Россия
аспирант
ВАК 2.3.6 Методы и системы защиты информации, информационная безопасность
УДК 004.051 Эффективность
Рассматриваются современные подходы к диагностированию и восстановлению работоспособности информационно-управляющих систем подвижного состава. Введение: в условиях растущих требований к надежности и безопасности транспортных систем традиционные методы диагностики становятся недостаточно эффективными. Цель: исследовать возможности применения многоагентных и нейросетевых технологий для повышения эффективности диагностики и восстановления ИУС подвижного состава. Методы: в работе анализируются многоагентные системы, обеспечивающие распределенную диагностику, где агенты взаимодействуют для быстрого обнаружения и локализации неисправностей. Также исследуются нейросетевые технологии, обеспечивающие высокую точность прогнозирования неисправностей за счет анализа больших объемов данных и самообучения. Результаты: основной результат заключается в выявлении потенциала интеграции многоагентных и нейросетевых технологий. Показано, что их совместное применение может значительно повысить надежность, адаптивность и автономность ИУС подвижного состава. Обсуждение: обсуждаются перспективы создания гибридных систем, сочетающих многоагентные и нейросетевые методы. Рассматриваются их преимущества и ограничения, а также потенциал для дальнейшего улучшения ИУС в транспортных системах.
многоагентные системы, нейросетевые технологии, транспорт, информационно-управляющие системы, автоматизация
1. Кон Е. Л., Кулагина М. М. Надежность и диагностика компонентов инфокоммуникационных и информационно-управляющих систем: учебное пособие. Пермь: Пермский нац. исслед. политехн. ун-т, 2012. 395 с.
2. Язынин В. С., Барановский А. М. Модель информационной системы контроля характеристик токоприемника на основе применения 3D-сканирования и нейросетевых технологий // Транспорт: проблемы, идеи, перспективы: сборник трудов LXXXIII Всероссийской научно-технической конференции студентов, аспирантов и молодых ученых (Санкт-Петербург, Россия, 17–24 апреля 2023 г.): в 2 т. Т. 1. СПб.: ПГУПС, 2023. С. 97–102. EDN: https://elibrary.ru/FSZSPP
3. Язынин В. С., Барановский А. М., Забродин А. В. Модель системы дистанционного контроля состояния электроподвижного состава с применением искусственных нейронных сетей // Интеллектуальные технологии на транспорте. 2023. № 1 (33). С. 27–37. DOI:https://doi.org/10.24412/2413-2527-2023-133-27-37. EDN: https://elibrary.ru/GRDYTQ
4. Харченко В. С., Эльяси Комари И., Горбенко А. В. Оценка надежности информационно-управляющих систем на основе иерархических FME(C)A-таблиц и марковских цепей: модели, методика и информационная технология // Научные ведомости Белгородского государственного университета. История. Политология. Экономика. Информатика. 2011. № 19 (114), Вып. 20/1. С. 169–178.
5. Исаев И. Д. Многоагентные системы, алгоритм распознавания образов интеллектуальными агентами // Вестник науки. 2023. № 11 (68), Т. 4. С. 651–659. EDN: https://elibrary.ru/VOQPRA
6. Алибеков Б. И. Мамаев Э. А. Мультиагентные системы в логистике: информационно-аналитические аспекты // Вестник Дагестанского государственного университета. Серия 1. Естественные науки. 2017. Т. 32, Вып. 4. C. 56–62. DOI:https://doi.org/10.21779/2542-0321-2017-32-4-56-62. EDN: https://elibrary.ru/YLQBGG
7. Введение в математическое моделирование транспортных потоков: учебное пособие / Под ред. А. В. Гасникова. Изд. 2-е, испр. и доп. М.: МЦНМО, 2013. 428 с.
8. Kesting A., Treiber M., Helbing D. Agents for Traffic Simulation // Multi-Agent Systems: Simulation and Applications / A. M. Uhrmacher, D. Weyns (eds.). Boca Raton (FL): CRC Press, 2009. Pp. 325–356.
9. Бочков А. П., Барановский А. М., Гильванов Р. Г. Оценка согласованности и совместимости технических систем в составе сложных организационно-технических систем // Системы управления, связи и безопасности. 2020. № 1. С. 284–301. DOI:https://doi.org/10.24411/2410-9916-2020-10109. EDN: https://elibrary.ru/CIXCWP
10. Выучейская М. В. Крайнова И. Н. Грибанов А. В. Нейросетевые технологии в диагностике заболеваний (обзор) // Журнал медико-биологических исследований. 2018. T. 6, № 3. C. 284–294. DOI:https://doi.org/10.17238/issn2542-1298.2018.6.3.284. EDN: https://elibrary.ru/UZPSJS
11. Использование искусственных нейронных сетей на Российских железных дорогах для контроля токоприемников поездов / В. С. Язынин, А. М. Барановский, А. А. Воробьев, И. Ю. Романова // International Journal of Advanced Studies. 2023. Т. 13. № 1. С. 267–287. DOI:https://doi.org/10.12731/2227-930X-2023-13-1-267-287. EDN: https://elibrary.ru/UGLBCH
12. Хамидулин Т. Г. Применение искусственных нейронных сетей в транспортной отрасли / Т. Г. Хамидулин; науч. рук. О. С. Козлова // Экономика и социум. 2019. № 4 (59). С. 851–858. EDN: https://elibrary.ru/ZZRFOP
13. Adapted Model Neural-Like Hopfield Network and the Algorithm of Its Training for Finding the Roots Systems of Linear Algebraic Equations / A. P. Gluhov, A. M. Baranovskiy, Y. S. Fomenko, A. P. Bochkov // Artificial Intelligence in Intelligent Systems (CSOC 2021): Proceedings of the 10th Computer Science On-line Conference 2021 (Zlín, Czech Republic, April 2021) / R. Silhavy (ed.). Vol. 2. Lecture Notes in Networks and Systems, Vol. 229. Cham: Springer Nature, 2021. Pp. 386–395. DOI:https://doi.org/10.1007/978-3-030-77445-5_36. EDN: https://elibrary.ru/OYIMXW
