RU2569568C1 - Способ контроля чрезвычайных ситуаций на основе интеграции вычислительных и информационных компонент грид-системы - Google Patents
Способ контроля чрезвычайных ситуаций на основе интеграции вычислительных и информационных компонент грид-системы Download PDFInfo
- Publication number
- RU2569568C1 RU2569568C1 RU2014150573/08A RU2014150573A RU2569568C1 RU 2569568 C1 RU2569568 C1 RU 2569568C1 RU 2014150573/08 A RU2014150573/08 A RU 2014150573/08A RU 2014150573 A RU2014150573 A RU 2014150573A RU 2569568 C1 RU2569568 C1 RU 2569568C1
- Authority
- RU
- Russia
- Prior art keywords
- situation
- block
- computing
- control
- information
- Prior art date
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Изобретение относится к области автоматизированного управления технологическими процессами и может применяться для экстренных вычислений при контроле чрезвычайных ситуаций на основе динамической модели для широкого класса предметно-ориентированных приложений в сложной программно-аппаратной среде. Технический результат - повышение быстродействия при ликвидации опасной ситуации. Способ состоит в следующем: формируют на пульте блока управления команду на организацию контроля чрезвычайной ситуации на основе Грид-системы и функционального блока, реализующего идентификацию текущей ситуации с помощью нейронных сетей, и оценку опасности ситуации в зависимости от уровня действующих возмущений, блока оперативного контроля и прогноза развития ситуации на основе интерпретирующей и прогнозирующей нейросетевых моделей вырабатывают стратегические решения по интеллектуальной поддержке контроля ситуаций на основе управляющих воздействий в зависимости от особенностей ситуации в контурах программного и адаптивного управления, а также в контуре самообучения, определяют время, необходимое для выработки и принятия решения, и производят оценку безопасного времени нахождения объекта в текущей ситуации с учетом допустимых значений определяющих параметров. 4 ил., 3 табл.
Description
Изобретение относится к области автоматизированного управления технологическими процессами с использованием вычислительных устройств и может применяться при выполнении экстренных вычислений при контроле чрезвычайных ситуаций на основе динамической модели катастроф для широкого класса предметно-ориентированных композитных приложений в сложной программно-аппаратной среде.
Наиболее близким техническим решением, поддерживающим разработку способа контроля чрезвычайных ситуаций на основе динамической модели катастроф, является интеллектуальная Грид-система (патент RU №2411574 от 10.02.2011), обеспечивающая системную интеграцию вычислительных и информационных компонент, формализованная логика управления которыми связана с решением ресурсоемких задач при изучении сложных явлений и закономерностей динамических систем, а также при функционировании виртуальных организаций и полигонов при выполнении сложных расчетов и моделирования с использованием блока интеллектуальной поддержки функционирования Грид-системы, взаимосвязанного посредством блока программного управления с блоками человекокомпьютерного взаимодействия и блоком прикладных Грид-сервисов, причем блок интеллектуальной поддержки содержит экспертную систему, обеспечивающую функционирование Грид-системы в заданной вычислительной среде и принятие решений по управлению вычислительными процессами, блок адаптации, реализующий процедуры адаптивного обучения за счет возможности управления вычислительным процессом с динамически меняющейся информацией, выбор предпочтительной вычислительной технологии обработки данных, настройку логических моделей на восприятие новой информации и извлечение «скрытых» знаний, генератор композитного приложения, реализующий функции выработки альтернативных решений, блок человекокомпьютерного взаимодействия, содержащий интеллектуальный интерфейс, поддерживающий взаимодействие пользователей с вычислительной средой в условиях неоднородности вычислительных ресурсов, неопределенности характеристик задачи и неполноты исходной информации.
Основным недостатком технологии обработки информации в Грид-системе применительно к задачам контроля чрезвычайных ситуаций является отсутствие компонент, обеспечивающих идентификацию и контроль ситуации на основе динамической модели катастроф [1], [2].
Техническим результатом изобретения является повышение эффективности использования программного комплекса Грид-системы за счет использования нейросетевого моделирования в высокопроизводительной среде.
Указанный технический результат достигается с помощью построения конкурирующей проблемно-ориентированной среды экстренных вычислений в целях нейросетевого моделирования чрезвычайных ситуаций и поддержки принятия решений в режиме реального времени. Принципы построения среды нейросетевого моделирования чрезвычайных ситуаций определяют динамическое формирование и контроль ресурсов (данных, прикладных пакетов и вычислительных мощностей) в распределенной вычислительной среде Грид-системы в форме генерируемых сценариев. Организация функциональных блоков для управления процессами моделирования, генерации альтернатив и приятия решений в чрезвычайных ситуациях осуществляется на основе концептуальный модели оценки вырабатываемых решений, функциональной модели программной среды, а также методов традиционного и нейросетевого моделирования и визуализации ситуаций на основе сервисно-распределенной архитектуры.
Функциональная схема, реализующая предлагаемый способ, представлена на фиг. 1. Схема включает 7 основных блоков, из них первые 4 блока реализуют интеллектуальную технологию Грид-системы, а блоки 5-7 обеспечивают контроль чрезвычайных ситуаций на основе нейросетевого моделирования в рамках динамической модели катастроф.
Блок 1 обеспечивает интеллектуальную поддержку функционирования Грид на основе экспертной системы (ЭС), генератора композитного приложения и блока адаптации.
Блок 2 осуществляет программное управление и семантический поиск по описанию задачи контроля чрезвычайной ситуации, взаимодействует с базой знаний ЭС блока 1 и получает информацию от блока 4 о доступных сервисах и их онтологических описаниях, обеспечивает вызов интерпретатора, балансировочных алгоритмов и прогнозирования времени выполнения Грид-приложений.
Блок 3 осуществляет человекокомпьютерного взаимодействия с использованием блока прикладных Грид-сервисов и обеспечивает взаимодействие с блоками 5-7.
Блок 4 прикладных Грид-сервисов обеспечивает выполнение задания на контроль чрезвычайных ситуаций и включает виртуальную оболочку проектирования, набор блоков, соответствующих основным операциям прикладных Грид-сервисов и взаимосвязей между ними, определяющих обмен данными, элемент балансировки и построения расписаний, планировщик, который на основе знаний о сервисах и исходных данных создает набор альтернативных методов построения и выбора вариантов решений и расписаний.
Блок 5 (фиг. 2) является функциональным блоком, реализующим процедуру идентификации текущей ситуации на основе ансамбля нейронных сетей и данных, полученных от информационной модели блока 2. В процессе идентификации устанавливается конкретная ситуация, а с помощью ЭС в блоке 1 - уровень ее опасности: угрожающая, предаварийная и аварийная (чрезвычайная) ситуация.
Блок 6 в зависимости от результатов работы блока 5 осуществляет контроль и прогноз текущей ситуации с помощью интерпретирующей модели, построенной на основе нейронной сети прямого распространения (фиг. 3) и прогнозирующей модели (фиг. 4), использующей нейронную сеть с обратными связями.
Блок 7 формирует управляющие воздействия, реализация которых осуществляется с помощью ЭС блока 1 в зависимости от особенностей текущей ситуации.
Способ контроля чрезвычайных ситуаций на основе интеграции вычислительных и информационных компонент Грид-системы реализуют в виде последовательности процедур:
1. На основе данных динамических измерений о возникшей чрезвычайной ситуации, хранящихся в блоке 2, формируют вектор состояния объекта контроля на заданном интервале времени [t0, tk]:
где x1, …, xn - фазовые координаты вектора состояния; т - оператор транспонирования; t0, tk - начало и конец временного интервала, определяющего поведение контролируемого объекта в заданной ситуации.
2. Для вектора (1) в функциональном блоке 5 осуществляют идентификацию текущей ситуации. Модель идентификации (фиг. 2) состоит из ансамбля радиально-базисных (Radial Basis Function - RBF) сетей, воспринимающих данные от информационной модели блока 2. Каждая сеть имеет m входов, на которые подается вектор измерений X1, …, Xn (вектор состояния) и два параметра на выходе (1 - нормальное состояние, 0 - отказ).
3. На основе результатов идентификации с помощью ЭС в блоке 1 производят оценку опасности ситуации, устанавливают необходимое информационное обеспечение и аппаратную конфигурацию для ее контроля, выделяют существенные факторы и строят вектор независимых параметров Λ(π), характеризующий режимы движения контролируемого объекта в пределах допустимой области Ω. Равновесное состояние объекта в диапазоне выделенных переменных от Λ(π)0 до Λ(π)k определяется на основе выражений:
4. Формулируют задачу контроля и прогноза развития текущей ситуации с использованием блока 6, а также блока 2 управления, генерации альтернатив и выбора решения при контроле объекта на заданном интервале [t0, tk]:
где М - модель поведения контролируемого объекта; JE - функционал качества решения; S - стратегия реализации оптимального контроля; Q - характерные ограничения и связи.
5. Задают множество исходных данных в блоках 1 и 2 для решения задачи (4):
где W, V - возмущающие воздействия (множества параметров моделей внешней среды); DO - контролируемый объект; TL - множество, определяющее время реализации управляющих воздействий для W и V; U0 и U1 - нижние и верхние границы интервала изменения управляющих воздействий; [t0, tk] - интервал контроля поведения объекта.
6. Определяют множество состояний контролируемого объекта в блоках 1 и 2:
где правая часть определяет декартово произведение множества М моделей объекта, видов функционала JE, стратегий управления S, ограничений Q и значений массива R, определяемого выражением (5).
7. Осуществляют контроль ситуации в блоках 2 и 6 с использованием оптимальной стратегии программного управления U*(opt), переводящего контролируемый объект из начального состояние в конечное, определяемое требованиями безопасности исследуемой ситуации:
Параметры контроля определяют в блоке 6 с помощью интерпретирующей нейронной сети (фиг. 3), позволяющей установить текущие значения существенных факторов, количество которых зависит от особенностей ситуации (на фиг. указаны 4 фактора). Процесс развития ситуации контролируют для выделенного существенного фактора с помощью прогнозирующей нейронной сети с обратными связями (фиг. 4) и реализуют на интервале интерпретации [t0,tk].
8. Формируют управляющее воздействие, изменяющее состояние объекта с помощью соотношений информационной модели блока 2:
где y*(Λ(π)) - вектор, характеризующий многообразие состояний, определенных в выходных данных; y0(Λ(π)0), yk(Λ(π)k) - начальное и конечное состояния равновесия DО; Λ(π) - вектор параметров (π1, …, πp), определяющих характеристики объекта и возмущающие воздействия для заданного состояния (устанавливается в пределах допустимой области Ω «входа - выхода»).
Управляющие воздействия, сформированные в блоке 7, реализуют в блоке 2 с учетом особенностей текущей ситуации: в контуре программного управления - на основе данных динамических измерений и формализованной системы знаний; в контуре адаптивного управления - с помощью параметрической настройки системы; в контуре самообучения - на основе текущей и накопленной информации о динамике взаимодействия в нестандартных (нештатных и экстремальных) ситуациях.
9. Определяют время, необходимое для выработки и принятия решения, в виде суммы компонент по данным блоков 2 и 7:
где tsupp - время формирования интеллектуальной поддержки; tInf - время восприятия информации; tDec - время принятия решения.
10. Производят сравнительную оценку безопасного времени нахождения контролируемого объекта в критической ситуации на основе ЭС блока 1 с учетом данных блоков 6, 7:
где τCR=τ(y(t)=ymin) - время нахождения объекта в критической ситуации, определенное по результатам прогноза в блоке 6; y(t) - текущее значение определяющего параметра на выходе нейронной сети (фиг. 4); ymin - допустимое значение определяющего параметра.
Способ контроля чрезвычайных ситуаций на основе интеграции вычислительных и информационных компонент Грид-системы на основе нейросетевого моделирования динамических ситуаций с использованием процедур (1) - (11) осуществляют следующим образом. В блоке 2 на основе многоуровневого интерфейса формируют команду на начало контроля чрезвычайной ситуации, которая передается в ЭС блока 1, блок управления вычислениями 2 и блок идентификации 5, с помощью которого устанавливают конкретную ситуацию, подлежащую контролю, и на основе данных о ее опасности, полученных от ИС, формируют описания задачи в терминах предметной области и передают их в блок 4 формирования информационного, программного и аппаратного обеспечения контроля ситуации с использованием композитного приложения и прикладных сервисов, а также блок 6 оперативного контроля и прогноза развития ситуации, в котором на основе интерпретирующей и прогнозирующей нейросетевых моделей обеспечивается выделение и контроль существенных факторов, результаты которого передаются в блоки 5 и 7, где определяется множество состояний контролируемого объекта и осуществляется разработка и реализация сценариев стратегических решений, на основе которых в блоке 6 производится визуализация ситуации, результаты которой передаются в блок 1, где определяется время, затраченное на интеллектуальную поддержку, выработку и принятия решения, которое сравнивается с временем нахождения объекта в текущей ситуации с учетом допустимых значений определяющих параметров при совместном использовании данных блоков 1 и 6, а окончательный результат решения поставленной задачи из блока 7 помещается в базу данных ЭС блока 1.
В качестве примера рассмотрим результаты контроля критической ситуации, связанной с ухудшением остойчивости судна на попутном волнении. Оценка выполнялись с помощью нейронных сетей (фиг. 3) и для параметров посадки судна и метацентрической высоты, а прогноз (фиг. 4) - для критического интервала времени нахождения судна в экстремальной ситуации. Результаты анализа представлены в табличной форме (табл. 1-3). Табл. 1 содержит результаты идентификации ситуации, табл. 2 - данные контроля динамических характеристик, а табл. 3 - оценку критического интервала времени нахождения судна в экстремальной ситуации.
Из приведенных в табл. 1-3 данных следует, что нейросетевой алгоритм во многих случаях приводит к менее оптимистичным значениям контролируемого параметра, при этом разброс данных для рассматриваемых вычислительных технологий достигает 15%. Критический интервал времени при стабилизации ситуации составляет 12 мин для нейросетевой и 18 мин для стандартной модели, а в случае потери остойчивости - 14 и 20 мин соответственно.
Таким образом, в результате использования предлагаемого изобретения формируется гибкое информационное пространство контроля чрезвычайной ситуации, включающее методы концептуального моделирования, автоматизированные циклы интерпретации чрезвычайных ситуаций, формализуемые на основе совместного использования инфраструктур в рамках задачи размещения данных в динамической среде Грид-системы.
Claims (1)
- Способ контроля чрезвычайных ситуаций на основе интеграции вычислительных и информационных компонент Грид-системы, формализованная логика управления которыми связана с решением ресурсоемких задач при изучении сложных явлений и закономерностей динамических систем, а также при функционировании виртуальных организаций и полигонов при выполнении сложных расчетов и моделирования с использованием блока интеллектуальной поддержки функционирования Грид-системы, взаимосвязанного посредством блока программного управления с блоками человеко-компьютерного взаимодействия и блоком прикладных Грид-сервисов, причем блок интеллектуальной поддержки содержит экспертную систему, обеспечивающую функционирование Грид-системы в заданной вычислительной среде и принятие решений по управлению вычислительными процессами, блок адаптации, реализующий процедуры адаптивного обучения за счет возможности управления вычислительным процессом с динамически меняющейся информацией, выбор предпочтительной вычислительной технологии обработки данных, настройку логических моделей на восприятие новой информации и извлечение «скрытых» знаний, генератор композитного приложения, реализующий функции выработки альтернативных решений, блок человеко-компьютерного взаимодействия, содержащий интеллектуальный интерфейс, поддерживающий взаимодействие пользователей с вычислительной средой в условиях неоднородности вычислительных ресурсов, неопределенности характеристик задачи и неполноты исходной информации, отличающийся тем, что дополнительно используется функциональный блок, реализующий идентификацию текущей ситуации с помощью ансамбля нейронных сетей и оценку опасности ситуации в зависимости от уровня действующих возмущений, а также блок оперативного контроля и прогноза развития ситуации на основе интерпретирующей и прогнозирующей нейросетевых моделей, обеспечивающих контроль существенных факторов в задачах планирования операций, выделение множества состояний контролируемого объекта и выработку стратегических решений, причем интеллектуальная поддержка контроля ситуаций в рамках концепции раннего реагирования реализована на основе управляющих воздействий в контуре программного управления на основе данных динамических измерений и формализованной системы знаний, в контуре адаптивного управления - с помощью параметрической настройки системы и в контуре самообучения - на основе информации о динамике взаимодействия, определяют время, необходимое для выработки и принятия решения, и производят сравнительную оценку безопасного времени нахождения объекта в текущей ситуации с учетом допустимых значений определяющих параметров.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2014150573/08A RU2569568C1 (ru) | 2014-12-12 | 2014-12-12 | Способ контроля чрезвычайных ситуаций на основе интеграции вычислительных и информационных компонент грид-системы |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2014150573/08A RU2569568C1 (ru) | 2014-12-12 | 2014-12-12 | Способ контроля чрезвычайных ситуаций на основе интеграции вычислительных и информационных компонент грид-системы |
Publications (1)
Publication Number | Publication Date |
---|---|
RU2569568C1 true RU2569568C1 (ru) | 2015-11-27 |
Family
ID=54753537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2014150573/08A RU2569568C1 (ru) | 2014-12-12 | 2014-12-12 | Способ контроля чрезвычайных ситуаций на основе интеграции вычислительных и информационных компонент грид-системы |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU2569568C1 (ru) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2631127C2 (ru) * | 2015-12-28 | 2017-09-19 | федеральное государственное бюджетное образовательное учреждение высшего образования "Санкт-Петербургский государственный морской технический университет" (СПбГМТУ) | Способ оперативного контроля остойчивости судна в чрезвычайных ситуациях |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7813822B1 (en) * | 2000-10-05 | 2010-10-12 | Hoffberg Steven M | Intelligent electronic appliance system and method |
RU2411574C2 (ru) * | 2009-01-29 | 2011-02-10 | Александр Валерьевич Бухановский | Интеллектуальная грид-система для высокопроизводительной обработки данных |
RU148692U1 (ru) * | 2014-07-22 | 2014-12-10 | Федеральное государственное казенное военное образовательное учреждение высшего профессионального образования "ВОЕННАЯ АКАДЕМИЯ СВЯЗИ имени Маршала Советского Союза С.М. Буденного" Министерства обороны Российской Федерации | Система мониторинга событий компьютерной безопасности |
-
2014
- 2014-12-12 RU RU2014150573/08A patent/RU2569568C1/ru active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7813822B1 (en) * | 2000-10-05 | 2010-10-12 | Hoffberg Steven M | Intelligent electronic appliance system and method |
RU2411574C2 (ru) * | 2009-01-29 | 2011-02-10 | Александр Валерьевич Бухановский | Интеллектуальная грид-система для высокопроизводительной обработки данных |
RU148692U1 (ru) * | 2014-07-22 | 2014-12-10 | Федеральное государственное казенное военное образовательное учреждение высшего профессионального образования "ВОЕННАЯ АКАДЕМИЯ СВЯЗИ имени Маршала Советского Союза С.М. Буденного" Министерства обороны Российской Федерации | Система мониторинга событий компьютерной безопасности |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2631127C2 (ru) * | 2015-12-28 | 2017-09-19 | федеральное государственное бюджетное образовательное учреждение высшего образования "Санкт-Петербургский государственный морской технический университет" (СПбГМТУ) | Способ оперативного контроля остойчивости судна в чрезвычайных ситуациях |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tuli et al. | COSCO: Container orchestration using co-simulation and gradient based optimization for fog computing environments | |
Dong et al. | Task scheduling based on deep reinforcement learning in a cloud manufacturing environment | |
Priore et al. | Dynamic scheduling of manufacturing systems using machine learning: An updated review | |
Branke et al. | Automated design of production scheduling heuristics: A review | |
Aguilar | Different dynamic causal relationship approaches for cognitive maps | |
Jones et al. | Survey of job shop scheduling techniques | |
Prado et al. | Knowledge acquisition in fuzzy-rule-based systems with particle-swarm optimization | |
JP2020507157A (ja) | システムの自動化および制御に対するコグニティブエンジニアリング技術のためのシステムおよび方法 | |
US20190179647A1 (en) | Auto throttling of input data and data execution using machine learning and artificial intelligence | |
Tan et al. | Application of an evolutionary algorithm-based ensemble model to job-shop scheduling | |
Li et al. | Risk assessment model based on multi-agent systems for complex product design | |
RU2502131C1 (ru) | Способ автоматизированного управления проектированием бортовых интеллектуальных систем | |
Pérez et al. | A mobile group decision making model for heterogeneous information and changeable decision contexts | |
RU2569568C1 (ru) | Способ контроля чрезвычайных ситуаций на основе интеграции вычислительных и информационных компонент грид-системы | |
Canbaz et al. | Resolving design conflicts and evaluating solidarity in distributed design | |
Kosmatopoulos et al. | Local4Global adaptive optimization and control for system-of-systems | |
Vrba | Review of industrial applications of multi-agent technologies | |
Makanda et al. | Emergence of collective intelligence in industrial cyber-physical-social systems for collaborative task allocation and defect detection | |
Xiaolong et al. | A knowledge-based fruit fly optimization algorithm for multi-skill resource-constrained project scheduling problem | |
Padmajothi et al. | Load-aware intelligent multiprocessor scheduler for time-critical cyber-physical system applications | |
Khanzadi et al. | Finding optimum resource allocation to optimizing construction project Time/Cost through combination of artificial agents CPM and GA | |
Rocha et al. | Digital twin-based optimiser for self-organised collaborative cyber-physical production systems | |
Gaskova et al. | Semantic modeling of cyber threats in the energy sector using Dynamic Cognitive Maps and Bayesian Belief Network | |
Diallo et al. | An explainable deep learning approach for adaptation space reduction | |
US11651257B2 (en) | Software CoBot engineering, execution, and monitoring |