между парой наблюдений, расположенных друг к другу ближе всего, причём каждое наблюдение берётся из своего кластера.
Далее используя метод «ближайшего соседа» разработаем алгоритм нахождения и адаптации ближайшего прецедента.
На первом этапе в специальном программном обеспечении для ввода числовых данных по новой ситуации, осуществляется выбор параметров P = [P1, P2,.PN]. По введенным данным, требуется найти ближайший прецедент из базы данных прецедентов. Для этого при помощи запроса подключаем специ-
альное программное обеспечение к базе данных прецедентов (БДП). Весь механизм поиска ближайшего прецедента осуществляется в загруженной таблице и работает следующим образом:
• Значениям переменных х, и у, присваиваются значения первой строки загруженной таблицы.
• С учетом веденных данных по текущей ситуации и загруженные данные из базы прецедентов, при помощи формулы евклидова расстояния находим среднеквадратичное отклонение от текущей ситуации [9].
Р(х, У ) =
Е (x - y)
(1)
где х и у - точки в п-мерном пространстве, , -порядковый номер признака, х, и у, - координаты точек х и у по признаку ,'.
i=1
• Также, по аналогии с предыдущим пунктом, находим среднеквадратическое отклонение для остальных строк.
• По завершении таблицы, строка из базы данных прецедентов, чье среднеквадратическое отклонение будет наименьшим, и является ближайшим прецедентом к текущему случаю.
Так как идентичные пожары и ЧС практически не встречаются, ЛПР необходимо найденный из базы прецедентов случай адаптировать к новой оперативной ситуации. Используя механизм адаптации и свой опыт, ЛПР проводит адаптацию базового решения, которое в свою очередь заносится в базу прецедентов. Определено, что рассуждение по аналогии (по прецедентам) позволяет выявить аналогич-
ную ситуацию и адаптировать принятое решение с учетом условий текущей ситуации.
• После того, как ближайший прецедент, назовем его Рближ к текущей ситуации Рввед был найден, необходимо сравнить найденный ближайший прецедент Рближ с текущей ситуацией Рввед, если Рввед <Рближ, то для адаптации предлагается взять нормативное (расчетное) значение к данной ситуации Рнорм.
• Если же значения параметров найденного ближайшего прецедента окажутся меньше текущей ситуации Рближ<Рввед, то в этом случае Рближ будет выводимым решением.
Ниже представлен алгоритм нахождения и адаптации ближайшего прецедента (рис. 3).
Формирование рекомендаций для ЛПР на основе решения из ближайшего прецедента Адаптация решения и формирование рекомендаций для ЛПР на основе расчетных данных по нормативным документам и собственного опыта
1 4 1
г
Вывод параметров решения
Г
Конец
Рис. 3. Обобщенный алгоритм поиска ближайшего прецедента и его адаптации
На основе разработанной блок-схемы создано специальное программное обеспечение СППР с использованием языка программирования высокого уровня Delphi (рис. 4).
С помощью алгоритма поиска найден прецедент, максимально приближенный по выбранным показателям к новой ситуации, и выведен на экран в виде сформулированной
рекомендации для ЛПР (Текущее решение для ЛПР). Адаптация текущего решения и формирование новой рекомендации для ЛПР (Адаптированное решение для ЛПР) осуществляется с помощью алгоритма адаптации, который описан выше. В результате проведенной адаптации было взято нормативное (расчетное) решение к данной ситуации рис. 5.
^ "АРМ системы поддержки принятия решений для специалиста пожарной безопасности НПЗ" Меню Справка
□
X
Ф.И.О. заявителя
Адрес пожара или ЧС
Параметр 1 Параметр 2 Параметр 3 Параметр 4 Параметр 5
"31
1) Площадт пожара 2) Площадь Обьекта 3) Количество пострада 4) Время свободного раз 1) Площадт пожара 2) Площадь Обьекта 3) Количество пострада 4) Время свободного раз 1) Площадт пожара 2) Площадь Обьекта 3) Ко/ичество пострада 4) Время свободного раз 1) Площадт пожара 2) Площадь Обьекта 3) Количество пострада! 4) Время свободного раз 1) Площадт пожара 2) Площадь Обьекта 3) Количество пострада 4) Время свободного раз
Показате;ь 1 Показатель 2 Показатель 3 Показатель 4 Показатель 5
|площадь обьекта количество пострадави. Площадь пожара Ьремя свободного разви количество вещества
Очистить
Отмена
Сохранить
OK
Рис. 4. Специальное программное обеспечение СППР
"АРМ системы поддержки принятия решений для специалиста пожарной безопасности НПЗ"
Количество личного состава
¥
Количество пожарных автомобилей Ц
Текущее решение для РТП Адаптационное решение для РТП
1. АЦ-40 установить на ПГ-36. Личный состав от магистральной линии и разветвления 3-хода ПЧ-2 звеном ГДЗС подать ствол ШПС-600 на тушение. 2. АЦ-40 в резерв. Личный состав от магистральной линии и разветвления 3-хода ПЧ-2. 1. АЦ-40 установить на ПГ-36. Личный состав от магистральной линии и разветвления 3-хода ПЧ-2 звеном ГДЗС подать ствол ШПС-600 на тушение. 2. АЦ-40 в резерв. Личный состав от магистральной линии и разветвления 3-хода ПЧ-2. Подать 1 ствол ГПС-600 на тушение.
Адаптация
Назад
Выход
Рис. 5. Окно вывода и адаптации решения по новому случаю
Используемый в СПО метод прецедентов позволяет создать гибкую (редактируемую и накопительную) базу знаний для объектов защиты и алгоритмы для поддержки принятия решений ЛПР. Представленное СПО может быть использован как универсальная интеллектуальная встраиваемая система проверки
эффективности противопожарной защиты объектов.
Анализ базы прецедентов с помощью специального программного обеспечения выявил следующие закономерности:
• Сортировка по параметру «площадь пожара» показывает, что при наибольшем значении площади пожара, данные следующих
параметров: «площадь объекта», «количество вещества», «время свободного развития пожара» имеют большой разброс между прецедентами.
• Сортировка по параметру «количество пострадавших на объекте защиты» выявила, что значения показателей параметров: «площадь объекта», «количество вещества», «время свободного развития пожара» не изменяются.
Продемонстрирован результат поиска ближайшего прецедента из базы прецедентов по заданным параметрам (табл. 3).
Графический вывод результатов поиска прецедентов показан на рис. 6.
Таблица 3. Результат поиска ближайшего прецедента
№ Показатели Р1 Р2 Р3 Р4 Р5 Среднее
фреймов Кол-во Площадь Площадь Время сво- Кол-во по- квадра-
вещества, т пожара, м2 объекта, м2 бодного развития пожара, мин страдавших на объекте тичное отклонение
0 текущий случай 15,0 240 580 13 2
1 фрейм №8 12,1 110 650 19 0 66,1
2 фрейм №13 8,6 204 400 8 4 53,2
3 фрейм №19 9,8 96 500 15 1 50,1
4 фрейм №28 24,1 440 950 13 1 43,4
5 фрейм №34 29,3 98 815 11 2 41,8
6 фрейм №45 23,1 175 840 15 1 40,6
7 фрейм №6 10,2 20 580 16 0 38,3
1000
со
Р, Р2 Рз Р4 Р5
Параметры
Рис. 6. Графический вывод результатов поиска прецедентов
По проведенному анализу можно сделать следующие выводы:
1) Установлено, что имеющиеся 5 параметров в разной степени влияют на поиск прецедентов из БДП. Порядок приоритета параметров определился следующим образом:
• площадь пожара;
• количество вещества;
• площадь объекта;
• время свободного развития пожара;
• количество пострадавших на объекте.
2) При неоднократном тестировании поиска по 5 параметрам, было выявлено, что параметр «количество пострадавших на объекте защиты» не влияет на поиск прецедентов из БДП, так как по нему выводится большое количество прецедентов с базы прецедентов.
3) Предлагается с помощью специального программного обеспечения провести тест по 5 параметрам, для определения сходимости прецедентов по данным параметрам.
4. Анализ сходимости прецедентов
Проведен тест на сходимость, между прецедентом по текущей ситуации и прецедентами из базы прецедентов. Для поиска прецедента из базы прецедентов, задается новая ситуация по 5 параметрам: количество вещества Р1 = 15; площадь пожара Р2 = 240; площадь объекта Р3 = 580; время свободного развития пожара Р4 = 13; количество пострадавших на объекте Р5 = 2. Тест проводил-
ся в 4 этапа, на каждом из которых задаваемые параметры сокращались на один и по оставшимся параметрам заново проводился поиск прецедента из БДП.
Анализ проведенного теста на сходимость прецедентов показал следующее:
• Первый тест по 5 параметрам выявил, что наиболее близким прецедентом из базы прецедентов к текущему случаю является прецедент №8 (Р1 = 12,1; Р2 = 110; Р3 = 650; Р4 = 19; Р5 = 0). Среднее квадратичное отклонение равно 66,1.
• Во втором тесте отсекаем параметр «количество пострадавших на объекте», результат, выявлен тот же прецедент № 8 (Р1 = 12,1; Р2 = 110; Р3 = 650; Р4 = 19; Р5 = 0), однако среднее квадратичное отклонение между ними составило 66,09.
• В третьем тесте убираем еще один параметр «время свободного развития пожара», выявлен предыдущий прецедент №8 (Р1 = 12,1; Р2 = 110; Рз = 650; Рл = 19; Р5 = 0). Среднее квадратичное отклонение при данном тесте составило 66,04.
• Тест четвёртый проводился без учета параметра «площадь объекта». В результате теста был найден прецедент №20 (Р1 = 32,3; Р2 = 96; Р3 = 500; Р4 = 15; Р5 = 1). Среднее квадратичное отклонение при данном тесте составило 9,41.
Ниже представлен графический анализ теста на сходимость прецедентов (рис. 7).
Рис. 7. Результат теста на сходимость прецедентов
По проведенному анализу было выявлено следующее:
1) Проведенный тест по двум параметрам «площадь пожара» и «количество вещества» показал, что определяются разные по значениям прецеденты, совпадения между которыми невозможны.
2) Проведенный тест по трем параметрам выявил, что для эффективного поиска прецедентов из БДП, необходимо использовать не менее трех параметров.
В результате можно сделать вывод, что без двух из основных параметров («площадь пожара», «количество вещества», «площадь объекта защиты») среднеквадратичное отклонение между текущей ситуацией и найденным прецедентом будет велико, на что указывает проведенный выше тест №4.
5. Заключение
Разрабатываемая СППР, в состав которой входит предложенный алгоритм поиска и
адаптации схожих прецедентов, позволяет получить дополнительные сведения для анализа информации по группам объектов [10], степени угрозы, локализации и т.д. Это дает возможность осуществлять эффективную оценку, составлять отчеты, графики, диаграммы и документы на основе динамически изменяющейся информации. Также, используемый в специальном программном обеспечении метод прецедентов позволяет создать гибкую (редактируемую и накопительную) базу знаний для объектов защиты и алгоритмы для поддержки принятия решений ЛПР.
В дальнейшем планируется продолжение исследований в области определения наиболее значимых показателей (признаков) прецедентов с использованием факторного и дискриминантного анализов для оценки их информативности, поиска и отбора. Также планируется усовершенствовать алгоритм адаптации управленческих решений для повышения их эффективности.
Список литературы
1. Бурков В. Н., Новиков Д. А. Теория активных систем: состояние и перспективы. М.: СИНТЕГ, 1999. 128 с.
2. Тупиков Д. В. Модели и алгоритмы поддержки принятия решений по обеспечению пожарной безопасности на промышленных предприятиях: дис. ... канд. техн. наук: 05.13.01. Саратов: Саратовский государственный технический университет имени Гагарина Ю.А., 2015. 103 с.
3. Минаев В. А., Топольский Н. Г. Методы и модели управления пожарными рисками на основе теории активных систем // Теория активных систем - ТАС 2014: матер. между-нар. науч.-практ. конф. М.: изд-во ИПУ РАН, 2014. С.175-176.
4. Мешалкин Е. А., Абрамов А. П., Олейников В. Т. Совершенствование управления силами и средствами государственной противопожарной службы при проведении аварийно-спасательных работ // Матер. меж-дунар. симпозиума, 30-31 мая 2002 г. М.: ВНИИ ГОЧС, 2002. С. 34-35.
5. Мусайбеков А. Г., Хабибулин Р. Ш. Специальное программное обеспечение системы поддержки управления пожарной безопасностью объекта защиты на основе метода прецедентов // Системы безопасности, 2019. С.27-32.
6. Макарова Е. С. Исследование влияния параметров нечеткой модели на точность классификации прецедентов //
Вестник Астраханского государственного технического университета. Серия:
Управление, вычислительная техника и информатика. 2016. № 4. С. 7-18.
7. Мусайбеков А. Г., Хабибулин Р. Ш. Технология ситуационного управления пожарной безопасностью нефтеперерабатывающего предприятия на основе метода прецедентов // Проблемы техносферной безопасности - 2019: матер. междунар. науч.-практ. конф. М.: АГПС МЧС России, 2019. С. 69-75.
8. Орехов Н. А., Левин А. Г., Горбунов Е. А. Математические методы и модели в экономике. М.: ЮНИТИ-ДАНА, 2004. 302 с.
9. Хачумов М. В. Расстояния, метрики и кластерный анализ // Искусственный интеллект и принятия решений. 2012. №1. С. 81-89.
10.Хабибулин Р. Ш. Интеллектуализация управления пожарной безопасностью на объектах хранения нефти и нефтепереработки // Пожарная безопасность: проблемы и перспективы. 2015. №. 1(6). С. 29-31.
References
1. Burkov V. N., Novikov D. A.. Teoriya aktivnykh sistem: sostoyaniye i perspektivy [Theory of active systems: state and prospects]. Moscow: SINTEG, 1999. 128 p.
2. Tupikov D. V. Modeli i algoritmy pod-derzhki prinyatiya resheniy po obespecheniyu pozharnoy bezopasnosti na promyshlennykh predpriyatiyakh. Dis. ...kand. tekhn. nauk [Models and algorithms of decision-making support on en-
suring heat safety in industrial enterprises. Cand. tech. sci. diss. Sciences: 05.13.01]. Saratov: Saratov state technical University named after Y. A. Gagarin, 2015. 103 p.
3. Minaev V. A., Topolsky N. D. Metody i modeli upravleniya pozharnymi riskami na osnove teorii aktivnykh sistem [Methods and models of fire risk management based on the theory of active systems]. Teoriya aktivnykh sistem - TAS 2014: mater. mezhdunar. nauch.-prakt. konf. Moscow: ISU RAS, 2014, pp. 175-176.
4. Meshalkin E. A., Abramov A. P., Ole-inikov V. T. Sovershenstvovaniye upravleniya silami i sredstvami gosudarstvennoy pro-tivopozharnoy sluzhby pri provedenii avariyno-spasatel'nykh rabot [Improving the management of forces and means of the state fire service during emergency rescue operations]. Mater. mezhdunar. simpoziuma. May 30-31, 2002. Moscow: All-Russian Research Institute of Civil Defense, 2002, pp. 34-35.
5. Musaibekov A. G., Khabibulin R. Sh. Spetsial'noye programmnoye obespecheniye sis-temy podderzhki upravleniya pozharnoy bezopas-nost'yu ob"yekta zashchity na osnove metoda pretsedentov [Special software for the fire safety management support system of the protection object based on the use-case method]. Sistemy bezopasnosti, 2019, pp. 27-32.
6. Makarova E. S. Issledovaniye vliyaniya parametrov nechetkoy modeli na tochnost' klassi-
fikatsii pretsedentov [Investigation of the influence of fuzzy model parameters on the accuracy of case classification]. Vestnik Astrakhanskogo gosudarstvennogo tekhnicheskogo universiteta. Seriya: Upravleniye, vychislitel'naya tekhnika i informatika, 2016, issue 4, pp. 7-18.
7. Musaibekov A. G., Khabibulin R. Sh. Tekhnologiya situatsionnogo upravleniya pozharnoy bezopasnost'yu neftepererabatyvayushchego predpriyatiya na osnove metoda pretsedentov [Technology of situational fire safety management of an oil refinery based on the use-case method]. Problemy tekhnosfernoy bezopasnosti - 2019: mater. mezhdunar. nauch.-prakt. konf. Moscow: AGPS EMERCOM of Russia, pp. 69-75.
8. Orekhov N. A., Levin A. G., Hunchbacks E. A. Matematicheskiye metody i modeli v ekonomike [Mathematical methods and models in economics]. Moscow: UNITY-DANA, 2904. 302 p.
9. Khachumov M. V. Rasstoyaniya, metriki i klasternyy analiz [Distances, metrics and cluster analysis]. Iskusstvennyy intellekt i prinyatiya resheniy, 2012, issue 1, pp. 81-89.
10.Khabibulin R. Sh. Intellektualizatsiya upravleniya pozharnoy bezopasnost'yu na ob"yektakh khraneniya nefti i neftepererabotki [Intellectualization of fire safety management at oil storage and oil refining facilities]. Pozharnaya be-zopasnost': problemy i perspektivy, 2015, vol. 1(6), pp. 29-31.
Мусайбеков Асхат Гайнуллаулы ФГБОУ ВО Академия ГПС МЧС России, Российская Федерация, г. Москва адъюнкт
E-mail: [email protected]
Musaybekov Askhat Khayrullauli
Academy of State Fire Service of EMERCOM of Russia,
Russian Federation, Moscow
postgraduate student
E-mail: [email protected]
Хабибулин Ренат Шамильевич ФГБОУ ВО Академия ГПС МЧС России, Российская Федерация, г. Москва
начальник учебного-научного комплекса автоматизированных систем и информационных технологий
(УНК АСИТ)
канд. тех. наук, доцент
E-mail: [email protected]
Khabibulin Renat Shamil'yevich
Academy of State Fire Service of EMERCOM of Russia,
Russian Federation, Moscow
doctor of Philosophy in Engineering Sciences, Associate Professor State Fire E-mail: [email protected]
Ухатов Валерий Сергеевич ФГБОУ ВО Академия ГПС МЧС России, Российская Федерация, г. Москва курсант
E-mail: [email protected] Ukhatov Valeriy Sergeyevich
Academy of State Fire Service of EMERCOM of Russia,
Russian Federation, Moscow
student
E-mail: [email protected]
