Регламент установки шлагбаума

Моделирование для безопасности

ГОМЕОПАТИЧЕСКОЕ МОДЕЛЬНОЕ ПРОЕКТИРОВАНИЕ КАК СПОСОБ ОБЕСПЕЧЕНИЯ ТЕХНОГЕННОЙ БЕЗОПАСНОСТИ ПРИ СОЗДАНИИ И ЭКСПЛУАТАЦИИ ОБЪЕКТОВ НОВОЙ ТЕХНИКИ

Анатолий Алексеевич Сперанский, вице-президент Российской инженерной академии (РИА), директор Института наукоемких инженерных технологий РИА, ведущий эксперт Федерального экспертного совета ГД РФ

Возможности искусственного интеллекта в области креативного синтеза системно взаимодействующих процессов структурирования вещества, трансформации энергий, мобильности и коммуникативности объединяющей их информации создает новое качество кибер технологий для эффективного управления роботизированными системами в техносфере и биосфере. Особенно важно это для России, "страны, которой, с одной стороны, есть, что терять в глобальной борьбе за ресурсы, а с другой стороны - пока не удалось занять надежных позиций на глобальном технологическом пространстве.

Введение

Эксплуатационные свойства изделий в качестве объектов техники формируются общественными потребностями и новыми знаниями научно-технического инженерного сообщества, создающего инновационные возможности опережающих технологических решений. Проектирование, исследование и эксплуатация современных технических систем невозможны без интеллектуальных средств наблюдения и анализа процессов и явлений природного синтеза, позволяющих оперативно оценивать текущие состояния и их соответствие заданным тактико-технические характеристикам (ТТХ).

В современных инженерных разработках уровень интеграции наукоемких знаний и сложных технологических решений настолько высок, что не позволяет обществу быть уверенным в полном контроле ад безопасностью их реализации. С другой стороны, потребительская доктрина общества привела к катастрофически низкому уровню научного сопровождения эксплуатации объектов значительной эко технологической опасности. Оба обстоятельства стали проявлением человеческого фактора, ставшего причиной критического противостояния со средой обитания, главной причиной массовых аварий и техногенных катастроф. Участники Римского клуба еще в 1964 г. предостерегали страны и народы земной цивилизации о грозящей опасности дефицита природных ресурсов и грядущем веке природно технических катаклизмов.

В создавшейся ситуации общество вынуждено было обратить самое серьезное внимание на проблему ресурсосбережения, в первую очередь, в сфере потребления естественно ограниченных в природе энергетических и материальных ресурсов. Практическое же решение проблемы техногенной безопасности, в отличие от ресурсов снабжения, не дает быстрого и ощутимого экономического эффекта. Потенциальный выигрыш возможен в экономии значительных государственных средств на превентивном устранении причин и предотвращении возможных последствий чрезвычайных ситуаций.

Для снижения опасности антропогенной деятельности представляется целесообразным и эффективным обеспечение всех ОНТ интеллектуальными инструментальными средствами мониторинга текущих состояний и их соответствия заданным ТТХ, прежде всего, в части безопасного функционирования в штатных и предельных критических эксплуатационных режимах.

Анализ показывает, что современный технологический уровень организации безопасной жизнедеятельности ориентирован на системные знания, мобильность и коммуникативность. Под системными знаниями, прежде всего, понимается достоверность многомерной пространственно временной информации о внутриструктурном состоянии конструкционных материалов и изделий из них на протяжении всего жизненного цикла создания и эксплуатации объектов новой техники.

Жизненный цикл изделий и систем состоит из специфических, основанных на глубоких фундаментальных и прикладных знаниях, этапов, каждый из которых требует понимания физики причинно следственных механизмов и их формального представления. Эти представления, в зависимости от поставленной для решения задачи, могут быть описаны таблицами (например, ТТХ), физическими и иными функциональными закономерностями, методическими и программными регламентами, определяющими порядок взаимодействия человека с создаваемыми, как правило сложными, интеллектуальными системами. Каждому этапу жизненного цикла можно поставить в соответствие модель достижения и подтверждения его характерных целевых функций.

Модель в качестве инструмента представления оригинала

Термин "модель" широко используется в различных сферах антропогенной деятельности и имеет множество смысловых значений. Общепринятое в технике понятие МОДЕЛЬ (франц. modele от лат. modulus бмера, мерило, образец, норма) в широком понимании подразумевает целевое или частное представление образа или формы оригинала (идеи, изделия, объекта, системы, процесса или явления), отличное от целого (изображения, описания, схем, чертежей, графиков, планов, либо прообраза изделия и т. п.). Относится ко всем структурным уровням (материал, деталь, узел, агрегат, система, изделие, тип, вид) и этапам жизненного цикла оригинала.

Совокупность моделей жизненного цикла образует системный ряд, объединяющий модели по уровню, виду, содержанию, форме реализации и представления:

1 уровень модели 6 функциональная абстрактная: перечень численных значений и качественных возможностей ТТХ опережающих разработок нового технологического уклада в табличной или описательной форме;

2 и 3 уровни моделей принципиальная концептуальная: фундаментальные и прикладные перспективные научные исследования, статистический анализ и синтез эксплуатационно -технологических показателей существующих аналогов и прототипов, принципы построения аналитических моделей, оптимизация параметров моделей, методы и принципы решения поставленной задачи;

4 уровень модели структурная топологическая: внутренние и внешние взаимодействия (схемная, табличная или графическая форма в виде многопараметрических массивов расчетной и проектной документации), функциональное (принципиальное) описание связей и свойства реальной системы, последовательность и состав стадий и этапов работы, совокупность процедур и привлекаемых технических средств, взаимодействие участников процесса;

5 уровень модели функциональная физическая: целевой функциональный физический прототип для аналитического обзора перспективных возможностей разрабатываемого изделия, графической интерпретацией являются чертежи уровень модели параметрическая функциональная: комплексе имитационно-алгоритмических и аппаратно-программных средств для проведения лабораторно-заводских испытаний и отработки, экспериментальных, опытных и предсерийных образцов новой техники, предназначена для испытания или изучения, проигрывания возможных сценариев развития и поведения объекта путем варьирования некоторых или всех параметров модели;

7 уровень модели функциональная физическая натурная: системная характеристика условий и требований к технологической и метрологической базе для гарантированного достижения проектных параметров ТТХ изделия в регламентированной форме, предназначена для достижения свойств и характеристик системы, обеспечивающих её эффективное функционирование;

8 и 9 уровень модели эталонная физическая имитационная: комплекс мобильных - аппаратно программных инструментальных средств оценки функционировал образцов новой техники при наземных стендовых, исследовал бортовых и сертификационных заводских (летных) испытаниях; синтезированная многопараметрическая визуализация отображения состояний;

10 уровень модели 6 детерминированная функциональная: проблемно-ориентированная система диагностического монитор ринга и анализа гомеостатического состояния штатно наблюдает элементов, узлов и агрегатов объекта, каждому набору входных параметров воздействий соответствует вполне определенный и однозначно о определяемый набор выходных параметров состояний;

1 1 уровень модели 6 стохастическая функциональная прогностическая: кибернетическая (роботизированная) интеллектуальная система прогнозной диагностики текущего ресурсного состояния гомеостаза объекта с оценкой рисков опасных состояний; как правило, описана некоторым комплексом алгоритмов, определяющим ее функционирование и развитие;

12 уровень модели функциональная оптимизационная: экспертная стохастическая система оценки рисков принятия решений с экстримизацией целевой функции.

Любая модель включает формализованное описание функциональных свойств и технических характеристик, содержания и порядка последовательности действий, направленных на подтверждение достижения целей отдельных этапов и жизненного цикла в цеб лом. Модель строится и исследуется при определенных допущениях или гипотезах и является результатом многопараметрического отображения одной структуры на другую. Например, отображение функционального физического уровня на имитационный математический является физико-математической моделью или математической моделью физической системы.

Моделирование как метод экспертизы состояний

При создании объектов новой техники процессы моделирования этапов жизненного цикла являются инструментальным средством переноса информации от реальной системы к модели и наоборот. Под "моделью" принято понимать материальный или виртуальный объект, который в процессе исследования замещает оригинал таким образом, что его непосредственное изучение дает новые знания об оригиналее.

К моделям предъявляются два взаимно противоположных общих требования:адекватности (соответствия) и простоты . По назначению модельные методы принято разделять на познавательные, прагматические и инструментальные: а) познавательная модель форма организации и представления знаний, средство соединения новых и старых знаний, является теоретической моделью, как правило, подгоняется под реальность; б) прагматическая модель берестов организации практических действий, рабочего представления целей системы для ее управления, является, как правило, прикладной моделью, под которую подгоняется реальность; в) инструментальная модель средство построения, исследования и/или использования прагматических создаваемых и/или познавательныхх существующих моделей.

Моделирование как процесс построения, изучения и применения моделей и универсальный метод получения, описания и использования знаний в процессе исследований, служит средством для поб лучения информации о тактико-технических свойствах, характеристиках и протекающих в создаваемых ОНТ гомеостатических процессах. Рациональная функция моделирования состоит в изучении создаваемого объекта путем построения и исследования его модели, осуществляемое с определенной целью и состоящее в замене эксперимента с оригиналом изделия, процесса или системы экспериментом на адекватной модели.

Организация процессов моделирования на всех этапах жизненного цикла создаваемых ОНТ формирует наукоемкий инновационный технологический ресурс 6системный мониторинг состояний (CMC). В этом случае, технологически сопряженные модели, образующие модельный ряд или кластер, реализуют комплексную опережающую технологию гарантированного подтверждения ТТХ на протяжении всего жизненного цикла.

Как считают специалисты Фонда перспективных исследований (ФПИ), "концентрация имеющихся ресурсов в виде прорывных наукоемких знаний и синтетических решений на развитии технологий нового уклада, которые пока не имеют широкой промышленной реализации, но обеспечат лидерство послезавтра 6в момент, когда новый технологический уклад, контуры которого сегодня лишь нащупываются, станет реальностью". CMC, являясь универсальной междисциплинарной, межвидовой и межотраслевой технологией нового уклада реализует фундаментальный подход ФПИ.

Модельный ряд жизненного цикла опережающих технологий

Творческое многообразие модельного ряда предполагаетвозможность во взаимодействии с внешними технологическими центрами, в том числе зарубежными, осуществлять трансферт технологий путем их усовершенствований на основе собственных опережающих инжиниринговых решений. По мнению ФПИ, "если такое решение разработано и осуществлено во взаимодействии представителей фундаментальной науки, инжиниринговых групп и вузовских центров, то можно считать, что трансферт технологии произб веден, и она входит в российскую технологическую базу. Одним из подходов к полноценному трансферту технологий является вхождение в капитал малых и средних инновационных фирм за рубежом".

К основным свойствам модельных рядов относятся упрощенность отображения, адекватность оригиналу, точность результатов, наглядность свойств, обозримость отношений, технологичность исследований, доступность воспроизведения, высокая информативность, сохранность информации, полнота связей,системная устойчивость, замкнутость решений (отношений), универсальность применимости, конечность ресурсов моделирования.

Сопряженные модельные ряды в качестве опережающего организационно методического решения позволяют преодолевать "технологический барьер" в области эко технологической безопасности. Эффективное управление ресурсным потенциалом функционально ориентированных механических объектов (ФОМО) машиностроения, энергетики и транспорта существенно повысит конкурентоспособность оборонно-промышленного комплекса (ОПК), создаст стратегическое преимущество лидерства в новых технологических укладах.

Интерпретация образов модельного ряда представлена в семи колонках:

6в первом ряду перечислены целевые организационные (ТТХ, надежность, действия) или физические (прочность, гомеостаз, ресурсе, техногенез) функции этапов жизненного цикла; бво втором ряду раскрыто содержательное наименование моб делей этапов жизненного цикла (исходная, физическая, сертификационная, диагностическая, экспертная и рисков); 6в третьем ряду слева направо представлены графические отображения содержаний (текстовое, область расчётно проектных диагностических параметров, спектральный образ эксплуатационной гомеостатических состояний, ресурсный образ напряженно формированных состояний, область предельно еретических диагностических параметров, область ресурса конструкционной прочности, область принятия решений);

6в четвертом ряду образам модельного ряда приведены соответствие принципиальные возможности достижения цели (техноб логические, инструментальные, интеллектуальные);

6в пятом ряду модельному ряду соответствуют этапы жизненноб го цикла (обоснование, проектирование, изготовление, испытания, эксплуатация, диагностика, прогнозная оценка и принятие решений в критических ситуациях).

Для успешной реализации научнобгехнологическихустремлеб ний общества необходимо реально развивать процессы познаб ния физических состояний при исследованиях, конструировании и производстве, а также процессы наблюдения эксплуатационных состояний при испытаниях, сертификации и эксплуатации. Стратеб гия модельных рядов позволяет глубоко понимать свойства и меб ханизмы процессов природного синтеза, непрерывно анализироб вать текущие состояния, своевременно предвидеть и предотвраб щать зарождающиеся патологии, ведущие к авариям и техногенб ным катастрофам.

Моделирование как метод подтверждения соответствия

Системный мониторинг состояний (CMC) как научный инструб мент опережающего развития междисциплинарных знаний являетб ся универсальной машиностроительной технологией, в том числе, в прорывных приоритетных сферах жизнедеятельности: технологии человека, сетевые технологии, робототехника, транспорт, энергеб тика. НМС является существенным элементом прорывного технолоб гического развития ресурсных компонентов перспективной техники бновых материалов, элементной базы, деталей, узлов и агрегатов, конструкций, механизмов и систем, формирующих в приложениях перспективные технологические уклады.

Главными наукоемкими компонентами CMC являются системб ные источники достоверной динамической информации о диагностичеких параметрах наблюдаемых состояний, компьютерная геа16 time реконструкция многопараметрических тензорно связанных изб мерений, компьютерная 40феконструкция физических гомеостатиб ческих портретов напряженнобдеформированных состояний, мноб гомерная кибернетичесб кая ресурсная система реконструкции техногеб неза, экспертная система оценки рисков принятия решений. Центральным признаком успешного развития CMC является высокая скорость смены технологических параб дигм за счет восприимчиб вости к новым знаниям и скорости отработки ноб вых технологических реб шений.

Стратегическим напб равлением развития меб тодов моделирования сложных технических сисб тем признаны высокоскоб ростные компьютерные технологии на основе суб пернейрокомпьютеров (СНК). Особенно актуб альными вычисления стаб новятся при попытках построить адекватные модели полидинамических процессов и мультифизичных распределённых систем. Наиболее распростраб ненным методом является математическое моделирование, вызванб ное необходимостью поддерживать соответствие его параметров, свойств и характеристик тактикобгехническому заданию на объект.

Имитационные математические модели, системно объединенб ные с аппаратными имитаторами параметров и функций физичесб ких воздействий в комплексы моделей и модельные ряды, являются интегрированным инструментальным средством формирования опорных режимов и состояний. Опорный образ путем наблюдения пространственнобзременного спектрального множества диагностических параметров позволяет анализировать соответствие проеб ктным моделям или отклонения от них. Помимо тактикобгехническоб го соответствия штатным режимам функционирования, в процессе моделирования могут решаться задачи испытаний, исследований, экспертизы, диагностики, наладки, ремонта, модернизации, экстренных и критических решений.

Модельный подход позволяет подтверждать соответствие разб работки параметрам тактикобгехнического задания (ТТЗ) на всех этапах жизненного цикла от обоснования и создания до эксплуатаб ции и обеспечения безопасности объектов новой техники. Исходной в смысле обоснования технологической перспективы является конб цептуальная описательная модель, формируемая экспертами научб но&нженерного сообщества. Первому этапу жизненного цикла соб ответствует обосновывающая технологические возможности функб циональная целевая модель № 1 в виде перечня численных значеб ний и описания качественных возможностей ТТХ, формируемых Заб казчиком. Этапу поисковых исследований соответствует аналитиб ческая модель № 2, предназначенная для оценки научнобгехнологиб ческих возможностей достижения поставленной цели. Этапу проектб ных исследований соответствует оптимизационная модель № 3 в виб де прикладных расчетов для достижение заданных ТТХ. Этапу разраб ботки соответствует проектная модель №4, обосновывающая конструкционнобгехнологические решения в виде КТД. Первым этапом изготовления является экспериментальная моб дель № 5, предназначенная для подтверждения в натуре соответб ствия ТТХ физической реализации проектного решения. Стендовым (полунатурным) испытаниям экспериментального образца соответб ствует стендовая мод ел ь №6, обеспечивающая лабораторнобзаб водские испытания (ЛЗИ) для проверки соответствия характеристик заданным параметрам ТТХ. После устранения замечаний, подтвеб ржденных удовлетворительными повторными ЛЗИ, и внесения измеб нений в КТД наступает второй этап изготовления в виде опытной модели № 7, предназначенной для подтверждения в натуре соотб ветствия ТТХ физической реализации проектного решения. Бортоб вым испытаниям опытного образца соответствует метрологическая модель № 8, обеспечивающая бортовые испытания (БИ) для проб верки соответствия характеристик заданным параметрам ТТХ. Посб ле устранения замечаний, подтвержденных удовлетворительными повторными БИ, и внесения изменений в КТД наступает третий этап изготовления в виде серийной модели № 7а, предназначенной для подтверждения в натуре соответствия ТТХ физической реализации проектного решения. Промышленным испытаниям серийного обб разца соответствует метрологическая модель № 8а, обеспечиваюб щая натурные испытания (НИ) для проверки соответствия характеб ристик заданным параметрам ТТХ. После устранения замечаний, подтвержденных удовлетворительными повторными НИ, и внесения изменений в КТД наступает этап сертификации в виде сертификациб онной модели № 9, предназначенной для подтверждения в натуре соответствия ТТХ серийного изделия в объеме установленных закоб нодательством перечня отраслевых регламентов. Этапу эксплуатации соответствует комплексный ряд взаимосб вязанных моделей:

Ьэксплуатационная модель № 10 в виде гомеостатического портрета, обеспечивающего постоянное соответствие требованиб ям заданных ТТХ путем непрерывного realaime функциональнобдиб агностического мониторинга параметров состояний; бразновидностью эксплуатационных моделей является открыб тые ряды диагностических и ремонтных (наладочных) моделей;

Ьресурсная модель № 11 в развитие эксплуатационной модеб ли обеспечивает постоянный техногенез в смысле прогноза соотвеб тствия требованиям ТТХ путем непрерывной realaime ресурсной экспертизы с оценкой рисков опасных нештатных состояний; бэкспертная модель № 12 в развитие эксплуатационной модеб ли обеспечивает мобильную оценку патогенных состояний, не обесб печивающих исполнение требований ТТХ, путем непрерывной геа16 time оценки рисков и объективной поддержки принятия решений. Приведенная систематизация модельного ряда жизненного цикла объектов новой техники не претендует на исчерпывающую полноту, более того, бесконечное число возможных ситуаций жизб ненного цикла и соответствующие им модели на основе развиваюб щихся знаний и потребностей общества не могут быть ограничены по сути. Минимально необходимый функциональный ряд моделей состояний представлен ниже.

Сложность моделируемых процессов объектов и систем ОНТ позволяет построить современными методами только весьма прибб лижённые модели, но цена отклонений в поведении реального объб екта от реконструированного в модели может быть весьма высока, особенно в многопараметрических ресурснобпрочностных задачах и многомерных экспертных системах обеспечения техногенной беб зопасности.

Поэтому оправданным является использование наиболее мощб ных вычислительных систем для построения возможно более адекб ватных моделей, их исследования и оптимизации. Они должны быть устойчивы к сбоям в исходных данных, быстро функционировать после построения, допускать возможность реализации в виде спеб циализированных микросхем, сохранять возможность "дообучения" по мере получения новой информации на всех этапах функциониб рования моделируемого объекта. В настоящий момент подобными качествами могут обладать только нейронные сети.

Вычислительная поддержка моделирования

Работа вычислительного комплекса (ВК) с моделями организуб ется на двух уровнях:

1. Сам объект (предмет новой техники, индустриальное произвоб дство, транспортное средство, промышленное сооружение и т.д.) соб держит аппаратную, в виде нейрочипа, или программнобаппаратную модель, позволяющую оперативно обрабатывать текущую инфорб мацию, выдавать прогнозы и осуществлять управление при опредеб ленных возможностях текущей оптимизации ВК на базе СНК.

2. Информация о функционировании объекта или его моделей передаётся в СНКбдентр, где анализируется для коррекции модельб ного ряда или уточнения адекватности модели конкретного этапа жизненного цикла объекта, включая гомеостаз и техногенез, с дальб нейшей передачей уточнённой модели и информации о возможном нештатном её поведении на сам объект.

В результате должны быть созданы иерархические нейросетеб вые модели сложных технических систем, физических, химических и других процессов, использующие всю априорную информацию о моделируемом объекте с возможностью перестройки и адаптивноб го самообучения во время функционирования и с контролем точб ности и прогностических возможностей в зависимости от вновь посб тупающей информации: бтехнологии создания интеллектуальных вычислительных облаб ков на основе гетерогенных нейронных сетей адаптивной структуб ры с возможностью перераспределения нагрузки, а также распреб деленного хранения и обработки данных с пересылкой между узлаб ми нейросетевых моделей данных, позволяющих радикально сокраб тить трафик без существенной потери пересылаемой информации; бтехнологии построения иерархических нейросетевых вычисб лительных систем на основе адаптивного взаимодействия территоб риально разнесенных вычислительных установок и различных их реб сурсов: вычислительных, объемов хранилищ, коллекций данных, каб нальных емкостей и др. разного уровня: детального, узлового, агреб гатного, системного, изделия, типа, вида и т.д.;

Нейросетевые технологии опираются на прикладные програмб мные продукты: бсистемы инженерных расчётов (CAD, САМ, CAE) в высокотехб нологичных отраслях промышленности на основе эволюционных и нейросетевых моделей, принципиально превосходящие имеющиеб ся в мире аналоги; бпостроение и верификация сложных нейросетевых моделей для прогнозирования в различных областях (аварийные состояния, катастрофы и пр.) на основе известных законов природы и новых экспериментальных данных, поступающих в реальном режиме вреб мени, при том, что данные, запросы к данным и сами модели могут иметь распределённый характер, а планирование и проведение наблюдения может осуществляться искусственной интеллектуальб ной системой; бсистемы и средства идентификации технических объектов в процессе их жизненного цикла: имитационные модели при оптиб мальном проектировании, контроль соответствия изготовляемой системы исходному проекту, модель реального технического объекб та, поставляемого с самим объектом заказчику, уточнение модели в процессе функционирования объекта, выявление необходимости ремонта объекта и выведения его из эксплуатации на основе эвоб люционных методов и алгоритмов построения и обучения нейросеб тевых математических моделей; бнейросетевые методы экспрессбслассификации многомерных данных; бпакеты программ экстраполяции и интерполяции многомерб ных функций, генерации адаптивных сеток с применением нейросеб тевых технологий для гибридных суперЭВМ; бнейросетевые алгоритмы и пакеты программ для создания адаптивных нейросетевых интеллектуальных систем, для которых структура, алгоритмы обучения, их точность и условия останова упб равляются потоками входных данных и целями их обработки, котоб рые могут меняться пользователем в процессе вычислений.

Бурное развитие СНК в ближайшем будущем позволит ограниб ченными ресурсами решить проблему кибернетической поддержки заданных ТТХ создаваемых изделий новой техники.

Перспективные экзафлопные СНК для моделирования

Нейросетевые алгоритмы решения специальных дифференциб альных уравнений в частных производных образуют самостоятельб ный важный раздел модельных исследований, связанных с решениб ем задач газоб гидроб аэроб термодинамики и являются определяб ющими в развитии суперЭВМ и, следовательно, занимают значиб тельное место в развитии и внедрении нейросетевых технологий, в создании СНК.

Наряду с использованием всё более мощных суперкомпьютеб ров существует ещё один путь увеличения вычислительной мощб ности 6 распределить вычисления по большому числу компьютеб ров. Для наблюдения сложных многопараметрических систем и процессов такой путь позволяет решить в реальном времени проблемы локальной обработки измерительных потоков в проб цессе сбора и передачи информации, структурной (спектральной) фильтрации связанных компонентов эллиптических траекторных измерений, прогнозной реконструкции параметров гомеостатиб ческих состояний, инструментом которых являются и так называеб мые облачные вычисления.

Особенно актуальными распределённые вычисления станоб вятся при попытках построить адекватные модели полидинамичесб ких распределённых систем для решения мультифизичных задач, при изучении которых накапливается чрезвычайно много разноб родных данных, а обработка которых требует экзафлопной произб водительности. Если все данные пересылать для обработки в один центр и результаты их переработки бобратно, то не хватит никаб ких сетевых возможностей и никаких СНК мощностей.

Реальные распределённые системы обычно носят иерархичесб кий характер, управление ими должно также быть распределённым и иерархическим. Выработка оптимальных управляющих воздейб ствий в такой системе требует соответствующей иерархии взаимоб действующих моделей. Интеллектуальное управление подобной системой должно включать в себя иерархию взаимодействующих нейронных сетей бестественных или искусственных, причём последб ние имеют очевидные преимущества над первыми. Для активного использования СНК в моделировании должны быть разработаны:

6СУ базами данных с возможностью построения и верификаб ции устойчивых нейросетевых моделей на основе известных закоб нов природного синтеза и новых экспериментальных данных, при этом, данные, запросы к данным и сами модели могут иметь распреб делённый характер, а планирование и проведение экспериментов может осуществляться искусственной интеллектуальной системой; браспределённые иерархические интеллектуальные системы 6 от уровня системы сенсоров до глобального масштаба распредеб лённой обработки данных с выполнением экспертизы текущих ресуб рсных состояний и их готовностью эффективного управления целеб вой функцией в соответствии с ТТХ.

Принципиальными для повышения технологического уровня и адекватности модельных решений оригиналам являются реализованные в мемристорах тенденции параллельнофазнесенных сетеб вых вычислений, совмещения логических вычислений с функций храб нения информации, существенного увеличения производительности при снижении энергопотребления и объемнобзесовых параметров, невосприимчивости к излучениям, отказа от процедур загрузки.

Уникальная способность мемристоров позволяет также опериб ровать не только двоичными сигналами, но и манипулировать любыб ми других значениями в промежутке от 0 до 1, открывая широчайшие перспективы для внедрения СНК в область волновой механики состоб яний. Естественное технологическое развитие в сторону клеточных нейрочипов позволяет перейти в моделях от скалярнобзекторной обб работки классических компьютеров к realaime обработке 4D6n 7D6 массивов гомеостатических портретов состояний в СНК. При этом элементарно решаются задачи многопараметрической визуализаб ции состояний и прогностики Природнобгехнических и иных систем.

В перспективе переход от позиционного представления инб формации контактных сенсоров в виде значений токов и напряжеб ний к дистанционному локационному представлению в виде частоб ты узких импульсов одинаковой амплитуды позволяет достаточно существенно повысить информативность и помехозащищенность трансляции информации, резко понизить энергопотребление и, как следствие, повысить надежность схемы. Способ приближается к представлению информации в живых нейронных сетях.

Экзафлопные СНК должны принимать участие в облачных выб числениях, когда программы запускаются и выдают результаты раб боты в окно стандартного вебббраузера на локальном ПК, при этом все приложения и их данные, необходимые для работы, досб тупны на удаленном сервере в интернете.

В последние годы сформирована устойчивая тенденция к приб менению интеллектуальных методов в разработке систем оценки качества и тестирования программного обеспечения. Это касается применения здесь размытой логики, нейронных сетей, генетических алгоритмов, хаотических и фрактальных сетей, методов извлечения знаний и др.

Моделирование в экзафлопном темпе супернейрокомпьютеб ров позволяет практически анализировать гомеостатические сосб тояния кибернетических систем любой степени сложности с опереб жением относительно опасных уровней развивающихся конструкб ционных патологий. Просто системное моделирование состояний должно стать такой же доступной технологической процедурой как мобильная связь или телевидение.

Такие возможности могут быть компактно реализованы в виде интегрированных мобильных экспертных систем на любых функциб онально ориентированных механических объектах (ФОМО), представляющих техногенную опасность для общества или окруб жающей среды.

Перспективы гомеостатического модельного проектирования

Использование опережающих высокотехнологичных подхоб дов системного научного мониторинга состояний (НМС) позволяб ет реализовать универсальный междисциплинарный, межвидовой и межотраслевой новый технологический уклад управления качеб ством при создании и эксплуатации объектов новой техники в маб шиностроении и строительстве. Роль таких системных подходов 6 не только создавать новые опережающие технологии, но и гаранб тировать положение страны на передовых рубежах оборонных исследований.

Системно сопряженные модели, образующие модельные ряды или кластеры, путем гомеостатического модельного проектировав ния (ГМП) реализуют комплексную опережающую технологию габ рантированного подтверждения ТТХ на протяжении всего жизненб ного цикла ОНТ. Сам по себе универсальный подход для достижеб ния опережающего научнобгехнологического уровня разработок также может стать модельным с точки зрения формирования базоб вого каркаса национальной инновационной системы нового техноб логического уклада.

Глобальный интеллектуальный мониторинг текущего ресурсноб го состояния и непрерывная экспертиза степени боеготовности воб енной техники обеспечивают прорыв на совершенно новый уроб вень критических технологий обеспечения безопасности и расшиб ряют возможности Вооруженных сил России по защите суверенитеб та и целостности страны, жизни и свободы ее граждан. Ч\

Литература

1. Гусев Б.В., Сперанский A.A. Волновой мониторинг безопасб ности механических систем, РИА, альманах ДСР, 2011, № 3.

2. Сперанский A.A. и др. Новые технологические возможности волнового мониторинга состояний в задачах Оборонпрома, Двигаб тель, 2008, №163.

3. Уёмов А.И. Логические основы метода моделирования, М.: Мысль, 1971.6311 с, с. 48.

4. Неуймин Я.Г. Модели в науке и технике. История, теория, и практика. Л., 1984.

5. Штофф В. А. О роли модели в познании Л., 1963.

6. Хорошев А. Н. Введение в управление проектированием меб ханических систем: Учебное пособие. бБелгород, 1999. 6372 с. 6ISBN 5621760001663 Электронная версия 2011 г.

7. Васильев А.Н., Тархов Д.А. Нейросетевое моделирование. Принципы. Алгоритмы. Приложения. // СПб Государственный Поб литехнический Университет, 2009 г.

8. ГосНИИАС. Общие требования на разработку комплекса бортового оборудования самолётов гражданской авиации, Отрасб левой стандарт, М., 2012.