Россия
аспирант
УДК 004.051 Эффективность
В данной работе будет рассматриваться подход к построению интеллектуальной системы диагностирования и восстановления работоспособности информационно-управляющих систем подвижного состава на основании многоагентной архитектуры. Введение. В связи с увеличением сложностей информационно-управляющих систем (ИУС) подвижного состава появляется необходимость повышения надежности и возрастает потребность в интеллектуальных системах диагностики и восстановления. В настоящее время традиционные централизованные методы теряют свою эффективность в определённых условиях. Цель исследования: основный целью данной работы является разработка концепции интеллектуальной системы диагностирования и восстановления работоспособности ИУС подвижного состава. Основываясь на многоагентной архитектуры, обеспечивая модульность и адаптивность, а также возможность внедрение в уже существующую транспортную инфраструктуру. Метод исследования. В исследовании предложен подход, при котором каждый агент в системе выполняет специализированные задачи: сбор телеметрической информации, анализ и фильтрации данных, формирование диагностических ключей и принятий решений. Архитектура системы предусматривает многоуровневую организацию и стандартизированные протоколы взаимодействия между агентами. Основной результат: формирование архитектурной модели и концепции прототипа, демонстрирующего принципы функционирования распределенной интеллектуальной системы. Представление ключевых компонентов, интерфейса взаимодействия к аппаратной и программной реализации. Обслуживание: возможность масштабирования прототипа, его интеграция в существующие ИУС, а также практическая значимость разработанного подхода для повышения устойчивости и автономности транспортных систем. Сделаны выводы о потенциале предложенного решения для применения в реальных эксплуатационных условиях
многоагентне системы, нейросетные технологии, транспорт, информационно-управляющие системы, автоматизация
1. Барановский А. М., Бобриков Д. А. Современные подходы к диагностике и восстановлению работоспособ-ности информационно-управляющих систем подвижного состава с применением многоагентных и нейросетевых технологий // Интеллектуальные технологии на транспорте. 2025. № 1 (41). С. 5–13. DOI:https://doi.org/10.20295/2413-2527- 2025-141-5-13.
2. Wooldridge M. J. An Introduction to MultiAgent Systems. Second Edition. Chichester: Wiley, 2009. 488 p.
3. Jennings N. R., Wooldridge M. J. Applications of Intelligent Agents // Agent Technology: Foundations, Applications, and Markets / N. R. Jennings, M. J. Wooldridge (eds.). Heidelberg: Springer Berlin, 1998. Pp. 3-28. DOI:https://doi.org/10.1007/978-3662-03678-5_1.
4. Бочков А. П., Хомоненко А. Д., Барановский А. М. Модель формирования кластеров информативных узлов интегрированной и распределенной обработки данных в вычислительной сети // Наукоемкие технологии в космических исследованиях Земли. 2021. Т. 13, № 1. С. 44–57. DOI:https://doi.org/10.36724/2409-5419-2021-13-1-44-57.
5. Bellifemine F. L., Caire G., Greenwood D. Developing Multi-Agent Systems with JADE. Chichester: Wiley, 2007. 11300 p.
6. Russell S. J., Norvig P. Artificial Intelligence: A Modern Approach. Fourth Edition. Hoboken (NJ): Pearson, 2020. 1136 p.
7. Станкевич Л. А. Интеллектуальные системы и технологии: учебник и практикум для вузов. 2-е изд., перераб. и доп. М.: Юрайт, 2025. 478 с.
8. Андронов С. А., Фетисов В. А. Интеллектуальные транспортные системы: учебное пособие. 2-е изд. М.: IPR Media, 2024. 266 c.
9. Евстафьев В. А., Тюков М. А. Искусственный интеллект и нейросети: практика применения в рекламе: учебное пособие. М.: Дашков и К, 2023. 426 с.
10. Rockwell Automation’s Holonic and Multiagent Control Systems Compendium / P. Vrba, P. Tichý, V. Mařík [et al.] // IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews). 2011. Vol. 41, Iss. 1. Pp. 14–30. DOI:https://doi.org/10.1109/TSMCC.2010.2055852.
11. Werneck V. M. B., Moreira Costa R. M. E., Cysneiros L. M. Modelling Multi-Agent System Using Different Methodologies // Multi-Agent Systems — Modeling, Interactions, Simulations and Case Studies / F. Alkhateeb [et al.] (eds.). InTechOpen, 2011. Pp. 77–96. DOI:https://doi.org/10.5772/14792.
12. Luck M., McBurney P., Preist C. Agent Technology: Enabling Next Generation Computing (A Roadmap for AgentBased Computing). Southampton, 2003. 100 p.
13. Pudovikov O. E., Tarasova V. N., Degtyareva V. V. Predictive Diagnostics of Rolling Stock and the Industrial Internet of Things // Russian Engineering Research. 2023. Vol. 43, Iss. 8. Pp. 987–990. DOI:https://doi.org/10.3103/S1068798X23080282.
14. Shoham Y., Leyton-Brown K. Multiagent Systems: Algorithmic, Game-Theoretic, and Logical Foundations. New York (NY): Cambridge University Press, 2009. 504 p.
15. Киселев Г. Г. Искусственный интеллект в системе мониторинга, диагностики и прогнозирования технического состояния подвижного состава // Известия Тульского государственного университета. Технические науки. 2024. Вып. 3. С. 621–626. DOI:https://doi.org/10.24412/2071-6168-2024-3-621-622.
16. Использование искусственных нейронных сетей на Российских железных дорогах для контроля токоприемников поездов / В. С. Язынин, А. М. Барановский, А. А. Воробьев, И. Ю. Романова // International Journal of Advanced Studies. 2023. Т. 13. № 1. С. 267–287. DOI:https://doi.org/10.12731/2227-930X-2023-13-1-267-287.
