Цель – конкретизировать понятия «искусственный интеллект» и «сложная проблема», а также рассмотреть современное состояние работ в области применения искусственного интеллекта к решению сложных проблем.
Методы. Использованы методы контекстного поиска, системного анализа и обобщения информации.
Результаты. Сформулировано ключевое препятствие применения искусственного интеллекта к решению сложных проблем, заключающееся в отсутствии концептуального и технического решения по представлению междисциплинарных знаний в форме, доступной для обработки и синтеза методами искусственного интеллекта. Обучение ЭВМ на разных массивах данных, но без понимания процесса синтеза, с которым так легко справляется мозг человека, не позволяет искусственному интеллекту претендовать на открытие чего-то нового, принципиально неизвестного, без чего невозможно решение сложных проблем. Нужен универсальный язык, имитирующий процессы человеческого мышления.
Заключение. Выполненный анализ и рекомендации позволяют взглянуть на задачу применения искусственного интеллекта к решению сложных проблем с отличной от принятой в настоящее время точки зрения, опирающейся на использование быстрых алгоритмов поиска (так называемые большие языковые модели). Создание языка-транслятора между различными областями знаний должно способствовать междисциплинарному обмену, развитию творческого мышления, появлению новых идей и генерации инновационных решений в самых разных областях деятельности человека. Развитый язык позволит решать сложные задачи, объединяя различные дисциплины.
Идентификаторы и классификаторы
- Префикс DOI
- 10.21683/1729-2646-2025-25-1-46-57
ИИ может использовать методы машинного обучения, чтобы обучаться на основе больших объемов данных. Это включает в себя личные подходы, такие как нейронные сети, решающие деревья, методы кластеризации и другие. Машинное обучение произвело революцию в подходе к сложным задачам, позволив алгоритмам и моделям учиться на данных и делать прогнозы или решения без явного программирования.
Список литературы
1. Mukherjee U.P. From Tafa to Robu: AI in the Fiction of Satyajit Ray. / In: Imagining AI: How the World Sees Intelligent Machines. Oxford, 2023. https://doi.org/10.1093/oso/9780192865366.003.0015
2. Moloi T., Marwala T. A High-Level Overview of Artifi-cial Intelligence: Historical Overview and Emerging Developments / In: Artificial Intelligence and the Changing Nature of Corporations. Springer, Cham, 2021. https://doi.org/10.1007/978-3-030-76313-8_2
3. Tencent Research Institute, CAICT, Tencent AI Lab., Tencent open platform. Artificial Intelligence’s Past / In: Artificial Intelligence. Palgrave Macmillan, Singapore, 2021. https://doi.org/10.1007/978-981-15-6548-9_2
4. González de Posada F., González Redondo F.A., Gonzalez A.H. Leonardo Torres Quevedo: Pioneer of Computing, Automatics, and Artificial Intelligence // IEEE Annals of the History of Computing. 2021. Vol. 43. Issue 3. Pp. 22-43. https://doi.org/10.1109/MAHC.2021.3082199
5. Bradshaw G.F., Langley P.W., Simon H.A. (1983). Studying scientific discovery by computer simulation // Science. 1983. Vol. 222. No. 4627. Pp. 971-975.
6. Schmidt, M., & Lipson, H. (2009). Distilling freeform natural laws from experi-mental data // Science. 2009. Vol. 324. Pp. 81-85.
7. Udrescu S.M., Tegmark M. (2020). AI Feynman: A physics-inspired method for symbolic regression. Science Advances. Vol. 6. Issue 16. https://doi.org/10.1126/sciadv.aay2631
8. Chalmers D.J., French R.M., Hofstadter D.R. Highlevel perception, representation, and analogy: A critique of artificial intelligence methodology // Journal of Experimental & Theoretical Artificial Intelligence. 1992. Vol. 4. Pp. 185211.
9. ГОСТ Р 59277-2020. Системы искусственного интеллекта. Классификация систем искусственного интеллекта. М.: Стандартинформ, 2021. IV, 12 с.
10. Jumper J., Evans R., Pritzel A. et al. Highly accurate protein structure prediction with AlphaFold // Nature. 2021. Vol. 596. Pp. 583-589.
11. Biswas A.K. (2022). Autonomous Intelligence in Problem-Solving by Searching in the field of Artificial Intelligence // International journal of scientific research in science, engineering and technology. 2022. Vol. 9. No. 6. https://doi.org/10.32628/ijsrset22962
12. Azzam M., Beckmann R. How AI Helps to Increase Organizations’ Capacity to Manage Complexity - A Research Perspective and Solution Approach Bridging Different Disciplines // IEEE Transactions on Engineering Management. 2022. Vol. 71. Pp. 2324-2337. https://doi.org/10.1109/tem.2022.3179107
13. Systematic Complex Problem Solving in the Age of Digitalization and Open Innovation: 20th International TRIZ Future Conference, TFC 2020, Cluj-Napoca, Romania, October 14-16, 2020, Proceedings / D. Cavallucci, S. Brad, P. Livotov (eds). Springer International Publishing, 2020. 466 p. https://doi.org/10.1007/978-3-030-61295-5
14. Eppe M., Gumbsch C., Kerzel M. et al. Intelligent problem-solving as integrated hierarchical reinforcement learning // Nature Machine Intelligence. 2022. Vol. 4. Pp. 11-20. https://doi.org/10.1038/s42256-021-00433-9
15. De Arruda H.F., Comin C.H., Costa L. da F. Problemsolving using complex networks // The European Physical Journal B: Condensed Matter and Complex Systems. 2019. Vol. 92. Issue 6. Pp. 1-9. https://doi.org/10.1140/EPJB/E2019-100100-8
16. Xinxin Liu. Opportunities of artificial intelligence for supporting complex problem-solving: Findings from a scoping review // Computers & Education: Artificial Intelligence. 2023. Vol. 4. P. 100138. https://doi.org/10.1016/j.caeai.2023.100138
17. Wang S., Ji Y. A strategy of artificial intelligence with chemical fingerprinting to predict drug phase behaviors in complex systems / Preprint. 2023. https://doi.org/10.22541/au.168106505.57179711/v1
18. Li X., Lin W., Guan B. The impact of computing and machine learning on complex problem‐solving // Engineering reports. 2023. Vol. 5. No. 6. https://doi.org/10.1002/eng2.12702
19. Li B., Wei Z., Wu J. et al. Machine Learning-enabled Globally Guaranteed Evolutionary Computation // Nature Machine Intelligence. 2023. Vol. 5. Pp. 457-467. https://doi.org/10.1038/s42256-023-00642-4
20. Zhang W. Machine Learning for Solving Unstructured Problems / In: Nakamori Y. (ed.) Knowledge Technology and Systems. Translational Systems Sciences. Vol 34. Springer, Singapore, 2023. https://doi.org/10.1007/978-981-99-1075-5_4
21. Suyal P., Dutt S., Sharma R. et al. (2022). An Agile Review of Machine Learning Technique // Proceedings of 2022 11th International Conference on System Modeling & Advancement in Research Trends (SMART) (1617 December 2022). 2022. Pp. 75-79. https://doi.org/10.1109/SMART55829.2022.10047305
22. Douglass F. Deep Learning and Neural Networks: Methods and Applications / In: Shanmugam T., Bansal S.A. (eds). Cutting-Edge Technologies In Innovations In Computer Science And Engineering. San International Scientific Publication, 2023. 250 p. https://doi.org/10.59646/csebookc8/004
23. Yamana Y. Deep Learning and Neural Networks: Methods / In: Shanmugam T., Bansal S.A. (eds). CuttingEdge Technologies In Innovations In Computer Science And Engineering. San International Scientific Publication, 2023. 250 p. https://doi.org/10.59646/csebookc7/004
24. Nguyen T.T., Nguyen C.M., Huynh-The T. et al. (2023). Solving Complex Sequential Decision-Making Problems by Deep Reinforcement Learning with Heuristic Rules / In: Computer Science - ICCS 2023: 23rd International Conference, Prague, Czech Republic, July 3-5, 2023, Proceedings, Part II. Pp. 298-305. https://doi.org/10.1007/978-3-031-36021-3_30
25. Pattanayak S. Mathematical Foundations / In: Pro Deep Learning with TensorFlow 2.0. Apress, Berkeley, CA, 2023. Pp. 1-108. https://doi.org/10.1007/978-1-4842-8931-0_1
26. Tian S.F., Li B. Gradient-optimized physics-informed neural networks (GOPINNs): a deep learning method for solving complex nonlinear problems // Acta Phys. Sin. 2023. Vol. 72(10). P. 100202. https://doi.org/10.7498/aps.72.20222381
27. Gaspar-Cunha A., Costa P., Monaco F. et al. Scalability of Multi-objective Evolutionary Algorithms for Solving Real-World Complex Optimization Problems / In: Emmerich M. et al. Evolutionary Multi-Criterion Optimization. EMO 2023. Lecture Notes in Computer Science, vol 13970. Springer, Cham, 2023. https://doi.org/10.1007/978-3-031-27250-9_7
28. Zhao X., Jia X., Zhang T. et al. Evolutionary Algorithms With Blind Fitness Evaluation for Solving Optimization Problems With Only Fuzzy Fitness Information // IEEE Transactions on Fuzzy Systems. 2023. Vol. 31. No. 11. Pp. 3995-4009. https://doi.org/10.1109/tfuzz.2023.3273308
29. Kóczy L.T. Discrete Bacterial Memetic Evolutionary Algorithms for Solving High Complexity Problems: PLENARY TALK // 2022 IEEE 16th International Symposium on Applied Computational Intelligence and Informatics (SACI), Timisoara, Romania. 2022. Pp. 13-14. https://doi.org/10.1109/SACI55618.2022.9919503
30. Aishwaryaprajna, Rowe J.E. (2021). Evolutionary Algorithms for Solving Unconstrained, Constrained and Multi-objective Noisy Combinatorial Optimisation Problems. URL: https://arxiv.org/abs/2110.02288v1 (дата обращения: 09.01.2025).
31. Xiaoyong Li. Logical Programming and Humor Language in the Open AI Environment of Natural Democracy. 2023. https://doi.org/10.31219/osf.io/3ux4n
32. Shakarian P., Simari G.I., Callahan D. Reasoning about Complex Networks: A Logic Programming Approach. URL: https://arxiv.org/abs/2209.15067v1 (дата обращения: 09.01.2025).
33. Lancia G., Serafini P. Computational Complexity and ILP Models for Pattern Problems in the Logical Analysis of Data // Algorithms. 2021. Vol. 14(8). P. 235. https://doi.org/10.3390/A14080235
34. Pan L., Albalak A., Wang X. Logic-LM: Empowering Large Language Models with Symbolic Solvers for Faithful Logical Reasoning. URL: https://arxiv.org/abs/2305.12295v2 (дата обращения: 09.01.2025).
35. Tymoshenko P., Zasoba Y., Kovalchuk O. et al. Neuroevolutionary algorithms for neural networks generating // Herald of Khmelnytskyi National University Technical sciences. 2022. Vol. 315(6(1)). Pp. 240-244. https://doi.org/10.31891/2307-5732-2022-315-6-240-244
36. Chalumeau F., Boige R., Lim B. et al. Neuroevolution is a Competitive Alternative to Reinforcement Learning for Skill Discovery. URL: https://arxiv.org/abs/2210.03516v4 (дата обращения: 09.01.2025).
37. Rodzin S., Bova V., Kravchenko Y. et al. Deep Learning Techniques for Natural Language Processing / In: Artificial Intelligence Trends in Systems, Proceedings of 11th Computer Science On-line Conference 2022, Vol. 2. 2022. Pp. 121-130. https://doi.org/10.1007/978-3-031-09076-9_11
38. Курейчик В.В., Родзин С.И., Бова В.В. Методы глубокого обучения для обработки текстов на естественном языке // Известия ЮФУ. Технические науки. 2022. №2 (226). С. 189-199. URL: https://cyberleninka.ru/article/n/metody-glubokogo-obucheniya-dlya-obrabotki-tekstovna-estestvennom-yazyke (дата обращения: 16.02.2024).
39. Частикова В.А., Козачек К.В., Гуляй В.Г. Методы обработки естественного языка в решении задач обнаружения атак социальной инженерии // Вестник Адыгейского государственного университета. Сер.: Естественно-математические и технические науки. 2021. Вып. 4(291). https://doi.org/10.53598/2410-3225-2021-4-291-95-108
40. Khot T., Richardson K., Khashabi D. et al. (2021). Learning to Solve Complex Tasks by Talking to Agents. URL: https://arxiv.org/abs/2110.08542v2 (дата обращения: 09.01.2025).
41. Wang H., Feng S., He T. et al. Can Language Models Solve Graph Problems in Natural Language? URL: https://arxiv.org/abs/2305.10037v3 (дата обращения: 09.01.2025).
42. Vetter D., Tithi J.J., Westerlund M. et al. Using Sentence Embeddings and Semantic Similarity for Seeking Consensus when Assessing Trustworthy AI. URL: https://arxiv.org/abs/2208.04608v1 (дата обращения: 09.01.2025).
43. Massri M.B., Spahiu B., Grobelnik M. et al. Towards InnoGraph: A Knowledge Graph for AI Innovation // WWW ‘23 Companion: Companion Proceedings of the ACM Web Conference 2023. Pp. 843-849. https://doi.org/10.1145/3543873.3587614
44. Dadure P., Pakray P., Bandyopadhyay S. Challenges and Opportunities in Knowledge Representation and Reasoning / In: J. Wang (ed.). Encyclopedia of Data Science and Machine Learning (5 volumes). 2023. Volume IV. Pp. 2464-2478. https://doi.org/10.4018/978-1-7998-9220-5.ch148
45. Beishui L. On Interdisciplinary Studies of a New Generation of Artificial Intelligence and Logic // Social Sciences in China. 2022. Vol. 43(3). Pp. 21-42. https://doi.org/10.1080/02529203.2022.2122207
46. Dignum V., Casey D., Serratto-Pragman T. et al. On the importance of AI research beyond disciplines. URL: https://arxiv.org/abs/2302.06655v1 (дата обращения: 09.01.2025).
47. Елкин С.В., Гаврилов Д.А. Смыслы и симметрии в системе языка Диал / Научная сессия МИФИ-98: Сб. научн. тр. в 11 ч. Ч. 5. М.: МГИФИ, 1998. С. 31-34.
48. Куликов В.В., Гаврилов Д.А., Елкин С.В. Универсальный искусственный язык - «hOOM-Диал»: Методические указания для изучающих язык. М.: Гэлэкси Нэйшн, 1994. 113 с.
49. Елкин С.В., Гаврилов Д.А. Универсальный искусственный язык Диал как интерфейс // V Международный форум по информатизации. Материалы Конгресса «Общественное развитие и общественная информация», секция: Информатизация постперестроечного общественного развития. МАИ, 20-23 ноября 1996 г. М.: МАИ, 1996. С. 51-53.
50. Куликов В.В. Узник бессмертия: обучающий роман в жанре научной фантастики. М.: СИНТЕК, 1998. 100 с.
51. Альтшуллер Г. Найти идею. Введение в ТРИЗ - теорию решения изобретательских задач. М.: Альпина паблишер, 2022. 408 с.
52. A market research on challenges influencing artificial intelligence adoption. Business: Theory and Practice, (2023). https://doi.org/10.3846/btp.2023.17655
53. Hoffman R., Miller T., Clancey W. Psychology and AI at a Crossroads: How Might Complex Systems Explain Themselves? // American Journal of Psychology. 2022. Vol. 135(4). Pp. 365-378. https://doi.org/10.5406/19398298.135.4.01
54. Repede S.E. Researching disinformation using artificial intelligence techniques: challenges // Bulletin of “Carol I” National Defense University. 2023. Vol. 12(2). Pp. 69-85. https://doi.org/10.53477/2284-9378-23-21
55. Birhane A. Automating Ambiguity: Challenges and Pitfalls of Artificial Intelligence. URL: https://arxiv.org/abs/2206.04179v1 (дата обращения: 09.01.2025).
56. Gaud D. Ethical Considerations for the Use of AI Language Model // International Journal For Research in Applied Science and Engineering Technology. 2023. Vol. 11. Issue VII. https://doi.org/10.22214/ijraset.2023.54513
57. Almazrouie O. Ethical implications of artificial intelligence in healthcare // International journal of advanced research (IJAR). 2023. Vol. 11(03). Pp. 446-448. https://doi.org/10.21474/ijar01/16444
58. Adah W.A., Ikumapayi N.A., Muhammed H.B. The Ethical Implications of Advanced Artificial General Intelligence: Ensuring Responsible AI Development and Deployment. URL: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4457301 (дата обращения: 09.01.2025).
59. Kamila M.K., Jasrotia S.S. Ethical issues in the development of artificial intelligence: recognizing the risks. URL: https://www.emerald.com/insight/content/doi/10.1108/ijoes-05-2023-0107/full/html (дата обращения: 09.01.2025).
60. Talukdar J., Singh T., Barman B. Ethics of Intelligence. 2023. https://doi.org/10.1007/978-981-99-3157-6_12
61. Hu M.Y., Yuan F. Legal regulation of clinical application of artificial intelligence // National Medical Journal of China. 2023. Vol. 103(18). Pp. 1363-1366. https://doi.org/10.3760/cma.j.cn112137-20230217-00227
62. Шахназаров Б.А. Правовое регулирование отношений с использованием искусственного интеллекта // Актуальные проблемы российского права. 2022. № 17(9). С. 63-72. https://doi.org/10.17803/1994-1471.2022.142.9.063-072
63. Weissinger L.B. AI, Complexity, and Regulation / In: J.B. Bullock (ed.) et al. The Oxford Handbook of AI Governance. Oxford University Press, 2022. Pp. 619-638. https://doi.org/10.1093/oxfordhb/9780197579329.013.66
64. Cuellar M-F., Huq A.Z. Artificially Intelligent Regulation // Daedalus. 2022. Vol. 151(2). Pp. 335-347. https://doi.org/10.1162/daed_a_01920
65. Матюк Ю.С. Правовое регулирование искусственного интеллекта: зарубежный опыт // Российский журнал правовых исследований. 2022. Т. 9. № 2. C. 107-115. https://doi.org/10.17816/RJLS91009
66. Lucaj L., van der Smagt P., Benbouzid D. (2023). AI Regulation Is (not) All You Need // FAccT ‘23: Proceedings of the 2023 ACM Conference on Fairness, Accountability, and Transparency. 2023. Pp. 1267-1279. https://doi.org/10.1145/3593013.3594079
Выпуск
Другие статьи выпуска
Задача стегоанализа изображений стоит особенно актуально ввиду использования стеганографического скрытия в графических файлах для доставки вредоносного кода и информации при совершении кибератак. В этой связи требуется совершенствование существующих способов детектирования встроенной средствами стеганографии информации. Одним из подходов является использование методики комплексного стегоанализа, предполагающей формирование вывода о детектировании встраивания на основе результатов применения группы из нескольких методов стегоанализа, а также вспомогательных расчетов.
Методы. Для повышения точности детектирования скрытой информации предлагается использовать качественные оценки изображений. В статье продемонстрирована связь между значениями таких оценок и увеличением ошибок работы методов стегоанализа. Методика комплексного стегоанализа, включающая в себя учет качественных характеристик изображений, позволяет повысить точность формируемой оценки путем уменьшения ложноположительных результатов. В статье используются статистические методы подсчета качественных характеристик изображения, оценки корреляции Спирмена, методы машинного обучения.
Результаты. Разработан программный комплекс, интегрирующий описанные в статье элементы методики комплексного стегоанализа, включающие в себя как группу методов стегоанализа, так и набор оцениваемых качественных характеристик изображения. Дана оценка связи качественных характеристик изображения с ошибками в результатах работы методов стегоанализа на пустых контейнерах. Сформированы тестовые выборки и построены модели машинного обучения, формирующие вывод об обнаружении скрытой информации в изображении.
Заключение. Предложенный подход позволяет увеличить точности детектирования скрытой информации при учете оценок качественных характеристик изображения в рамках стегоанализа, что подтверждается экспериментально.
Цель. Выполнить анализ терминологии надежности применительно к встраиваемым программно-аппаратным системам, разработать методику оценки функциональной надежности компонентов программно-аппаратной встраиваемой микропроцессорной системы управления и провести практическую оценку надежности актуальных на сегодняшний день программно-аппаратных компонент уровня встраиваемого компьютера и микроконтроллера для выбора оптимальной структуры системы управления. В качестве объекта управления используется опытный образец медицинского робота, выполняющего функции удержания хирургических инструментов, ранорасширителей по Фараберу и пр. В состав системы робота входит микропроцессорный блок на распространенном одноплатном компьютере, реализующий высокоуровневые функции управления и распознавания голосовых команд, дополнительный микропроцессорный блок для управления сервоприводами и получения входных сигналов, а также исполнительные модули – приводы.
Методы. В статье применяются методы анализа библиографических источников, выполнен анализ нерецензируемых сборников документов, ранее закрытых иностранных стандартов и публикаций.
Результаты. Представлена методика оценки функциональной надежности компонентов программно-аппаратной встраиваемой микропроцессорной системы управления. Выполнен расчет вероятности безотказной работы программных и аппаратных компонент рассматриваемой системы по статистическим оценкам и по объему кода. Несмотря на различные методы расчета и справочные данные, результаты в целом близки. Также выполнена оценка вероятности безотказной работы программных средств для альтернативной структуры системы управления, когда часть важных функций разделена с дополнительным программно-аппаратным блоком, имеющим более высокий уровень надежности. В данном случае таким блоком является микроконтроллер Atmega32, который будет обеспечивать непосредственное управление работой приводов. Сравнительный анализ результатов показывает, что за счет внедрения дополнительного уровня с частичным распараллеливанием функций и частичным резервированием каналов управления была значительно повышена оценка вероятности безотказной работы системы в заданных условиях. На основании расчетов сформирована структура системы управления с двумя системными уровнями, обладающая высокими значениями вероятности безотказной работы.
Заключение. С учетом тенденции к интеграции максимального числа функций в единую микропроцессорную систему, для повышения функциональной надежности предпочтительной схемой является двухуровневое структурное представление функциональной схемы, при котором ключевые задачи в части непосредственной работы с аппаратным окружением перераспределяются в пользу отдельного аппаратного модуля. Кроме того, в рамках встраиваемых систем такой подход часто позволяет выделить нижний системный уровень, работающий в режиме реального времени и верхний системный уровень, отвечающий за высокоуровневые функции, такие как распознавание речи, передачу данных посредством коммуникационных интерфейсов и реализацию функций искусственного интеллекта. Не до конца решенным является вопрос практической оценки надежности встраиваемого программного обеспечения, особенностью которого является отсутствие виртуализации и уровня аппаратной абстракции и, как следствие, тесная взаимосвязь с аппаратной частью и периферией. Очевидно, что во время испытаний недостаточно многократно повторять соответствующие испытания, а целесообразно формировать тестовые комбинации из внешних аппаратных воздействий (аномалий сигнального уровня) и программных воздействий на периферию микроконтроллера.
Актуальность темы исследования обусловлена необходимостью объективной оценки уровня технического состояния электрических сетей, как одного из действенных инструментариев, лежащих в основе разработки противоаварийных мероприятий.
Целью статьи является анализ условий функционирования одного из филиалов ПАО «Россети Волги» – «Ульяновских распределительных сетей» при транспорте электрической энергии по всем структурным подразделениям этой компании. В соответствии с поставленными задачами дана объективная характеристика структурно-балансовых особенностей электрических сетей компании.
Методы. В качестве основных методов исследования использовались общенаучные методы статистического и численного анализа, методы теории электрических цепей и теории прогнозирования. В качестве инструментария расчетов использовалось программное обеспечения Excel, MATLAB и пакеты авторских программ. Произведен анализ аварийной ситуации в сетях компании за длительный период наблюдения, установлены критерии оценки событий отказов в зависимости от величины недоотпуска электрической энергии. Проанализированы основные причины повреждаемости исследуемых электрических сетей за период 2018-2023 гг. и определено их процентное соотношение в общем количестве отказов за исследуемый интервал времени. Произведена превентивная оценка возникновения аварийных отказов на краткосрочную перспективу с учетом сезонной компоненты, учитывающей возможную флуктуацию отказов, обусловленную особенностями сочетаний климатических условий территорий, по которым осуществляется трассировка электрических сетей. Для визуализации расчетных данных анализа использованы технологии графических редакторов Excel и MATLAB.
Выводы. Полученные результаты исследований могут быть интересны руководству компании «Ульяновские распределительные сети» в качестве отправного материала при разработке комплекса противоаварийных мероприятий. Также материал статьи может представлять интерес инженерным службам других электросетевых компаний и научным работникам, занимающимся исследованиями в области повышения уровня надежности электроснабжения.
Совершенствование управления техническим состоянием оборудования, устройств и установок, срок службы которых превышает нормативное значение, относится к важнейшим проблемам государственной безопасности, так как их относительное число уже превышает 60%. Приводятся результаты анализа литературных данных по этой проблеме, которые подтверждают ее актуальность и значимость. Важно отметить, что эти выводы относятся не только к электроэнергетическим системам, но и ко многим другим производственным системам. Основными трудностями решения анализируемой проблемы является, прежде всего, малочисленность статистических данных, характеризующих надежность работы, их многомерный и случайный характер. Авторами решение этой проблемы предлагается осуществить путем перехода от усредненных среднегодовых показателей надежности к среднемесячным показателям оперативной надежности. Приводится краткая характеристика решения отдельных задач этой проблемы для воздушных линий электропередачи, которые совместно и представляют новую методологию управления техническим состоянием объектов распределенного типа. Наукоемкость, громоздкость и трудоемкость алгоритмов расчета обуславливают целесообразность перехода к интеллектуальным системам. При этом руководство электроэнергетической системы и отдельных ее производственных предприятий ежемесячно будут получать специализированные формы с указанием рекомендаций, оптимизирующих повышение надежности воздушных линий электропередачи путем восстановления износа.
В данной статье мы анализируем различные технические решения для автономного вождения. В зависимости от роли автономной системы для нее могут потребоваться различные уровни полноты безопасности. Мы рассматриваем три основные архитектуры. Первая – это просто система поддержки, не требующая уровня полноты, а только базовую полноту. Вторая – простая замена машиниста один к одному, что соответствует уровню SIL 1, вплоть до SIL 2. Третья архитектура – интеграция функций АТО в систему защиты безопасного поезда, что соответствует требованиям SIL 4.
Цель. Выявить и разобрать типичные недостатки, встречающиеся в публикациях по надежности, для того чтобы предостеречь авторов будущих публикаций от их повторения.
Методы. При написании статьи был проведен критический анализ текстов большого числа публикаций и их сравнение с основными положениями базовых отечественных и международных стандартов по надежности. Для анализа были взяты отечественные стандарты, не входящие в систему «Надежность в технике», и учебные пособия для высших учебных заведений. Такой выбор объясняется тем, что характер этих изданий ведет к тиражированию допущенных в них ошибок. Кроме того, для них особенно важно правильное и недвусмысленное изложение материала.
Результаты. Выявлены и разобраны следующие типичные недостатки, имеющиеся во многих публикациях. 1. Путаница в основных понятиях надежности, выражающаяся в некорректном использовании некоторых базовых терминов. Основные ошибки этого рода таковы: использование термина «надежность» вместо термина «безотказность» и термина «доступность» вместо термина «готовность», что обусловлено неверным (в рассматриваемом контексте) переводом английских терминов “reliability” и “availability” соответственно; использование термина «отказ» для состояния объекта. 2. Ошибки, связанные с показателями надежности: неправильный выбор номенклатуры показателей и использование некорректных названий для показателей. 3. Необоснованное использование простейших формул, справедливых только для экспоненциального распределения наработки до отказа, в общем случае. 4. Отсутствие формулировки критерия отказа при задании количественных требований к надежности.
Заключение. Результаты статьи помогут авторам будущих публикаций по надежности повысить их качество, избежав повторения указанных недостатков. Для улучшения ситуации предлагаются следующие меры. Организовать тщательное и независимое рецензирование готовящихся к изданию учебных пособий, широкое и беспристрастное обсуждение профессиональным сообществом проектов стандартов и уже изданных материалов с публикацией результатов таких обсуждений. Техническому комитету по стандартизации 119 «Надежность в технике» следует навести порядок в соответствующей системе стандартов, которая должна стать стройной и непротиворечивой основой для написания других публикаций и документов, а также взять на себя экспертизу всех технических стандартов, затрагивающих вопросы надежности.
С увеличением масштабов городской застройки и расширением агломераций становится все более важным создание устойчивых, эффективно функционирующих и экологически безопасных систем транспорта, обеспечивающих удобство и доступность. В частности, строительство метрополитенов играет ключевую роль в улучшении доступности и стимулировании экономического прогресса. Учитывая высокую сложность и финансовые затраты, связанные с реализацией таких крупных проектов, необходимы инновационные методы планирования для уменьшения рисков и эффективного использования ресурсов.
Цель исследования заключается в разработке передового алгоритма планирования, основанного на принципах теории графов, который способен максимально эффективно управлять ресурсами.
Методы. В работе представлены результаты всестороннего изучения актуальных в области улучшения процессов планирования в строительстве и интеграции теории графов для повышения управляемости комплексных систем, в том числе и при строительстве подземного транспорта. На протяжении исследования внимание сосредоточено на монографическом методе анализа, который раскрывает каждый элемент изучаемой проблематики, и использовании рефлексивного метода для осмысления полученной информации и выведения аргументированных заключений. Сочетание данных методов позволило не только оценить, но и подтвердить преимущества предложенной оптимизационной стратегии, сфокусированной на повышении эффективности и адаптивности в строительных проектах, особенно в части строительства метрополитенов, с учетом специфики и требований реальной практики.
Результаты. Отмечается существенная роль графовой теории в повышении эффективности строительства подземного метрополитена. Применение этого математического подхода позволяет усовершенствовать систему управления проектами, учитывая ограничения по ресурсам. Теория графов выступает здесь как ключевой элемент, который структурирует и упорядочивает сложные процессы, а также обеспечивает быструю адаптацию к любым изменениям в ходе строительства. Особенность разработанного алгоритма заключается в том, что он способствует максимальной эффективности распределения ресурсов, уменьшению времени простоя и избежанию задержек на различных этапах проекта. Таким образом, повышается точность планирования и общая экономическая эффективность строительных работ. В работе также уделено внимание аспекту многоцелевой оптимизации. Этот подход позволяет добиться идеального баланса сроков, бюджета и качества строительства, что немаловажно для подобных масштабных и ресурсоемких проектов, как строительство метрополитенов.
Выводы. Эффективное использование предложенного алгоритма существенно повысит управленческую аккуратность, сократит расходы и время, требуемое на реализацию строительных проектов, делая данный метод не только актуальным, но и необходимым для успешного осуществления крупных строительных задач. В результате, открываются новые возможности для исследований и внедрения данных подходов в градостроительное планирование и создание крупномасштабной инфраструктуры. Данная статья будет особенно интересна специалистам в области урбанистики, инженерамстроителям, исследователям, занимающимся оптимизацией процессов, а также менеджерам проектов, которые отвечают за планирование и успешную реализацию крупномасштабных строительных проектов.
Издательство
- Издательство
- ЖУРНАЛ "НАДЕЖНОСТЬ"
- Регион
- Россия, Москва
- Почтовый адрес
- 109029, г Москва, Таганский р-н, ул Нижегородская, д 27 стр 1
- Юр. адрес
- 109029, г Москва, Таганский р-н, ул Нижегородская, д 27 стр 1
- ФИО
- Саламатин Дмитрий Александрович (ГЕНЕРАЛЬНЫЙ ДИРЕКТОР)