Прочно осознанная, "въевшаяся в плоть и кровь" транспортников, да и всего общества дифференциация видов транспорта (железнодорожный, авиационный, автомобильный, морской, речной и трубопроводный, а теперь еще космический и подводный) проистекает прежде всего от различия технологий, реализуемых при перевозках пассажиров и грузов. Как известно, сейчас технологии давно уже стали одним из главных объектов человеческой деятельности (товаром) - их разрабатывают, продают, покупают и применяют. В науковедении появился целый ряд новых понятий, определяющих степень развития технологий и оценивающих влияние накапливаемых технологий на состояние общественных отношений. К первым принадлежит понятие отрасли технологий, ко вторым - технологический уклад. Например, все чаще стали говорить о такой отрасли, как интеллектуальные технологии [1]. В свою очередь, технологический уклад представляет комплекс взаимоувязанных реализованных технологических политик, обеспечивающих существование общества для данных конкретных исторических условий. В этом случае транспорт может выступать как потребитель предлагаемых ему технологий, так и одно из средств реализации технологий в интересах внешней для него системы. Развитие и "отраслевизация" транспортных технологий привело к появлению мультимодального (интермодального) транспорта, как отдельного вида. Здесь транспорт рассматривается именно с точки зрения обеспечения народнохозяйственных задач. Появление отрасли интеллектуальных технологий стало причиной возникновения еще одного, также "синтетического" вида транспорта - интеллектуального.

Информационные потоки, организуемые для функционирования транспортных систем, базируются на семантической и прагматической информации, поскольку транспорт призван осуществлять целенаправленную перевозку людей и грузов. Интеллектуализацию транспорта в значительной степени вызвало такое возрастание роли именно семантической и прагматической информации. В теории искусственного интеллекта возрастание удельного веса используемой системой семантической и прагматической информации рассматривается как необходимое условие для формирования баз данных и знаний, являющихся основным объектом исследования для этой теории. В варианте теории систем (категорно-функторном), предложенной недавно ушедшим из жизни Ю.А. Шрейдером [2], сложность системы, а значит ее интеллектуальность, напрямую связывается именно с семантикой и прагматикой информации, потребляемой системой (см. также [3]).

Необходимость выделения интеллектуального транспорта, как отдельного и самостоятельного вида транспорта, была рассмотрена авторами в [4-6], где тенденции в обособлении интеллектуального транспорта в первую очередь связывались с усилением роли информационных ресурсов в жизни современного общества. Выделение интеллектуального транспорта, как отдельного предмета исследований, позволило непосредственно ввести интеллектуальные технологии в учебный процесс для будущих транспортников (в Академии гражданской авиации) и разработчиков техники для экстремальной медицины (в ИИСТ). Очевидно, что управление транспортом прямо зависит от информационных технологий и ресурсов.

В настоящее время проводится огромное число исследований в области искусственного интеллекта для нужд транспорта. Основная цель таких исследований - организовать и реализовать автоматизированные, а в пределе и полностью автоматические технологии транспортных перевозок.

Подобные исследования развиваются в научно-производственном предприятии АООТ "Радар ммс". Основные направления деятельности предприятия: разработка и производство высокоинформативных радиолокационных систем наведения для маневренных носителей, создание радиолокационных систем экологического мониторинга и проведение соответствующих авиационных работ, разработка семейства радиолокаторов миллиметрового диапазона, в том числе, обеспечивающего визуализацию взлетно-посадочной полосы в условиях отсутствия визуальной видимости, разработка систем контроля бортового оборудования. В рамках диверсификации предприятия оно занимается также организацией разработки и производства медицинской техники и мультимедийных информационных продуктов.

До сих пор технологии транспортных перевозок базировались на традиционных методах теории управления. Тем не менее, остается широкий класс реальных задач для транспорта, которые не могут быть решены только такими традиционными методами. Для интеллектуального транспорта крайне полезны разработка и создание работающих в реальном масштабе времени разнообразных систем управления, как бортовых, так и наземных, способных при воздействии случайных факторов функционировать также "хорошо", как и опытный человек- оператор, а возможно даже, и еще лучше. Таким образом, мы связываем интеллектуализацию транспорта также с необходимостью управления транспортными средствами не только в условиях нормального функционирования, но и при наличии определенных классов сбоев в работе транспортного комплекса, вплоть до неисправностей компонент, а также в условиях воздействия случайных факторов. Понятно, что подобная ситуация характерна прежде всего для военного транспорта. Если удастся осуществить отмеченное выше интеллектуальное управление транспортным комплексом, то такая система управления будет конкурировать с человеком-оператором, если в нее заложены определенные знания человека-эксперта по принятию решений. Такой тип систем управления в теории искусственного интеллекта называют системами управления на основе знаний.

Структура системы управления в реальном времени на основе знаний включает в себя следующие подсистемы: базу знаний, подсистему вывода, работающую в реальном времени, подсистему предварительной обработки информации в реальном времени - препроцессор информации, различные подсистемы управления. В соответствии с установленным уровнем интеллектуальности эти подсистемы чаще всего организуются в виде иерархической структуры.

Высший уровень в этой иерархии образуют база знаний и подсистема вывода. На данном уровне выполняются все рассуждения высшей сложности и осуществляются процедуры принятия решения, такие как определение сбоев в работе транспортного комплекса, диагностирование ситуации и выбор схем управления. В подсистеме вывода принимается решение в реальном времени на основе знаний, хранящихся в базе знаний, и исходя из текущего состояния систем транспортного комплекса, которое определяется препроцессором информации. Последний составляет второй уровень иерархии. Его основная задача состоит в преобразовании "сырых" результатов измерений на объектах транспортного комплекса в некоторую совокупность существенных показателей, характеризующих эксплуатационные качества объектов транспорта. Нижний уровень в рассматриваемой иерархии занимают подсистемы управления, предназначенные для работы в условиях нормального функционирования объектов транспорта, так и воздействий разнообразных случайных факторов.

Системы управления на основе знаний и классические экспертные системы весьма схожи друг с другом. Однако имеется ряд существенных различий между этими двумя классами систем управления. Работа почти всех экспертных систем подобна процессу консультации. Экспертной системе задаются вопросы так же, как проводились бы консультации с человеком-экспертом. Такие системы обычно функционируют вне реального времени, а человек при этом всегда включается в контур принятия решения и получает необходимую информацию по мере запроса.

Вместе с тем системы управления на основе знаний предназначены для контроля объектов и управления ими, а не для обеспечения консультации по той или иной проблеме, возникающей в процессе функционирования. Такая система, получается, работает в непрерывном неинтерактивном режиме в реальном времени. При этом она взаимодействует собственно с динамическим объектом (в данном случае, транспортным), которым управляет, а не с человеком-оператором. Для непрерывного контроля характеристик объекта система управления на основе знаний использует схемы предварительной обработки информации. При выявлении какой-либо аномалии в работе транспортного комплекса подсистема вывода должна автоматически входить в режим диагностирования, в котором будут локализованы возможные причины аномалий и выработаны соответствующие корректирующие управляющие воздействия. При этом оператор системы управления на основе знаний не включается в контур принятия решения, а все решения принимаются автономно самой системой.

Современные исследования, связанные с моделированием систем управления в реальном времени транспортными объектами можно в широком смысле разбить на три группы. К первой группе относятся экспертные системы, предназначенные для решения задач управления в реальном времени. Вторую группу составляет интеллектуальное управление, методологической основой которого является теория интеллектуальных машин Дж. Саридиса [7-9]. Третью группу образуют системы экспертного контроля за адаптивными и неадаптивными регуляторами с использованием базы знаний - системы экспертного управления.

Экспертные системы, предназначенные для решения задач управления в реальном времени можно рассматривать как распространение методов традиционных экспертных систем на решение задач управления динамическими объектами в реальном времени. При этом моделирование стратегии управления объектом, принятой оператором, осуществляется в рамках нечеткой, или основанной на правилах, методологии, то есть используемые правила заменяют традиционные алгоритмы управления. Такое моделирование базируется на применении качественных, логических правил по выбору управляющего сигнала в различных ситуациях. Областью приложения этого подхода являются задачи управления сложными процессами, для которых либо не существует соответствующих формальных моделей, либо эти модели не адекватны процессу, описываемому ими. Решение подобных задач ориентировано на представление эмпирических знаний о том, как должен управляться какой-либо конкретный объект.

Одна из главных черт таких систем - применение в подсистеме вывода методологии, называемой прогрессивным рассуждением. Подсистема вывода разбивает весь процесс рассуждения на несколько уровней в соответствии с их сложностью. Исходя из реализуемых вычислительных функций системы управления, самый верхний уровень получается наименее трудоемким, и чем ниже расположен уровень, тем больше требуются вычислительные затраты и достигаются более точные результаты. Таким образом, процесс принятия решения, протекающий в реальном времени, подсистема вывода начинает с верхнего уровня. Если позволяет время, последовательно достигаются более глубокие уровни для получения более точного решения.

Теория интеллектуального управления исследует наиболее общие прикладные задачи управления, такие как интеллектуальные роботы, автономные устройства, и формулирует их в рамках единого математического подхода. В 1971 г. было введено понятие интеллектуального управления как области, лежащей на пересечении искусственного интеллекта и автоматического управления. С тех пор было сделано большое количество попыток довести строгость формализации этой области до уровня специальной научной дисциплины с соответствующей математикой.

На наш взгляд, применительно к транспортным технологиям наиболее удачный подход был предложен в работах Дж. Саридиса, где расширен базовый набор научных разделов, формирующих интеллектуальное управление до области знаний, лежащей на пересечении искусственного интеллекта, исследования операций и автоматического управления, где им сформированы основные понятия и методы данного направления. По Саридису, интеллектуальное управление представляет собой процесс, который автономно ведет некоторый интеллектуальный объект к достижению заданной цели. При этом под интеллектуальными подразумеваются объекты, способные заменить человека при выполнении им опасной, осуществляемой дистанционно, утомительной или высокоточной работы, где их высокая эффективность окажется более выгодной в смысле человеческого (прагматического) измерения.

Системы интеллектуального управления используются для достижения автономными объектами заданных им целей без какого-либо взаимодействия с человеком-оператором. В указанные системы должны быть заложены организующие, планирующие и исполнительные функции. Это и заставляет интеллектуальное управление лежать в отмеченной выше области пересечения научных дисциплин: искусственный интеллект, исследование операций и автоматическое управление. Структурная организация систем интеллектуального управления строится в соответствии с принципом, который является общим для большинства организационных структур - повышение точности при понижении интеллектуальности. Он устанавливает иерархию при распределении интеллекта в любой системе интеллектуального управления и говорит о том, что там, где степень интеллектуальности высока, не требуется высокой точности, и наоборот.

В качестве обобщающего результата Дж. Саридисом предложена система иерархического оптимального управления, состоящая из трех основных уровней интеллектуальности, или точности: 1) уровня организации (с базой знаний) с функциями рассуждения, планирования и принятия решений по организации процесса решения задачи (эти функции в основном базируются на методах искусственного интеллекта), 2) уровня согласования, осуществляющего взаимодействие между верхним и нижним уровнями интеллектуализации, с функциями, направленными на согласование работы нижнего уровня (данные функции, как правило, основаны на методах искусственного интеллекта и исследования операций), 3) уровень исполнения, являющегося нижним уровнем, с высокими требованиями к точности и функциями, которые базируются на методах теории автоматического управления.

Задачи, решаемые на уровне исполнения, включают в себя выбор подходящего регулятора, удовлетворяющего определенным условиям, задаваемым создателем системы управления. В автономной системе, когда таким создателем является сама интеллектуальная машина, проблеме разработки придается новый вид, учитывающий различные требования. При этом проблему получения управления можно рассматривать как выбор наилучшего регулятора в смысле удовлетворения условиям поставленной задачи. Выбор проводится среди всех регуляторов, осуществляющих допустимое управление.

Тем же Дж. Саридисом показано [10-11], что можно установить взаимно-однозначное соответствие между задачами теории информации и оптимального управления и , таким образом, унифицировать подходы к теории информации, так и к теории управления с обратной связью на основе некоторой общей меры поведения, в качестве которой выступает энтропия. Поскольку энтропия обладает свойством аддитивности, то любая система, построенная с помощью комбинации таких подсистем, может быть оптимизирована путем минимизации ее полной энтропии. Это дает показатель полых затрат системы на решение данной задачи.

Таким образом, теорию интеллектуальных машин можно рассматривать как математическую задачу нахождения правильной последовательности решений и управлений для некоторой системы, структурированной в соответствии с принципом повышения интеллектуальности при понижении точности. При этом данная последовательность минимизирует полную энтропию системы.

Системы экспертного управления [12-13] требуют применения методов экспертных систем для контроля традиционных и адаптивных регуляторов. Здесь знания, необходимые для эффективной настройки параметров регуляторов, приобретаются как у специалистов по системам управления, так и у операторов и затем помещаются в базу знаний в виде правил настройки. В процессе функционирования системы характер поведения объекта фиксируется классификатором образов. Подсистема вывода использует правила настройки и классифицированные образы для настройки параметров регуляторов. Весь процесс настройки выполняется on-line и в режиме реального времени.

Подход, названный экспертным управлением, первоначально был предложен в [14]. Он применяет методы экспертных систем для расширения класса традиционных алгоритмов управления благодаря введению общих знаний по управлению, эвристических методов настройки и адаптации в контролирующую экспертную систему. Полученные таким образом системы экспертного управления состоят из интеллектуальной комбинации различных алгоритмов управления, идентификации и контроля.

Для обеспечения приемлемого качества функционирования таких адаптивных схем в большинстве случаев должны выполняться определенные ограничивающие условия, налагаемые на объект управления и его входные сигналы. Было показано [14-16], что с помощью методов экспертных систем можно удовлетворительно контролировать выполнение подобных условий и осуществлять необходимые действия тогда, когда эти условия изменяются.

Экспертное управление ближе к адаптивному, чем методы управления, использующие описанные выше экспертные системы, предназначенные для решения задач управления в реальном времени, в том числе к методам нечеткого управления. Развитие данного подхода преодолевает недостатки, присущие современным адаптивным регуляторам, где требуются априорные знания об объекте управления. Экспертное управление включает в себя две большие проблемные области. Первая их них определяет объем знаний об объекте, которым необходимо располагать для того, чтобы автоматически настроить регулятор и осуществить наблюдение за объектом, а также технологию получения этих знаний, то есть об обучающей процедуре. Вторая область - это представление и использование знаний.

Метод достижения идеальной цели экспертного управления можно выразить как попытку включить опытного специалиста по управлению в контур управления, предоставив ему возможность использовать любые алгоритмы управления, идентификации, измерения, контроля и создания системы управления. Экспертное управление осуществляется в двух разных режимах функционирования - обучения и адаптации on-tine. Первая фаза режима обучения представляет собой постановку вопросов, когда пользователь может предлагать свои априорные знания об объекте и о характеристиках контура управления. Какая-то часть первоначальных знаний об объекте всегда доступна.

После опроса система экспертного управления проводит различные обучающие эксперименты, которые дают информацию о динамике объекта. Эта информация используется для построения регулятора. В процессе адаптации on-line система контролирует и, если это необходимо, изменяет регулятор. Такими изменениями могут быть как небольшие подгонки параметров, так и построение совершенно нового регулятора.

Экспертное управление базируется на том предположении, что нет универсальных алгоритмов адаптивного управления или, по крайней мере, они не могут быть применены на практике.

После того, как подходящий регулятор построен, система экспертного управления переключается на режим управления с обратной связью. В этом режиме осуществляется контроль замкнутого контура для обнаружения ситуаций, которые требуют подстройки параметров алгоритмов управления или полного переобучения.

ЛИТЕРАТУРА

2. Шрейдер Ю.А,, Шаров А.А. Системы и модели- М., Радио и связь, 1982.

3. Сарычев В.А- Так что же такое большая или сложная система - Труды Санкт- Петербургской инженерной Академии, вып. 1, I996.

4. Сарычев В.А Радиоэлектронное обеспечение интеллектуального транспорта - Труды СПбГТУ, №472, 1998.

5. Анцев Г.В., Сарычев В.А. Интеллектуальный транспорт и радиоэлектроника - Вопросы радиоэлектроники, серия Радиолокационная техника, №1,2000.

6. Анцев Г.В., Сарычев В.А. Интеллектуальные технологии, сложные радиоэлектронные системы и подготовка специалистов по радиоэлектронике - Труды СПбГТУ, №472,1998.

7. Saridis G.N., Valavanis K.P. Analytical design of intelligent machines. Automatica. 1988, vol. 24, №2.

8. Valavanis K.P., Saridis G.N. Information theoretic modelling of intelligent systems. EEEE Traos- on Systems, Man and Cybernetics. 1988. vol SMC-18, Ns6.

9. Saridis G.N. Analytical formulation of the principle of increasing precision with decreasing intelligence for intelligence machines. Automatica. 1989, vol. 25, №4.

10. Saridis G.N- Entropy formulation of optimal and adaptive control. IEEE Trans. Autom. Control, 1988, Vol. AC-38, №8.

11. Saridis G.N. Control performance as an entropy . Control: Theory Adv. Technology. 1985, Vol. I, №2.

12. Camon A Intelligent Knowledge-based system for adaptive РЮ controller tuning Journal A (Benelux Q.J. Automatic Control), 1986, Vol. 27, №3.

13. Porter В.А, Jones A-H., McKoown C.B. Real-time expert tuners for PI controllers. ffiE Proc., Pt. D. I98Z Vol 134.№4.

Automatica. 1985. Vol. 21. №5.

16. Peel D. Adaptive control and artifical intelligence. Journal A (Benelux Q.J. Automatic Control). 1987. Vol 287, №3-