CC BY
1
Метод конечных элементов (МКЭ) является надежным методом расчета, который широко используется в инженерной практике. При расчете были использованы точные данные о конструкции корпуса, материалах, из которых он изготовлен, и нагрузках, действующих на него.
Результаты данной работы имеют практическую значимость и могут быть использованы для повышения характеристик изделия, так как прочностной расчет корпуса позволяет выявить слабые места в конструкции и принять меры по их усилению; оптимизации конструкции, при проектировании которого можно использовать результаты расчета для выбора оптимальной толщины элементов конструкции, материала и формы.[8]
Таким образом, в данной работе была разработана методика прочностного расчета с использованием метода конечных элементов (МКЭ).
Результаты расчета показали, что прочность корпуса соответствует требованиям.
Список литературы
1. Кострюков С.А., Максимов В.Е., Пешков В.В., Шунин Г.Е. Метод конечных элементов в компьютерном моделировании физико-технических систем // Оптимизация и моделирование в автоматизированных системах: Межвуз. Сб. научн. Тр. Воронеж: Изд.
2. Майер Р.В. Компьютерное моделирование физических явлений. Глазов, ГГПИ: 2009. 112 с
3. Зинкевич О. Метод конечных элементов. М.: Мир, 1975. 258 с.
4. Алямовский А.А. Инженерные расчеты в SolidWorksSimulation. Москва: ДМК-Пресс, 2010. 464 с.
6. Чугунов М.В. CAE-системы предварительного анализа объектов машиностроения. Часть 1: Линейная статика. Рузаевка: Рузаев. Печатник, 2003. 44 с.
7. Кусяков А.Ш. Инструментальные средства инженерных расчетов и научных исследований // Гауде-амус. 2012. №20.
8. Коростин А.С. Возможности применения компьютерного моделирования // Известия Тульского государственного университета. Технические науки. 2023. Вып. 9. С. 28-229.
Аксенова Юлия Романовна, инженер-конструктор 1 категории, julia_shar@mail. ru, Россия, Тула, АО «Центральное конструкторское бюро аппаратостроения (ЦКБА)», аспирант, Тульский государственный университет
COMPUTER ANALYSIS FOR STRENGTH OF CASE J.R. Aksenova
This article analyzes the design of the case. Using FEM (finite elements method) is considering in this article. FEM realized in CAD/CAE SolidWorks Simulation software with revealed boundary conditions.
Key words: computer simulation, the case, CAD/CAE SolidWorks Simulation, 3D model, construction.
Aksenova Julia Romanovna, design enginer, _ julia_shar@,mail. ru, Russia, Tula, JSC «Central Automation Design Bureau (CDBAE)», postgraduate, Tula State University
УДК 004.95:05
Б01: 10.24412/2071-6168-2024-8-353-354
ОРГАНИЗАЦИЯ ФРАГМЕНТИРОВАННОЙ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ АНАЛИЗА ОБСТАНОВКИ И ПРИНЯТИЯ РЕШЕНИЙ ДЛЯ МОБИЛЬНЫХ РОБОТИЗИРОВАННЫХ ПЛАТФОРМ
В.Ф. Гузик, С.А. Черный, А.В. Шестаков, Е.В. Ляпунцова
В данной статье излагаются подходы к построению структурированных систем принятия решений с учетом примененияформально - когнитивной Марковской модели. Основа классической Марковской схемы принятия решенийпредлагается авторами модифицировать. Проводится анализ современного состояния применения интеллектуальных моделей.
Ключевые слова: Марковская модель; интеллектуальные системы принятия решений; цифровая карта обстановки; LSTM- сети; сверточные нейронные сети; когнитивные модели.
С учетом анализа современного состояния в области разработок и опыта применения интеллектуальных моделей авторы предлагают в качестве одного из перспективных направлений их развития определить повышение уровня сложности реализуемых задач с возможностью перехода от однофункциональных к многофункциональным решениям.
Представленный в статье подход применим к построению структурированных систем принятия решений. Основа для реализации является классическая Марковская схема принятия решений, которую предлагается модифицировать путем добавление новых функциональных компонент, включающих когнитивный подход к формированию модели, организацию совместного использования формальных и Марковских решений. К данному подходу в первую очередь предлагается отнести:
а) функциональную структуризацию системы интеллектуальных моделей;б)использование в качестве интеллектуального ядра специально организованной модели, обозначаемая как «формально - когнитивная Марковская модель (далее - ФКММ)».
Это, в свою очередь, обуславливает необходимость проведения исследований в области построения интеллектуальных мультимодульных структур. Данное положение можно с определенной степенью условности проиллюстрировать следующим примером. Предлагаются к рассмотрению две достаточно распространенные задачи, решаемые интеллектуальными методами: а) распознавание рукописных символов; б) прогнозирование появления нового слова во вводимом текстовом потоке. Автономное решение каждой из указанных задач не вызывает особых проблем. Однако, в случае необходимости решения комплексной задачи, объединяющей две вышеуказанные: прогнозирование появления слова из вводимого потока рукописных символов, использование некоторой единой модели представляется затруднительным. Очевидное решение в данном случае - последовательное применение моделирующих инструментов. Обобщая рассмотренный пример применительно к более сложным ситуациям, можно вести речь о перспективах развития интеллектуальных комплексов в виде построения многофункциональных и, соответственно, мультимодульных структур.
Формулируемые в настоящей статье положения по организации мультимодульных интеллектуальных систем можно рассматривать, как постановочные, требующие дополнительных исследований и конкретизации. Данные предложения базируются на результатах работ кафедры Вычислительной Техники Южного Федерального Университета по созданию систем управления мобильных роботизированных платформ и изложены в документе «Отчет о научно - исследовательской работе: «Разработка и исследование принципов построения адаптивных высокопроизводительных интеллектуальных вычислительных комплексов для необитаемых мобильных роботизированных платформ коллективного сбора и обработки информации о многомерной проблемной среде».
Одной из основных предназначений интеллектуальных систем для мобильных роботизированных комплексов является исполнение функций анализа обстановки и принятия решений (АОиПР). Общую схему процесса АОиПР можно представить в виде структуры, включающей определенную последовательность стадий [1]:
Обработка информации о внешней среде (включая информацию о составляющих среду элементов);
Построение моделей среды и ее элементов;
Прогнозирование развития ситуации;
Формирование решения;
Формирование программы действия.
Данная схема, сформированная на основе общего информационного подхода, должна быть уточнена с учетом особенностей конкретной предметной области.
В указанном контексте следует отметить, что наиболее распространенной сферой применения как собственно мобильных платформ, так и их объединений являются задачи наблюдения, охраны и противодействия, что можно обозначить как «наблюдение и противодействие (НиП)».
Решение задач НиП в рамках АОиПР предлагается представлять в виде определенной конвейерной линии (КЛ) обработки и преобразованию информационных объектов в соответствии с нижеприводимой таблицей 1.
Таблица 1
Фрагментированная схема анализа обстановки и процессов принятия решения
№ стадии ИСХОДНЫЙ объект ФУНКЦИОНАЛ ФОРМИРУЕМЫЙ ОБЪЕКТ
АНАЛИЗ СИТУАЦИИ
1. Обстановка в зоне ответственности (реальное представление) Сканирование обстановки: Системы технического зрения (СТЗ); Локальные системы сканирования. Физическое представление обстановки
2. Физическое представление обстановки Обработка аномалий/ идентификация субъектов обстановки (СО): Детектирование аномалий; Распознавание аномалий/ идентификация субъектов обстановки (СО); Формирование портретов СО Логическое представление СО
3. Логическое представление СО Формирование общего представления обстановки Логическое представление общей обстановки (Цифровая карта обстановки - ЦКО)
ФОРМИРОВАНИЕ РЕШЕНИЯ
4. ЦКО Формирование влияющих параметров модели принятия решений (МПР) Влияющие параметры МПР
5. Текущее состояние МПР; Определение нового состояния МПР Новое состояние МПР - иден-
Влияющие параметры МПР - идентификация текущего решения тификатор текущего решения
Таблица составлена авторами.
Ст. 1. Процессы сканирования окружающей обстановки, как и собственно программные и технические средства сканирования, относятся к одному из двух классов, которые можно обозначить как «видеопотоки» и «локальные параметры, описывающие отдельные характеристики обстановки». Видеопотоки формируются системами технического зрения и представляют собой массивы пиксельных матриц.
Для получения значений локальных параметров используются индивидуальные измерители, например -лазерные дальномеры, ультразвуковые сонары. Получаемая на данном этапе информация будет обозначаться, как «физическое представление обстановки». Следует отметить, что порядок наблюдения (приоритеты назначаемых к первоочередному обследованию зон и назначение адекватных средств наблюдения) регламентируется соответству-
ющим планом. Подобный план-регламент формируется как некоторый опорный экземпляр и корректируется на основе результатов анализа текущей ситуации.
Ст. 2.Данная общая стадия организована в виде последовательности трех функционалов. Первый функционал предназначен для детектирования аномальных зон, зон из сферы ответственности, которые требуют дополнительного обследования с целью последующего распознавания/ идентификации вызвавших данную аномалию проявлений.
Второй функционал на основе дополнительного обследования обнаруженных аномальных зон выполняет идентификацию субъектов, вызвавших обнаруженные аномальные проявления. При этом происходит информационное преобразование объекта «неизвестная аномалия» - в распознанный объект, например - «беспилотный летательный аппарат».
Третий функционал связан с формированием информационного описания субъекта (портрета субъекта) из аномальной зоны. Портрет формируется в составе статического, и динамического описаний.
Примеры динамических описаний: геолокация; наблюдаемые размеры; вектор движения. Организация информационных объектов, определяемых, как портреты субъектов, в достаточной степени проработаны в рамках виртуальных игровых сред, типа Star Craft [2].
Ст. 3. Логическое представление СО, содержащее информационные портреты субъектов, как элементов общей обстановки является информационной основой для формирования общей модели обстановки, которая будет обозначаться, как ЦКО. ЦКО организуется путем объединения паспортов субъектов с геолокацией зоны ответственности, что, в том числе соответствует представлениям из [2].
Кроме того, в состав ЦКО может включаться раздел, содержащий общие характеристики состояния (например: «затухающая степень пожара»). Следует отметить, что ЦКО является не только составным элементом КЛ, но и имеет самостоятельное значение. В определенных условиях ЦКО служит для оперативного представления информации персоналу.
Стадии 1 - 3 с точки зрения их функционального назначения можно объединить в рамках обобщенного этапа, обозначаемого, как «Анализ ситуации/ обстановки».
Ст 4, 5. Функционалы указанных стадий составляют обобщенный этап, именуемый, как «Формирование решений». Его исполнение основывается на использовании соответствующих моделей принятия решений (МПР). Решение задач на МПР в общем случае предполагает перевод модели из предыдущего состояния (МПР(пред)) в новое, текущее (МПР(тек)) под воздействием текущих параметров влияния окружающей среды (влЦКО(^):
[влЦКО(тек)]: [МПР(пред)] ^ [МПР(тек)] (1)
Это обуславливает необходимость введения в структуру КЛ функционала, обеспечивающего информационную связь ЦКО и МПР через параметры, которые были обозначены, как параметры влияния. Таким образом, выполнения переходного процесса от предыдущего состояния модели (пред) к текущему (тек) в соответствии с (1) требует исполнения подготовительной процедуры (Ст. 4), позволяющей согласовать представления ЦКО и МРП через параметры влияния (влЦКО).
Особенности информационной среды:исходя из вышеприведенного описания функционалов можно указать, что информационная среда, сопровождающая исполнение КЛ характеризуется такими особенностями:
а) динамика развития и преобразования информационных объектов,
б) иерархическое представление структуры.
Динамика информационной среды обуславливается тремя обстоятельствами, которые будут обозначаться:
Динамика представлений/ идентификаций;
Динамика структуры;
Динамика параметров субъектов.
Динамика представлений обуславливается последовательностью преобразования идентификаций объектов в процессе исполнении КЛ, отображенных в таблице: «реальная обстановка» ^ «физическое представление» ^ «логическое представление СО» ^ «ЦКО» ^ влЦКО(тек) ^ МРП(тек).
Динамика субъектов обуславливается изменением первичных параметров наблюдаемых субъектов, которые можно разделить на первичные и вторичные (производные). К числу первичных можно отнести скорость или вектор движения.
В соответствии с динамическими свойствами и иерархичностью построения информационной среды предлагается в качестве модели ее реализации предусматривается использовать модель динамического гиперграфа
[3].
Особенности инструментально-модельной среды: инструменты, реализующие функционалы КЛ рассматриваются применительно к двум группам задач, относящихся к каждому из упоминавшихся выше этапов: этапу анализа обстановки и этапу принятия решения. В зависимости от особенностей подлежащих решению задач, предусматривается применение как стандартных общепринятых инструментальных средств, так и специально формируемых моделей.
При решении задач 1 -ой группы, в качестве наиболее распространенных инструментов следует отметить аппараты сверточных нейронных сетей (СНС) или LSTM - моделей. Возможно использование и других моделей, таких, как сети адаптивного резонанса [4], вейвлет-анализ [5]. Явная популярность СНС, LSTM - сетей, положительный опыт использования других, в том числе и упомянутых выше модельных средств, тем не менее не позволяют сформулировать однозначные правила выбора модельного аппарата, гарантирующие получение адекватных результатов для конкретных условий применения. В соответствии с этим представляется целесообразной проработка вопроса о комбинированном, в том числе и альтернативном применении различных модельных инструментов.
Интеллектуальные средства принятия решения, применяемые на втором этапе или, используя общепринятое определение - «Интеллектуальные Системы Поддержки Принятия Решений (ИСППР) [6]», имеют богатую историю и развитый модельный аппарат, втом числе байесовские сети; модели теории игр; модели экспертных си-стем[7]. В последнее время все более широкое распространение получают марковские модели принятия решений
(ММПР) [8]. Учитывая достаточно высокую популярность и положительными практический опыт (особенно при создании игровых симуляторов [9]) предлагается использование в качестве интеллектуальной основы Марковскую модель.
Вместе с тем, предусматривается определенное развитие указанной модели, которое будет именоваться, как «формально - когнитивная Марковская модель». Формирование ФКММ предлагается осуществлять на основании нижеприводимых подходов.
Во-первых, учитывая определенную конструктивную близость Марковских, когнитивных и нейросетевых структур предлагается формирование модели и ее обучение осуществлять на базе технологии построения когнитивных структур.
Во-вторых, в различных сферах деятельности к настоящему времени наработано достаточно большое число традиционных формальных методов. Например, в области анализа и управления реальными применениями указать модели Лотки-Вольтеры; классическую модель Осипова-Ланчестера [10]. Результаты, получаемые за счет решений на формальных моделях, в рамках ФКММ определенным образом учитывается в процессе формирования окончательных решений. Подобное влияние формальных решений можно определить, как формальную составляющую общего решения.
В-третьих, в конкретных сферах применений систем АОиПР накоплены и до настоящего времени активно используются различного рода нормативные описания, подготовленные на основе анализа предыдущего опыта. Первичную основу указанных моделей составляют определенные методические и регламентирующие документы.
Предлагаемые подходы по совмещению когнитивной, формальной, директивной составляющих в рамках обобщенной модельной среды изложены в [11].
В заключение: рассматриваемые в настоящей статье решения направлены на формирование систем АОиПР в составе роботизированных платформ, причем, в целях их эффективного использования для систем, резидентных на мобильных носителях, планируется аппаратная реализация рассмотренных моделей, в соответствии с подходом, изложенным в [12].
Более того, предусматривается развитие предлагаемых решений применительно к коллективам роботизированных платформ и задачам группового управления. Это обуславливает в качестве перспективных направлений исследований рассмотрение ряда проблем, таких как:
организация асинхронного взаимодействия модельных структур в рамках общей ФКММ, для чего могут быть использованы мультиагентские механизмы [13];
формирование информационной среды на основе динамических гиперграфовых моделей;
организация обучения моделей на основе эффективных алгоритмов, например, биоинспирированных процедур [14].
Планируемые исследования рассматриваются, как естественное развитие работ, выполняемых на кафедре Вычислительной Техники ЮФУ и планируемом дальнейшем сотрудничестве по направлению когнитивное моделирование Московского государственного технического университета им. Н. Э. Баумана в рамках поставленной общей задачи по созданию интеллектуальных систем управления для мобильных роботизированных платформ и будут оформляться в рамках последующих публикаций и программно - аппаратных моделей.
Список литературы
1. Чернухин Ю.В., Приемко А.А. Моделирование поведения интеллектуальных агентов в динамических средах. Таганрог: Изд-во ТТИ ЮФУ, 2007. 233 с.
2. Шолле Ф. Глубокое обучение на Python. СПб.: Питер, 2018. 400 с.
3. Суворов А.В. Динамическое моделирование структур ГПС // Структурно-динамическое моделирование в автоматизированных системах. 2020. № 2. С. 60-65.
4. Буханов Д.Г. Определение состояния компьютерной сети на основе использования нейронных сетей АРТ. / Д.Г. Буханов, В.М. Поляков В.М., А.В. Смакаев // Вестник БГТУ им. В.Г. Шухова. 2017, №7. С. 157-163.
5. Дремин И.М. Вейвлеты и их использование. / И.М.Дремин, О.В.Иванов, В.А. Нечитайло // Успехи физических наук. Т.171. №5. С. 567-570.
6. Терелянский П.В. Системы поддержки принятия решений. Опыт проектирования: монография. Волгоград: ВолгГТУ, 2009. 127 с.
7. Башлыков А.А., Еремеев А.П. Основы конструирования интеллектуальных систем поддержки принятия решений в атомной энергетике: учебник. М.: ИНФРА-М, 2019. 351 с.
8. Родзин С.И. Искусственный интеллект: учеб. пособие. Таганрог: ИКТИБ ЮФУ, 2015. 148 с.
9. Silver D. Mastering the game of go without human knowledge // Nature. 2017. Т. 550. №. 7676. P. 354-359.
10. Вольтерра В. Математическая теория борьбы за существование. М.: Наука, Главная редакция физико-математической литературы, 1976. 288 с.
11. Гузик В.Ф. Принципы организации формально-когнитивных моделей / В.Ф. Гузик, Е.Р. Мунтян, С.А. Черный, А.В. Шестаков // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и Технические Науки. 2020. №11. С. 67-70.
12. Гузик В.Ф. Организация настраиваемого аппаратного нейровычислителя. / В.Ф. Гузик, Ляпунцова Е.В., С.А. Черный, А.В. Шестаков // Международный научно- исследовательский журнал. 2019. №113 (11). С. 19 -22.
13. Каляев И.А. Самоорганизация в мультиагентных системах. / А.И Каляев, А.Р. Гайдук, С.Г. Капустян // Самоорганизация в мультиагентных системах. Известия ЮФУ. Технические науки. 2010. №3(104). С. 14-20.
14. Родзин С.И. Теоретические вопросы и современные проблемы развития биоинспирированных алгоритмов оптимизации / С.И.Родзин, В.В. Курейчик // Теоретические вопросы и современные проблемы развития биоинспирированных алгоритмов оптимизации. Кибернетика и программирование. 2017, №3. 78 с.
Гузик Вячеслав Филиппович, д-р техн. наук, профессор, [email protected], Россия, Таганрог, Южный Федеральный университет,
Черный Сергей Александрович, канд. техн. наук, доцент, [email protected], Россия, Таганрог, Южный Федеральный университет,
Шестакова Александр Валентинович, канд. техн. наук, доцент, [email protected], Россия, Таганрог, Политехнический институт (филиал) Донского государственного технического университета в г. Таганроге,
Ляпунцова Елена Вячеславовна, д-р техн. наук, профессор, [email protected], Россия, Москва, Московский государственный технический университет им. Н.Э. Баумана
THE ORGANIZATION IS FRAGMENTED INTELLIGENT ANALYSIS SYSTEM ENVIRONMENT AND DECISION-MAKING
FOR MOBILE ROBOTIC PLATFORMS
V.F. Guzik, S.A. Chernyy, A.V. Shestakov, E.V. Lyapuntsova
This article describes approaches to the construction of structured decision-making systems, taking into account the application of the formal cognitive Markov model. The authors propose to modify the basis of the classical Markov decision-making scheme. The analysis of the current state of the application of intelligent models is carried out.
Key words: Markov model, intelligent decision-making systems, digital environment map, LSTM networks, con-volutional neural networks. cognitive models.
Guzik Vyacheslav Filippovich, doctor of technical sciences, professor, vfguzik@sfedu. ru, Russia, Taganrog, Southern Federal University,
Chernyy Sergey Alexandrovich, candidate of technical sciences, docent, [email protected], Russia, Taganrog, Southern Federal University,
Shestakov Alexander Valentinovich, candidate of technical sciences, docent, trtualval@rambler. ru, Russia, Taganrog, Polytechnic Institute (branch) Don State Technical University in Taganrog,
Lyapuntsova Elena Vyacheslavovna, doctor of technical sciences, professor, lev86@bmstu. ru , Russia, Moscow, Bauman Moscow State Technical University
УДК 621.396.96
Б01: 10.24412/2071-6168-2024-8-357-358
ОБЩИЕ ВОПРОСЫ УПРАВЛЕНИЯ ГРУППОЙ МАЛОГАБАРИТНЫХ МОБИЛЬНЫХ ПЛАТФОРМ
Д.В. Алтунин
Рассмотрен вопрос организации управления малогабаритными мобильными платформами, представлена иерархия системы управления группой малогабаритных мобильных платформ, предложен алгоритм управления траекторией движения группы малогабаритных мобильных платформ.
Ключевые слова: малогабаритные мобильные платформы, иерархия системы, алгоритм взаимодействия
системы.
На сегодняшний день применение малогабаритных мобильных платформ (ММП) широко развивается в гражданской отрасли. К наиболее перспективному направлению развития данного типа устройств следует отнести переход к групповому взаимодействию ММП между собой, для выполнения задач различного назначения. Наиболее ярким примером необходимости обеспечения группового взаимодействия малогабаритных мобильных платформ, является разработка антенных решеток, в которых каждый элемент мобильной платформы является носителем единичного радиоизлучателя.
Существует несколько основных методов управления группой ММП, это централизованный, распределенный и роевой методы. В первом случае все участники группы взаимодействуют с одним главным или «лидирующим» устройством, в большинстве источников данный метод называется «ведущий - ведомые». Ключевым недостатком данной системы является отсутствие на «ведомых» устройствах информации о состоянии других членов системы. Выполнение краевой задачи в данном случае достигается за счет непосредственно лидирующего устройства, одной из основных задач которого является осуществление передачи полезной информации каждому участнику системы, и анализ поступающей информации от них.
Распределенный метод заключается в обмене информацией о своем текущем состоянии между всеми участниками системы. Реализация данного метода накладывает высокие требования по обеспечению информационного обмена между всеми участниками, однако в разы повышает как эффективность системы, так и прикладные возможности системы в целом.
Особый интерес представляет собой модель роевого управления группой малогабаритных мобильных платформ. В основе роевого управления лежит получение полезной информации от небольшого количества ближайших участников группы ММП, что в свою очередь напрямую влияет на дальность связи и энергозатраты для обеспечения обмена данными. При организации роевой модели, информация, собранная каждым устройством, в
