РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНОЙ СОВЕТУЮЩЕЙ СИСТЕМЫ УПРАВЛЕНИЯ ЛИКВИДАЦИЕЙ ПОСЛЕДСТВИЙ ЧРЕЗВЫЧАЙНЫХ СИТУАЦИЙ НА ЖЕЛЕЗНОДОРОЖНОМ ТРАНСПОРТЕ: НЕКОТОРЫЕ ТЕОРЕТИЧЕСКИЕ АСПЕКТЫ

Цуриков Александр Николаевич

аспирант, ФГБОУ ВПО РГУПС, г. Ростов-на-Дону

E-mail: Tsurik7@yandex.ru

Доля ж.-д. транспорта в транспортной системе по грузообороту составляет более 87 %, а по пассажиропотоку — 41 % [2]. По сети ж.-д. дорог перевозится значительное число (до 23 % от общего числа) опасных грузов (ОГ) (более 2500 наименований ОГ, т. е. суммарно до 250 млн. тонн в год), что создает угрозу чрезвычайных ситуаций (ЧС) в результате сходов, столкновений и утечек ОГ с их последующим развитием по пожаровзрывоопасному сценарию. Это особенно опасно в условиях сосредоточения вокруг ж.-д. станций промышленных, производственных объектов, городской застройки. Объекты ж.-д. транспорта уязвимы для терактов, ЧС природного характера и т. д. [3, 5].

По данным ОАО «РЖД» ж.-д. происшествия случаются почти ежедневно [13]. Объективное основание этого процесса — износ фондов достигает 55 % [2]. Значительная доля парка цистерн ОАО «РЖД» эксплуатируется с превышением нормативного срока службы [11].

Лидирующее положение (более 25 %) в числе основных причин ЧС на ж.-д. транспорте занимают сходы с рельсов. Еще около 25 % крушений и аварий на железной дороге вызываются наездами поездов на автомобильный транспорт на железнодорожных переездах (рис. 1). Также причиной многих ЧС является выезд составов на занятый путь и столкновения [13].

Ежегодно увеличивается число происшествий с составами, загруженными ОГ. Ущерб, наносимый такими ЧС, обычно велик, так как кроме ликвидации последствий самой катастрофы, приходится бороться с вторичными поражающими факторами. Ж.-д. аварии и катастрофы также вызываются воздействием природных явлений (оползни, наводнения, землетрясения и т. д.). Они повреждают пути, обрывают провода, разрушают мосты, ухудшают видимость, что создает угрозу безопасности движения.

Рис. 1. Основные причины ЧС на ж.-д. транспорте

В [4] отмечается, что железные дороги всегда были «полигоном» для апробирования и внедрения новых, передовых технологий. Сегодня известно [9, 12], что комплексное решение проблем автоматизации управления сложными технологическими процессами возможно лишь на основе создания интегрированных интеллектуальных систем, соче­тающих точные математические методы и алгоритмы поиска решений, базирующиеся на экспертных знаниях и моделях человеческих рассуждений.

Под интеллектуальной системой [1] понимают систему, основанную на знаниях, представляющую собой комплекс програм­мных, лингвистических и логико-математических средств, предназ­наченных для реализации задачи поддержки деятельности человека. Очевидна необходимость создания интеллектуальных систем для ликвидации последствий ЧС на ж.-д. транспорте.

Анализ предметной области показывает, что основной задачей лица принимающего решения (ЛПР) при ЧС является определение количественного и качественного состава необходимых для ликвида­ции сил и средств, а также наиболее рациональных вариантов их распределения и доставки к месту ЧС.

Однако, детальное рассмотрение вопроса приводит к тому факту, что для решения этой задачи ЛПР должно располагать точной информацией о нанесенном в результате ЧС ущербе. Но получение этой информации в первые минуты ЧС является наибольшей проблемой. ЛПР зачастую располагает лишь обрывочной, неполной информацией, полученной из разных источников. Нередко информация бывает искажена субъективным восприятием наблюдателя, данные являются противоречивыми или вовсе ошибочными [13].

В этих сложных условиях ЛПР должно на основе личного опыта, интуиции, консультаций с др. специалистами принять решение об опре­делении необходимых сил и средств для ликвидации последствий ЧС. При этом нежелательно, как преувеличение, так и преуменьшение числа средств ликвидации. В первом случае это вызовет необоснованные мате­риальные затраты, концентрацию сил в одном месте, «оголение» других проблемных участков и т. д. Во втором случае ликвидация может растянуться во времени, не все пострадавшие своевременно получат необходимую помощь и т. д.

Поясним это на примере. Допустим, произошел сход поезда с рельс. Информация об этом поступает по телефонной связи или по радиосвязи от машиниста (начальника поезда) к ЛПР (дежурному по ближайшей станции). Последний должен на основе неполных данных оценить масштаб происшествия, предполагаемый ущерб и передать информацию о месте и характере ЧС всем заинтересованным службам, в том числе спасательным [13].

Если бы ЛПР обладало данными о числе пострадавших/погибших, о степени тяжести их травм (тяжелой, средней, легкой), количестве и типе сошедших вагонов, опасности возгорания/взрыва, разрушениях железнодорожного полотна и т. д.. то определение необходимого числа машин скорой помощи, койко-мест в лечебных учреждениях, пожарных и восстановительных поездов и т. д не представляло бы труда. Следовательно, основные усилия по интеллектуализации в советующей системе (СС) по ликвидации последствий ЧС на ж.-д. транспорте следует направить на создание блока (модуля) предварительной оценки ущерба от ЧС (БПОУ).

Данный подход позволяет рассматривать необходимые для ликви­дации силы и средства, как функцию (соответствие) от нанесенного ЧС ущерба:

F(X) = Y,

где: Х — нанесенный ЧС ущерб;

Y — необходимые для ликвидации ЧС силы и средства.

Это позволяет перейти от классической схемы работы эксперт­ных СС [6] по диагностике заболеваний или технических неполадок:

Ввод симптомов проблемы à определение причин проблемы à выработка рекомендаций (по их устранению)

к схеме работы советующей системы по ликвидации последствий ЧС:

Ввод имеющихся данных à предварительная оценка ущерба à расчет необходимых для ликвидации сил и средств à управление (распределение) силами и средствами

Так как число имеющихся сил и средств, как правило, меньше необходимого, то это обстоятельство порождает дополнительную задачу об их рациональном управлении (распределении).

Для уточнения функциональных требований опишем работу создаваемой системы при помощи диаграмм на языке United Modeling Language (UML). Построим диаграмму прецедентов советующей системы по ликвидации ЧС (рис. 2).

Рис. 2. Диаграмма прецедентов советующей системы по ликвидации ЧС

Подход к созданию СС, уже ставший «классическим» [6], пред­полагает использование баз знаний, как совокупности фактов и правил логического вывода, моделирующих поведение эксперта в определен­ной области с использованием процедур логического вывода и приня­тия решений.

Однако в последние годы большой интерес вызывают новые направления имитации интеллектуальной деятельности человека, а именно искусственные нейронные сети (ИНС), генетические алгоритмы, нечеткая логика [8]. Эти направления могут использоваться, как самостоятельно, так и совместно. В последнем случае объединение нескольких технологий позволяет получить новые возможности.

Перспективным направлением в создании СС ряд авторов [7, 8] считает использование ИНС. Не списывая со счетов «классические» подходы к созданию СС следует рассмотреть возможность примене­ния ИНС при создании интеллектуальной системы управления ликвидацией ЧС на ж.-д. транспорте.

Реализация БПОУ, являющегося ключевой частью рассмат­риваемой системы, на основе ИНС позволяет по-новому взглянуть на проблему предварительной оценки ущерба от ЧС. Известно [8], что проблемой, с которой ИНС лучше всего умеют справляться, и для которой они применялись с самого начала исследований в этой области, является задача классификации.

Таким образом, на вход БПОУ, содержащего специально обучен­ную ИНС, следует подавать некоторые известные данные о произо­шедшей ЧС. На выходе ИНС должна выдавать приблизительные оценки ущерба, который могло нанести подобное происшествие. То есть, можно представить задачу оценки ущерба от ЧС, как задачу классификации.

Математическая постановка задачи. Пусть Z — множество описа­ний ЧС, P — множество классов описания ущерба от ЧС. Существует неизвестная целевая зависимость — отображение z^*:ZàP, значения которой известны только на объектах конечной обучающей выборки Z_m={(z₁,p₁),…,(z_m,p_m)}. Требуется построить ИНС a: ZàP, способную корректно классифицировать произвольную ситуацию zZ.

Универсальность СС можно достичь путем создания нескольких ИНС, размещенных внутри БПОУ, каждая из которых обучена на распознавание ЧС определенного типа. На начальном этапе следует ориентироваться на самые распространенные ЧС на ж.-д. транспорте (сходы, столкновения подвижного состава и т. д.). В дальнейшем возможна модификация БПОУ путем замены отдельных ИНС, изменения их структуры, весовых коэффициентов и т. д.

Вместе с тем автор понимает, что работа в рамках данного подхода сопряжена со значительными трудностями: нужно выбрать структуру ИНС, исследовать имеющиеся статистические данные, сформировать корректные обучающие выборки, подобрать весовые коэффициенты и т.д. Однако перспективы открываемые таким подходом являются многообещающими.

Для преодоления описанных трудностей возможно объединение нескольких технологий интеллектуализации (рис. 3). В частности, генетические алгоритмы можно применять для подбора весов и топологии ИНС, а нечеткую логику для описания информации о ЧС в виде правил, основанных на нечетких множествах и лингвистических переменных, что позволяет говорить о необходимости разработки и внедрения гибридных систем.

Рис. 3. Объединение нескольких интеллектуальных технологий

На основе приведенных данных, построим укрупненную схему структуры будущей советующей системы по ликвидации последствий ЧС на ж.-д. транспорте, какой она видеться на данном этапе работ (рис. 4).

Рис. 4. Структура советующей системы

На рисунке 4 использованы следующие условные обозначения.

БД — база данных; БОвх — блок общения входной; БОвых — блок общения выходной; БПОД — блок предварительной обработки данных; БПОУ — блок предварительной оценки ущерба от ЧС; БРНСС — блок расчета необходимых сил и средств для ликвидации последствий ЧС; БРУСС — блок рационального управления силами и средствами ликвидации ЧС; ГИС — геоинформационная система; ИНС — искусственная нейронная сеть; СС — советующая система.

Как показано в [10] подобная модульная структура позволяет получить некоторые известные преимущества для различных систем, такие как универсальность, взаимозаменяемость отдельных частей, децентрализация.

В итоге можно сделать следующие выводы:

1. Показана опасность ЧС на ж.-д. транспорте, выявлены их основные причины и распределение в процентном отношении. Обоснована необходимость создания и применения СС для ликвидации последствий ЧС;
2. Предложено рассматривать необходимые для ликвидации ЧС силы и средства, как функцию (соответствие) от нанесенного ущерба;
3. Основные усилия по интеллектуализации в СС по ликвидации последствий ЧС на ж.-д. транспорте следует направить на создание блока предварительной оценки ущерба от ЧС (БПОУ);
4. Разработана диаграмма прецедентов СС на языке UML;
5. Предложено представить задачу оценки ущерба от ЧС, как задачу классификации. Предложено использовать для этих целей ИНС в БПОУ;
6. Показано, что современные подходы к созданию интеллек­туальных систем предполагают широкую интеграцию технологий. Это позволяет говорить о необходимости разработки и внедрения гибрид­ных систем;
7. Построена укрупненная схема структуры будущей СС по ликвидации последствий ЧС на ж.-д. транспорте.

Список литературы:

1.        Аверкин А. Н. Толковый словарь по искусственному интеллекту / А. Н. Аверкин, М. Г. Гаазе—Рапопорт, Д. А. Поспелов. М.: Радио и связь, 1992. —256 с.

2.        Аристов С. А. Приветственное слово к участникам конференции. Обращение по проблеме безопасности движения на железнодорожном транспорте // Безопасность движения на железнодорожном транспорте: правовые и технические аспекты: тр. науч.-практ. конф. — Ростов н/Д. — 2002. — С. 6—9.

3.        Гуда А. Н. Оптимизация управления рисками возникновения чрезвычайных ситуаций на железнодорожном транспорте / А. Н. Гуда, И. В. Мартынюк // Транспорт—2006: тр. всерос. науч.-практ. конф., май 2006.: в 3-х ч. — Ч. 3. — С. 296—297.

4.        Железнодорожный транспорт: Энциклопедия / Гл. ред. Н. С. Конарев. М.: Большая Российская энциклопедия, 1995. — 559 с.

5.        Мартынюк И. В. О разработке компьютерных карт потенциальных опасностей и последствий аварийных ситуаций при перевозках опасных грузов с использованием геоинформационных технологий / И. В. Мартынюк, Н. И. Павленко, Н. С. Флегонтов, В. Ф. Даниленко // Информационные технологии на железнодорожном транспорте «ИНФОТРАНС—2001»: сб. докладов 6-й междунар. науч.-практ. конф., 12—14 окт. 2001 г., Сочи. — С. 156—161.

6.        Нейлор К. Как построить свою экспертную систему. М.: Энергоатомиздат, 1991. — 286 с.

7.        Пучков Е. В. Разработка среды моделирования искусственных нейронных сетей. Решение задачи прогнозирования временного ряда // Вестник РГУПС. — 2009. — № 2. — С. 44—50.

8.        Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткие системы: пер. с польск. И. Д. Рудинского / Д. Рутковская, М. Пилиньский, Л. Рутковский. М.: Горячая линия — Телеком, 2006. — 452 с.

9.        Харченко В. А. Сетевой язык представления динамических знаний в интегрированных системах управления технологическими процессами на железнодорожном транспорте / В. А. Харченко, Л. В. Пальчик, С. М. Ковалев // Информационные технологии на железнодорожном транспорте «ИНФОТРАНС—2001»: сб. докладов 6-й междунар. науч.-практ. конф., 12—14 окт. 2001 г., Сочи. — С. 324—326.

10.     Цуриков А. Особенности разработки медицинских информационных систем // Инженер. — 2011. — № 3. — С. 2—5.

11.     Чачина О. Г. Типология современного рынка конечных грузовых железнодорожных услуг // Вестник РГУПС. — 2006. — № 3. — С. 74—81.

12.     Чернов А. В. Способ снижения информационной нагрузки диспетчерского персонала в условиях ограниченного времени / А. В. Чернов, М. А. Бутакова // Информационные технологии на железнодорожном транспорте «ИНФОТРАНС—2001»: сб. докладов 6-й междунар. науч.-практ. конф., 12—14 окт. 2001 г., Сочи. — С. 326—328.

13.     Шойгу, С. К. Учебник спасателя / С. К. Шойгу, М. И. Фалеев, Г. Н. Кириллов и др.; Под общ. ред. Ю. Л. Воробьева. — Краснодар: Советская Кубань, 2002. — 528 с.