CC BY
14
10.36724/2409-5419-2022-14-1-4-20
АРХИТЕКТУРА ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ КОНТРОЛЯ ТЕХНИЧЕСКОГО СОСТОЯНИЯ ЭВОЛЮЦИОНИРУЮЩИХ КОМПЛЕКСОВ СВЯЗИ СПЕЦИАЛЬНОГО НАЗНАЧЕНИЯ
ВИНОГРАДЕНКО АННОТАЦИЯ
Алексей Михайлович1 Предлагается архитектура и принцип функционирования интеллектуальной си-
стемы контроля технического состояния комплексов связи межведомственной телекоммуникационной системы специального назначения. Описаны процессы представления и получение знаний в интеллектуальной системе контроля технического состояния неоднородных комплексов связи телекоммуникационной системы специального назначения, правила процесса контроля, а также реализация базы знаний перспективной системы контроля. Цель исследования: повысить эффективность контроля комплексов связи территориально распределенной телекоммуникационной системы специального назначения путем интеллектуализации процесса контроля и совершенствования архитектуры перспективных систем контроля. Методы: методы многоуровневого синтеза сложных технических систем и методы теории искусственного интеллекта. Результаты. Проведена разработка интеллектуальной системы контроля технического состояния комплексов связи эволюционирующей телекоммуникационной системы специального назначения. Описаны процессы представления и получения знаний в интеллектуальной системе контроля технического состояния комплексов связи специального назначения. Определены правила проведения процессов оценивания, контроля технического состояния неоднородных комплексов связи эволюционирующей телекоммуникационной системы. Представлены принципы структурного построения, базовые технологии и на их основе архитектура перспективной системы контроля. Описана обобщенная структура базы знаний интеллектуальной системы контроля и процесс ее функционирования. Практическая значимость. На основе сформулированных принципов функционирования системы управления знаниями представлена программная реализация предлагаемой интеллектуальной системы контроля технического состояния комплексов связи межведомственной телекоммуникационной системы специального назначения в рамках межведомственного единого управляющего пространства. В предлагаемой системе контроля база знаний включает полносвязную поисковую систему признаков аварийности, методов оценивания, идентификации, онтологию и компоненты семантического поиска.
Сведения об авторе:
1 кандидат технических наук, доцент,
Военная академия связи им. С. М. КЛЮЧЕВЫЕ СЛОВА: интеллектуальная система контроля, комплексы связи,
Буденного, г. Санкт-Петербург, Россия, телекоммуникационная система специального назначения, представление vinogradenko.a@inbox.ru знаний.
Для цитирования: Винограденко А.М. Архитектура интеллектуальной системы контроля технического состояния эволюционирующих комплексов связи специального назначения // Наукоемкие технологии в космических исследованиях Земли. 2022. Т. 14. № 1. С. 4-20. doi: 10.36724/2409-5419-2022-14-1-4-20
Введение
Тенденции в развитии новых сложных организационно-технических объектов, элементов и подсистем современных территориально распределенных производственных комплексов, увеличении их количества предполагают соответствующее развитие межведомственных телекоммуникационных систем (ТКС), приобретающих характер пространственной рассредоточенности, полной автоматизации, автономности и, нацеленных на выполнение задач, как правило, сопряженных с доведением управляющей информации, сигналов и др. в сжатые временные интервалы. При этом оперативность систем управления практически полностью зависит от вероятностно-временных характеристик доведения управляющей информации по каналам связи а, соответственно, от технического состояния (ТС) комплексов связи (КС), взаимоувязанных с комплексами средств автоматизации в ТКС специального назначения (СН) [1].
Развитие ТКС СН характеризуется масштабированием, добавлением новых элементов (компонентов, сегментов) оборудования к существующим системам, следовательно, их усложнению, что отражается на структуре их построения, гетерогенности, неоднородности как оконечного оборудования, так и ТКС в целом [2].
К таким объектам можно отнести стационарные объекты связи, обеспечивающие функционирование систем СН, а также автономные малообитаемые и необитаемые объекты (роботизированные комплексы различных типов базирования, характеризующиеся высокой ценой отказа, ведущего к нарушению нормального функционирования как объекта инфраструктуры, так и всей системы, срыву поставленной задачи, возникновению аварийной ситуации, сопровождающейся значительным ущербом.
Таким сложным, географически распределенным, межведомственным, гетерогенным ТКС присущи следующие особенности, отличающие их от созданных в конце XX века и находящихся сегодня ещё в эксплуатации внутриведомственных систем связи и их подсистем контроля:
1) евозможность полного математического описания (построения полноценной математической модели) как межведомственной ТКС в целом, так и отдельных сетей в ее составе, объединяющих гетерогенные сегменты сети, комплексы средств автоматизации (КСА) и АКС (программно-аппаратные комплексы связи (ПАКС)) в составе единого информационного пространства (ЕИП), единого информационно-управляющего пространства (ЕИУП) РФ при несомненной желательности и настоятельной необходимости в этом [3];
2) учайность функционирования межведомственных ТКС в рамках ЕИП (ЕИУП) РФ, приводящая к трудностям при проведении анализа его состояния и организации управления. Эта особенность обусловлена не только наличием многочисленных специальных источников случайных и преднамеренных помех в системе связи, но и её сложностью, приводящей к множеству всякого рода второстепенных (с точки зрения целей контроля и управления) процессов. Вследствие этого, функционирование такого объекта контроля (ОК) подчас оказывается «непредвиденным» для его системы управления и подсистемы контроля, причем эту «непредвиденность» необходимо рас-
сматривать как некий случайный фактор и трактовать как зашумленность, чем проводить подробный анализ механизмов воздействия второстепенных процессов на ТКС, хотя эта «случайность» может оказаться вовсе и не случайной. Функционирование межведомственной ТКС СН осуществляется в сложных условиях, когда возможны различные структурные и информационные воздействия, носящие в большей степени умышленный характер, что предполагает гибкое оперативное изменение ее структуры и организацию управления в реальном масштабе времени. При этом необходимые гибкость, масштабируемость и возможность наращивания (восстановления после деградации) обеспечивают построение ОК в соответствии с концепцией глобальной информационной инфраструктуры и широкое применение современных информационных, телекоммуникационных технологий, технологий управления с элементами искусственного интеллекта и пр. [4];
3) еобъяснимая «нетерпимость» к управлению, что является самой неприятной особенностью межведомственных ТКС, поскольку гетерогенная система функционирует относительно независимо от системы управления, т. е. она предназначается для сопряжения элементов и передачи информации, а не для управления ею. В этом есть определенное противоречие, которое возрастает, если цели подсистемы контроля автоматизированной системы управления (АСУ) не согласованы с целями самой ТКС;
4) существе ая нестационарность межведомственной ТКС, вытекающая из её сложности и проявляющаяся в дрейфе основных характеристик (в эволюции отдельных телекоммуникационных сетей и её сегментов в составе межведомственных ТКС во времени), что гарантирует так называемую невоспроизводимость экспериментов, состоящую в различной реакции сети на одну и ту же аварийную ситуацию или управляющее воздействия в различные моменты времени, что нельзя не учитывать при моделировании системы контроля ТКС СН [3, 4].
Анализ этапов развития ТКС СН показывает непрерывный рост контролируемого пространства, порождаемый увеличением территориальной распределенности и неоднородности межведомственных КС в процессе их функционирования, что предполагает соответствующий охват средствами контроля наблюдаемых объектов. При этом, высокая степень размерности контролируемого пространства, с учетом многоуровневой структуры и неоднородности КС, совокупности наблюдаемых параметров, предполагает наличие такой модели системы контроля, которая позволит учитывать принципы построения, требования, предъявляемые к системам контроля и особенности эволюционирующих ТКС СН, что позволит решить задачу данного уровня сложности [5,6].
Разработка перспективных систем контроля межведомственных КС СН, с учетом условий функционирования ТКС СН, предполагает использование новых методов контроля, технологии искусственного интеллекта (ТИП), преумножающих эффективность процесса контроля и дополняющих их возможности такими экспертными данными и «горизонтом» прогнозирования, которые ранее были не достижимы. С учетом этого, дальнейшее развитие систем контроля ТС КС в настоящей статье во многом связано с интеллектуализацией, с созданием и широким внедрением ТИИ [2, 7].
Процесс функционирования систем контроля ТКС СН в условиях воздействия множества дестабилизирующих факторов, с учетом обработки больших данных в межведомственных ЕИУП, предполагает использование подходов и методов контроля, способствующих повышению оперативности систем поддержки принятия решений (СППР), а также обладающих функциями обучения и адаптации в динамично меняющейся среде, что позволит достичь своевременной идентификации вида ТС ОК в аварийных ситуациях и эффективного управления телекоммуникациями в создавшихся условиях.
Анализ развития интеллектуальных методов в различных смежных областях науки и техники показывает отличия данных подходов от распространенных в настоящее время адаптивных, за счет возможности накапливания и использования знаний, данных и правил в процессе эксплуатации объектов наблюдения. Для исследуемых систем контроля ТС ТКС СН интеллектуальный подход (ИП) потенциально характеризуются большей оперативностью, критичностью к аварийным ситуациям, которые обеспечиваются классификационной схемой, возможностью аккумулирования и обновления совокупности знаний о наблюдаемом состоянии ОК путем использования правил применения различных методов оценивания их ТС, а также отсутствием ограничений (например, по масштабу процесса контроля), свойственных адаптивным системам контроля [2, 10-19,22].
Известные работы по адаптивным системам контроля ТС КС СН [8, 9], характеризуются с точки зрения относительно большого временного интервала, в рамках которого система идентифицирует и осуществляет управляющее воздействие (изменяет параметры наблюдаемого процесса), что в век высоких скоростей и массового использования, например, робо-тотехнических комплексов различных типов базирования не соответствует требованиям по оперативности в перспективных системах контроля.
Существующие в настоящее время интеллектуальные технологии (ИТ) позволяют расширить круг решаемых задач, найти альтернативные подходы в других областях науки, снизить некоторые ограничения в процессах контроля ТС межведомственных КС. Применение ИП, предполагающего машинное обучение (искусственные нейронные сети (ИНС)), технологии создания экспертных систем, технологии поиска, представления знаний, интеллектуального анализа данных, распознавания образов, создания интеллектуальных роботов, муль-тиагентных систем, позволит значительно расширить возможности существующих систем контроля, достичь результатов, которые раньше считались невозможными [20-28].
Для принятия обоснованного решения по управлению КС СН необходимо научно-техническое сопровождение эксплуатации таких объектов, основной задачей которого является контроль ТС. Мониторинг ТС КС СН, представляющий информационное обеспечение органов управления (ОУ) межведомственных ситуационных центров, предназначен для разработки на основе собираемой разнородной информации соответствующих предложений для принятия оперативных решений (ПОР) ОУ. Мониторинг осуществляется подсистемой контроля ТС КС и представляется в настоящей работе совокупностью средств контроля КС территориально распределенной ТКС СН, эффек-
тивность функционирования которых зависит от уровня интеллектуализации, степени внедрения ИТ в процессы контроля и оценивания ТС КС СН [1,29,30].
Таким образом, целью работы является разработка архитектуры интеллектуальной системы контроля ТС межведомственных КС территориально распределенной ТКС СН.
Постановка задачи исследований
Для уменьшения, редуцирования контролируемого пространства, характеризуемого топологической и пространственно-временной неоднородностью, любая развивающаяся ТКС СН, с учетом свойств эволюционного развития, динамичности структуры и вариативности данных аспектов может быть представлена как совокупность зон контроля, разделенных на критически важные элементы (КВЭ), масштабируемые на любом этапе развития [2, 31]. Следовательно, наблюдаемая ТКС агрегируется, комплексируется в процессе эволюции в одну общую систему, что подразумевает соответствующее развитие свойства контролируемости ТКС СН.
Задача контроля ТС неоднородных КС СН может быть представлена в виде
Я ^ иЩ = С,У г е I, (1)
где Я, = {Я= 1,Мг},У г е I - известные состояния КВЭ, а Мг - количество известных состояний КВЭ КС СН; и), Д(/) - текущие значения статических и динамических контролируемых параметров КВЭ в моменты времени I на интервале предыстории Т при переходе ее в состояние Сщ в случае возникновения аварийной ситуации.
Очевидно, что, в целом, ТС КС СН будет определяться множеством состояний КВЭ, входящих в их состав. Статический и
динамичный характер состояний С^ КВЭ 81 и соответствующих им значений параметров и 1 и Д , а также в ряде случаев
незначительные отклонения значений текущих параметров в различных ситуациях и различные временные интервалы предысто-рий (априорная информация) этих ситуаций обуславливает сложность поставленной задачи (1).
Интеллектуальный контроль неоднородных КС СН предполагает использование методов и ТИИ: представления совокупности знаний о состоянии КС, их извлечения в процессе сбора измерительной информации (ИИ), а также применения знаний - интеллектуального анализа ИИ [32]. Именно применение интеллектуальных процедур определения соответствия контролируемых параметров конкретного типа оборудования эталонным значениям (допускам), находящимся в базе знаний (БЗ) разрабатываемой системы контроля, учета динамики развития аварийных ситуаций, использование прогностических процедур и др. представляет собой процесс интеллектуального контроля.
В настоящей статье под знаниями понимаются данные о закономерностях предметной области (принципы, связи, законы и т. д.), полученные в результате формализации итогов практической деятельности и профессионального опыта, ко-
торые позволяют специалистам решать задачи. Таким образом, формализуемая информация о состоянии комплексов связи ТКС СН, хранящаяся в информационной системе (ЕИУП ведомства или министерства), является знаниями.
Решение задачи хранения и накопления знаний в моделируемой системе контроля возложено на базу знаний {knowledge base), содержащую правила вывода и информацию о человеческом опыте и знаниях в предметной области оценивания, контроля ТС КС СН. В самообучающихся системах БЗ также содержит информацию, являющуюся результатом решения предыдущих задач. Учитывая, что современные БЗ работают совместно с системами поиска и извлечения информации, то для решения задачи требуется некоторая модель классификации понятий и определенный формат представления знаний [24].
Известный практический подход к преодолению указанной проблемы состоит в использовании знаний экспертов для идентификации различных аварийных ситуаций Сщ доя каждого КВЭ Sj. Проведенные исследования подтвердили целесообразность использования принципов интеллектуализации процесса контроля, процедур представления знаний, обучения (например, в ИНС) для решения задач контроля при принятии решений по управлению ТКС (в СППР). Однако использование такого подхода может быть недостаточным для достижения требуемой оперативности контроля межведомственного пространства в режиме реального времени. Для повышения эффективности контроля межведомственного пространства необходим поиск правил представления и применения знаний в ИСК, вызывающих синергетический эффект, распространяющийся на все контролируемые элементы КС СН министерств и ведомств [2]. С этой целью база знаний в ИСК представляется в виде метамодели Bk, где k = 1, M, хранящей данные о аварийных ситуациях, группах ситуаций, признаках их возникновения и методах контроля доя всех КВЭ КС. База знаний также включает в себя входные и выходные векторы, интервалы предыстории, весовые коэффициенты соответствующих моделей представления, получения знаний идр.:
Bk = {Ek, Xk ,«k}, (2)
где Ek = ,Ga} - идентификатор авариной ситуации, состоящий из описания состояния и идентификатора группы ситуаций Ga, в состав которой входит данная ситуация; Xk = {Xk 16 = 1, &k} - множество признаков ситуаций,
являющихся входными векторами моделей представления, получения знаний и др.; 0k - количество признаков аварийной ситуации (воздействий) "Kk; = ф = фк} - варианты принятия решений при возникновении k-й ситуации, где 0k - количество вариантов реакции на ситуацию Ek.
Представление и получение знаний в интеллектуальной системе контроля технического состояния комплексов связи специального назначения
В процессе проведения контроля технического состояния КС СН базы знаний (правил) ИСК постоянно пополняется новыми данными и обновляется исходя из динамики процесса
оценивания ТС КС, различных аварийных ситуаций с учетом условий их протекания. Постоянно пополняемые и обновляемые данные содержатся в правилах и используются ими в различных аварийных ситуациях для обеспечения выработки решений в управляющей системе, рис. 1, что обеспечивает гибкость системы контроля [2].
Результатом функционирования ИСК является решение задач обнаружения, распознавания и идентификации отказов в КС СН, выделения опасных трендов развивающихся аварийных ситуаций, ведения их оперативного каталога, прогнозирования отказов, формирования и обеспечения в принятии на основе всесторонней оценки обстановки своевременных мер по обеспечению работоспособности КС СН и, соответственно, выполнения поставленной задачи. При этом, указанный функционал в реальном масштабе времени (режиме мягкого реального времени) в автоматизированном (автоматическом) режиме функционирования КС СН подчеркивает актуальность решаемой задачи.
Моделируемая БЗ ИСК представляется как информационная многоуровневая МЕТА-система, основанная на фундаментальных математических положениях метатеории и способная на основе поступающей ИИ, путем ее обработки получать и применять новые знания в виде правил. Представленная таким образом метамодель (ММ) БЗ, обобщает другие модели, например, обобщенные модели совокупности выборок измерений, результаты уравнивания, модели трендов, полученные на основе выборок эмпирических наблюдений, прогнозные модели о возможном появлении или развитии аварийной ситуации. В моделируемой ИСК ММ БЗ зависит от аварийной, а, соответственно, информационной ситуации. В разных информационных ситуациях ММ имеют разные виды [2, 33-35]. ММ измерений означает обобщенную модель измерений, из которой для конкретных условий можно образовать разные конкретные методики измерений. При этом объект-оригинал, представляющий собой КВЭ какой-либо зоны контроля или аварийную ситуацию, развивающуюся в этой зоне, служит в качестве источника, отражающего происходящие изменения в КС территориально распределенной ТКС СН. Используя положения метатеории, в понятие ОК можно включить систему, явление и процесс, что позволяет в отношении ОК порождать разные модели в разные циклы наблюдений на основе общей метамодели наблюдений.
Задача построения ИСК ТС КС многогранна и предполагает совместное проведение как пространственного анализа в аспекте территориальной распределенности ТКС СН, так и использование методов теории искусственного интеллекта в области диагностики КС совместно с другими отдельными объектами доя основных и вспомогательных целей. Совместно они трансформируются в модель информационной ситуации (ИС). Основным объектом исследования интеллектуального контроля ТС КС СН являются пространственные ситуации, то есть, аварийные ситуации контролируемого объекта, ТС которого варьируется в пространстве параметров, или информационные пространственные ситуации. При контроле территориально распределенной ТКС СН отдельные КС описываются также моделью информационной ситуации, которая может быть рассмотрена как ММ в информационном поле.
Особенностью информационного поля является наличие элементов поля моделей информационных единиц [34], которые
как элементы алфавита служат основой для построения других моделей.
Построение ИСК КС межведомственной территориально распределенной ТКС СН моделируется в информационном поле также как ММ - модель информационной конструкции (ИК). ТКС СН позиционируется в данной модели как пространственная система, процесс контроля, входящих в ее состав территориально распределенных КС - как пространственный процесс, фиксирующий аварийные ситуации, т. е. информационные ситуации (ИС), распределенные в межведомственном ЕИУП. Использование ИС и ИК позволяет строить научное обоснование пространственной модели ИСК ТС территориально распределенной ТКС СН. Пространственное метамоделирование включает моделирование с пространственными и параметрическими моделями [2, 34].
Процесс представления знаний в ИСК включает проведение экспертных оценок, прогнозирование ТС и представление данных результатов для ПОР, что является наиболее важным аспектом интеллектуализации контроля унифицированных КС, обладающих межведомственными особенностями.
При этом, процесс прогнозирования осуществляется на период, не превышающий время адаптации ИСК к неоднородности функционирующего КС СН (включая время принятия решений). Анализ функционирования систем контроля, телеметрии и мониторинга КС СН [36, 37], показывает, что существующие системы контроля инертны, обладают низким быстродействием и слабо унифицированы, что недостаточно для охвата контролем эволюционирующих КС. В других министерствах и ведомствах системы контроля характеризуются аналогичными недостатками. В рамках перспективной ИСК необходим учет данных межведомственных особенностей КС, что определяет необходимость наличия в структуре ИСК межведомственной БЗ. Применение знаний о КВЭ в межведомственном контролируемом пространстве определяет систему приоритетов, что позволяет задать шкалу важности для КС, являющейся ситуативной и определяющейся аналогично зонам контроля ЛПР АСУ ТКС, поэтому БЗ ИСК моделируется как динамическая, ситуативная и представленная декларативной и процедурной моделями знаний (рис. 1) [2, 38, 39].
КЛАССИФИКАЦИЯ
Определение класса ТС КВЭ КС
классы технических состояний КВЭ, вариационный ряд предпочтений:
«6» > «1» > «4» > «2» >«3» > «5»
МОДЕЛИРОВАНИЕ ТЕКУЩЕЙ АВАРИЙНОЙ СИТУАЦИИ
ПРОГНОЗИРОВАНИЕ РАЗВИТИЯ АВАРИЙНЫХ СИТУАЦИЙ
о = (о;(г - 4,),; у - }) < 1
Методы контроля и прогнозирования
-допусковый; -методы нейронных сетей
-функциональный; -методы нечет.множеств; -профилактический; -методы Байеса; -диагностический. -методы ТЭП и ДВП др.
Задачи мониторинга ТС объектов связи СН
- наблюдение (мониторинг) за функциониров. ОК; ~_КО.нтроль ТС (идентификация видов_ТСй"~
- прогнозирование ТС;
-диагностика (определение места и причин неисправности)
-^-
/ ГППР4Г
с
БЗ+БД
идентификатор
Декларативные знания -
факты (утверждения) о свойствах КВЭ КС СН в процессе контроля их ТС_I ениях между ними
Процедурные знания - описывают порядок и характер ункцио нирования системы контроля при определении ТС КВЭ КС СН
Рис. 1. Обобщенная модель знаний для реализации контроля технического состояния КС СН
Определение шкалы важности становится особенно актуальным при создании межведомственных ситуационных центров, систем мониторинга и контроля ТС сложными техническими объектами, при решении задач классификации (кластеризации), когда человеческий опыт не может быть выражен в точной количественной форме. В процессе представления знаний это сказывается на том, что классификаторы и оценки являются чисто качественными и не содержат в себе какой-либо количественной меры, что существенно затрудняет процесс поиска решений по управлению и оценку эффективности принятых решений.
Декларативные знания в базе знаний ИСК описывают структуру моделируемой ИСК (структурные знания), характеризующие процесс контроля КС, учитывая их межведомственные особенности. Такие КС обладают определенным набором знаний, определяющим их как ОК, с учетом, соответствующей министерствам и ведомствам, специфики контролируемых зон. В них описывается совокупность структурных параметров, характеристик КС, которые определяют алгоритм процесса контроля (рис. 1), с учетом элементов автоматизации, охватывающих контролируемые КВЭ. Представленная декларативная модель включает процессы сбора и обработки ИИ (оцифровки, оценивания и др.). Процедурные знания в БЗ ИСК описывают порядок и характер функционирования ИСК при определении технического состояния КВЭ КС [2,31].
Процесс получения знаний из ИИ, поступающей в систему контроля от КС ТКС СН (министерств и ведомств) предполагает процесс управления знаниями. Опираясь на методы анализа ИИ, классификации и принципы поисковой системы признаков аварийности, функциональность систем обращения со знаниями в ИСК должна включать: 1) интеграцию с ТКС министерства (ведомства), получение от них информации и результатов ее анализа для расширенного поиска (например, в целях поддержки и принятий решений); 2) построение онтологий; 3) анализ полученных знаний и генерацию на их основе релевантных умозаключений на основе поискового запроса пользователя; 4) периодическую актуализацию и индексацию системы; 5) организацию интерфейса взаимодействия между пользователем и ИСК через интуитивный интерфейс [41,42].
Определение правил проведения контроля в системе интеллектуального контроля технического состояния комплексов связи специального назначения
Правила, формируемые на основе поступающей ИИ в БЗ ИСК характеризуют порядок (алгоритм) проведения процессов контроля ТС КС и их особенности, выраженные в следующих правилах применения методов оценивания ТС КС [2,43]:
1. Основным правилом, определяющим выбор конкретного математического аппарата, в соответствии с БЗ, является степень неоднородности ОК, определяемая по шкале (например, от 0 до 1, в сторону увеличения неоднородности). Наиболее подходящий математический аппарат, в зависимости от степени неоднородности, определяется, например, методом экспертных оценок (в частности, метод бинарных сравнений). В целом, обоснование степени важности КВЭ определяется на основе положений теории важности критериев [2,38].
1.1. Для однотипных КВЭ в процентном отношении от всего ОК (от 0 до 0,6), процедура оценивания ТС основана на методах экспертных оценок, статистических методах распознавания, метрических методах, методах статистических решений (Неймана-Пирсона, минимакса. Это объясняется высокой степенью унификации, «схожести» контролируемых узлов, механизмов и фиксируемым потоком ИИ, характеризуемым свойствами однородности. Процесс изменения ТС в однотипных КВЭ более плавный, что способствует относительно высокой эффективности процессов обучения и обобщения, например, при использовании ИНС.
1.2. Для неоднотипных КВЭ (например, сетевого оборудования), отличающихся импульсным, нестационарным характером потока ИИ с пуассоновским законом распределения или Вейбула (амплитудные всплески сигнала, получаемые с большим временным разбросом), поступающего от контролируемых КВЭ (при степени неоднородности от 0,6 до 1), наиболее применим метод дискретных вейвлет-преобразова-ний (ДВП), а также метод последовательного анализа Вальда.
2. Дл каддой зоны контроля имеется своя совокупность правил, зависящих от степени значимости КВЭ. Проведенный анализ функционирования телекоммуникационного ресурса КС показал, что наиболее значимыми КВЭ с точки зрения управляемости (контролируемости) КС СН являются модемы, узлы коммутации, центры сопряжения, а с точки зрения энергетического баланса - силовое оборудование (контроллеры в силовых модулях, энергоблоках и т. д.). С учетом такой интерпретации вводятся три степени значимости КВЭ: к КВЭ первой степени значимости относят узлы коммутации (пульты центральные, коммутаторы и др.); к КВЭ второй степени значимости - оконечное оборудование КС (радиостанции, антенно-фи-дерные устройства и др.); к КВЭ третьей степени значимости -электропитающее оборудование, в частности контроллеры силовых модулей, технологическое оборудование для обеспечения функционирования КС СН. Для различных вариантов применения КС СН степени значимости КВЭ могут корректироваться [31].
3. Процесс оценивания ТС зон контроля с КВЭ включается только в том случае, когда число контролируемых КВЭ т >100 (определено в результате имитационного моделирования). Причем, с увеличением числа КВЭ эффективность ИСК экспоненциально возрастает (рис. 2) [2].
4. Процес оценивания зон контроля КС отображается на временной оси контроля, а доя отдельных КВЭ - в соответствующие интервалы времени (диапазоны, кванты, квазистационарные отрезки времени), рис. 3. С учетом этого, контроль всей зоны или их совокупности отображается на всей временной оси. Выделенные стационарные фрагменты (временные «окна контроля») отдельных контролируемых КВЭ представляют собой сложный процесс (мультипликативную свертку), состоящий из суммы отдельных наложенных случайных подпроцессов в рамках данного КВЭ. При обработке этих подпроцессов необходимо обращение к БЗ с большим оперативным полем, охватывающим всю систему, за информацией более частного характера. Это обращение осуществляется согласно рассматриваемых подпроцессов, в зависимости от их количества, в рамках контролируемого КВЭ различной степени сложности, приоритетности аварийной ситуации
с учетом топологической неоднородности OK
1000
100
100 э,%
Рис. 2. График зависимости эффективности системы контроля от числа КВЭ
(динамики, скорости изменения) и др. С учетом этого имеется возможность в рамках данного КВЭ произвести свертку правил в конечный результат, разработку стэка (абстрактный тип данных, представляющий собой список элементов, организованных по принципу LIFO), позволяющего осуществить сложение отдельных подпроцессов в единый вариационный ряд [2].
Контролируемые комплексы cuniii ТКС { !. на различных уровнях управления МЧС
Цантрлпшый аппарэ г МЧС Росе ми
НЦУКС ММ
VSÄäey-Äry злу
Curiiawpa процесса контроля
МЧС Россшг f» №
ННЙ
ИЙ) от л Ю «0 ¡Г—та- HD «P J 10'
—1—
t tili in IM itnifU
S4 Ы» ОД i i Jö IM ш ÜÖQ IHM Üi SB X
Ш*
1 Iii iil
агрегация n контролируемых процессов на in ур(шин\ разукрупнения
Рис. 3. Детализация процесса контроля технического состояния КССН
5. Правило разграничения (распределения) контролируемых процессов, в соответствии с законами распределения, характеризуется количеством зон контроля, сложностью и другими особенностями рассматриваемых КВЭ, и определяемых, например: а) для стационарного характера потока ИИ -гауссовский закон распределения, гамма-распределение, равномерное распределение; б) для нестационарного характера потока ИИ - экспоненциальный, Вейбула, Парето, пуассонов-ский закон распределения, биномиальное распределение.
Таким образом, процесс обработки ИИ основан на работе с п числом распределений, равным или меньше числа зон контроля, а, соответственно, числа КВЭ. В связи с этим, распределение квазистационарных наблюдаемых процессов на выделенных временных «окнах контроля», осуществляется как распределение распределениями в рамках отдельного интервала времени при контроле КВЭ на к уровнях разукрупнения, характеризуемые на начальном, среднем и окончательном интервале этого временного окна.
6. чет скорости развития аварийной ситуации в наблюдаемых зонах контроля влияет на частоту опроса и приоритетность КВЭ. Чем выше скорость изменения контролируемого параметра, тем выше должен быть приоритет обслуживания КВЭ, а также требуется повышение частоты опроса, пропорциональное изменяющейся динамике отклоняющегося от нормы значения контролируемого параметра (рис. 4) [37].
Рис. 4. Влияние динамики развития аварийной ситуации на приоритетность обслуживания КВЭ КС
7. Ско ость реакции ИСК на изменение аварийной ситуации зависит от своевременного обновления ИИ, содержащейся в БЗ и используемой в настоящих правилах в соответствии со статусом результата контроля: подтвержденный, нормальный, ориентирующий, экстраполированный и недостоверный.
Статус «подтвержденный» указывает, что результат измерений подтвержден дополнительной информацией о исправности КВЭ или всей зоны контроля и риск использования недостоверного результата измерений пренебрежимо мал. Этот статус желателен при ПОР системой управления, например, управление режимом работы. Он может быть присвоен результату измерений, полученному от интеллектуального датчика, ИСК в целом при поступлении от них информации о исправности КВЭ.
Статус «нормальный» указывает, что риск использования недостоверного результата измерений невелик, что позволяет, например, принять решение по управлению оборудованием в обычных ситуациях.
Статус «ориентирующий» указывает, что риск использования недостоверного результата измерений повышен из-за появления дефекта, отказа в КВЭ, но результат измерений может быть применен для ориентировочной оценки ТС оборудования и хода контролируемого технологического процесса. Данный статус достаточен ддя принятия решения в случае, например, когда параметры процесса функционирования КС далеки от предельно допустимых. Присвоение результату измерений статуса «ориентирующий» указывает на необходимость выполнения обслуживания КВЭ или измерительной системы и установления сроков этого обслуживания.
Статус «экстраполированный» указывает, что в качестве результата измерений используется результат, полученный путем экстраполяции данных из предыдущего интервала времени, поскольку поступающая ИИ недостоверна в течение известного интервала времени. Такой статус дает основание, например, для задержки ПОР по управлению КС до появления достоверной ИИ или принятия некоего осторожного решения, ориентируясь на гипотезу, что в течение этого известного интервала времени ТС КВЭ и ход контролируемого процесса функционирования КС не претерпевает заметных изменений.
Статус «недостоверный» указывает, что риск использования недостоверного результата измерений велик. Следует принять решение об отключении КС и выполнении ТО или резервирования КВЭ КС.
Совокупность статусов «подтвержденный» или «нормальный», а также «ориентирующий» и «недостоверный» соответствует трехзонной системе оценки риска согласно графа состояний ОК (аварийное, предаварийное, нормальное) [2,37].
8. Для повышения точности, достоверности идентификации (процессов контроля, диагностики) необходимо введение адресного пространства КВЭ. Для этого за каждым КВЭ должны закрепляться номера ОК с признаком зоны контроля (номер зоны контроля). Это позволяет вводить для каждого номера ОК свой набор правил (используется тот или иной метод контроля, оценивания). Это также может быть применимо при диагностике неисправностей в ходе профилактических работ.
9. При повышении степени оперативности проводимых работ необходимо введение ускоренного алгоритма контроля, суть которого сводится к параллельной обработке ИИ, поступающей с КВЭ (однородных и неоднородных), что обуславливает повышение производительности ИСК, причем число потоков зависит от числа различных по неоднородности зон контроля. Особенностью системы контроля является немедленная реакция на корректировку аварийной ситуации, что определяется on-line обновлением ИИ о ТС ОК в БЗ ИСК [15, 16, 32,44].
Таким образом, предлагаемая метамодель представления знаний, а также правил их применения, является ключевой в модели интеллектуального контроля ТС КС СН, и состоящей из перечня взаимосвязанных понятий, совместно со свойствами и характеристиками, классификацией этих понятий по типам, ситуациям, признакам в данной предметной области и законов протекания процессов в ней. Представленная образно-понятийная модель знаний ИСК дает оператору (ЛПР) в человеко-машинной системе управления целостную картину
и поэтому обеспечивает возможность соотносить разные части процесса с целым, а, соответственно, и действовать эффективно, тем самым обеспечивая устойчивое функционирование территориально распределенной ТКС СН.
Принципы и требования, предъявляемые к построению интеллектуальных систем контроля
Функционал ИСК ТС КС территориально распределенной ТКС СН должен включать комплекс мероприятий, проводимых, с целью информационного обеспечения ОУ (для своевременности ПОР по управлению связью) и поддержания КС в исправном (работоспособном) состоянии. Поэтому, основными принципами построения ИСК являются [2]:
1) ринцип интеллектуализации, заключающийся в разработке и введении в ИСК элементов, обеспечивающих выполнение операций преобразования, обработки и др. функциональных задач с элементами искусственного интеллекта: самообучения, самовосстановления (при возникновении единичных дефектов в датчике, контроллере и др. элементах), автоматической коррекции погрешности, появившейся в результате воздействия влияющих величин (ДФ), что, в целом, обеспечивается функционированием базы знаний (правил) на всех этапах контроля;
2) обеспече я объема контроля, т. е. достаточности ИИ об аварийных ситуациях на элементах КС в необходимом количестве и качестве для обеспечения наблюдаемости и определения вида его ТС. По результатам наблюдения должны своевременно вырабатываться управляющие воздействия, которые обеспечивают необходимый «запас» устойчивости КС СН;
3) принцип достаточности, регламентирующий выбор минимального числа интеллектуальных датчиков, сопровождающих работу КС и обеспечивающих наблюдаемость его ТС. При этом выходной сигнал датчиков может быть представлен в широком диапазоне амплитуд и частот с последующей обработкой его на ЭВМ (обнаружением, фильтрацией, линеаризацией, коррекцией амплитудно-фазовых характеристик и т. д.);
4) принцип информационной полноты, отражающий ограниченность наших знаний об окружающем мире и в общем виде может быть сформулирован так, что помимо известных нам диагностических признаков выделяют остаточный «шум», характеристики которого также используют для последующей диагностики. При достаточно общих условиях такая система признаков почти ортогональна, то есть каждый из признаков отражает свой класс неисправностей;
5) принцип инвариантности, регламентирующий выбор и селекцию таких диагностических признаков, которые инвариантны к конструкции оборудования и форме связи с параметрами ее ТС, что обеспечивает применение интеллектуальных процедур без эталонной диагностики и прогнозирования ресурса техники связи, и, соответственно, быстрые темпы разработки и внедрения интеллектуальных технологий в ИСК;
6) принцип самодиагностики всех измерительных и управляющих каналов ИСК, который реализуется подачей специальных стимулирующих сигналов в цепь датчика и компьютерного анализа этого сигнала на выходе системы. Таким
образом, проверяется функционирование всего тракта ИСК от датчика до компьютерной программы и средств отображения результатов контроля. Реализация этого принципа обеспечивает легкий пуск систем в эксплуатацию, простоту обслуживания и ремонта отдельных каналов, высокую метрологическую и функциональную надежность системы, ее выживаемость и приспособляемость к постоянно меняющимся условиям;
7) ринцип структурной гибкости и программируемое™, обеспечивающий реализацию оптимальной параллельно-последовательно структуры интеллектуальной системы, исходя из критериев необходимого быстродействия (при минимальной стоимости). Системы с параллельной сосредоточенной структурой (УМЕ-УХГ) имеют максимальное быстродействие (при максимальной стоимости). Системы с последовательной распределенной структурой имеют минимальное быстродействие при минимальной стоимости. Системы с последовательно-параллельной структурой занимают промежуточное положение. Главным недостатком применения параллельных систем во взрывопожароопасных объектах является большой расход кабеля, стоимость которого соизмерима со стоимостью ИСК. Выбор структуры системы (степени параллельности) требуют оценки ее необходимого быстродействия. Последнее определяется скоростью деградации технического состояния КВЭ КС;
8) ринцип коррекции неидеальностей измерительных трактов вычислительными методами на ЭВМ - нелинейности датчиков, амплитудно-фазовых характеристик преобразовательных трактов и др., что обеспечивает высокую точность и стабильность метрологических характеристик ИСК;
9) принцип дружественности интерфейса при максимальной информационной емкости, обеспечивающий восприятие оператором ТС КС в целом и получение целеуказующего предписания на ближайшие неотложные действия. Осуществление этого принципа возможно только при наличии ЭВМ, комплексно отражающими ТС КС и их свойств в автоматическом режиме и под управлением оператора, средств мультимедиа и встроенной экспертной системы, диагностирующей ТС КС и его элементов;
10) принц многоуровневой организации, обеспечивающий работу с системой специалистам разных уровней квалификации. Многоуровневость ИСК определяется сложностью КС СН, ее принадлежностью и местом расположения.
Таким образом, сформулированные общие принципы организации и планирования ИСК технического состояния КС СН в системном аспекте рассматривают территориально распределенную ТКС СН с общих позиций, независимо от применяемых технологий.
Анализ принципов создания интеллектуальных систем, применяемых доя решения трудно формализуемых задач в различных областях исследований, позволяет сформулировать исходные положения и понятия для ИСК, определить принципы их структурного построения и пути их практической реализации применительно к решаемой задаче. При этом основные исходные положения сводятся к следующему [41]:
а) знания ИСК носят специальный характер, свойственный только определенной узкой области их применения и рассчитываются на конкретных пользователей;
б) эффективность ИСК зависит от мощности БЗ и возможностей по ее расширению;
в) пользователь (оператор, ЛПР) имеет возможность непосредственного взаимодействия с ИСК в форме диалога.
В целях формирования технологической и технической основ формирования структуры ИСК должны разрабатываться следующие основные информационные модули [2]: 1) инструментального контроля ТС КС с использованием системы контроля в автоматическом (преимущественно) и автоматизированном режимах; 2) управления восстановительными процессами КС; 3) сбора, хранения, актуализации информации о ТС КС, качестве телекоммуникационных ресурсов на действующих связях; 4) анализа динамики деградационных изменений параметров КС, характеристик каналов, трактов и сетевых ресурсов, прогнозирования расхода ресурса КС, снижения готовности, возникновения инцидентов и проблем при эксплуатации КС; 5) модерации и обновления БЗ по порядку и методам выполнения измерений и операций диагностирования КС, актуализации библиотеки алгоритмов контроля и диагностирования, в том числе, в формате специализированного программного обеспечения (СПО).
При этом ИСК КС СН должна обеспечивать: 1) информационно-техническое взаимодействие с программно-техническим средствами автоматизации управления объекта; 2) автоматизированный контроль состояния информационных каналов и трактов передачи информации объекта; 3) интеллектуальный контроль параметров и ТС КС и автоматизированного управления объекта, в том числе с возможностью удаленного доступа (дистанционно) без демонтажа аппаратуры; 4) интеллектуальный контроль состояния объектовой локальной вычислительной сети (ЛВС) без перерыва связи с возможностью регистрации несанкционированного доступа к среде распространения - оптическому волокну, обнаружения обрыва и постепенной деградации характеристик элементов волоконно-оптического трака информационных трактов объекта; 5) контроль помеховой обстановки объекта; 6) автоматизированное измерение характеристик внешних и внутренних интерфейсов средств связи и автоматизированного управления КС на физическом и канальном уровнях; 7) сбор, обобщение и анализ данных о ТС КС и его автоматизированном управлении, прогнозирование отказов и коллизий вследствие постепенной деградации параметров и характеристик технических средств; 8) предоставление должностным лицам в части технического обеспечения (операторам) объекта вспомогательной справочной информационной БД по технологии проведения технического обслуживания (ТО) и ремонта, проведения операций измерений и диагностирования, а также содержащей необходимые инструкции, руководства и схемы оборудования; 9) автоматическую регистрацию и сбор ИИ в режиме реального времени, с записью результатов на носитель информации для последующего анализа, обработки и хранения результатов оценки ТС КС и его автоматизированном управлении; 10) формирование, хранение и печать отчетов по результатам проведения ТО и текущего ремонта КС и его автоматизированном управлении; получение, обработку и хранение ИИ.
Построение интеллектуальной системы контроля
Учитывая существующий задел в части создания инфраструктурных подсистем межведомственных АСУ (в рамках создания межведомственных ЕИУП), информационные модули сбора, хранения, актуализации информации о техническом состоянии КС СН должны использовать часть выделенных для этих целей вычислительных ресурсов центров обработки данных (ЦОД). Это позволит отказаться от дополнительного парка серверного оборудования и систем хранения данных, сократить затраты на эксплуатацию, обслуживание и модернизацию аппаратной части системы контроля, повысить сохранность и защиту информации за счет собственных надежных инструментов и механизмов ЦОД [2].
Существующие схемы построения систем контроля имеют ограниченный инструментарий или не имеют интел-лектуализированной поддержки, реализуемой БЗ (правил), имеющих методический инструментарий, что не в полной мере позволяет обеспечить высокую оперативность при требуемой достоверности, и, в целом, эффективность контроля. В связи с этим, существует необходимость проведения работ по исследованию возможности, с одной стороны, упрощения систем контроля, повышения их надежности, с другой стороны - и повышения оперативности при требуемых достоверности и точности измерений путем внедрения интеллектуальных технологий.
На рисунке 5 отображена структура предлагаемой ИСК на основе обработки накопленных данных и потоковых данных, которая состоит из трех методологических модулей: оффлайн-анализа данных, онлайн-анализа данных и поддержки принятия решений [42].
Важным элементом для проектирования ИСК являются процессы мониторинга, контроля и накопления данных о поведении анализируемой системы (ТКС СН).
Для обеспечения работы предложенной ИСК могут быть использованы данные мониторинга состояния ОК (КС СН) и эксплуатационных условий, такие как влажность, температура и др., а также событийные данные о неисправностях, отказах и т. д. Перед сбором данных важно определить: а) выделение в зонах контроля КВЭ (выполняется на основе различных видов анализа, таких как функциональный анализ, дисфункциональный анализ, анализ критичности, накопленный опыт и др.); б) параметры ЭК, а также все подлежащие контролю параметры (полный контроль); в) сенсорный уровень ИСК (интеллектуальные датчики) для отслеживания процесса деградации оборудования. После сбора, полученные данные должны храниться в системах БД для последующей обработки.
Модуль оффлайн-анализа данных осуществляет анализ исторически накопленных данных, полученных из однотипных систем с использованием различных алгоритмов машинного обучения, глубоких нейронных сетей и технологий инженерии признаков, преобразования данных доя формирования моделей, позволяющих реализовать обнаружение и диагностику неисправностей, прогнозирование остаточного ресурса элементов КС и т. д. [42,45, 46].
Г
Сбор д иных (ИИ) с
иков КВЭ
(критичн ыхпарамегров)
L.
Данные об условиях эксплуатации
I №
Инженери
^отбор и
V I I
11 Модуль поддержки принятия решений
i Ш
Т1
---
I'm'. 5. Предложенная архитектура интеллектуальной системы контроля ТС КС СН
Эти модели оцениваются и выбираются для последующего использования в модуле онлайн-анализа данных. Для создания прогнозирующих моделей могут быть использованы методы опорных векторов (SVM), деревья решений (CART), случайный лес (RF), экстремальный метод градиентного бустинга (.XGBoost), сети долгой краткосрочной памяти (Long short-term memory, LSTM~), сверточные нейронные сети (Convolutional Neural Network, CNN) и др. Кроме того, известны [2, 47, 49] алгоритмы для раннего обнаружения неисправностей в ТО, такие как скрытые марковские модели, модель ARIMA, LSTM-автоэнкодеры и др.
Модуль онлайн анализа данных осуществляет сбор новых данных в реальном времени только из КВЭ, выбранных на основе анализа в модуле оффлайн-анализа данных. Выбранные из модуля оффлайн-анализа данных модели используются для определения и прогнозирования состояния КС в реальном времени. Однако эти модели в процессе использования на потоковых данных в реальном времени могут устареть в силу многих факторов, например, возможности возникновения новых типов неисправностей, на которых модели не обучались в прошлом. Поэтому возникает необходимость переобучения и обновления моделей. Модуль онлайн-анализа данных предложенной ИСК предусматривает решение и этой проблемы.
Модуль принятия решений по результатам контроля осуществляет оптимальное планирование ТО и ремонта (через ОУ системы мониторинга КС). Информация, полученная в процессе контроля и прогнозирования в модуле онлайн-ана-лиза данных, используется для выработки рекомендаций по оптимальному использованию элементов КС в режиме онлайн.
В этом модуле предоставляется пользовательский интерфейс, обеспечивающей передачу ИИ между пользователем-человеком и программно-аппаратными компонентами системы о результатах процесса анализа (обнаружение/диагностика/прогнозирование), а также визуализации потоковых данных в реальном времени. На их основе при необходимости формируются оптимальные управления по реконфигурации сети, изменении ее топологии, а в дальнейшем по ТО и ремонту.
Архитектура предлагаемой ИСК ТС одного из КС территориально распределенной ТКС СН представлена на рис. 6. Представленная архитектура соответствует исходным положениям (принципам) и определениям ИСК как продукционной системы [2,42].
Существуют различные варианты как организации самой БЗ, так и ее взаимодействия с другими компонентами интеллектуальной системы оценивания. В моделируемой ИСК, работающей в режиме реального времени, реализуется уровень метазнаний, который необходим для рационализации процессов оперирования знаниями в БЗ, уменьшения области поиска решения, сокращения времени обработки информации. Метазнания в представленной БЗ - это есть знания о системе контроля, оценивания: об ее архитектуре, принципах функционирования и т. д. На основе этих знаний в блоке метазнаний среди имеющегося набора стратегий поиска определяется наиболее эффективная стратегия (рис. 7).
Рис. 6. Архитектура интеллектуальной системы контроля технического состояния КС СН
В соответствии с первыми двумя принципами система оценивания должна включать два компонента: а) решатель (интерпретатор), осуществляющий процедуры вывода; б) динамически изменяемую БЗ.
Выбор в качестве основы для реализации решателя продукционной системы предопределяет наличие в системе оценивания также рабочей памяти (БД).
Третий принцип предъявляет к системе требования по обмену информацией на языке, удобном пользователю, и приобретению новых знаний, а также логике решения задач для модификации БЗ. Подобные требования реализуются элементом приобретения знаний в модуле интеллектуализации системы контроля.
Основными элементами, реализующими правила и процедуры оценивания в ИСК являются: модуль интеллектуализации; элемент опроса приемников ИИ (датчиков); элемент сравнения (сопоставления) полученных сигналов с информацией априорной БЗ; элемент коррекции области работоспособности (прогнозирования, определения запаса работоспособности) и вычислитель [41,46,48].
Модуль интеллектуализации включает: БЗ, содержащую правила решения задачи; интерпретатор, решающий на основе знаний, имеющихся в системе, предъявляемую ему задачу; элемент приобретения знаний, обеспечивающий аргументацию действий и рекомендаций системы на понятном для пользователя языке; БД (элемент памяти), через которую вариант действий передается в элемент сравнения системы.
Согласно обобщенной модели знаний для интеллектуального контроля ТС КС (см. рис. 1), возможно выделение двух уровней представления знаний: первый уровень - собственно ИИ; второй уровень - описания, отношения, правила и процедуры, определяющие способ манипулирования ИИ.
Помимо знаний о предметной области (контроля, оценивания) в БЗ должны храниться и другие типы знаний: модель ОК, знания о пользователе, целях и задачах прогноза, диагностики и др. Эти знания в основном содержатся на втором уровне представления в виде блоков моделей знаний или правил.
Рис. 7. Обобщенная структура базы знаний ИСК
В БЗ представлена как ИИ, так и правила. Вывод решения либо генерация новых правил и знаний осуществляется с помощью интерпретатора, рациональным образом реализующего механизм вывода решений. Интерпретатор взаимодействует с блоком метазнаний при интерпретации правил и данных БЗ. В интерпретатор поступают описания запроса или решаемой задачи и данные из БД, а также правила, процедуры или стратегия механизма вывода из БЗ. Интерпретатор на основе входных данных, продукционных правил и сведений о проблемной области формирует решение задачи.
Процесс функционирования ИСК, сопровождающийся различными нештатными ситуациями в СлО, характеризуется пополнением БЗ новыми знаниями (правилами). Объединение вновь вводимых правил с БЗ осуществляется элементом приобретения знаний (см. рис. 6). Достаточность знаний определяется элементом сравнения (например, в режиме тестирования).
В круг вопросов, рассматриваемых при организации знаний, включаются следующие: определение состава знаний, организация знаний, модели представления знаний и их использование в ИСК. При этом важнейшим свойством ИСК, с точки зрения представления знаний, считается ее способность использовать в нужный момент необходимые (релевантные) знания.
Реализация базы знаний системы интеллектуального контроля
В основу структуры БЗ положен ряд функций, которые должна выполнять система управления знаниями в определенном министерстве (ведомстве) (рис. 8) [41,43,46]:
1. Агрегация существующего в министерстве (ведомстве) контента (систематизация): агрегация зафиксированных по установленным правилам процессов отслеживания ИИ и результатов идентификации состояний контролируемых КС, а также их запись вБЗс помощью специальных средств;
2. Поис по систематизированным данным контроля: разработка подсистемы поиска систематизированных результатов контроля на основании иерархии уровней управления и степени важности элемента КС, его КВЭ;
3. Извлечение знаний из результатов контроля (ИИ): выделение понятий и логических связей между ОК для формализации структуры контролируемой ТКС (формализация) и представления знаний, содержащихся в результатах контроля (семантизация); построение семантических связей между контролируемыми объектами, процессами контроля (объектами предметной области);
4. Семантический поиск по извлеченным знаниям: разработка подсистемы семантического поиска извлеченных знаний.
5. Интеграция контента: интеграция контента между существующими системами мониторинга, информационно-измерительными системами (ИИС) в межведомственных ЕИУП.
Подсистемы сбора ИИ ведомственных ИИС
Электронные архивь
Шина интеграции знаний
Модуль актуализации знаний
Семантический ДВИЖОк
Полносвязная система признаков аварийности, методов оценивания и др.
Модуль интеграции с системой мониторинга, ИИС_
Модуль обработки онтологий
Модульручной систематизации
М^дул ь дл я формализации
Модуль для извлечения знаний
I Модуль уведомлений
Баз ■
_ 1ч
Пользователь (ЛПР)
Рис. 8. Структура системы управления знаниями
БЗ включает полносвязную поисковую систему признаков аварийности, методов оценивания, идентификации, онтологию и компонент семантического поиска. Атрибуты систематизированных данных контроля, классов состояний КС и др. хранятся в онтологии, а само содержание - в полносвязной поисковой системе. Для организации полносвязной системы можно использовать ElasticSearch, основанный на библиотеке Lucene [41], под управлением серверного языка PHP. Загружаемый в полносвязную поисковую систему контент проходит предварительную обработку в зависимости от загружаемого формата. Для хранения онтологии может быть использовано программное средство - RDF-хранилище (инструмент неструктурированных данных). Для формирования онтологии может использоваться Java-nporpaMMa, например, Protege, включающий редактор онтологий, и, в целом, позволяющий проектировать онтологии, разворачивая иерархическую структуру конкретных классов и слотов. В основе компонента семантического поиска может быть использован язык SPARQL для поиска по онтологии и язык запросов Elas-ticSearchQuery DSL [41].
Для извлечения информации из существующих систем мониторинга, информационно-измерительных систем разработаны коннекторы для каждого используемого хранилища.
Доступ к БЗ компонент семантического поиска получает через оболочку MS SQL Server за счет связи объектов полносвязной поисковой системы и онтологии. Шина интеграции данных состоит из множества коннекторов. Загрузка информации проходит по единому протоколу с логированием данных.
Систематизация данных может быть реализована двумя способами: в автоматическом и ручном режимах. Автоматический режим реализуется с помощью коннекторов к существующим информационным источникам и шины данных, необходимой для обработки и загрузки информации в БЗ. Для ручного режима разработан интерфейс на базе серверного языка программирования PHP для корректировки онтологии и наполнения классов экземплярами. Серверная часть интегрирована с MS SQL Server и может работать с клиентской частью с помощью подхода к построению интерактивных пользовательских интерфейсов веб-приложений (на примере технологии AJAX).
Формализация данных должна включать программное обеспечение доя фиксации формализованных элементов ИИ и сохранения в онтологическое дерево [41].
Исходя из приведенных выше требований, архитектура программного средства включает следующие модули (см. рис. 6):
модуль интеграции с файловым сетевым хранилищем, обеспечивающий чтение и загрузку информации с сетевого файлового диска. Загрузка информации в БЗ сопровождается корректировкой дерева онтологии в соответствии со структурой сетевого диска. Доступ к экземплярам объекта предоставлен на основании NTFS-прав на соответствующие каталоги;
модуль уведомлений об изменениях, который включает интерфейс для настройки списка уведомлений по каждому необходимому каталогу. Интерфейс включает возможность настройки наследования прав доступа для уведомления, например, об изменениях статуса аварийности объектов;
модуль актуализации знаний, состоящий из набора расписаний, в соответствии с которыми происходит проверка существующей информации в БЗ и проходит актуализация информации. Механизм проверки на актуальность информации, хранящейся в БЗ, реализован с помощью проверки атрибутов экземпляров, хранящихся в онтологии, и проверки контрольных сумм файлов, хранящихся в полнотекстовой поисковой системе;
модуль интеграции с информационной системой, который включает механизм отображения объекта первоисточника. В роли объектов могут выступать файлы или собственные формы отображения информационной системы. Отображение объекта выполняется в соответствии с правами доступа, зафиксированными в информационной системе, в которых они находятся.
Таким образом, функционирование базы знаний ИСК исходя из представленной архитектуры программного средства позволит в автоматическом режиме получать знания из информации, хранящейся в различных измерительных системах межведомственной ЕИУП.
Заключение
На основе анализа процессов контроля технического состояния КС СН показано, что для разработки перспективных систем контроля технического состояния межведомственных ТКС СН обосновано использование новых методов контроля с использованием технологий искусственного интеллекта, преумножающих эффективность процесса контроля.
Представлена архитектура ИСК, функционирование которой основано на обращении к базе знаний, накапливаемых в процессе эксплуатации КС ТКС СН, относительно работы которой нет ограничений как по масштабу территориальной распределенности КС, так и по их неоднородности, и основанной на методах теории искусственного интеллекта.
Представлена структура базы знаний и процесс ее функционирования. Пополняемая, обновляемая и аккумулирующая в себе опыт эксплуатации и процессов контроля состояния КС база знаний позволяет провести более быструю оценку технического состояния перспективных ТКС СН и сконцентрироваться там, где выявлено наиболее уязвимое, разрушающее, деструктивное воздействие и, как следствие, наиболее вероятен отказ критически-важного элемента КС, за счет анализа уровней разукрупнения.
Литература
1. ЗацаринныйА. А., Шабанов А. П. Технология информационной поддержки деятельности организационных систем на основе ситуационных центров. М.: ТОРУС ПРЕСС, 2015. 232 с.
2. Винограденко А. М. Методология интеллектуального контроля технического состояния автоматизированной системы связи специального назначения. Монография. СПб.: Наукоемкие технологии, 2020. 180 с.
3. Чирков В.В. Единое информационно-управляющее пространство ВМФ - современная технология превосходства над противником в вооруженной борьбе на море // Морская радиоэлектроника. №4(42), 2012. С. 2-9.
4. Будко П. А., Кулешов И. А., Курносое В. И.,Мирошников В. И. Инфокоммуникационные сети: энциклопедия. Кн. 4. Гетерогенные сети связи: принципы построения, методы синтеза, эффективность, цена, качество /под ред. проф. В. И. Мирошникова. М.: Наука, 2020. 683 с.
5. Охтилев П. А., БахмутА. Д., Крылов А. В., Охтилев М. Ю., Соколов Б. В. Подход к оцениванию структурных состояний сложных организационно-технических объектов на основе обобщенных вычислительных моделей // Наукоемкие технологии в космических исследованиях Земли. 2017. Т. 9. № 5. С. 73-82.
6. Буренин А. Н., Легкое К. Е. Системный подход к формированию структуры подсистем мониторинга автоматизированных систем управления инфокоммуникациями // T-Comm: Телекоммуникации и транспорт. 2016. Т. 10. № 8. С. 46-50.
7. Охтилев М. Ю., Соколов Б. В., Юсупов Р. М. Интеллектуальные технологии мониторинга состояния и управления структурной динамикой сложныхтехнических объектов. М.: Наука, 2006. 410 с.
8. Винограденко А. М., Будко Н. П. Адаптивный контроль технического состояния сложных технических объектов на основе интеллектуальных технологий // T-Comm: Телекоммуникации и транспорт. 2020. Т. 14. № 1. С. 25-35. DOI: 10.36724/2072-8735-2020-14-1-25-35
9. BudkoP. A., Vinogradenko A. M., MezhenovA. V., Zhuravly-ova N. G. Method of adaptive control of technical states of radio-electronic systems 11 Advances in Signal Processing. Theories, Algorithms,
and System Control. Intelligens Systems Reference Library. SpringerVerlag 2020. Vol. 184. Chapter 11. Pp. 137-151.
10. Cojoaca I.-A., Bulac C., Popírlan C.-I. A Proposed Multi-Agent Based Platform for Monitoring and Control of Active Power Distribution Systems, In: Proceedings of the 2021 3rd Global Power, Energy and Communication Conference (GPECOM). 2021. Pp. 214-219.
11. Galanis I., Olsen D., Anagnostopoulos I. A multi-agent based system for run-time distributed resource management, In: Proceedings of the 2017 IEEE International Symposium on Circuits and Systems (ISCAS), 2017. Pp. 1-4.
12. Priyadarshana H. V. V., Madushanaka W. K. I., Anuruddha L. L. L., Chathura G. T., Hettiarachchi H. W. D., Hemapala K. T. M. U. Multi-agent controlled building management system, In: Proceedings of the 2017 Innovations in Power and Advanced Computing Technologies (i-PACT), 2017. Pp. 1-5.
13. Kotenko I., Saenko I.,Ageev S. Monitoring the State of Elements of Multi-service Communication Networks on the Basis of Fuzzy Logical Inference, In: Proceedings of the Sixth International Conference on Communications, Computation, Networks and Technologies (INNOV-2017), 2017. Pp. 26-32.
14. Tsvetkov V. Y. Intelligent control technology, Russian Journal of Sociology. No. 2. 2015. Pp. 97-104. (In Russian)
15. Aliev T. A., Abbasov A. M., Guluyev Q. A., Pashaev F. H., Sat-tarova U. E. System of robust noise monitoring of anomalous seismic processes, Soil dynamics and earthquake Eng. No. 32. 2013. Pp. 11-25.
16. Kotenko I. V., Budko P. A., Vinogradenko A. M., Saenko I. B. An Approach for Intelligent Evaluation of the State of Complex Autonomous Objects Based on the Wavelet Analysis//The 18th International conference on intelligent software methodologies, tools and techniques (SOMET'2019) - Kuch ng, Sarawak, Malaysia, 23-25 September 2019. Pp. 25-38.
17. PorsevK. I., Sorokin A. V. Management of Innovations and Knowledge in the Structure of the Enterprise Integrated Information Environment, In: Proceedings of the 2020 International Conference Quality Management, Transport and Information Security, Information Technologies (IT&QM&IS), 2020. Pp. 283-285.
18. Simoens P., Dragone M., Saffiotti A. The Internet of Robotic Things: A review of concept, added value and applications, International Journal of Advanced Robotic Systems No. 1-2, 2018. Pp. 1-9. (In Russian)
19. Centelles R., Selimi M., Freitag F., Navarro L. REDEMON: Resilient Decentralized Monitoring System for Edge Infrastructures. Conference proceedings. 2020 20th IEEE/ACM International Symposium on Cluster, Cloud and Internet Computing (CCGRID), Melbourne, Australia. 2020. Pp. 91-100.
20. Shan L.,Yu J., Zhang J., Li Y., Zhou E., Zhao L. Distributed State Estimation Based on the Realtime Dispatch and Control Cloud Platform. In: Proceedings of the 2018 2nd IEEE Conference on Energy Internet and Energy System Integration (EI2), 2018. Pp. 1-6.
21. Chen S., Bateni S., Grandhi S., Li X., Liu C., Yang W. DENAS: automated rule generation by knowledge extraction from neural networks, In: Proceedings of the 28th ACM Joint Meeting on European Software Engineering Conference and Symposium on the Foundations of Software Engineering, 2020. Pp. 813-825.
22. Zelensky E. G., Kononov Y. G., Fedorenko V. V., Vinogradenko A. M., Samoylenko V. V. Development of a distributed multi-agent system monitoring and control networks of 0.4—35 kV, In: Proceedings of the 2017 IEEE II International Conference on Control in Technical Systems (CTS). Sankt-Petersburg, 2017. Pp. 271-274.
23. Федоренко В. В., Винограденко А. М., Самойленко В. В., Пе-дан А. В. Подход к интеллектуальному мониторингу технического состояния сложных динамических объектов на основе систем пол-линга // Материалы XXII международной конференции «Распределенные компьютерные и телекоммуникационные сети: управление, вычисления, коммуникации». ИПУ. РАН. Москва, Россия. 23-27 сентября 2019. Т. 1141. С. 560-573.
24. Боровская E. В., ДавыдоваH. А. Основы искусственного интеллекта. M.: Лаборатория знаний, 2020. 130 с.
25. KotenkoI., SaenkoI., AgeevS. Implementation of Intelligent Agents for Network Traffic and Security Risk Analysis in Cyber-Physical Systems 11 In: Proceedings of the 11th International Conference on Security oflnformation and Networks (SIN'18). 2018. Article 22. ACM. NY. 4 p.
26. BudkoP. A., Vinogradenko A. M., Fedorenko V. V., Pedan A. V. Approach to the intellectual monitoring of the technical condition of difficult dynamic objects on the basis of the systems of a polling 11 The 22nd International conference «Distributed computer and communication networks: control, computation, communications» (DCCN-2019). Moscow, Russia, 23-27 September 2019. Vol. 1141. Springer, Cham. Pp. 560-573.
27. SimoensP., DragoneM., Saffiotti A. The Internet of Robotic Things: A review of concept, added value and applications 11 International Journal of Advanced Robotic Systems I-II. 2018. Pp. 1-9.
28. Ramakrishna J. S., Ramasangu H. Classification of Cognitive State Using Clustering Based Maximum Margin Feature Selection Framework, In: Proceedings ofthe 2017 International Conference on Advances in Computing, Communications and Informatics (ICACCI), 2017. Pp. 1092-1096.
29. Егоршев С. M., Малыгин И. Г., Комашинский В. И., Аване-сое М. Ю. Предложения по стратегии развития технологий искусственного интеллекта в транспортной отрасли России 11 Информация и космос. 2020. № 2. С. 56-61.
30. Власов И. И., Новиков Э. В., Птичников М. М., Сладких Д. В. Техническая диагностика современных цифровых сетей связи. Основные принципы и технические средства измерений параметров передачи для сетей PDH, SDH, IP, Ethernet и ATM. М.: Горячая линия-Телеком, 2015. 480 с.
31. Яшин А. И., Будко П. А., Винограденко А. М. Интеллектуальный контроль технического состояния морского робототехнического комплекса//Морскаярадиоэлектроника. 2020. № 1 (71). С. 48-53.
32. Будко П. А., Винограденко А. М., Меженов А. В., Чики-рев А. А. Способ и устройство интеллектуального экспресс-контроля технического состояния наземных средств связи и радиотехнического обеспечения полетов 11 Системы управления, связи и безопасности. 2020. № 1. С. 235-283. D01:10.24411/2410-9916-2020-10108
33. СаенкоИ. Б. Теоретические основы многомерно-реляционного представления данных и их применение для построения баз данных АСУ связью. СПб.: ВУС, 2001. 176 с.
34. Цветков В. Я., Титов Е. К., Булгаков С. В., Рогов И. Е. Мета-моделирование в геоинформатике 11 Информация и космос, 2020. № 1. С. 112-119.
35. Стюарт Рассел, Питер Норвиг Искусственный интеллект. Современный подход. М.: ИД «Вильяме», 2015. 1408 с.
36. Абрамов О. В. Прогнозирование состояния и планирование эксплуатации систем ответственного назначения 11 Надежность и качество сложных систем. 2020. № 3 (31). С. 5-14.
37. Будко П. А., Винограденко А. М.Кузнецов С. В., Гойденко В. К. Реализация метода многоуровневого комплексного контроля
технического состояния морского робототехнического комплекса 11 Системы управления, связи и безопасности. 2017. № 4. С. 71-101.
38. Подиновский В. В. Идеи и методы теории важности критериев в многоритериальных задачах принятия решений. М.: Наука, 2019. 103 с.
39. Поспелов Д. А. Искусственный интеллект. Модели и методы. Справочник. М.: Радио и связь, 1990. 304 с.
40. Поспелов Д. А. Логико-лингвистические модели в системах управления. М.: Энергоиздат, 1981. 232 с.
41. Подобрий А. П., Тимирзянов В. В., Перцев А. А. Архитектура построения базы знаний проектной организации 11 Автоматизация процессов управления. 2021. № 4 (66). С. 28-38.
42. Сай Ван Квонг, Щербаков М. В. Архитектура системы предсказательного технического обслуживания сложных многообъектных систем в концепции Индустрии 4.0 11 Software & Systems. 2020. №2(33). С. 186-194.
43. Винограденко А. М., Гойденко В. К., Меженов А. В. Алгоритм формирования базы состояний программно-аппаратного комплекса связи на основе тепловых процессов с использованием вейвлет-преобразований 11 Материалы IV межвузовской научно-практической конференции «Проблемы технического обеспечения войск в современных условиях». (Санкт-Петербург, 06 февраля 2019 г.). Санкт-Петербург, 2019. Том 1. С. 199-204.
44. Винограденко А. М., Меженов А. В., Будко Н. П. К вопросу обоснования понятийного аппарата неразрушающего экспресс-контроля технического состояния оборудования системы связи и радиотехнического обеспечения аэродрома 11 Наукоемкие технологии в космических исследованиях Земли. 2019.Т.11.№ 6. С. 30-44.
45. СириченкоА. В. Интеллектуальные системы контроля и управления. М.: МИСИС, 2020. 24 с.
46. Винограденко А. М. Метод синтеза интеллектуальных систем контроля технического состояния комплексов связи специального назначения 11 Наукоемкие технологии в космических исследованиях Земли. 2020. № 4. С. 22-31.
47. Абрамкин Р. В., Винограденко А. М. Способ идентификации технического состояния систем электроснабжения и устройство для его реализации 111-Methods. 2021. Т. 13. № 4. С. 1-20.
48. Абрамкин Р. В., Бартош В. В., Винограденко А. М., Веселов-ский А. П. Интеллектуальные системы контроля технического состояния источников автономного электроснабжения полевых объектов связи 11 Техника средств связи. 2020. № 1 (149). С. 16-27.
49. Винограденко А. М. Интеллектуальное оценивание технического состояния сложных технических объектов 11 Техника средств связи. 2021. № 4 (156). С. 2-19.
50. Будко П. А., Винограденко А. М., Литвинов А. И. Экспериментальные исследования кинетического метода контроля и диагностики технических средств 11 Мехатроника, автоматизация, управление. № 9 (162). 2014. С. 53-58.
51. Leturiondo U., Salgado O., Ciani L., GalarD. Marcantonio Cate-lani Architecture for hybrid modelling and its application to diagnosis and prognosis with missing data 11 Measurement, № 108. 2017. Pp. 152-162.
ARCHITECTURE OF AN INTELLIGENT SYSTEM FOR MONITORING THE TECHNICAL CONDITION OF EVOLVING SPECIAL-PURPOSE COMMUNICATION COMPLEXES
ALEKSEY M. VINOGRADENKO
St. Petersburg, Russia, vinogradenko.a@inbox.ru
ABSTRACT
The architecture and the principle of functioning of an intelligent system for monitoring the technical condition of communication complexes of an interdepartmental telecommunications system for special purposes is proposed. The processes of presenting and obtaining knowledge in the intelligent control system of the technical condition of heterogeneous communication complexes of a special-purpose telecommunication system, the rules of the control process, as well as the implementation of the knowledge base of a promising control system are described. The purpose of the study: to increase the effectiveness of control of communication complexes of a geographically distributed telecommunications system for special purposes by intellectualizing the control process and improving the architecture of advanced control systems. Methods: methods of multilevel synthesis of complex technical systems and methods of artificial intelligence theory. Results. The development of an intelligent system for monitoring the technical condition of communication complexes of an evolving special-purpose telecommunications system has been carried out. The processes of pre-
REFERENCES
1. A. A. Zatsarinniy, A. P. Shabanov. Technology of information support of organizational systems based on situational centers. Moscow: TORUS PRESS, 2015. 232 p. (In Russian)
2. A. M. Vinogradenko. Methodology of intelligent control of the technical condition of the automated communication system for special purposes. Monograph. SPb.: High-tech technologies, 2020. 180 p. (In Russian)
3. V. V. Chirkov. The unified information and control space of the Navy is a modern technology of superiority over the enemy in the armed struggle at sea. Morskaya radioelektronika. 2012. No. 4 (42). Pp. 2-9. (In Russian)
4. P. A. Budko, I. A. Kuleshov, V. I. Kurnosov, V. I. Miroshnikov. Infocommunication networks: an encyclopedia. Book 4. Heterogeneous communication networks: principles of construction, synthesis methods, efficiency, price, quality. Moscow: Nauka, 2020. 683 p. (In Russian)
5. P. A. Ohtilev, A. D. Bahmut, A. V. Krilov, M. Yu. Ohtilev, B. V. Sokolov. An approach to assessing the structural states of complex organizational and technical objects based on generalized computational models. H&ES Reserch. 2017. Vol. 9. No. 5. Pp. 73-82. (In Russian)
6. A. N. Burenin, K. E. Legkov. A systematic approach to the formation of the structure of monitoring subsystems of automated infocommunication management systems. T-Comm. 2016. Vol. 10. No. 8. Pp. 46-50. (In Russian)
KEYWORDS: intelligent control system, communication complexes, special purpose telecommunication system, knowledge representation.
senting and obtaining knowledge in an intelligent system for monitoring the technical condition of special-purpose communication complexes are described. The rules of evaluation processes, control of the technical condition of heterogeneous communication complexes of an evolving telecommunication system are defined. The principles of structural construction, basic technologies and, based on them, the architecture of a promising control system are presented. The generalized structure of the knowledge base of the intellectual control system and the process of its functioning are described. Practical significance. Based on the formulated principles of functioning of the knowledge management system, a software implementation of the proposed intelligent system for monitoring the technical condition of communication complexes of an interdepartmental telecommunications system for special purposes within the framework of an interdepartmental unified management space is presented. In the proposed control system, the knowledge base includes a fully connected search engine for accident signs, assessment methods, identification, ontology and semantic search components.
7. M. Yu. Ohtilev, B. V. Sokolov, R. M. Usupov. Intelligent technologies for monitoring the condition and managing the structural dynamics of complex technical objects. Moscow: Nauka, 2006. 410 p. (In Russian)
8. A. M. Vinogradenko, N. P. Budko. Adaptive control of the technical condition of complex technical objects based on intelligent technologies. T-Comm. 2020. Vol. 14. No. 1. Pp. 2535. DOI: 10.36724/2072-8735-2020-14-1-25-35. (In Russian)
9. P. A. Budko, A. M. Vinogradenko, A. V. Mezhenov, N. G. Zhuravlyova. Method of adaptive control of technical states of radio-electronic systems. Advances in Signal Processing. Theories, Algorithms, and System Control. Intelligens Systems Reference Library. Springer-Verlag 2020. Vol. 184. Chapter 11. Pp. 137-151.
10. I.-A. Cojoaca, C. Bulac, C.-I. Popirlan. A Proposed Multi-Agent Based Platform for Monitoring and Control of Active Power Distribution Systems, In: Proceedings of the 2021 3rd Global Power, Energy and Communication Conference (GPECOM). 2021. Pp. 214-219.
11. I. Galanis, D. Olsen, I. Anagnostopoulos. A multi-agent based system for run-time distributed resource management. In: Proceedings of the 2017 IEEE International Symposium on Circuits and Systems (ISCAS), 2017. Pp. 1-4.
12. H. V. V. Priyadarshana, W. K. I. Madushanaka, L. L. L. Anuruddha, G. T. Chathura, H. W. D. Hettiarachchi, K. T. M. U. Hemapala. Multi-agent controlled building management sys-
tem. In: Proceedings of the 2017 Innovations in Power and Advanced Computing Technologies (i-PACT), 2017. Pp. 1-5.
13. I. Kotenko, I. Saenko, S. Ageev. Monitoring the State of Elements of Multi-service Communication Networks on the Basis of Fuzzy Logical Inference. In: Proceedings of the Sixth International Conference on Communications, Computation, Networks and Technologies (INNOV-2017), 2017. Pp. 26-32.
14. V. Y. Tsvetkov. Intelligent control technology. Russkiy sotsiologicheskiy zhurnal. 2015. No. 2. Pp. 97-104. (In Russian)
15. T. A. Aliev, A. M. Abbasov, Q. A. Guluyev, F. H. Pashaev, U. E. Sattarova. System of robust noise monitoring of anomalous seismic processes. Dinamika grunta i seysmostoykost'. 2013. No. 32. Pp. 11-25. (In Russian)
16. I. V. Kotenko, P. A. Budko, A. M. Vinogradenko, I. B. Saenko. An Approach for Intelligent Evaluation of the State of Complex Autonomous Objects Based on the Wavelet Analysis. The 18th International conference on intelligent software methodologies, tools and techniques (SOMET'2019). Kuching, Sarawak, Malaysia, on September 23, 2019. Sarawak, 2019. Pp. 25-38.
17. K. I. Porsev, A. V. Sorokin. Management of Innovations and Knowledge in the Structure of the Enterprise Integrated Information Environment, In: Proceedings of the 2020 International Conference Quality Management, Transport and Information Security, Information Technologies (IT&QM&IS), 2020. Pp. 283-285.
18. P. Simoens, M. Dragone, A. Saffiotti. The Internet of Robotic Things: A review of concept, added value and applications, International Journal of Advanced Robotic Systems. 2018. No. 1-2, Pp. 1-9.
19. R. Centelles, M. Selimi, F. Freitag , L. Navarro. REDE-MON: Resilient Decentralized Monitoring System for Edge Infrastructures. Conference proceedings. 2020 20th IEEE/ACM International Symposium on Cluster, Cloud and Internet Computing (CCGRID), Melbourne, Australia. 2020. Pp. 91-100.
20. L. Shan, J. Yu, J. Zhang, Y. Li, E. Zhou, L. Zhao. Distributed State Estimation Based on the Realtime Dispatch and Control Cloud Platform, In: Proceedings of the 2018 2nd IEEE Conference on Energy Internet and Energy System Integration (EI2), 2018. Pp. 1-6.
21. S. Chen, S. Bateni, S. Grandhi, X. Li, C. Liu, W. Yang. DENAS: automated rule generation by knowledge extraction from neural networks, In: Proceedings of the 28th ACM Joint Meeting on European Software Engineering Conference and Symposium on the Foundations of Software Engineering, 2020. Pp. 813-825.
22. E. G. Zelensky, Y. G. Kononov, V. V. Fedorenko, A. M. Vinogradenko, V. V. Samoylenko. Development of a distributed multi-agent system monitoring and control networks of 0.4-35 kV, In: Proceedings of the 2017 IEEE II International Conference on Control in Technical Systems (CTS). Sankt-Petersburg, 2017. Pp. 271-274. (In Russian)
23. V. V. Fedorenko, A. M. Vinogradenko, V. V. Samoylenko, A. V. Pedan. An approach to intelligent monitoring of the technical condition of complex dynamic objects based on polling
systems. Proceedings of the XXII International Conference "Distributed Computer and Telecommunication Networks: Management, Computing, Communications", Moscow, on September 23, 2019. Moscow, 2019. Vol. 1141. Pp. 560-573.
24. E. V. Borovskaya, N. A. Davidova. The basics of artificial intelligence. Moscow: Laboratoriya znaniy, 2020. 130 p. (In Russian)
25. I. V. Kotenko, I. B. Saenko, S. A. Ageev. Implementation of Intelligent Agents for Network Traffic and Security Risk Analysis in Cyber-Physical Systems. In: Proceedings of the 11th International Conference on Security of Information and Networks (SIN'18). 2018. Article 22. ACM. NY. 4 p.
26. P. A. Budko, A. M. Vinogradenko, V. V. Fedorenko, A. V. Pedan. Approach to the intellectual monitoring of the technical condition of difficult dynamic objects on the basis of the systems of a polling. The 22nd International conference "Distributed computer and communication networks: control, computation, communications" (DCCN-2019). Moscow, Russia, 23-27 September 2019]. Moscow, 2019. Vol. 1141. Springer, Cham. Pp. 560-573. (In Russian)
27. P. Simoens, M. Dragone, A. Saffiotti. The Internet of Robotic Things: A review of concept, added value and applications. International Journal of Advanced Robotic Systems. 2018. Vol. I-II. Pp. 1-9.
28. J. S. Ramakrishna, H. Ramasangu. Classification of Cognitive State Using Clustering Based Maximum Margin Feature Selection Framework, In: Proceedings of the 2017
29. S. M. Egorshev, I. G. Maligin, V. I. Komashinskiy, M. Yu. Avanesov. Proposals on the strategy for the development of artificial intelligence technologies in the Russian transport industry. Informatsiya i kosmos. 2020. No. 2. Pp. 56-61. (In Russian)
30. I. I. Vlasov, E. V. Novikov, M. M. Ptichnikov , D. V. Sladkih. Technical diagnostics of modern digital communication networks. Basic principles and technical means of measuring transmission parameters for networks PDH, SDH, IP, Ethernet and ATM. Moscow: Goryachaya liniya-Telekom, 2015. 480 p.
31. A. I. Yashin, P. A. Budko, A. M. Vinogradenko. Intelligent control of the technical condition of the marine robotic complex Morskaya radioelektronika. 2020. No. 1 (71). Pp. 48-53. (In Russian)
32. P. A. Budko, A. M. Vinogradenko, A. V. Mezhenov, A. A. Chikirev. Method and device for intelligent express control of the technical condition of ground-based communications and radio engineering support of flights. Systemi upravleniya, svyazi i bezopasnosty. 2020. No. 1. Pp. 235-283. DOI:10.24411/2410-9916-2020-10108. (In Russian)
33. I. B. Saenko. Theoretical foundations of multidimensional-relational data representation and their application for building automated control system databases by communication. Saint-Petersburg: VUS, 2003. 176 p. (In Russian)
34. V. Y. Tsvetkov, E. K. Titov, S. V. Bulgakov, I. E. Rogov. Metamodeling in geoinformatics. Informatsiya i kosmos. 2020. No. 1. Pp. 112-119. (In Russian)
35. Stuart Rassel, Piter Norvig. Artificial intelligence. Modern approach. Moscow: ID "Vil'yams", 2015. 1408 p. (In Russian)
36. 0. V. Abramov. Forecasting of the state and planning of operation of systems of responsible purpose. Nadezhnost' i katchestvo slozhnih sistem. 2020. No. 3 (31). Pp. 5-14. (In Russian)
37. P. A. Budko, A. M. Vinogradenko, S. V. Kuznetsov, V. K. Goydenko. Implementation of the method of multilevel integrated control of the technical condition of the marine robotic complex Systemi upravleniya, svyazi i bezopasnosty. 2017. No. 4. Pp. 71-101. (In Russian)
38. V. V. Podinovskiy. Ideas and methods of the theory of the importance of criteria in multi-criteria decision-making tasks. Moscow: Nauka, 2019. 103 p. (In Russian)
39. D. A. Pospelov. Artificial intelligence. Models and methods. Guide. Moscow: Radio i svyaz', 1990. 304 p. (In Russian)
40. D. A. Pospelov. Logical-linguistic models in control systems. Moscow: Energoizdat, 1981. 232 p. (In Russian)
41. A. N. Podobriy, V. V. Timirzyanov, A. A. Pertsev. Architecture of building the knowledge base of the project organization. Avtomatizatsiya protsessov upravleniya. 2021. No. 4 (66). Pp. 28-38. (In Russian)
42. Say Van Kvong, M. V. Tsherbakov. The architecture of the predictive maintenance system of complex multi-object systems in the concept of Industry 4.0. Programmi i Systemy. 2020. No. 2 (33). Pp. 186-194. (In Russian)
43. A. M. Vinogradenko, V. K. Goydenko, A. V Mezhenov. An algorithm for forming a database of states of a software and hardware communication complex based on thermal processes using wavelet transformations. Materials of the IV interuni-versity scientific and practical conference "Problems of technical support of troops in modern conditions", Sankt-Petersburg, on February 06, 2019. Sankt-Petersburg, 2019. Vol. 1. Pp. 199-204. (In Russian)
44. A. M. Vinogradenko, A. V. Mezhenov, N. P. Budko. On the issue of substantiation of the conceptual apparatus of nondestructive express control of the technical condition of the equipment of the communication system and radio engineering support of the airfield. H&ES Reserch. 2019. Vol. 11. No. 6. Pp. 30-44. (In Russian)
45. A. V. Sirichenko. Intelligent control and management systems. Moscow: MISIS, 2020. 24 p. (In Russian)
46. A. M. Vinogradenko. Method of synthesis of intelligent systems for monitoring the technical condition of special-purpose communication complexes. H&ES Reserch. 2020. No. 4. Pp. 22-31. (In Russian)
47. R. V. Abrakmkin, A. M. Vinogradenko. A method for identifying the technical condition of power supply systems and a device for its implementation. I-Methods. 2021. Vol. 13. No. 4. Pp. 1-20. (In Russian)
48. R. V. Abrakmkin, V. V. Bartosh, A. M. Vinogradenko, A. P. Veselovskiy. Intelligent systems for monitoring the technical condition of sources of autonomous power supply of field communication facilities. Tehnika sredstv svyazi. 2020. No. 1 (149). Pp. 16-27. (In Russian).
49. A. M. Vinogradenko. Intelligent assessment of technical condition of complex technical objects. Tehnika sredstv svyazi. 2021. No. 4 (156). Pp. 2-19. (In Russian)
50. P. A. Budko, A. M. Vinogradenko, A. I. Litvinov. Experimental studies of the kinetic method of control and diagnostics of technical means. Mehatronika, avtomatizatsiya, upravlenie. No. 9 (162). 2014. Pp. 53-58. (In Russian)
51. U. Leturiondo, O. Salgado, L. Ciani, D. Galar. Marcantonio Catelani Architecture for hybrid modelling and its application to diagnosis and prognosis with missing data. Measurement, No. 108. 2017. Pp. 152-162.
INFORMATION ABOUT AUTHOR:
Aleksey M. Vinogradenko, PhD, Docent, Military Academy of Communications St. Petersburg, Russia
For citation: Vinogradenko A.M. Architecture of an intelligent system for monitoring the technical condition of evolving special-purpose communication complexes. H&ES Reserch. 2022. Vol. 14. No. 1. P. 4-20. doi: 10.36724/2409-5419-2022-14-1-4-20 (In Rus)
