Интеллектуальные технологии в системах горочной автоматизации

Успешность новых технологий в любой отрасли народного хозяйства в первую очередь определяется проработанностью тех теоретических положений, которые закладывают в основу развития этих технологий. Интеллектуализация транспорта как новый класс информационных технологий, основанных на моделях представления и обработки знаний, не является исключением.

Статья директора Ростовского филиала ОАО «НИИАС», доктора технических наук, профессора Александра Николаевича Шабельникова и вице-президента Ассоциации нечетких систем, члена Российской Ассоциации искусственного интеллекта, сотрудника института, доктора технических наук, профессора Сергея Михайловича Ковалева посвящена раскрытию некоторых теоретических аспектов интеллектуализации, имеющих отношение к сортировочным горкам.

Начнем с упоминания причин, которые два десятка лет назад побудили специалистов РостФ ОАО «НИИАС» обратиться к практическому использованию этого нового класса интеллектуальных технологий (правда, они тогда так еще не назывались) при разработке систем горочной автоматизации.

Традиционно считается, что толчком к началу исследований в области искусственного интеллекта и к развитию нового класса интеллектуальных технологий послужило массовое вовлечение в конце прошлого века в сферу автоматизации сложных технологических процессов и появление новых классов так называемых информационно-сложных задач, с которыми традиционные вычислительные технологии не справляются или не эффективны.

Появились классы задач, отличающихся, во-первых, неполнотой описания и наличием множества трудно формализуемых факторов; во-вторых - наличием и необходимостью учета множества нечетко определенных субъективных факторов, влияющих на процессы принятия решений; в-третьих - необходимостью передачи технологических и системных знаний между поколениями разработчиков и их распространением в отрасли.

Применительно к опыту специалистов нашего института решающими стали два обстоятельства.

Первое связано с несостоятельностью традиционной математики. В свое время при совершенствовании алгоритмов прицельного регулирования специалисты столкнулись с тупиковым положением: усложнение математики, закладываемой в алгоритмы управления, не привело к ожидаемым результатам, в то время как люди, опытные операторы, справлялись с управлением в самых сложных технологических ситуациях. Тогда и возникло понимание, что необходима интеграция практического опыта и теоретических знаний в алгоритмы управления в качестве самостоятельных моделей, то есть построения интеллектуальных систем.

Вторая, менее очевидная причина сопряжена с проблемой передачи знаний. Дело в том, что задачами автоматизации сортировочных горок коллектив РостФ ОАО «НИИАС» занимается несколько десятков лет. Сменилось не одно поколение разработчиков, что вызывает определенные трудности в передаче накопленного опыта и знаний от одних специалистов другим. Интеллектуальные системы, в которых модели знаний сформированы и оформлены независимо от основных алгоритмов, существенно упрощают решение этой проблемы.

Приведем определения, которые, по нашему мнению, в наиболее полной мере соответствуют пониманию основной концепции интеллектуализации транспорта и отражают главные теоретические аспекты.

Интеллектуальная система (ИС) основана на знаниях, способна накапливать и модифицировать их в процессе своего функционирования и обладает за счет этого высоким уровнем «самостоятельности» при выработке решений.

Интеллектуальные технологии (ИТ) - это методы решения слабо формализованных задач с использованием интеллектуальных систем.

Слабо формализованная задача - та, алгоритм решения которой априори неизвестен или не формализован.

Из этих определений следует, что модели представления знаний и механизмы их обработки являются обязательными и основными элементами любой ИС.

В рамках развития интеллектуальных технологий предложено несколько подходов к формированию моделей представления и обработки знаний, которым отвечают различные направления в области исследований искусственного интеллекта (ИИ). Выделяют четыре основных направления: логико-лингвистические модели; искусственные нейронные сети; нечеткие системы; эволюционные, генетические и иммунологические системы.

Нашими коллегами накоплен определенный багаж и в практическом использовании некоторых из перечисленных технологий, и в теоретическом их развитии.

Бессмысленно выделять какую-либо из них в качестве наиболее эффективной. Все, в конечном счете, определяется спецификой решаемых задач. Следует отметить три класса задач, с которыми специалисты института столкнулись при автоматизации сортировочных горок (СГ). Это - задачи мониторинга и диагностирования; моделирования и прогнозирования; управления и поддержки принятия решений.

Исторически первым классом стали задачи идентификации ходовых свойств отцепов в подсистемах торможения. Для их решения были использованы модели персептрона, а позднее - модели на основе искусственных нейронных сетей (ИНС). Интерфейс одной из подсистем основан на нейросетевых моделях.

Как и предвидели теоретики, нейросети представляют собой идеальный инструмент обобщения сырых экспериментальных данных «из-под колеса». Благодаря использованию нейросетевых моделей специалистам удалось решить проблемы идентификации ходовых свойств и качественного регулирования на первой и второй тормозных позициях.

Однако возможности традиционных ИНС оказались существенно ограничены при обработке темпоральных данных, отражающих динамику процессов. Это препятствовало дальнейшему их использованию, в частности, в задачах прицельного торможения, где необходимо точно прогнозировать динамику. Поэтому было предложено использовать новый класс динамических ИНС, основанных на рекуррентных нейросетях Элмана.

Рекуррентная сеть Элмана содержит дополнительный контекстный слой, выполняющий роль некой оперативной памяти, в которую записывается информация с выхода сети, задержанная на один такт.

За счет наличия контекстного слоя и обратных связей сеть Элмана оказывается способной путем итерирования информации осуществлять динамические или темпоральные обобщения, запоминать сложным образом организованные во времени структуры данных. Все это становится бесценным в задачах идентификации динамических процессов с учетом нечетко-определенных факторов.

Моделирование нелинейных систем и процессов - самая сложная математическая проблема, решение которой с использованием какой-либо одной вычислительной технологии не представляется возможным. Поэтому применительно к моделированию дискретных динамических систем специалистами РостФ ОАО «НИИАС» был разработан новый класс дискретных математических моделей в рамках развития вышеприведенной интеллектуальной технологии логико-лингвистического моделирования с учетом экспертной информации. Это специальный класс темпоральных и нечетко-темпоральных систем.

Предложенный класс принципиально отличается от ранее рассмотренного класса адаптивных сетевых моделей своим внутренним математическим содержанием. Он задается тройкой, базовое множество интерпретируется в качестве множества технологических состояний, множество операторов представлено темпоральными отношениями Аллена, а правила вывода задают логику смены технологических состояний в ходе моделирования процесса.

Другое перспективное направление исследований основано на использовании активно развивающейся теории искусственных иммунных систем (ИИС). ИИС представляет собой замечательной пример биологической системы, обладающей колоссальными адаптационными свойствами, обеспечивающими организм человека защитой от всевозможных вирусов-антител. Основная роль иммунной системы заключается в распознавании всех клеток организма и классификации их как «своих» или «чужих». Для решения задач распознавания и классификации иммунная система использует специальные механизмы обучения, которые и закладываются в качестве основных механизмов формирования знаний в искусственные системы. Благодаря этому технические системы приобретают замечательные адаптационные свойства.

ИИС, являясь сетевыми моделями, похожи на ИНС, однако есть принципиальные отличия, заключающиеся в особенностях их взаимодействия с окружающей средой. ИНС непосредственно реагирует на заранее обученные образы входных ситуаций. ИИС реагирует не на входные данные, а на изменения своей внутренней организации, порождаемые входными данными. Замечательные свойства адаптации, самоорганизации, способность усвоения новых знаний из поступающих на вход системы априори неизвестных потоков информации - все это ИИС приобретает за счет постоянной внутренней реорганизации иммунной системы как на структурном, так и на параметрическом уровнях.

Этот способ внутренней реорганизации (самоотождествления) реализуется на основе механизма двойной пластичности. Он исключительно ценен для инженерных приложений, имеющих дело со сложными изменяющимися средами.

В основу организации механизма двойной пластичности в качестве ключевых иммунологических принципов создания современных ИС положено следующее:

- постоянно осуществляется параметрическая регуляция путем плавных незначительных изменений параметров системы под воздействием внешних данных;

- скачкообразно осуществляются структурные изменения, подчиненные параметрическим изменениям, причем этот процесс регулируется внутренними, а не внешними факторами;

- структурные изменения носят коллективный характер и имеют в основе эвристические принципы (»помочь наиболее слабым элементам» или «компенсировать их недостаток», «поддержать разнообразие», «заполнить нишу», «удалить избыточные элементы»).

Принцип самоотождествления в организации ИИС является весьма плодотворным теоретическим основанием для создания нового класса интеллектуальных моделей. Конечная функция таких моделей заключается не в реакции на внешние воздействия, а в поддержании процессов внутренней коммуникации, обеспечивающих постоянство внутренней среды. Для этого используется специальный математический прием введения эндогенных переменных и функций слежения за ними, обеспечивающих структурно-параметрическую регуляцию в ИС.

Описанные иммунологические принципы служат, с одной стороны, плодотворным теоретическим основанием для создания новых классов самоорганизующихся моделей, а с другой - представляют ценность для инженерных приложений, ориентированных на решение задач, связанных с поиском всевозможных аномалий, новинок, сюрпризов в массивах изменяющихся данных. Это, в первую очередь, задачи адаптивного прицельного торможения в нештатных ситуациях, задачи диагностики при отсутствии априори заданных баз отказов и неисправностей, задачи выявления критических состояний конструкций и аномальных выбросов в течение технологических процессов.

В заключение сформулируем некоторые выводы, касающиеся перспектив использования иммунологических подходов при построении адаптивных интеллектуальных систем, обладающих способностями самоорганизации и автоматического извлечения знаний из данных.

Переход к планированию сложных систем, обладающих значительной автономией и предназначенных для взаимодействия с реальной, не поддающейся моделированию и точному прогнозу средой, закономерно потребует замены критериев оптимизации «удовлетворяющими» критериями, точных целей - жизнеспособными целями, а процесса обучения - слабо контролируемым руководством.

Этот вывод означает фактический переход к интеллектуальным системам на основе иммунологических принципов, обладающих высокой пластичностью как на параметрическом, так и на структурном уровне, и способных к существенной внутренней ненаправленной реорганизации. Двойная пластичность обеспечивается с соблюдением принципов, присущих биологическим системам: на этапе эксплуатации системы параметрические изменения происходят постоянно, а структурные скачкообразно, структурные изменения направлены на компенсацию более слабых звеньев системы, а также на сохранение минимальной ее структуры.

Интеллектуальные адаптивные системы, реализованные на иммунологических принципах двойной пластичности, эффективны при решении задач в динамически изменяющихся средах. Чем сложнее, труднее для моделирования и изменчивее будут задачи, тем естественнее инженерные приложения станут усваивать обсуждаемые биологически ориентированные алгоритмические принципы.

Комментарии: