CC BY
174
УДК 004.9: 614.8
КИБЕРФИЗИЧЕСКИЕ ТЕХНОЛОГИИ МОНИТОРИНГА ЧРЕЗВЫЧАЙНЫХ СИТУАЦИЙ
В.Н. Ручкин, Б.В. Костров, А.Н. Колесенков
Проведены теоретические и экспериментальные исследования в области разработки и применения киберфизических систем в задачах мониторинга чрезвычайных ситуаций. Разработана киберфизическая технология мониторинга чрезвычайных ситуаций природного и техногенного характера. Предложено информационное, и алгоритмическое обеспечение киберфизической системы пожарного мониторинга. Представлены структурная схема киберфизической системы пожарного мониторинга. Технология реализуется путем создания интеллектуальных телекоммуникационных структур на основе нейропроцессораМВ7707.
Ключевые слова: киберфизическая технология, чрезвычайная ситуация, ДЗЗ, датчики, пожар, принятие решений, кластеризация, МВ 7707, нейропроцессор.
Современные мобильные киберфизические системы (КФС) [1] являются очень важным классом вычислительных систем и широко используются в автомобилях, мобильных устройствах, переносимых людьми и животными в виде имплантационных систем, мобильных роботах и т.д. Рынкам КФС предсказывают ежегодный рост до 30 % на период 20132020 гг. [2].
Технологии мониторинга чрезвычайных ситуаций (ЧС) производятся различными средствами - от измерения характерных признаков в заданных точках до дистанционных методов, определяющих косвенные признаки. Для повышения качества принятия управленческих решений по предупреждению ЧС природного и техногенного характера (ПТХ) целесообразно производить обработку поступающих данных за счет использования эффективного алгоритмического, программного и аппаратного обеспечения. Целью работы является снижение риска принятия решений по предупреждению ЧС за счет комплексной специализированной обработки данных локального и дистанционного зондирования Земли в условиях неопределенности, использования нечетких множеств и нейронных сетей посредством КФС.
Для достижения поставленной цели решаются следующие основные задачи:
разработка алгоритма распознавания образов нарушения, динамики развития ПТХ [3];
разработка технологии слежения и прогнозирования обнаруженных нарушений ПТХ;
разработка эффективного алгоритма привязки наземной информации с аэрокосмическими снимками [4];
252
- оценка риска принятия решений обнаружения ЧС.
Киберфизический подход
Синергия физических и вычислительных составляющих позволяет создавать киберфизические системы, которые обеспечивают совместную работу элементов физического и кибернетического пространств, интегрируя аппаратные и программные ресурсы. КФС поддерживают реальные физические устройства и процессы, а также обеспечивают операционный контроль и управление территориально распределенными объектами окружающей среды.
Основу КФС составляют вычислительные элементы и сенсоры, которые обеспечивают мониторинг заданных киберфизических показателей, передавая данные на следующий уровень системы. Входящие в состав системы исполнительные элементы на основе получаемых данных вносят изменения в окружающее пространство, снижая риск возникновения ЧС [5].
Рис.1. Схема киберфизической системы мониторинга ЧС
Преимущества применения КФС в задачах пожарного мониторинга состоят в следующем:
повышение эффективности процессов мониторинга, контроля и управления благодаря обмену информацией между уровнями системы в реальном времени;
возможность оперативного масштабирования и перемещения любого из уровней системы в пространстве;
повышение надежности данных о состоянии окружающей среды и потенциально опасных объектов;
повышение эффективности управления ресурсами за счет оптимизации работы приложений с учетом текущей ситуации.
КФС имеют огромный потенциал для решения критически важных проблем, поскольку превосходят современные распределенные системы по производительности, безопасности, надежности и удобству использования.
Структуру КФС (рис.1) мониторинга ЧС предлагается разделить на информационную, операционную и алгоритмическую составляющие, соединив их высокоскоростными радиоканалами и облачными вычислениями. В работе рассмотрена возможность применения КФС к задаче пожарного мониторинга.
Методы детектирования возгораний
Методы детектирования возгораний базируются на спектральном анализе яркости в отдельных каналах и применении следующих процедур: контрастирования, сегментации, выделения характеристик текстуры. Каж-
(к)
дая процедура характеризуется вектором характеристик ХК> ' [6].
Линейное контрастирование производится на основе яркостного преобразования аэрокосмического изображения. В зависимости от условий освещенности такие изображения зачастую являются слабоконтрастными.
Сегментация аэрокосмического изображения необходима для выделения сегментов, содержащих дымовые шлейфы на территориях потенциальных пожаров. Для решения задачи предлагается применять метод релаксационной разметки [7]. Разделение изображения на несколько кластеров осуществляется по приведенной методике: Л = {Ар2*2}, где ^ - соответственно метки дымового шлейфа и I -х зон изображения.
Выделение характеристик текстуры базируется на том, что облака по своим структурным и яркостным характеристикам визуально похожи на дым от пожаров. Поэтому участок изображения, на котором обнаружено возгорание, проверяется на соответствие текстурным признакам дыма. В качестве характеристик текстуры используются дисперсия, математическое ожидание, нормированное значение дисперсии, среднее статистическое отклонение, однородность, третий момент, энтропия [8].
Алгоритм идентификации источников ПТХ
Задача заключается в разбиении аэрокосмических изображений на кластеры образов на основе заданных требований или ограничений. Для этого используется теоретико-множественная модель, основанная на понятии эквивалентности [9].
На первом шаге вводится определение образа, а также определяются его специфические свойства на основе рефлексивности, транзитивности и симметричности, при этом:
транзитивность определяет образы, подобные первоначальному;
рефлексивность выявляет эквивалентность образа самому себе;
симметричность задает соответствие между отдельными произвольными образами.
Кластеризация изображения на основе теоретико-множественной модели позволяет однозначно разбить множество образов на классы подобных элементов.
Для решения задачи кластеризации введем понятие равенства кластеров СЬу и СЬ£ очагов пожаров СЬу = СЬ£ с учетом их основных технических характеристик [10].
Результаты разбиения представляют сбой продукционную модель экспертной системы распознавания образов.
Нечеткий логический вывод
Системы с нечеткой логикой и искусственные нейронные сети дополняют друг друга и в совокупности составляют аппарат нейронечетких сетей. Основная идея нейронечетких сетей заключается в использовании существующей выборки данных для идентификации характеристик функций принадлежности, наилучшим образом соответствующей заданной системе логического вывода, то есть выводы производятся с применением аппарата нечеткой логики. А для вычисления характеристик функций принадлежности применяются нейросетевые алгоритмы. Такие системы могут успешно обрабатывать известные данные, приобретать новые знания, обучаться и прогнозировать временные ряды [11,12].
На практике процесс прогнозирования и выбора возможного изменения ПТХ является сложной многокритериальной задачей, т.к. из всех нарушений ПТХ эксперт на основании обобщенной оценки альтернативных вариантов должен выбрать оптимальный по совокупности критериев, противоречащих друг другу: площадь изменений, скорость, число очагов, направление движения и пр.
Применение аппарата нечеткой логики позволяет моделировать плавное изменение свойств реализаций с учетом качественных структурных связей [13]. При этом решение задачи выбора происходит одновременно с процедурой принятия решения.
Алгоритм классификации
Моделирование динамики пожара основано на применении метода второй производной площади возгорания по времени. Идея предлагаемого метода состоит в определении состояния пожара по перегибам графика роста площади возгорания [14].
Алгоритм состоит из следующих этапов.
а) вычисление площади возгорания;
б) расчет второй производной по времени;
в) определение состояния пожара: «развивается свободно», «в стадии тушения», «локализован».
В зависимости от значения второй производной площади возгорания по времени: положительное значение - при свободном распространении пожара, отрицательное - при тушении пожара и равно нулю при его локализации.
Алгоритм прогнозирования динамики пожара
Алгоритм прогнозирования динамики пожара основан на обработке разновременных аэрокосмических снимков, позволяет определить направление и скорость распространения пожара и состоит из следующих этапов:
а) выявление очагов возгорания на основе нечеткой нейронной сети;
б) выделение на следующем аэрокосмическом изображении эталонных фрагментов с максимальным содержанием объектов земной поверхности [9];
в) вычисление спектра фрагментов в кусочно-постоянном базисе Виленкина - Кристенсона [14];
г) поиск отображения эталонных фрагментов на новом аэрокосмическом изображении;
д) привязка изображений по найденным точкам совмещения;
е) идентификация очагов возгорания [15];
ж) расчет направления и скорости распространения пожара с учетом внешних факторов ПТХ [16];
з) если полученные координаты нельзя отнести к одному из обнаруженных ранее очагов возгораний, то получаем, что идентифицирован новый очаг.
Для непосредственного прогнозирования интегральных характеристик пожара с использованием полученных математических моделей предлагается использование нейронных сетей. На вход нейронной сети подаются данные, а на выходе получается приблизительный прогноз прироста площади пройденной огнём.
Методика оценки риска
Оценка риска принятия решений обнаружения, моделирования, сопровождения и оценки очагов возгораний проводится на основе логико-вероятностного подхода (ЛВП), предназначенного для количественной оценки устойчивости сложных технических систем. В основе лежат правила замещения аргументов в функциях алгебры логики вероятностями их истинности, а логических операций - арифметическими.
Особенность ЛВП заключается в однозначной четкой количественной оценке риска, а также в широких возможностях анализа влияния составляющих на безопасность и надежность всей системы [17].
Функция риска принятия решений представляется как У^Ф = ),
где х! - логическая переменная, характеризующая состояние подсистемы
г; г = 1,п, п - количество подсистем в системе.
Все множество состояний системы представляется множеством векторов:
На основе положений ЛВП предложена методика оценки снижении риска возникновения ЧС при применении киберфизической системы предложенной структуры, содержащая:
моделирование сценария развития ЧС;
расчет вероятностной модели Р^Ф = Р (Рг ), где Рг - вероятность состояния хг, г = 1,п;
расчет риска безопасного функционирования и риска возникновения ЧС при различных входных параметрах.
Применение технологии апробировано на сценарии риска возникновения пожара на территории Окского заповедника Рязанской области.
Практические исследования
Для решения сформулированных задач и реализации предложенных алгоритмов необходимо грамотно выбрать аппаратную базу. Наиболее полно данным требованиям удовлетворяют системы с использованием нейронных сетей, которые к тому же являются интеллектуальными, т. е. способными к обучению и самообучению.
Природные условия являются нестабильными, поэтому благодаря интеллектуальности при обработке сигналов можно существенно повысить эффективность таких телекоммуникационных систем и к тому же в реальном времени. Поэтому для реализации вышеперечисленных алгоритмов был выбран отечественный микрокомпьютерный модуль МВ 7707 в качестве центрального вычислительного модуля в широком ряде встраиваемых устройств на базе нейросетевой СБИС К 1879ХБ1Я. Данный модуль является основной элементной базой нового поколения вычислительной техники. Основой функционирования подобных машин является моделирование способов переработки информации подобно работе нервной системы и головного мозга человека в виде программного комплекса «НейроКС». Предложенные в работе алгоритмы смоделированы и реализованы в виде
1, если подсистема г функционирует, —
г = 1,п. (1)
0, если подсистема г не функционирует,
программных продуктов многопроцессорной вычислительной телекоммуникационной структуры на базе микрокомпьютерного модуля МВ 7707 [4,5] «Эльбрус», «Ломоносов», «Лобачевский».
Заключение
Реализация предложенной технологии на базе программного комплекса «НейроКС» позволяет сделать вывод о принципиальной возможности прогнозирования ЧС по данным киберфизического и аэрокосмического мониторинга. А адаптация разработанных алгоритмов к программному обеспечению серийно выпускаемого модуля МВ7707 позволит автоматизировать процессы сбора, хранения и обработки первичных данных мониторинга, обеспечить процесс принятия решений при борьбе с ЧС на оперативном и стратегическом уровнях, а также оценить эффективность деятельности по предупреждению, прогнозированию и ликвидации ЧС.
Список литературы
1. A Cloud-based Cyber-Physical System for Environmental Monitoring / T. Sanislav, G. Mois, S. Folea, L. Miclea, G. Gambardella, P. Prinetto // Proceedings of the 3nd Mediterranean Conference on Embedded Computing MECO-2014. Montenegro, Budva, 2014. P. 6-9.
2. Ahmed S.H., Kim G., Kim D. Cyber Physical System: Architecture, applications and research challenges // Wireless Days: IFIP Conference, 2013. P. 1-5.
3. Гонсалес Р., Вуд Р. Цифровая обработка изображений. М.: Техносфера, 2005. 1072 с.
4. Современные технологии обработки данных дистанционного зондирования Земли / под ред. В.В. Еремеева М.: ФИЗМАТЛИТ, 2015. 460 с.
5. Dac H., Paik H., Kim С. Serviceoriented middleware architectures for cyber-physical systems // International Journal of Computer Science and Network Security. 2012. P. 79-87.
6. Доррер Г. А. Динамика лесных пожаров. Новосибирск: Изд-во СО РАН, 2008. 404 с.
7. Ханин А. А., Чеботарев Р. Принципы оптического метода автоматического детектирования лесных пожаров //Алгоритм безопасности. М.: Нордвинд, 2011. №1. С. 76-80.
8. Злобин В.К., Ручкин В.Н. Нейросети и нейрокомпьютеры. СПб.: БХВ - Петербург, 2011. 256 с.
9. Ruchkin V.N., Kostrov B.V., Kolesenkov A.A. Emergencies monitoring and preventing // Proceding 2nd Mediterranean Confеrence on Embedded Computing MECO 2013, Montenegro, Budva, 2013. P. 263-266.
258
10. Экспрес-мониторинг техногенной обстановки на основе нечетких нейронных сетей / А.Н. Колесенков, Б.В. Костров, А.Н. Ручкин, Е.В. Ручкина // Proceedings - 2014 3nd Mediterranean Conference on Embedded Computing, MECO 2014, Budva, Montenegro, 2014. С. 166 - 168.
11. Ларкин Е.В., Котов В.В., Котова Н.А. Оценка эффективности программного обеспечения робота с использованием сетей Петри-Маркова // Известия Тульского государственного университета. Технические науки. Тула: Изд-во ТулГУ, Вып. 9. Ч. 2. 2013. С. 156-163.
12. Ивутин А.Н., Страхов И.А. Фреймворк для построения и исследования сетей Петри и их модификаций. // Известия Тульского государственного университета. Технические науки. Тула: Изд-во ТулГУ, 2013. Вып. 9. Ч. 2. С. 135-140.
13. Колесенков А.Н., Конкин Ю.В. Моделирование нейронных сетей для прогнозирования временных рядов // Динамика сложных систем. М.: Радиотехника, 2015. Вып. 3. Т. 9. С. 10-13.
14. Колесенков А.Н., Костров Б.В., Ручкин В.Н. Методика интеллектуального обнаружения, моделирования и сопровождения пожаров // Известия Тульского государственного университета. Технические науки. Тула: Изд-во ТулГУ, 2015. Вып. 5. Ч. 2. С. 266-274.
15. Remote sensing of burn severity: experience from western Canada boreal fires / R.J. Hall, J.T. Freeburn, W.J. Groot, J.M. Pritchard, T.J. Lynham, R. Landry // International Journal of Wildland Fire. 2008. Vol. 17 (4). P. 476489.
16. Algorithms of Fire seat Detection, Modeling Their Dynamics and Observation of Forest Fires via Communication Technologies / V.N. Ruchkin, B.V. Kostrov, A.N. Kolesenkov, E.V. Ruchkina // Proceedings of the 4th Mediterranean Conference on Embedded Computing MECO 2015. Montenegro, Budva, 2015. P. 166-169.
17. Соложенцев Е.Д., Карасев В.В. Идентификация логико-вероятностных моделей риска структурн-сложных систем с группами несовместных событий // Автоматика и телемеханика. 2002. № 3. С. 97-113.
18. Романчук В.А., Ручкин В.Н., Фулин В.Н. Проектирование ней-ропроцессорных систем на основе нечеткой кластеризации // Вестник РГРТУ. Вып. 50-1. Рязань: РГРТУ, 2014. С. 87-93.
Ручкин Владимир Николаевич, д-р техн. наук, проф., v.ruchkinarsu.edu.ru, Россия, Рязань, Рязанский государственный радиотехнический университет,
Костров Борис Васильевич, д-р техн. наук, проф., kostrov. [email protected], Россия, Рязань, Рязанский государственный радиотехнический университет,
Колесенков Александр Николаевич, канд. техн. наук, доц., sk62@,mail.ru, Россия, Рязань, Рязанский государственный радиотехнический университет
CYBER-PHYSICAL TECHNOLOGY OF EMERGENCIES MONITORING V.N. Ruchkin, B. V. Kostrov, A.N. Kolesenkov
The paper presents theoretical and experimental research in the field of development and application of systems challenges cyber-physical emergency monitoring. Designed cyber-physical technology monitoring of natural and man-made disasters. Proposed information and algorithmic support cyber-physical fire monitoring system. Is a block diagram cyber-physical fire monitoring system. The technology is realized through the creation of intelligent telecommunications structures based on neural MB7707.
Key words: cyber-physical technology, emergency, remote sensing, sensors, fire, decision-making, clustering, MW 7707, neuro-processor.
Kostrov Boris Vasilevich, doctor of technical sciences, professor, kostrov. b. vaevm.rsreu.ru, Russia, Ryazan, Ryazan State Radio Engineering University,
Ruchkin Vladimir Nikolaevich, doctor of technical sciences, professor, v. ruchkinarsu. edu. ru, Russia, Ryazan, Ryazan State Radio Engineering University,
Kolesenkov Aleksandr Nikolaevich, candidate of technical sciences, docent, [email protected], Russia, Ryazan, Ryazan State Radio Engineering University
УДК 681.3.06
АВТОМАТИЗИРОВАННАЯ СИСТЕМА ВЕРИФИКАЦИИ ПРОГРАММНЫХ ПРИЛОЖЕНИЙ
Н.И. Савин, Е.И. Бредихин
Рассмотрены принципы построения АСВПП, записанных на алгоритмических языках программирования, и реализации алгоритмов. АСВПП позволяет повысить эффективность обучения методологии программирования и освоения семантических и синтаксических конструкций языка. Приведены примеры использования АСВПП.
Ключевые слова: верификация, программа, семантика, синтаксис, алгоритмический язык.
Данная система (далее АСВПП) создана для решения задачи автоматизации проверки программных реализаций заданий, сформулированных определенным образом. Система размещается на удаленном сервере и предоставляет пользователям web-интерфейс для получения заданий, отправки решений, форум, справку по функциям особенностям оформления решений и возможность авторизации. Решения могут быть записаны на языках Visual C++ 2008/2010, C# и Python 2.7. АСВПП создана на основе принципов, заложенных в таких широко известных проверяющих системах, как Contester, Timus Online Judge, El Judge и др. [1-3].
260
