CC BY
43
Владимир Алексеевич Бородин
чл.-кор. РАН, ген. дир. Экспериментальный завод научного приборостроения РАН Росссия, Москва Эл. почта: bor@ezan.ac.ru
Vladimir Alekseevich Borodin
Corresponding Member of the RAS, General Director Experimental plant of scientific instrumentation of the RAS Russia, Moscow E-mail: bor@ezan.ac.ru
УДК 004.89 Г.А. Самигулина1, З.И. Самигулина2
ГРНТИ 28.23 1Институт информационных и вычислительных технологий КН МОН РК
2Казахстанско-Британский Технический Университет
РАЗРАБОТКА КОГНИТИВНЫХ АГЕНТОВ ДЛЯ SMART СИСТЕМЫ УПРАВЛЕНИЯ*
В статье представлена разработка когнитивных агентов для мультиагентной Smart системы автоматизированного управления сложными объектами нефтегазовой отрасли на основе модели «убеждений, желаний и намерений» (Belief-Desire-Intention, BDI) и модифицированных алгоритмов искусственных иммунных систем.
Ключевые слова: мультиагентная Smart система управления, модельно-ориентированный подход (Model Driven Architecture, MDA), модель Belief-Desire-Intention (BDI), искусственные иммунные системы, модифицированные алгоритмы, когнитивные агенты.
G.A. Samigulina1, Z.I. Samigulina2
institute of information and computing technologies KN MES RK
2Kazakh-British Technical University
DEVELOPMENT OF COGNITIVE AGENTS FOR SMART CONTROL SYSTEM
The article presents the development of cognitive agents for multi-agent Smart system of automated control of complex objects of the oil and gas industry based on the model of "beliefs, desires and intentions" (Belief-Desire-Intention, BDI) and modified algorithms of artificial immune systems. Keywords: multi-agent Smart control system, model-oriented approach (Model Driven Architecture, MDA), Belief-Desire-Intention (BDI) model, artificial immune systems, modified algorithms, cognitive agents.
Введение
В настоящее время управление современными промышленными предприятиями осуществляется с помощью сложных распределённых систем, выполняющих функции мониторинга, контроля, сбора данных и диагностики оборудования при этом огромный массив производственных данных не подвергается дальнейшему анализу. В связи с этим актуальна разработка Smart системы управления, способной использовать последние достижения в области искусственного интеллекта (ИИ), а также когнитивных технологий для анализа производственных данных, прогнозирования и принятия решений в условиях промышленной эксплуатации.
Для создания подобных систем хорошо зарекомендовал себя модельно-ориентированный подход (Model Driven Architecture, MDA) [1,2]. Архитектура MDA позволяет разрабатывать модели предметной области исследователям, не владеющим навыками программирования на основе языка UML или онтологических моделей [3] и реализовывать их на различных программных платформах. В области управления сложными объектам также широко применяются мультиагентные системы (Multi-Agent System, MAS). Например, исследования [4] посвящены разработке распределённой адаптивной системы робастного управления на основе нейронных сетей для класса нелинейных мультиагентных систем с запаздыванием и внешними шумами. Последней тенденцией в области агентно-ориентированной разработки программного обеспечения является объединение подходов MDA и MAS для обеспечения наиболее быстрой и эффективной реализации мультиагентных
* Работа выполнена по гранту №АР05130018 КН МОН РК, по теме: «Разработка когнитивной Smart-технологии для интеллектуальных систем управления сложными объектами на основе подходов искусственного интеллекта» (2018-2020 гг.).
Информационные технологии в науке, образовании и управлении систем на различных платформах [5]. Однако, с ростом вычислительных мощностей увеличивается и сложность мультиагентных систем, что представляет трудности для специалистов по моделированию, а также способствует увеличению временных затрат [6]. В связи с этим актуальна разработка когнитивных агентов на базе модели BDI «убеждений, желаний и намерений», которая является гибкой с точки зрения управления сложным поведением агентов и характеризуется низкими вычислительными затратами, а также доступна пользователям, не владеющим навыками программирования и ИИ.
Системы MAS являются мощным инструментом для внедрения перспективных биоинспири-рованных алгоритмов ИИ, искусственных иммунных систем (ИИС) в реальное производство. Подход ИИС [7] и модифицированные алгоритмы [8] на их основе обладают памятью, автономностью, адаптивностью и позволяют разрабатывать эффективные приложения для управления сложными объектами нефтегазовой отрасли.
Цель исследований
Постановка задачи формулируется следующим образом: необходимо разработать когнитивные агенты на основе модели Belief-Desire-Intention для мультиагентной Smart системы управления сложными объектами на примере реального технологического процесса по очистке газа от кислых компонентов в абсорбере среднего давления на Установке 300 комплексно-технологической линии 1 предприятия ТенгизШевройл (Казахстан).
Рассмотрим архитектуру Smart системы управления на основе подходов: MDA, MAC и BDI (Рисунок 1). Мультиагентная Smart система [9,10] разрабатывается с помощью онтологических
моделей предметной области и формирует платформо-
независимую модель (Platform Independent Model, PIM). Затем модели PIM трансформируются в платформо-зависимые модели (Platform Dependent Model, PMD).
Далее разрабатываются когнитивные агенты с помощью модели «убеждений, желаний и намерений» (Рисунок 2). Модель BDI состоит из следующих частей: Belief -внутренние представления агента об окружающем мире, в нашем случае показания с датчиков и систем мониторинга; Desire - цели, которые агент хотел бы достичь, данный параметр обновляется во время моделирования (например, технологические задачи функционирования комплексно-технологической линии); Intentions - что выбрал агент, какой план функционирования системы (например, сценарий 1. Срабатывание тревоги - загорается «Alarm», состояние сигнализации - сигнализация включена «ON»). Сведения об убеждениях хранятся в базе данных «DB_B», база данных «Events» содержит цели для осуществления обработки событий, намерения расположены в базе данных «Plans». По результатам взаимодействия когнитивных агентов осуществляется оперативное управление сложным объектом.
Разработанные агенты Smart системы управления хранятся в контейнерах, распределённых по функциональному назначению (Рисунок 3). Главный контейнер содержит системные агенты: Agent Management System и Directory Facilitator. Другие контейнеры состоят из агентов: предварительной обработки данных, прогнозирования, оценки эффективности алгоритмов и т.д. Спецификация функций агентов представлена в таблице 1.
муль тиагентнап SMART технология
упярвления сложными otíi.ejнпяят
Рис. 1. Мультиагентная Smart система управления сложными объектами на основе MDA и BDI
желания Desire Цели для достижения
Технологические задачи функционирования КТЛ:
- поддержка заданных параметров регуляторов;
- мониторинг состояния датчиков;
- обеспечение безотказной работы оборудования;
- осуществление прогноза аварийных ситуаций.
Events
намерения Intensions Осознанный выбор агента
Сценарии поведения системы: Сценарий 1. Тревога - «Alarm», сигнализация «ON»; Сценарий 2. Тревога - «Hight», Сигнализация «OFF». Сценарий 3. Тревога - «Low», Сигнализация «OFF».
Сценарий N. Тревога - «Record and Print», Сигнализация «Prohibited»
Оперативное управление
Рис.
2. Укрупнённая модель BDI
Рис. 3. Схема взаимодействия агентов для мультиагентной Smart системы управления Таблица 1. Спецификация функций агентов
Компонент Символ Описание
Агент БД онтологий K1A1 Агент содержит онтологии алгоритмов искусственного интеллекта (ИИС, РИ, ГА и т.д.).
Агент менеджер Smart технологии K1A2 Агент осуществляет общий контроль за функционированием предложенной SMART технологии.
Агент БД показаний с датчиков K1A3 Агент содержит суточные замеры показаний с датчиков исследуемого сложного объекта
Система управления агентами AMS Инструмент для управления агентами, позволяет создавать и удалять агенты, содержит пространство имён агентов (Agent Management System).
Менеджер директорий DF Представляет возможность агентам публиковать информацию о сервисах, а также вступать в переговоры между агентами (Directory Facilitator).
Агент BDI B K2A1 Агент содержит набор убеждений модели BDI (суждений об окружающем мире).
Агент BDI D K2A2 Агент содержит цели для достижения, технологические задачи но работе комплексно-технологических линий.
Агент BDI I K2A3 Агент представляет собой осознанный выбор агента на основе выбора одного из сценариев для последующей корректировки процесса.
Агент предварительной обработки данных K3A1 Агент содержит алгоритмы предварительной обработки для улучшения качества данных.
Агент снижения размерности данных K3A2 Агент состоит из алгоритмов выделения информативных дескрипторов для редукции данных.
Агент прогнозирования K4A1 Агент содержит алгоритмы решения задачи классификации на основе методов искусственного интеллекта.
Агент ИИС K4A2 Агент включает в себя перспективные методы искусственных иммунных систем.
Агент оценки эффективности алгоритмов K5A1 Агент содержит сведения об оценках эффективности алгоритмов но результатам процедуры выделения информативных признаков и решения задачи классификации.
Агент нечёткой логики K5A2 Агент реализует механизм выбора наилучшего модифицированного алгоритма.
Таким образом, разработанная мультиагентная Smart система управления сложными объектами сочетает в себе достоинства подходов MDA, MAS и BDI. Является перспективным инструментом для анализа и прогноза многомерных производственных данных в условиях промышленной эксплуатации и обладает свойствами самоорганизации, адаптивности и отказоустойчивости.
Выводы
Авторы считают, что в данной работе новыми являются следующие положения и результаты:
- Разработана архитектура взаимодействия когнитивных агентов для синтеза мультиагентной SMART системы управления на основе модели «убеждений, желаний и намерений» Belief-Desire-Intention (BDI) в рамках концепции Model Driven Architecture (MDA);
- Описаны функции когнитивных агентов на примере сложного объекта предприятия Тен-гизШевройл абсорбера среднего давления, комплексно-технологической линии по очистке газа от кислых компонентов;
- Разработаны сценарии взаимодействия когнитивных агентов на основе анализа прогнозируемых событий при функционировании сложного объекта (абсорбера среднего давления).
Литература
1. Betari O., Filali S., Azzaoui A., Mohammed M.B. Applying a Model Driven Architecture Approach: Transforming CIM to PIM Using UML // International Journal of Online Engineering. 2018. Vol. 14. № 9. P. 171-181.
2. Chong S., Wong C., Jia H., Pan. H., Moore P., Kalawsky R., O'Brien J. Model Driven System Engineering for vehicle system utilizing Model Driven Architecture approach and hardware-in-the-loop simulation // Proceeding of IEEE International Conference on Mechatronics and Automation. 2011. P. 1451-1456.
3. Bucko B., Zabovska K., M. Zabovsky. Ontology as a Modeling Tool within Model Driven Architecture Abstraction // Proceeding of 42nd International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO). - Opatija, Croatia, Croatia, 2019. P. 1525-1530.
4. Ma H., Wang Z., Wang D., Liu D., Yan P., Wei Q. Neural-Network-Based Distributed Adaptive Robust Control for a Class of Nonlinear Multiagent Systems With Time Delays and External Noises //
Proceeding of IEEE Transactions on Systems, Man, and Cybernetics: Systems. 2016. Vol. 46. № 6. P. 750-758.
5. Kardas G. Model-driven development of multiagent systems: A survey and evaluation //The Knowledge Engineering Review. 2013. Vol. 28. № 4. P. 479-503.
6. Taillandier P., Bourgais M., Caillou P., Adam C., Gaudou B. A situated BDI agent architecture for the GAMA modelling and simulation platform // Proceeding of 17th International Workshop on Multi-Agent-Based Simulation. - Singapore, 2016. P. 3-23.
7. Sotiropoulos D., Tsihrintzis G. Artificial Immune Systems // Machine Learning Paradigms. Intelligent systems reference library. - Springer, 2017. P. 159-235.
8. Padmanabhan S., Chandrasekaran M., Ganesan S., Khan M., Navakanth P. Optimal Solution for an Engineering Applications Using Modified Artificial Immune System //Materials Science and Engineering. 2017. Vol. 173. P. 1-5.
9. Samigulina G.A., Massimkanova Zh.A. Multi-agent system for forecasting based on modified algorithms of swarm intelligence and immune network modeling // Proceeding of 12th International Conference Agents and Multi-agent Systems: Technologies and Applications (KES-AMSTA-18). 2018. P. 199-208.
10. Samigulina G.A., Samigulina Z.I. Development of Smart Technology for Complex Objects Prediction and Control on the Basis of a Distributed Control System and an Artificial Immune Systems Approach // Advances in Science, Technology and Engineering Systems. 2019. Vol. 4. № 3. P. 75-87.
Сведения об авторах
Галина Ахметовна Самигулина
д-р техн. наук, зав. лаб. Интеллектуальные системы
управления и прогнозирования
Институт информационных и вычислительных
технологий КН МОН РК
Казахстан, Алматы
Эл. почта: galinasamigulina@mail.ru
Зарина Ильдусовна Самигулина
докторант PhD
Казахстанско-Британский Технический Университет
Казахстан, Алматы
Эл. почта: zarinasamigulina@mail.ru
Information about authors
Yanina Viatcheslavovna Savanina
doctor of engineering, head of the laboratory Intelligent control and forecasting systems Institute of information and computing technologies KN MES RK Kazakhstan, Almaty E-mail: galinasamigulina@mail.ru
Zarina Ildusovna Samigulina
doctoral student
Kazakh-British Technical University
Kazakhstan, Almaty
E-mail: zarinasamigulina@mail.ru
УДК 517.521, 511.11 A.M. Sukhotin
ГРНТИ: 27.15.17; 27.23.15; 27.23.23 Irkutsk state university
NOVEL METHODICAL FEATURES INTO THE THEORY OF NUMBER SEQUENCES AND NUMBER SERIES
In our article, we use well-known mathematical texts except those whose correctness requires them to be changed by the different title of this paper: "Alternative Analysis is an Analysis without dogmas". We confirmed P. Cohen's forecast about continuum-hypothesis and estimated the quantity of all primes. Keywords: Finite and infinite sets, С-pair, impracticable mappings, bijection, Euclid's 8thAxiom, continuum-hypothesis, e-divergence, w-convergence, infinite larger numbers, prime numbers.
