Россия
аспирант
Россия
УДК 004.051 Эффективность
Рассматривается подход к построению интеллектуальной системы диагностирования и восстановления работоспособности информационно-управляющих систем (ИУС) подвижного состава на основе многоагентной архитектуры. Введение: в связи с увеличением сложности ИУС подвижного состава возникает необходимость повышения надежности и возрастает потребность в интеллектуальных системах диагностики и восстановления. В настоящее время традиционные централизованные методы теряют свою эффективность в определенных условиях. Цель: разработка концепции интеллектуальной системы диагностирования и восстановления работоспособности ИУС подвижного состава, основанной на многоагентной архитектуре, с возможностью внедрения в существующую транспортную инфраструктуру. Методы: предложен подход, при котором каждый агент в системе выполняет специализированные задачи: сбор телеметрической информации, анализ и фильтрацию данных, формирование диагностических признаков и принятие решений о техническом состоянии системы. Архитектура системы предусматривает многоуровневую организацию и протоколы взаимодействия между агентами. Результаты: формирование архитектурной модели и концепции прототипа, демонстрирующего функционирование распределенной интеллектуальной системы. Представление ключевых компонентов, интерфейса взаимодействия, аппаратной и программной реализации. Практическая значимость: разработанный подход может служить для повышения устойчивости и автономности транспортных систем в реальных эксплуатационных условиях. Обсуждение: возможность масштабирования прототипа, его интеграция в существующие ИУС.
многоагентные системы, нейросетевые технологии, транспорт, информационно-управляющие системы, автоматизация
1. Барановский А. М., Бобриков Д. А. Современные подходы к диагностике и восстановлению работоспособности 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. EDN: https://elibrary.ru/IIIKAH
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/10.1007/978-3-662-03678-5_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. EDN: https://elibrary.ru/EZMDYX
5. Bellifemine F. L., Caire G., Greenwood D. Developing Multi-Agent Systems with JADE. Chichester: Wiley, 2007. 300 p. DOI: https://doi.org/10.1002/9780470058411
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. EDN: https://elibrary.ru/TRJVLA
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. EDN: https://elibrary.ru/YVTTKB
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 Agent-Based 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. EDN: https://elibrary.ru/UKQHUJ
14. Shoham Y., Leyton-Brown K. Multiagent Systems: Algorithmic, Game-Theoretic, and Logical Foundations. New York (NY): Cambridge University Press, 2009. 504 p. DOI: https://doi.org/10.1017/CBO9780511811654
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. EDN: https://elibrary.ru/NJTEGQ
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. EDN: https://elibrary.ru/UGLBCH
