CC BY
20
УДК 004.942
СЛЕДЯЩИЕ СИСТЕМЫ НА ОСНОВЕ МНОГОАГЕНТНЫХ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ И ИХ ПРИМЕНЕНИЕ НА ПРЕДПРИЯТИИ
Ю. В. Сажина1, Л. В. Липинский, А. С. Свиридова
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева
Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
1E-mail: yulia_klimec@mail.ru
Многоагентные интеллектуальные системы занимают прочные позиции при проектировании сложных информационных систем. Представлена информация о следящих системах и области их применения, о разработке модели многоагентной интеллектальной системы.
Ключевые слова: отказ оборудования, следящие системы, интеллектуальные системы, агент, многоагентные системы.
TRACKING SYSTEM BASED ON INTELLIGENT MULTI-AGENT SYSTEMS AND THEIR APPLICATION AT THE ENTERPRISE
U. V. Sazhina1, L. V. Lipinskiy, A. S. Sviridova
Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation 1E-mail: yulia_klimec@mail.ru
Multiagent intelligent systems occupy a strong position in the design of complex information systems. This paper provides information about the tracking systems and their applications, to develop a model of multiagent intelligent systems.
Keywords: failure of equipment, tracking systems, intelligent systems, agent, multi-agent systems.
Следящая система управления - вид системы автоматического управления, в которой заранее неизвестен вид управляющего воздействия. Обычно следящие системы предназначены для воспроизведения на выходе изменения управляющего воздействия, слежения за ним. Они представляют собой особый класс систем автоматического управления, в которых изменения происходят по любому закону. Входной сигнал непрерывно обрабатывается системой, при этом заданное входное воздействие, обрабатываемое системой, изменяется произвольно в широких пределах [1].
Следящие системы используют для различных целей. В качестве выходной величины следящей системы можно рассматривать совершенно различные величины. Одной из разновидностей следящих систем являются системы, получающие данные из внешней среды в реальном (и не только) времени и отслеживающие состояние данной среды. Например, состояние производственного оборудования. Задачей такой системы является предупреждение о возникновении вероятности отказа оборудования.
В процессе нормального функционирования промышленного предприятия его ремонтная служба решает задачи планирования ремонтных воздействий, запасных частей и трудовых ресурсов, необходимых для его осуществления. В основе планирования лежит прогнозирование сроков отказа деталей машин и механизмов. Известно, что при эксплуатации правильно спроектированной и эксплуатируемой детали машины или механизма предполагается воздействие на нее большого количества различных факторов, влияющих на изменение ее технического состояния, что приводит к постепенным отказам, когда повреждения в ней накапливаются в течение некоторого промежутка времени [2].
Существенной особенностью факторов, влияющих на изменение технического состояния детали или всего механизма, является колебание во времени, которое носит случайный характер.
Секция «Информационно-управляющие системы»
К факторам, оказывающим наиболее существенное влияние на скорость изменения технического состояния, относятся: технологические нагрузки, прочностные характеристики материала детали, ее геометрические размеры, а также соблюдение условий технологического процесса, качество технического обслуживания и ремонта и другие. Случайный характер рассмотренных факторов приводит к случайному характеру изменений технического состояния детали и, следовательно, сроков отказов [2].
Для решения задач прогнозирования отказов предложено множество моделей, отличающихся видом исходной информации, методами ее анализа и формой представления результатов. В данной статье предложена модель следящей системы на основе многоагентных интеллектуальных систем.
Как было описано выше, прогнозирование отказов оборудования - одна из актуальных проблем любого предприятия. Предсказание отказов, помимо традиционного решения задач безопасности эксплуатации, становится все более значимым фактором рентабельности эксплуатации.
Неожиданные отказы оборудования всегда были проблемой при эксплуатации сложных технических комплексов оборудования. Можно разделить отказы по характеру последствий на две основные группы: проектные аварии из-за отказов; запроектные нештатные ситуации, ставшие следствием неожиданных отказов. Особенностью нештатных ситуаций является сложная комбинация событий, включающая последовательность ошибочных действий оперативного персонала. Последствия проектных отказов изготовители, как правило, компенсируют системами автоматической защиты, рассчитанными на возникновение соответствующих отказов. Предупреждение запро-ектных нештатных ситуаций с помощью систем автоматической защиты менее эффективно, так как последствия таких отказов развиваются в реальном времени по уникальных схемам, отсутствующим в базе знаний диагностических систем и в опыте оперативного персонала. Таким образом, эффективным методом для предупреждения таких отказов в эксплуатации является достоверное прогнозирование времени наступления предельного технического состояния [2]. При построении систем прогнозирования отказов оборудования нередко используются системы искусственного интеллекта.
Современные системы искусственного интеллекта часто строятся как системы взаимодействующих и сотрудничающих агентов. Одним из расширений понятия программы стало понятие агента, которое появилось в связи с использованием программ не только для решения численных задач, но и в системах реального времени (real - time systems) [3].
Мультиагентная система - это сложная система, в которой функционируют два и более интеллектуальных агентов. Процесс самоорганизации в таких системах это внутренняя упорядоченность, согласованность, взаимодействие автономных агентов. Таким образом, в мультиагентных системах несколько агентов могут общаться, передавать друг другу некоторую информацию, взаимодействовать между собой и решать поставленную задачу. В таких системах задачи распределены между агентами. Распределение задач предполагает назначение ролей каждому агенту [4].
Использование интеллектуальных агентов при построении следящей системы позволяет получить на выходе системы обоснование предупреждения. Все «сообщения» о состоянии оборудования поступают в общую среду. Агент может генерировать свои сообщения не только на основе состояния общей среды, но и на основе сообщений других агентов. В соответствии с распределением ролей между агентами в данной многоагентной системе, каждый из агентов занимается своим объемом задач. Например, первый агент реагирует только на изменения окружающей среды (т. е. на состояние оборудования), второй и последующие агенты генерируют сообщения на основе состояния внешней среды и сообщений первого агента. Количество уровней таких агентов определяется при проектировании системы. Другим вариантом мультиагентой системы является следующая модель: первый уровень агентов реагирует только на состояние внешней среды. А второй уровень агентов генерирует сообщение пользователю на основании только сообщений агентов первого уровня. Для получения более достоверной информации о состоянии оборудования, принято решение в рассматриваемую модель включать сообщения не только тех агентов, которые предупреждают об опасности, но и сообщения тех агентов, которые выявляют устойчивые состояния среды, сохраняемые во времени или появляющиеся достаточно часто. На данный момент ведется разработка описанных моделей и анализ эффективности работы каждой из них.
Библиографические ссылки
1. Теория автоматического управления [Электронный ресурс]. URL: http://texproc.ru/ index.php/biblioteka/85-stati/avtomatizatsiya/tau/222-teoriya-avtomaticheskogo-upravleniya (дата обращения: 24.03.2016).
2. Система прогнозирования сроков отказов деталей механического оборудования / В. Я. Се-душ, Н. А. Ченцов, В. Н. Ручко и др. [Электронный ресурс]. URL: http://easttech.ru/assets/files/prognoz (дата обращения: 07.12.2015).
3. Миков А. И., Замятин Е. Б. Распределенные системы и алгоритмы [Электронный ресурс]. URL: http://allrefs.net/c1/49b02/p41/ (дата обращения: 26.05.2015).
4. Гаврилова Т. А., Хорошевский В. Ф. Базы знаний интеллектуальных систем. М. : Питер, 2000. 384 с.
© Сажина Ю. В., Липинский Л. В., Свиридова А. С., 2016
