CC BY
86
УДК 004.9:528.87
ТРЕХУРОВНЕВЫЙ ЭКСПРЕСС-МОНИТОРИНГ ЧРЕЗВЫЧАЙНЫХ СИТУАЦИЙ НА БАЗЕ ИНТЕЛЛЕКТУАЛЬНЫХ КФС
В.Н. Ручкин, Б.В. Костров, А.Н. Колесенков
Предложена технология использования трехуровневого наземного, воздушного и дистанционного зондирования Земли на основе киберфизических систем (КФС), облачных вычислений и суперкомпьютеров в задачах мониторинга чрезвычайных ситуаций техногенного характера. Рассматривается информационное, операционное и алгоритмическое обеспечение КФС на примере мониторинга возгораний на потенциально опасном объекте. Исследуются иерархические интеллектуальные телекоммуникационные структуры компонентов КФС на базе нейропроцессоров для снижения риска принятия решений за счет специализированной обработки данных в условиях неопределенности с использованием нечетких множеств. Разработан пользовательский интерфейс геоинформацонной системы мониторинга чрезвычайных ситуаций техногенного характера.
Ключевые слова: дистанционное зондирования Земли, ДЗЗ, киберфизическая система, КФС, ГИС, облачные вычисления, суперкомпьютер, мониторинг возгораний, датчики, риск, принятие решений, кластеры, микропроцессорный модуль.
В работе исследуется использование интеллектуальных киберфизических систем (КФС) совместно с облачными вычислениями и суперкомпьютерами для современного экспресс -мониторинга техногенной обстановки [1, 2, 5, 6, 11, 14] в реальном времени. Это позволит осуществить многие функции выявления надвигающейся опасности по косвенным и прямым признакам вышеуказанным комплексом средств - от непосредственных измерений физических параметров до различных дистанционных методов.
Для повышения достоверности и правильности принятия управленческих решений целесообразно поступающую информацию обработать соответствующими аппаратными и программными средствами по специальным алгоритмам.
Целью работы является создание комплекса информационного, операционного и алгоритмического обеспечения КФС [7-10,12], позволяющего снизить риски принятия решений по предупреждению чрезвычайных ситуаций техногенного характера (ЧС ТХ) за счет специализированной обработки данных наземного, воздушного и дистанционного зондирования Земли в условиях неопределенности с использованием нечетких множеств посредством нейронных сетей [13].
Кроме того, многоуровневая организация наземного, воздушного и дистанционного зондирования обеспечивает малое энергопотребление в коммуникационной технике и датчиках для мобильных КФС [17]. При этом современные переносные системы требуют использования дистанционных
данных от множественных сложных систем [3,4,15,16]: камер, радаров, ли-даров, ультразвуковых устройств и т.д. Высокопроизводительные энергоэффективные, массово параллельные процессоры и нейрокристаллы необходимы для реализации сложного взаимодействия датчиков, обработки видео и иных сигналов.
Структура блоков КФС мониторинга. Структуру комплекса информационного, операционного и алгоритмического обеспечения КФС предлагается разделить на информационную, операционную и алгоритмическую составляющие, соединив их высокоскоростными радио-каналами Wi-Fi и облачными вычислениями с User Datagram Protocol (UDP) с услугами SaaS, PaaS:
Информационная составляющая включает:
1. интеллектуальные программируемые датчики на нейрокристалле;
2. беспилотные средства обнаружения и сопровождения;
3. дистанционное зондирование Земли.
Операционная составляющая включает:
1. суперкомпьютеры;
2. облачная вычислительная среда SaaS, PaaS, IaaS;
3. модули MВ 7707, NM 6407
Алгоритмическая составляющая включает:
1. обнаружение и идентификация источника ЧС ТХ;
2. кластеризация и классификация ЧС ТХ;
3. моделирование ЧС ТХ;
4. прогнозирование ЧС ТХ;
5. сопровождение ЧС ТХ и оценки рисков
Для управления указанным комплексом используется разработан пользовательский интерфейс.
Киберфизический подход. Основу таких систем составляют вычислительные элементы и сенсоры, обеспечивающие мониторинг заданных кибер-физических индикаторов и передавая данные на следующий уровень системы. Входящие в состав исполнительные элементы на основе полученной информации вносят изменения во внешнюю среду, снижая риски возникновения ЧС [19, 20].
Преимущества применения КФС в задачах, например, мониторинга возгораний [21]:
- повышение уровня эффективности процессов контроля, мониторинга и управления за счет передачи данных между уровнями системы в реальном времени;
- масштабирование и перемещение любого из уровней системы в пространстве в оперативном режиме;
- повышение надежности данных о состоянии внешней среды и опасных объектов.
- повышение эффективности управления ресурсами за счет оптимизации работы приложений с учетом текущей ситуации.
По своему составу и структуре КФС превосходят современные распределенные системы по производительности, безопасности, надежности и удобству использования. Поэтому они имеют огромный потенциал для решения критически важных техногенных проблем.
Пользовательский интерфейс КФС. Пользовательский интерфейс (рис. 1) условно включает в себя пять частей. В первой части располагается стандартное меню, включающее в себя основные функции работы с приложением: Файл, Правка, Алгоритмы, Нейронная сеть. Во второй части находится главное меню работы с приложением: Загрузить аэрокосмическое изображение (АКИ), Подключиться к облачному сервису, Идентификация ЧС, Прогноз динамики ЧС, Кластеризация данных, Нечеткая логика, Структура нейро-процессора, Настройка параметров нейро-процессора. Кнопка «Загрузить АКИ» позволяет работать с АКИ посредством одной их выбранных поисковых систем из стандартного меню. Это АКИ вызывается в третью часть интерфейса с командными кнопками: «Адрес или слой», где возможно изменить масштаб, выделить нужный уровень или скорректировать исследуемое АКИ.
Окно «Облачные вычисления» подключает одну из четырех платформ: 8аа8, Раа8, 1аа8. При этом загружаются необходимое программное обеспечение и параметры. В этом случае осуществляется подключение соответствующего операционной составляющей всего предлагаемого комплекса.
Режим «Идентификация ЧС» включает в себя методы детектирования ЧС ТХ и базируется на анализе яркости в отдельных спектральных каналах и основывается на основных процедурах: линейное контрастирование, сегментация, определение характеристик текстуры, привязка координат источников возгораний. Каждая процедура определяется совокупностью-вектором характеристик Хк(к). Присутствие источника возгорания на АКИ определяется по наличию базового признака в виде конуса.
Линейное контрастирование осуществляется в результате яркостно-го преобразования АКИ, полученного от систем дистанционного зондирования Земли. В результате изменения условий освещенности наблюдаемой сцены такие АКИ я часто характеризуются малым яркостным диапазоном и являются слабо контрастными. Операция контрастирования позволяет получить АКИ с расширенным яркостным диапазоном, вплоть до максимально возможного [2].
Выделение сегментов или сегментация необходима для определения сегментов АКИ, соответствующих дымовым шлейфам мест потенциальных возгораний. Для решения этой задачи применяется метод релаксационной разметки для выделения сегмента на АКИ, соответствующего дымовому
шлейфу [2]. Стоит задача разделения АКИ на несколько классов или кластеров по методике приведенной в [14]: Л = {Х1,X2}, где соответственно метки дымового шлейфа и г -х зон АКИ.
Рис. 1. Пользовательский интерфейс КФС
Выявление характеристик текстуры основано на свойстве схожести структур облачности и дымовых шлейфов. Поэтому те части снимков видимого спектра, где предварительно обнаружено возгорание, просматриваются на соответствие с текстурой дыма. В качестве основных характеристик текстуры предлагаются следующие параметры АКИ дымового шлейфа: математическое ожидание, дисперсия, среднее статистическое отклонение, нормированное значение дисперсии, третий момент, однородность, энтропия и др. [3, 22].
Привязка координат источников возгорания связана с выделенными сегментами и уточнением их координат с помощью линейного дифферен-
тт гот ) Э кЬ (т,п) циального оператора Лапласа [2]: а (т,п) = —- , где приняты сле-
Э ^ т Эпк - ^
дующие обозначения: Б(ш, п) исходное АКИ размерности т = 1, М,п = 1, N с шириной М и высотой N. При чем Ь (т,п) - яркость элемента исходного АКИ, й (т,п) - яркость элемента преобразованного АКИ, а к и £ - порядок частных производных.
Режим «Прогноз динамики ЧС» подключает алгоритм оценки динамики техногенной обстановки и для примера возгорания производится на основе метода второй производной площади возгорания по времени. Основная идея разрабатываемого метода состоит в исследовании графика роста площади возгорания [18-20]. По перегибам на этом графике можно судить о состоянии возгорания. Алгоритм состоит из следующих этапов.
1. Определение площади возгорания.
2. Вычисление второй производной по времени.
3. Отнесение состояния возгорания к одному из следующих типов: «развивается свободно», «в процессе тушения», «локализован».
Состояние возгорания выбирается по второй производной площади по времени. Величины положительны при свободном распространении возгораний, становятся отрицательными при тушении и обращаются в нуль при его локализации.
Для непосредственного прогнозирования интегральных характеристик ЧС ТХ с использованием полученных математических моделей предлагается использование искусственных нейронных сетей. На вход нейронной сети подаются данные, а на выходе получается прогноз прироста площади пройденной огнём.
В режиме «Кластеризация данных» первоначально происходит обнаружение источников техногенного характера (ТХ) посрдством анализа и
классификации, т. е. разбиении у -ой области АКИ 1тна кластеры - образы, обладающих относительно высокой степенью близости на основе определенных характеристик Хк(к) [8-9]. С этой целью для решения задачи кластеризации вводится понятие равенства кластеров СЬ и СЬк источников возгораний СЬ1 = СЬ к по длине векторов характеристик и совпадение указанных кластеров с точностью до каждой характеристики.
Для этого используется теоретико-множественная модель на основе анализа понятия отношения эквивалентности и выявления основных свойств. Результаты операции разбиения АКИ на кластеры эквивалентности формируют продукционную модель экспертной системы распознавания образов. В результате происходит захват источника. Далее на основании захвата система подключается алгоритм слежения и прогнозирования динамики возгорания, который основан на обработке спутниковых снимков возгораний в последовательные моменты времени. Это позволяет выявить направление распространения действующих возгораний.
Введенное отношение кластерной структуры Шм; выявления источников возгораний согласно (3) - (6) ставит в соответствие некоторой у -й
области исследуемого пространства АКИ 1ш(') совокупность независимых и неравных кластеров источников возгорания СЬ1, число которых равно числу классов эквивалентности L, а кратность q кластера СЬ д определяется порядком класса эквивалентности 1: Выражение
"] = {сЬ1 У }
" q = 1,
а1
"1 = 1, Ь
является решением задачи кластерного анализа, которое задает искомое
разбиение исследуемой области 1т возгораний на кластеры источников возгораний.
На практике прогнозирование и идентификация факта нарушения ТХ являются сложной многокритериальной задачей, т. к. из всего многообразия полученных изменений ТХ эксперт на основании обобщенной оценки альтернатив должен выбрать наилучшую по совокупности противоречивых показателей: скорость распространения, площадь нарушения Я, направление движения, количество источников и др. Для конкретизации выбора рассмотренные показатели предлагается ранжировать в порядке значимости.
Использование нечеткости позволяет моделировать плавное изменение параметров реализаций с учетом качества структурных связей. При этом решение задачи выбора производится параллельно процедуре принятия решения, а применение максминных операций способствует оптимизации принимаемых решений.
В окне «Структура нейро-процессора» осуществляется использование нейрокомпьютерной обработки в режиме сомообучения в случаях неопределенности входных сигналов и нечеткости в разбиениях на кластеры.
В четвертой части отображаются три варианта решения задачи: обнаружение источников, захват на сопровождение и предварительный прогноз на протекание процесса.
В пятой части даются оценки риска конкретной ситуации и приводятся графические зависимости принятия решений.
Экспериментальные исследования. Решение сформулированных задач и реализацию обеспечивает операционная составляющая, включающая в себя суперкомпьютеры, облачную вычислительную среду БааБ, РааБ или 1ааБ, модули МВ 7707 или КМ 6407. В результате использования искусственных нейронных сетей в целом комплекс являются интеллектуальным, способным к обучению и самообучению.
Естественные условия окружающей среды в момент ЧС ТХ являются нестабильными, неопределенными и применение интеллектуальности при обработке данных позволяет значительно улучшить эффективность телекоммуникационных систем, функционирующих в реальном времени. Поэтому для практической реализации предложенных алгоритмов в качестве центрального вычислительного модуля был выбран микрокомпьютерный модуль российского производства, работающий в широком диапазоне встраиваемых электронных устройств на базе нейросетевой СБИС [6]. Он может использоваться в качестве базового при построении вычислительных систем нового поколения, т.к. основой функционирования является моделирование методов обработки информации, аналогичных работе головного мозга и нервной системы человека.
Предложенные в работе алгоритмы смоделированы и реализованы в виде программных продуктов многопроцессорной вычислительной телекоммуникационной структуры на базе микрокомпьютерного модуля [4,
5].
Заключение. Создание комплекса информационного, операционного и алгоритмического обеспечения КФС позволяет снизить риски принятия решений по предупреждению ЧС ТХ по данным аэрокосмического, наземного и физического мониторинга, расчета их динамики и построения прогнозируемых контуров. Адаптация разработанных алгоритмов на базе программного комплекса «НейроКС» к серийно-выпускаемому модулю MB 7707 позволит усовершенствовать и автоматизировать процесс сбора и обработки первичных данных мониторинга ЧС ТХ.
Список литературы
1. Ruchkin V., Fulin V., Kostrov B., Taganov A., Kolesenkov A. Forest Fire Monitoring by Means of Cyber-Physical System // Proceedings, 2016. 5rd Mediterranean Conference on Embedded Computing (MECO), Bar, Montenegro P. 30 - 34.
2. Лесные пожары на территории России: состояние и проблемы // Ю.Л. Воробьев, В. А. Акимов, Ю.И. Соколов; под общ. ред. Ю.Л. Воробьева; МЧС России. М.: ДЭКС-ПРЕСС, 2004. 312 с.
3. Злобин В.К., Костров Б.В., Свирина А.Г. Спектральный анализ изображений в конечных базисах: монография. М.: КУРС: ИНФРА-М, 2016. 172 с.
4. Taganov A, Kolesenkov A., Babaev S. Ecological Monitoring of Dangerous Objects on the Basis of Vegetation Indexing and Evolutionary Approach // Proceedings, 2016. 5rd Mediterranean Conference on Embedded Computing (MECO), Bar, Montenegro. P. 468 - 472.
5. Доррер Г. А. Динамика лесных пожаров. Новосибирск: Изд-во СО РАН, 2008. 404 с.
6. Колесенков А.Н., Ручкин В.Н., Фулин В.А., Дроздова В.В. Анализ техногенной обстановки средствами киберфизических систем // Вестник Рязанского государственного радиотехнического университета. Рязань: РГРТУ, 2016. Вып. 57. С. 122 - 128.
7. Злобин В.К., Ручкин В.Н. Нейросети и нейрокомпьютеры. СПб.: БХВ — Петербург, 2011. 256 с.
8. Ruchkin V.N., Kostrov B.V., Kolesenkov A.A. "Emergencies monitoring and preventing", Proceedings of the 2nd Mediterranean Conference on Embedded Computing MECO. 2013, Montenegro, Budva. P. 89 - 93.
9. Ruchkin V.N., Kostrov B.V., Kolesenkov A.N., Ruchkina E.V. Anthropogenic Situation Express Monitoring on the Base of Fuzzy Neural Networks, Proceedings of the 3rd Mediterranean Conference on Embedded Computing MECO. 2014. Montenegro, Budva. P.166 - 169.
10. Романчук В.А., Ручкин В.Н. Разработка программных средств анализа нейропроцессорных систем // Вестник Рязанского государственного радиотехнического университета, 2010. №32. С. 61 - 67.
11. Колесенков А.Н., Мелкова Д. А. Методы кластеризации данных в геоинформационных системах // Современные технологии в науке и образовании - СТН0-2016: сб. тр. междунар. науч.-техн. и науч.-метод. конф.: в 4 т. Т.2. Рязань: Рязан. гос. радиотехн. ун-т, 2016. C. 121 - 123.
12. Костров Б.В. Корреляционно-экстремальный метод обнаружения цифровых сигналов // Цифровая обработка сигналов, 2011. № 2. С. 46 - 50.
13. Колесенков А.Н. Современные подходы к обработке данных при построении геоинформационных систем экологического мониторинга // Известия Тульского государственного университета. Технические науки. Вып. 9. Тула: Изд-во ТулГУ, 2016. С. 103-112.
14. Ruchkin V.N., Kostrov B.V., Kolesenkov A.N., Ruchkina E.V. Algorithms of Fire seat Detection, Modeling Their Dynamics and Observation of Forest Fires via Communication Technologies, In Proceedings of the 4th Mediterranean Conference on Embedded Computing MECO. 2015. Montenegro, Budva. P. 254 - 257.
15. Колесенков А.Н., Конкин Ю.В. Распознавание изображений на основе текстурных признаков Харалика и искусственных нейронных сетей // Известия Тульского государственного университета. Технические науки. Вып. 2. Тула: Изд-во ТулГУ, 2016. С. 117-123.
16. Колесенков А.Н., Костров Б.В., Ручкин В.Н. Методика интеллектуального обнаружения, моделирования и сопровождения пожаров // Известия Тульского государственного университета. Технические науки. Тула: ТулГУ, 2015. Вып. 5. Ч. 2. С. 266 - 274.
17. Колесенков А.Н., Таганов А. И. Разработка геоинформационной системы аэрокосмического мониторинга чрезвычайных ситуаций на опасных объектах // Космодром «Восточный» и перспективы развития российской космонавтики»: тезисы докладов Всероссийской молодёжной научно-практической конференции. Самара: СГАУ, 2015. С. 189-190.
171
18. Современные технологии обработки данных дистанционного зондирования Земли // под ред. В.В. Еремеева М.: ФИЗМАТЛИТ, 2015. 460 с.
19. Колесенков А.Н., Цегельник Д.В. Математические методы распознавания аэрокосмических изображений в геоинформационных системах // Математические методы в технике и технологиях - ММТТ-29: сб. трудов XXIX Междунар. науч. конф.: Т. 5. Саратов: Саратов. гос. техн. ун-т; Санкт-Петербург: СПбГТИ(ТУ), СПбПУ, СПИИРАН; Самара: Самарск. гос. техн. ун-т, 2016. C. 68-71.
20. Ручкин В.Н., Романчук В.А., Фулин В.А. Проектирование ней-ропроцессорных систем на основе нечеткой кластеризации // Вестник Рязанского государственного радиотехнического университета, 2014. Вып. 50 - 1.С. 87-93.
Ручкин Владимир Николаевич, д-р техн. наук, проф., v.ruchkinarsu.edu.ru, Россия, Рязань, Рязанский государственный радиотехнический университет,
Костров Борис Васильевич, д-р техн. наук, проф., kostrov. b. vaevm.rsreu.ru, Россия, Рязань, Рязанский государственный радиотехнический университет,
Колесенков Александр Николаевич, канд. техн. наук, доц., sk62a mail.ru, Россия, Рязань, Рязанский государственный радиотехнический университет
THREE-LEVEL EXPRESS MONITORING OF EMERGENCIES BASED
ON INTELLIGENT CFS
V.N. Ruchkin, B. V. Kostrov, A.N. Kolesenkov
The technology of using a three-level ground, air and remote sensing based cyber-physical systems (KPS), cloud computing and supercomputers the task of monitoring of emergency situations of technogenic character. Discusses the information, operational and algorithmic support of KPS, for example, monitoring offire safety at a potentially dangerous object. Examines the hierarchical structure of intelligent telecommunications components of KPS on the basis of neuroprocessor to reduce the risk of decision-making due to the specialized data processing under uncertainty using fuzzy sets. Designed user interface geoinforma-tional monitoring system of emergency situations of technogenic character.
Key words: remote sensing, remote sensing, cyber-physical system, KFS, GIS, cloud computing, supercomputer, monitoring of fires, sensors, risk, decision-making, clusters, microprocessor module.
Ruchkin Vladimir Nikolaevich, doctor of technical science, professor, v. ruchkinarsu. edu. ru, Russia, Ryazan, Ryazan State Radio Engineering University,
Kostrov Boris Vasilevich, doctor of technical science, professor, kostrov. b. vaevm.rsreu.ru, Russia, Ryazan, Ryazan State Radio Engineering University,
Kolesenkov Aleksandr Nikolaevich, candidate of technical science, docent, sk62@mail.ru, Russia, Ryazan, Ryazan State Radio Engineering University
172
