Реферат: Интеллектуальные системы распределенного мониторинга на основе беспроводных сенсорных сетей с использованием системы мобильных объектов шабельников А. Н


ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ РАСПРЕДЕЛЕННОГО МОНИТОРИНГА НА ОСНОВЕ БЕСПРОВОДНЫХ СЕНСОРНЫХ СЕТЕЙ С ИСПОЛЬЗОВАНИЕМ СИСТЕМЫ МОБИЛЬНЫХ ОБЪЕКТОВ


Шабельников А.Н., д.т.н., профессор

ОАО «НИИАС», Ростовский филиал

e-mal: shabelnikov@rfniias.ru

Шабельников В.А.

ОАО «НИИАС», Ростовский филиал

e-mal: vadim@rfniias.ru

Ковалев С.М., д.т.н., профессор

ОАО «НИИАС», Ростовский филиал

e-mal: ksm@rfniias.ru

1. ВВЕДЕНИЕ

Одним из важных приложений распределенных технологий обработки данных на основе беспроводных сенсорных сетей (БСС) является мониторинг технического состояния промышленных объектов, строительных конструкций, зданий и мостов. Он сводится к наблюдению за протеканием деформационных процессов в контролируемых объектах, диагностированию текущих состояний и прогнозирования их дальнейшего развития. В этой связи особую актуальность приобретают задачи по мониторингу динамического воздействия поездов на земляное полотно, мосты, тоннели и другие конструкции железнодорожного транспорта в связи с повышением скоростей движения и осевых нагрузок.

В настоящей работе рассматривается структура интеллектуальной системы контроля напряженно-деформированных состояний (ИСКНДС), применяемой в задачах мониторинга железнодорожных мостов. Она базируется на использовании технологий мультиагентных систем, нечетких систем и распределенных базах знаний.

^ 2. СТРУКТУРА ИСКНДС

В зависимости от размера объектов ИСКНДС может состоять от нескольких десятков до сотен узлов, оснащенных датчиками вибрации (акселерометрами). Использование беспроводных приемопередатчиков и автономных источников питания исключает проблемы, связанные с прокладкой кабеля для передачи данных или питания к датчикам, распределенных по мосту.

В отличие от известных систем мониторинга [1, 2, 3] ИСКНДС обладает рядом особенностей:

1. Агрегация данных сенсоров на основе метамоделей.

2. Возможность накапливать данные мониторинга при потере связи с координатором сети.

3. Распределенные базы знаний и системы приобретения знаний.

Сенсорная сеть состоит из десятков – сотен беспроводных узлов, оснащенных трехосевыми датчиками вибрации. В основе архитектуры сети лежит трехуровневая иерархия узлов и связанная с ней система мобильных агентов (см. рис. 1).

Мобильные интеллектуальные агенты в условиях беспроводных сенсорных сетей могут динамически адаптироваться к меняющейся информационной среде, работают автономно, в случае обрыва связи с координатором сети, а при восстановлении соединения передавать ему всю накопленную информацию.

Эти и многие другие достоинства систем мобильных агентов представляют их в качестве весьма эффективного инструмента при формировании распределенных баз знаний интеллектуальной мониторинговой системы.

На первом уровне иерархии располагаются сенсорные узлы БСС, основная задача которых заключается в сборе локальной информации о контролируемом процессе в зоне размещения агента. Кроме того, они способны выполнять следующие функции:





Рис. 1. Структура ИСКНДС

1. Передавать собранные данные без изменений узлам второго уровня иерархии для анализа и обучения метамоделей.

2. Собирать данные о собственных доступных ресурсах и, при необходимости, направлять их узлам второго уровня (агент самодиагностики).

3. При потере связи с координатором сети, в порядке приоритета, самостоятельно брать на себя функции временного координатора и создавать сеть, способную накапливать данные мониторинга.

4. При существующем запросе из центра мониторинга отслеживать интересующие события и сигнализировать об их появлении (агент слежения).

5. Принимать метаданные от узлов второго уровня иерархии (мобильный агент метаобучения).

Второй уровень иерархии представлен координатором сети. В его структуру входят шестнадцать приемопередатчиков, способных работать в одном из шестнадцати частотных каналов открытого ISM диапазона, регламентированных стандартом IEEE 802.15.4/ZigBee. Каждый приемопередатчик является координатором субсети, состоящей из двенадцати сенсорных узлов. В основе каждого координатора лежит агент управления.

В функции агента управления входят:

1. Поддержание работы субсети.

2. Создание метамоделей на основе данных собранных с датчиков и отправку их на сенсорные узлы при соответствующем запросе из центра мониторинга.

3. При отсутствии собственной субсети, в порядке приоритета, замена вышедшего из строя координатора.

4. Изменение приоритетов сенсорных узлов в зависимости от доступных им внутренних ресурсов. Это предотвращает появление ситуаций, в которых при потере связи координатора с субсетью функции временного управления на себя возьмет узел с недостаточными внутренними ресурсами.

5. Активизировать агентов слежения сенсорных узлов по условию, поступившему из центра мониторинга.

Агенты самого верхнего уровня решают задачи, связанные с непосредственным принятием диагностических решений.

^ 3. ФОРМИРОВАНИЕ БАЗ ЗНАНИЙ ИСКДНС

В основе интеллектуальной мониторинговой системы лежат базы знаний агентов БСС, включая распределенные БЗ агентов нижнего уровня и центральную БЗ агентов верхних уровней. Распределенные БЗ включают модели локальных динамических процессов, протекающих в контролируемых объектах, а центральная БЗ – модель глобального деформационного процесса и алгоритмы выработки диагностических решений.

Традиционно в качестве математических моделей динамических процессов выступают системы дифференциальных уравнений. Однако, проблема усложняется тем, что для рассматриваемых задач детальные сведения о моделируемых процессах либо отсутствуют вовсе, либо явно недостаточны. Единственная информация о свойствах таких процессов содержится в экспериментальных данных. Это приводит к необходимости разработки самообучающихся систем, способных воссоздавать модели контролируемых процессов на основе экспертной информации и объективных данных, поступающих в систему. Фактически, речь идет о реконструкции динамических систем, способных с известной степенью точности воспроизводить наблюдаемую динамику процессов, заданную в экспериментальных данных. Для решения проблемы авторы привлекают технологию мягких вычислений.

Каждый из агентов сети нижнего уровня в течение определенного интервала времени получает с контролируемого объекта информацию о развитии деформационного процесса в зоне расположения агента. На основе этой информации с использованием собственной БЗ агент вычисляет шейп развития динамического процесса на интервале и передает его через БСС агентам верхнего уровня в виде небольшого числа интегральных параметров, описывающих этот шейп. Агенты верхнего уровня на основе информации о развитии процесса в отдельных зонах конструкции определяют общую динамику процесса на интервале , интегрируют ее по всему контролируемого интервалу времени T и выносят диагностические решения.

Основными элементами распределенных БЗ мобильных агентов являются процедуры вычисления шейпов развития динамического процесса в зонах размещения агентов. Шейп формируется в виде нечетко-трендовых представлений процесса с использованием таких лингвистических термов как МАЛОЕ НАРАСТАНИЕ, РЕЗКОЕ СНИЖЕНИЕ и т.п. Для их вычисления на интервале используются нейросетевые модели (ИНС)







На вход локальной ИНС подается последовательность чисел, характеризующих мгновенные значения деформаций по каждой из пространственных координат X, Y, Z, Эту информацию агент принимает от соответствующих сенсоров напряженности в течение интервала времени . Выходом ИНС является вектор нечетких термов, характеризующих шейп процесса на интервале , вместе со значениями соответствующих функций принадлежности.

База знаний агента верхнего уровня включает нечеткие продукционные правила и соответствующие им схемы вывода диагностических сообщений. Аргументами правил являются нечеткие термы, характеризующие локальные шейпы развития деформационных процессов полученные от агентов нижнего уровня. Нечеткие правила устанавливают причинно-временную связь между текущими и последующими состояниями процесса. Посылки правил характеризуют текущие значения фазовых координат (независимых переменных) динамической системы, представленные в виде нечетких числовых термов, а заключения правил – приращения фазовых координат во времени.

Нечеткие правила Сугено для БЗ агента верхнего уровня имеют вид:



где – нечеткие термы, характеризующие локальные тренды фазовых координат, – приращения фазовых координат, ci – числовые параметры. В качестве лингвистических значений нечетких переменных выступают такие термы, как: МАЛОЕ ПОЛОЖИТЕЛЬНОЕ, ОКОЛО НУЛЯ, БОЛЬШОЕ ОТРИЦАТЕЛЬНОЕ и т.п.

Для придания большей гибкости НДС предлагается вместо параметров ci, входящих в заключения правил, использовать нечеткие параметры, представленные в виде нечетких числовых термов, характеризующих приращения фазовых переменных.

Моделирование процесса на основе БЗ осуществляется путем реализации процедур нечетко-логического вывода в соответствии с теорией приблизительных рассуждений. В каждый из дискретных моментов времени t для всех независимых переменных системы на основании базы правил вычисляются их приращения с использованием механизма нечетко-логического вывода. Вычисленные нечеткие приращения прибавляются к текущим значениям переменных по правилам нечеткой арифметики и определяются новые значения переменных в последующий момент времени , после чего цикл моделирования повторяется.

Структура НДС, основанной на использовании стандартного механизма вывода из 4-этапов, приведена на рис. 1.

Нечеткий вывод начинается с этапа физзификации входных переменных , входящих в предусловия нечетких правил базы правил НДС, в результате чего вычисляются значения истинности предусловий правил . Далее осуществляется вывод по каждому из правил путем распространения значения истинности посылки правила на его заключение . В результате для каждого правила формируется заключение в виде вектора нечетких множеств , характеризующих нечеткие приращения переменных. Затем заключения правил агрегируются на шкалах соответствующих переменных, в результате чего формируется вектор приращений координат в виде вектора нечетких множеств . Нечеткий вывод завершается этапом дефаззификации вектора нечетких множеств путем приведения его к вектору четких значений приращений координат выходных переменных.



Рис. 2. Структура нечеткой динамической системы

Литература

Sukun Kim. Wireless Sensor Networks for Structural HealthMonitoring. Master’s thesis, U.C.Berkeley, 2005.

Jeongyeup Paek, Krishna Chintalapudi, John Cafferey, Ramesh Govindan, and Sami Masri. A Wireless Sensor Network for Structural Health Monitoring: Performance and Experience. In EmNetS-II, May 2005.

Manuel E. Ruiz-Sandoval. Smart Sensors for Civil Infrastructure Systems. PhD thesis, University of Notre Dame, Indiana, 2004.
еще рефераты
Еще работы по разное