CC BY
67
REALIZATION OF THE CONTROL INTERFACE OF TUNNEL EXCA VA TION COMPLEX IN SCADA SOFTWARE PACKAGE
G.N. Klintsov, E. V. Larkin
The general control diagram of the tunnel/excavation complex CTEM - 5,6 is described. The questions of realization of the control algorithm on SCADA system are answered. Also the remote control interface of rotary tunnel/excavation combine, which is a compound mechatronic complex, is described.
Key words: tunnel excavation complex, copy-cutter, rotor, programmable logic controller, SCADA systems, control algorithm, human machine interface.
Klintsov Grigoriy Nikolaevich, postgraduate, argon-eldaramail. ru, Russia, Tula, Tula State University,
Larkin Eugene Vasilyevich, head of chair, doctor of technical sciences, professor, elarkina mail. ru, Russia, Tula, Tula State University
УДК 004.9:519.816: 614.84
ТЕХНОЛОГИЯ ПОДДЕРЖКИ ПРИНЯТИЯ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ НА ОСНОВЕ ОПЕРАТИВНОГО МОНИТОРИНГА ПОЖАРНОЙ ОБСТАНОВКИ
А.Н. Колесенков
Предложена технология, позволяющая обеспечить процесс поддержки принятия управленческих решений по прогнозированию и идентификации пожаров. Рассмотрены вопросы оперативного мониторинга пожарной обстановки, сопровождения пожаров, оценки площади возгорания за счет эффективной обработки аэрокосмических данных на основе процедуры нечеткой кластеризации данных. Разработаны и апробированы алгоритмы мониторинга пожарной обстановки на опасных объектах и территориях. Приводятся результаты экспериментальных исследований и реализации предложенной технологии.
Ключевые слова: принятие решений, прогнозирование, мониторинг, пожар, нечеткая логика, кластеризация.
Пожары на различных объектах и территориях являются сильными антропогенными и природными факторами, в значительной мере влияющими на состояние этих территорий и объектов, а также наносят серьезный урон экологии и экономике.
Ежегодно на территории России регистрируется 10 - 35 тыс. лесных пожаров, площади которых варьируются от 0,5 до 2,5 млн га [1].
Существующие технологии идентификации пожаров требуют значительных затрат для реализации и низкую эффективность обнаружения возгорания на ранней стадии.
Поэтому для обеспечения процессов поддержки принятия управленческих решений по прогнозированию и идентификации пожаров целесообразными являются разработка, оптимизация и применение новых эффективных технологий мониторинга опасных объектов и территорий, среди которых можно выделить технологию, основанную на обработке космических снимков [2, 10].
Для оперативного выявления признаков пожара на наблюдаемом объекте или территории в системах мониторинга предлагается использовать метод кластеризации пикселей аэрокосмических изображений по уровням яркости на основе теории нечетких множеств [3, 11].
Концепция частичной принадлежности, когда пиксель изображения может принадлежать одновременно нескольким кластерам, позволяет более точно вычислить элементы кластера и использовать это для дальнейшей обработки изображения [3, 4].
В работе предлагается технология поддержки принятия управленческих решений на основе раннего обнаружения пожаров, включающая следующие методы и алгоритмы:
- модифицированный алгоритм Fuzzy C-means (FCM), основанный на нечеткой кластеризации спутниковых снимков оптического диапазона. [5, 9];
- алгоритм фильтрации ложных срабатываний;
- метод оценки площади пожара;
- алгоритм сопровождения пожара;
- алгоритм оценки динамики распространения пожара.
Алгоритм нечеткой кластеризации позволяет разбить изображение
на несколько групп и выявить очаг возгорания. После идентификации пожара и его первичного выделения необходимо произвести фильтрацию, для того чтобы убрать небольшие группы пикселей, выделенные как пожар, но не являющиеся им.
Для оценки площади пожара используется метод, основывающийся на пространственном разрешении спутника. Зная количество пикселей принадлежащих очагу возгорания, алгоритм высчитывает общую площадь пожара [6].
Алгоритм сопровождения пожара определяет ранее обнаруженный пожар по известному контуру и площади возгорания. Определяя на новых снимках ранее обнаруженный пожар, можно дать оценку динамики его распространения. Для этого алгоритм сравнивает контуры на разновременных снимках, что позволяет определить направление распространения пожара, а по разнице площадей возгорания вычислить скорость распространения [5, 7].
Модернизированный алгоритм нечеткой кластеризации БСМ сравнивает 1ЮВ-значение каждого пикселя со значением центра группы. Чем выше значение принадлежности, тем более вероятно, что пиксель должен принадлежать той группе [8, 13].
Объединение в кластеры БСМ происходит путем минимизации целевой функции, показанной в уравнении:
п С т I
; = у
г = \ к = 1
о)
где 3 - целевая функция; с - количество кластеров; л - количество пикселей; \х - значение принадлежности; т - параметр нечеткости; Е^ - Евклидово расстояние р^ и .
При этом
Егк = |Рг ~Ч\ = ^(Рг-ч)2 > (2)
где р- - /-й пиксель изображения; - центроид к-то кластера.
Для вычисления центроидов к-то кластера используется уравнение
£
-• (3)
1=1
Значение принадлежности вычисляется с использованием уравне-
ния
Ы
1
(4)
С
Ъ
г = 1
Рг
т —\
Рассмотрим выбор значения т — параметра нечеткости. Чем больше это значение, тем матрица принадлежности более «размытая», и при
т—>со элементы принимают вид = —, т.е. все объекты распределены по
с
всем кластерам с одинаковой степенью [3, 10]. Выборе значения параметра нечеткости осуществляется экспериментальным путем, часто выбирают
т = 2.
Предложенный алгоритм был расширен для объединения в кластеры [12] цветных изображений в 1ЮВ-спектре. Для вычисления Евклидова расстояния между р ■ и предложено использовать уравнение
Нк
= +(Рш-*кв) >
(5)
где р-^ - значение красного цвета /-го пикселя; значение зеленого
цвета /-го пикселя; р-^ - значение синего цвета /-го пикселя; - значение красного цвета к-то центра кластера; - значение зеленого цвета к-го центра кластера; значение синего цвета к-то центра кластера.
Рис. 1. Результаты идентификации пожара без фильтрации
Рис. 2. Результаты идентификации пожара с фильтрацией
В качестве исходных данных использовались космические снимки с российского спутника Канопус-В. Результаты работы алгоритма представлены на рис. 1,2.
При проведения анализа и оценки результатов работы предложенного алгоритма нечеткой кластеризации спутниковых снимков был построен соответствующий график (рис. 3).
Из графика (рис. 4) видно, что при пороге фильтрации, равном 3, для всех снимков значение ложных срабатываний меньше 0,1%.
Сек 160,00
Ложные срабатывания
(п2)
Ложные срабатывания (пЗ)
Ложные срабатывания (п5)
Время вычислений (сек) п2
Время вычислений (сек) пЗ
Время вычислений (сек) п5
Рис. 3. Зависимость ложных срабатываний от количества кластеров
•Ложные срабатывания (п2)
-Ложные срабатывания (пЗ)
Ложные
срабатывания (п5)
Порог фильтрации
Рис. 4. Зависимость ложных срабатываний от порога фильтрациив
В результате выполнения работы получены следующие результаты:
- разработан модернизированный алгоритм нечеткой кластеризации «Fuzzy С-means» пикселей изображений для идентификации пожаров на аэрокосмических снимках;
- разработан алгоритм фильтрации ложных очагов пожаров;
- предложен способ оценки результатов обработки аэрокосмических изображений на основе многокритериального анализа параметров;
161
- проведена реализация разработанных алгоритмов на языке C# в среде программирования Microsoft Visual Studio.
Предлагаемая технология может использоваться для непрерывного мониторинга пожарной обстановки на потенциально опасных объектах и территориях, она позволит упростить и ускорить процесс обнаружения пожаров на ранней стадии возгорания, а также снизить затраты.
Работа выполнена при финансовой поддержке Министерства образования и науки Российской Федерации, Совета по грантам Президента Российской Федерации (грант № СП-553.2015.3), Фонда содействия инновациям (проект в рамках программы СТАРТ-1).
Список литературы
1. Спивак Л.Ф., Архипкин О.П., Сагатдинова Г.Н. Космический мониторинг пожаров на территории Западного Казахстана // Современные проблемы дистанционного зондирования Земли из космоса. Т. 2. М.: ГРАНП-Полиграф, 2005. С. 332 - 335.
2. Роберт А. Шовенгердт. Дистанционное зондирование. Методы и модели обработки изображений. М.: Техносфера, 2010. 556 с.
3. Колесенков А.Н., Костров Б.В., Ручкин В.Н. Методика интеллектуального обнаружения, моделирования и сопровождения пожаров // Известия Тульского государственного университета. Технические науки. Тула: Изд-во ТулГУ, 2015. Вып. 5. Ч. 2. С. 266 - 274.
4. Kolesenkov A.N., Kostrov B.V., Ruchkin V.N. Emergencies monitoring and preventing // Proceedings - 2013 2nd Mediterranean Conference on Embedded Computing. Budva, Montenegro, 2013. P. 263 - 265.
5. Anthropogenic Situation Express Monitoring on the Base of the Fuzzy Neural Networks / A.N. Kolesenkov, B.V. Kostrov, V.N. Ruchkin, E.V. Ruch-kina // Proceedings - 2014 3rd Mediterranean Conference on Embedded Computing. Budva, Montenegro, 2014. P. 166 - 168.
6. Algorithms of Fire seat Detection, Modeling Their Dynamics and Observation of Forest Fires via Communication Technologies / V. Ruchkin, A. Kolesenkov, B. Kostrov, E. Ruchkina // Proceedings - 2015 4th Mediterranean Conference on Embedded Computing. Budva, Montenegro, 2015. P. 254 - 257.
7. Колесенков А.Н., Юрьев П.Н. Разработка алгоритма аэрокосмического ГИС-мониторинга экосистем // Актуальные проблемы математики и информатики: теория, методика, практика: сборник научных трудов. Елец: ЕГУ им. И.А. Бунина, 2015. С. 143 - 147.
8. Колесенков А.Н., Несова А.В. Алгоритмы сетевого анализа в геоинформационных системах мониторинга чрезвычайных ситуаций // Вопросы науки: Современные технологии и технический прогресс. Воронеж, 2015.С. 101-104.
9. Агафонов А.М., Колесенков А.Н., Сарычев Н.А. Применение метода нечеткой кластеризации элементов аэрокосмических изображений для мониторинга территорий и опасных объектов // Наука и образование в жизни современного общества. Тамбов: Юком, 2015. Том 10. С. 16 - 17.
10. Колесенков А.Н., Костров Б.В., Ручкин В.Н. Нейронные сети мониторинга чрезвычайных ситуаций по данным ДЗЗ // Известия Тульского государственного университета. Технические науки. Тула: Изд-во Тул-ГУ, 2014. Вып. 5. С. 220 - 225.
11. Костров Б.В., Злобин В.К., Упакова А.Г., Конкин Ю.В. Алгоритм устранения искажений средней яркости по полю изображений // Известия тульского государственного университета. Технические науки. Тула: Изд-во ТулГУ, 2013. Вып. 9. Ч. 2. С. 118 - 124.
12. Костров Б.В., Баранчиков А.И. Теория и методы исследования моделей и алгоритмов представления данных для предметных областей с ранжируемыми атрибутами // Вестник РГРТУ. Рязань: РГРТУ, 2013. Вып. №5. Ч. 2. С. 59 - 64.
13. Таганов А.И., Таганов Р.А. Применение нечетких ситуационных моделей для идентификации рисков программного проекта // Системы управления и информационные технологии. Воронеж, 2007. Т. 30. № 4.2. С.297 - 303.
Колесенков Александр Николаевич, канд. техн. наук, доц., sk62@mail.ru, Россия, Рязань, Рязанский государственный радиотехнический университет
TECHNOLOGY OF SUPPORT MANAGEMENT DECISIONS BASED MONITORING OF FIRE SITUATION
A.N. Kolesenkov
The proposed technology allows to provide a process of supporting managerial decision-making on the prediction and identification of fires. Considered are the issues of an operational fire situation monitoring, maintenance, fires, estimate the area of fire due to the efficient processing of aerospace data based on the fuzzy data clustering. Developed and tested algorithms for monitoring of the fire situation on dangerous objects and territories. The results of experimental research and the implementation of the proposed technology.
Key words: decision making, forecasting, monitoring, fire, fuzzy logic, clustering.
Kolesenkov Alexander Nikolaevich, candidate of technical sciences, docent, sk62@,mail.ru, Russia, Ryazan, Ryazan State Radio Engineering University
