МОДЕЛИРОВАНИЕ ДВУХКАНАЛЬНОГО КОГНИТИВНОГО МЕХАНИЗМА УПРАВЛЕНИЯ НА ТРАНСПОРТЕ Текст научной статьи по специальности «Экономика и бизнес»

3. Инфраструктура Сибири, Дальнего Востока и Арктики. Состояние и 3 этапа развития до 2050 года / под ред. А.А. Макоско. М.: ИПТ РАН, 2019. 465 с.

4. Цыганов В. В., Малыгин И. Г., Еналеев А. К., Савушкин С. А. Большие транспортные системы: теория, методология, разработка и экспертиза. - СПб.: ИПТ РАН. С. 2016. 216 с.

5. Цыганов В. В. Комплекс моделей стратегического управления транспортной инфраструктурой Сибири, Дальнего Востока и Российской Арктики // ИТНОУ. 2021. № 1 (17). С. 3-8.

6. Цыганов В.В., Савушкин С.А. Терминально-логистический центр как структура управления транспортной сети // Транспорт: наука, техника, управление. 2017. № 1. С.13-18.

7. Савушкин С.А., Цыганов В.В., Бородин В.А. Мультимодальность транспортных систем в пространственном развитии // ИТНОУ, 2019. № 4(14). С.34-39

Сведения об авторах Владимир Викторович Цыганов

доктор техн. наук, профессор

заведующий отделом

Институт проблем транспорта им.

Н. С. Соломенко РАН

Москва, Россия

Эл. почта: [email protected]

Сергей Александрович Савушкин

кандидат физ-мат наук

ведущий научный сотрудник

Институт проблем транспорта им.

Н. С. Соломенко РАН

Москва, Россия

Эл. почта: [email protected]

Владимир Григорьевич Горбунов

заместитель генерального директора

экспериментальный завод научного

приборостроения РАН

Москва, Росссия,

Эл. почта: [email protected]

Information about authors

Vladimir Tsyganov

Doctor of Science (Tech.), Professor

Head of Moscow Department

N.S. Solomenko Institute of Transport Problems

Moscow, Russian Federation

E-mail: [email protected]

Sergey Savushkin

PhD (Math)

Senior Scientist, Leading Researcher N.S. Solomenko Institute of Transport Problems Moscow, Russian Federation E-mail: [email protected]

Vladimir Gorbunov

Deputy General Director Experimental Plant EZAN Moscow, Russian Federation E-mail: [email protected]

УДК 519.8 А.К. Еналеев

ГРНТИ 28.23.35, 73.01.21 Институт проблем транспорта имени Н.С. Соломенко РАН

DOI: 10.47501/ITNOU.2021.2.42-47

МОДЕЛИРОВАНИЕ ДВУХКАНАЛЬНОГО КОГНИТИВНОГО МЕХАНИЗМА УПРАВЛЕНИЯ НА ТРАНСПОРТЕ

Рассматривается имитационное моделирование двухканального механизма управления применительно к функционированию транспортных систем в нестационарных условиях. Проведены с использованием динамической модели расчеты для различных стратегий поведения первого канала управления движением.

Ключевые слова: управление движением, нестационарные возмущения, человеко-машинное взаимодействие, имитационное моделирование.

Enaleev A.

Solomenko Institute of Transport Problems of the Russian Academy of Sciences

SIMULATION OF A TWO-CHANNEL COGNITIVE CONTROL MECHANISM IN TRANSPORTATION SYSTEMS

The problem of simulation of a two-channel control mechanism is considered in relation to the functioning of transport systems in non-stationary conditions. Calculations were carried out for various strategies of the behavior of the first motion control channel for the object described by a dynamic model.

Keywords: motion control, non-stationary disturbances, human-machine interaction, simulation, decision making.

Управление транспортными средствами и другими сложными транспортными объектами в условиях внедрения систем управления с использованием искусственного интеллекта (ИИ) не позволяет пока отказаться от участия в них человека. В связи с этим актуальной является проблема совмещения в контуре управления как человека, так и машины. Управление такими объектами происходит в условиях влияния нестационарных возмущений, когда при нестандартных ситуациях ИИ неспособен вырабатывать эффективные управления, и человеку приходится брать дело в свои руки. Системы с ИИ в стандартных условиях лучше человека справляются с управлением, однако при действии некоторых интенсивных возмущающих факторов и возникновении экстремальных ситуаций, возможны ошибки со стороны системы управления с ИИ, которые могут привести к катастрофической ситуации. Для исключения таких событий часто управление дублируется путем включения в систему управления опытного человека-оператора (водителя, пилота, диспетчера), который в нестандартных ситуациях должен брать рычаги управления на себя. Если экстремальные ситуации случаются редко, то человек-оператор также редко активно включается в процесс управления. Это приводит к двум отрицательным эффектам. Первый заключается в том, что привыкший к работе автоматизированной системы человек-оператор, доверившись этой системе, может пропустить момент необходимости включения в процесс управления. Второй заключается в том, что поверхностное внимание и редкое включение в процесс управления постепенно приводит к частичной дисквалификации человека-оператора и, соответственно, неэффективному ручному управлению. В таких условиях возникает проблема организации человеком-машинного взаимодействия, или когнитивного управления. Решение этой проблемы предполагает постоянное формирование сравнительных оценок эффективности управлений человека и машины, стимулирование человека за правильный выбор решений, текущее обучение человека и системы ИИ. В состав предлагаемой двухканальной системы управления транспортом (ДКСУТ) входят основной канал управления, непосредственно воздействующий на объект управления, и канал, помогающий основному каналу вырабатывать решения (дающие рекомендации по выбору решений на основе ИИ). Возможно также присутствие также каналов обучения и настройки алгоритмов управления. Для оценки эффективности решений, вырабатываемых управляющим каналом, предлагается использовать, так называемые, пересчетные модели [1,2], позволяющие на основе реализованного управления основного канала и результата на выходе объекта ретроспективно вычислять оценку результата на выходе объекта управления, в том случае если бы были реализованы управляющие решения, вырабатываемые вспомогательным каналом. При этом в различных версиях системы человек-оператор находится в первом или втором каналах управления. Особенно

ДКСУТ важны для удержания внимания человека на управлении транспортным объектом, когда необходимость его активного включения в процесс управления носит эпизодический характер, а все остальное время управление осуществляется в автоматическом режиме. В этих ситуациях использование ДКСУТ снижает вероятность пропуска человеком момента времени, когда необходимо включиться в процесс управления, и способствует принятию им более эффективных управленческих решений. Не последнюю роль играет в этом случае непрерывный процесс обучения и улучшении навыков человека при его соревновании с ИИ.

Статья развивает разработки двухканальных механизмов, которые ранее были с успехом применены при управлении металлургическими процессами. [1,3,4,6], а также в [5,7,8].

Структура ДКСУ представлена на Рис. 1.

У

Рис. 1. Двухканальная система управления.

и - управление, назначаемое первым каналом; yt - выход на объекте при управлении Ш; иШ - управление, рассчитанное вторым каналом; уШ - оценка выхода на объекте, если бы на объекте вместо управления и было реализовано управления второго канала иШ ; о(у0 - поощрение человека-оператора в составе первого канала, ту, уШ) - штрафы за отклонение yt от уШ^ □ - текущие прогнозируемые случайные возмущения возмущения; □ - нестационарные непрогнозируемые случайные возмущения.

Комплексная проблема, которая возникает при построении ДКСУТ, включает: разработку алгоритма расчета управлений вторым каналом на основе ИИ, создание пересчетной модели, и выбор механизма стимулирования. Решение этой проблемы может быть получено для конкретной транспортной системы, посредством разработки соответствующей системы ИИ и пересчетной модели. Для решения этих задач могут быть использованы методы адаптивного управления [9-13]. Построение механизмов стимулирования (функций поощрения о(у^ и штрафов т^, уШ)) основывается на методологии построения механизмов согласованного управления [14].

Для иллюстрации методов решения этой проблемы предложена динамическая математическая модель транспортного объекта, описываемого уравнением

yt = At - (St + 0tYt - U )2

St и et

где Лг задает требуемую траекторию движения транспортного объекта, ^ и ^ -средние значения соответствующих возмущений, уг - случайный параметр, принимающий значения 0 или 1 и характеризующий влияние нестационарных возмущений. Для такого транспортного объекта проведено имитационное моделирование поведения ДКСУТ.

Для данной модели транспортного объекта пересчетная модель определяется выражением

yt

= A -(ut +VA -yt -uR)2.

Управляющие решения второго канала определяются оценкой средней величины St наблюдаемых возмущений. При имитации функционирование системы рассмотрены

три типа поведения человека-оператора. При первом типе (Type 1) человек-оператор не использует при выборе управлений рекомендации по выбору управлений, вычисляемых вторым каналом. При втором типе поведения (Type 2) человек-оператор полностью доверяет второму каналу и принимает его решения. При третьем типе (Type 3) анализирует решения второго канала, корректирует их с учетом собственной информации о контролируемых и неконтролируемых возмущениях, выбирает управления на основе этого анализа. Для описания правил выбора решений человеком-оператором построена модель поведения человека-оператора на основе максимизации его целевой функции, зависящей от системы стимулирования, назначаемого Центром (Principal), и функции затрат, определяемой усилиями человека-оператора на анализ данных. Система стимулирования рассчитана на основе методов согласованного управления [5,14] и в рассматриваемом случае определяется выражениями o(yt) = ayt,

x(yt, yR) = {e(y- Лесли yt < yR .

[0 в противном случае

Оценка эффективности функционирования ДКСУТ задается целевой функцией Центра, имеющей вид

т

Ф = Е (У - киг), где 0< к<1.

г=1

Рис. 1 иллюстрирует сравнительный анализ эффективности системы для разных типов поведения человека-оператора при заданных численных значений параметров модели.

Total Principal utility

Type 1---Type 2 Type 3

7000 600.0 -500.0 -400.0 -300.0 -200.0 -100.0-

0.0

5.0

10.0 15.0 20.0

Cycle number. t

Рис.2. Сравнение эффективности функционирования системы при различных типах поведения человека-оператора.

Из рис.2. видно, что эффективность максимальна при третьем типе поведения человека оператора.

Автор считает, что в данной работе новыми являются следующие положения и результаты: предложено использование двухканальных организационных механизмов для управления транспортными системами с использованием ИИ. Описана математическая модель и проведено имитационное моделирование ДКСУТ для этой модели.

Литература

1. Авдеев В.П., Бурков В.Н., Еналеев А.К., Киселева Т.В. Многоканальные организационные механизмы (Опыт применения в АСУ). Препринт. М.: Изд. Института проблем управления. 1986. 42 с.

2. Еналеев А.К., Саматов Р.А. Пересчетные модели в двухканальных механизмах управления сложными строительными проектами // Системы управления и информационные технологии. 2016, № 4.1(66). С. 150-155.

3. Бурков В.Н., Данев Б., Еналеев А.К. и др. Большие системы: моделирование

организационных механизмов .- М.: Наука. 1989. 245 с.

4. Авдеев В.П., Бурков В.Н., Еналеев А.К. Многоканальные активные системы //Автоматика и телемеханика. 1990, №11. С.106-116.

5. Еналеев А.К., Саматов Р.А. Анализ и синтез механизмов управления в

двухканальных активных системах // Системы управления и информационные технологии. 2016, №4(66). С. 28-34.

6. И.В. Буркова, Т.В.Киселева. Двухканальные активные системы управления

металлургическими объектами. Теория активных систем-50лет. // Материалы международной научно-практической конференции, 18-19 ноября 2019 г. Москва, ИПУ РАН, С. 328-359.

7. Еналеев А.К. Многоканальные интеллектуальные системы управления транспортными средствами при нестационарных возмущениях. // Материалы Международной научно-практической конференции «ТРАНСПОРТ РОССИИ: ПРОБЛЕМЫ И ПЕРСПЕКТИВЫ 2019».12-13 ноября 2016г. СПб: ИПТ РАН. Санкт-Петербург. 2019г. Том 1. С.75 -78.

8. A.K. Enaleev and D.N. Fedyanin, "Modeling of Two-Channel Management Mechanisms in Organizational Systems," 2020 2nd International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency (SUMMA), Lipetsk, 2020, P. 178-183.

9. Тюкин И. Ю., Терехов В. А., Адаптация в нелинейных динамических системах,

(Серия: Синергетика: от прошлого к будущему). - Санкт-Петербург: ЛКИ, 2008. 384 с.

10. Цыганов В.В., Малыгин И.Г., Еналеев А.К., Савушкин С.А. Большие транспортные системы: теория, методология, разработка и экспертиза. - СПб.: ИПТ РАН. С. 2016. 216 с.

11. Цыганов В. В. Адаптивные механизмы и высокие гуманитарные технологии. Теория гуманитарных систем. - М.: Академический проект, 2012. 346 с.

12. Шульц В. Л., Цыганов В. В., Идрисов Р. Ф., Терехова Н. Н. Безопасность социально-экономических систем - М.: Наука, 2009. 272 с.

13. Цыганов В. В. Адаптивные механизмы в отраслевом управлении. - М.: Наука, 1991. 168 с.

14. A.K. Enaleev, "Optimal incentive-compatible mechanisms in active systems// J. Automation and Remote Control. 2013, No. 3, vol. 74. P. 491-505. [Ж. Управление большими системами. - 2011, вып. 33. С.143-166].

Сведения об авторе Анвер Касимович Еналеев

кандидат техн. наук

ведущий научный сотрудник

ФГБУН Институт проблем транспорта имени

Н. С. Соломенко Российской академии наук

Москва, Россия

Эл. почта: [email protected]

Information about author

Anver Kasimovich Enaleev

Phd (Tech)

Lead Researcher

Institute of Transport Problems

named after N.S. Solomenko RAS

Moscow, Russian Federation

E-mail: [email protected]

УДК 51-76 Е.Ю. Неретин, В.А. Акулов, Ю.Л Минаев

ГРНТИ 27.23.23 Самарский областной клинический онкологический диспансер

DOI: 10.47501/ТГдаи.2021.2.47-55 Самарский университет

Медицинский университет «Реавиз»

СТАТИСТИЧЕСКИЙ АНАЛИЗ ЗАБОЛЕВАЕМОСТИ МЕЛАНОМОЙ КОЖИ С УЧЁТОМ ФЛУКТУАЦИЙ: МЕТОДИКА, РЕЗУЛЬТАТЫ АПРОБАЦИИ

Разработан и апробирован приближённый метод количественной оценки динамической составляющей временных рядов (флуктуаций) с малым числом отсчётов, доступный медицинскому персоналу, владеющему основами анализа в ЭП Excel. Основу метода составляет сопоставление параметров линейной регрессии (тренд) и полиномиальной регрессии, учитывающей периодическую компоненту.

Ключевые слова: меланома кожи, временные ряды, флуктуации, регрессионный анализ.