Автоматизация процессов мониторинга объектов железнодорожной инфраструктуры на основе мультиагентных иммунологических систем тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат технических наук Шабельников, Вадим Александрович

• Шабельников, Вадим Александрович
• кандидат технических наук
• 2011

Оглавление диссертации кандидат технических наук Шабельников, Вадим Александрович

Список используемых сокращений.

ВВЕДЕНИЕ.

Глава 1 Состояние систем мониторинга объектов инфраструктуры на железнодорожном транспорте.

1.1 Характеристика объектов мониторинга.

1.2 Существующие системы. Анализ проблем и задач мониторинга.

1.3. Авторская концепция организации мониторинга и управления природно-техническими объектами железнодорожного транспорта.

Выводы по главе 1.

Глава 2 Математические основы синтеза систем мониторинга и управления состоянием искусственных сооружений на железнодорожном транспорте.

2.1 Общая стратегия оценки состояния искусственных сооружений на железнодорожном транспорте.

2.2 Моделирование сети каналов системы мониторинга и управления.

2.3 Систематизация и развитие моделей динамических процессов.

2.4 Нечеткая логика в задачах мониторинга и управления состоянием искусственных сооружений на железнодорожном транспорте.

Выводы по главе 2.

Глава 3 Мультиагентные иммунологические модели в системах мониторинга распределенных технических объектов.

3.1 Общий подход и принципы построения мультиагентных иммунологических систем распределенной обработки информации.

3.2 Модели представления интеллектуальных автономных агентов и классифицирующих алгоритмов в- гибридной системе технического мониторинга.

3.3. Модели представления агентов-координаторов и иммунологические механизмы их взаимодействия в гибридной СТМ.

Выводы по главе 3.

Глава 4 Программно-аппаратная реализация системы мониторинга и управления природно-техническими объектами.

4.1 Иммунное распознавание образов. Эксперимент.

4.2 Выбор беспроводного канала передачи информации.

4.3 Автоматизированная беспроводная система мониторинга природно-технических объектов.

Выводы по главе 4.

Введение диссертации (часть автореферата) на тему «Автоматизация процессов мониторинга объектов железнодорожной инфраструктуры на основе мультиагентных иммунологических систем»

Актуальность темы исследования.

Устойчивая тенденция повышения осевых нагрузок и скоростей движения на железнодорожном транспорте актуализирует задачи1 мониторинга динамического воздействия* поездов на земляное полотно, мосты, тоннели, и другие искусственные сооружения (ИС). В настоящее время на сети железных дорог эксплуатируется; 82,6 тысячи искусственных сооружений; из них около 7,7 тысячи дефектных (9,3 %), не соответствуют современным нормам - 50,9 тысячи (62 %), превысили нормативный- срок эксплуатации — 40,3 тысячи мостов (49 %).

Существующие системы мониторинга искусственных сооружений, между тем, отличаются устаревшей технологией анализа состояния ИС, значительным влиянием человека на результаты мониторинга, низкою производительностью, что требует разработки новой концепции мониторинга и управления: состоянием ИС.

Степень разработанности проблемы;

Вопросы автоматизации сложных; объектов и процессов на транспорте рассматривались в трудах Долгого И.Д., В.Н. Иванченко, Э.К. Лецкого, В.М. Лисенкова, В.В. Сапожникова, Вл.В. Сапожникова и др.

Новая концепция беспроводного мониторинга, основанного на беспроводных сенсорных сетях, разрабатывается в трудах А. Боулис, А. Дасгупта, Н. Джаубер, C.B. Дублинга, Д.П. Линч, М. Нилеш, Д. Станкович, К.Р. Фар-рар, X. Харидас, К. Чинталапуди, Д.В: Шевитс и др.

Технологии искусственного интеллекта в исследуемой сфере разрабатывались Л.С. Берштейном, С.М. Ковалевым, А.О. Таракановым; Б.К. Хуан-гом, Б. Ченом, А.Н. Шабельниковым, Дж. Элманом и др.

Проблемы создания информационных систем мониторинга: сложных природных и техногенных объектов на железнодорожном транспорте освещены в трудах: В.М. Круглова, В.А. Коугия, С.И. Матвеева, В.Я. Цветкова, E.H. Розенберга, И.Н. Розенберга, В.А. Явны и др.

Математические вопросы обеспечения работы автоматизированных систем на транспорте рассматривались в работах М.А. Бутаковой, А.Н. Гуды, H.H. Лябаха, Э.А. Мамаева, C.B. Соколова, В.Н. Тарана и др.

Цель и задачи исследования.

Данное диссертационное исследование предпринималось в соответствии со следующей целью: анализ этапов развития и совершенствование систем мониторинга и управления состоянием искусственных сооружений железнодорожного транспорта.

Достижение поставленной цели раскрывается в последовательном решении следующих задач:

1. Обоснование необходимости построения автоматизированной системы мониторинга искусственных сооружений железнодорожного транспорта.

2. Разработка авторской концепции мониторинга и управления искусственными сооружениями железнодорожного транспорта.

3. Развитие математического, программно-технического обеспечения синтезируемой системы.

4. Внедрение результатов диссертационного исследования в научные и практические разработки.

В качестве объекта данного исследования выступают автоматизированные системы мониторинга и управления состоянием объектов железнодорожного транспорта различного назначения (мосты, тоннели, железнодорожное полотно, здания и пр.).

Предметом исследования данной работы являются: технологии мониторинга и управления состоянием объектов, их информационное, программно-математическое, алгоритмическое, техническое обеспечение. Работа выполнена в рамках следующих пунктов паспорта специальности 05.13.06 автоматизация и управление технологическими процессами и производствами (транспорт):

6. Научные основы, модели и методы идентификации производственных процессов, комплексов и интегрированных систем управления.

14. Теоретические основы, методы и алгоритмы диагностирования, (определения работоспособности, поиск неисправностей и прогнозирования) АСУТП, АСУП, АСТПП и др.

15. Теоретические основы, методы и алгоритмы интеллектуализации решения прикладных задач при построении АСУ широкого назначения (АСУТП, АСУП, АСТПП и др).

Теоретико-методологической основой исследования послужили научные труды отечественных и зарубежных ученых, посвященные вопросам автоматизации сложных объектов, построению математических моделей технологических процессов контроля, диагностики, управления и процедур принятия решений в условиях неопределенности.

Информационно-эмпирическая база исследования формировалась на основе натурных обследований ряда типичных объектов исследования:

- скально-обвально-оползневого косогора КМ 1929 ПК 5-9 перегона Чемитоквадже - Якорная Щель;

- тоннеля №8 КМ 1977 ПК 10 перегона Мацеста - Хоста, данных монографических исследований отечественных и зарубежных ученых, а также информации из разнообразных Интернет-ресурсов и собственных авторских исследований диссертанта.

Для решения выше поставленных задач был использован инструмен-тарно-методологический аппарат, включающий методологию системного анализа, методы и инструменты формализованного анализа: теория распознавания образов, теория нечетких множеств, анализ'временных рядов, теория массового обслуживания, теория искусственных иммунных систем и пр. Программное обеспечение выполнено на языках программирования С# и

МАТЬАВ, ЗО-модели объектов были созданы с использованием языка разметки ХАМЬ.

Основные положения, выносимые на защиту.

1. Организационный механизм, определяющий общую стратегию оценки состояния искусственных сооружений на железнодорожном транспорте, согласовывающий работу ЛПР и машины и включающий:

- методику экспертной системы оценивания;

- машинные процедуры принятия решений.

2. Модели описания сложных динамических процессов, характеризующих динамику среды и собственно исследуемого ИС. В данном направлеI нии выполнено следующее:

- проанализированы условия применения классических подходов моделирования временных рядов (моделей авторегрессии, скользящего среднего и смешанных моделей);

I - предложен авторский метод идентификации тенденций изменения временных рядов, основанный на использовании аппарата теории распознавания образов, и позволяющий осуществить поэтапную адаптацию моделей и процедур принятия решений;

- исследованы интеллектуальные технологии анализа временных рядов.

3. Процедуры формализованного принятия решений в системах мониторинга и управления ИС на основе использования аппарата теории нечетких множеств. В частности:

- введен соответствующий категориальный аппарат исследования;

-разработана общая структура системы принятия решений, использующая нечеткую логику;

- показана теоретическая обоснованность и практическая реализуемость предложенного математического аппарата;

- предложено систему правил логического вида формировать в виде таблиц соответствий значений лингвистических переменных;

- проиллюстрирована возможность учета психофизиологических качеств ЛПР при формировании баз знаний.

4. Построение нового класса систем технического мониторинга (СТМ), основанное на использовании парадигм искусственных иммунных систем и мультиагентных технологий.

5. Процедуры формирования локальных БЗ интеллектуальных агентов и механизм выработки диагностических решений, основанных на технологии мягких вычислений, а также общая схема применения данной технологии.

6. Модели интеллектуальных агентов для иммунологических мультиагентных СТМ, ориентированных на решение задач, связанных с диагностикой распределенных технических объектов.

7. Модель взаимодействия агентов верхнего уровня СТМ при решении задач распределенного мониторинга сложных технических объектов.

Научная новизна диссертационного исследования- заключается в следующих предложениях автора.

1. Уточнен категориальный аппарат исследования: автоматизированная беспроводная система мониторинга (АБСМ), уровень компетентности, стабильность функционирования, обучаемость эксперта; адаптированы к решению поставленной задачи понятия интеллектуальных агентов и биоинспири-рованных алгоритмов.

2. Разработана концепция и базовые принципы функционирования АБСМ, отличающаяся интеллектуальностью функционирования, универсальностью внедрения на объектах железнодорожного транспорта.

3. Разработана методика экспертной оценки состояния искусственного сооружения, включающая механизм обучения и отбора экспертов.

4. Предложен подход к представлению числовых временных рядов в символьном виде путем многомерной нечетко-шейповой аппроксимации.

5. Разработана парадигма использования биоинспирированных алгоритмов в задаче диагностирования инженерных сооружений. В частности:

- адаптированы модели интеллектуальных агентов для иммунологических мультиагентных систем мониторинга, ориентированных на решение задач, связанных с диагностикой распределенных технических объектов.

- разработаны два новых класса интеллектуальных моделей обработки динамической информации в условиях неопределенности, позволяющих также решать задачи обучения и адаптации локальных БЗ интеллектуальных систем мониторинга.

Апробация и внедрение результатов исследования. Результаты диссертационного исследования докладывались на семинарах кафедры «Информатика» РГУПС, на международных научно-практических конференциях «Актуальные проблемы информатики и информационных технологий» (г. Тамбов, 2005, 2006 гг.), «Интеллектуальные системы на транспорте» (г. Санкт-Петербург, 2011 г.) и «Интегрированные модели и мягкие вычисления в искусственном интеллекте» (г. Коломна, 2009 г.), международном конгрессе по интеллектуальным системам и информационным технологиям «AIS-IT» (г. Дивноморск, 2010 г.), всероссийских научно-практических конференциях и симпозиумах «Транспорт - 2006» (г. Ростов-на-Дону) и «Седьмой всероссийский симпозиум по прикладной и промышленной математике» (г. Москва, 2006 г.), Российской выставке научно-технического творчества молодежи (г. Москва, НТТМ - 2010 г.), отраслевых выставках ОАО «РЖД» и ОАО «НИИАС» (г. Москва, г. Санкт-Петербург).

Структура и объем работы. Диссертационное исследование последовательно раскрывает цель и задачи исследования и состоит из введения, четырех глав, включающих 13 параграфов, заключения, списка использованных источников, включающего 147 наименований и приложения. Работа проиллюстрирована 52 рисунками, 7 таблицами. Общий объем диссертации составляет 164 страницы основного текста.

Заключение диссертации по теме «Автоматизация и управление технологическими процессами и производствами (по отраслям)», Шабельников, Вадим Александрович

Выводы по главе 4

1. Проведены эксперименты иммунного распознавания образов реакций пролетного строения моста на возмущения. Вынесен положительный вердикт об использовании данного алгоритма в задаче определения предава-рийных состояний строительных сооружений.

2. Для организации работы беспроводной сенсорной сети выбран частотный диапазон канала передачи информации и максимальная мощность передатчиков радиосети.

3. Обоснован выбор протокола передачи данных, периодического типа функционирования беспроводной сети, маячкового режима организации трафика.

4. Рассмотрены цели, задачи и функции автоматизированной беспроводной системы мониторинга природно-технических объектов.

5. Рассмотрены особенности внедрения АБСМ на пилотных объектах.

Заключение

На основе анализа состояния искусственных сооружений (ИС) железнодорожного транспорта России, обзора существующих систем мониторинга объектов транспортной инфраструктуры обоснована необходимость разработки автоматизированной системы мониторинга и управления (АБСМ), основанной на использовании современных технологий интеллектуальной обработки данных и реализованной с помощью беспроводных сенсорных сетей.

В работе исследованы свойства, разработаны принципы работы АБСМ. Выявлены требования, предъявляемые к данной системе: интеллектуальность; универсальность; возможность организации работы сенсорной сети на пространственно протяженных объектах; высокая рентабельность системы; высокая чувствительность датчиков; организация работы сети мониторинга в реальном масштабе времени; высокая скорость и удобство установки сенсорных узлов на объекте.

Система выполняет две функции: мониторинг и управление, что позволяет обеспечить ЛПР своевременной и полной информацией об объекте исследования, сформировать вектор управляющих воздействий. Данный механизм систематизирует усилия всех уровней управления и сопричастных сфер деятельности по планированию и проведению регламентных работ по мониторингу состояния искусственных сооружений на железнодорожном транспорте.

Разработан организационный человеко-машинный механизм оценки состояния искусственных сооружений на железнодорожном транспорте, который включает методику работы экспертной системы оценивания, машинные процедуры принятия решений о состоянии ИС, что позволяет значительно облегчить процедуру ревизии ИС в отрасли и четко регламентировать работы по улучшению их состояния.

Систематизированы модели описания сложных динамических процессов, характеризующих динамику среды и собственно исследуемого ИС. Это позволило повысить точность математического описания объекта и системы управления и обеспечить ее технологическую эффективность.

В качестве базовых моделей предложены модели временных рядов. В данном направлении выполнено следующее:

- проанализированы условия применения классических подходов моделирования временных рядов (моделей авторегрессии, скользящего среднего и смешанных моделей);

- предложен авторский метод идентификации тенденций изменения временных рядов, основанный на использовании аппарата теории распознавания образов, и позволяющий осуществить поэтапную адаптацию моделей и процедур принятия решений;

- исследованы интеллектуальные технологии анализа временных рядов.

Систематизация и развитие методов моделирования временных рядов позволила обеспечить анализ реальных процессов с различной степенью неопределенности, стационарности и зашумленности, то есть обеспечить исследование всего спектра процессов, характеризующих динамику состояния ИС.

Показаны возможность и необходимость формализации процедур принятия решений в системах мониторинга и управления ИС на основе использования аппарата теории нечетких множеств. В частности:

- введен соответствующий категориальный аппарат исследования;

-разработана общая структура системы принятия решений, использующая нечеткую логику;

- показана теоретическая обоснованность и практическая реализуемость предложенного математического аппарата;

- предложено систему правил логического вида формировать в виде таблиц соответствий значений лингвистических переменных;

- проиллюстрирована возможность учета психофизиологических качеств ЛПР при формировании баз знаний.

Этот блок исследований обеспечивает информационный и управленческий «диалог» человека и машины, направленный на реализацию взаимного обучения. Человек передает разрабатываемой системе свои знания о проблеме и опыт управления состоянием ИС, а машина обогащает человека результатами функционирования машинного интеллекта.

Разработаны базовые принципы и общий подход к построению нового класса систем технического мониторинга (СТМ), основанный на использовании парадигм искусственных иммунных систем и мультиагентных технологий. В этом направлении реализованы следующие задачи:

- для целей формирования локальных БЗ интеллектуальных агентов и механизма выработки диагностических решений предложено использовать технологию мягких вычислений, и разработана общая схема применения данной технологии;

- разработан новый класс моделей интеллектуальных агентов для иммунологических мультиагентных СТМ, ориентированных на решение задач, связанных с диагностикой распределенных технических объектов.

- разработаны два новых класса интеллектуальных моделей обработки динамической информации в условиях неопределенности, позволяющих также решать задачи обучения и адаптации локальных БЗ интеллектуальных СТМ;

- разработаны наиболее важные теоретические аспекты проблемы обеспечения взаимодействия агентов верхнего уровня СТМ при решении задач распределенного мониторинга сложных технических объектов.

Решение этих вопросов обеспечивает системе защиту от внешних непрогнозируемых возмущений и внутренних поломок, а также снабжает систему вычислительными средствами нового поколения — распределенная вычислительная сеть.

Теоретические исследования апробированы на имитационных моделях, в лабораторных экспериментах и на реальных объектах внедрения. В частности:

- проведены эксперименты иммунного распознавания образов реакции пролетного строения моста на внешние возмущения в результате чего вынесен положительный вердикт об использовании данного алгоритма в задаче определения предаварийных состояний строительных сооружений;

- для организации работы беспроводной сенсорной сети выбраны: частотный диапазон канала передачи информации, максимальная мощность передатчиков радиосети, протокол передачи данных, периодического типа функционирования беспроводной сети, маячкового режима организации трафика;

- рассмотрены особенности внедрения АБСМ на двух пилотных объектах Северо-Кавказской железной дороги.

Список литературы диссертационного исследования кандидат технических наук Шабельников, Вадим Александрович, 2011 год

1. Абовский, Н. П. Нейроуправляемые конструкции и системы / Н. П. Абовский. - М.: Радиотехника, 2003. — 368 е.: ил.

2. Ададуров, С.Е. Железнодорожный- транспорт: на пути к интеллектуальному управлению. Монография / С.Е. Ададуров, В.А. Гапанович, H.H. Лябах, А.Н. Шабельников // Южный научный центр РАН, НИИАС. -Ростов н/Д, 2010. 322 с.

3. Ададуров, С.Е. Интеллектуальная система мониторинга искусственных сооружений / С.Е. Ададуров, В.А. Шабельников // «Мир транспорта», 3 (27), 2009. С. 32 37. '

4. Бажанов, Ю.С. Оптимизация баз знаний экспертных систем с применением нейронных нечетких сетей / Ю.С. Бажанов, A.B. Бухнин // Нейрокомпьютеры: разработка, применение, № 11.- 2007.

5. Батыршин, И.З. Основные операции нечеткой логики и их обобщение / И.З. Батыршин, Казань: Отечество, 2001. - 102 с.

6. Берштейн, JI.C. Нечеткие модели принятия решений: дедукция, индукция, аналогия. Монография^ Л.С. Берштейн, A.B. Боженюк // Таганрог: Изд-во ТРТУ, 2001. - 1 Юс.

7. Бутакова, М.А. Разработка оптимальных алгоритмов функционирования технологических объектов, представляемых открытыми системами: Дис. Канд. техн. наук. / М.А. Бутакова Ростов н/Д, 1996. - 175 с.

8. Воронин, B.C. Интеллектуальные системы на железнодорожном транспорте / B.C. Воронин // Железнодорожный транспорт, № 3, 2009.

9. Гапанович, В.А. Интеллектуальные железнодорожные системы: состояние и направления развития / В.А. Гапанович, A.A. Поплавский // Железнодорожный транспорт, № 11,- 2009.

10. Денисов, A.B. Оценка компетентности эксперта в экспертной системе / A.B. Денисов // Журнал ОПиПМ, 2009. т.16, в.1. - С. 142-143.

11. Заде, JI.A. Роль мягких вычислений-м нечеткой логики в понимании, конструировании и развитии информационных интеллектуальных систем / JI.A. Заде // Новости искусственного интеллекта. № 2. 2001. С. 711.

12. Заде, JI.A. Математика сегодня. Основы нового подхода к анализу сложных систем и процессов принятия решений / JI.A. Заде. — М.: Знание, 1974.- С. 5-49.

13. Ивашкин, Ю.А. Теория и практика агентного моделирования «живых» систем / Ю.А. Ивашкин // Труды Конгресса по интеллектуальным системам и информационным технологиям, 2-9 сентября, 2010 года, т. 1. — Москва: Физматлит, 2010.

14. Инструкция по содержанию искусственных сооружений. М. Транс: порт, № 1999.

15. Интеллектуальные транспортные системы: перспективы развития // Железнодорожный транспорт, № 5, 2009.

16. Ковалев, С.М. Гибридные коннекционисткие модели извлечения темпоральных знаний в информационных базах данных / С.М. Ковалев //i

17. Интегрированные модели и мягкие вычисления в искусственном интел-| лекте. Сб. научн. тр. V Международной научно-практической конференции. Т1. М.: Физматлит, 2009. С. 30-41.

18. Ковалев, С.М. Модели анализа слабо формализованных динамических процессов на основе нечетко-темпоральных систем / С.М. Ковалев // Изв. вузов. Сев.-Кав. регион. Естественные науки, 2002. № 2. С. 10-13.f

19. Ковалев, С.М. Интеллектуальные модели в системах горочной автоматизации / С.М. Ковалев, A.B. Муравский // Железнодорожный транспорт, №8, 2010. С. 47-50.

20. Ковалев, С.М. Информационные технологии: интеллектуализация обучения, моделирование эволюции, распознавание речи / С.М. Ковалев,i С.И Родзин // Изд-во СКНЦ ВШ. Ростов н/Д, 2002.

21. Левин, Б.А. Геоинформатика транспорта / Левин Б.А., Круглов В.М., Матвеев С.И., Цветков В .Я., Коугия В.А. М.: ВИНИТИ РАН, 2006, 336 с.ь

22. Лябах, H.H. Системы массового обслуживания: развитие теории, методология моделирования и синтеза: монография / H.H. Лябах, М.А. Бута-кова. Ростов н/Д: ЮНЦ РАН, РГУ ПС, 2004. - 200 с.

23. Лябах, H.H. Разработка интеллектуальной системы мониторинга оползневых ситуаций / H.H. Лябах, A.C. Сарьян // Труды конгресса по интеллектуальным системам и информационным технологиям AIS-IT' 10 -Дивноморск, 2010.

24. Лябах, H.H. Техническая кибернетика на железнодорожном транспорте: учебник / H.H. Лябах, А.Н. Шабельников. Ростов н/Д.: Изд-во СевероКавказского научного центра высшей школы. 2002.

25. Лябах, H.H. Алгоритмическое, математическое, информационное обеспечение формирования портфеля инновационных проектов / H.H. Лябах,

26. A.B. Денисов // Известия вузов. Сев.-Кавк. регион. Техн. науки. №1, 2009.

27. Малышев, П.Г. Нечеткие модели для экспертных систем в САПР / П.Г. Малышев, Л.С. Берштейн, A.B. Баженюк. М.: Энергоатомиздат, 1991. - 136 с.

28. Мамаев, Э.А. Основы информационной безопасности и защиты данных: учебное пособие / Э.А. Мамаев. Ростов н/Д: Рост. гос. ун-т путей сообщения, 2004. - 127 с.

29. Мартынов, Р. Локомотивы с интеллектом: на железные дороги выходит «думающая» техника / Р. Мартынов // Гудок, 17 марта 2009, № 45.

30. Мартынов, Р. Удаленный доступ: ученые создали интеллектуальные системы управления движением поездов / Р. Мартынов // Гудок, 17 апреля 2009, № 68.

31. Мастаченко, В.Н. Применение методов искусственного интеллекта в решении строительных задач: учебное пособие для вузов ж.- д. тр-та /

32. B.Н. Мастаченко. М.: ГОУ «Учебно-методический центр по образованию на железнодорожном транспорте», 2007. - 308 с.1 r• дорожном транспорте: учебное пособие для вузов ж.- д. тр-та / С.И.

33. Матвеев, В.А. Коугия, В .Я. Цветков / Под ред. С. И. Матвеева // Высшее1.профессиональное образование. М.: УМК МПС России, 2002.с

34. Мелихов, А.Н. Расплывчатые ситуационные модели принятия решений: î учеб. пособие / А.Н. Мелихов, JI.C. Берштейн, С.Я. Коровин Таганрог:1. ТРТИ, 1986.-92 с.

35. Микони, C.B. Границы применения метода вкладов в задаче определения рейтинга объектов / C.B. Микони // Труды Конгресса по интеллектуальным системам и информационным технологиям, 2-9 сентября, 2010г года, т. 1. Москва: Физматлит, 2010.

36. Микони, C.B. Многокритериальный выбор на конечном множестве альтернатив: учебное пособие / C.B. Микони. СПб.: Лань, 2009. - 272 с.

37. Орлов, А.И. Принятие решений. Теория и методы разработки управленческих решений / А.И. Орлов. М.: ИКЦ «МарТ»; Ростов-н/Д, 2005. -' 496 с.V

38. Поляков, A.A. Прикладная информатика: учебно-методическое посоt1.бие: в 2^х частях / A.A. Поляков, В.Я. Цветков. М.: МАКС Пресс, 2008,-41 -778 е.,42-860 с.

39. Решения Государственной Комиссии по Радиочастотам при Министерстве Связи Российской Федерации (ГКРЧ России) от 29.06.98 №7/6 «Об условиях использования радиочастот в диапазоне 2400 2483,5 МГц».

40. Решения Государственной Комиссии по Радиочастотам при Министерстве Связи Российской- Федерации (ГКРЧ России) от 7 мая 2007 года07.20-03-001 «О выделении полос радиочастот устройствам малого радиуса действия».

41. Розенберг, E.H. Инновационные спутниковые технологии на службе у безопасности движения поездов / E.H. Розенберг // Наука и транспорт, 2007.

42. Ротштейн, А.П. Нечеткий многокритериальный выбор альтернатив: метод наихудшего случая / А.П. Ротштейн // Теория и системы управления. 2009. — № 3.

43. Сазыкин, И. Обследования и испытания сооружений: учебное пособие / И. Сазыкин. М.: РГОТУПС, 2003.

44. Сарьян, A.C. Разработка систем функционирования на железнодорожном транспорте: проблемы, пути развития / A.C. Сарьян // Сборник трудов конференции «Транспорт 2009». - Ростов н/Д, 2009.

45. Семенюта, JI.A. Плановый обвал в тоннеле / JT.A Семенюта // «Гудок», 26 июля 2006.

46. Серебряников, И.В. Новое в ремонте и реконструкции инженерных сооружений / И.В. Серебряников // Евразия Вести, 2007. №8.

47. Соколов, М.Ю. Механизация тоннелепроходческих работ, часть I, Проходческие щиты: учебное пособие / М.Ю. Соколов, А.Н. Коньков, Я.В. Мельник, А.Б. Голубых // СПб.: Петербургский гос. ун-т путей сообщения. 2005-44 с.

48. Фоминых, И.Б. Гибридные интеллектуальные системы на основе темпоральных логических моделей и инженерии образов / И.Б. Фоминых //

49. Шабельников, А.Н. Интеллектуальные системы управления на железнодорожном транспорте. Монография / А.Н. Шабельников. — Ростов н/Д, 2004. -214 с.

50. Шабельников, А.Н. Интеллектуальные системы распределенного мониторинга на основе беспроводных сенсорных сетей с использованиемсистемы мобильных объектов / А.Н. Шабельников, С.М. Ковалев, В.А.

51. Шабельников // Сб. науч. трудов V-ой междунар. науч.-практ. конф.

52. САПР». Таганрог: Изд-во ТТИ ЮФУ, 2007, №2 (77). С. 170-174.

53. Шабельников, А.Н. Поиск аномалий в техничеких базах данных временных рядов / А.Н. Шабельников, В.А. Шабельников / Известия ЮФУ. Технические науки. Тематический выпуск «Интеллектуальные САППР». Таганрог: Изд-во ТТИ ЮФУ, 2008, №4. С. 167 - 173.

54. Шабельников, В.А. Компьютерная модель для исследования кода Хэм-минга / В.А. Шабельников, Н.И. Гриненко, А.А. Карякин, В.А. Кандалов // Труды РГУПС, №1, 2009 / Ростов н/Д: Рост. гос. ун-т путей сообщения, 2009. С. 80 85.

55. Шабельников, В.А. Нечеткая логика в управлении электродвигателями / В.А. Шабельников // Актуальные проблемы информатики и информатизационных технологий. Материалы X Международной научно-практической конференции, 2006.

56. Шабельников, В.А. Комплексная система управления рисками, задачи мониторинга на транспорте / В.А. Шабельников, H.A. Скнарина / Первая международная научно-практическая конференция «Интеллектуальные системы на транспорте», 24-26 марта 2011.

57. Шабельников, В.А. Нечеткая логика в управлении движением и электродвигателями / В.А. Шабельников; О.М. Харсеев // Сборник тезисов докладов 65-й студенческой научно-практической конференции / Ростов н/Д: Рост. гос. ун-т путей сообщения, 2006. С. 31-32.

58. Шабельников, В.А. Автоматизированная система управления и мониторинг состояния железнодорожных мостов / В.А. Шабельников // Актуальные проблемы развития железнодорожного транспорта. Ростов н/Д: Рост. гос. ун-т путей сообщения, 2009.

59. Шабельников, В.А. Разработка компьютерной модели по исследованию кодов Хэмминга / В.А. Шабельников В.А. Кандалов // Сборник тезисов докладов 66-й студенческой научно-практической конференции / Ростов н/Д: Рост. гос. ун-т путей сообщения, 2007. С. 7.

60. Шабельников, В.А. Система мониторинга и анализа состояния'искусственных сооружений на железнодорожном транспорте / В.А. Шабельников, А.В. Денисов, А.С. Сарьян // Молодой ученый, №8. Чита, 2010.

61. Шабельников, В.А. Анализ и разработка методов прогнозирования тенденций изменения грузопотока в транспортной системе / В.А. Шабельников, А.А. Сычев,// Известия высших учебных заведений. СевероКавказский регион. Технические науки, 2007.

62. Шухостанов, В.К. Дистанционная диагностика и мониторинг современных железнодорожных транспортных объектов и систем / В.К. Шухостанов, В.Г. Реутов, М.В. Еремина, JI.A. Ведешин, А.Г. Цыбанов // ArcReview № 4 (47) 2008.

63. Явна, В.А. Антенна для скоростного мониторинга железнодорожного пути / В.А. Явна, 3:Б. Хакиев, В.А. Попов, В.В. Ковдус // Вестник РГУПС 2006. - №2,- С. 20-23.

64. Agrawal'R. and R. Srikant. Fast algorithms for mining association rules. In Proceedings of the 20th VLDB Conference, pages 487 499, 1994.

65. Al-Kasassbeh M. Network fault detection with Wiener filter-based agent / M. Al-Kasassbeh, M. Adda // Journal of Network and Computer Applications 2009. - 824—833 p.

66. Ashkenazi V., Bingley R., Dodson A.H., Pena N., Baker T. GPS monitoring of vertical land movements in the UK. 11th Int. Tech. Meeting of the Satellite Division of the U.S. Inst, of Navigation GPS ION-98, Nashville, Tennessee. 1998.

67. Bakshi B. R., G. Stephanopoulos. Representation of process trends IV. Induction of real-time patterns from operating data for diagnosis and supervisory control. Computers & Chemical Engineering, 18(4), 1994.

68. Boukerche A. An agent based and biological inspired real-time intrusion detection and security model for computer network operations / A. Boukerche, R. Machado, K. Juca, J. Sobral, M. Notare // Computer Communications 2007. - 2649-2660 p.

69. Boulis A., Han C.-C., Srivastava M.B. Design and implementation of a framework for efficient and programmable sensor networks. In: Proceedings of the first international conference on Mobile systems, applications and services MobiSys '03 San Francisco.

70. Carter J.H. The immune system as a model for pattern recognition and classification. Journal of the American Medical Informatics Association 2000;7(1):28-41.

71. Cerpa A., Wong J., Kuang L., Potkonjak M., and Estrin D., Statistical Model of Lossy Links in Wireless Sensor Networks, IPSN, April 2005.

72. Chen B. Monitoring structure's health: applying lessons learned from the immune system, SPIE Newsroom; 2009.

73. Chen B., Zang C. Artificial immune pattern recognition for structure damage classification. Computers & Structures 2009;87(21-22): 1394-407.

74. Chintalapudi Krishna, Jeongyeup Paek, Nupur Kothari, Sumit Rangwala, Ramesh Govindan. Embedded Sensing of Structures: A Reality Check. University of Southern California. Los Angeles, USA. - 2002.

75. Chintalapudi K. Structural Damage Detection and Localization Using

76. NETSHM / K. Chintalapudi, J. Paek, O. Gnawali, T. Fu, K. Dantu // Computier Science and Civil Engineering Depts. Univ. of Southern California. -2006.

77. Choi S.H;, M Y. Chung, M. Yang, T. Kim, J. Park. «An Enhanced Simple-Adaptive Link State Update Algorithm for QoS Routing», IEICE Transac-tions-90-B(l l): 3117-3123 (2007).

78. Colomer J., J. Melendez,.and F. Gamero. Pattern recognition based on episodes and DTW. Application: to diagnosis of a level control system1. In Proceedings 16th International Workshop on Qualitative Reasoning (QR'02),2002:

79. Dasgupta A, Attoh-Okine N. Immunity-based systems: A survey // Presented at the ICMAS workshop on Immunity-Based Systems, Japan, December, 1996.

80. Dasgupta D., Yu S, Majumdar NS. MILA-multilevel immune learning algorithm and its application to anomaly detection. Soft Computing 2005;9(3): 172-84.,

81. Delves P.J., Martin S.J:, Burton D R., Roitt I.M. Roitt's essential immunology. Blackwell Publishing; 2006.

82. EIA, International Energy Statistics database (as of November 2009); web site www.eia.gov/emeu/international. Projections: EIA, World Energy Projection System Plus (2010).

83. Elman J. Finding Structure in Time. COGNITIVE SCIENCE, University of California, San Diego. 14, 179-211 (1990).

84. Elman J.L. (1991) Distributed representations, simple recurrent networks, and grammatical structure. Machine Lear ning, 7, 195 -225.

85. F. Morchen. Time Series Knowledge Mining Dissertation Marburg/Lahn 2006.

86. Farrar C. R. Historical overview of structural health monitoring / C. R. Far-rar // Lecture notes on structural health monitoring using statistical pattern recognition. 2001.

87. Haridas H. Design and Implementation of Railway Bridge Monitoring Application / Department of Computer Science and Engineering, Indian Institute of Technology. Kanpur. - May, 2006.

88. Harmer P.K., Williams P.D., Gunsch G.H., Lamont G.B. An artificial immune system architecture for computer security applications. IEEE Transactions on Evolu- tionary Computation 2002;6(3):252-80.

89. He T., J. Stankovic, C. Lu and T. Abdelzaher. A Spatiotemporal Communication Protocol for Wireless Sensor Networks, IEEE Transactions on Parallel and Distributed Systems, to appear.

90. He T., S. Krishnamurthy, J. Stankovic, T. Abdelzaher, L. Luo, T. Yan, R. Stoleru, L. Gu, G. Zhou, J. Hui and 6. Krogh. VigilNet: An Integrated Sensor Network System for Energy Efficient Surveillance, ACM Transactions on Sensor Networks, to appear.

91. Holland J.H, Holyoak K.J., Nisbett R.E., Thagard P.R. Induction: Processes of inference, learning and discovery. Cambridge: MIT Press, 1986.

92. Holland J.H:,. J.S. Reitman. Cognitive systems based on adaptive algorithms. In : D.A. Waterman , F. Hayes-Roth (Eds.), Pattern-Directed Inference Systems. Academic Press, New York, 1978.

93. Huang B.Q., Tarik Rashid and M-T. Kechadi. Multi-Context Recurrent Neural Network for Time Series Applications // INTERNATIONAL JOURNAL OF COMPUTATIONAL INTELLIGENCE. VOLUME 3, NUMBER 1,2006. p.p. 1304-2386.

94. Jabeur N., Mc Carthy J.D., Xitao X., Graniero P.A. Aknowledge-oriented meta-framework for integrating sensor network infrastructures. Computers & Geosciences 2009:809-19.

95. Kennewell J., A. McDonald. Satellite Communications and Space Weather. IPS Radio and Space Services. .

96. Keogh E., K. Chakrabarti, M. J. Pazzani, and S. Mehrotra. Dimensionality reduction for fast similarity search in large time series databases. Knowledge and Information Systems, 3(3), 2001.

97. Kintner-Meyer M., Brambley M.R. Pros&Cons of wireless. ASHRAE Journal, November 2002.

98. Kumar P.R: «New technological vistas for systems and control: the example of wireless networks,» IEEE Control Systems Magazine, pp. 24-37, Feb. 2001.

99. Lanaridis A., Karakasis V., Stafylopatis A. Clonal selection-based neural classifier. In: Proceedings of the 2008 eighth international conference on hybrid intelligent systems (HIS); 2008, pp. 655-660.

100. Last M., Y. Klein, and A. Kandel. Knowledge discovery in time series databases. IEEE Transactions on Systems, Man, and Cybernetics, 31(1), 2001

101. Levis P., Culler D. Mate: A tiny virtual machine for sensor networks. ACM Sigplan Notices 2002;37(10):85-95.

102. Lynch J. P. A summary review of wireless sensors and sensor networks for structural health monitoring / J. P. Lynch, K. J. Loh // Shock Vib. Dig. -38(2).-2006.-91-128 p.

103. Mendel J., Mouzouris G. Non-Singleton fuzzy logic systems: Theory and application», IEEE Trans. Fuzzy Syst., vol. 5. pp. 56-71, Feb. 1997.

104. Nanopoulos A., R. Alcock, and Y. Manolopoulos. Feature-based clas-sication of time-series data. In N. Mastorakis and S. D. Nikolopoulos, editors, Information processing and technology, pages 49 {61. Nova Science, 2001.

105. Necati Catbas F. Experimental Data from the Benchmark, August, 2006 // http://www.cece.ucf.edu/people/catbas/Bechmark.

106. Negoita M. Artificial immune systems an emergent technology for autonomous intelligent systems and datamining. Autonomous Intelligent Systems: agents and datamining. International Workshop, AIS-ADM2005. In: Proceedings.

107. Nilesh Mishra. Design Issues and Experiences with BRIMON Railway BRIdge MONitoring Project // Indian institute of technology Kanpur. 2006.

108. Paek J. A programmable wireless sensing system for structural monitoring. / J. Paek, O. Gnawali, K.-Y. Jang, D. Nishimura, R'. Govindan // Computer Science Department. University of Southern California. - 2001.

109. Perelson A.S. Theoretical immunology // Lectures in Complex Systems. SFI Studies in the Sciences of Complexity, V.2 (Ed. E.Jen). Addison-Wesley, 1990. P. 465-500.

110. Perelson A.S. Towards a realistic model of the immune system. In: Theoretical Immunology, V. 2 (Ed. A. S. Perelson). SFI Studies in the Sciences of Complexity, V.3. Reading, MA: Addison-Wesley, 1988. P. 377-401.

111. Rizos C., S. Han, C. Roberts, X. Han, H. Abidin, A.D. Wirakusumah. A continuously operating GPS-based volcano deformation monitoring in Indonesia: challenges and preliminary results / Proc. IAG General Assembly. -Birmingham, UK. 2000. - 361-366 p.

112. Roundy S., Univ. of California, Berkeley ; T. Sterken, V. Leonov, imec.

113. Sarafijanovic S., Le Boudec JY. An artificial immune system approach with secondary response for misbehavior detection in mobile ad hoc networks. IEEE Transactions on Neural Networks 2005; 16(5): 1076-87.

114. Shamim N. Design and implementation of scalable wireless sensor network for structural monitoring / N. Shamim, G.L. Fenves, Sukun Kim, D.E. Culler // Journal of infrastructure systems. March, 2008.

115. Stepney S. Embodiment. In: FlowerD, TimmisJ, editors. Silicon Immunology. Springer; 2007.

116. Szumel L., Le Brun, J., Owens, J.D. Towards a mobile agent framework for sensor networks. In:Proceeding sof the second IEEE workshop on embedded networked sensors (IEEECat.No.05EXl 105): 79-879x+l68,2005.

117. Tarakanov A.O. Immunocomputing for intelligent intrusion detection. IEEE Computational Intelligence Magazine 2008; 3(2):22-30.

118. Tsitsiklis J.N. Asynchronous stochastic approximation and Q-learning. Internal Report from Laboratory for Information and Decision Systems-and the Operations Research Center, MIT, 1993.

119. U.S. Department of Energy. Wireless Temperature Sensors for Improved HVAC Control. An assessment of wireless sensor technology. http://www.eere.energy.gov/ femp/.

120. Ultsch A. Knowledge discovery, lecture notes, 2003a. German.

121. Wang X., K. A. Smith, R. Hyndman, and D. Alahakoon. A scalable method, for time series • clustering. Technical report, Department of Econometrics and Business Statistics, Monash University, Victoria, Australia, 2004.

122. Wang, L-X. Generating fuzzy rules by learning from examples (1992), J M Mendel. IEEE Transactions on Systems, Man and Cybernetics.

123. Zhong Y.F., Zhang LP, Huang B, Li PX. An unsupervised* artificial immune classifier for multi/hyperspectral remote sensing imagery. IEEE Transactions on Geoscience and Remote Sensing 2006; 44(2):420-31.

124. Zhu Q., Aldridge S.L., Resha T.N. Hierarchical Collective Agent Network (HCAN) for efficient fusion and management of multiple networked sensors. Information Fusion 2007:266-80.

125. ZIGBEE SPECIFICATION. ZigBee Document 053474rl3. December 1, 2006 3:10 pm. http://www.zigbee.org.

126. ZigBit™ Amp OEM Modules ZDM-A1281-PN/PN0 (MNZB-A24-UFL/U0). Product Datasheet. - MESHNETICS. - March, 2008.

127. ZigBit™ OEM Modules ZDM-A1281-B0 (MNZB-24-B0/A2). Product Datasheet. - MESHNETICS. - March, 2008.