Опубликована: 2025-04-28
Раздел
ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И ИНФОРМАТИКА
Аннотация
В настоящее время активно внедряются интеллектуальные транспортные системы, поэтому тяжесть последствий их отказов существенно увеличивается. Целью работы является повышение эффективности управления последствиями отказов интеллектуальных транспортных систем на основе онтологического подхода, который применяется для идентификации и классификации источников сообщений об отказах инструментальной подсистемы. Это необходимо для создания единого семантического пространства, позволяющего достаточно точно описать сведения о выходе из строя подсистем интеллектуальных транспортных систем. Методологически создаётся онтологическая модель предметной области отказов подсистем, чтобы впоследствии использовать полученную модель для оценок текущего состояния и прогнозов с помощью методов машинного обучения.
Ключевые слова: интеллектуальная транспортная система; управление последствиями отказов; онтологический подход; машинное обучение.
Литература
1. Интеллектуальные транспортные системы. Справочник по сухопутной подвижной службе (включая беспроводный доступ). Женева: Сектор радиосвязи МСЭ, 2009. Т. 4. 124 с.
2. Гребешков А.Ю. Стандарты и технологии управления сетями электросвязи: издание для специалистов. М.: Эко-Трендз, 2003. 288 с.
3. Онтологическое моделирование предприятий: методы и технологии: научная монография // С.В. Горшков, С.З. Гумеров, С.С. Кралин и др./ отв. ред. С. Е. Горшков; Екатеринбург: Изд-во Уральского ун-та, 2019. 236 с.
4. Ontology-based information integration: A survey of existing approaches / H. Wache, T. Vögele, U. Visser et al. // International joint Conferences on Artificial Intelligence organization. Workshop on Ontologies and Information Sharing (IJCAI-01): proceedings. USA: IJCAI. 2001. Vol. 47. P. 108–118.
5. Song Z., Cardenas A.A., Masuoka R. Semantic middleware for the Internet of Things // Proceedings of 2nd International Internet of Things Conference (IoT), Tokyo: IEEE, 2010. P.1–8. DOI: https://doi.org/10.1109/IOT.2010.5678448.
6. The transport disruption ontology / D. Corsar, M. Markovic, P. Edwards et al. // Proceedings of the 14th Semantic Web conference, Part II (ISWC 2015). Springer, 2015. LNCS 9367. P. 329–336. DOI: https://doi.org/10.1007/978-3-319-25010-6_22.
7. Ontology-based architecture for Intelligent Transportation Systems using a traffic sensor network / S. Fernandez, R. Hadfi, T. Ito et al. // Sensors. 2016. Vol. 16 (8). № 1287. 7 p. DOI: https://doi.org/10.3390/s16081287.
8. Казаков А.Л., Дудакова А. В. Применение онтологического подхода для создания интеллектуальной системы управления на железнодорожном транспорте // Вестник Уральского государственного университета путей сообщения. 2019. № 3 (43). С. 33–41.
9. Meneguette R.I., De Grande R.E., Loureiro Antonio A.F. Intelligent transport system in Smart Cities. Aspects and challenges of vehicular networks and cloud. Springer International Publishing AG, 2018. 182 p. DOI: https://doi.org/10.1007/978-3-319-93332-0.
10. Смирнов С.В. Онтологический анализ предметных областей моделирования // Известия Самарского научного центра РАН. 2001. Т. 3. № 1. С. 62-70.
11. Kuba M. OWL 2 and SWRL Tutorial, 2012 / dior.ics.muni.cz сайт. URL: https://dior.ics.mu-ni.cz/~makub/owl/#propax (дата обращения 01.09.2020).
12. Горшков С. В., Гребешков А. Ю. Разработка способа анализа сообщений о происшествиях в автоматизированной системе управления безопасностью жизнедеятельности // Инфокоммуникационные технологии. 2018. Т. 16, № 2.
С. 221-230.
13. Гурьянова М.А., Ефименко И.В., Хорошевский В.Ф. Онтологическое моделирование экономики предприятий и отраслей современной России. Часть 2. Мировые исследования и разработки: аналитический обзор. М.: НИУ ВШЭ, 2011. 88 с. URL: https://www.hse.ru/data/2011/12/05/1271846247/WP7_2011_08_%D1%872.pdf (дата обращения 14.04.2020).
14. Некрасов И.В., Правдивец Н.А. Машинное обучение в задачах прогноза отказов оборудования // 19-я Всеросс. конф. с межд. участием «Математические методы распознавания образов» (ММРО–2019)»: тез. докл. М.: ИСП РАН, 2019. С. 371.
15. Гребешков А.Ю., Кузнецов Я.М. Машинное обучение при прогнозе неисправностей беспроводных сетей // Сб. материалов XXVII Российск. научн. конф. проф.-препод. состава, научн. сотрудников и аспирантов ПГУТИ. Самара: ПГУТИ, 2020. С. 26-27.
16. Grebeshkov A.Y. Optical transport network management via machine learning and ontology-based technique // Proceedings XVII International Scientific and Technical Conference “Optical Technologies for Telecommunications” (OTT 2019). Kazan: SPIE, 2020. Proc. SPIE 11516.; 11516: 1151602-1 – 1151602-6. DOI: https://doi.org/10.1117/12.2556375.
17. Morocho-Cayamcela M.E., Lee H., Lim W. Machine learning for 5G/B5G mobile and wireless communications: potential, limitations, and future directions // IEEE Access. 2019. Vol. 7. P. 137184-137206. DOI: https://doi.org/10.1109/ACCESS.2019.2942390.
18. Fayad C. Using integrated control and asset management to optimize maintenance and reliability, 2014 / flowcontrolnetwork.com, сайт. URL: https://www.flowcontrolnetwork.com/process-control-automation/article/15561784/using-integrated-control-and-asset-management-to-optimize-maintenance-and-reliability (дата обращения 06.06.2020).
19. Никитенко Ю.В. Особенности применения метода построения деревьев отказов для оценки техногенного риска предприятий оборонно-промышленного комплекса // Современные проблемы науки и образования. 2015. № 2-2. URL: http://www.science-education.ru/ru/article/view?id=21831 (дата обращения 05.08.2020).
2. Гребешков А.Ю. Стандарты и технологии управления сетями электросвязи: издание для специалистов. М.: Эко-Трендз, 2003. 288 с.
3. Онтологическое моделирование предприятий: методы и технологии: научная монография // С.В. Горшков, С.З. Гумеров, С.С. Кралин и др./ отв. ред. С. Е. Горшков; Екатеринбург: Изд-во Уральского ун-та, 2019. 236 с.
4. Ontology-based information integration: A survey of existing approaches / H. Wache, T. Vögele, U. Visser et al. // International joint Conferences on Artificial Intelligence organization. Workshop on Ontologies and Information Sharing (IJCAI-01): proceedings. USA: IJCAI. 2001. Vol. 47. P. 108–118.
5. Song Z., Cardenas A.A., Masuoka R. Semantic middleware for the Internet of Things // Proceedings of 2nd International Internet of Things Conference (IoT), Tokyo: IEEE, 2010. P.1–8. DOI: https://doi.org/10.1109/IOT.2010.5678448.
6. The transport disruption ontology / D. Corsar, M. Markovic, P. Edwards et al. // Proceedings of the 14th Semantic Web conference, Part II (ISWC 2015). Springer, 2015. LNCS 9367. P. 329–336. DOI: https://doi.org/10.1007/978-3-319-25010-6_22.
7. Ontology-based architecture for Intelligent Transportation Systems using a traffic sensor network / S. Fernandez, R. Hadfi, T. Ito et al. // Sensors. 2016. Vol. 16 (8). № 1287. 7 p. DOI: https://doi.org/10.3390/s16081287.
8. Казаков А.Л., Дудакова А. В. Применение онтологического подхода для создания интеллектуальной системы управления на железнодорожном транспорте // Вестник Уральского государственного университета путей сообщения. 2019. № 3 (43). С. 33–41.
9. Meneguette R.I., De Grande R.E., Loureiro Antonio A.F. Intelligent transport system in Smart Cities. Aspects and challenges of vehicular networks and cloud. Springer International Publishing AG, 2018. 182 p. DOI: https://doi.org/10.1007/978-3-319-93332-0.
10. Смирнов С.В. Онтологический анализ предметных областей моделирования // Известия Самарского научного центра РАН. 2001. Т. 3. № 1. С. 62-70.
11. Kuba M. OWL 2 and SWRL Tutorial, 2012 / dior.ics.muni.cz сайт. URL: https://dior.ics.mu-ni.cz/~makub/owl/#propax (дата обращения 01.09.2020).
12. Горшков С. В., Гребешков А. Ю. Разработка способа анализа сообщений о происшествиях в автоматизированной системе управления безопасностью жизнедеятельности // Инфокоммуникационные технологии. 2018. Т. 16, № 2.
С. 221-230.
13. Гурьянова М.А., Ефименко И.В., Хорошевский В.Ф. Онтологическое моделирование экономики предприятий и отраслей современной России. Часть 2. Мировые исследования и разработки: аналитический обзор. М.: НИУ ВШЭ, 2011. 88 с. URL: https://www.hse.ru/data/2011/12/05/1271846247/WP7_2011_08_%D1%872.pdf (дата обращения 14.04.2020).
14. Некрасов И.В., Правдивец Н.А. Машинное обучение в задачах прогноза отказов оборудования // 19-я Всеросс. конф. с межд. участием «Математические методы распознавания образов» (ММРО–2019)»: тез. докл. М.: ИСП РАН, 2019. С. 371.
15. Гребешков А.Ю., Кузнецов Я.М. Машинное обучение при прогнозе неисправностей беспроводных сетей // Сб. материалов XXVII Российск. научн. конф. проф.-препод. состава, научн. сотрудников и аспирантов ПГУТИ. Самара: ПГУТИ, 2020. С. 26-27.
16. Grebeshkov A.Y. Optical transport network management via machine learning and ontology-based technique // Proceedings XVII International Scientific and Technical Conference “Optical Technologies for Telecommunications” (OTT 2019). Kazan: SPIE, 2020. Proc. SPIE 11516.; 11516: 1151602-1 – 1151602-6. DOI: https://doi.org/10.1117/12.2556375.
17. Morocho-Cayamcela M.E., Lee H., Lim W. Machine learning for 5G/B5G mobile and wireless communications: potential, limitations, and future directions // IEEE Access. 2019. Vol. 7. P. 137184-137206. DOI: https://doi.org/10.1109/ACCESS.2019.2942390.
18. Fayad C. Using integrated control and asset management to optimize maintenance and reliability, 2014 / flowcontrolnetwork.com, сайт. URL: https://www.flowcontrolnetwork.com/process-control-automation/article/15561784/using-integrated-control-and-asset-management-to-optimize-maintenance-and-reliability (дата обращения 06.06.2020).
19. Никитенко Ю.В. Особенности применения метода построения деревьев отказов для оценки техногенного риска предприятий оборонно-промышленного комплекса // Современные проблемы науки и образования. 2015. № 2-2. URL: http://www.science-education.ru/ru/article/view?id=21831 (дата обращения 05.08.2020).
