CC BY
17РЕАЛИЗАЦИЯ ИНТЕЛЛЕКТУАЛЬНОЙ ТЕХНОЛОГИИ
ИММУНОСЕТЕВОГО УПРАВЛЕНИЯ СЛОЖНЫМИ ОБЪЕКТАМИ НА СОВРЕМЕННОМ ОБОРУДОВАНИИ ПРОМЫШЛЕННОЙ АВТОМАТИЗАЦИИ
Г. А. Самигулина, З. И. Самигулина*
Институт проблем информатики и управления Министерства образования и науки Республики Казахстан, 050010, Алма-Ата, Казахстан, * Казахский национальный технический университет им. К. И. Сатпаева,
050013, Алма-Ата, Казахстан
УДК 004.89
Рассматривается проблема интеллектуализации систем промышленной автоматизации. Предложены технологии сбора данных с реальных сложных объектов на оборудовании S^neider Electric и организации информационного обмена с интеллектуальной системой управления на основе подхода искусственных иммунных систем.
Ключевые слова: интеллектуальные системы управления, искусственные иммунные системы, промышленная автоматизация, оборудование S^neider Electric.
This article describes the issues of intellectualization of industrial automation systems. The technology of data collection with real complex objects on the Schneider Electric equipment and organization of information exchange with intelligent control system based on the approach of artificial immune systems.
Key words: intellectual control systems, artificial immune systems, industrial automation, equipment Schneider Electric.
Введение. В настоящее время активно развиваются прикладные области науки, связанные с созданием различного рода технических систем, которые обладают высокой степенью автономности, адаптивности, надежности и качества функционирования в условиях неопределенности. Актуальными задачами современного общества являются управление сложными системами на основе обработки и анализа огромных потоков данных и применение новых нетрадиционных подходов при построении интеллектуальных систем управления на основе биологического подхода искусственных иммунных систем (ИИС). Существует множество моделей и алгоритмов построения интеллектуальных систем автоматического управления на основе ИИС, которые используются в разных отраслях науки и техники.
Работа [1] отражает основные принципы построения интеллектуальных систем для обнаружения компьютерных атак и вредоносных программ. Для поиска компьютерных вирусов используется подход, базирующийся на объединении искусственных иммунных и нейронных сетей. В работе [2] представлено применение мультиагентной ИИС для адаптивной регистрации повреждений в распределенной сети мониторинга искусственных сооружений. Диагностика повреждений для мобильных агентов и алгоритм иммунного распознавания образов были протестированы с использованием бенчмарка стального моста.
Задача прогнозирования значений временных рядов на основе аппарата ИИС была рассмотрена в работе [3]. Предложена реализация алгоритма клонального отбора для получения аналитической зависимости, которая описывает известные значения временного ряда и обеспечивает прогноз будущих значений. Целью исследования [4] является предложение нового подхода к анализу катастрофоустойчивости информационных систем, построенного по принципу биоаналогии на базе технологии ИИС. Решаются задачи обоснования возможности применения ИИС для описания и моделирования этих систем, определения принципов функционирования информационной системы и синтеза модели. В результате исследования выделяются целевые характеристики иммунной системы, предлагается модель информационной системы с применением иммунного подхода, описывается процесс подбора решений на основе механизма иммунного ответа.
В работе [5] рассматривается обобщенный подход к анализу сходимости иммунных алгоритмов (ИА) в зависимости от используемых иммунных операторов. Показано, что ИА сходятся полностью и в среднем к глобальному оптимуму, пока к антителам применяются операторы мутации и старения. Анализ сходимости ИА основан на выполнении двух условий:
— в результате мутации можно достичь оптимального состояния за один шаг;
— как только оптимальное состояние будет найдено, оно сохранится в популяции и не будет утеряно. Только операторы мутации и селекции, вносящие изменения в антитела, способствуют поиску оптимума.
Для решения задачи классификации предлагаются использование метода приоритетного последовательного клонирования с конкурентно-целевым отбором клонов, применение общих критериев отбора клеток и метода дополнительного разброса в ограниченных областях при восстановлении классов. В случае неполной классификации объектов производится формирование дополнительных классов [6]. В работе [7] рассмотрен подход ИИС для ассоциативной классификации (АК), который является перспективным для использования ассоциативных правил и построения ассоциативных классификаторов на основе клональной селекции иммунной системы. На основе критерия среднего разброса следа матрицы улучшенная ИИС представлена в [8].
Работа [9] посвящена ИИС для мониторинга состояния на основе минимизации евкли-дового расстояния в оценке связывания антигенов. Также ИИС применяются для решения динамических задач условной оптимизации [10]. Предлагаемый подход основан на динамических ограничениях Т-клетки, алгоритм адаптации которого первоначально был разработан для статистических задач с ограничениями. Механизмы, описанные в работе, проверены с помощью динамической задачи с одиннадцатью ограничениями, которая включает в себя следующие сценарии: динамическая целевая функция со статическими ограничениями, статическая целевая функция с динамическими ограничениями, динамическая целевая функция с динамическими ограничениями.
В работе [11] рассматривается новый подход к контролю и диагностике информационных процессов в распределенных компьютерных и сенсорных сетях, основанный на использовании методов теории ИИС. Объектами иммунологического мониторинга являются информационные трафики контролируемых процессов, аномалии в которых обнаруживаются с использованием механизма иммунного распознавания.
1. Постановка задачи. Актуальным направлением ИИС является подход, основанный на математической реализации механизмов молекулярного узнавания. Данный подход [12] оперирует понятием формального пептида. Разработана интеллектуальная технология про-
гнозирования и управления сложными объектами с различными видами неопределенностей параметров на основе рассматриваемого подхода. Ниже приведены основные этапы:
— формирование баз данных;
— классификация решений (безопасный, опасный и аварийный режимы функционирования) ;
— предобработка данных;
— построение оптимальной иммуносетевой модели;
— решение задачи распознавания образов на основе определения минимальной энергии связи между пептидами;
— расчет коэффициентов риска прогнозирования на основе оценки энергетических погрешностей по гомологам [13];
— прогноз данных, принятие решений на основе ИИС и оперативное управление системой.
Постановка задачи формулируется следующим образом: необходимо реализовать интеллектуальную систему управления на основе ИИС на современном оборудовании промышленной автоматизации S^neider Electric с целью практического внедрения данной технологии в производство.
2. Организация информационного обмена для построения оптимальных им-муносетевых моделей сложных объектов.
2.1. Архитектура системы управления на предприятии. Для построения оптимальной иммуносетевой модели сложного объекта необходимо правильно организовать информационный обмен между ключевыми элементами системы автоматического управления. В настоящее время с учетом требований стандартов функционирования промышленных объектов управления в архитектуре выделяют четыре основных уровня, объединенных промышленными сетями как в пределах каждого уровня, так и между уровнями [14]. На рис. 1 представлена архитектура системы управления на предприятии.
На нижних уровнях расположены полевые устройства, которые содержат в себе устройства автоматики: электрическое оборудование, датчики, интеллектуальные устройства и исполнительные механизмы. На более высоком уровне расположено автоматическое управление, которое реализуется с помощью программируемых логических контроллеров с модулями ввода/вывода, объединенных в единую информационную сеть. На самом верхнем уровне функционирует специальное программное обеспечение для организации работы в реальном времени систем сбора, обработки, отображения и архивирования информации.
При организации сбора данных с реального объекта для построения оптимальных имму-носетевых моделей используется информационная система, объединенная по сети Ethernet, в которой отражены все уровни архитектуры системы управления промышленным предприятием. Основными характеристиками такой системы являются: объем информации при передаче, необходимое время реакции.
2.2. Технология сбора данных на оборудовании Schneider Electric. Для сбора данных в реальном времени с помощью оборудования Schneider Electric разработан следующий алгоритм.
1. Построение сети Ethernet c ключевыми элементами системы автоматического управления (рис. 1).
2. Тестирование каналов связи.
3. Настройка сети Ethernet в пакете прикладных программ Unity Pro для программирования логических контроллеров (Modicon M340).
Рис. 1. Архитектура системы управления на предприятии
4. Выбор типа передачи данных (использование IO scanning или встроенных FBD блоков для считывания и записи передаваемых битов).
5. Использование технологии OPC (OLE for Process Control) с помощью дополнительных программ OPC Factory Server (Schneider Electric) [15].
6. Формирование баз данных.
7. Обработка и анализ данных по технологии ИИС и оперативное управление системой.
Для построения сети Ethernet необходимо создать локальную сеть для связи компьютеров, контроллера и объекта управления (рис. 2). Сеть передачи данных может использовать физический носитель или беспроводное соединение Wi-Fi.
При построении локальной сети нужно учитывать основные правила:
— необходимо, чтобы у всех устройств системы были IP-адреса;
— все устройства должны иметь свой уникальный адрес (запросы могут осуществляться с компьютера);
— устройства должны располагаться в одной подсети [sub network].
Помимо IP-адресов компьютеров, необходимо задать IP-адреса контроллера (Modicon M340), при этом в комплектации должен быть Ethernet модуль (NOE 0110) для работы с сетью. Для этого в программе Unity Pro создается конфигурация всех модулей контроллера (рис. 3).
Далее необходимо присвоить IP-адреса модулю CPU (центральному процессору контроллера) и карте NOE 0110 (см. таблицу). При осуществлении конфигурации каждого элемента
ïiwitnh 7 S wit г h п
Control Plant
Рис. 2. Соединение по сети Ethernet
Рис. 3. Конфигурация сетевой карты в Unity Pro
Таблица
IP-адреса локальной сети для сбора данных
Наименование оборудования IP-адрес Маска подсети
ПК 1 192.168.1.1 255.255.255.0
ПК 2 192.168.1.2 255.255.255.0
CPU (Ethernet 1) 192.168.1.3 255.255.255.0
NOE (Ethernet 2) 192.168.1.4 255.255.255.0
сети также задается маска подсети (рис. 4). Также разрешается IO scanning для сбора данных с объекта.
Чтобы разрешить использование функции IO scanning, необходимо во вкладке "Module Utilities" выбрать "Yes".
В готовом виде сеть будет выглядеть следующим образом (рис. 5), при этом со стороны NOE 0110 будет отправляться запрос на switch.
Рис. 4. Конфигурация сети Ethernet в Unity Pro
Modicon М340
Рис. 5. Соединение по локальной сети
После конфигурации всех устройств необходимо протестировать сеть. Можно использовать специальные программы — анализаторы трафика для компьютерных сетей Ethernet (например, Wire Shark).
Далее для сбора данных с объекта управления применяется встроенная функция IO scanning в программе Unity Pro или осуществляется побитовая передача данных с использованием функциональных блоков для записи и чтения переменных технологического процесса. Переменные записываются в формате WORD, в одном слове можно передать 16 бит информации. Пример передачи значений с помощью функций записи и чтения показан на рис. 6,7.
Далее формируются базы данных со значениями переменных, которые используются для анализа и обработки на основе технологии ИИС [16].
Заключение. Достоинство данного подхода заключается в интеллектуализации процесса сбора и обработки многомерных данных с динамических промышленных объектов управления, которая сочетает в себе применение современного производственного оборудования фирмы Schneider Electric и новейших разработок в области искусственного интеллекта — искусственных иммунных систем.
FBI 1
Рис. 6. Использование функционального блока 'етп1е_уаг для записи значения переменных в слово
Рис. 7. Использование функции read_var для считывания слов
Name ж Value Type т
В 1 ] îïMW0:1 ARRAY[0..0] OF INT
• %MW0[0] 3 INT
0-1 B^MW40:4 ARRAY[0..3] OF INT
• %MW40[0] 2tt0110_0111_0000_0000 INT
• %MW40[1] 3 INT
• 5iMW40[2] 0 INT
• 5iMW40[3] 1 INT
01 ] 5Smw20:2 ARRAY[0..1] OF INT
• 5iMW20[0] 17 INT
• 5iMW20[1] 4 INT
01 ] %mw70:4 ARRAY[0..3] OF INT
• %MW70[0] 5632 INT
• %MW70[1] 3 INT
• %MW70[2] 0 INT
• %MW70[3] 4 INT
*
Рис. 8. Отображение считываемых данных в анимационной таблице
На разработанное программное обеспечение получены авторские свидетельства о государственной регистрации объекта интеллектуальной собственности и акт внедрения в ТОО "Шнейдер Электрик" (Алма-Ата, Казахстан).
Список литературы
1. Головко В. А., БЕЗОВРАЗОВ С. В. Проектирование интеллектуальных систем обнаружения аномалий // Труды Междунар. конф. "Открытые семантические технологии проектирования интеллектуальных систем" (08Т18-2011). Беларусь, 2011. С. 185-196.
2. ШАБЕЛЬНИКОВ В. А. Мультиагентная искусственная иммунная система для адаптивной регистрации повреждений в распределенной сети мониторинга // Изв. Волгогр. гос. техн. ун-та. 2011. №11. С. 100-104.
3. Демидова Л. А., Корячко А. В., СкворцовА Т. С. Модифицированный алгоритм кло-нального отбора для анализа временных рядов с короткой длиной актуальной части // Сист. управления и информ. технологии. 2010. №4. С. 131-136.
4. АткинА В. С. Применение иммунной сети для анализа катастрофоустойчивости информационных систем // Изв. Юж. федер. ун-та. Сер.: Техн. науки. 2011. №12. C. 203-210.
5. Кораблев Н. М., Макогон А. Э., Фомичев А. А. Анализ сходимости иммунных алгоритмов // Сист. обработки информ. 2011. №2(92). С. 29-33.
6. Кораблев Н. М., Фомичев А. А. Классификация объектов на основе искусственных иммунных систем // Сист. обработки информ. 2010. №6(87). С. 13-17.
7. Samir A. Mohamed Elsayed, Sangutheyar Rajasekaran, Reda A. Ammar. An Artificial immune systems approach to associative classification // Comput. Sci. and its Appl. Springer-Verlag, Berlin, Heidelberg, 2012. №7333. P. 161-171.
8. Xiaoyang Fu, Shuqing Zhang. An improved artificial immune recognition system based on the average scatter matrix trace criterion // Advances in Swarm Intelligence. Springer-Verlag, Berlin, Heidelberg, 2012. №7331. P. 284-290.
9. Montechiesi L., Cocconcelli M., Rubini R. Artificial immune system for condition monitoring based on Euclidean distance minimization // Condition Monitoring of machinery in non-stationary operations. Springer-Verlag, Berlin, Heidelberg, 2012. P. 329-337.
10. Victoria S. Aragon, Susana C. Esquiyel, Carlos A. Coello. Artificial immune system for solving dynamic constrained optimization problems // Meta Heuristics for Dynamic Optimization. Springer-Verlag, Berlin, Heidelberg, 2013. №433. P. 225-263.
11. Ковалев С. М., Каменский В. В., Терновой В. П. Модели информационных трафиков и методы их идентификации в распределенных системах диспетчерского управления. // Вестн. Ростов. гос. ун-та путей сообщения. 2012. №3. C. 53-64
12. Tarakanoy A. O. Formal peptide as a basic of agent of immune networks: from natural prototype to mathematical theory and applications // Proc. of the 1st Intern. workshop of central and Eastern Europe on multi-agent systems (CEEMAS'99). St. Petersburg. June 1-4. 1999. P. 281-292.
13. Samigulina G. Development of the decision support systems on the basis of the intellectual technology of the artificial immune systems // Automatic and remold control. Springer. 2012. V. 74. №2. P. 397-403.
14. ЗАО "Шнейдер Электрик". Руководство по решениям в автоматизации. Практические аспекты систем управления технологическими процессами / Под ред. Фролова Ю. А., Хохловского В. Н. [Режим доступа]: http://www.schneider-electric.ru.
15. Warin Ph. Введение в промышленную автоматизацию. М.: Шнейдер Электрик, 2005.
16. Samigulina G. A., Samigulina Z. I. Intellectualization of the data processing in the complex systems of the industrial automatization with the equipment Schneider Electric // Proc. of the 8-th Intern. conf. "New electrical and electronic technologies and their industrial implementation", Zakopane (Poland), June 18-21. 2013. P. 50.
Самигулина Галина Ахметовна — д-р техн. наук, доц., зав. лабораторией Института проблем информатики и управления Министерства образования и науки
Республики Казахстан, е-mail: [email protected];
Самигулина Зарина Ильдусовна — PhD-докторант Казахского национального университета им. К. И. Сатпаева, е-mail: [email protected]
Дата поступления — 15.08.2013
