МЕТОДИЧЕСКИЙ ПОДХОД К ВЫЯВЛЕНИЮ ДЕСТРУКТИВНЫХ ИНФОРМАЦИОННЫХ ВОЗДЕЙСТВИЙ НА РАСПРЕДЕЛЕННУЮ СИСТЕМУ УПРАВЛЕНИЯ ТЕХНОЛОГИЧЕСКИМ ПРОЦЕССОМ

Ирина С. Гефнер, Сергей М. Коваленко, Александр С. Суховерхов, Сергей В. Соловьев

Аннотация


Целью статьи является совершенствование методического обеспечения оценивания возможности реализации последовательности информационных воздействий на распределенную систему управления, приводящих к аварийным ситуациям. Решается проблема оценки возможности реализации последовательности информационных воздействий на распределенную систему управления, приводящих к аварийным ситуациям. Предлагается методический подход к выявлению последовательностей информационных воздействий, приводящих к аварийной ситуации на промышленных объектах, основанный на применении метода временных различий машинного обучения с подкреплением. Оценивается эффективность применения рассматриваемого методического подхода по сравнению с методом равновероятного перебора. Приводится пример реализации методического подхода в отношении технологического процесса, применяемого на промышленных объектах.


Ключевые слова


промышленный объект, аварийная ситуация, последовательность информационных воздействий, распределенная система управления.

Полный текст:

pdf

Литература


1. Simulink – Simulation and Model-Based Design – MATLAB & Simulink:
URL: https://www.mathworks.com/products/simulink.html (дата обращения: 12.02.2020).

2. Aspen HYSYS: URL: https://www.aspentech.com/products/engineering/aspen-hysys (дата обращения: 12.02.2020).

3. Petro-SIM | Process Simulation Software | KBC:
URL: https://www.kbc.global/software/process-simulation-software/ (дата обращения: 12.02.2020).

4. Саттон Р.С., Барто Э.Г. Обучение с подкреплением: Пер. с англ. М.: БИНОМ. Лаборатория знаний, 2011. – 399 с.

5. Комашинский В.И., Смирнов Д.А. Нейронные сети и их применение в системах управления и связи: М.: Горячая линия – Телеком, 2003. – 94 с.

6. Deep Learning: URL: https://www.deeplearningbook.org (дата обращения: 12.02.2020).

7. Что не так с обучением с подкреплением (Reinforcement Learning)? / Хабр.:
URL: https://habr.com/ru/post/437020/ (дата обращения: 12.02.2020).

8. Введение в обучение с подкреплением для начинающих: URL: https://proglib.io/p/reinforcement-learning/ (дата обращения: 12.02.2020).

9. Обучение с подкреплением для самых маленьких / Хабр.:
URL: https://habr.com/ru/post/308094/ (дата обращения: 12.02.2020).

10. Вьюгин В.В. Математические основы теории машинного обучения и прогнозирования: М.: 2013. – 387 с.

11. Домингос П. Верховный алгоритм. Как машинное обучение изменит наш мир. – М.: Манн, Иванов и Фербер, 2016. – 336 с.

12. Trevor Hastie, Robert Tibshirani, Jerome H. Friedman The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer Science & Business Media, 2001. – 533 с.

13. Хайкин С. Нейронные сети: полный курс, 2-е издание.: Пер. с англ. – М.: Издательский дом «Вильямс», 2006. – 1104 с.

14. Критерий согласия Пирсона χ2 (Хи-квадрат) statanaliz.info:
URL: https://statanaliz.info/statistica/proverka-gipotez/kriterij-soglasiya-pirsona-khi-kvadrat/ (дата обращения: 12.02.2020).

15. NIST SP 800-22: Documentation and Software Random Bit Generation | CSRC:
URL: https://csrc.nist.gov/Projects/Random-Bit-Generation/Documentation-and-Software (дата обращения: 12.02.2020).




DOI: http://dx.doi.org/10.26583/bit.2020.1.10

Ссылки

  • На текущий момент ссылки отсутствуют.


Лицензия Creative Commons
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.