Добавить в коллекции Добавить в сохраненное
  1. Инженерия
  2. Информатика
  3. Искусственный интеллект
Загрузил patch_soul

Искусственный интеллект в системах управления. Конспект лекций для 4 курса

реклама 
Искусственный интеллект в системах управления
(от теории к практике)
часть 2
Содержание
1. Проектное управление
1
2.От теории к практике. Цифровая трансформация промышленного
производства
24
3. Структуры управления промышленным производством
32
4. Непрерывность бизнеса
41
5. Промышленная безопасность
58
6. Интеллектуальный мониторинг
82
7. Программная платформа "Феникс"
152
8. Аналитика ПП "Феникс"
169
9. Примеры внедрения систем интеллектуального мониторинга 186
10. Заключение
194
11. Список литературы
196
1
1. Проектное управление
Управление
проектами
насчитывает
столько
же
лет,
сколько
существуют идеи. Однако методы и средства управления проектами за это
время существенно эволюционировали.
Строительство храма, создание
новой
существующего
модели
самолета,
расширение
производства,
информатизация деятельности организации – все эти задачи, значительные
по масштабу и затратам, являются проектами, поскольку решение любой из
них предполагает инициацию, планирование, координацию и контроль
выполнения работ для достижения её целей в рамках заданного бюджета,
установленного срока и с надлежащим качеством.
В основе современных методов управления проектами лежат методики
сетевого планирования, разработанные в конце 50-х годов в США. В 1956 г.
М.
Уолкер
из
корпорации
"Дюпон",
исследуя
возможности
более
эффективного использования принадлежащей корпорации вычислительной
машины Univac, совместно с Д. Келли из группы планирования корпорации
"Ремингтон Рэнд" разработали рациональный и простой метод описания
проектов с использованием ЭВМ. Первоначально он был назван методом
Уолкера-Келли, а позже получил название метода критического пути.
Практически одновременно по заказу Военно-морских сил США
специалистами корпорации "Локхид" для управления программой разработки
ракетной
системы
"Поларис",
включающей
около
3800
основных
2
подрядчиков и состоящей из примерно 60 тыс. работ, был разработан метод
анализа и оценки программ PERT (Program Evaluation and Review Technique).
Использование указанного метода позволило руководству программы точно
знать, что требуется делать в каждый момент времени и кто именно должен
это делать, а также проводить оценку вероятности своевременного
завершения наиболее важных работ.
Управление данной программой
оказалось настолько успешным, что ее удалось завершить на два года раньше
запланированного срока. Благодаря такому результату, метод PERT вскоре
стал повсеместно использоваться для планирования проектов и программ в
Вооруженных силах США. Метод отлично себя зарекомендовал при
координации работ, выполняемых различными подрядчиками, в рамках
крупных проектов по разработке новых видов вооружения.
К настоящему времени управление проектами получило признание во
всем мире, стало самостоятельной профессиональной дисциплиной и
является важнейшим механизмом рыночной экономики.
Методология и средства управления проектами широко используются во
всех сферах деятельности развитых стран мира. Так, в Резервном Банке США
к управлению проектами допускается только специально подготовленный
персонал, а контракты заключаются только с подрядчиками, имеющими
определенный уровень зрелости в области проектного управления.
В последние годы управление проектами является своеобразным
культурным мостом в цивилизованном бизнесе и деловом сотрудничестве
стран разных континентов с разной историей развития, традициями,
экономикой и культурой. Сейчас практически невозможно назвать хотя бы
один серьезный международный проект, который осуществлялся бы вне
рамок идеологии и методологии управления проектами.
По данным авторитетных источников использование современной
методологии
и
инструментария
проектного
управления
позволяет
сэкономить порядка 25 - 30% времени и около 20 - 25% средств,
затрачиваемых на осуществление проектов. В России, где организационная
3
система и методы управления значительно слабее, чем на Западе, эффект от
внедрения
проектного
управления
следует
ожидать
еще
более
значительным.
Проектное управление, возникшее в развитых странах около пятидесяти
лет тому назад, к настоящему времени стало признанной во всем мире
самостоятельной сферой профессиональной деятельности. В наше время уже
нет ни одного серьезного проекта, который осуществлялся бы вне рамок
проектного управления.
Проектное
управление
является
важнейшим
механизмом
рыночной
экономики и положено в основу государственной стратегии социальноэкономического развития наиболее развитых стран мира .
Что такое проект и зачем нужно управлять проектами?
Проект (лат. projectus — брошенный вперёд) — замысел, план создания
чего-нибудь, включающий описание, обоснование расчётов, чертежей, работ,
направленные на создание уникального продукта (серийное производство не
является проектом), раскрывающих сущность замысла и возможность его
практической реализации.
Проектная деятельность — это уникальная деятельность, имеющая начало
и конец во времени, направленная на достижение заранее определённого
результата/цели, создание определённого, уникального продукта или услуги.
В ходе реализации проекта, условия его выполнения могут изменяться. Такие
изменения бывают как позитивными, так и негативными. Управлением
изменениями занимается соответствующий раздел дисциплины управление
проектами (англ. project management).
По мнению специалистов, управлять проектами нужно для того, чтобы
повысить успешность их реализации.
Проект считается успешно реализованным, если он завершен:
• с достижением полного объема запланированных результатов;
• с заданным уровнем качества;
• в установленные сроки;
4
• в рамках выделенного бюджета;
• при удовлетворении заказчика.
Часто в литературе, успешность реализации проекта
связывают с
тремя параметрами («установленные сроки», «выделенный бюджет» и
«заданное качество»). В этом случае параметр «заданное качество», по
умолчанию, включает в себя три параметра («достижение полного объема
запланированных результатов», «удовлетворенность заказчика» и «заданный
уровень качества»).
Сегодня более 75% всех проектов в мире выполняются с превышением
первоначального бюджета и (или) установленного срока реализации.
В Германии успешно реализуется только 31% проектов.
По результатам исследования PMI, в котором анализировались
результаты реализации примерно 23 тысяч проектов, только 26% из них
выполнены вовремя и в рамках выделенного бюджета, а 28% – полностью
провалены (реализованы не в полном объеме и с низким качеством).
Общей статистики по российским проектам, к сожалению, нет. Однако
можно предположить, что этот показатель еще выше, поскольку выгоды от
применения управления проектами пока недостаточно оценены, что
препятствует его широкому распространению.По оценкам некоторых
специалистов в России успешно осуществляется только около 10% проектов.
Управление проектами с использованием специально разработанных и
проверенных на практике профессиональных методов и инструментов
позволяет ощутимо повысить вероятность их успешного завершения.
Так,
например,
по
данным
европейских
и
американских
исследователей внедрение управления проектами позволяет:
• увеличить достижение полного объема запланированных результатов
проекта на 50%;
• сократить сроки реализации проекта на 30%;
• уменьшить затраты проекта на 20%;
• повысить удовлетворенность заказчика на 36%.
5
При этом необходимо отметить, что управление проектами является
затратной деятельностью. Согласно мировой статистике на это уходит от 2
до 10% бюджета проекта.
Что же такое проектное управление?
Проектное управление – управление проектами, программами и портфелями
проектов и программ организации, направленное на достижение заданных
целей.
Проект – целенаправленная деятельность по реализации взаимосвязанных
работ и мероприятий, направленных на создание(изменение) уникального
продукта или услуги в условиях заданных ограничений (временных и
ресурсных).
Управление проектом – целенаправленное воздействие на проект с целью его
реализации в заданные сроки, в рамках выделенного бюджета и с требуемым
качеством.
Программа
–
группа
взаимосвязанных
проектов
и
мероприятий,
объединенных единой целью и условиями выполнения.
Управление программой – скоординированное управление ее компонентами
для достижения целей программы.
Портфель проектов и программ (далее – портфель) – совокупность проектов
и программ, сгруппированных для повышения эффективности управления
ими.
Управление портфелем – централизованное управление составом портфеля в
условиях заданных ресурсных ограничений для реализации стратегии
развития организации.
По некоторым оценкам в настоящее время в проектной деятельности
участвует свыше 15 млн. человек, а посредством осуществления проектов,
программ и портфелей создается более 25% годового всемирного валового
продукта (около 14 трлн. дол.).
Однако, несмотря на предпринимаемые усилия, эффективность
проектной деятельности продолжает оставаться невысокой. Так, по оценкам
6
немецких специалистов эффективность проектной деятельности в Германии
не превышает 13%. При этом эффективность реализации проектов менее
31%, а эффективность реализации портфелей около 43%. За счет этого
ежегодные финансовые потери государства составляют примерно 60%.
По данным американского Института управления проектами PMI
основными причинами внедрения проектного управления являются:
• возрастание сложности проектов (27%);
• увеличение числа проектов (25%);
• ужесточение требований к срокам реализации проектов (23%);
• конкуренция и требования рынка (11%);
• возрастание требований к качеству продуктов проектов (9%) и др.
В Пентагоне, в Резервном банке США в Федеральном банке Германии
руководителями
проектов
назначаются
только
профессионально
сертифицированные специалисты, а контракты заключаются с подрядными
организациями,
имеющими
уровень зрелости
в области проектного
управления не ниже заданного.
При
этом
проектная
деятельность
осуществляется
только
профессионально подготовленным персоналом.
В последнее время появились позитивные тенденции развития
проектного управления в России:
• опубликованы национальные стандарты по проектному управлению (ГОСТ Р
54869-2011 «Проектный менеджмент. Требования к управлению проектом»,
ГОСТ Р 54870-2011 «Проектный менеджмент. Требования к управлению
портфелем проектов», ГОСТ Р 54871-2011 «Проектный менеджмент.
Требования к управлению программой» и ГОСТ Р ИСО 21500-2014
«Руководство по проектному менеджменту»);
• распоряжением
Министерства
экономического
развития
России
от
14.04.2014 № 26Р-АУ введены в действия «Методические рекомендации по
внедрению проектного управления в органах исполнительной власти»;
7
• приказом Министерства связи и массовых коммуникаций Российской
Федерации утверждены «Методические рекомендации по организации
системы проектного управления мероприятиями по информатизации в
государственных органах»;
• по результатам обследования российских организаций 72% из них проводят
обучение руководителей проектов, 14% требуют от них прохождения
профессиональной сертификации, а 43% внедряют элементы методологии и
средств автоматизации проектного управления и т.д.
•
Компания
ОАО
«Сбербанк
России»
обучила
и
профессионально
сертифицировала около 1000 проектных менеджеров, разработала и внедрила
методологию
и
средства
автоматизации
проектного
управления,
организовала Центр управления проектами, первая в России получила
международный
сертификат
уровня
зрелости
в
области
проектного
управления.
Особенности управления ИТ-проектами.
Прежде чем говорить об ИТ-проектах и особенностях их управления
рассмотрим типовые задачи, решаемые ИТ-подразделением организации:
• определение перспектив развития информационных технологий;
• проектирование
и
реализаций
решений
по
развитию
ИТ-
инфраструктуры;
• внедрение новых информационных технологий;
• автоматизация бизнес-процессов;
• предоставление ИТ-услуг пользователям;
• сопровождение информационных систем;
• обеспечение информационной безопасности;
• обучение и консультирование пользователей и др.
• Указанные задачи решаются двумя основными способами:
• путем реализации ИТ-проектов;
• посредством выполнения ИТ-процессов.
Дадим определение ИТ-проекта.
8
• ИТ-проект – проект, результатом которого является получение ИТпродукта или ИТ-услуги.
• ИТ-проект
может
выполняться
как
независимо,
так
и
во
взаимодействии с другими проектами. Во втором случае указанный
проект включается в состав программы.
• До недавнего времени, когда отсутствовали теория и практика
управления программами, активно использовалось понятие «проект с
ИТ-составляющей» [58]. Под проектом с ИТ-составляющей понимался
проект, в котором ИТ-составляющая занимала значительную часть
бюджета проекта (например, более 10 тыс. $).
Классификационные признаки ИТ-проектов
Имеют более высокий уровень риска. Причина этого – сложность,
значительная
неопределенность,
новизна
и
инновационность
ИТ-
деятельности, которая еще совсем недавно считалась «искусством», а также
ее обеспечивающий характер в организации. В этой связи в ходе реализации
ИТ-проектов необходимо учитывать следующие основные ИТ-риски:
• риски, связанные с человеческим фактором (например, нежелание
части персонала осваивать новые информационные технологии,
сложность освоения новых информационных технологий и др.);
• технические риски (например, неочевидность ИТ-решения, отсутствие
аналогов, использование «тупиковых» технологий и др.);
• финансовые риски (недостаточное финансирование, несвоевременное
выделение финансовых средств и др.);
Реализуются в регламентированном окружении. Окружение ИТпроектов в настоящее время регламентировано используемой многими
организациями методологией управления ИТ, именуемой – COBIT. Данное
окружение является важнейшим фактором, определяющим содержание и
взаимодействие
процесса
управления
ИТ-проектами
со
смежными
процессами управления ИТ (управление ИТ-стратегией, ИТ-архитектурой,
разработкой ИТ-продукта, ИТ-бюджетом, ИТ-закупками, ИТ-рисками и др.);
9
Отличаются
использованием
значительного
числа
технологий
разработки ИТ-продуктов.
Технология разработки
ИТ-продуктов на сегодняшний день в
значительной степени регламентирована. Основные методы разработки ИТпроектов изложены в следующих нормативных документах:
• ГОСТ 19 «Единая система программной документации»;
• ГОСТ 34 «Стандарты на разработку автоматизированных систем».
Разработка в соответствии с этими стандартами проводится по этапам,
каждый из которых предполагает выполнение строго определенных работ.
Строгое следование этим ГОСТам приводит к каскадной модели. На основе
этих стандартов разрабатываются АСУ и программные системы по
госзаказам в России.
Кроме этих «основополагающих» документов находят применение
следующие методики:
– популярным семейством Аgile методологий;
– свод знаний SWEBOK;
– широко известными корпоративными методологиями RUP и MSF;
– корпоративные
стандарты
разработки
ИТ-продуктов,
которые
используются в деятельности многих организаций.
Проектная деятельность в ИТ-подразделении, как правило, не
прекращается. Это обусловлено непрерывным возрастанием потребностей
пользователей в информатизации, а также стремительным развитием ИТтехнологий. Так, например, новые информационные технологии появляются
на рынке практически каждые два года. Каждые полтора года (эмпирический
закон Мура) возникают новые средства информатизации со вдвое
улучшенными характеристиками. В этой связи внедрение проектного
управления в организации целесообразно начинать, прежде всего, в сфере
ИТ-деятельности с последующим распространением на другие направления
деятельности;
10
Включаются
в
состав
бизнес-программ
функциональных
подразделений. С целью повышения эффективности реализации бизнеспроцессов функциональные подразделения часто инициируют бизнеспрограммы, которые включают следующие основные проекты:
• проведение исследований;
• регламентация бизнес-процесса;
• разработка нормативной документации;
• автоматизация бизнес-процесса;
• проведение организационных изменений в организации;
• обучение персонала;
• внедрение бизнес-процесса и др.
Новые информационные технологии, несмотря на свою массовость и
распространенность, являются весьма дорогостоящими. По этой
причине ежегодный ИТ-бюджет крупных российских банков достигает
десятков миллиардов рублей,
а финансовые затраты на реализацию
отдельных проектов составляют сотни миллионов рублей. Значительный
ИТ-бюджет подразумевает особую ответственность ИТ-подразделения за
его эффективное расходование. А это, в свою очередь, требует высокой
компетентности
руководителей
ИТ-проектов
по
всем
вопросам
проектного менеджмента, включая управление стоимостью;
Включают значительную погрешность оценки стоимости. В ходе
управления
стоимостью проектов важное значение имеет
«точность
оценки стоимости». При этом погрешность оценки стоимости ИТпроектов по сравнению с другими проектами организации примерно в 2
раза выше, что обусловлено большей степенью неопределенности ИТпроектов.
На фазе инициации ИТ-проекта точность оценки стоимости составляет ± 100
%. На фазе планирования ИТ-проекта она возрастает до ± 40%. На фазе
организации исполнения ИТ-проекта после технического проектирования
11
она приближается к ± 20%, а к моменту проведения конкурсных процедур
достигает ± 5%.
Приведенный показатель и его динамика являются
оптимальными для ИТ-проектов. При этом не целесообразно
указанные
стоимостные оценки делать более точными, приближая к другим проектам
организации, поскольку это приведет к существенному возрастанию затрат.
Данное обстоятельство, безусловно, должно учитываться при управлении
стоимостью ИТ-проектов;
Инновационный характер ИТ-проектов требует использования трудовых
ресурсов высочайшей квалификации. В этой связи формирование команды
ИТ-проекта и повышение ее компетентности является важнейшей задачей
руководителя проекта, который сам должен обладать обширным набором
знаний и навыков в области ИТ-технологий, иметь системное мышление,
уметь своевременно выявлять проблемы и правильно оценивать их, находить
и реализовывать наиболее эффективные способы их решения и др.
Особенности управления проектами по разработке программного
обеспечения
Управление разработкой программного обеспечения (англ.Software
project management) — особый вид управления проектами, в рамках которого
происходит планирование, отслеживание и контроль за проектами по
разработке программного обеспечения. Ключевым моментом в управлении
проектом по разработке программного обеспечения является правильный
выбор метода разработки.
Программное обеспечение вычислительных машин по своей природе
значительно отличаются от аппаратных изделий, поэтому управление
программными проектами имеет характерные особенности, по сравнению с
другими проектами.
Крупномасштабные комплексы программ для сложных систем управления и
обработки информации, оформляемые в виде программных продуктовс
гарантированными показателями
качества, отличаются следующими
особенностями и свойствами:
12
• большая размерность, высокая трудоемкость и стоимость создания
таких комплексов программ определяют необходимость тщательного
анализа экономической эффективности всего их жизненного цикла и
возможной конкурентоспособности на рынке;
• от заказчика, финансирующего проект разработки программного
средства, необходимо разработчикам выдавать квалифицированные
требования к характеристикам результатов проекта, соответствующие
выделенному финансированию и квалификации исполнителей проекта;
• в проектах таких сложных программных систем с множеством
функциональных
компонентов
участвуют
большие
коллективы
специалистов разной квалификации и специализации, от которых
требуется
высокая
ответственность
за
качество
результатов
деятельности каждого из них;
• для координации этой деятельности специалистов-разработчиков при
наличии
единой,
крупной
целевой
задачи
создания
и
совершенствования проекта необходимы менеджеры проектов, а также
методы,
методики
и
комплексы
средства
автоматизации
регламентированной технологии обеспечения его жизненного цикла.
Отсутствие необходимой методологии разработки программ привело к
огромному числу провальных проектов.
StandishGroup, проанализировав работу сотен американских корпораций и
итоги выполнения нескольких десятков тысяч проектов, связанных с
разработкой программного обеспечения, в своем докладе с красноречивым
названием «Хаос» пришла к следующим выводам (Рисунок):
•
Только 35 % проектов завершились в срок, не превысили
запланированный бюджет и реализовали все требуемые функции и
возможности.
•
46 % проектов завершились с опозданием, расходы превысили
запланированный бюджет, требуемые функции не были реализованы в
13
полном объеме. Среднее превышение сроков составило 120%, среднее
превышение затрат 100%, обычно исключалось значительное число
функций.
•
19 % проектов полностью провалились и были аннулированы до
завершения.
Исследования проектов, окончившихся неудачей, показали, что
самыми распространёнными причинами провалов были:
• невыполнимые или неясно сформулированные цели проекта;
• ошибочный подсчет необходимых ресурсов;
• некорректно определённые системные требования;
• неосведомлённость управляющего проектом о точном состоянии
проекта;
• неуправляемые риски;
• слабое
взаимодействие
между
заказчиком,
разработчиком
и
пользователем;
• использование слишком новых, нестабильных технологий;
• неспособность справиться со сложностями проекта;
• слабое управление проектом;
• финансовые ограничения.
По поводу того, какими знаниями и навыками должен обладать
управляющий
проектом
по
разработке
программного
обеспечения,
14
существует много мнений. Например, известный американский ученый в
области компьютерных наук Джон Рейнольдс писал:
«Некоторые утверждают, что можно управлять созданием программного
обеспечения, не имея никаких навыков в программировании. Такая
уверенность, кажется, возникает в результате ошибочного мнения о том,
что
создание программного обеспечения является
одной
из
форм
производства. Но производство является созданием повторяющихся
идентичных объектов, в то время как производство программного
обеспечения является созданием уникальных объектов, то есть, это одна из
форм творчества. Таким образом, производство программного обеспечения
сродни издательскому делу — управляющий разработкой программного
обеспечения, не умеющий программировать, подобен редактору газеты,
который не умеет писать».
Кроме
того,
разработка
программных
проектов
требует
от
специалистов значительных объемов знаний. В 2004 году был создан
основополагающий труд «Руководство к своду знаний по программной
инженерии» (SWEBOK), в котором были собраны основные теоретические и
практические знания, накопленные в этой отрасли.
Согласно этому руководству, программная инженерия включает в себя
10 основных и 7 дополнительных областей знаний, на которых базируются
процессы разработки программного обеспечения. К основным областям
знаний относятся следующие области:
1.
Softwarerequirements — программные требования.
2.
Softwaredesign — дизайн (архитектура).
3.
Softwareconstruction
—
конструирование
программного
обеспечения.
4.
Softwaretesting — тестирование.
5.
Softwaremaintenance — эксплуатация (поддержка) программного
обеспечения.
15
6.
Software
configuration
management
—
конфигурационное
управление.
7.
Software engineering management — управление впрограммной
инженерии.
8.
Software engineering process — процессыпрограммнойинженерии.
9.
Software engineering tools and methods — инструментыиметоды.
10.
Softwarequality — качество программного обеспечения.
Дополнительные области знаний включают в себя:
1.
Computerengineering — разработка компьютеров.
2.
Computerscience — информатика.
3.
Management — общий менеджмент.
4.
Mathematics — математика.
5.
Projectmanagement — управление проектами.
6.
Qualitymanagement — управление качеством.
7.
Systemsengineering — системное проектирование.
Все это необходимо знать и уметь применять, для того чтобы разрабатывать
программное обеспечение. Как видим, управление проектами лишь одна из
17 областей знаний программной инженерии, и то вспомогательная. Однако
основной причиной большинства провалов программных проектов является
именно применение неадекватных методов управления разработкой.
16
Правило четырех П
17
По
данным
Института
управления
проектами (PMI),
из
каждого
инвестированного миллиарда долларов 122 $ миллиона теряются вследствие
низкой эффективности выполнения проектов.
Согласно своду знаний по управлению проектами (PMBOK) выделяют пять
четких этапов жизненного цикла управления проектом:
• Инициация
• Планирование
• Выполнение
• Мониторинг
• Завершение.
Этап 1. Инициация проекта
Первый этап жизненного цикла проекта — не планирование, а
инициация.
На этом этапе проект пока не подтвержден. Команда проекта должна
рассмотреть его в общих чертах и оценить перспективу. Прежде всего нужно
понять, стоит ли за него браться. Для этого необходимо определить
следующее.
18
• Бизнес-сценарий проекта.
• Выгода от его выполнения (какой общей бизнес-цели он служит).
• Основные продукты поставки.
• Критерии успешного проекта.
Этап 2. Планирование проекта
На этом этапе ей нужно вместе с командой обсудить конкретный план
действий по реализации проекта.
Эффективное планирование позволяет предотвратить многие основные
причины провала проекта. В их числе неадекватное видение перспективы и
цель, плохо налаженная коммуникация и неточность оценок.
• Ради хорошего плана придется потрудиться и потратить время,
поэтому заложите достаточно времени на старте проекта.
На этом нужно ответить на следующие вопросы.
• Какова цель проекта?
• Каковы ключевые показатели эффективности (KPI)?
• Какова область проекта?
• Каков бюджет?
• Каковы риски?
• Кто из команды будет задействован?
• Какие задачи будут стоять?
• Какие контрольные точки нужно пройти?
Цель
проекта
основана
на
принципах
конкретности,
измеримости,
достижимости, уместности и временных рамок.
Этап 3. Выполнение проекта
На этот этап приходится основной объем работы.
В ходе планомерного продвижения по списку задач проекта команда
одновременно столкнется со следующим этапом.
Этап 4. Мониторинг проекта
• Соблюдаются сроки.
• Расходы остаются в рамках бюджета.
19
• Все действия ведут к изначальной цели (при непосредственном
исполнении можно потерять из виду общую картину и не увидеть леса
за деревьями).
• Если использовать ПО для управления проектами, мониторинг станет
проще. Процессы будут нагляднее, а вся информация и обсуждения,
связанные с проектом, будут храниться централизованно.
• Кроме того, стоит регулярно проводить планерки, чтобы держать в
курсе
всех
фиксацию
участников
обсуждаемых
команды. Шаблон
тем,
принятых
протокола
решений
и
упростит
действий,
определенных по итогу собрания.
• Если есть отклонение от плана, можно скорректировать направление
по ходу работы или изменить изначальный план проекта согласно
новым обстоятельствам.
20
21
Модель управления ИТ
22
Управление проектами в значительной степени подвержены закону
Брукса, который гласит:
«Ресурс, добавленный для ликвидации отставания по срокам в конце
проекта, еще больше увеличивает данное отставание».
Для ИТ проектов данный негативный эффект является еще более ощутимым.
23
2.
От
теории
к
практике.
Цифровая
трансформация
промышленного производства
Четвертая промышленная революция
В
преддверии
нашумевшей
книги
Клауса
Шваба
«Четвертая
промышленная революция» (2016 год "Мы стоим у истоков революции,
которая фундаментально изменит то, как мы живем, работаем и общаемся
друг с другом"), менее пафосно вышли книги футурологов Элвина Тоффлера
«Третья информационная волна» и «Технологическая сингулярность»
технологического пророка современности Рея Курцвейла.
Общий вывод этих книг: изменения будут нарастать экспоненциально.
Основным трендом развития информационных технологий в настоящее
время является цифровая трансформация промышленного производства,
под которой в широком смысле понимается процесс переноса в цифровую
среду
функций
Основными
и
бизнес-процессов,
причинами
такой
ранее
трансформации
выполняемых
являются
людьми.
требования,
предъявляемые новыми технологиями и техникой, которые не в состоянии
обеспечить традиционные технологии управления. Появление и внедрение
промышленного интернета вещей на предприятиях, генерирует огромные
24
объемы структурированных и слабо структурированных данных, обработка
которых позволяет получить объективную оценку состояния производства,
промышленной безопасности и бизнес процессов.
Цифровое предприятие – модная тема прогрессивного человечества,
вступающего в Индустрию 4.0.
Впервые термин «цифровое предприятие» был изложен в книге Being
Digital директора MIT Media Lab Николаса Негропонте, которая вышла еще в
1996 году. Правда, подойти к практической реализации идеи цифрового
предприятия удалось только сейчас – благодаря развитию соответствующих
технологий. Появление цифровых предприятий логично приводит к
цифровой экономике.
С огромными объемами данных, генерируемыми на современных
предприятиях, уже не справляются люди, но справляются машины. В свою
очередь, машины получают возможность взаимодействовать между собой в
процессе производства (промышленный интернет вещей), что позволяет
сделать многие процессы более эффективными, гибкими и рентабельными.
Главные цели цифровой трансформации — это повышение скорости
принятия решений, увеличение вариативности процессов в зависимости от
потребностей и особенностей клиента, снижение количества вовлеченных в
процесс сотрудников (то есть цепочек принятия решений и создания
стоимости).
Цифровая трансформация (англ. digital transformation, DT или DX)
— это трансформация системы управления путём пересмотра стратегии,
моделей,
операций,
продуктов,
маркетингового
подхода
и
целей,
обеспечиваемая принятием цифровых технологий. Все это делается на базе
соответствующей цифровой платформы и все вместе составляет так
называемую цифровую экосистему цифрового предприятия.
Под цифровой платформой понимается совокупность цифровых
данных, моделей (логики, алгоритмов) и инструментов (методов, средств),
информационно
и
технологически
интегрированных
в
единую
25
автоматизированную
функциональную
систему,
предназначенную
для
управления целевой предметной областью.
В
исследовании
«Искусственный
интеллект
и
национальная
безопасность», выполненном для конгресса США в 2019 году (Artifi cial
Intelligence and National Security - Congressional Research Service Report
R45178 от 21.11.2019 года - AINS), утверждается, что главной причиной
создания различных систем военного назначения, обладающих ИИ, является
необходимость
оперативной
обработки
структурированных
и
неструктурированных данных огромных объемов (так называемых больших
данных), обусловленная постоянным расширением числа, номенклатуры и
технических возможностей современных средств добывания информации.
Повышение уровня сложности сложных технических объектов (СТО)
требует существенного увеличения количества контролируемых параметров,
характеризующих процессы его функционирования, количество которых для
большого класса систем уже сегодня достигают нескольких сотен и тысяч.
Временные задержки и ошибки в управлении, вызванные неверным
решением задачи оценивания или мониторинга состояний СТО, могут
привести к необратимым негативным последствиям - срыву выполнения
возлагаемых на них задач, отказам СТО, различным по своим последствиям
авариям и даже катастрофам
Все это происходит из-за того, что не существует технологии
оценивания состояния СТО, которая позволила бы на основе единого
методологического
подхода
унифицированный
комплекс
обосновать
и
программно
сформировать
некоторый
алгоритмических
средств
обработки и анализа используемой при мониторинге измерительной
информации и синтезировать исполнительные системы автоматизированных
средств мониторинга состояния - для конкретных условий применения с
использованием моделей, инвариантных происходящим на СТО процессам.
Фундаментальные проблемы использования знаний как эффективного
средства анализа плохо формализуемых и трудно алгоритмизируемых задач
26
по распознаванию образов и классификации конфликтных ситуаций, поиску
достоверных ответов при априорной неполноте и нечеткости имеющихся
исходных данных, смысловой обработке больших объемов разнородной
информации и т.д. традиционно были и остаются главным предметом
изучения в теории искусственного интеллекта
Главными источниками проявления неопределенности в задачах
управления являются следующие основные факторы:
-
сложность формализованного описания объекта и задач управления с
учетом погрешностей необходимых вычислений и измерений;
- нечеткость целей функционирования и задач управления;
- нестационарность параметров объекта и системы управления;
- априорная неопределенность обстановки и условий функционирования;
- наличие случайных воздействий внешней среды;
- искажения поступающей входной информации в каналах передачи
данных.
Повышение требований к снижению времени принятия решений,
необходимое для повышения конкурентоспособности, повышает требования
к необходимости адаптации к внешним возмущающим воздействиям,
сохранению работоспособности в условиях неопределенности, а также
прогнозу возможного развития событий. В
технологиями,
ориентированными
на
этой
связи
развитие
приоритетными
промышленности
и
обеспечение промышленной безопасности, являются технологии, связанные
с
обработкой
и
выявлением
структурированных
полностью
и
закономерностей
неструктурированных
автоматизированное
цифровое
в
больших
данных,
объемах
переходом
производство,
на
управляемое
интеллектуальными системами в режиме реального времени.
По мере развития экономики усложняются как объекты, так и задачи
управления,
что
приводит
к
изменению
технологий
управления.
Современные системы управления должны обеспечивать совместную
взаимосогласованную
работу
множества
связанных
гетерогенных
27
технических объектов. Промышленный интернет вещей (Industrial Internet of
Things, IIoT), который используется на промышленных предприятиях,
позволяет собирать с датчиков большие объемы как структурируемой, так и
слабо структурированной информации, что позволяет получать объективную
оценку состояния производства, промышленной безопасности и бизнеспроцессов.
Классические методы теории управления, предполагают, что модели
состояния объекта точно описывают его поведение. Однако в условиях
увеличения объемов, роста неструктурированной информации и воздействия
внешней среды – характерны отклонения от этого условия. Это создает
неопределенности в моделях описания объекта, затрудняет управление им и
приводит к необходимости перехода к интеллектуальному управлению,
поскольку традиционные технологии не в состоянии обеспечить требуемого
повышения
качества
управления,
так
как
не
учитывают
всех
неопределенностей, воздействующих на систему.
Особое значение в системах управления опасным промышленным
производством, связанном с возможностью взрывов, гибелью людей и
загрязнением окружающей среды, приобретает контроль состояния его
промышленной
безопасности.
Этот
процесс
не
сводится
только
к
наблюдению и регистрации параметров объекта контроля, сравнении с
заданными критериями для вынесения суждения как о состоянии отдельных
элементов, составляющих ландшафт объекта, так и об объекте в целом, на
основании анализа характеризующих его признаков. Системы управления
должны не только наблюдать за состоянием объекта, но и прогнозировать
изменения его состояния для определения и предсказания момента отказа,
как отдельных его элементов, так и перехода в критическое состояние всего
объекта, в том числе предупреждение чрезвычайных ситуаций, ведущих к
повреждению или разрушению объекта. В этом случае целью системы
управления является предотвращение наступления негативного события, а не
простое информирование о случившейся аварии или катастрофе. В этой
28
связи точность прогноза динамики развития ситуации, предупреждение о
возможном наступлении аварийной ситуации, является очень важным.
Основой интеллектуального управления являются интеллектуальные
системы и интеллектуальные технологии, предполагающие переход на
полностью
автоматизированное
цифровое
производство,
управляемое
интеллектуальными системами в режиме реального времени.
Построение структуры системы интеллектуального управления связано
в первую очередь с построением модели системы, в которой должны быть
определены как традиционные элементы системы управления, так и модели
обработки знаний, реализуемые интеллектуальной системой.
В интеллектуальной системе управления новыми элементами по
сравнению
с
традиционной
системой
управления
являются
все
интеллектуальные преобразования или элементы управления знаниями,
которые
связаны
с
реализацией
искусственного
интеллекта,
т.е.
с
использованием технологий экспертных систем, базы знаний, принятия
решений, ассоциативной памяти, нечеткой логики, семиотических сетей,
управления структурной динамикой и т.п. Анализируя принятые структуры
систем управления с решающими устройствами можно и для обобщенной
интеллектуальной
системы
использовать,
которая
взаимодействует
с
внешней средой и в процессе получения от нее необходимой информации,
формирует цель действия и анализирует воздействия на систему (физические
и информационные).
В такой постановке, интеллектуальные системы управления с помощью
мониторинга предприятия, собирая и анализируя данные, получаемые от
IIoT,
должны
осуществлять
наблюдение,
регистрацию
и
сравнение
полученных параметров объекта с заданными критериями для определения
состояния как элементов, составляющих ландшафт объекта, так и об объекте
в целом. Таким образом, системы интеллектуального управления с помощью
дескриптивной аналитики должны отвечать на вопрос "Что случилось" и, с
помощью диагностической аналитики, определять причину нарушения. Для
29
особо опасных производственных объектов, нарушение функционирования
которых может привести к серьезным последствиям в виде взрывов, гибели
людей и нарушению экологии, системы интеллектуального управления
должны прогнозировать риск изменения состояния объекта для определения
и предсказания момента отказа, как отдельных его элементов, так и перехода
в критическое состояние всего объекта, в том числе предупреждать о
чрезвычайных ситуациях, ведущих к повреждению или разрушению объекта.
В этом случае целью предиктивной (предсказательной) аналитики системы
управления является ответ на вопрос "Что может случиться", для
предотвращения
наступления
негативного
события,
а
не
простое
информирование о случившейся аварии или катастрофе. Иными словами,
системы интеллектуального управления должны проводить оценку риска
производственной безопасности предприятия. Под риском будем понимать
вероятность наступления события, которое может оказать отрицательное
воздействие на достижение поставленных целей и повлечь за собой
наступление ущерба.
Интеллектуальная система управления в рамках теоретических и
прикладных основ еще далека до завершения, в том числе по части систем
контроля и управления сложными техническими и человеко-техническими
объектами, включающих искусственные нейронные сети и экспертные
системы, функционирующих в затрудненных условиях.
Под затрудненными условиями понимаются большая размерность
объекта управления, его нестационарность, долговременная динамическая
память,
распределенность
запаздывания,
разнообразие
воздействий,
выходных
флуктуационных
и
параметров,
нелинейность,
ситуаций,
неполнота
контроля
внешних
состояний
объекта,
наличие
воздействий
грубых
помех,
и
изменчивость
существенные
целей,
критериев,
ограничений.
Современные промышленные машины, агрегаты, технологические
линии, участки, цехи горнодобывающей, металлургической, химической,
30
машиностроительной
и
других
отраслей
промышленности
в
большинстве своем относятся к классу сложных объектов.
Существенного повышения эффективности управления ими можно
достигнуть
путем
применения
адекватно
сложных
информационно-
управляющих систем, какими и являются интеллектуальные системы/
Исходя из терминологии, искусственный интеллект (ИИ) – это
программа, способная, обучаясь, эффективно выполнять определенную
задачу. Если это специализированная программа, созданная для решения
узкой задачи (например, игры в шахматы), ИИ называется слабым за его
способность понимать и создавать деятельность только в одной области.
Например, Alpha Zero - программа, основанная на нейронных сетях и
обученная играть в шахматы, теперь является претендентом на звание
самого сильного шахматиста в мире.
Термин «сильный искусственный интеллект» зарезервирован для
программ, которые способны самостоятельно изучать разные задачи (то есть
не имеют специального программирования для конкретных задач). Создания
такой программы в ближайшие пять лет не ожидается.
В формулировке термина ИИ не упоминается нейронная сеть, поскольку
этот термин описывает в большей степени конкретную технологию, а не
инструмент или средство. Термин «нейронные сети» описывает конечный
результат -способность учиться и использовать изученный контент. То есть
ИИ может быть создан на основе нейронных сетей, но, возможно, без них.
С другой стороны, термин «нейронная сеть» описывает только методы
(способы) программирования. Идея заключается в создании основной
структуры с самой общей целью, которую она должна будет использовать,
вместо того чтобы программировать все действия с помощью команд,
например, классического программирования. Во многих отношениях эта
структура похожа на деятельность человеческого мозга (отсюда и термин
«нейронная сеть»).
31
Необходимость управления рисками представляет собой сложную
актуальную проблему в связи с отсутствием целостной теории управления
рисками, а также неоднозначностью использования различных методов
оценки риска при построении системы риск-менеджмента.
Поэтому разработка методов и средств оценки и прогнозирования
рисков производственной безопасности является актуальной и представляет
как научный, так и большой практический интерес.
3. Структуры управления промышленным производством
Эволюция систем управления
Система управления должна соответствовать характеру изменений
внешней среды.
Управление предприятиями развивается в ходе естественной эволюции
экономических систем
Можно выделить четыре этапа в развитии систем управления.
1. Управление на основе контроля за исполнением (постфактум) (19001930г.).
2. Управление на основе экстраполяции, когда темп изменений
ускоряется, но будущее еще можно предсказывать путем экстраполяции
прошлого (1930-1950).
3. Управление на основе предвидения изменений, когда начали
возникать неожиданные явления, и темп изменений ускорился, однако не
настолько, чтобы нельзя было вовремя предусмотреть будущие тенденции и
определить реакцию па них (1950-1990).
4. Управление на основе гибких/экстренных решений, когда многие
важные задачи возникают настолько стремительно, что их невозможно
вовремя предусмотреть (наст. время).
Управление на основе гибких экстренных решений уже широко
используется в ряде стран, в том числе в Японии и США.
32
Многие российские предприятия сегодня столкнулись с серьезной
проблемой – отсутствием эффективной системы управления.
Старые
советские
предприятия
в
условиях
централизованного
планирования народного хозяйства не нуждались в выработке реакции на
изменение условий хозяйственной деятельности и соответственно в создании
открытых систем управления, а новые коммерческие компании зачастую
вообще не имеют традиций организованного управления.
В результате под давлением внешних и внутренних изменений
предприятия теряют управляемость и несут финансовые потери.
Если
экономический
рост
XIX
века
опирался
на
внедрение
производственных технологий, то послевоенный рост в XX столетии
опирался на массовое распространение управленческих технологий. Начиная
с 1970-х годов, на их фундаменте начинается активное развитие финансовых
технологий. Сегодня, в начале третьего тысячелетия, роль основного фактора
роста перенимают высокоинтеллектуальные когнитивные технологии.
Когнитивный [от лат. cōgnitio знание, познание]. Связанный с
познанием, с мышлением; познавательный.
«Когнитивные вычисления» - общее название группы технологий,
способных
обрабатывать
информацию,
находящуюся
в
неструктурированном, чаще всего в текстовом виде (неструктурированные
данные). Они не следуют заданному алгоритму, а способны учитывать
множество сторонних факторов и самообучаться, используя результаты
прошлых вычислений и внешние источники информации (например,
Интернет).
В настоящее время наиболее передовой когнитивной системой
является IBM Watson. Можно утверждать, что создание аналогичного
инструмента является срочной и жизненно важной задачей безопасности
страны.
(Справка. IBM Watson — суперкомпьютер фирмы IBM, оснащённый
системой искусственного интеллекта, созданный группой исследователей
33
под руководством Дэвида Феруччи. Его создание — часть проекта DeepQA.
(Deep Question Answering.)
Watson состоит из 90 серверов IBM p750, каждый из которых оснащён
четырьмя восьмиядерными процессорами архитектуры POWER7.
Суммарный объём оперативной памяти — более 15 терабайт. Система
имела доступ к 200 млн страниц структурированной
и неструктурированной информации объёмом в 4 терабайта, включая
полный текст Википедии.)
Уровни системы управления.
С точки зрения теории самоорганизации в сложных иерархических
системах управляющие уровни необходимы для реакции на внешние
возмущающие воздействия, возникающие во внешней и внутренней среде,
обработки информации об этих возмущениях, формирования управляющих
воздействий, позволяющей системе адаптироваться к этим возмущениям.
Каждый из уровней системы управления обеспечивает определенный
тип реакции. Если соответствующие ему внешние воздействия отличаются
постоянством, то данный уровень управления становится постоянным
элементом иерархической структуры. В случае же, когда внешний импульс
оказывается разовым, соответствующий уровень управления утрачивается
после исчезновения внешнего воздействия. Таким образом происходит
адаптация системы к новым условиям деятельности, сохраняется ее
идентичность самой себе.
По этой схеме система управления адаптируется к внешней среде и
обеспечивает достижение своих целей функционирования, что и является
задачей систем управления.
В соответствии с эволюционной концепцией теории управления задачи
руководства на современных предприятиях распределяются по трем
основным уровням – оперативному, тактическому и стратегическому (Рис.)
[53].
34
На стратегическом уровне
(стратегия и
маркетинг
BI-системы)
вырабатывается реакция на глобальные изменения во внешней среде,
корректируются
выбирается
цели
деятельности
стратегия,
управленческая
культура
и
бизнес-процессы
предприятия,
подготавливаются
системы,
структуры
и
для
стратегии.
Потребность
в
реализации
стратегическом управлении возникает, когда во внешней среде предприятий
появляются
источники
глобальной
нестабильности –
политической,
социальной, экологической
Стратегия включает набор целевых установок для уровня управления
бизнес-процессами. На нем происходит адаптация предприятия к изменениям
в
рыночной
хозяйственной
и
инновационной
деятельности,
дифференциации
формируются
целевые
внутри
областей
установки
для
соответствующих функций.
На оперативном уровне (АСУ ТП) составляется подробный план операций
по функциональным подразделениям.
Стратегический и тактический уровни управления обеспечивают
внешнюю эффективность предприятия, а оперативный – внутреннюю.
Для всех уровней существует общий стандартный набор функций,
выполнение которых обеспечивает полный цикл принятия управленческих
решений: прогнозирование, планирование (включающее постановку целей,
программирование работ, бюджетирование и организацию), контроль и
регулирование.
Каждый из уровней управления обеспечивает достижение своей
группы целей, в совокупности образующих стратегию предприятия.
Деятельность на каждом из этих уровней относительно независима друг от
друга и требует организационного обособления.
35
Традиционное деление процесса производства на
поддерживающие системы
Стратегия и маркетинг
(Высший менеджемент)
Финансово-хозяйственное управление
(Финансы, бухгалтерия, кадры, ...)
BI-системы
ERP-системы
Управление производством
(Руководители производства,
службы гл.механика, гл. технолога,...)
MES-системы
АСУТП
Производственные зоны
(Цеха, участок, линии)
В состав АСУ ТП входят:
• элементы автоматики, необходимые для управления технологическим
процессом: контроллеры, датчики, исполнительные устройства и
прочее;
• средства
сбора,
обработки
и
хранения
информации
о
ходе
технологического процесса;
• пульт управления (один или несколько), позволяющий вносить
изменения в ход технологического процесса;
• промышленные сети, связывающие все элементы АСУ ТП c АСУ или
MES системами.
Функциями
управление
MES
системы
производственными
(manufacturing execution system
процессами)
является
-
оперативное
управление процессами производства, которое затрагивает :
Производственные ресурсы. Функция управления, контроля состояния
и распределения ресурсов распространяется на такие объекты как
оборудование, материалы, персонал, документация, инструменты.
Все функции MES имеют оперативный характер и регламентируют
требования не к предприятию в целом, а к его производственной единице
(цеху, участку, подразделению), для которой ведется планирование работ.
36
ERP-система —
это
программный
комплекс
для
управления
компанией. Такая система хранит и связывает между собой данные обо всех
бизнес-процессах: чаще всего это продажи, бухгалтерия, производство,
склад, закупки, управление персоналом и проектами.
BI-системы — это набор средств для объединения и наглядного
отображения
аналитической
информации.
Системы
применяют
для
обработки сведений из множества источников. Их удобно использовать для
составления отчетов — все данные структурированы, с ними легко работать
аналитикам.
BI-системы
поддерживают
множество
бизнес-решений
—
от
операционных до стратегических. С помощью технологий анализируют
огромные объёмы информации. Но внимание пользователя акцентируется
только на ключевых факторах аналитики, которые позволяют смоделировать
варианты последующих действий и бизнес-решений.
В ряде случаев функции нижних уровней могут объединяться в
Автоматизированные системы управления (АСУ). При этом следует
различать Системы автоматического управления (САУ) и АСУ. В САУ все
управление процессами (сбор и обработка информации, формирование
управляющих
воздействий
на
объект
управления)
осуществляется
автоматически без участия человека. АСУ помогает человеку обработать
информацию и подсказывает варианты решения, но окончательное решение
принимает человек.
Основными структурами АСУ, как сложной системы являются:
 техническая, представляющая собой совокупность технических и
вычислительных средств АСУ;
 технологическая, определяющая последовательность и причинно следственную зависимость взаимодействия элементов АСУ между
собой для выполнения задач управления;
 программная, являющаяся основной систематизирующей структурой
АСУ как сложной системы, и представляющая собой программные
37
компоненты, осуществляющие
АСУ
и
определяющих
интеграцию технических элементов
взаимосвязь
и
взаимообусловленность
взаимодействия этих элементов между собой при решении задач
управления.
К характерным особенностям АСУ можно отнести:
 многомерность (большое
число
программных
и
технических
подсистем и связей между ними);
 многокритериальность (различие целей подсистем);
 временные и ресурсные ограничения;
 взаимодействие с внешней средой (источниками
и
потребителями
информации);
 большой объем
принимаемой,
хранимой,
обрабатываемой
и
передаваемой информации;
 непрерывность функционирования во времени;
 работа отдельных комплексов ПО в режимах реального или близких к
реальному
(директивных)
масштабах
времени,
при
которых
использование текущего времени рассматривается в качестве параметра
организации вычислительного процесса;
 высокие требования
по
надежности
функционирования
и
достоверности вырабатываемой управляющей информации и т.п.
АСУ представляет собой сложную систему, свойства которой не
являются суммой свойств составляющих её систем.
На каждом из уровней, составляющих предприятие, существует риск
неверной оценки ситуации и принятия ошибочного решения. Риск это
характеристика
обязательном
ситуации,
наличии
имеющей неопределённость исхода,
негативных
последствий.
Определений
при
риска
существует достаточно много, хотя все они интуитивно понятны.
Под риском будем понимать некоторое событие или условие, которое
может негативно повлиять на результат (план, качество, стоимость, объем
38
реализованной функциональности, повреждение или разрушение объекта,
нарушение экологии, гибель людей и др.).
Вероятность риска – вероятность того, что риск сработает. Влияние
риска – обозначает величину негативных последствий для предприятия, если
риск срабатывает. Величина риска – произведение вероятности на влияние
риска.
На рис. представлена пирамида рисков компании.
Как видно из рисунка максимальное количество рисков приходится на
операционный уровень. Это следует из того, что все сбои и отказы со всего
ландшафта
предприятия
приходят
именно
на
этот
уровень,
эксплуатирующий персонал которого должен обеспечивать непрерывность
функционирования компании. В то же время убытки от этих сбоев и простоя
предприятия сравнительно невелики и составляют не более 10%.
Традиционное деление процесса производства на
поддерживающие системы
Рис. Пирамида рисков.
На следующем уровне, обеспечивающем эффективность работы
предприятия
и
отвечающим
за
функционирование
предоставляемых
компанией сервисов, рисков меньше (примерно 15%), поскольку основная
масса незначительных событий парируется оперативными службами и на
этот уровень "доходят" инциденты, связанные с отказом сервисов,
39
предоставляемых компанией. Но риски этого уровня приносят компании до
20% убытков.
И основной вклад в убытки вносят риски высшего уровня (менее 5%
рисков), ошибки в парировании которых влекут за собой до 70% убытков.
Основное
назначение
систем
мониторинга
–
своевременное
представление необходимой информации лицам принимающим решения
(ЛПР) для принятия ими адекватных и эффективных решений при
управлении процессами, ресурсами, бизнес-процессами, персоналом или
организацией в целом. Однако в процессе развития информационных
технологий, исследования операций и технологий моделирования, а также с
возрастанием потребителей информационно – аналитической поддержки
самих ЛПР, все больше проявлялась потребность в системах, не только
собирающих и представляющих информацию, но и выполняющих ее
предварительный анализ, способных формулировать советы и рекомендации,
осуществлять прогнозирование развития ситуаций, отбирать наиболее
перспективные альтернативы решений, т.е. поддерживать решения ЛПР, взяв
на себя значительную часть рутинных операций, а также функции
предварительного анализа и оценок. При этом эта система должна
обрабатывать весь объем структурированных и не структурированных
данных,
поступающих
обрабатывать
их
и
от
разных
выдавать
источников
достоверную
в
разных
информацию
форматах,
в
органы,
принимающие решения.
Такая
функция
возлагается
на
системы
интеллектуального
мониторинга, которые должны не только собирать, но и обрабатывать и
выдавать
объективную
информацию
о
состоянии
как
ландшафта
организации, так и бизнес-процессов на разные уровни принятия решений,
обработанную по разным алгоритмам.
40
4. Непрерывность бизнеса
Непрерывность
бизнеса
—
это степень
готовности
компании
продолжить выполнение важнейших процессов в случае возникновения
экстренной ситуации или нарушения работы. К таким ситуациям относятся
нарушения
безопасности,
стихийные
бедствия,
отключение
электроснабжения, сбои оборудования, глобальные и региональные угрозы и
т. д.
Управление непрерывностью бизнеса (ISO 22301:2012): Целостный
процесс управления, который определяет потенциальные угрозы для
организации и возможные последствия для бизнес-операций в случае
осуществления этих угроз, а также создает основу обеспечения способности
организации восстанавливаться и эффективно реагировать на инциденты, что
гарантирует соблюдение интересов основных заинтересованных сторон,
сохранение репутации, бренда и деятельности по созданию добавленной
стоимости
Во всем мире ежегодно от катастроф коммерческие предприятия и
государственные структуры несут серьезные финансовые потери, зачастую,
приводящие
мероприятий
к
ликвидации
по
частных
обеспечению
фирм.
Важность
непрерывности
организации
бизнеса
можно
проиллюстрировать следующими примерами из мировой практики:
 по данным Техасского университета, компании теряют 25%
ежедневного дохода в первые 6 дней простоя их вычислительных
комплексов, а через 25 дней-40%.
 При этом в крупных фирмах убытки от временной недоступности
могут составить от 20 тысяч до 6 миллионов долларов США в час.
 В 68% компаний США после потери информации в компьютерах более
чем на 7 дней так и не сумели восстановиться.
 В мире 93% компаний, не внедривших катастрофоустойчивые
решения, перестали существовать в течение 5 лет после катастрофы.
41
В 50-80 годы прошлого века появились термины «аварийное
восстановление», «холодный резерв», «горячий резерв», «коэффициент
готовности».
В 1988 г. в США основан Международный институт аварийного
восстановления.
В 90 годы (переход от майнфреймов к гетерогенным комплексам,
массовое внедрение ПЭВМ) – резкое возрастание сложности восстановления.
Появление термина «непрерывность бизнеса».
42
В 1994 г. в Великобритании основан Институт непрерывности бизнеса
(Business Continuity Institute).
После
11
сентября
2001
года
–
«катастрофоустойчивость»,
«доступность системы».
Следует различать отазоустойчивость, катастрофоустойчивость и
живучесть системы.
Отказоустойчивость (Fault-Tolerance, FT) – это свойство системы
сохранять свою работоспособность после отказа одного или нескольких
компонентов. С его помощью удается продолжить выполнение бизнес-задач
без сбоев и простоя. Это свойство характеризует два технических момента
инфраструктуры, а именно – коэффициент готовности и показатели
надежности. Коэффициент готовности (в области надежности в технике)
определяет вероятность того, что система в данный момент времени
находится
в
работоспособном
состоянии.
Показатели
надежности
определяют вероятность безотказной работы технической инфраструктуры за
определенный период. Достигается в основном резервированием.
Катастрофоустойчивость (Disaster Recovery, DR) – это способность
к восстановлению после катастрофы, то есть устойчивость к воздействию
природных катаклизмов и террористических актов. Иными словами,
способность системы обеспечить сохранение важных для функционирования
43
данных и возможность продолжения работы в условиях, влекущих выход из
строя части системы. Вероятность катастрофы и причины, ее вызвавшие, не
могут быть оценены на этапе проектирования. Деградация предоставляемых
сервисов недопустима.
Живучесть (Survivability,Vitality) - способность системы выполнять
свои основные
функции несмотря на полученные повреждения.
Проектирование
ведется с учетом модели врага и нанесения им
повреждений, определяется допустимая потеря качества функционирования,
допускается деградация системы до определенного уровня. Термин
используется главным образом для военных систем.
Доступность (Availability) - способность конфигурационной единицы
или услуги выполнять согласованную функцию, когда это требуется.
Доступность
определяется
через
надежность,
сопровождаемость,
обслуживаемость, производительность и безопасность.
В настоящее время существует огромное количество методик
управления непрерывностью бизнеса, которые помогают в проведении
планирования, улучшения доступности критически важных бизнес-процессов
компании:
Метод,
позволяющий
исследовать
воздействие
инцидентов
на
ключевые виды деятельности и процессы компании, называется методом
"Анализа воздействия на бизнес".
В нем предусмотрено детальное изучение процессов компании,
определяется тип воздействия на бизнес (материальный, репутационный) и
степень зависимости процесса от ИТ и внешних сервисов, определяется
максимально допустимое время простоя (Maximum Allowable Outage).
Maximum Allowable Outage(MAO) — период времени, по истечении
которого существует угроза окончательной утраты жизнеспособности
организации, в том случае, если поставка продукции и/или предоставление
услуг
не
будут
возобновлены.
(ГОСТ
Р
ИСО/МЭК
31010—2011
«Менеджмент риска. Методы оценки риска»).
44
После того как был определен MAO, определяются показатели RTO,
RPO, SDO.
• RTO (Recovery Time Objective, целевое время восстановления) —
промежуток времени с момента наступления чрезвычайной ситуации,
за который выполнение критичного бизнес-процесса должно быть
восстановлено. Сегодня уровень развития технологий позволяет
обеспечить почти мгновенное восстановление, по крайней мере,
технической
инфраструктуры, поддерживающей данный
бизнес-
процесс. Однако стоимость таких решений высока и может превышать
ценность самого бизнес-процесса;
• RPO (Recovery Point Objective, целевая точка восстановления) —
промежуток времени, предшествующий наступлению чрезвычайной
ситуации, данные за который могут быть утрачены. Например, если
резервная копия данных создается один раз в сутки, то в случае
наступления ЧС все данные, поступившие после последнего создания
резервной копии, будут утрачены. Сегодня существуют технические
возможности свести к нулю потери данных в случае возникновения
критической ситуации. Как и в предыдущем пункте, необходимо
тщательно изучить стоимость применения таких технологий;
• LBC (Level of Business Continuity) — уровень непрерывности бизнеса.
Этот параметр восстановления описывает, какую долю штатной
нагрузки должен обеспечивать бизнес-процесс в случае нештатной
ситуации (НШС). Возможен случай, когда в кризисной ситуации будет
достаточно восстановить только 50% производительности в штатном
режиме.
• SDO (Service Delivery Objective). Уровень доступности сервиса в
определенный момент времени.
На рисунке изображено, как определяются вышеперечисленные
метрики.
45
После того как были проанализировали требования к непрерывности,
необходимо
выбрать
и
обосновать
возможные
технические
и
организационные решения. В процессе выбора решения необходимо
детально рассмотреть возможные действия в отношении помещений,
технологий, информационных активов, контрагентов, а также партнеров.
Данные решения, как правило, выбираются с целью:
• защиты приоритетных видов деятельности компании;
• их эффективного восстановления;
• смягчения последствий инцидентов, разработки ответных и
превентивных мер.
Выбор решения должен основываться на стоимости восстановления и
стоимости простоя (см.рис.)
Стандарты непрерывности бизнеса
46
Система
На сегодняшний день нет единого строгого определения понятия системы.
Система
Станиславского,
философская
система
Платона,
система
Менделеева, солнечная система, политическая система…
Систе́ма (др.гр. σύστημα «целое, составленное из частей; соединение») —
множество элементов, находящихся в отношениях и связях друг с
другом, которое образует определённую целостность.
Потребность в использовании термина «система» возникает в тех случаях,
когда нужно подчеркнуть, что что-то является большим, сложным, не
полностью сразу понятным, при этом целым, единым. В отличие от
понятий «множество», «совокупность» понятие системы подчёркивает
упорядоченность, целостность, наличие закономерностей построения,
функционирования и развития.
«Система — комплекс взаимодействующих компонентов» (Людвиг фон
Берталанфи)
Система — комбинация взаимодействующих элементов, организованных
для достижения одной или нескольких поставленных целей (ГОСТ Р
ИСО МЭК 15288-2005)
Формальное определение системы.
Система – это элементы (части, компоненты) 𝑎𝑖 и связи (отношения) 𝑟𝑖 между
ними:
47
𝑆 = ⟨𝐴, 𝑅⟩,
где 𝐴 = {𝑎𝑖 }, 𝑅 = {𝑟𝑖 }.
Далее в определение системы вводится понятие «цели».
Система – это совокупность элементов и связей между ними, обладающая
определенной целостностью:
𝑆 = ⟨𝐴, 𝑅, 𝑍⟩,
где 𝐴 = {𝑎𝑖 }, 𝑅 = {𝑟𝑖 }, 𝑍 – цель, совокупность или структура целей.
Затем в определение системы включается наблюдатель N , то есть лицо,
которое в ходе исследования и принятия решения представляет объект
или процесс в виде системы.
Система есть отражение в сознании субъекта N (исследователя, наблюдателя)
свойств объектов и их отношений в решении задачи исследования,
познания:
𝑆 = ⟨𝐴, 𝑅, 𝑍, 𝑁⟩,
где 𝐴 = {𝑎𝑖 } , 𝑅 = {𝑟𝑖 } , 𝑍 – цель, совокупность или структура целей, 𝑁 –
наблюдатель.
Кроме того, в определение системы включают среду – 𝑆𝑅 , период времени
∆𝑇 и т.д.
Для системы определены – пространство состояний 𝑀, в которых может
находиться система и параметрическое пространство 𝑇 в котором задано
поведение системы (в качестве параметрического пространства обычно
рассматривают временной интервал (0; ∞)).
Система обладает свойством функциональной эмерджентности.
Эмерджентность (целостность) – это такое свойство системы S , которое
принципиально не сводится к сумме свойств элементов, составляющих
систему и не выводится из них:
48
где 𝑦𝑖 –i -я характеристика системы, 𝑚 – общее количество характеристик.
Обобщив представленные подходы к определению системы, можно
полагать системой совокупность взаимосвязанных элементов, которая
обладает интегративными свойствами (эмерджентностью), а также
способ отображения реальных объектов. Модель исходной системы
(прототипа) – система, отражающая по определенным законам свойства
исходной системы
Представление системы – совокупность базисных множеств (частей,
элементов, компонентов) системы, которые взаимосвязаны рядом
отношений, удовлетворяющих правилам (аксиомам) сочетания, как
элементов множеств, так и самих отношений. Это формальное
определение
системы
соответствующей
фактически
математической
сводится
модели,
к
то
определению
есть
содержит
необходимую основу для формализации.
Системный анализ и управление - область науки и техники, которая
включает совокупность принципов, методов и способов, направленных
на анализ, создание и применение сложных систем в различных сферах
деятельности. Теоретическими основами системного анализа являются
общая теория систем (1940 год, Людвиг фон Берталанфи) и системный
подход (это подход, при котором любая система (объект)
рассматривается как совокупность взаимосвязанных элементов
(компонентов), имеющая выход (цель), вход (ресурсы), связь с внешней
средой, обратную связь).
Теоретической базой теории управления является кибернетика и теория
информации.
Суть теории управления состоит в построении на основе анализа данной
системы, процесса или объекта такой абстрактной модели, которая
позволит
получить алгоритм управления
ими
в
динамике,
для
достижения системой, процессом или объектом состояния, которое
требуется целями управления.
49
В прикладной деятельности теория управления тесно связана:
− с системным анализом, как совокупностью методов исследования систем,
методик
выработки
принятия
решений
при
проектировании,
конструировании и управлении сложными объектами на основе
информации различной физической природы;
− с исследованием операций, как системой методов количественного
обоснования решений;
− с теорией принятия решений, как выбора одной или нескольких
альтернатив решений;
− а также с автоматизацией, направленной на реализацию каких-либо
функций с минимальным участием оператора.
В начале 70-х годов советские ученые Ю.И. Клыков и Д.А. Поспелов ввели
понятие «ситуационного управления». Его появление обязано разработке
и применению в практике управления логико-лингвистических моделей,
когда ситуации описывались на языке качественных понятий и
отношений, а средства математической логики использовались для
организации символьных преобразований от исходной ситуации к
целевой.
Чуть позже в 1976 году, впервые в работах Вербоса появился термин
«нейроуправление».
Это
означало
начало
эры
использования
математической модели нейрона Мак Каллоха и Питса, а также идей
обучения Вебса в теории управления. При этом практические системы
управления разрабатывались не в рамках формальных математических
моделей, а качественных моделей для представления и манипулирования
знаниями человека-управленца в больших системах управления.
В 1975 году советский психолог В.Ф.Венда ввел понятие «гибридный
интеллект», как контрпонятие «искусственному интеллекту» и чтобы
подчеркнуть непреходящее эволюционное значение взаимодействия
естественных интеллектов в природе, обществе и технике. Чуть позже в
50
начале 80-х годов была выдвинута идея гибридного интеллектуального
управления на основе многомодельных систем.
Рассмотренные события - зарождение теории автоматического управления,
появление
термина
«ситуационного
«оптимального
управления»,
управления»,
«нейроуправления»,
а
затем
и
«гибридного
интеллектуального управления» охватывают почти вековой период
развития теории управления. Эти события не могли возникнуть сами по
себе,
в
не
связи
с
развитием
систем
управления,
которые
эволюционировали от искусственно созданных человеком простых
технических систем до современных больших систем.
Одной из первых работ, обратившей внимание на эволюцию структур систем
управления, была работа Д.А. Поспелова «Логико-лингвистические
модели в системах управления», ограничившего свой анализ такими
ступеням эволюции как введение обратной связи, адаптации и системы
знаний об объекте.
Фундаментальные проблемы использования знаний как эффективного
средства анализа плохо формализуемых и трудно алгоритмизируемых
задач по распознаванию образов и классификации конфликтных
ситуаций, поиску достоверных ответов при априорной неполноте и
нечеткости
имеющихся
исходных
данных,
смысловой
обработке
больших объемов разнородной информации и т.д. традиционно были и
остаются главным предметом изучения в теории искусственного
интеллекта. Предложенные формы представления знаний, способы их
извлечения и пополнения, варианты организации логического вывода
успешно реализуются в широком спектре различных практических
приложений - экспертных и диагностических системах, системах
планирования и поддержки принятия решений, вопросно-ответных и
обучающих системах, средствах аннотирования и перевода естественноязыковых текстов, шахматных программах и ряде др. Появление
принципиально новой разновидности задач управления, связанных с
51
поддержанием необходимых режимов функционирования сложных
динамических объектов в условиях неопределенности и относящихся к
числу плохо формализуемых, потребовало развития специфических
методов их решения с привлечением технологий искусственного
интеллекта.
Базовой
основой
такого
подхода
служит
концепция
ситуационного
управления. Исходя из ее ключевых положений, каждому классу
ситуаций, возникновение которых считается допустимым в процессе
функционирования системы, ставится в соответствие некоторое решение
по
управлению
(управляющее
воздействие,
программно-
алгоритмическая управляющая процедура и т.д.). Тогда сложившаяся
ситуация, определяемая текущим состоянием как самого объекта, так и
его внешней среды и идентифицируемая с помощью измерительноинформационных средств, может быть отнесена к некоторому классу,
для которого требуемое управление уже считается известным.
Практическая реализация концепции ситуационного управления на основе
современных интеллектуальных технологий предполагает наличие
развернутой
базы
знаний
о
принципах
построения
и
целях
функционирования системы, специфике использования различных
алгоритмов, особенностях исполнительных механизмов и управляемого
объекта. В этом случае классификационный анализ имеющихся знаний с
учетом текущих показаний измерительно-информационных средств
должен обеспечивать параметрическую и структурную настройку
управляющих алгоритмов, модификацию программы достижения целей
управления, а при необходимости и их коррекцию.
Главная архитектурная особенность, которая отличает интеллектуальную
систему управления от построенной по «традиционной» схеме, связана с
подключением механизмов хранения и обработки знаний для реализации
способностей по выполнению требуемых функций в неполнозаданных
(или неопределенных) условиях при случайном характере внешних
52
возмущений. К возмущениям подобного рода могут относиться
непредусмотренное изменение целей, эксплуатационных характеристик
системы и объекта управления, параметров внешней среды и т.д.
Появление
принципиально
новой
разновидности
задач
управления,
связанных с поддержанием необходимых режимов функционирования
сложных динамических объектов в условиях неопределенности и
относящихся к числу плохо формализуемых, потребовало развития
специфических методов их решения с привлечением технологий
искусственного интеллекта. В начале 70-х годов советские ученые Ю.И.
Клыков и Д.А. Поспелов ввели понятие «ситуационного управления».
Ситуационное управление предполагает оперативную реакцию системы на
событие, момент наступления и характеристики которого нельзя
определить
заранее
с
точностью,
необходимой
для
выработки
адекватных управляющих воздействий на механизмы и устройства,
участвующие в технологическом процессе.
Каждому классу ситуаций, возникновение которых считается допустимым в
процессе
функционирования
некоторое
решение
по
системы,
управлению
ставится
в
соответствие
(управляющее
воздействие,
программно-алгоритмическая управляющая процедура и т.д.). Тогда
сложившаяся ситуация, определяемая текущим состоянием как самого
объекта, так и его внешней среды и идентифицируемая с помощью
измерительно-информационных
средств,
может
быть отнесена
к
некоторому классу, для которого требуемое управление уже считается
известным.
Таким
образом,
практическая
реализация
концепции
ситуационного
управления на основе современных интеллектуальных технологий
предполагает наличие развернутой базы знаний о принципах построения
и
целях
функционирования
системы,
специфике
использования
различных алгоритмов, особенностях исполнительных механизмов и
управляемого объекта.
53
Принято считать, что метод ситуационного управления относится к наиболее
перспективным методам, позволяющим для широкого класса систем
решать задачу поиска алгоритмов работы системы управления.
Сформулируем основную задачу, которую необходимо решить в процессе
построения модели управления.
Если множество решений {P(t)} имеет мощность l, то задача управления будет
решена, если можно найти такое разбиение множества ситуаций {S(t)} на
l классов, при котором все ситуации S(t) окажутся отнесенными
к какому-нибудь
определенному
классу
Ki,
которому
однозначно
соответствует некоторое решение Pi. И это разбиение обладает тем
свойством, что для ситуаций, относимых к классу Ki, решение Pi,
действительно, полезно с точки зрения целей управления.
Однако в некоторой конкретной ситуации S(t) может оказаться, что нельзя
указать единственное решение Pi, наиболее полезное в данной ситуации.
Таких решений может быть несколько, и разные специалисты по
управлению данным объектом будут предпочитать разные из этих
решений. Это соображение (на практике почти всегда имеющее место)
приводит к постановке задачи не разбиения ситуаций {S(t)} на классы
(при котором каждая конкретная ситуация относится в точности
к одному классу), а к постановке задачи о нахождении покрытия
множества ситуаций {S(t)} совокупностью классов Ki. В этом случае
допускается такое положение, при котором некоторые ситуации S(t)
одновременно принадлежат нескольким классам Ki. Требуется только,
чтобы любая конкретная ситуация S(t) принадлежала хотя бы одному
классу Ki.
Суть
ситуационного
управления
и состоит
в построении
метода,
позволяющего на основании описания ситуаций S(t) на естественном
языке строить систему обобщенных описаний классов Ki.
54
Принято считать, что метод ситуационного управления относится к наиболее
перспективным методам, позволяющим для широкого класса систем
решать задачу поиска алгоритмов работы системы управления.
Сформулируем основную задачу, которую необходимо решить в процессе
построения модели управления.
Если множество решений {P(t)} имеет мощность l, то задача управления будет
решена, если можно найти такое разбиение множества ситуаций {S(t)} на
l классов, при котором все ситуации S(t) окажутся отнесенными
к какому-нибудь
определенному
классу
Ki,
которому
однозначно
соответствует некоторое решение Pi. И это разбиение обладает тем
свойством, что для ситуаций, относимых к классу Ki, решение Pi,
действительно, полезно с точки зрения целей управления.
Однако в некоторой конкретной ситуации S(t) может оказаться, что нельзя
указать единственное решение Pi, наиболее полезное в данной ситуации.
Таких решений может быть несколько, и разные специалисты по
управлению данным объектом будут предпочитать разные из этих
решений. Это соображение (на практике почти всегда имеющее место)
приводит к постановке задачи не разбиения ситуаций {S(t)} на классы
(при котором каждая конкретная ситуация относится в точности
к одному классу), а к постановке задачи о нахождении покрытия
множества ситуаций {S(t)} совокупностью классов Ki. В этом случае
допускается такое положение, при котором некоторые ситуации S(t)
одновременно принадлежат нескольким классам Ki. Требуется только,
чтобы любая конкретная ситуация S(t) принадлежала хотя бы одному
классу Ki.
Суть
ситуационного
управления
и состоит
в построении
метода,
позволяющего на основании описания ситуаций S(t) на естественном
языке строить систему обобщенных описаний классов Ki.
Однако в некоторой конкретной ситуации S(t) может оказаться, что нельзя
указать единственное решение Pi, наиболее полезное в данной ситуации.
55
Таких решений может быть несколько, и разные специалисты по
управлению данным объектом будут предпочитать разные из этих
решений. Это соображение (на практике почти всегда имеющее место)
приводит к постановке задачи не разбиения ситуаций {S(t)} на классы
(при котором каждая конкретная ситуация относится в точности
к одному классу), а к постановке задачи о нахождении покрытия
множества ситуаций {S(t)} совокупностью классов Ki. В этом случае
допускается такое положение, при котором некоторые ситуации S(t)
одновременно принадлежат нескольким классам Ki. Требуется только,
чтобы любая конкретная ситуация S(t) принадлежала хотя бы одному
классу Ki.
Суть
ситуационного
управления
и состоит
в построении
метода,
позволяющего на основании описания ситуаций S(t) на естественном
языке строить систему обобщенных описаний классов Ki. Будем
ситуации S(t) и описания этих ситуаций называть соответственно
микроситуациями и микроописаниями, а классы Ki и их описания –
макроситуациями и макроописаниями.
Вводятся понятия, имена, идентификаторы, группа описаний отношений
(часть-целое, причина-следствие, объект-действие и т.д.) и императивы
(включить станок, сменить режим и т.п)
В общем случае объект управления может иметь достаточно -сложную
конструкцию, включающую в свой состав ряд функциональноподчиненных подсистем. Иерархия их подчинения обусловливает
декомпозицию исходных целей и задач управления на рекурсивную
последовательность вложенных составляющих. В конечном итоге такое
разделение
предполагает
многоуровневую
организацию
системы
управления, обладающей развитыми интеллектуальными возможностями
по анализу и распознаванию обстановки, формированию стратегии
целесообразного
поведения,
планированию
последовательности
действий, а также синтезу исполнительных законов, удовлетворяющих
56
заданным показателям качества. При этом структура интеллектуальной
системы
управления
сложным
динамическим
объектом
должна
соответствовать иерархическому принципу построения и включать
стратегический, тактический и исполнительный (приводной) уровни, а
также комплекс необходимых измерительно-информационных средств
Ситуационное управление предполагает оперативную реакцию системы
на событие, момент наступления и характеристики которого нельзя
определить заранее с точностью, необходимой для выработки
адекватных управляющих воздействий на механизмы и устройства,
участвующие в технологическом процессе.
Каждому классу ситуаций, возникновение которых считается допустимым в
процессе
функционирования
некоторое
решение
по
системы,
управлению
ставится
в
соответствие
(управляющее
воздействие,
программно-алгоритмическая управляющая процедура и т.д.). Тогда
сложившаяся ситуация, определяемая текущим состоянием как самого
объекта, так и его внешней среды и идентифицируемая с помощью
измерительно-информационных
средств,
может
быть
отнесена
к
некоторому классу, для которого требуемое управление уже считается
известным.
57
5. Промышленная безопасность
Опасность, угроза, риск
Опасность формируется под воздействием явлений и процессов,
объективно протекающих как в природной, так и в социальной среде:
− опасность как реальная, но не фатальная вероятность нанесения ущерба
(вреда) кому-нибудь чем-нибудь определяется наличием объективных и
субъективных сил (факторов), обладающих поражающими (деструктивными,
дестабилизирующими) свойствами;
− результатом реализации опасности выступает прямой или косвенный
ущерб (вред), который ухудшает состояние объектов или придает их
развитию нежелательную динамику (характер, темпы) или параметры
(свойства, формы);
− объекты, на которые направлена опасность, опасность не имеет адресной
направленности и несет ущерб (вред) всем, кто попадает в зону ее
проявления;
− опасность не обладает намерением причинить ущерб (вред) кому-то или
чему-то.
Угроза представляет собой конкретизированную и непосредственную
форму опасности:
− угроза имеет персонифицированный, конкретно-адресный характер, что
предполагает наличие субъекта (источника угрозы) и объекта, на который
направлено действие угрозы;
− угроза содержит в себе два компонента: намерение и возможность
нанесения ущерба (вреда) другим субъектам или объектам материального
мира.
Риск — это возможность (вероятность) нанесения ущерба в связи с
реализацией опасности.
1) риск это вероятность проявления факторов опасности. Под риском
понимается
возможность
наступления
событий
с
негативными
58
последствиями,
т.
е.
возможность
реализации
предполагаемой
опасности.
2) риск как вероятность причинения ущерба (вреда). В рамках этого
подхода риск выступает как вероятностная мера опасности причинения
ущерба (вреда) объекту защиты за определенное время. Интерпретация
риска как количественной меры опасности, учитывающей не только
вероятность
проявления
факторов
опасности,
но
и
величину
возможных последствий в виде потерь (ущерба)
Если опасность носит объективный характер (землетрясение…), то риск
создается собственными действиями (ошибки управления…), т.е. он
субъективен.
В государственном реестре опасных производственных объектов
(ОПО), при эксплуатации которых высок риск аварий или иных инцидентов
(аварийных ситуаций), зарегистрировано более 170 000 объектов, из них: ‒
2000 объектов чрезвычайно высокой опасности (относятся к I классу
опасности); более 7 500 объектов высокой опасности (II класс); более 90 000
объектов средней опасности (III класс); 71 000 объектов низкой опасности
(IV класс).
«Промышленная безопасность опасных производственных объектов –
состояние защищенности жизненно важных интересов личности и
общества от аварий на опасных производственных объектах и последствий
указанных аварий» Федеральный закон от 21.07.1997 N 116-ФЗ
59
Аварии на ОПО могут привести к разрушению зданий и имущества
эксплуатирующего предприятия, иметь серьёзные последствия для жителей
и организаций, находящихся в зоне аварии, жизни и здоровья работающего
на нём персонала, экологическим последствиям. В различных странах поразному подходят к опасным факторам на производстве, при этом
преобладает системный подход, основанный на управлении безопасностью
технологических
процессов
защищённость
от
(Process
аварий
Safety
Management).
их
последствий
и
В
России
призвана
поддерживать промышленная безопасность (ПБ), главным понятием которой
является опасный производственный объект (ОПО).
Пирамида событий промышленной безопасности.
Одной из основных целей государственной политики в области ПБ
являются
предупреждение
аварий
и
инцидентов
на
ОПО.
Для
гарантированной компенсации ущерба, наносимого авариями, во многих
странах,
включая
Россию,
введено обязательное
страхование
ответственности владельцев опасных объектов, а также экологическое
страхование.
60
Статистика
показывает,
что
если
на
предприятии
происходит
смертельный случай или авария, то в его основе лежат от тысячи до
нескольких десятков тысяч событий. Данный принцип представлен в теории
Ф.Бёрда, которая демонстрирует статистику распределения несчастных
случаев на производстве (см. рис.). Принцип пропорциональности по типу
события от обычного нарушения до смертельного случая наглядно
демонстрирует пирамида происшествий: - смертельные, тяжелые, легкие
несчастные случаи (верхушка пирамиды); - несчастные случаи не связанные
с производством; - происшествие с материальным ущербом; - нет травм и
повреждений (основание пирамиды).
Закономерности, которые проявляются в пирамидах рисков, связаны с
наличием причинно-следственной связи между ее слоями. Наличие такой
связи позволяет прогнозировать риск событий «верхнего слоя» за счет
планирования снижения рисков на более нижних слоях. Это позволяет
перенести основное внимание с несчастных случаев и аварий на работу по
уменьшению отказов, дефектов, ошибок, лежащих в основании пирамиды.
Главная идея этих пирамид — это возможность и проактивность:
возможность обнаружить и исправить условия, приводящие к аварии, задолго
до того, как несчастный случай действительно произойдет. Иными словами,
61
при снижении количества опасных действий и инцидентов на нижних
уровнях (основание пирамиды), снижается вероятность возникновения
серьезных аварий и катастроф (вершина пирамиды).
Предприятия нефтегазовой промышленности относятся к категории
наиболее опасных производственных объектов. Эта отрасль включает в себя
разведку нефтяных и газовых месторождений, бурение и освоение скважин,
добычу и дальнейшую транспортировку нефти и газа и, таким образом,
является источником целого ряда рисков и опасностей, результатом которых
могут быть чрезвычайные ситуации.
Промышленные аварии на таких предприятиях представляют собой событие
техногенного характера, создающее на объекте или отдельной территории
угрозу жизни и здоровью людей и приводящее к разрушению зданий,
сооружений,
оборудования
и
транспортных
средств,
нарушению
производственного процесса, а также нанесению ущерба окружающей
природной среде и, таким образом, способны нанести ущерб не только
нефтяной компании, но и превратить регион в зону экономического
бедствия.
Основными причинами возникновения производственных аварий на
подобных
объектах
производственного
природные
являются
процесса,
или
ошибки
нарушения
стихийные
персонала
технологии
бедствия
в
организации
производства,
и
др.
Причем в качестве нанесенного аварией ущерба могут возникать как прямые
(разрушение зданий и оборудования) так и дополнительные (так называемые
полные) потери, связанные с упущенной выгодой от простоя, снижением
производительности, экологические и прочие штрафы и т.д.
62
Распределение крупнейших 100 аварий за 1978-2017 годы
Важнейшей
задачей
организации,
эксплуатирующей
опасные
производственные объекты, является выявление потенциальных критических
ситуаций на ранних стадиях их появления – на уровне предпосылок, и их
предотвращение
обеспечения
путем
такой
проведения
проактивной
превентивных
работы
мероприятий.
необходима
оценка
Для
рисков
возникновения аварий в режиме реального времени.
Такая оценка возможна путем расчета упреждающих показателей
состояния промышленной безопасности (индикаторов рисков) на основе
сбора и анализа информации о технологических параметрах, сигналах систем
противоаварийной защиты, анализа совокупности элементарных событий и
обработки данной информации в реальном времени по заданному алгоритму
(анализ сценариев). При расчете индикаторов события промышленной
безопасности (элементарные и комплексные) ранжируются по степени их
потенциальной опасности.
Главная идея— это проактивность: возможность обнаружить и
исправить условия, приводящие к аварии до того, как несчастный случай
действительно произойдет. Иными словами, при снижении числа опасных
действий и инцидентов на нижних уровнях (основание пирамиды), снижается
63
вероятность возникновения серьезных аварий и катастроф (вершина
пирамиды).
Современное интенсивное развитие промышленных производств
неизбежно ведет к возрастанию числа аварий и масштабов последствий,
связанных с неконтролируемым выбросом токсичных или взрывоопасных
веществ в атмосферу.
Особенностью промышленных аварий является значительный разброс
масштабов последствий. Поэтому в качестве оценки стоимости инцидента
ПБ будем понимать интервальную оценку стоимости потенциального ущерба
от возможной аварии в заданном классе
По оценкам экспертов, социально-экономический ущерб от аварий на
ОПО может достигать многих млрд. рублей. Одновременно с ростом
производственных мощностей увеличиваются и затраты, которые лишь
косвенно связаны с производством. Основная доля непроизводственных
затрат связана с локализацией и ликвидацией аварий и инцидентов, а также с
несчастными случаями на производстве. Однако авария от аварии по
последствиям и нанесенному ущербу может существенно отличаться.
Хотя аварии
на предприятиях
являются сравнительно
редким
явлением, но они случается и поэтому перед руководством предприятий
ОПО с очевидностью встает задача заранее представлять масштабы
последствий возможных аварий. Кроме того, представлять затраты на
страхование ответственности от аварий и последствий экологических
загрязнений. Эти же вопросы встают и перед руководством страховых
агентств. Это в полной мере касается и страховых агентств.
Существуют
подробные
нормативные
документы
только
по
апостериорной оценке случившихся аварий, относящихся к прямому и
дополнительному ущербу.
Вместе с тем представляет интерес разработка методов и методик
направленных на априорную оценку ущерба от возможной аварии. Целью
этих исследований является разработкам метода расчета границ классов
64
событий промышленной безопасности в зависимости от экономического
ущерба
от
аварий
в
нефтеперерабатывающем
сегменте
рынка
по
международной статистике аварий.
Основной вывод, который можно уже сейчас сделать по результатам
проведенных исследований - целесообразно уже сейчас внедрять на ОПО
системы дистанционного контроля промышленной безопасности (СДК ПБ),
отвечающие всем современным требованиям и предупреждающей заранее о
возможной аварии, затратив на внедрение десятки миллионов рублей, или
получить ущерб от аварии в сотни миллиардов рублей.
5.1. Интервальная оценка стоимости аварии в пирамиде
промышленной безопасности предприятия
Развитие
промышленности
технологических
процессов,
привело
к
вовлечению
значительному
в
них
усложнению
огромного
объема
разнородного оборудования и технических устройств, что, согласно мировой
статистике, сопровождается ростом риска аварий. При этом аварии в ряде
случаев становятся настолько масштабными, что приводят к техногенным
катастрофам. Необходимость предупреждать и предотвращать такие события
вызвало создание и развитие научного и технического направления
"Промышленной безопасности".
Под промышленной безопасностью(ПБ) опасных производственных
объектов (ОПО) понимается "определяемое комплексом технических и
организационных мер состояние защищенности промышленного объекта,
которое
характеризуется
стабильностью
параметров
технологического
процесса и исключением (сведением к минимуму) опасности возникновения
аварии или инцидента, а в случае их возникновения - отсутствием опасности
воздействия на людей опасных и вредных факторов и угрозы причинения
вреда имуществу юридических и физических лиц, государственному или
муниципальному имуществу".
65
Под аварией понимаются разрушение сооружений и (или) технических
устройств, применяемых на ОПО, неконтролируемые взрыв и (или) выброс
опасных веществ, создающие на них и примыкающей к ним определенной
территории или акватории угрозу жизни и здоровью людей и приводящее к
нарушению производственного или транспортного процесса, нанесению
ущерба окружающей среде.
Инцидентом является опасное происшествие и созданная им опасная
ситуация, связанная с отказом или повреждением оборудования и
технических устройств либо с опасным отклонением от установленного
режима технологического процесса, не повлекшие за собой аварии. При
инциденте в отличие от аварии происходит не разрушение, а только отказ
или повреждение технических устройств.
Для предприятий исключительно важным является предотвращение потерь
от аварий и инцидентов промышленной безопасности, а также сведение к
минимуму
незапланированных
простоев
производства
по
причине
нарушений технологического процесса, опасных отклонений от норм
технологического режима и т.д.
Одним из способов достижения данной цели является внедрение системы
проактивного управления рисками возникновения аварий на ОПО с
использованием современных «интеллектуальных» систем оперативного
мониторинга состояния ПБ на объекте, включая контроль технологических
процессов, технического состояния оборудования и производственных
систем. Данные системы (часто их называют системами дистанционного
контроля (СДК ПБ) в реальном времени выявляют события, связанные с
риском возникновения аварий, классифицируют их по степени опасности и
оценивают риски возникновения аварий на основе расчета и анализа
показателей состояния ПБ объекта.
Опыт внедрения риск-ориентированных систем контроля ПБ на ОПО
показал, что применение таких систем практически всегда приводит к
резкому
сокращению
числа
и
длительности
отклонений
от
норм
66
технологического
режима,
предпосылок
возникновения
аварий
и
инцидентов, сокращению числа и длительности незапланированных простоев
производства.
Рассмотрим метод априорной оценки риска наступления аварийного
события
и
возможного
экономического
ущерба при
возникновении
негативного события. Используется статистика по авариям и инцидентам ПБ.
Полученные оценки могут быть использованы при обосновании и
страховании ответственности, экономическом анализе безопасности по
критериям безопасность/стоимость и при других процедурах, связанных с
анализом ПБ ОПО.
Особенностью промышленных аварий является их невысокая частота по
сравнению с длительностью жизненного цикла производства и значительный
разброс масштабов последствий. Риск возникновения промышленных аварий
обычно оценивают по потенциальному ущербу (тяжести последствий) от
аварии и вероятности ее возникновения.
Использовать известные методы теории надежности для оценки частоты
редких уникальных событий, а также теории вероятностей для определения
случайных величин аварийных ущербов в сложных технико-социальных
системах оказалось затруднительным. На обобщенную оценку риска
наступления аварийной ситуации существенно влияют плохо формализуемые
ошибки эксплуатирующего персонала и слабо предсказуемые внешние
воздействия. При этом следует учитывать и риски отказа технических
устройств, составляющих технологические цепочки, и риски сбоев и отказов
технологических и бизнеспроцессов.
Из
известно,
статистики
что
возникновения
инцидентов
частота
аварий,
и
других
67
Рис.. Пирамида происшествий
событий ПБ разной степени тяжести на предприятиях подчиняется
закономерности, напоминающей пирамиду, у которой в основании лежат
риски, имеющие место на производстве. Известны, например, пирамида
происшествий Франка Берда, пирамида безопасности Дюпона-Хейнриха,
«Пирамида рисков» Г.З. Файнбурга, кривая безопасности Бредли, пирамида
рисков промышленных аварий. Существует значительное количество
иллюстраций этих пирамид в открытом доступе. Данные исследования
показывают, что существует прямая связь между серьезными авариями,
инцидентами, опасными ситуациями, незначительными травмами и сбоями,
которые изображаются в виде слоев пирамиды, где цифры показывают
количество произошедших событий в зависимости от модели причинноследственных связей предметной области сбора статистики В качестве
иллюстрации на рис. приведена одна из таких пирамид происшествий.
Закономерности, которые проявляются в пирамидах рисков, связаны с
наличием причинно-следственной связи между ее слоями. Наличие такой
связи позволяет прогнозировать риск событий «верхнего слоя» за счет
планирования снижения рисков на нижних уровнях. Это позволяет
обосновать необходимость переноса основного внимания на работу по
уменьшению отказов, дефектов, ошибок, лежащих в основании пирамиды.
Главная идея— это проактивность: возможность обнаружить и исправить
условия, приводящие к аварии до того, как несчастный случай действительно
произойдет. Иными словами, при снижении числа опасных действий и
инцидентов
на
нижних
уровнях
(основание
пирамиды),
снижается
вероятность возникновения серьезных аварий и катастроф (вершина
пирамиды).
Современное
интенсивное
развитие
промышленных
производств
неизбежно ведет к возрастанию числа аварий и масштабов последствий,
связанных с неконтролируемым выбросом токсичных или взрывоопасных
веществ в атмосферу.
68
Особенностью промышленных аварий является значительный разброс
масштабов последствий. Поэтому в качестве оценки стоимости инцидента
ПБ будем понимать интервальную оценку стоимости потенциального ущерба
от возможной аварии в заданном классе [58,59].
Это в дальнейшем послужит основой расчета стоимости инцидента ПБ
заданного класса и возможных прямых потерь в зависимости от системной
сложности ОПО и уровня произошедшего инцидента (аварии), который он
занимает в пирамиде происшествий.
В теории вероятностей адекватной мерой риска принято считать
экспоненциальную функцию распределения. Приведено исследование, в
котором эмпирическим путем, на основе статистического анализа и анализа
кинетических
уравнений
больцмановского
типа
показана
хорошая
пригодность экспоненциального распределения к описанию эмпирических
закономерностей в сфере рисков.
Экспоненциальное распределение служит для моделирования времени
между двумя последовательными свершениями одного и того же события:
Экспоненциальное распределение характеризуется тем, что наработка
последовательной системы из независимых элементов с экспоненциально
распределенными наработками с параметром
распределение с параметром
,имеет экспоненциальное
.
В данной статье для обобщающей оценки предлагается использовать
понятие интегрального риска ПБ, под которым будем понимать метрику,
которая является показателем качества и эффективности процесса и
определяет
состояние
ключевых
показателей
технологического
производства, в определяющей мере влияющих на риск ПБ.Рассмотрим
некоторый поток событий, который является определяющим фактором
изменения показателя интегрального риска на НПЗ.
69
В силу множественности и независимости составляющих интегрального
риска, он представлен экспоненциальным распределением вероятностей
времени между инцидентами ПБ. Очевидно, что данные процессы не
являются
равнозначными
по
своим
последствиям,
следовательно,
полученные потери, выраженные в материальном эквиваленте, не могут
оставаться распределенными по экспоненциальному закону. В данном случае
для нелинейного преобразования первичной шкалы в новую предлагается
использовать степенной закон:
.
Таким
образом,
задача
отображения
первичного
распределения
надежности составляющих структурных элементов в распределение потерь
от
инцидентов
ПБ
состоит
в
нахождении
параметра
степенного
распределения в новой шкале при сохранении вида экспоненциальной
функции распределения:
,
где
и
– параметры степенного распределения в шкале
и шкале .
Тогда для отображения верно:
Если
то случайная переменная имеет распределение с «тяжелым хвостом», где
– индекс «хвоста» или параметр формы,
– положительная
константа. В данном распределении «хвост» затухает по гиперболическому
закону. Характерная черта подобных распределений в том, что при
дисперсия бесконечна, а при
"тяжелые хвосты" к тому же имеют
бесконечное среднее значение.
Для оценки параметров степенного распределения на основе данныхо
потерях от аварий и предшествующего им числа инцидентов ПБ очень важно
70
правильно
подготовить исходные данные. Учитывая, что
известная
статистика аварий и их стоимость даны в ценах того года, к которому
относится данное происшествие, необходимо сделать поправку на инфляцию
до нахождения закона распределения. Определим среднюю инфляцию за
период и будем считать, что каждый год прирост денежной массы составлял
фиксированную равномерно распределенную величину. Такой процесс
называют процессом естественного роста .
Пусть
– стоимость инцидента ПБ в момент времени
(в годах).
Считаем, что рост инфляции происходит по закону сложных процентов:
непрерывно с фиксированной ежегодной ставкой . Рост инфляции означает,
что в течение короткого временного интервала
на
денежная масса возрастет
, так что
Данное дифференциальное уравнение решается методом разделения
переменных с последующим интегрированием. Решение относительно :
.
Так как
– константа,
. Очевидно, что
, отсюда
следует, что решение уравнения
.
Зная долю событий ПБ заданного класса от общего числа случаев, можно
посчитать стоимостный интервал для данного класса. Для распределения
добавим следующие границы:
где N–общее число случаев, –указатель на класс событий промышленной
безопасности (1-4), которые будут подробнее рассмотрены ниже,
доля событий ПБ заданного класса,
–
– конец стоимостного интервала
71
предыдущего класса. Тогда стоимостные интервалы
для
каждого класса рассчитываются по формуле:
В качестве оценки стоимости инцидента промышленной безопасности
будем понимать интервальную оценку стоимости возможной аварии в
заданном классе:
.
Проблемы
оценки
стоимости
инцидентов
ПБ
в
рамках
границ
соответствующих классов в нефтепереработке в первую очередь связаны с
недостаточнойобщей статистикой данных о событиях и потерях, которые они
повлекли.Поэтому
для
экспериментальных
расчетов
использована
статистическая информация из публичных отчетов предприятий в области
нефтепереработки.
В работе применен многоэтапный алгоритм, включающий многомерный
статистический анализ. Полученныйметод состоит из последовательного
решения следующих задач:

анализ исторических данных стоимости инцидентов ПБ (для каждого
сегментарынка это надо делать отдельно);

определение закона распределения стоимости крупных аварий;

анализ статистики случившихся инцидентов ПБ в срезе пирамиды
происшествий;

оценка стоимости границ классов пирамиды происшествий.
5.2. Анализ исторических данных стоимости инцидентов ПБ
В период с 1978 по 2017 гг. сегмент НПЗ стал лидером по числу
инцидентов ПБ и последствий от них. Общие потери в мировой
нефтепереработке составили > 8,839 млрд. долл. США, самая крупная авария
стоимостью 1635 млн. долл. США произошла 1.11.2017 г. на предприятии
72
Рувайс (Абу-Даби, Объединенные Арабские Эмираты). Представленные
данные содержат прямые потери, не включающие выплаты пособий
работникам,
упущенную
выгоду
от
простоя
установки,
снижение
производительности смежных технологических объектов, экологические и
прочие штрафы.
С учетом повышения инфляции за последние 5 лет, получаем следующую
гистограмму распределения прямых потерь от аварий за 1978-2017 гг.
Рис. Распределение потерь в сегменте НПЗ по годам [10]
Скорректированная выборка описывается следующими метриками (рис.):

Среднее: 479,8 млн. долл. США (ранее – 215,6 млн. долл. США);

Медиана: 333,8 млн. долл. США(ранее – 150 млн. долл. США);

Мода: 333,8 млн. долл. США(ранее – 150 млн. долл. США).
Рис.Гистограмма распределения потерь от инцидентов ПБ за 1978-2017 гг.
в ценах начала 2022 г.
Прежде чем приступить к оценке параметров степенного распределения
описанной выше модели, необходимо сделать еще одну поправку данных, а
именно, повышение прямых потерь до полных. Убытки, которые несут
предприятия в случае инцидента ПБ, состоят не только из чистых (прямых)
73
потерь. Полные потери от приостановки производства включают, но не
ограничиваются следующими параметрами: выплата пособий работникам,
упущенная выгода от простоя установки, снижение производительности
смежных технологических объектов, экологические и прочие штрафы и т.д.
Для определения полных потерь воспользуемся информацией по 10
крупнейшим авариям за 1990-1992 гг.с учетом инфляции (табл.).
Таблица . Потери от крупнейших аварий за 1990-2017 годы
№ Дата
1
Место
аварии
11.03.1990 Ras Tanura,
Сауд.
Аравия
2 12.01.1991 Port Arthur,
Texas
3 03.03.1991 LakeCharls,
Louisiana
4 12.03.1991 Seadrift,
Texas
5 13.04.1991 Sweeny,
Texas
6 01.05.1991 Sterlington,
Louisiana
7 21.08.1991 Melbourne,
Australia
8 07.09.1991 Haifa,
Israel
9 28.07.1992 Weatlake,
Louisiana
10 09.11.1992 Le Mede,
France
Всего
Среднее
Прямые
потери
(млн.
долл.
США
2008 г.)
Прямые
потери
(млн.
долл.
США
2021 г.)
Дополнительные
потери
(млн.
долл. США 2008
г.)
Дополнительные
потери
(млн.
долл. США 2021
г.)
157,5
301,7
100.0
191.6
137,5
263,4
980.0
727.9
117,5
225,1
220.0
421.4
408,0
781,5
300.0
574.7
255,0
488,5
1125.0
2155.0
535,5
1025,8 175.0
335.2
57,0
109,2
200.0
383.1
75,0
143,7
110.0
210.7
63,0
120,7
100.0
191.6
975,5
1868,6 1000.0
1915.5
2781.5 5328.1 3710,0
278,15 532,8 371,00
7106,7
710,7
Считаем, что эта выборка является адекватной для оценки всего массива
данных, так как средняя цена аварии в ней – 532.8 млн. долл. США при 558.8
млн. долл. США для всего массива.
74
При общих прямых потерях 5328.1 млн. долл. США дополнительные
потери от простоя составили еще 7106.7 млн. долл. США, так что
коэффициент увеличения прямых потерь до полных оценивается по формуле:
где
– средние прямые потери,
– средние дополнительные потери.
Определение закона распределения стоимости
инцидентов ПБ
В результате оценки параметров степенного распределения стоимости
инцидентов ПБ в нефтепереработке в фундаментальной работе [10]была
получена следующая функция:
где – порядковый номер в сортированной по убыванию выборке потерь
от инцидентов, млн. долл. США. Коэффициент детерминации для данного
распределения составил
, что свидетельствует об адекватности
модели. Графическое сравнение статистических данных и полученного
степенного закона представлено на рис.
Рис.. – Статистические данные и полученное степенное распределение
стоимости инцидентов промышленной безопасности
5.3. Анализ статистики случившихся инцидентов ПБ в срезе
пирамиды инцидентов
75
Для практической апробации метода выбран объект, по которому имелась
статистика событий ПБ.
Под техногенными событиями ПБ (далее – событиями) понимаются
аварии, инциденты, предпосылки к инцидентам и нарушения в системе
управления ПБ/производственном контроле и (или) опасные отклонения
технологических параметров. В СДК ПБ обрабатываются события двух
типов:

выявляемые в автоматическом режиме подсистемой оперативного
мониторинга в режиме on-line (оперативные события/события 1-го типа) –
отклонения технологических параметров от норм технологического режима,
сигналы систем противоаварийной защиты и аварийного отключения,
информация систем контроля технического состояния и др.;

связанные с нарушениями требований законодательства и нормативов
области
ПБ,
разрушений,
выбросов,
разливов
опасных
веществ,
последствиями для жизни и здоровья персонала и населения (аварии,
инциденты, предпосылки к инцидентам и события 4-го уровня в
соответствии с приказом Ростехнадзора №29 от 24.01.2018), фиксируемые
СДК ПБ в режиме off-line (события 2-го типа).
События
1
и
2-го
типов
обрабатываются
в
разных
контурах
взаимодействия и обработки информации СДК ПБ предприятия:
События 1-го типа отражают вероятность возникновения (риск)аварии,
инцидента, предпосылок к инцидентам и др. нарушенийи ранжируются в
соответствии
с
их
потенциальными
последствиями.
Классы
риска
возникновения оперативных событий отражены на рис.
76
Высокий риск аварии
С1
Повышенный риск
С2
С3
Предпосылка к инциденту
С4
Событие 4 уровня
Классификация оперативных событий ПБ
Классификация
событий
2-го
типа
представляет
собой
реально
свершившиеся события промышленной безопасности и для предприятий
нефтегазового комплекса проводится согласно приказу Ростехнадзора №29
от 24.01.2018.Для предприятий других отраслей – с учетом специфики
данных предприятий (рис.).
Е1
Авария
Е2
Инцидент
Е3
Предпосылка к инциденту
Е4
Событие 4 уровня
Классификация событий ПБ 2-го типа
На основе аналитической обработки информации о свершившихся
событиях ПБ формируются показатели, характеризующие состояние ПБ на
объекте.
Рассчитываемые показатели(индикаторы) состояния ПБ делятся на две
группы: упреждающие и запаздывающие.
Классификации
подлежат все техногенные события 1-го
типа в
технологическом процессе, влияющие на состояние ПБ, в том числе и
события, связанные с отклонением его измеряемых параметров от
установленных значений и не приводящие к его немедленной блокировке.
Ниже приведены общие подходы к классификации техногенных событий 1го типа.
77
Класс С4 – событие, заключающееся в изменении технологических
параметров и(или) нарушении в функционировании технологического
процесса, которое не оказывает непосредственного влияния на уровень
безопасности ОПО и по степени опасности и потенциального ущерба не
может быть отнесено к событию классов С1, С2, С3.
Не влияет на оценку текущего состояния объекта контроля. Используется
для накопления статистики отклонений (нарушений), моделирования
поведения объекта и выявления закономерностей и учитывается при расчете
комплексного (интегрального) показателя состояния ПБ на ОПО.
Класс С3 – предпосылка к инциденту ПБ. Событие ПБ, несущее риск
изменения технологических параметров режима работы ОПО, которое
потенциально могло привести к возникновению события 2-го типа класса Е3.
Не влияет на оценку текущего состояния объекта контроля. Используется
для накопления статистики отклонений (нарушений), моделирования
поведения объекта и выявления закономерностей и учитывается при расчете
комплексного (интегрального) показателя состояния ПБ на ОПО.
Класс С2 – средний риск аварии (риск возникновения инцидента).Событие
ПБ, которое потенциально могло привести к возникновению события 2-го
типа класса Е2, несущее риск отказа или повреждения технических
устройств, применяемых на ОПО, отклонения от установленного режима
технологического процесса. Влияет на оценку текущего состояния объекта
контроля.
Класс С1 – высокий риск аварии. Событие ПБ, которое потенциально
могло привести к возникновению события 2-го типа класса Е1, то есть
несущее риск разрушения сооружений и (или) технических устройств,
применяемых на ОПО. Влияет на оценку текущего состояния объекта
контроля.
Для анализа частоты появления событий по этим классам данные взяты за
календарный год.
78
Как показал анализ за минувший период не произошло ни одного
инцидента класса С1, но отсутствие крупных аварий не означает
безаварийности процесса в целом. Также и остальные случаи, повлекшие
наиболее значимые убытки, не исчерпывают все аварийные события.
Очевидно, что события класса С1 – наиболее убыточные как для
предприятия, так и для сегмента и мировой экономики в целом, но доля
таковых событий в общем числе инцидентов очень мала. Для учета в модели
данных катастроф здесь и далее предположим, что за рассматриваемый
период было зарегистрировано одно событие данного класса. Тогда
статистика распределения по инцидентам будет выглядеть следующим
образом (табл.)
Таблица. События, произошедшие на НПЗ, зафиксированные системой
мониторинга
№
Класс
Число
Доля от общего
случаев
числа случаев
1
С1
1
0,001
2
С2
121
0,153
3
С3
209
0,265
4
С4
459
0,581
Итого: 790
1
Итоговая диаграмма числа событий ПБ по классам показана на рис.
79
Рис. Диаграмма числа событий ПБ по классам
5.4. Оценка стоимости границ классов пирамиды инцидентов
На рис. представлен график закона распределения стоимости инцидентов,
которые могли перерасти в аварии, разложенных по классам ПБ с
нанесенными границами интервалов классов событий, исходя из их
частотного распределения.
Рис. Степенное распределение стоимости инцидентов с учетом интервалов
классов ПБ
Таким образом, на рассматриваемом объекте НПЗ стоимостные интервалы
аварий заданных классов составили:

С1: от 9489,2 до 4825,5 млн. долл. США;

С2: от 4812,7 до 87,2 млн. долл. США;

С3: от 86,5 до 32,9 млн. долл. США;

С4: от 32,8 до 14 млн. долл. США.
В этих цифрах учтены не только прямые, но и дополнительные потери,
связанные
с
упущенной
выгодой
от
простоя,
снижением
производительности, экологические и прочие штрафы и т.д.
Отдельно скажем несколько слов про оценку стоимости аварий класса С4.
Поскольку распределение стоимости инцидентов имеет «тяжелый хвост»,
затухающий по гиперболическому закону, характерной чертой такого
распределения является бесконечная дисперсия, которая имеет бесконечное
среднее значение. Отсюда возможна некоторая погрешность расчетов,
80
завышающая реальную оценку. На практике же негативные события уровня
С4 парируются эксплуатирующими подразделениями на этапе выявления
предпосылок к инциденту, поэтому их стоимостной оценкой можно
пренебречь.
Очевидно, что между слоями пирамид на рис. вероятных и свершившихся
существует
взаимосвязь,
определение
которой
следует
посвятить
дальнейшие исследования. Однако для предварительной оценки предлагается
следующий
подход,
основанный
на
опубликованной
в
"Пирамиде
регистрируемых аварийных происшествий на российских ОПО НГК за 20122016 гг. (по данным Ростехнадзора)" реальных событий ПБ. В этой пирамиде
уровень Е1 составляет 395 аварий, уровень Е2 составляет 49011инцидентов,
уровень Е3- 552977 нарушений. Можно предположить, что разница между
слоями вероятностной пирамиды тоже может быть близкой к этому
распределению.
Таким образом, вероятность аварии составляет 0,8% от числа инцидентов
ПБ и 0,07% от событий класса С3. Инциденты класса С2 составляют
примерно 9% от событий класса С3. Классом С4 практически можно
пренебречь.
На основании метода априорной оценки интервальной стоимости границ
классов (С1-С4) пирамиды инцидентов проведена оценка стоимости границ.
Полученные результаты являются основой для расчета стоимости
инцидента ПБ, что само по себе является отдельной математической задачей.
Результаты данного исследования могут использоваться при оценке ПБ
предприятия,
при
экспертизе
ПБ,
обосновании
и
страховании
ответственности, экономическом анализе безопасности по критериям
безопасность-стоимость,
оценке
стоимости
воздействия
аварий
на
окружающую природную среду и при других процедурах, связанных с
анализом безопасности.
Наиболее
эффективным
способом
повышения
ПБ
опасных
производственных объектов является внедрение систем дистанционного
81
мониторинга ПБ. Такие системы дают подсказку дежурным сменам, что
случилось, где случилось, а также позволяют спрогнозировать риски аварий
(что
может
отклонениях,
случиться)
и
передать
которые
могут
информацию
привести
к
о
различным
происходящих
негативным
последствиям После внедрения системы дистанционного контроля в одной
из крупных отечественных компаний число инцидентов упало сразу на 70% .
6. Интеллектуальный мониторинг
Информация. Термин «информация» до сих пор является одним из самых
загадочных.
Она
является
некоей
универсальной
формой
описания
окружающего мира, выступает как средство общения и используется как
инструмент познания и управления в различного рода системах. Как научная
категория понятие информации появилось не так давно — в первой половине
XX века. Поскольку носителем информации может выступать любая
физическая среда, наука об информации оказалась на пересечении различных
областей знания: это и термодинамика, и передача электрических сигналов, и
обработка изображений, и даже биология. «Информация — это не материя и
не энергия, информация — это информация», — писал Норберт Винер. Это
потребовало создания новой области знания — кибернетики.
Несмотря на широкую распространенность термина «информация»,
общепризнанных его определений нет. Информация — это общественное и
социальное понятие, которое не имеет смысла вне общества, вне человека.
Только потребляемые человеком данные могут претендовать на «высокое»
звание информации. Ценность той или иной информации существенно
зависит от тех, кто ее использует. Одна и та же информация может иметь
кардинально разную ценность с точки зрения разных пользователей.
Впрочем, и для одного и того же пользователя в разных обстоятельствах она
может иметь существенно разную ценность.
Что такое информация? «Все недовольны тем, что информационная наука не хочет
потрудиться над определением информации... На самом же деле ни одна современная
наука не имеет определения своих основных феноменов.
82
В биологических науках нет определения жизни, в медицинских - здоровья, в физике энергии, в электротехнике - электричества, в ньютоновских законах - взаимодействия.
Это просто основные явления, и эта их первичность служит им определением.» (Т.
Сарацевич).
Президент Владимир Путин предложил с 2025 года отказаться от
мораториев на проверки бизнеса и разработать риск-ориентированный
подход. Об этом он сказал в ходе послания Федеральному собранию.
«Считаю возможным с 1 января 2025 года отказаться от временных
мораториев на проверки бизнеса и вместо этого с учетом наработанного
опыта полностью перейти на риск-ориентированный подход, закрепив его
законодательно», — сказал президент. Он отметил, что там, где риски
отсутствуют, стоит применять профилактические меры «и таким образом
минимизировать число проверок».
83
Риск-ориентированный подход – подход, позволяющий организации
определять
факторы,
которые
могут
привести
к
отклонению
от
запланированных результатов процессов и системы менеджмента качества
организации, а также использовать предупреждающие средства управления
для минимизации негативных последствий и максимального использования
возникающих
возможностей.
Все
документы,
нормирующие
риск-
ориентированный подход, можно условно представить в виде пирамиды.
Верхний
уровень
пирамиды
занимают
основные
положения
риск-
ориентированного подхода – ГОСТ Р ИСО 31000-2019 «Менеджмент риска.
Принципы и руководство», представляющий общее руководство по рискменеджменту, ГОСТ Р 58771-2019 «Менеджмент риска. Технологии оценки
риска», разработанный взамен ГОСТ Р ИСО/МЭК 31010 и устанавливающий
руководство по выбору и применению методов (технологий) оценки риска в
широком спектре задач, и стандарт, содержащий основные термины в области
менеджмента
риска
–
ГОСТ
Р
51897-2011/Руководство
ИСО
73:2009
«Менеджмент риска. Термины и определения».
84
Роль риска в деятельности предприятий очень велика. Особенно это касается
особо
опасных
технических
объектов,
работа
которых
связана
с
возможностью нанесения ущерба экологии, материальным и человеческим
потерям. Необходимость управления рисками сегодня представляет собой
сложную актуальную проблему в связи с отсутствием целостной теории
управления риском, а также неоднозначностью использования различных
методов оценки риска при построении системы риск-менеджмента.
Риск
находится
в прямой
зависимости
от
объективности
и
обоснованности принимаемых управленческих решений. При этом рискменеджмент — сравнительно новое направление в экономической науке.
Риск-ориентированный подход представляет собой анализ и прогнозирование
опасностей промышленных аварий, оценку риска и возможных масштабов
последствий
аварий
оптимизации
на
опасных
необходимых
производственных
объектах
организационно-технических
для
мер
предупреждения аварий, недопущения возникновения угроз крупных
промышленных
аварий
и
повышения
эффективности
обеспечения
85
промышленной безопасности на отдельном опасном производственном
объекте и (или) в системе поднадзорных объектов в целом.
Этот
подход
подразумевает,
что
при
увеличении
вероятности
наступления аварийной ситуации выше нормативного уровня, дальнейшая
эксплуатация объекта должна быть прекращена. Оценивать эти риски
необходимо на основании ряда критериев.
Для
оценки
предлагается
обобщенного
выявить
состояния
наиболее
промышленной
критичные
безопасности
элементы
опасных
производственных объектов (ОПО), с использованием системы мониторинга
собирать параметры, с помощью которых можно оценивать состояние
наиболее критичных систем и элементов, оценивать отклонение этих
параметров от номинальных значений и, если необходимо, уточнять
вероятности наступления аварийных ситуаций и по их оценке принимать
решения об инспекции, применении мер воздействия или продолжении
работы ОПО.
Основным показателем опасности на ОПО является риск аварий,
который
учитывает
вероятностный
характер
превращения
аварийной
опасности на ОПО в непосредственную угрозу возникновения аварии с
последующим возможным причинением вреда людским, материальным и
природным ресурсам. Количественной мерой вреда является ущерб от аварии
(в натуральных или стоимостных единицах).
Риски, связанные с надежностью работы оборудования, составляющего
технологическую
цепочку
ОПО,
называются
техническими
рисками.
Наблюдение и оценка подобных рисков приобретает особую значимость на
этапе эксплуатации ОПО, так как они существенно зависят от качества
обслуживания (ремонта) оборудования, применяемых расходных материалов,
катализаторов и физико-химических свойств добываемого/обрабатываемого
сырья, которые могут изменяться с течением времени.
Кроме того, оборудование (технические устройства) в процессе
эксплуатации подвергается механическому износу, воздействию окружающей
86
среды и агрессивных обрабатываемых материалов (коррозия, эрозия и др.),
что может сказываться на надежности их работы.
Таким образом, технические риски отказа устройств, составляющих
технологическую цепочку, и риски отказа технологического процесса в целом
представляют
угрозу
промышленной
безопасности
опасных
производственных объектов и существенно влияют на общую, обобщенную
оценку состояния промышленной безопасности опасных производственных
объектов. Реализация таких рисков чревата возникновением аварий, опасных
инцидентов и происшествий на предприятиях нефтегазового комплекса. При
анализе общего риска аварий на опасных производственных объектах
необходимо
учитывать
технические
риски.
При
этом
при
расчете
технического риска целесообразно руководствоваться теорией надежности.
В случаях, когда технологический процесс в целом или его часть
представляет из себя сложный многофакторный механизм, не позволяющий в
явном виде выделить влияние отдельных ТУ на промышленную безопасность
ОПО в целом, целесообразно воспользоваться интегральным методом оценки
промышленной
безопасности
ОПО.
В
основе
этого
метода
лежит
классификация событий ПБ в технологическом процессе ОПО.
Классификации подлежат все события в технологическом процессе
влияющие на состояние ПБ, в том числе и события связанные с отклонением
его измеряемых параметров от установленных значений и не приводящие к
его немедленной блокировке.
Система мониторинга СДК ПБ должна собирать и фиксировать все
случаи отклонения отобранных параметров работы ОПО от установленных
значений и продолжительность указанных нарушений. Отбор параметров
технологического процесса, влияющих на состояние ПБ на ОПО, и их
отнесение к той или иной группе в классификации следует производить с
привлечением экспертной группы специалистов.
Особое значение в системах управления опасным промышленным
производством, связанном с возможностью взрывов, гибелью людей и
87
загрязнением окружающей среды, приобретает контроль состояния его
промышленной безопасности. Этот процесс сводится к наблюдению и
регистрации
параметров
объекта
контроля,
сравнении
с
заданными
критериями для вынесения суждения как о состоянии отдельных элементов,
составляющих ландшафт объекта, так и об объекте в целом, на основании
анализа характеризующих его признаков.
Системы управления должны прогнозировать изменения его состояния
для определения и предсказания момента отказа,
как отдельных его
элементов, так и перехода в критическое состояние всего объекта, в том числе
предупреждение чрезвычайных ситуаций, ведущих к повреждению или
разрушению объекта. В этой связи точность прогноза развития ситуации,
предупреждение о возможном наступлении аварийной ситуации, является
очень важным.
Информационные технологии (ИТ), од которыми будем понимать
совокупность способов создания, накопления, обработки, хранения, передачи
и распределения информации (данных, знаний) с помощью средств
вычислительной техники и связи, являются самой динамично развивающейся
сферой деятельности человека.
С развитием техники, усложняются и процессы управления сложными
системами: увеличивается объем данных, который необходимо обработать
для принятия решения; уменьшается время на анализ сложившихся ситуаций,
принятие решений и их реализацию.
Основной причиной устойчивых и быстрых темпов
роста
систем
отработки данных и применяемого программного обеспечения (ПО)
является возможность значительного повышения производительности труда
во всех отраслях деятельности за счет применения ЭВМ и существенного
повышения эффективности применения сложных технических систем.
Как правило, традиционно автоматизированные системы (АС) компаний
создавались по своим проектам, с использованием различных архитектурных
решений, обусловленных как различными стоящими задачами, так и
88
бюджетными ограничениями. У каждой АС возникает потребность в
обеспечении непрерывности и безотказности предоставления ИТ-сервисов.
Одним из инструментов анализа функционирования АС является система
мониторинга
ИТ-инфраструктуры.
Территориальная
распределенность
автоматизированных систем лишь усугубляет проблему. Соответственно
необходимость
обслуживания
разнородных
и
территориально
распределенных систем ставит вопрос о нагрузке на ИТ-персонал компании.
Практически
любые
проблемы
ИТ-инфраструктуры
немедленно
сказываются на работе организации, оказывая серьезное влияние на
выполнение целевых функций (бизнес-услуг). За последние годы понятие
«ИТ-инфраструктуры» существенно расширилось и теперь включает в себя
весь комплекс инфраструктурного оборудования и приложений: серверное и
терминальное оборудование, телекоммуникационные системы, глобальные и
локальные сети, системы хранения, инженерное оборудование, СУБД,
системное и прикладное программное обеспечение, ресурсно-сервисные
модели функционирования бизнес-услуг. Сюда же относятся различные
процессы и ресурсы, связанные с обслуживанием и эксплуатацией:
планирование, закупка, установка, администрирование, защита, обновление,
резервное
копирование,
профилактические
работы
апгрейды,
установка
новых
и
упомянутое,
в
т.п.
Все
версий,
современной
терминологии, называют ландшафтом организации (компании, предприятия
и т.д.)
Поэтому рано или поздно перед руководством компании естественным
образом возникает проблема: как собрать всё знание о функционировании
определяющих ландшафт компании систем в одном месте, чтобы
понимать, что сейчас не работает, почему, какой аспект функционирования
для бизнес-процессов компании нарушен, какие риски при этом возникают и
как оптимизировать обслуживающий ИТ-персонал.
Собственно, под мониторингом будем понимать непрерывный процесс
сбора, хранения, наблюдения и анализа параметров объектов и/или
89
процессов, в сравнении с заданными критериями для вынесения суждения о
поведении/состоянии данных объектов и/или процессов в целом [22,54].
В самом общем виде «полный» или «всеобъемлющий» мониторинг
системы должен включать в себя:
• мониторинг
технической
инфраструктуры
(ландшафта
предприятия);
• мониторинг аппликаций (приложений), определяющих бизнеспроцессы предприятия;
• мониторинг качества предоставляемых услуг (UsereXperience, UX).
Как
правило,
существующие
на
рынке
системы
мониторинга
ограничиваются первой функцией. Оценка влияния на бизнес-процессы при
этом возлагается на операторов, которые должны представлять взаимосвязь и
взаимообусловленность технических компонент и протекающих бизнеспроцессов, что при сложном ландшафте очень непросто. Либо разрабатывать
ресурсно-сервисную модель, в которой эту взаимосвязь прописывать. При
этом системы мониторинга должны поддерживать эти процессы.
Мониторинг аппликаций существенно сложнее в реализации и должен
реализовываться разработчиками систем мониторинга во взаимосвязи с
существующим у Заказчика программным обеспечением, что практически
невозможно для компаний, предлагающих коробочные решения.
И совсем редко встречаются разработки, позволяющие оценивать качество
предоставляемых услуг «со стороны клиента».
Для решения задач «полного» мониторинга используют так называемые
«зонтичные» системы мониторинга.
Системы
«зонтичного
мониторинга»
находятся
в
мейнстриме
современных течений мониторинга, поскольку являются естественным
инструментом
цифровой
экономики,
характеризуется
трансформацией
данных
т.к.
цифровая
из
многих
экономика
источников
и
представление их в новом качестве необходимом для создания новых
аспектов бизнеса.
90
Появление
и
внедрение
промышленного
интернета
вещей
на
предприятиях, генерирует огромные объемы структурированных и слабо
структурированных
данных,
обработка
которых
позволяет
получить
объективную оценку состояния производства, промышленной безопасности и
бизнес-процессов. Целью построения «зонтичных» систем мониторинга собрать
воедино
все
существующие
данные
о
работоспособности,
доступности и производительности объектов, создать средства для анализа
всей информации (с целью корреляции событий, построения ресурсносервисной модели, поиска первопричин сбоев, прогнозирования наступления
нештатной ситуации и т.д.). Причем системы зонтичного мониторинга берут
на себя всю тяжесть обработки громадного количества структурированных и
неструктурированных данных, поступающих с различных устройств и
систем, учитывая корреляцию и взаимозависимость событий, обрабатывая и
предоставляя операторам обобщенную (агрегированную) информацию о
состоянии всех систем. Ранее при больших объемах информации и при
недостаточности ресурсов использовали механизмы выборки информации по
тем или иным критериям, что позволяло терять важную информацию и
вырабатывать
предложения
для
принятия
решений
с
возможными
погрешностями или ошибками.
Достоинства технологии интеллектуального мониторинга состоит
главным образом в том, что она позволяет обрабатывать весь объем
поступающих
данных
осуществлять
их
от
разных
нормализацию
источников
для
в
нейронных
разных
форматах,
сетей
выдавать
и
достоверную информацию в орган, принимающий решение.
Оперативная ИТ-служба компании в этом случае получает единую точку
и наглядные схемы контроля состояния инфраструктуры и приложений, а с
помощью систем транзакционного мониторинга (сканеры трафика с
аналитическим механизмом его разбора)
аналитики могут понимать и
контролировать историю происходящих в системе процессов.
91
Установка
систем
мониторинга
необходима
для
поддержания
оптимальных режимов работы оборудования и программного обеспечения, а
также
оперативного
предотвращения
его
сбоев.
Централизованные
(зонтичные) системы мониторинга позволяют сократить время перерывов в
предоставлении
ИТ-услуг
и
обеспечить
их
беспрерывную
работоспособность.
Внедрение систем мониторинга и создание диспетчерской (оперативной)
службы для контроля и оперативного реагирования на возникающие
нештатные ситуации и организации их парирования чрезвычайно важно для
организации «непрерывности» бизнеса, т.к. во всем мире ежегодно от
катастроф коммерческие предприятия и государственные структуры несут
серьезные финансовые потери, зачастую, приводящие к ликвидации частных
фирм. Так, по данным Техасского университета, компании теряют 25%
ежедневного дохода в первые 6 дней простоя их вычислительных
комплексов, а через 25 дней - 40%. При этом в крупных фирмах убытки от
временной недоступности могут составить от 20 тысяч до 6 миллионов
долларов США в час.
Стоимость простоя предприятия из-за сбоев и отказов ИТ изображена
на рис.
$ млн./час
Стоимость простоя ($ млн. в час)
2,8
2
1,6
1,4
1,3
1,2
В 68% компаний США после потери информации в компьютерах более
чем на 7 дней так и не сумели восстановиться. А 93% компаний, не
92
внедривших катастрофоустойчивые решения, перестали существовать в
течение 5 лет после катастроф.
Рынок программных комплексов поддержки оперативных служб
предоставлен рядом систем типа ServiceDesk и HelpDesk, реализующих
принципы ITIL-ITSM, Cobit.К таким системам можно отнести, например,
Remedy (ВМС США) и им подобные системы.
Большинство аварийных и нештатных ситуаций (до 70%, по данным
UptimeInstitute)
в
работе
современной
ИТ-инфраструктуры
вызвано
ошибочными действиями обслуживающего персонала. Внедрение систем
мониторинга способно значительно ослабить влияние этого фактора.
Основными критериями качества работы ИТ-инфраструктуры являются
показатели доступности и производительности предоставляемых ИТ-услуг и
сервисов. В этом случае оценивается работа инфраструктуры и приложений
не как отдельных независимых элементов, а как функционирование
многоуровневой
распределенной
среды,
обеспечивающей
выполнение
бизнес-процессов.
Один из трендов Gartner на 2024 год является курс на прикладную
наблюдаемость (Applied Observability). Наблюдаемость
в
теории
управления — это свойство системы, показывающее, можно ли по данным на
выходе системы полностью восстановить информацию о состояниях
системы.
В ИТ понятие наблюдаемости имеет прямое отношение к
мониторингу состояния системы. Тема эта не нова. Мониторинг довольно
долго входил в топ технологий, но аналитики Gartner полагают, что эта
технология станет одним из ИТ-трендов 2023 года.
Именно поэтому
создание и внедрение систем мониторинга ИТ-
инфраструктуры входило ранее и входит сейчас в приоритетные направления
компании Gartner на 2023 год.
Возможная географическая распределенность организаций по часовым
поясам (например, Центральный банк РФ – 11 часовых поясов) приводит к
жестким требованиям по готовности региональной ИТ-инфраструктуры:
93
работа в режиме 24x7 с доступностью обрабатывающих центров не менее
99,5% (т.е. простой не более 11 часов в квартал). Сами обрабатывающие
центры должны обеспечивать доступность с вероятностью 99,999 (5 девяток
5 минут неготвности в год).
Обеспечение таких жестких требований невозможно без реализации
комплексного подхода, включающего в себя как систему мониторинга
качества предоставления ИТ-услуг, так и организацию эксплуатации и
процессов технического обслуживания.
С каждым годом повышается уровень сложности технических систем,
используемых
в
человеческой
деятельности.
При
этом
происходит
одновременное увеличение числа задействованных элементов в системе
(размерная сложность), повышение разнообразия структур размещения
элементов
(структурная
сложность)
и
повышение
разнообразия
взаимодействия элементов системы (функциональная сложность). Процесс
увеличения сложности систем неизбежно приводит к увеличению количества
и разнообразия различных типов рисков, сопутствующих наладке и
эксплуатации этих систем. В зависимости от конкретной системы и ситуации
проявление этих рисков может быть различным.
Риск может заключаться в возможности нарушения нормального
функционирования или выхода из строя отдельного узла или всей системы в
целом. Риски можно классифицировать не только по масштабам нарушений
функционирования системы, но и по последствиям, вызываемым этим
риском. В процессе эксплуатации технической системы очень важно иметь
точную информацию о текущем состоянии системы и ее отдельных узлов.
Эта информация необходима для своевременного распознавания отклонений
состояния системы от нормального и для принятия решений по исправлению
этих отклонений. В сложных технических системах для получения
информации
об
их
состоянии
используются
специальные
системы
мониторинга различной степени автоматизации.
94
Чем сложнее система, тем выше должен быть уровень автоматизации
системы мониторинга.
При проектировании и наделении технических систем определенными
характеристиками
нельзя
исключать
возможность
функционирования
системы в “зоне форс-мажорных обстоятельств”. На функционирование
сложных
технических
систем
могут
одновременно
влиять
распространяющиеся по системе внутренние ошибки и внешние воздействия
на протяжении небольшого промежутка времени. Появление ошибок в работе
систем и внешние воздействия могут иметь внезапный характер, а поэтому
понимание процесса распространения ошибок, шумов, помех по элементам
системы и влияние их на функционирование системы является важной
задачей. Для сложных многоэлементных систем не исключен эффект
“падения костей домино”, когда поначалу небольшие внешние помехи и
воздействия могут вывести из строя на длительный срок всю систему.
Классическая
теория
надежности
не
предоставляет
необходимых
инструментов для исследования (оценки состояния системы в целом,
прогнозирования поведения системы под влиянием поражающих факторов,
методов
повышения
или
сохранения
сопротивляемости
систем,
функционирующих в условиях поражающих воздействий, и т.д.) качества
функционирования сложных систем в “зоне форс-мажорных обстоятельств”.
Пребывание систем именно в этой “зоне” приводит к необходимости
разработки соответствующих математических моделей.
В большинстве крупных организаций существует множество систем
контроля
различных
компонент
ИТ-инфраструктуры,
производственного оборудования, бизнес-процессов.
приложений,
Их использование
часто не приносит желаемого эффекта:
• Отсутствует единая картина функционирования предприятия
• Часто серьезные комплексные проблемы, сбои не диагностируются
отдельными специализированными системами управления
95
• Затруднены возможности локализации причин возникновения сбоя,
неисправности
• При возникновении неисправности возможно наличие потока сообщений
от различных специализированных систем мониторинга
• Отсутствует возможность проактивного реагирования, прогнозирования и
предупреждения проблем
Внедрение зонтичной системы контроля с широкими возможностями
аналитической обработки информации решает эти проблемы
Для решения задач «полного» мониторинга используют «зонтичные»
системы мониторинга.
В настоящее время системы мониторинга на Российском рынке
представлены
главным образом зарубежными
компаниями.
Имеются
некоторое количество подобных систем от рассчитанных на небольшую
компанию (100-500 объектов мониторинга), до больших, рассчитанных на
несколько тысяч контролируемых объектов. В первом случае это системы
типа Zabbix (Литва) и им подобные. Во втором случае - это мощные дорогие
системы типа НР OМ (Hewlett-Packard, занимающий примерно 80% рынка),
Tivoli (IBM на втором месте), Patrol (ВМС – на третьем месте)– все системы
разработаны в США.
Российской
разработкой
подобных
систем
является
зонтичная
доверенная система средств управления, контроля и анализа обобщенного
состояния
инфраструктур
сложных,
«Феникс»,
гетерогенных
которая
информационно-технических
является
новым
значительно
переработанным поколением ранее хорошо себя зарекомендовавшей на
Российском рынке Программной платформы «Зодиак» (ПП «Зодиак»),
разработанной Российской компанией "Динамические системы". "Феникс"
представляет серьезную конкуренцию ранее упомянутым системам и по
программе импортозамещения способен их заменить [62].
Зонтичные системы (рис) - охватывают весь ландшафт предприятия, всех
сфер его деятельности. Обработку данных в соответствии с заданными
96
Заказчиком алгоритмами и выдачу на разные уровни - стратегический,
инновационный и оперативный.
Рис. ПП «Феникс» интеграционная платформа зонтичного типа
В такой постановке мониторинг предприятия с помощью IIoT,
наблюдая, регистрируя и сравнивая полученные параметры объекта с
заданными
критериями
для
определения
состояния
как
элементов,
составляющих ландшафт объекта, так и об объекте в целом, не только
должен отвечать на вопрос "что случилось", что повлекло за собой это
нарушение - "где случилось", но, кроме этого, должен прогнозировать риск
изменения состояния объекта для определения и предсказания момента
отказа,
как отдельных его элементов, так и перехода в критическое
состояние всего объекта, в том числе предупреждение чрезвычайных
ситуаций, ведущих к повреждению или разрушению объекта, что особенно
важно для особо опасных производственных объектов (ОПО), нарушение
функционирования которых может привести к серьезным последствиям в
виде взрывов, гибели людей и нарушению экологии, мониторинг. Иными
97
словами,
с
помощью
предиктивной
(предсказательной)
аналитики
интеллектуальный мониторинг должен отвечать на вопрос "Что может
случиться", для предотвращения наступления негативного события, а не
простое информирование о случившейся аварии или катастрофе.
Т.е.
осуществить прогноз и провести оценку риска промышленной безопасности
предприятия. Под риском будем понимать вероятность наступления события,
которое
может
оказать
отрицательное
воздействие
на
достижение
поставленных целей и повлечь за собой наступление ущерба.
Рис. Виды аналитики данных и вопросы, на которые они отвечают
Собирая
информацию
со
всего
ландшафта
предприятия
интеллектуальный мониторинг выдает агрегированную и по разному
обработанную информацию на все управленческие слои.
На Оперативный -"Что случилось" и "Где случилось-Почему случилось"
для принятия решения об восстановлении работоспособности.
На Тактический уровень - на основе анализа ресурсно-сервисной модели какой сервис был нарушен.
98
На верхний - возможные потери из-за нарушения бизнес-процессов
организации, штрафы, упущенная выгода, срыв договоров, затраты на
восстановление… (Что может случиться).
Что же такое интеллектуальный мониторинг.
Это не только процесс наблюдения и регистрации параметров объекта,
в сравнении с заданными критериями для вынесения суждения как о
состоянии отдельных элементов, составляющих ландшафт объекта, так и об
объекте в целом, на основании анализа характеризующих его признаков.
Мониторинг призван не только наблюдать за состоянием объекта, но и
прогнозировать изменения его состояния для определения и предсказания
момента отказа, как отдельных его элементов, так и перехода в критическое
состояние всего объекта, в том числе предупреждение чрезвычайных
ситуаций, ведущих к повреждению или разрушению объекта. В этом случае
целью мониторинга является предотвращение наступления негативного
события, а не простое информирование о случившейся аварии или
катастрофе.
Для решения этих задач в зонтичных системах мониторинга используют:
99
• Риск-ориентированные методы.
• Методы Big Data.
• Теория хаоса.
• Теория катастроф.
• Теория нелинейных динамических систем.
• Нейронные сети.
• Ресурсно-сервисные модели.
• Предиктивная аналитика.
• Элементы бизнес аналитики.
• Нечеткие вычисления.
• И т.д.
Таким образом в нем присутствуют все элементы извлечения знаний из
большого объема данных: данные->информация->знания.
Основная цель мониторинга– получать посредством переработки
большого объема первичных данных обобщенную информацию нового
качества, на основе которой вырабатываются оптимальные управленческие
решения.
Для
того,
чтобы
принимать
правильные
решения,
нужно
уметь
прогнозировать их последствия.
Существует прогноз McKinsey о структуризации экономики на ближайшие
10-15 лет. Согласно ему прогнозирование последствий принимаемых
решений в общем объеме мировой экономики займет второе место, причем
нефтегазовый сектор скатится на седьмое.
Мониторинг
процессов
призван
показать
реальное
состояние
оборудования, задействованного в производственном процессе, с указанием
нежелательных или запрещенных состояний и появления изменений в его
начальной
фазе
соответствующих
(ранний
и
отказ). Эта
ситуация
потребует
принятия
немедленных
действий,
чтобы
избежать
катастрофического ущерба в будущем.
100
Отклонения в работе параметров оборудования или системы возникают в
результате
неисправностей
предвестниками
возможного
или
ошибок.
сбоя
в
Эти
изменения
будущем.
Важно
являются
своевременно
обнаруживать и реагировать на подобные изменения в системе, чтобы
предотвратить серьезные поломки и обеспечить бесперебойную работу
системы.
Обоснованием
для
систем
мониторинга
и
надзора
является
предотвращение таких дефектов или сбоев в системах путем сбора
непрерывной информации (предоставляемой системой мониторинга) в
режиме реального времени о поведении оборудования производственной
системы и данных его наблюдения), что позволит определить, работает ли
устройство или оборудование.
Возможная географическая распределенность организаций по часовым
поясам (например, Центральный банк РФ – 11 часовых поясов) приводит к
жестким требованиям по готовности региональной ИТ-инфраструктуры:
работа в режиме 24x7 с доступностью обрабатывающих центров не менее
99,5% (т.е. простой не более 11 часов в квартал). Сами обрабатывающие
центры должны обеспечивать доступность с вероятностью 99,999 (5 девяток
5 минут неготвности в год).
Обеспечение таких жестких требований невозможно без реализации
комплексного подхода, включающего в себя как систему мониторинга
качества предоставления ИТ-услуг, так и организацию эксплуатации и
процессов технического обслуживания.
Достоинства технологии интеллектуального мониторинга состоит
главным образом в том, что она позволяет обрабатывать весь объем
поступающих
данных
осуществлять
их
от
разных
нормализацию
источников
для
в
нейронных
разных
форматах,
сетей
выдавать
и
достоверную информацию в орган, принимающий решение.
Оперативная ИТ-служба компании в этом случае получает единую точку и
наглядные схемы контроля состояния инфраструктуры и приложений, а с
101
помощью систем транзакционного мониторинга (сканеры трафика с
аналитическим механизмом его разбора)
аналитики могут понимать и
контролировать историю происходящих в системе процессов.
Установка систем мониторинга необходима для поддержания оптимальных
режимов работы оборудования и программного обеспечения, а также
оперативного предотвращения его сбоев. Централизованные (зонтичные)
системы
мониторинга
предоставлении
позволяют
ИТ-услуг
и
сократить
время
обеспечить
их
перерывов
в
беспрерывную
работоспособность.
Внедрение систем мониторинга и создание диспетчерской (оперативной)
службы для контроля и оперативного реагирования на возникающие
нештатные ситуации и организации их парирования чрезвычайно важно для
организации «непрерывности» бизнеса, т.к. во всем мире ежегодно от
катастроф коммерческие предприятия и государственные структуры несут
серьезные финансовые потери, зачастую, приводящие к ликвидации частных
фирм. Так, по данным Техасского университета, компании теряют 25%
ежедневного дохода в первые 6 дней простоя их вычислительных комплексов,
а через 25 дней - 40%. При этом в крупных фирмах убытки от временной
недоступности могут составить от 20 тысяч до 6 миллионов долларов США в
час.
В информатике и информационных технологиях термины данные
и информация часто используются как синонимы, но на самом деле они
сильно отличаются друг от друга. Данные представляют собой совокупность
необработанных фактов и цифр, в то время как информация – это
обработанные данные, которые имеют значение для пользователя.
Данные - это набор конкретных значений, параметров, характеризующих
информационный объект. Данные не обладают определенной структурой и
становятся информацией тогда, когда пользователь задает им определенную
структуру, то есть осознает их смысловое содержание. Набор обработанных
102
данных, которые имеют некоторое значение для пользователя, называется
информацией.
Метаданные (от др.-греч. μετά «за, после, рядом, в середине» и данные) —
информация о другой информации, или это данные о данных, которые
включают информацию об их составе, содержании, статусе, происхождении,
местонахождении, качестве, форматах, объёме, условиях доступа, авторских
правах и т. п. данные, относящиеся к дополнительной информации о
содержимом или объекте. Метаданные раскрывают сведения о признаках и
свойствах,
характеризующих
какие-либо
сущности,
позволяющие
автоматически искать и управлять ими в больших информационных потоках.
Метаданные можно классифицировать по
• Содержанию. Метаданные могут либо описывать сам ресурс
(например, название и размер файла), либо содержимое ресурса
(например, «в этом видеофайле показано как парень играет в
футбол»).
• По отношению к ресурсу в целом. Метаданные могут относиться к
ресурсу в целом или к его частям. Например, «Title» (название
фильма) относится к фильму в целом, а «Scene description»
(описание эпизода фильма) отдельное для каждого эпизода
фильма.
• По
возможности
логического
вывода.
Метаданные
можно
подразделить на три слоя: нижний слой — это «сырые» данные
сами по себе; средний слой — метаданные, описывающие
указанные «сырые» данные; и верхний слой — метаданные,
которые позволяют делать логический вывод, используя второй
слой.
Тремя наиболее используемыми классами метаданных являются:
• Внутренние
метаданные,
описывающие
структуру
или
составные части вещи, то, чем вещь является. Например, формат и
размер файла.
103
• Административные метаданные, требующиеся для процессов
обработки информации, назначение вещи. Например, информация
об авторе, редакторе, дата публикации и т. п.
• Описательные метаданные, которые описывают природу вещи,
её
признаки. Например, набор
связанных
с информацией
категорий, ссылки на другие вещи, связанные с данной.
Данные - это отдельные факты, характеризующие объекты, процессы и
явления в предметной области, а также их свойства. Каждый из датчиков
передает конкретные данные о техническом устройстве: температуру,
давление, состояние конкретных приборов (включен, выключен, авария, в
ремонте и т.д.), что не позволяет использовать их для содержательной
обработки. Поэтому во время сбора идет процесс преобразования данных в
информацию. Этот процесс преобразования данных в информацию можно
описать как процесс фильтрации данных на синтаксическом семантическом и
прагматическом уровнях.
Под синтаксическим (физическим)
фильтром
понимаются;
средства
передачи и хранения данных, не затрачивающие, их содержательной
обработки (реализуются лишь первичная обработка, контроль, хранение и
поиск).
Семантический (смысловой) фильтр обеспечивает понимание содержания
передаваемых данных, т.е. в нем производится содержательная обработка.
И, наконец, в прагматическом фильтре осуществляется оценка меры
полезности данных с позиции целей использования, определяется актуально
полезная информация для решения задач управления.
На практике весь набор данных конкретного устройства анализируется и для
дальнейшей обработки появляется информация обо всем этом устройстве:
готово, не готово, в аварии, в ремонте...
Информация, в отличие от данных, имеет смысл.
104
Понятия "информация" и "знания", с философской точки зрения, являются
понятиями более высокого уровня, чем "данные", которое возникло
относительно недавно.
Понятие "информации" непосредственно связано с сущностью процессов
внутри информационной системы, тогда так понятие "знание" ориентировано
на качество процессов.
Понятие "знание" тесно связано с процессом принятия решений. Несмотря
на различия, рассмотренные понятия не являются разрозненными и
несвязанными.
Они есть часть одного потока: у истока его находятся данные, в процессе
передачи которых возникает информация, и в результате использования
информации, при определенных условиях, возникают знания.
Знания связаны с информацией, основываются на ней.
Знания - это выявленные закономерности предметной области (принципы,
связи, законы), позволяющие решать задачи в этой области.
При обработке на ЭВМ знания трансформируются аналогично данным как
результат аналитической обработки.
Поле знаний - условное описание основных объектов предметной области, их
атрибутов и закономерностей, их связывающих; знания, описанные на
языках представления знаний (продукционные языки, семантические сети,
фреймы) базы знаний.
«Знания - это абсолютное использование информации и данных, совместно с
потенциалом практического опыта людей, способностями, идеями,
интуицией, убежденностью и мотивациями».
Знания имеют определенные свойства, которые отличают их от информации.
1. Структурированность. Знания должны быть "разложены по полочкам".
2. Удобство доступа и усвоения. Для человека - это способность быстро
понять и запомнить или, наоборот, вспомнить; для компьютерных знаний средства доступа к знаниям.
105
3. Лаконичность.
Лаконичность
позволяет
быстро
осваивать
и
перерабатывать знания и повышает "коэффициент полезного содержания".
В данный список лаконичность была добавлена из-за всем известной
проблемы шума и мусорных документов, характерной именно для
компьютерной информации - Internet и электронного документооборота.
4. Непротиворечивость. Знания не должны противоречить друг другу.
5. Процедуры обработки. Знания нужны для того, чтобы их использовать.
Одно из главных свойств знаний - возможность их передачи другим и
способность делать выводы на их основе.
Для этого должны существовать процедуры обработки знаний.
Способность делать выводы означает для машины наличие процедур
обработки и вывода и подготовленность структур данных для такой
обработки, т.е. наличие специальных форматов знаний.
Процессы управления в менеджменте рассматриваются как работа
с информационными потоками. У информационных потоков имеются
определенные характеристики:
• временные границы (интервалы времени) передачи и обеспечение
необходимого объема информации к установленному времени;
• соответствие и релевантность требованиям конкретных групп
пользователей (высшее руководство, руководители среднего звена,
рядовые сотрудники);
• объем.
Требования бизнеса к информации определены в методологии COBIT.
Чтобы
удовлетворять
бизнес
целям,
информация
должна
соответствовать определенным контрольным критериям.
COBIT определяет семь критериев, которым должна удовлетворять
информация:
•
Полезность.
Характеризует
информацию
как
значимую
и
релевантную, т. е. имеющую отношение к решаемой задаче, а также
106
получаемую своевременно, корректно, в согласованном и в удобном
виде.
• Эффективность. Характеризует получение информации посредством
оптимального (наиболее продуктивного и экономичного) использования
ресурсов.
• Конфиденциальность. Относится к защите важной информации от
несанкционированного раскрытия.
• Целостность. Связана с точностью и полнотой информации, а также
с ее обоснованностью в соответствии с бизнесцелями и ожиданиями.
• Доступность. Относится к наличию информации, когда она
необходима в бизнеспроцессе (в настоящий момент или в будущем), а
также касается обеспечения защиты необходимых ресурсов и связанных
с ними возможностей.
• Соответствие требованиям. Выражается в соответствии законам,
регулирующим
актам
и
условиям
контрактов,
для
которых
бизнеспроцесс является субъектом, то есть как внешним требованиям к
бизнесу, так и внутренним бизнесполитикам.
• Достоверность. Относится к обеспечению надлежащей информацией
руководства
для
управления
предприятием
и
обеспечения
корпоративного руководства.
Классификация видов данных
Какими могут быть данные?
Реляционные данные - это данные из реляционных баз (таблиц).
Многомерные данные - это данные, представленные в кубах OLAP.
Измерение (dimension) или ось - в многомерных данных - это собрание
данных одного и того же типа, что позволяет структурировать многомерную
базу данных.
107
По критерию постоянства своих значений в ходе решения задачи данные
могут быть:
• переменными;
• постоянными;
• условно-постоянными.
Переменные данные - это такие данные, которые изменяют свои значения в
процессе решения задачи.
Постоянные данные - это такие данные, которые сохраняют свои значения в
процессе
решения
задачи
(математические
константы,
координаты
неподвижных объектов) и не зависят от внешних факторов.
Условно-постоянные данные - это такие данные, которые могут иногда
изменять свои значения, но эти изменения не зависят от процесса решения
задачи, а определяются внешними факторами.
Сигнал — изменение физической величины, передающее информацию,
кодированную определённым способом.
Термин наиболее широко применяется в областях науки и техники, связанных
с обработкой и передачей информации, в кибернетике, электронике,
радиотехнике, технике связи и др.
Сигнал рассматривается как носитель информации.
Следует различать сигналы, поступающие от внешних устройств ландшафта
предприятия
(IIoT)
и
сигналы
межпроцессорного
взаимодействия
в
программировании.
В первом случае сигнал можно определить как функцию, описывающую
внешнюю физическую переменную по мере ее изменения во времени.
В
программных
системах
-
это
стандартизированные
сообщения,
отправляемые запущенной программе для запуска определенного поведения,
такого как завершение работы или обработка ошибок. Это ограниченная
форма межпроцессного взаимодействия.
Сигнал
в
этом
случае
является
асинхронное уведомление,
отправляемое процессу или определенному потоку внутри того же процесса
108
для уведомления его о событии. Обычно сигналы используются для
прерывания, приостановки или завершения процесса.
Сигнал вырабатывается, когда происходит определенное событие.
Сигнал можно определить как функцию, описывающую физическую
переменную по мере ее изменения во времени.
Аналоговые сигналы, такие как звук, шум, свет, тепло, представляют собой
большинство сигналов в природе. Изменения в этих сигналах являются
непрерывными с течением времени и их обработка называется обработкой
аналоговых сигналов. Путем выборки таких непрерывных сигналов через
повторяющиеся интервалы времени с использованием оборудования сбора
данных они могут быть преобразованы в дискретный формат, и обработка
цифрового (дискретного) сигнала выполняется названная цифровая
обработка сигналов. С другой стороны, дискретный сигнал имеет значения
только в определенные периоды времени.
Преимущества преобразования сигналов из аналоговой в дискретную
(цифровую) форму заключаются в том, что это позволяет избежать
ухудшения и повреждения сигналов. Знание типа сигнала, подлежащего
анализу, оказывает существенное влияние на выбранный тип аналитической
техники.
109
Детерминированный сигнал: если после подходящего числа измерений
сигнал может быть описан аналитическим выражением и его значения могут
быть предсказаны в любое время в прошлом и будущем, то он называется
детерминированным сигналом, таким как синусоида. Детерминированный
сигнал может быть классифицирован как периодический сигнал, если
изменение величины сигнала повторяется через регулярные промежутки
времени, а если нет, то он называется апериодическим сигналом.
Недетерминированные: недетерминированные или случайные сигналы не
могут быть описаны детерминированным математическим выражением, и
они
более сложны, чем
статистические
свойства,
детерминированные сигналы. Определяя их
случайные
сигналы
можно
разбить
на
стационарные и нестационарные части. Поэтому, если статистические
свойства случайного сигнала не меняются со временем, то его можно назвать
стационарным сигналом, иначе он называется нестационарным. При этом,
когда в системе начинает появляться неисправность, отслеживаемые сигналы
имеют тенденцию к нестационарности по своей природе. Поэтому для
анализа этого типа сигнала необходимо применить подходящую технику
обработки сигналов.
110
Классификация датчиков
Датчик — это устройство, которое обнаруживает изменения в окружающей
среде и передает сигналы о них на выходные каналы другой системы. Датчик
переводит физическое явление в измеряемое аналоговое напряжение (или
цифровой сигнал), преобразованное в доступную для чтения форму или
передаваемое для чтения и дальнейшей обработки.
В интеллектуальном мониторинге датчики играют ключевую роль,
обеспечивая сбор и анализ данных о состоянии оборудования или системы.
Датчики
представляют
собой
специальные
устройства,
которые
регистрируют физические величины, такие как температура, давление,
вибрация
и
другие
параметры,
в
режиме
реального
Одной
из
важных
особенностей
датчиков
в
мониторинге
является
их
способность
времени.
интеллектуальном
обнаруживать
аномалии
или
отклонения от нормы. Они могут обнаружить даже незначительные
изменения в параметрах оборудования, что позволяет оперативно реагировать
на потенциальные проблемы и предотвращать аварийные ситуации.
Микросхемы, содержащиеся в датчиках, собирают данные, и в случае
изменений передают их в операционный центр через систему связи. В центре
данные анализируются с целью определения их важности. При обнаружении
значимой
информации
централизованная
система
анализа
(специализированное программное обеспечение) оценивает изменения и
определяет необходимые действия для улучшения параметров.
Обнаружение неисправностей и их идентификация
Этот процесс представляет собой анализ собранных данных с целью
выявления нежелательных или запрещенных состояний. Ведется поиск,
чтобы определить, находится ли параметр в допустимых пределах или
имеются ли необычные отклонения. Основная цель заключается в
автоматическом обнаружении возникающих проблем и неисправностей, их
идентификации, определении местоположения и оценке степени серьезности.
Важно
отметить, что
для
этого процесса используются
передовые
111
технологии, включая алгоритмы машинного обучения и искусственные
нейронные сети. Эти методы позволяют системе самостоятельно извлекать
знания из исторических данных и совершенствовать свои навыки в
обнаружении
аномалий
и
прогнозировании
возможных
проблем.
В области надзора производственной системы выполняются три ключевые
процедуры, которые играют важную роль в решении проблем:
• Оценка собранной информации: происходит анализ собранных
данных для определения их значимости и соответствия заранее
установленным критериям.
• Диагностика изменений в данных: система определяет, являются
ли обнаруженные изменения предвестниками неисправностей или
критическими
сбоями.
Также
происходит
определение
местоположения этих изменений.
• Устранение сбоев и их первопричин: принимаются меры для
предотвращения повреждения и разрушения производственного
процесса.
Для обнаружения отказов в производственных системах необходимо
определить пределы отклонения для рассматриваемых переменных. Обычно
эти пределы устанавливаются как максимальные значения, которые могут
достигать эти переменные. Когда значения переменных достигают или
превышают эти пределы, можно сделать вывод о наличии аномалий или
отказа в системе.
Многие измеряемые сигналы демонстрируют колебания, которые могут
иметь гармоническую, стохастическую или комбинированную природу.
При наличии отказов в приводах, процессах или датчиках можно
применить методы обнаружения отказов, основанные на моделировании
сигналов. Путем использования специальных математических моделей
для
измерения
сигналов
можно
определить
характеристики,
соответствующие нормальному поведению.
112
Доверительная вероятность – это статистический показатель, который
используется для оценки уверенности в том, что выборочное значение
параметра попадает в определенный интервал. Она представляет собой
вероятность того, что истинное значение параметра находится внутри
доверительного интервала.
Доверительная вероятность обычно выражается в процентах и обозначается
символом (1 – α), где α – уровень значимости. Например, если доверительная
вероятность равна 0.95, то это означает, что с вероятностью 95% истинное
значение параметра будет находиться внутри доверительного интервала.
Доверительная вероятность является важным показателем при проведении
статистических исследований и оценке надежности полученных результатов.
Чем выше доверительная вероятность, тем больше уверенности в том, что
выборочное значение параметра является достоверным представителем
генеральной совокупности.
Определение доверительного интервала
Доверительный интервал – это интервал значений, в котором с определенной
вероятностью
находится
истинное
значение
параметра
генеральной
совокупности. Он используется для оценки неизвестного параметра на
основе выборочных данных.
Доверительный интервал обычно задается двумя значениями: нижней и
верхней границей. Нижняя граница представляет собой наименьшее
возможное значение параметра, а верхняя граница – наибольшее возможное
значение.
Доверительный интервал строится на основе выборки из генеральной
совокупности и уровня доверия. Уровень доверия обычно выражается в
процентах и указывает, с какой вероятностью истинное значение параметра
будет находиться внутри доверительного интервала.
Для построения доверительного интервала необходимо знать стандартное
отклонение выборки, размер выборки и выбранный уровень доверия. На
основе этих данных можно использовать различные статистические методы,
113
такие как t-распределение или нормальное распределение, для определения
границ интервала.
Доверительный интервал является важным инструментом статистического
анализа, так как позволяет оценить точность и надежность полученных
результатов. Чем шире доверительный интервал, тем меньше точность
оценки, но при этом увеличивается вероятность, что истинное значение
параметра находится внутри интервала.
Одна из ключевых проблем информатики - разработка, исследование и
реализация методов предназначенных для решения таких информационных
задач, для которых соответствующие алгоритмы не эффективны или
неизвестны. Эти методы составляют сердцевину математической теории
алгоритмов, кибернетики, информатики, а ныне искусственного интеллекта.
Результаты многочисленных исследований различных аспектов создания и
применения
технологий
ИИ
свидетельствуют,
что
применение
кибернетических разработок позволяет создавать системы и комплексы с
качественно новыми свойствами и функциональными возможностями.
Особенностью современного производства стал переход к информационным
технологиям. Информация является основным товаром на мировом рынке.
Все стадии производственного процесса по большей части сводятся к
получению и обработке информации.
Цифровое предприятие – модная тема прогрессивного человечества, вступающего
в Индустрию 4.0.
Впервые термин «цифровое предприятие» был изложен в книге Being Digital
директора MIT Media Lab Николаса Негропонте, которая вышла еще в 1996
году. Правда, подойти к практической реализации идеи цифрового
предприятия удалось только сейчас – благодаря развитию соответствующих
технологий. Появление цифровых предприятий логично приводит к
цифровой экономике
С огромными объемами данных, генерируемыми на современных предприятиях,
уже не справляются люди, но справляются машины. В свою очередь, машины
114
получают
возможность
взаимодействовать
между собой
в процессе
производства (промышленный интернет вещей), что позволяет сделать
многие процессы более эффективными, гибкими и рентабельными.
Главные цели цифровой трансформации — это повышение скорости принятия
решений,
увеличение
вариативности
процессов
в
зависимости
от
потребностей и особенностей клиента, снижение количества вовлеченных в
процесс сотрудников (то есть цепочек принятия решений и создания
стоимости).
Цифровая трансформация (англ. digital transformation,
это трансформация системы
моделей,
операций,
управления
продуктов,
путём
DT
или
DX)
пересмотра
маркетингового
—
стратегии,
подхода
и
целей,
обеспечиваемая принятием цифровых технологий. Все это делается на базе
соответствующей цифровой платформы и все вместе составляет так
называемую цифровую экосистему цифрового предприятия.
Под цифровой платформой понимается совокупность цифровых данных,
моделей
(логики,
информационно
алгоритмов)
и
инструментов
(методов,
и
технологически
интегрированных
автоматизированную
функциональную
систему,
в
средств),
единую
предназначенную
для
управления целевой предметной областью.
В исследовании «Искусственный интеллект и национальная безопасность»,
выполненном для конгресса США в 2019 году (Artifi cial Intelligence and
National Security - Congressional Research Service Report R45178 от 21.11.2019
года - AINS), утверждается, что главной причиной создания различных
систем военного назначения, обладающих ИИ, является необходимость
оперативной обработки структурированных и неструктурированных данных
огромных объемов (так называемых больших данных), обусловленная
постоянным расширением числа, номенклатуры и технических возможностей
современных средств добывания информации.
Последние 5 лет роль информации в системах управления предприятиями
значительно возросла.
115
В мире идет процесс тотальной «дигитизации» информации.
Возрастают и объемы обрабатываемых и анализируемых для принятия решения
данных.
Уменьшается
время
принятия
решений
необходимое
для
повышения
конкурентоспособности организации.
В существующих системах управления появился новый контур управления –
информационный.
Изменение парадигмы обработки данных:
от собрал→ запомнил → обработал к обработал → запомнил
116
Регуляризация и нормализация данных
Нормализация данных необходима для приведения числовых значений входных
данных к единой области изменения от -1 до 1 или от 0 до 1.
Нормализация выполняется, когда на различные входы нейронов подаются
данные разной размерности (например, давление, температура). При
нормировании размерности всех входных и выходных данных сводятся
воедино.
Нормализации осуществляется по следующей формуле:
Регуляризацией данных называется процесс, в ходе которого данные приводятся
к одинаковой размерности временной отметки, т.е. к минутам, часам, дням и т.д.
Регуляризацию
необходимо
проделывать
поскольку
зачастую
данные
представлены не в одной размерности времени.
Рассмотрим методы обработки реальных входных данных и их преобразования
для их последующий обработки
нейронной сетью (фильтрация выбросов,
регуляризация, заполнение пропусков NaN данными), оценка качества
полученной модели, и рассмотрения различных конструкций самой нейронной
117
сети, с целью выявления наиболее подходящих для использования в задачах
математического моделирования процессов химического производства.
NaN (англ. Not-a-Number, «не число»)
В процессе фильтрации выбросов, а также некорректного срабатывания
датчиков могут появляться появляются пропуски данных (Not-a-Number или
nan), которые для правильной работы алгоритмов анализа данных необходимо
заполнять (fill-nan).
Заполнение значений nan называется вменением. Покажем различные методы
вменения и оценим, какие из них лучше всего подходят для этих реальных
данных.
Заполнение пропусков во временных рядах будем проводить по следующим
методам:
Для данного исследования лучшие результаты по скорости вменения и
последующей обработки получились при заполнении nan значений с
помощью линейной интерполяции.
118
Робастность —
это
свойство
статистического
метода,
характеризующее независимость влияния на результат исследования различного
рода выбросов, устойчивость к помехам.
Робастный метод — это метод, направленный на выявление выбросов,
снижение их влияния или исключение их из выборки.
На практике наличие в выборках даже небольшого числа резко выделяющихся
наблюдений (выбросов) способно сильно повлиять на результат исследования.
Для исключения влияния таких помех используются различные подходы для
снижения влияния «плохих» наблюдений (выбросов) либо полного их
исключения.
Оценка выбросов производится на основе реальных данных, полученных на
предприятии на установке по производству стирола с целью дальнейшего
прогнозирования параметра расхода нефтехимического продукта. Для решения
этой задачи использованы Метод главных компонент
и Метод опорных
векторов, которые чаще всего применяемые в таких случаях.
На следующем слайде можно увидеть графики параметров, на которых видно,
что применение этого метода позволило устранить как глобальные, так и
локальные выбросы.
119
Фильтрация данных от выбросов
120
Метод опорных векторов (SVM)
Это линейный алгоритм, используемый в задачах классификации и
регрессии.
Суть работы SVM заключается в следующем:
• Алгоритм ищет точки на графике, которые расположены
непосредственно к линии разделения ближе всего. Эти точки
называются опорными векторами.
• Затем алгоритм вычисляет расстояние между опорными векторами
и разделяющей плоскостью (зазор).
• Цель алгоритма — максимизировать расстояние зазора.
• Лучшей гиперплоскостью считается такая гиперплоскость, для
которой этот зазор является максимально большим.
Если выбросы мешают правильной классификации линейной выборки применяется фильтрация выбросов. Для этого из выборки удаляется
небольшая доля объектов, имеющих наибольшую величину ошибки. После
этого задача решается заново по усечённой выборке.
121
6.1. Предиктивная аналитика
Предиктивная или предсказательная аналитика (Predictive analytics) это множество методов статистики, анализа данных и теории игр, которые
используются для анализа текущих и исторических данных/событий для
прогноза данных/событий в будущем.
Центральной же сущностью предиктивной аналитики является задача
определение предиктора или нескольких предикторов (параметров или
сущностей, которые влияют на прогнозируемое событие). Множество этих
предикторов
образует
модель
предиктивной
аналитики,
которая
предсказывает определенное событие в будущем с какой-то степенью
вероятности. Например, страховые компании выделяю такие предикторы, как
возраст, стаж вождения при определении страховой премии. Множество этих
предикторов
образует
модель
предиктивной
аналитики,
которая
предсказывает определенное событие в будущем с какой-то степенью
вероятности.
122
Аналитики Gartner полагают, что дальнейшее развитие мирового рынка
бизнес-анализа пойдет по пути активного освоения advanced (продвинутой)
аналитики, в том числе предикативного анализа, построения симуляторов и
вариативных моделей. Возможность к построению таких моделей в 2013 году
в Gartner назвали 15 обязательным блоком корпоративных BI-платформ.
средства предикативной аналитики адресованы специалистам, поэтому не
применяются столь широко.
По данным Gartner за 2012 год, только 13% пользователей BI широко
задействуют средства предикативного анализа. Менее 3% используют такие
методы как математическое моделирование, симуляторы и оптимизацию.
Эксперты считают, что не стоит ждать массовых внедрений в этой области,
но тренд будет постепенно меняться. Причина тому – появление
феномена больших данных, который подталкивает организации к поиску
новых средств обработки информации. В Gartner считают, что те компании,
которые будут применять продвинутую аналитику к большим данным, будут
расти на 20% быстрее конкурентов.
Родственным по отношению к предиктивной аналитике является понятие
Data Mining, так как предиктивная аналитика использует частично подобные
методы. Data Mining (добыча данных, интеллектуальный анализ данных,
глубинный анализ данных) — собирательное название, используемое для
обозначения
совокупности
методов
обнаружения
неизвестных,
нетривиальных,
практически
полезных
в данных ранее
и
доступных
интерпретации знаний, необходимых для принятия решений в различных
сферах человеческой деятельности.
Основу методов Data Mining составляют методы классификации,
моделирования
и
прогнозирования,
основанные
на
применении искусственных нейронных сетей, нечёткой логики, деревьев
решений, эволюционного программирования, ассоциативной памяти.
К
методам
Data
Mining
методы (корреляционный, регрессионный,
относят
также статистические
факторный, дисперсионный
123
компонентный, дискриминантный анализы, анализ временных рядов и др.).
Такие
методы,
однако,
предполагают
априорные
представления
об
анализируемых данных, что расходится с целями Data Mining (обнаружение
ранее неизвестных нетривиальных и практически полезных знаний).
Одно из важнейших назначений методов Data Mining состоит в наглядном
представлении результатов вычислений (визуализация), что позволяет
использовать
инструментарий
Data
Mining
людьми,
не
имеющими
специальной математической подготовки. В то же время, применение
статистических методов анализа данных требует хорошего владения теорией
вероятностей и математической статистикой.
Аналитики Gartner полагают, что дальнейшее развитие мирового рынка
бизнес-анализа пойдет по пути активного освоения advanced (продвинутой)
аналитики, в том числе предиктивного анализа, построения симуляторов и
вариативных моделей. Возможность к построению таких моделей в Gartner
назвали обязательным блоком корпоративных BI-платформ.
Аналитика класса advanced использует статистику, описательные и
предиктивные инструменты Data Mining, симуляторы и оптимизационные
средства. Конечная цель применения всех этих инструментов – принятие
решений, решение бизнес-задач и идентификация возможностей для
составления наилучших прогнозов, выявления процессов, паттернов и
прочих закономерностей.
Чтобы предиктивный анализ был успешным рекомендуется следовать
следующим стадиям: постановка цели, получение данных из различных
источников, подготовка данных, создание предиктивной модели, оценка
модели, внедрение модели, мониторинг эффективности модели.
Предиктивная аналитика на производстве может включать в себя решение
следующих основных задач:

анализ и прогнозирование влияния технологических факторов на
параметры выпускаемой продукции;
124

прогнозирование отказов оборудования - переход от обслуживания по
регламенту к обслуживанию по состоянию

прогнозирование производства продукции и потребления энергии и
ресурсов

онлайн упреждающие оповещения о будущих внештатных ситуациях
Для промышленных предприятий, где требуется обработка и понимание
огромного количества данных и есть высокие риски при принятии решений,
предсказательная аналитика имеет особое значение.
Данные о протекании технологического процесса не всегда используются
эффективно, в то время как их можно использовать для оптимизации
операционных процессов и повышения технико-экономических показателей
производства. Оптимизацию можно выполнить на любом типе производства
с серьезным уровнем автоматизации, организованным сбором и длительным
хранением информации. Для этого успешно применяются интеллектуальные
системы, которые могут проанализировать состояние технологического
процесса в реальном времени, спрогнозировать дальнейшее протекание
процесса, определить уровень оптимальности и, при необходимости,
изменить управляющие параметры или дать рекомендации диспетчеру. Для
решения данных задач с помощью средств машинного обучения создается
предиктивная математическая модель технологического процесса. Она
анализирует входные параметры, в реальном времени выдает прогноз
протекания процесса и предложения по его оптимизации. Эта модель может
объединяется с АСУТП, MES и ERP-системами предприятия.
Еще одна задача для предиктивных алгоритмов – это техническое
обслуживание и ремонт оборудования. В основном, предприятия используют
механизмы контроля, предоставленные производителями оборудования. Но
потенциал
этих
средств
ограничен,
поскольку
они
не
позволяют
проанализировать дополнительные факторы, влияющие на состояние
оборудования, и заранее спрогнозировать критическую ситуацию. Таким
образом,
сотрудники
отдела
технического
обслуживания
получают
125
множество данных, но не знают, как эти данные связаны между собой. В
итоге, как правило, реакция от ремонтных служб следует только после отказа
оборудования, что ведет за собой простои, и, следовательно, дополнительные
расходы. Прогнозная аналитика проводит непрерывный анализ больших
данных, выполняет визуализацию данных о состоянии оборудования на
текущий момент и прогнозирует сценарии возникновения его отказов. В
результате сокращаются внеплановые простои, оптимизируются работы и
уменьшается время техобслуживания, а управляющий персонал получает
углубленный анализ причин отказов оборудования.
Собирая
информацию
со
всего
ландшафта
предприятия
интеллектуальный мониторинг выдает агрегированную и по разному
обработанную информацию на все управленческие слои. На Оперативный "Что случилось" и "Где случилось" для принятия решения об восстановлении
работоспособности. На Тактический уровень - на основе анализа ресурсносервисной модели - какой сервис был нарушен. На верхний - возможные
потери
из-за нарушения
бизнес-процессов
организации
(Что
может
случиться) (рис).
126
Рис. Уровни предоставления информации для ЛПР.
6.2. Математические модели контролируемых процессов
Толковые словари определяют мониторинг по-разному, в зависимости
от предметной области. В общем случае, для зонтичных систем, под
мониторингом понимается не только процесс наблюдения и регистрации
параметров объекта, в сравнении с заданными критериями для вынесения
суждения как о состоянии отдельных элементов, составляющих ландшафт
объекта, так и об объекте в целом, на основании анализа характеризующих
его признаков. Мониторинг призван не только наблюдать за состоянием
объекта, но и прогнозировать изменения его состояния для определения и
предсказания момента отказа, как отдельных его элементов, так и перехода в
критическое состояние всего объекта, в том числе предупреждение
чрезвычайных ситуаций, ведущих к повреждению или разрушению объекта.
В этом случае целью мониторинга является предотвращение наступления
негативного события, а не простое информирование о случившейся аварии
или катастрофе. Поэтому прогнозирование состояния контролируемого
объекта играет важную роль в различных областях народного хозяйства.
К настоящему времени разработаны многие методы прогнозирования,
конечной задачей которых является предсказание будущих событий с той
или иной степенью надежности с целью использования этого прогноза при
принятии решений.
Практически
все
методы
прогнозирования,
кроме
экспертных,
основаны на использовании информации за предыдущие периоды времени.
Прогнозирование
временных
рядов
предусматривает
определение
прогнозного значения параметра преимущественно на основе прошлых и
текущих его значений, что позволяет выяснить основные взаимосвязи между
величинами и дать более надежный прогноз на будущее.
Большинство широко используемых методов для обнаружения и
локализации неисправностей устройств и/или систем (отклонений от их
штатного функционирования), основаны на использовании моделей.
127
В зависимости от целей моделирования применяются различные по
форме и структуре математические модели, но наиболее применяемыми
являются детерминированные, статистические и стохастические модели.
При построении моделей контролируемых динамических процессов,
практически всегда существует несоответствие между моделируемым и
реальным поведением за счет того, что не все эффекты поведения
моделируемой системы могут быть учтены, в целях упрощения нелинейные
процессы линеаризуются и т.д.
Детерминированные модели строятся на основе математически
выраженных закономерностей, описывающих физические процессы. Они
позволяют
однозначно
определять
значения
переменных,
которые
характеризуют свойства того или иного объекта.
Применение стохастических методов требуют разумного сочетания
сложности создаваемой модели с допустимыми упрощениями. Чрезвычайно
усложненная модель, учитывающая множество второстепенных факторов,
потребует большого объема вычислений при решении входящих в нее
уравнений. Слишком упрощенная модель может привести к значительным
погрешностям относительно реального процесса. Но в любом случае
необходимо
проводить
процессам.
Такая
проверки
проверка
адекватности
осуществляется
моделей
реальным
путем
сравнения
экспериментальных данных с результатами моделирования. При неполной
адекватности
значения
неточно
заданных
параметров
модели
корректируются. Стохастические модели строятся на основе вероятностных
представлений о процессах в объекте моделирования и позволяют
прогнозировать его поведение путем вычисления функций распределения
вероятностей, характеризующих исследуемые свойства объекта. Важнейшие
сферы применения стохастических моделей — моделирование больших
систем (агрегатов, технологических процессов, предприятий и т.д.).
Статистические модели строятся на основе экспериментальных
данных, выражающих системы соотношений, связывающих входные и
128
выходные параметры объекта. Вид этих соотношений, как правило, задается
априорно, а определению подлежат лишь значения некоторых параметров.
При построении статистических моделей необходимо применение аппарата
математической статистики, так как в результатах экспериментов могут
содержаться случайные ошибки. Для сложных процессов вид модели
зачастую неизвестен и тогда на помощь приходят нейронные сети,
позволяющие построить модель автоматически.
Стохастические
модели
строятся
на
основе
вероятностных
представлений о процессах в объекте моделирования и позволяют
прогнозировать его поведение путем вычисления функций распределения
вероятностей, характеризующих исследуемые свойства объекта. Важнейшие
сферы применения стохастических моделей — моделирование больших
систем (агрегатов, технологических процессов, предприятий и т.д.).
Для
моделирования
и
прогнозирования
производственных
технологических процессов, наряду методами математической статистики
используют подходы и методы теории катастроф, теории хаоса и теории
нелинейных динамических систем.
Теория катастроф включает в себя, в частности, теорию бифуркаций
дифференциальных уравнений описывающих поведение динамических
систем. «Катастрофа» в данном случае означает резкое качественное
изменение изучаемого объекта при плавном количественном изменении
параметров, от которых он зависит. Одной из главных задач теории
катастроф
является
получение
так
называемой
нормальной
формы
исследуемого объекта (дифференциального уравнения или отображения) в
окрестности
«точки
катастрофы»
и
построенная
на
этой
основе
классификация объектов.
Теория нелинейных динамических систем
систем, обладающих состоянием,
и описывает
формализует поведение
динамику некоторого
процесса перехода системы из одного состояния в другое. При этом
изучается совокупность всех допустимых состояний динамической системы.
129
Динамическая система характеризуется своим начальным состоянием и
законом, по которому система переходит из начального состояния в другое.
Для исследования сложных нелинейных систем с обратной связью
возможно применение методов, основанных на теории детерминированного
хаоса. Теория хаоса рассматривает сложные системы, сильно зависимые от
начальных условий, в которых небольшие изменения в параметрах могут
привести к непредсказуемым последствиям. Детерминированный хаос
отличается от обычного хаоса тем, что повторив еще раз начальное
состояние, в силу детерминированности мы вновь воспроизведем ту же
самую траекторию независимо от степени ее сложности.
В
частности,
детерминированный
хаос
предлагает
объяснение
нерегулярного поведения и аномалий в системах, которые не являются
стохастическими.
Теория
хаоса
(хаотическая
динамика)
предлагает
совершенно новые концепции и алгоритмы для анализа временных рядов,
которые позволяют получить более полное понимание природы сигналов.
Эта теория представляет широкий выбор методов, включая восстановление
аттрактора в лаговом фазовом пространстве и вычисление
показателей
Ляпунова для определения длины предсказания. Показатель Ляпунова
динамической системы - величина, характеризующая скорость удаления друг
от друга траекторий. Положительность показателя Ляпунова говорит о
хаотическом поведении системы. Особенностью хаотических колебаний
является их высокая чувствительность к изменениям начальных условий.
Диагностировать, находится ли динамическая система в хаотическом
состоянии или нет позволяет определение скорости разбегания траекторий,
которая оценивается показателе Ляпунова.
130
6.2. Интеллектуальный мониторинг и управление рисками
промышленной безопасности предприятий
Роль риска в деятельности предприятий очень велика. Особенно это
касается особо опасных технических объектов, работа которых связана с
возможностью нанесения ущерба экологии, материальным и человеческим
потерям. Необходимость управления рисками сегодня представляет собой
сложную актуальную проблему в связи с отсутствием целостной теории
управления риском, а также неоднозначностью использования различных
методов оценки риска при построении системы риск-менеджмента.
Риск
находится
в прямой
зависимости
от
объективности
и
обоснованности принимаемых управленческих решений. При этом рискменеджмент — сравнительно новое направление в экономической науке.
Риск-ориентированный
подход
представляет
собой
анализ
и
прогнозирование опасностей промышленных аварий, оценку риска и
возможных масштабов последствий аварий на опасных производственных
объектах для оптимизации необходимых организационно-технических мер
предупреждения аварий, недопущения возникновения угроз крупных
промышленных
аварий
и
повышения
эффективности
обеспечения
промышленной безопасности на отдельном опасном производственном
объекте и (или) в системе поднадзорных объектов в целом. Этот подход
131
подразумевает, что при увеличении вероятности наступления аварийной
ситуации выше нормативного уровня, дальнейшая эксплуатация объекта
должна быть прекращена. Оценивать эти риски необходимо на основании
ряда критериев.
Для оценки обобщенного состояния промышленной безопасности
предлагается
выявить
наиболее
критичные
элементы
опасных
производственных объектов (ОПО), с использованием системы мониторинга
собирать параметры, с помощью которых можно оценивать состояние
наиболее критичных систем и элементов, оценивать отклонение этих
параметров от номинальных значений и, если необходимо, уточнять
вероятности наступления аварийных ситуаций и по их оценке принимать
решения об инспекции, применении мер воздействия или продолжении
работы ОПО.
Основным показателем опасности на ОПО является риск аварий,
который учитывает вероятностный характер превращения аварийной
опасности на ОПО в непосредственную угрозу возникновения аварии с
последующим возможным причинением вреда людским, материальным и
природным ресурсам. Количественной мерой вреда является ущерб от аварии
(в натуральных или стоимостных единицах).
Риски, связанные с надежностью работы оборудования, составляющего
технологическую
цепочку
ОПО,
называются
техническими
рисками.
Наблюдение и оценка подобных рисков приобретает особую значимость на
этапе эксплуатации ОПО, так как они существенно зависят от качества
обслуживания (ремонта) оборудования, применяемых расходных материалов
и
катализаторов
и
физико-химических
свойств
добываемого/обрабатываемого сырья, которые могут изменяться с течением
времени. Кроме того оборудование (технические устройства) в процессе
эксплуатации
подвергается
механическому
износу,
воздействию
окружающей среды и агрессивных обрабатываемых материалов (коррозия,
эрозия и др.), что может сказываться на надежности их работы.
132
Таким образом, технические риски отказа устройств, составляющих
технологическую цепочку, и риски отказа технологического процесса в
целом
представляют
угрозу
промышленной
безопасности
опасных
производственных объектов и существенно влияют на общую, обобщенную
оценку состояния промышленной безопасности опасных производственных
объектов. Реализация таких рисков чревата возникновением аварий, опасных
инцидентов и происшествий на предприятиях нефтегазового комплекса. При
анализе общего риска аварий на опасных производственных объектах
необходимо
учитывать
технические
риски.
При
этом
при
расчете
технического риска целесообразно руководствоваться теорией надежности.
В случаях, когда технологический процесс в целом или его часть
представляет из себя сложный многофакторный механизм, не позволяющий в
явном
виде
выделить
влияние
отдельных
ТУ
на
промышленную
безопасность ОПО в целом, целесообразно воспользоваться интегральным
методом оценки промышленной безопасности ОПО. В основе этого метода
лежит классификация событий ПБ в технологическом процессе ОПО.
Классификации подлежат все события в технологическом процессе
влияющие на состояние ПБ, в том числе и события связанные с отклонением
его измеряемых параметров от установленных значений и не приводящие к
его немедленной блокировке.
Система мониторинга СДК ПБ должна собирать и фиксировать все случаи
отклонения отобранных параметров работы ОПО от установленных значений
и
продолжительность
указанных
нарушений.
Отбор
параметров
технологического процесса, влияющих на состояние ПБ на ОПО, и их
отнесение к той или иной группе в классификации следует производить с
привлечением экспертной группы специалистов.
Повышение требований к необходимости адаптации к внешним
возмущающим воздействиям, сохранению работоспособности в условиях
неопределенности, а также прогноз возможного развития событий.
В этой
связи приоритетными технологиями Четвертой промышленной революции,
133
ориентированными
на
развитие
промышленности
и
обеспечение
промышленной безопасности, являются технологии,
обработкой
и
выявлением
структурированных
полностью
и
закономерностей
неструктурированных
автоматизированное
цифровое
в
связанные с
больших
данных,
объемах
переходом
производство,
на
управляемое
интеллектуальными системами в режиме реального времени. Особое
значение в системах управления опасным промышленным производством,
связанном с возможностью взрывов, гибелью людей и загрязнением
окружающей среды, приобретает контроль состояния его промышленной
безопасности. Этот процесс сводится к наблюдению и регистрации
параметров объекта контроля, сравнении с заданными критериями для
вынесения суждения как о состоянии отдельных элементов, составляющих
ландшафт объекта, так и об объекте в целом, на основании анализа
характеризующих
его
признаков.
Системы
управления
должны
прогнозировать изменения его состояния для определения и предсказания
момента отказа, как отдельных его элементов, так и перехода в критическое
состояние всего объекта, в том числе предупреждение чрезвычайных
ситуаций, ведущих к повреждению или разрушению объекта. В этой связи
точность прогноза развития ситуации, предупреждение о возможном
наступлении аварийной ситуации, является очень важным.
6.4. Математическая модель прогноза изменения показателя
риска промышленной безопасности предприятия
По мере развития экономики усложняются как объекты, так и задачи
управления,
что
приводит
к
изменению
технологий
управления.
Современные системы управления должны обеспечивать совместную
взаимосогласованную
работу
множества
связанных
гетерогенных
технических объектов. Промышленный интернет вещей (IndustrialInternet of
Things, IIoT), который используется на промышленных предприятиях,
позволяет собирать с датчиков большие объемы как структурируемой, так и
134
слабо структурированной информации, что позволяет получать, после ее
обработки и анализа, объективную оценку состояния производства,
промышленной безопасности и бизнес процессов [55-57].
Классические
методы теории
управления
создавались
в
предположении, что модели объекта с необходимой точностью описывают
его состояние и поведение. Однако в условиях увеличения объемов
собираемых данных, увеличения в них неструктурированной информации и
воздействия внешней среды, неизбежны отклонения от этого положения. Это
создает неопределенности
в моделях описания объекта, затрудняет
управление им и приводит к необходимости перехода к интеллектуальному
управлению, поскольку традиционные технологии не в состоянии обеспечить
требуемого повышения качества управления, так как не учитывают всех
неопределенностей, воздействующих на систему.
Кроме того, современные промышленные системы предъявляют
повышенные требования к системам управления. К этим требованиям можно
отнести, например, обеспечение автоматической настройки на изменение
параметров объекта управления и внешних возмущающих воздействий,
сохранение работоспособности в условиях неопределенности,
прогноз
возможного развития событий, а также другие требования, в зависимости от
особенностей предметной области производства и пожеланий заказчика.
Основой интеллектуального управления являются интеллектуальные
системы и интеллектуальные технологии, предполагающие переход на
полностью
автоматизированное
цифровое
производство,
управляемое
интеллектуальными системами в режиме реального времени.
В такой постановке, интеллектуальные системы управления с помощью
мониторинга предприятия, собирая и анализируя данные, получаемые от
IIoT,
должны
осуществлять
наблюдение,
регистрацию
и
сравнение
полученных параметров объекта с заданными критериями для определения
состояния как элементов, составляющих ландшафт объекта, так и об объекте
в целом. Таким образом, системы интеллектуального управления с помощью
135
дескриптивной аналитики должны отвечать на вопрос "Что случилось" и, с
помощью диагностической аналитики, определять причину нарушения. Для
особо опасных производственных объектов, нарушение функционирования
которых может привести к серьезным последствиям в виде взрывов, гибели
людей и нарушению экологии, системы интеллектуального управления
должны прогнозировать риск изменения состояния объекта для определения
и предсказания момента отказа, как отдельных его элементов, так и перехода
в критическое состояние всего объекта, в том числе предупреждать о
чрезвычайных ситуациях, ведущих к повреждению или разрушению объекта.
В этом случае целью предиктивной (предсказательной) аналитики системы
управления является ответ на вопрос "Что может случиться", для
предотвращения
наступления
негативного
события,
а
не
простое
информирование о случившейся аварии или катастрофе. Иными словами
системы интеллектуального управления должны проводить оценку риска
производственной безопасности предприятия. Под риском будем понимать
вероятность наступления события, которое может оказать отрицательное
воздействие на достижение поставленных целей и повлечь за собой
наступление ущерба.
Необходимость управления рисками представляет собой сложную
актуальную проблему в связи с отсутствием целостной теории управления
рисками, а также неоднозначностью использования различных методов
оценки риска при построении системы риск-менеджмента.
Поэтому разработка методов и средств оценки и прогнозирования
рисков производственной безопасности является актуальной и представляет
как научный, так и большой практический интерес.
С точки зрения математики, любая динамическая система, что бы она
ни моделировала, описывает движение точки в фазовом пространстве.
Фазовое пространство - пространство, на котором представлено
множество всех состояний системы, так, что каждому возможному
состоянию системы соответствует точка фазового пространства.
136
Сущность понятия фазового пространства заключается в том, что
состояние сколь угодно сложной системы представляется в нём одной
единственной точкой, а эволюция этой системы — перемещением этой точки
– фазовой траекторией.
Фазовая траектория. Изменение состояния системы отображается на
фазовой плоскости движением этой точки. След от движения изображающей
точки называется фазовой траекторией. Через каждую точку фазовой
плоскости проходит лишь одна фазовая траектория, за исключением особых
точек. Стрелками на фазовых траекториях показывается перемещение
изображающей точки с течением времени. Полная совокупность различных
фазовых траекторий — это фазовый портрет. Он даёт представление о
совокупности всех возможных состояний системы и типах возможных
движений в ней.
Т.е.
Фазовая
траектория
–
совокупность
последовательных
положений системы в фазовом пространстве.
Полная совокупность различных фазовых траекторий — это фазовый
портрет. Он даёт представление о совокупности всех возможных состояний
системы и типах возможных движений в ней.
С математической и вычислительной точек зрения, не так уж и важно,
что
это
за
величины
–
характеристики,
определяющие
состояние
телекоммуникационной системы, центров обработки данных, инженерных
систем, систем обеспечения безопасности промышленных объектов и т.д.
Важнейшей
характеристикой
этого
пространства
является
его
размерность, или, число величин, которые необходимо задать для
определения состояния системы. Причем для сложных систем (крупных
предприятий) размерность может составлять такое количество оцениваемых
элементов (107-108, например), что сделает задачу анализа состояния системы
в реальном масштабе времени нереализуемой т.к. время на ее решение может
превысить любые директивные сроки.
137
Если считать, что точка, двигаясь в фазовом пространстве, оставляет за
собой след, то динамическому хаосу будет соответствовать клубок
траекторий, в котором можно выделить русла. Русла – поведение системы с
устраивающей
для
практического
использования
точностью
могут
определяется лишь несколькими значимыми переменными, при этом, в
первом приближении, всеми остальными переменными можно пренебречь.
Таким образом, для определения русла нужно знать не все множество
параметров системы, а лишь несколько (несколько десятков) значимых. В
этой связи важной практической задачей является снижение размерности
фазового пространства путем определение этих значимых параметров для
снижения требований к обрабатывающим вычислительным мощностям.
Исходя из наличия или отсутствия потери энергии динамические
системы различают на: диссипативные, в которых внутренняя энергия
системы с течением времени убывает за счет диссипации (рассеяния),
переходя в другие виды энергии, например в теплоту или излучение, и
консервативные или гамильтоновы, в которых эта энергия остается
неизменной.
В теории хаоса основным объектом изучения являются хаотические
динамические
системы.
Такие
системы
имеют
долговременное
апериодическое поведение, то есть отсутствие каких-либо периодических
орбит и демонстрируют высокую чувствительность к начальным данным.
Последнее означает, что малейшая неточность начального состояния
системы с течением времени стремительно возрастает, что приводит к
необратимым последствиям. Хаотические системы в большинстве случаев
являются диссипативными.
(Пример. Прогноз погоды — это решение системы дифференциальных уравнений.
Точность результата, то есть точность решения этих уравнений, зависит от
начальных данных. Теоретически прогнозировать погоду по дням в деталях можно на две
недели, а практически, на современном уровне развития науки, — на 5-7 дней.
Теоретическая минимальная ошибка начальных данных ведет к тому, что через две
138
недели решение задачи перестает зависеть от этих самых начальных данных.
Поскольку атмосфера — это хаотическая система с хорошо выраженной диссипацией).
В диссипативных системах вследствие диссипации имеет место сжатие
фазового пространства. Эта принципиальное отличие проявляется в том, что
в фазовом пространстве диссипативных систем появляются притягивающие
множества, которые не существуют в гамильтоновых
системах —
аттракторы.
Аттрактор (attract — привлекать, притягивать)— множество точек в
фазовом пространстве динамической системы, к которым стремятся
траектории системы. Если траектория прошла достаточно близко к
аттрактору, то со временем она уже не покинет окрестность аттрактора и
даже будет подходить к нему всё ближе и ближе, то есть будет наблюдаться
эффект притяжения к аттрактору.
Простейшим случаем аттрактора является точка. Аттракторами могут
быть кривые, гладкие, а также произвольные сложные подмножества точек
фазового пространства, в том числе фрактальные множества. В последнем
случае аттракторы изучаются в теории динамических систем.
Аттракторами часто называют режим движения, к которому стремится
со временем эволюция динамической системы.
Для установившихся колебаний, соответствующих динамическому хаосу, Д.
Рюэль и Ф. Такенс в 1971 г. предложили название - странный аттрактор.
Термин ”странный“ говорит о наличии у таких аттракторов необычных
свойств. Наиболее важным из которых является высокая чувствительность к
сколь угодно малым изменениям начальных данных, которые впоследствии
приводят к значительному отклонению тpаектоpии относительно своего
невозмущенного положения. Кроме того, это расхождение возрастает со
временем экспоненциально. Нелинейность приводит к существенной
зависимости
от
начальных
данных
так,
что
малые
погрешности
экспоненциально растут в фазовом потоке и, начиная с некоторого момента
времени, будущее состояние системы становится лишь ограниченно
139
предсказуемым. Этот процесс чаще всего происходит в диссипативных
системах, траектории которых заполняют низкоразмерное притягивающее
подмножество — аттрактор в фазовом пространстве. На аттракторе
траектории разбегаются в неустойчивых направлениях и сжимаются в
устойчивых. Вследствие диссипации сжатие преобладает и в устойчивых
направлениях аттрактор копирует сам себя: сечение фазового потока
приобретает самоподобную структуру канторова множества с дробной
размерностью. Такой аттрактор называют странным или фрактальным. Таким
образом, термины «фрактал» в геометрии и «странный аттрактор» в
динамике оказываются синонимами.
Такие хаотические аттракторы соответствуют движению, которое
предсказать практически невозможно. Ярким примером является аттрактор
Лоренца.
Наблюдения Лоренца позволяют сделать два неожиданных вывода.
Первый – там, где все, казалось бы, предопределено, неожиданно
возникает хаос.
Второй вывод – в этом хаосе, оказывается, спрятан порядок.
Неожиданный, странный, плохо понятный, представляющий собой "тонкую
структуру, таящуюся в беспорядочном потоке информации», но тем более
интересный.
Аттрактор Лоренца не решает проблемы предсказания, но уже само его
существование достойно изучения.
140
Странный аттрактор – конечное состояние открытой системы,
характеризующееся динамическим хаосом.
Хаотическая составляющая
(энтропия) системы в таком состоянии существенно выше по сравнению с
обычным аттрактором.
Аттрактором может быть точка, конечное множество точек, кривая,
или
даже
сложное
множество
как странный
аттрактор. Если
аттрактором
является
с фрактальной
структурой, известная
переменная
является скалярной,
подмножеством
действительной
то
числовой
линии. Описание аттракторов хаотических динамических систем было одним
из достижений теории хаоса.
При построении математической модели поведения анализируемой
системы принципиально важным является учёт множества дискретных
состояний контролируемого оборудования. В ряде случаев, при сложных
территориально-разнесенных системах, возникает необходимость учета в
модели влияния аномальных факторов, таких, например, как возникновение
какого-либо нештатного состояния – аварии на локальном участке, износ
элементов системы, политико-экологические и финансовые риски и т.п.
Учет всех этих факторов, положенных в основу разрабатываемой
математической модели, с учетом оценки предыстории состояния, может
привести (а на практике такое случалось) к формированию модели
размерностью порядка 108 оцениваемых элементов. Такая размерность
приводит к невозможности «лобового» подхода к решению задачи
наблюдения (мониторинга) с помощью такой модели с учетом всех факторов,
поскольку либо потребует для вычислений очень дорогих суперЭВМ, либо
время на ее решение превзойдет все мыслимые границы.
Поэтому задача поиска путей сокращения размерности для решения
задач
подобной
сложности
и
размерности
является
исключительно
актуальной и представляет как научный, так и практический интерес.
141
6.5. Оценка качества прогноза
По оценкам некоторых ученых, известно более 200 методов
прогнозирования. Базовых в их числе значительно меньше, многие из
методов
скорее
относятся
к
отдельным
способам
и
процедурам
прогнозирования либо представляют собой набор отдельных приемов,
отличающихся от базовых методов количеством частных приемов и
последовательностью их применения. Под методом прогнозирования
понимают совокупность приемов и способов, позволяющих на основе
анализа ретроспективных данных, экзогенных (внешних) и эндогенных
(внутренних) связей объекта прогнозирования, а также их измерения в
рамках
рассматриваемого
явления
или
процесса
вывести
суждения
определенной достоверности относительно будущего развития объекта [61].
Интегральный показатель риска.
Доверительным называется интервал,
в
который
попадают
измеренные в эксперименте значения, соответствующие доверительной
вероятности. Вероятность, с которой в условиях данного эксперимента
полученные
экспериментальные
данные
можно
считать
надежными (достоверными), называют доверительной вероятностью или
надежностью.
Интегральный показатель риска - это динамически меняющаяся
величина, математическая модель которой описывается временным рядом
переменной:
с регрессионной зависимостью текущих значений от ретроспективных.
Для оценки динамики интегрального показателя риска решается задача
анализа
и
прогнозирования
временного
ряда,
предоставляющего
информацию для предотвращения возникновения нештатных ситуаций на
опасных производственных объектах. Данный процесс позволяет построить
доверительные
интервалы
для
допущения
отклонений
полученных
142
фактических значений рассматриваемой оценки в пределах минимальных
и/или максимальных расчетных. Задача прогнозирования состоит в поиске
функции такой что:
где i=1,N, h∈{1,2,...,H}-горизонт прогнозирования. Выбор функции
определяется путем минимизации функционала:
Для того, чтобы оценить качество прогноза, построенного по
выбранной модели, временной ряд
yt разбивается на две выборки:
обучающая xt объема m и тестовая zt объема l. На первой части строится
авторегрессионная модель и прогноз xt и zt.
С помощью второй сравнивается полученный прогноз с реальными
значениями ряда.
Рассмотрим критерии оценки полученных прогнозных значений:
Расстояние Кульбака-Лейблера (Kullback–Leibler divergence, KL)
является мерой расстояния между двумя вероятностными распределениями
Если KL=0, то это указывает на то, что оба рассматриваемых
распределения идентичны.
Среднеквадратическая ошибка (mean squared error, MSE) вычисляет
среднее из квадратов ошибок:
143
Среднеквадратическая ошибка прогноза помогает выбрать модель,
которая дает меньше грубых ошибок прогноза. Чем оценка меньше, тем
модель лучше;
Коэффициент детерминации (R2) характеризует, насколько хорошо
наблюдаемые результаты воспроизводятся моделью, на основе доли общего
отклонения результатов, объясненной моделью:
где SSR – сумма квадратов регрессионных остатков, а SST – общая
дисперсия;
Коэффициент детерминации для модели принимает значения от 0 до 1:
чем ближе значение коэффициента к 1, тем сильнее зависимость. Для
приемлемых моделей предполагается, что R2 должен быть хотя бы не
меньше 0,5. В общем случае коэффициент детерминации может быть и
отрицательным, это говорит о крайней неадекватности модели.
Средняя абсолютная процентная ошибка (mean absolute percentage error,
MAPE) обычно используется как функция потерь для задач регрессии.
Оценка показывает, какой процент составляет ошибка прогноза:
Средняя абсолютная ошибка (mean absolute error, MAE) – это среднее
абсолютных
ошибок.
Получает
некоторую
оценку
расстояния
от
фактических до расчетных значений
Чем значение MAE меньше, тем модель лучше.
144
Для иллюстрации работоспособности рассмотренных ранее метрик
оценки качества прогноза показателя интегрального риска рассмотрим три
временных ряда: валидационную выборку, удачный и неудачный прогнозы.
145
Оценка прогноза отрицательная.
6.6. Анализ нейронных сетей для прогнозирования временных
рядов при оценке рисков промышленной безопасности
При анализе временных рядов главной задачей является реконструкция
породившей этот ряд динамической системы. Многослойные нейронные сети
выполняют операции, которые сильно напоминают проецирование: в них
вычисляется взвешенная сумма элементов временного ряда. Следовательно,
если требуемая проекция небольшой размерности существует, то нейронная
сеть может ее найти. Поэтому с помощью правильно сконструированных
нейронных сетей возможно делать предсказания в ситуациях, являющихся
сложными с точки зрения нелинейной динамики.
Особо опасные промышленные предприятия представляют собой
сложные гетерогенные системы, поведение которых проявляется в виде
хаотических последовательностей сигналов от датчиков, контролирующих
производственные процессы, представленных как временные рады. Теоремы
нелинейной динамики позволяют связать эти последовательности с
основными характеристиками динамической системы, такими как странный
аттрактор и фрактальная размерность системы.
Для решения этих систем целесообразно использовать нейронные сети,
с их методами обучения, и использовать методы нелинейной многомерной
оптимизации.
146
В
настоящее
время
известны
различные
методы
построения
искусственных нейронных сетей (ИНС): персептроны, сети с обратным
распространением ошибки, рекуррентные сети, сети Джордана, сети
Элмана,сети глубокого обучения и т.п. Каждая из них имеет свои
особенности работы и обучения.
Для оценки и сравнения результатов работы нейронных сетей, выбраны
ИНС, основанная на многослойной архитектуре и рекуррентная нейронная
сеть, основанная на подходе Long-Short-Term-Memory(LSTM). Основной
целью исследований в данной статье является прогноз будущих значений
временного ряда (любого), а также сравнение результатов работы нейронной
сети, основанной на многослойной архитектуре, и работы рекуррентной
нейронной сети, основанной на подходе LSTM [61].
Процедура
расчета
параметров
ИНС
–
это
задача
сложной
многомерной нелинейной оптимизации, для решения которой разработаны
ряд методов: алгоритм обратного распространения ошибки, обучение с
расписанием, обучение с шумом, стохастическая оптимизация (генетические
методы, метод имитации отжига) и др.
ИНС при своем формировании может содержать лишние элементы, и
при оптимизации архитектуры нейронной сети, её нейроны, веса и пороги
которые слабо меняются в процессе обучения, исключаются из сети.
В качестве примера приведены результаты обучения и оценка
прогнозирования многослойного персептрона (рис.А) и рекуррентной
нейронной сети (рис. В) на реальных данных.
Синим цветом обозначаются исходные данные, зеленым обученные,
черным 20% которые были отсечены от исходных данных и красным
спрогнозированные данные.
Из рисунка А видно, что динамика обученных данных достаточно
точно описывает исходные данные. Динамика спрогнозированных данных
соответствует тестовым.
147
Рис.А.
Коэффициенты
KL
и
R2
равны
0.1391
и
0.7934.
KL достаточно близок к 0, а KL достаточно близок к 0, а R2 к 1.Оценка
прогноза положительна.
Из рис.В. видно, что динамика обученных данных достаточно точно
совпадает с исходными, но при осуществлении прогнозирования видно,
прогноз не несет в себе никакой смысловой нагрузки.
В
результате
проведенных
экспериментов
выяснилось,
что
рекуррентные сети, которые в большинстве своем хорошо решают задачи
классификации, не целесообразно использовать для прогноза временных
рядов, поскольку в процессе работы рекуррентные НС могут переобучаться и
терять предыдущие настройки. Кроме того, время работы рекуррентных
нейронных сетей в задачах построения математической модели поведения
сложных
нелинейных
систем
слишком
велико
для
практического
использования.
148
Рис В. Коэффициенты KL и равны 0.8991 и R2=0.5734. Оценка
отрицательная.
Таким образом, экспериментально показано, что в качестве наиболее
эффективного средства анализа и прогноза данных для систем контроля
промышленной безопасности особо опасных производственных объектов
подходит многослойный персептрон.
Многослойный персептрон позволяет осуществлять обучение в почти
реальном масштабе времени, с возможностью эффективно настраивать
построенную на нем нейросеть, что, в результате, дает хорошую динамику
прогнозируемых данных.
7. Программная платформа "Феникс"
7.1. Доверенные программная платформа
Под
программной
платформой
будем
понимать
совокупность
программных решений и технологий, позволяющая осуществлять разработку
и/или производство программных продуктов в реальные сроки методом
настройки уже готовых решений и разработки дополнительных модулей,
реализующих необходимый Заказчику функционал.
Программная платформа "Феникс" (ПП «Феникс») представляет собой
149
доверенную систему комплексного оперативного мониторинга и управления
ИТ-инфраструктурой, сервисами и бизнес процессами предприятия в режиме
реального времени [62].
Термин «доверенных компьютерных система» появился
в стандарте
Министерства обороны США (Departmentof Defense Trusted Computer System
Evaluation Criteria, TCSEC, DoD 5200.28-STD, December 26, 1985), более
известным под именем «Оранжевая книга» ("OrangeBook") из-за цвета
обложки, который явился исходным материалом ряда руководящих
документов Гостехкомиссии РФ.
Можно
сформулировать
следующие
предпосылки
необходимости
перехода к доверенным системам:
 повышение
сложности
и
снижение
аудируемости
и
управляемости
современных систем;
 закрытость систем при их создании коммерческими разработчиками и
интеграторами; усложнение контроля за процессами в системе и их
конечным результатом;
 высокая стоимость владения, сопровождения и доработки для недоверенных
систем.
Предпосылками перехода к стратегии доверия явились:
 наличие апробированных методологий синтеза «доверенных систем из
недоверенных элементов»;
 повышение доли продуктов с открытым кодом;
 появление
математических
моделей
формализации
управленческой
деятельности и бизнес-процессов;
 развитие методологии оценки рисков.
 появление системы национальной и международной стандартизации и
сертификации.
Кроме
типовых
угроз
безопасности,
характерных
для
всех
автоматизированных систем, включающих нарушения свойств доступности,
150
конфиденциальности и целостности, для доверенных систем возникает ряд
специфических угроз, предопределяемых тем, что потенциально нарушаются
свойства доверия на некоторых этапах жизненного цикла доверенных систем.
Этапы
жизненного
цикла
включают:
проектирование,
разработку,
реализацию, эксплуатацию, модернизацию, развитие, вывод из эксплуатации.
Несоблюдение (нарушение) свойств доверия на этапах жизненного цикла
приводит к возможности нарушения указанных свойств защищенности
(доступности, конфиденциальности и целостности) на текущем или
следующем этапах жизненного цикла доверенной системы.
Для описания качественных и количественных свойств доверенных ИТС
предлагается рассматривать следующие термины.
Доверие – свойство системы, объективно, обоснованно и документально
выраженное основание того, что элемент системы (в терминах стандартов изделие ИТ, продукт ИТ, компонент ИТС, ИТС в целом) отвечает априорно
заданной (регламентациями высшего уровня) целевой функции на всем
протяжении своего жизненного цикла.
Доверенный компонент – компонент ИТС (продукт ИТ), обладающий
свойством доверия.
Доверенная среда – область существования и функционирования
доверенных компонент, в пределах которой предусматривается обеспечение
необходимых условий непрерывности их жизнедеятельности и поддержания
требуемого уровня доверия (изделия ИТ) на всем протяжении его
жизненного цикла.
Доверенная система – система, состоящая из доверенных компонент,
функционирующих в доверенной среде и реализующая доверенные процессы
(услуги).
Доверенная услуга (процесс) – процесс обработки, хранения и передачи
информации, обладающий свойством доверия.
Доверенный канал – средство взаимодействия между компонентами
системы, обладающее свойством доверия.
151
Доверенное проектирование – процесс создания проектной документации
и макетов доверенной системы с соблюдением свойств доверия.
Доверенное проектирование обеспечивается (достигается) соблюдением
точного соответствия проектной документации и макетов доверенной
системы ее целевой функции, учетом требований стандартов, экспертизой и
аудитом результатов доверенного проектирования.
Доверенная разработка – создание не существующих к окончанию
доверенного проектирования элементов доверенной системы с соблюдением
свойств доверия этих элементов. Доверенная разработка обеспечивается
(достигается) соблюдением точного соответствия создаваемых элементов их
описаниям в проектной документации и макетах доверенной системы,
учетом положений стандартов, нормативов и требований экспертизой и
аудитом результатов доверенной разработки.
Доверенная реализация – процесс объединение (интеграции) доверенных
элементов в доверенную систему, обеспечивающий реализацию ее целевой
функции и соблюдения свойств доверия.
Доверенная эксплуатация – эксплуатация доверенной системы с точным
соблюдением
ее
целевой
функции,
включающая
доверенное
администрирование и аудит доверенной системы.
Доверенное развитие – наращивание (изменение) функций доверенной
системы в соответствии с доверенным проектированием, доверенной
разработкой и доверенной реализацией этапа (цикла) развития доверенной
системы.
Доверенная модернизация – процесс изменения функций доверенной
системы в соответствии с доверенным проектированием, доверенной
разработкой и доверенной реализацией этапа (цикла) развития доверенной
системы, в том числе для устранения выявленных недоверенных элементов,
нарушений выполнения целевой функции и ошибок предыдущих этапов
жизненного цикла.
152
Доверенный вывод из эксплуатации – процесс вывода (снятия с
эксплуатации) доверенной системы, обеспечивающий соблюдение свойств
доверия для связанных с ней систем, систем, являющихся ее прототипами и
созданными на ее основе доверенных систем, а также всех выводимых из
эксплуатации элементов, включая и информационные массивы доверенной
системы.
Предлагается рассматривать три уровня доверия систем – минимальный,
оптимальный и высокий. Требования к доверенным системам включают семь
позиций требований к жизненному циклу и четыре позиции архитектурных
требований - к компонентам, услугам, каналу и интерфейсу [14].
Для минимального уровня доверия не предъявляются требования к
доверенному проектированию и доверенной разработке, в данном случае
система минимального уровня доверия может быть реализована по типовым
проектам из готовых компонент, это позволит удешевить процесс
проектирования. Далее, не предъявлены требования к доверенному развитию
и доверенному выводу из эксплуатации. Кроме того, к системам
минимального уровня доверия не предъявляются требования по реализации
доверенных услуг.
Для систем оптимального уровня доверия не предъявлено требований по
доверенному выводу из эксплуатации, остальные требования предъявляются.
всем позициям предъявлены более высокие требования, чем для систем
минимального уровня доверия.
Для систем высокого уровня доверия предъявлены дополнительные
требования
по
всем
позициям,
кроме
доверенной
эксплуатации
и
доверенного интерфейса.
При переходе к доверенным средам существенно снижаются системные
риски для систем национального масштаба. Плавно, поэтапно и эволюционно
повышаются текущие уровни надежности и доступности системы, для
которой усиливаются свойства доверия. Создаются высокие потенциалы для
собственной
технической
поддержки
и
развития,
снижаются
153
технологические
риски.
Снижается
совокупная
стоимость
владения
компонентами ИТ за счет уменьшения затрат на техническую поддержку и
модернизацию. Оптимизируется архитектура ИТ за счет консолидации
инфраструктуры вокруг доверенных компонент среды. Минимизируются
затраты
на
реализацию
подсистем
обеспечения
надежности
и
информационной безопасности за счет использования штатных средств
доверенных компонент и снижения затрат на сертификацию, аттестацию и
проверку корректности встраивания. Минимизируются затраты на систему
управления и повышается управляемость и мобильность ИТ.
Основными компонентами доверенной среды являются: доверенное
коммуникационное оборудование, доверенная среда передачи данных,
доверенные
вычислительные
комплексы
на
основе
доверенных
операционных сред, доверенные системы хранения, доверенная система
управления.
Таким образом, к современным доверенным ИТ предъявляются
следующие требования: доверенность на всех или большинстве этапов
жизненного цикла, нормативно-методическая обеспеченность процессов
жизненного цикла, высокая техническая надежность и доступность ресурсов
ИТ,
резервирование
и
катастрофоустойчивость,
удаленное
надежное
хранение данных. Расширяемость и масштабируемость с сохранением
свойств
доверия.
Стабильность
предоставления
сервисов,
изоляция
пользователей от данных, замкнутая индивидуальная среда. Аудит и
подконтрольность ресурсов ИТ и вычислительного процесса в целом.
Управляемость системы, переход к управлению безопасностью через
управление
пользовательскими
процессами
(задачами).
Изложенные
положения в полной мере могут служить основой для стратегии создания,
развития и внедрения доверенных систем.
7.2. Архитектура программной платформы "Феникс"
Архитектура программной платформы «Феникс» (ПП "Феникс"),
представляет собой набор взаимодействующих программных модулей,
154
согласованных по функциям и форматам; имеющих единообразные, точно
определенные программные интерфейсы; и составляющих полноценное
средство для решения комплексных задач. Модули обеспечивают сбор,
обработку
и
хранение
информации
о
контролируемых
объектах,
представление обобщенного состояния этих объектов, оповещение персонала
о возникших проблемах и нарушениях.
ПП "Феникс" позволяет строить зонтичные системы контроля и
поддержки принятия решений по управлению бизнес- и технологическими
процессами крупных предприятий с централизованным управлением и
территориально распределенной инфраструктурой в режиме реального
времени, на основе контроля обобщенного состояния объектов контроля –
процессов, услуг и обеспечивающих их ресурсов.
Принципиальная организация ПП "Феникс" включает в себя следующие 2
группы структурных элементов, взаимодействующих друг с другом:
• Группа функционального программного обеспечения (ФПО), решающего
задачи или классы задач в определенной области применения ПП "Феникс".
• Группа системного программного обеспечения (СПО), предназначенная для
поддержания работоспособности ПК Феникс или повышения эффективности
его использования в процессе выполнения функциональных программ.
ПП "Феникс" имеет событийно-управляемую сервис-ориентированную
архитектуру (Event Driven Architecture EDA-Архитектура, управляемая
событиями) в среде единой интеграционной платформы, построенной на базе
единой шины предприятия (Enterprise Service Bus, ESB).
Входящая в состав ПП "Феникс" единая интеграционная платформа
позволяет строить гибкую масштабируемую распределенную систему,
которая
обеспечивает
широкие
интеграционные
возможности
по
взаимодействию как с внешними системами, так и между структурными
элементами самого ПП "Феникс".
Внешние, по отношению к ПП "Феникс", системы – системы, с
которыми организуется информационно-техническое взаимодействие с
155
целью обеспечения обмена данными в рамках проектных решений на базе
ПП "Феникс", например, системы управления взаимоотношениями с
клиентами (CRM), системы технической поддержки (HelpDesk).
Архитектуру программного обеспечения можно проиллюстрировать с
помощью нескольких архитектурных представлений. Каждое архитектурное
представление связано с некоторым определенным набором вопросов,
интересующих участников разработки: пользователей, проектировщиков,
менеджеров, технических специалистов, обслуживающий персонал и так
далее.
Для описания архитектуры ПП «Феникс» используется модель «4+1»,
которая была предложена Филиппом Кручтеном (Philippe Kruchten) из
компании Rational в 1995 году. Данная методика состоит в использовании
пяти различных категорий или представлений (views) и позиционировалась,
как способ описания архитектуры систем, основанных на использовании
программного обеспечения.
Логическое
представление
содержит
важнейшие
сценарии
ПП
«Феникс», распределенные по компонентам и сервисам, которые, в свою
очередь, распределены по слоям.
Процессное
представление.
Описывает
вопросы
параллельного
исполнения и синхронизации процессов. Кроме того, описываются процессы
и потоки по слоям, их взаимодействия и конфигурации, а также взаимосвязи
между сервисами. Физическое представление. Описывает размещение
программных компонентов (модулей) ПП на аппаратных платформах и
аспекты, связанные с физическим расположением.
Представление
уровня
разработки.
Описывает
статическую
организацию программной системы в среде разработки.
Модель 4-1
156
7.3. Принципы построения
Принцип развития заключается в возможности пополнения состава
и/или обновления функций и состава компонентов ПК Феникс без нарушения
его функционирования. Принцип предусматривает возможность ввода новых
и совершенствования уже решаемых задач как при поэтапном вводе
проектных решений в действие, сохраняя при этом целостность ПК Феникс и
взаимосвязи между задачами. Этот принцип связан с гибкостью, адаптацией
ПК
Феникс
к
изменениям
нормативной
базы
и/или
требований,
предъявляемых Заказчиком.
Принцип масштабируемости
• EDA сервис-ориентированная архитектура ПП Феникс обеспечивает
возможности
как
масштабирования.
горизонтального,
Производительность
так
и
вертикального
системы
определяется
количеством обрабатываемых КПП в единицу времени.
• Возможности вертикального масштабирования ограничены сверху
ресурсами используемых технических средств.
157
• Горизонтальное
возможности
масштабирование
распределенного
(scaling
out)
обеспечивает
функционирования
сервисов
с
управлением на единой шине предприятия ESB и ограничивается
количеством применяемых серверов. Таким образом, важнейшим
архитектурным принципом построения системы является обеспечение
горизонтального масштабирования системы.
Принцип модульности
Под модулем в общем случае понимают функционально законченный
элемент системы,
выполненный
в
соответствии
межмодульными
интерфейсами.
По
своему
с
принятыми
определению
модуль
предполагает возможность без труда заменить его на другой при наличии
заданных интерфейсов.
Принцип открытости обеспечивает возможность интеграции в свою среду
новых процессов и расширения уже имеющихся функций, за счет
модульного принципа их построения, а также использования принятых в
мире стандартов на правила передачи (протоколы, интерфейсы) и хранения
информации.
Принцип многоуровневости. Многоуровневая архитектура, позволяет
вносить изменения в компоненты определённого уровня, вместо того, чтобы
перерабатывать весь ПК Феникс целиком:
• уровень получения данных, обеспечивающий прием данных и их
передачу в используемые СУБД;
• уровень
функциональной
обработки
данных,
обеспечивающий
обработку и анализ данных в соответствии с функциональными
требованиями;
• уровень
представления
обработанных
данных,
обеспечивающий
отображение обработанных данных для пользователя.
Принцип ремонтопригодности предполагает,что изменение одного модуля
не требует изменения других модулей. Принцип реализуется сервисориентированной архитектурой системы на единой шине предприятия. EDA
158
архитектура предполагает, что существует несколько стандартизированных
протоколов потоков данных ESB, которые управляют модулями. Протоколы
определяются в конфигурации ESB. Допускается изменение любого модуля,
при условии соблюдения соответствующих ему протоколов ESB.
Принцип заменимости модулей. EDA сервис-ориентированная архитектура
системы на базе ESB позволяет заменять модули, поскольку модуль имеет
стандартизированные протоколы ESB. Более того, заменяемый модуль может
изменить состав протоколов, на которые подписываются используемые
модулем сервисы. Состав публикуемых протоколов не может быть изменен
без изменения модулей подписчиков.
Обеспечение
построения
иерархических
геораспределенных
проектных решений на базе ПП "Феникс"
Ситуационно-аналитические центры (САЦ) являются важнейшим
инструментом
процессами
эффективного
предприятия
централизованного
на
основе
управления
применения
бизнес-
информационно-
аналитических методов и технологий как для оперативного управления
крупными географическими областями, так и для их организационного
строительства и развития. В САЦ создается информационное пространство
для эффективного мониторинга, прогнозирования, принятия решений и
контроля их исполнения.
• САЦ представляет собой комплекс специально организованных
рабочих мест для персональной и коллективной организационноаналитической
работы
по
возникающих
нештатных
формированию
ситуаций,
глобальной
моделированию
картины
возможных
сценариев их развития, а также оперативному контролю и управлению
различными объектами и ситуациями.
• Единая интеграционная платформа позволяет строить иерархические
геораспределенные конфигурации проектных решений САЦ на базе
ПП "Феникс", как показано на рисунке.
159
Структура ПП "Феникс" имеет в своем составе две группы
компонентов:
-Группа функционального программного обеспечения (ФПО). Каждый из
компонентов
ФПО
реализует
заданный
функционал;
-Группа системного программного обеспечения (СПО) – обеспечивает
среду для функционирования ФПО.
Группа СПО имеет в составе следующие компоненты:
• Единая
интеграционная
платформа
–
базовый
компонент,
реализующий основные архитектурные принципы построения ПП
«Феникс»;
• Компонент обеспечения Web-представления;
• Конфигурационный компонент, реализующий функции управления
правами пользователей, управления политиками информационной
безопасности, управления лицензированием и в целом конфигурации
системных компонентов;
• Компонент обеспечения хранения данных.
Группа
ФПО
представлена
следующими
группами
функциональных
компонентов:
160
• Программное обеспечение оперативного мониторинга состояния
объектов контроля;
• Программное обеспечение аналитической обработки данных;
• Программное обеспечение управления бизнес-процессами (BPM).
• Каждый компонент группы ФПО представляет собой программный
модуль и/или совокупность программных модулей ПП "Феникс",
функциональность
которых
взаимодействующих
определяется
средствами
набором
протоколов
сервисов,
единой
шины
предприятия ESB.
Состав программного обеспечения ПП "Феникс" представлен на
рисунке.
7.4. Единая интеграционная платформа
Единая интеграционная платформа обеспечивает унифицированный обмен
данными между различным ПО (независимо от платформы, языка
программирования)
и
представляет
единую
точку
управления
как
компонентами ПК Феникс, так и контролируемых им объектов. Различные
интерфейсы
скрыты
за
счет
использования
единого
интерфейса
в
интеграционной платформе.
161
• Единая
интеграционная
платформа
состоит
из
следующих
компонентов:
• Единая шина предприятия ESB;
• Библиотека адаптеров информационно-технического взаимодействия
(ИТВ);
• Средства разработки адаптеров ИТВ.
Единая шина предприятия
• ESB служит для взаимодействия всех приложений через единую точку,
которая, при необходимости, обеспечивает транзакции, преобразование
данных, сохранность обращений. Данный подход обеспечивает
большую гибкость, простоту масштабирования и переноса: при замене
одного приложения, подключенного к шине, нет необходимости
перенастраивать остальные.
ESB обеспечивает:
• поддержку синхронного и асинхронного способа вызова сервисов;
• использование защищённого транспорта с гарантированной доставкой
сообщений, поддерживающего транзакционную модель;
• статическую и алгоритмическую маршрутизацию сообщений;
• доступ к данным из внешних систем, с помощью готовых или
специально разработанных адаптеров;
• обработку и преобразование сообщений;
• оркестровку и хореографию сервисов.
162
7.3. Библиотека адаптеров
Библиотека адаптеров ИТВ служит для обеспечения информационного
взаимодействия с внешними системами и объектами контроля, с целью
получения информации об объектах контроля, а также передачи результатов
обработки во внешние системы. Библиотека адаптеров ИТВ имеет в своем
составе реализации часто используемых протоколов и интерфейсов с
внешними системами:
163
По сбору информации от объектов контроля:
• SNMP,
SNMPTrap;
SOAP,
REST,
WMQ,
JMX;
протоколы
взаимодействия с СУБД: Oracle SQL*Net, MSSQL OpenTds, MySQL,
DB2; CLI, Rest API протоколы взаимодействия с автоматизированными
системами управления: MSSCOM, HP OM, IBM Tivoli, CA Spectrum,
Compuware APM, HP Storage Essentials, HP Systems Insight manager, HP
Performance Manager, IBM Director, TeamQuest IT Service Analyzer,
Precise
Application
Performance
Performance
Management,
Management,
VMware
vSphere,
SevOne
vCenter,
Network
а
также
технологическими процессами: Microsoft OLE DB, MES-системы;
По передаче информации во внешние системы:
• Rest API, SOAP, XML.
7.4. Брокер сообщений
Брокер сообщений представляет собой тип построения архитектуры,
при котором элементы системы «общаются» друг с другом с помощью
посредника. Благодаря его работе происходит снятие нагрузки с вебсервисов, так как им не приходится заниматься пересылкой сообщений: всю
сопутствующую этому процессу работу он берёт на себя.
В работе любого брокера сообщений используются две основные
сущности:
producer
(издатель
сообщений)
и
consumer
(потребитель/подписчик).
Одна сущность занимается созданием сообщений и отправкой их
другой сущности-потребителю. Отправитель не знает своих получателей и
просто публикует сообщения в определённую тему. Потребители, которые
подписаны на эту тему, получают сообщение. Далее на базе этой системы
может быть построена работа с распределением задач между подписчиками.
То есть выстроена логика работы, когда в одну и ту же тему публикуются
сообщения для разных потребителей. Каждый «видит» уникальный маркер
своего сообщения и забирает его для исполнения.
7.5. Обеспечение Web-представления и хранения данных
164
Компонент
интерфейсом
обеспечения
пользователя,
Web-представления
реализующим
функции
является
единым
отображения
и
управления для всех компонентов группы ФПО. Компонент обеспечения
Web-представления осуществляет взаимодействие с сервисами ПК Феникс,
управляемыми с помощью HTTP-сервера по REST-протоколу и по протоколу
Websockets в части конфигурации ПК Феникс. Компонент обеспечивает
реализацию следующих функций:
• навигация;
• представление таблиц;
• представление графиков;
• представление информационных панелей в режиме времени близком к
реальному;
• представление отчетной информации;
• построение информационных панелей;
• обеспечение интерфейса конфигурации ФПО;
• интерфейс управления правами пользователей.
Компонент обеспечения хранения данных
Компонент хранения данных включает в себя:
• Базы данных и системы управления базами данных: MySQL,
Clickhouse, RRD.
• Сервисы преобразования потоков данных, получаемых от ФПО через
ESB, в протоколы обмена данными СУБД.
7.6. Конфигурационный компонент
Конфигурационный компонент обеспечивает функции управления правами
пользователей, управления политиками информационной безопасности,
управления
лицензированием
и
в
целом
конфигурации
системных
компонентов ПК Феникс.
Конфигурационный компонент предоставляет собой сервис управления
базой данных конфигурационных единиц (КЕ) для всех компонентов группы
165
ФПО и служит для управления КЕ, а именно, обеспечивает: добавление,
удаление, редактирование КЕ, изменение параметров связей между КЕ.
Взаимодействие между модулями ПО оперативного мониторинга состояния
объектов контроля и конфигурационным компонентом обеспечивается по
протоколу CORBA, для остальных компонентов группы ФПО используется
протокол REST. Взаимодействие с UI конфигурации осуществляется по
протоколу Websockets.
Функции
управления
правами
пользователей
и
политиками
информационной безопасности
Данные функции конфигурационного компонента обеспечивают единую
точку входа — аутентификацию и авторизацию для всей группы ФПО.
• Компонент реализует следующие функции управления правами
пользователей и политиками информационной безопасности:
• Идентификации пользователей;
• Аутентификации пользователей;
• Назначения прав пользователей на доступ к ресурсам системы согласно
конфигурации групп пользователей;
• Внесения, удаления, редактирования учетных записей пользователей;
• Управления паролями пользователей;
• Управления группами пользователей – создание, удаление, редакция
групп;
• Определения конфигурации доступа для групп пользователей;
• Управления аудитом информационной безопасности;
• Взаимодействия с внешними системами (LDAP, Active Directory).
7.7. Микросервисная архитектура
Это подход к созданию приложения, подразумевающий отказ от
единой, монолитной структуры. То есть вместо того чтобы исполнять все
ограниченные
контексты
приложения
на
сервере
с
помощью
внутрипроцессных взаимодействий, мы используем несколько небольших
166
приложений, каждое из которых соответствует какому-то ограниченному
контексту.
Философия микросервисов фактически копирует философию Unix,
согласно которой каждая программа должна «делать что-то одно, и делать
это хорошо» и взаимодействовать с другими программами простыми
средствами:
микросервисы
минимальны
и
предназначаются
для
единственной функции.
Основные изменения в связи с этим налагаются на организационную
культуру,
которая
должна
включать
автоматизацию
разработки
и
тестирования, а также культуру проектирования, от которой требуется
предусматривать обход прежних ошибок, исключение по возможности
унаследованного кода (микросервисы часто заменяют целиком, поскольку их
функции элементарны).
Принцип микросервисной архитектуры
MSA
(Micro
Service
Architecture)
— принципиальная организация
распределенной системы на основе микросервисов и их взаимодействия друг
с
другом
и
со
средой
по
сети,
а
также
принципов,
направляющих проектирование архитектуры, её создание и эволюцию.
Что такое микросервис (MS)
Понять
суть
микросервиса
проще
всего
на
сравнении,
или
даже
противопоставлении его крупному приложению — монолиту. В отличии от
MSA, я не буду давать определение микросервису, а перечислю его наиболее
важные характеристики.
Восемь свойств микросервиса:
1. Он небольшой.
2. Он независимый.
3. Он строится вокруг бизнес-потребности и использует ограниченный
контекст (Bounded Context).
167
4. Он взаимодействует с другими микросервисами по сети на основе
паттерна Smart endpoints and dumb pipes (Умные конечные точки и
тупые каналы).
5. Его распределенная суть обязывает использовать подход Design for
failure (Проектирование на случай сбоя).
6. Централизация ограничена сверху на минимуме.
7. Процессы его разработки и поддержки требуют автоматизации.
8. Его развитие итерационное.
Компонент — это единица ПО, код которой может быть независимо заменен
или обновлен за одну Agile-итерацию (см. управление проектами).
Каждый микросервис работает в своем процессе и поэтому должен явно
обозначить свой API. Учитывая, что другие компоненты могут использовать
только этот API, и к тому же он удаленный, минимизация связей становится
жизненно важной.
(API (англ. Application Programming Interface — программный интерфейс
приложения) — это набор способов и правил, по которым различные
программы общаются между собой и обмениваются данными. Все эти
взаимодействия происходят с помощью функций, классов, методов,
структур, а иногда констант одной программы, к которой обращаются
другие. Это основной принцип работы API).
7.8. Kubernetes и Docker
Наиболее популярная среда для выполнения микросервисов — системы
управления контейнеризованными приложениями такие как Kubernetes (греч.
Рулевой).
Docker — инструмент для создания и запуска контейнеров, а Kubernetes
— оркестратор, инструмент для управления контейнерами.
Kubernetes позволяет построить кластер (Cluster) — распределенную
отказоустойчивую систему, в то время как Docker работает на отдельном
узле.
168
Еще есть Docker Swarm — это встроенный в докер инструмент оркестровки
контейнеров.
API (англ. Application Programming Interface — программный интерфейс
приложения) — это набор способов и правил, по которым различные
программы общаются между собой и обмениваются данными.
Контейнер – это исполняемый экземпляр, который инкапсулирует требуемое
программное обеспечение. Он состоит из образов. Его можно легко удалить и
снова создать за короткий промежуток времени.
Образ – базовый элемент каждого контейнера. В зависимости от образа,
может потребоваться некоторое время для его создания.
Оркестровка и хореография являются двумя шаблонами описания бизнеспроцессов в качестве взаимодействующих служб: в виде последовательного
потока выполнения сервисов и в виде правил их взаимодействия.
Оркестровка сервисов описывает логику взаимодействия сервисов с
помощью обмена сообщениями.
Хореография сервисов описывает спецификации взаимодействия сервисов:
структура передаваемых сообщений, характер коммуникации (асинхронное
и/или синхронное взаимодействие), служебные сообщения.
8. Аналитика ПП "Феникс"
Аналитическая система ПП "Феникс" содержит в себе реализацию
необходимых моделей, алгоритмов и методов для моделирования и анализа
временных рядов, прогнозирования их будущих значений, а также объектов
аналитики: моделей, фильтров данных, оценок качества и др.
Именно объекты данного класса содержат в себе полный цикл решения
задач, начиная от подготовки данных и заканчивая анализом
полученных
результатов.
8.1. Предсказание временных рядов
Решение данной задачи состоит в определении будущих значений
рассматриваемого сигнала при помощи методов машинного обучения на
169
основе
исторических
данных.
Используемые
модели
позволяют
прогнозировать изменения значений сигнала (общее поведение сигнала, т.е.
тренд, сезонные колебания – часовые, суточные, месячные, годовые и пр.) и,
в зависимости от этих изменений, устанавливать доверительные интервалы
возможных колебаний значений. На основе полученного предсказания и
статистического анализа делаются выводы о временном промежутке, через
который с заданной вероятностью наступит событие заданного класса.
Задача прогнозирования временных рядов включает в себя такие этапы как:
• Подготовка данных
• Математическое моделирование сигнала
• Оценка качества полученной модели
• Предсказание будущих значений
• Формирование выводов на основе полученных данных
• За каждый из обозначенных этапов отвечают математические
алгоритмы, настраиваемые пользователем.
На этапе подготовки данных происходит проверка входных значений на
валидность,
проверка
временного
ряда
на
равномерный
шаг
(и
преобразование к равномерному по необходимости) и фильтрация данных
при помощи фильтров, заданных пользователем.
• На этапе математического моделирования сигнала создается и
обучается
математическая
модель
на
переданном
сигнале.
Пользователю предоставляется выбор количества данных, на которых
будет
происходить
моделирование,
остальные
данные
будут
использоваться для оценки качества модели; в случае установки
параметра
'доля'
('fitting
part')
равным
100,
оценка
модели
производиться не будет. Так же пользователь выбирает интересующую
его модель и задает входные параметры к ней.
170
8.2. Динамические границы
Данная задача состоит в статистическом анализе значений сигнала и расчете
ширины вероятностных зон наступления заданных событий. На основе
исторических данных выбираются значения так называемых желтых и
красных
границ,
свидетельствующих
о
приближении
значений
рассматриваемого показателя к критическим пределам, связанными с
возникновениями заданных событий.
Статистическая оценка выбросов в данных производится за счет вычисления
двух границ для различных категорий опасности:
• Предупреждение о повышенном риске (желтая граница)
• Превышение допустимого риска (красная граница)
• В основе расчёта коэффициентов желтой и красной границы лежит
следующее предположение:
• считается,
что
исходный
сигнал
соответствует
нормальному
распределению
На рис приведен график с пользовательскими данными о значениях
сигнала с рассчитанными динамическими границами и маркировкой событий
срабатывания желтого и красного сигналов
171
8.3. Линейные модели
Линейная
модель
служит
для
описания
поведения
зависимой
переменной (отклика) как непрерывной линейной функции нескольких
независимых
переменных
(предикторов).
Данная
модель
отображает
функционирование рассматриваемой системы таким образом, что все
зависимости принимаются в ней линейными, причем порой нелинейность
взаимосвязей может быть приведена к линейности путем математических
преобразований переменных.
Линейные модели позволяют описать тренд рассматриваемого процесса, но,
в силу специфики функции, не подходят для прогнозирования колебаний.
Линейный тренд – самая интуитивно понятная модель. Он описывает
равномерное изменение показателя во времени.
Рассчитанное среднее
172
Скользящее среднее
8.4.Авторегрессионные модели
Авторегрессионная
(autoregressive
model,
AR)
модель –
модель
временного ряда, в которой его текущее значение линейно зависит от
предыдущих (ретроспективных) значений этого же ряда. От того, сколько
ретроспективных значений включено в модель зависит ее порядок. Основное
назначение авторегрессионной модели – прогнозирование. Кроме этого, с её
помощью можно производить анализ временных рядов – выявлять
тенденции, сезонность и другие особенности.
Авторегрессионное
интегрированное
скользящее
среднее
(autoregressive integrated moving average, ARIMA) является расширением
моделей ARMA для нестационарных временных рядов, которые можно
сделать стационарными взятием разностей некоторого порядка от исходного
временного ряда.
Обычно модель упоминается, как ARIMA(p, d, q), где p, d и q – целые
неотрицательные числа, характеризующие порядок для частей модели
(соответственно
авторегрессионной,
интегрированной
и
скользящего
173
среднего). Следует отметить, что модель ARIMA в основном используется
для построения краткосрочных прогнозов.
Рис.График с рассчитанным и предсказанным ARIMA смоделированного
процесса
8.5. Аддитивная модель
Это модель, в которой каждый уровень временного ряда может быть
представлен, как сумма трендовой, сезонной и случайной компонент. При
моделировании происходит подгонка нескольких линейных и нелинейных
функций от времени, при этом регрессором в данном случае является
временной показатель. Моделирование сезонности как составляющей
аддитивной модели осуществляется методом, аналогичным методу ХольтаВинтерса (создается трехпараметрическая модель прогноза, учитывающая
сглаженный экспоненциальный ряд, тренд и сезонность). Отличительной
особенностью настоящей модели является то, что она рассматривает задачу
прогнозирования как подгонку под некоторую кривую, а не смотрит явно на
зависимость каждого наблюдения от времени во временном ряду.
Рис.График с рассчитанным и предсказанным аддитивной моделью
174
8.6. Ансамблевые модели
Это
используют
такая парадигма математического моделирования, которая
несколько
обучающих
алгоритмов
с
целью
получения
лучшей эффективности прогнозирования, чем могли бы получить от каждого
обучающего алгоритма по отдельности. Главная гипотеза ансамблевых
моделей состоит в том, что при правильном сочетании моделей мы можем
получить более точные и/или надежные модели.
В основе модели экстримального градиентого бустинга (XGBoost)
лежит алгоритм градиентного бустинга деревьев решений. Градиентный
бустинг – это техника машинного обучения для задач регрессии, которая
строит модель предсказания в форме ансамбля слабых предсказывающих
моделей, обычно деревьев решений. Обучение ансамбля проводится
последовательно.
На
каждой
итерации
вычисляются
отклонения
предсказаний уже обученного ансамбля на обучающей выборке. Следующая
модель, которая будет добавлена в ансамбль будет предсказывать эти
отклонения. Таким образом, добавив предсказания нового дерева к
предсказаниям обученного ансамбля можно уменьшить среднее отклонение
модели.
Рис. Предсказание XGBoost и тестовые данные для проверки предсказания
175
8.7. Нейросетевые модели
Для математического моделирования сложных производственных
процессов
и
прогнозирования
поведения
рассматриваемых
сигналов
применяются методы теории нелинейных динамических систем, которая
формализуют поведение системы и описывает процессы смены ее состояний.
Для исследования поведения подобных комплексных объектов применяются
методы теории детерминированного хаоса, рассматривающей системы,
сильно зависящие от начальных условий. Подобный анализ помогает
получить более полное понимание рассматриваемых сигналов и строить
качественные модели на основе нейросетевых технологий.
Нейронные сети – обширная группа математических моделей,
позволяющая решать различные задачи, начиная от аппроксимации и
заканчивая, но не ограничиваясь, генераторами текста и распознаваниями
образов, в зависимости от выбранной архитектуры. Применительно к задаче
прогнозирования временных рядов, нейронные сети используются для
моделирования поведения рассматриваемого процесса и поиска скрытых
зависимостей между его текущими и историческими значениями.
Нейронная
сеть
состоит
из
отдельных
модулей
–
нейронов,
являющихся частью аппроксимирующей функции, параметры для которой
подбираются в процессе обучения модели на большом наборе данных. Такой
176
подход
позволяет
моделировать
сложные
процессы,
описываемые
суперпозициями различных функций.
Рис. Модель, представляющая собой искусственную нейронную сеть, в
которой входной сигнал с начальных нейронов преобразуется в выходной
сигнал, проходя через один скрытый слой нейронов и две функции активации
где
X1..Xinput_dim – значения на входных нейронах;
Z1..Zhidden_dim – значения на скрытом слое нейронов;
Y – значение на выходном нейроне;
∑ – взвешенная сумма, пришедшая на нейрон;
factiv_1, factiv_2 – функции активации на скрытом и выходном слое,
соответственно;
w – весовые коэффициенты модели.
Элементарный персептрон, как и все многослойные сети, содержит в
структуре скрытый слой, что позволяет получить более корректное
математическое описание многосвязных функциональных зависимостей с
ярко выраженной нелинейностью (за исключением случая, когда обе
функции активации линейные). Он способен обучаться и основывается при
этом на статистических данных. Но, в отличие от большинства архитектур
нейронных сетей, не требует для обучения алгоритмов большой сложности
(так как имеет простую структуру) и, в связи с этим, занимает меньшее время
и использует меньший объем вычислительных ресурсов компьютера.
Примеры графиков с рассчитанными и предсказанными персептроном
значениями на стандартных функциях
177
Многослойные сети содержат в структуре один или более скрытых
слоев, что позволяет получить более корректное математическое описание
многосвязных
функциональных
зависимостей
с
ярко
выраженной
нелинейностью (за исключением случая, когда обе функции активации
линейные).
Он
способен
обучаться
и
основывается
при
этом
на
статистических данных. Многослойный персептрон позволяет исследовать
функции практически любой степени сложности, причем число слоев и число
элементов в каждом слое определяют ее сложность.
Примеры графиков с рассчитанными и предсказанными многослойной сетью
значениями на стандартных функциях
178
Рекуррентная нейронная сеть (RNN)
Модель рекуррентной нейронной сети (recurrent neural networks, RNN) – это
вид нейронных сетей, в которых обратный сигнал с внутреннего слоя
поступает не на «главные» входные нейроны, а на дополнительный слой,
нейроны в таком слое хранят информацию о предыдущем входном векторе;
получается, что выходной слой (реакция сети) зависит не только от текущего
179
входа, но и от предыдущего. Упрощённая схема рекуррентной нейронной
сети представлена на рисунке
Большой
сложностью
сетей
слоем(SimpleRNN)
является
проблема
с
простым
исчезающего
рекуррентным
(или
взрывного)
градиента, которая заключается в быстрой потере информации с течением
времени. Конечно, это влияет лишь на веса, а не состояния нейронов, но ведь
именно в них накапливается информация.
Сети со слоем долгой краткосрочной памяти(long short term memory
layer, LSTM-layer) стараются решить вышеупомянутую проблему потери
информации, используя фильтры и явно заданную клетку памяти. У каждого
нейрона есть клетка памяти и три фильтра: входной, выходной и
забывающий. Целью этих фильтров является защита информации. Входной
фильтр определяет, сколько информации из предыдущего слоя будет
храниться в клетке. Выходной фильтр определяет, сколько информации
получат следующие слои. Забывающий фильтр также выполняет полезную
функцию – забывает устаревшую информацию: например, если сеть изучает
какой-либо процессы объекта, который переходит на другой режим
эксплуатации, то предыдущие особенности можно забыть.
Сети, содержащие управляемый рекуррентный блок (gated recurrent
units, GRU) является вариацией предыдущего типа сети. У такого слоя на
один фильтр меньше, и связи реализованы иначе. Фильтр обновления
определяет, сколько информации останется от прошлого состояния и сколько
будет взято из предыдущего слоя. Фильтр сброса работает как забывающий
фильтр.
Примеры графиков с предсказанными рекуррентной сетью значениями
180
8.8. Машины опорных векторов (SVM)
SVM (Support Vector Machine, машина опорных векторов) - модель,
которая характеризуется отсутствием локальных минимумов при обучении,
а так же использованием ядер (kernel trick) для решения задачи регрессии.
Метод Опорных Векторов или SVM (от англ. Support Vector Machines)
— это линейный алгоритм используемый в задачах классификации и
регрессии. Данный алгоритм имеет широкое применение на практике и
может решать как линейные так и нелинейные задачи. Суть работы “Машин”
181
Опорных Векторов проста: алгоритм создает линию или гиперплоскость,
которая разделяет данные на классы.
Основной задачей алгоритма является найти наиболее правильную
линию, или гиперплоскость разделяющую данные на два класса. SVM это
алгоритм, который получает на входе данные, и возвращает такую
разделяющую линию.
Алгоритм SVM устроен таким образом, что он ищет точки на графике
данных, которые расположены непосредственно к линии разделения ближе
всего. Эти точки называются опорными векторами. Затем, алгоритм
вычисляет
расстояние
между
опорными
векторами
и
разделяющей
плоскостью. Это расстояние которое называется зазором. Основная цель
алгоритма — максимизировать расстояние зазора. Лучшей гиперплоскостью
считается
такая
максимально
гиперплоскость,
большим.
Т.е.
для
точки
которой
этот
зазор
является
расположенные наиболее близко
относительно друг друга имеют больший вес при принятии решения.
8.9. Постобработка данных (Postprocessing)
Постобработка данных (Postprocessing) это процесс, направленный
на дополнительный анализ (извлечение, формирование дополнительных
данных) на основе результатов работы модели. Примером такой обработки
служит расчет
доверительных
интервалов с учетом коэффициентов
расширения, установленных пользователем.
Вероятностные
границы
возникновения
событий
(далее
–
Пороги)
используются для визуального и расчетного определения временного
диапазона наступления события заданного класса.
Построение Порогов возможно в режимах:
1) режим реального времени (realtime)
В
данном
режиме
пользователь
задает
коэффициенты
для
модификации рассчитанных Порогов. При этом, в случае линейных моделей
(линейный тренд, среднее, скользящее среднее), опорной точкой для расчета
границ является само предсказание, то есть, показатели моделирования, а для
182
остальных моделей (ARIMA, Auto-ARIMA, ARM) – их доверительный
интервал.
2) режим статических границ (capacity planning)
В данном режиме пользователь задает константные абсолютные
значения для Порогов исходя из своего опыта и неизвестного разработчикам
контекста. Если срабатывание alert вызывается пересечением Порогов
сверху, установите 'отзеркалить'=0 (по умолчанию), иначе 'отзеркалить'=1.
Значение Alert.value устанавливается равным значению сигнала в момент
времени наступления события.
3)
режим расчета оставшегося времени времени до наступления события
(time to event)
Данный режим функционирует подобно режиму статических границ за
исключением расчета значения Alert.value: оно устанавливается равным
временному интервалу, оставшегося до наступления события
Рис.График с сигналом и рассчитанными по пользовательским данным
границами в режиме реального времени
Рис. График с сигналом и рассчитанными по пользовательским данным
границами в режиме статических границ
183
Сглаживает предсказание при помощи метода главных компонент
8.10. Оценка качества модели (Relative estimator)
Оценка качества модели – качественный показатель (или их
совокупность), отражающий степень пригодности полученной модели.
Примерами
таких
оценок
являются:
расстояние
Кульбака-Лейблера,
среднеквадратическая ошибка и пр.
Расстояние Кульбака-Лейблера (KL) является мерой расстояния между
двумя вероятностными распределениями. Оценка обладает следующими
свойствами:
, т.е. эта оценка является неотрицательной величиной;
указывает на то, что оба рассматриваемых распределения
идентичны.
184
Допустимые значения оценки:
.
Среднеквадратическая ошибка (MSE) вычисляет среднее из квадратов
ошибок, т.е. средний квадрат разности значений, полученных моделью, и
фактических значений. Среднеквадратическая ошибка прогноза помогает
выбрать
модель,
которая
дает
меньше
грубых
ошибок
прогноза.
of
determination)
Оценка обладает следующими свойствами:
• она всегда неотрицательна;
• чем меньше, тем модель лучше.
• Допустимые значения оценки:
Коэффициент
детерминации
(Coefficient
R2 –
коэффициент детерминации. Характеризует, насколько хорошо наблюдаемые
результаты воспроизводятся моделью, на основе доли общего отклонения
результатов, объясненной моделью.
Оценка обладает следующими свойствами:
• коэффициент детерминации для модели с константой принимает
значения от 0 до 1. Чем ближе значение коэффициента к 1, тем сильнее
зависимость;
• в
общем
случае
коэффициент
детерминации
может
быть
и
отрицательным, это говорит о крайней неадекватности модели.
Допустимые значения оценки:
;
Если
, то модель неадекватна.
185
8.11. Фильтры
Стандартизованная оценка
Скользящая медиана
9. Примеры внедрения систем интеллектуального мониторинга
Программная
зонтичная
система
платформа
Феникс
комплексного
–
отечественная
оперативного
доверенная
интеллектуального
мониторинга и управления сервисами и бизнес процессами предприятия,
телекоммуникационной и ИТ-инфраструктурой в режиме реального времени.
Интеллектуальный мониторинг ПП "Феникс" - это не только процесс
наблюдения и регистрации параметров объекта, в сравнении с заданными
критериями для вынесения суждения как о состоянии отдельных элементов,
составляющих ландшафт объекта, так и об объекте в целом, на основании
186
анализа характеризующих его признаков. Мониторинг призван не только
наблюдать за состоянием объекта, но и прогнозировать изменения его
состояния для определения и предсказания момента отказа, как отдельных
его элементов, так и перехода в критическое состояние всего объекта, в том
числе предупреждение чрезвычайных ситуаций, ведущих к повреждению или
разрушению объекта. В этом случае
предотвращение
наступления
целью мониторинга является
негативного
события,
а
не
простое
информирование о случившейся аварии или катастрофе.
Для решения этих задач ПП "Феникс" использует:
• Риск-ориентированные методы.
• Методы Big Data.
• Теория хаоса.
• Теория катастроф.
• Теория нелинейных динамических систем.
• Нейронные сети.
• Ресурсно-сервисные модели.
• Предиктивная аналитика.
Кроме
того,
для
ПП
"Феникс""
разработано
теоретическое
обоснование, алгоритмы и программное обеспечение позволяющее решать
следующие задачи:
 автоматически находить параметры «аттрактора динамической системы»
для практически любой нелинейной системы, представленной в виде
временного ряда. Данная задача в классической постановке требует
построения
громоздких
алгоритмов,
требующих
значительных
вычислительных затрат. Были доказаны ряд теорем и на их основе
разработаны алгоритмы, позволяющие решать эту задачу практически в
реальном масштабе времени;
 разработать алгоритм нелинейной регрессии для оценки и оптимизации
параметров сконструированной нейронной сети, в которой нам удалось
улучшить
сходимость
метода
за
счет
оптимизации
параметра
187
регуляризации Тихонова и избежать овражных ситуаций возникающих
при оценке параметров;
 предсказывать поведение сложной нелинейной системы с встроенным
механизмом
расчета
«горизонта
прогноза»,основанном
на
модифицированном методе расчета показателей Ляпунова;
 автоматически рассчитывать доверительный интервал предсказания, т.е.
«динамические пороговые значения». Ковариационная матрица оценок,
необходимая
вычисляется
для
на
расчета
основе
доверительных
разработанного
интервалов
функции,
оригинального
метода
симплексной линеаризации;
 автоматически осуществлять поиск аномалий поведения нелинейных
динамических систем;
 разработать
автоматические
методы
оценки
степени
хаотичности
нелинейной системы;
 разработать графические методы оценки возможности предсказания
поведения системы.
Программные платформы "Феникс" и "Феникс" включены в реестр
российских программ для электронных вычислительных машин и баз данных
с присвоением класса «Системы мониторинга и управления».
Все приведенные ниже слайды относятся к внедрениям на этих предприятиях
указанных платформ с использованием описанных методов ИИ.
А.
188
Б.
В.
Г.
189
Д.
Е.
Ж.
190
З.
.
И.
191
К.
Л.
М.
192
Н.
О.
П.
193
Р.
С.
На рисунках приведена лишь часть предприятий, в промышленную
эксплуатацию которых внедрены ПП «Феникс» и "Феникс" и далеко не все
информационные
панели,
разработанные
для
Заказчиков
проектов,
позволяющих контролировать состояние технических средств и бизнеспроцессов предприятий в реальном масштабе времени.
10. Заключение
Подводя итог краткому изложению чрезвычайно актуальной теме
хочется сказать следующее. Основная цель информационных систем –
получать посредством переработки большого объема первичных данных
обобщенную
информацию
нового
качества,
на
основе
которой
вырабатываются оптимальные управленческие решения.
Для того, чтобы принимать правильные решения, нужно уметь
прогнозировать их последствия.
Существует прогноз McKinsey о структуризации экономики на
ближайшие 10-15 лет. Согласно ему прогнозирование последствий
194
принимаемых решений в общем объеме мировой экономики займет второе
место, причем нефтегазовый сектор скатится на седьмое.
Нейронные сети благодаря своим способностям к обобщению,
абстрагированию и умению обучаться, т.е. способности извлекать
сущность из входных сигналов, завоевали рынок ИИ.
В процессе обучения или самообучения нейронная сеть самостоятельно
строит некую внутреннюю модель предметной области, поэтому ее не надо
программировать их можно обучить. В некотором смысле нейросеть может
научиться порождать то, что никогда не видела.
Цель машинного обучения — подобрать модель (чаще всего имеются в
виду веса сигналов, поступающих на вход нейронов) таким образом, чтобы
она лучше всего описывала данные. Под «лучше всего» здесь, как правило,
имеется в виду оптимизация некоторой функции ошибки. Обычно она
состоит
из
собственно
ошибки
на
обучающей
выборке
(функции
правдоподобия) и регуляризаторов (априорного распределения).
«Революцией искусственного интеллекта» явилось использование
математического
аппарата
глубоких
конволюционных
(сверточных)
нейронных сетей и соответствующих методов глубокого машинного
обучения. При помощи глубоких нейронных сетей были успешно решены
такие классические задачи как распознавание изображений, обнаружение
объектов на изображениях, распознавание лиц в сложных условиях съемки,
распознавание человека по голосу, распознавание речи, распознавание
жестов и действий человека по видеозаписи и ряд других. При этом во
многих случаях были получены результаты, превышающие качество
решения аналогичной задачи человеком.
Тем не менее, НС не позволили сразу решить всех задач в области ИИ.
Конструирование и обучение НС - длительный ручной процесс с
негарантированным результатом. Обучение НС скорее искусство, чем наука,
поскольку практика здесь опережает теорию. Пока не существует теории
построения и обучения НС, которая была бы способна ответить на вопросы о
195
том, как следует формировать структуру глубокой сети для конкретных
типов задач, как оптимально определять стратегию обучения глубокой
сети, от чего зависит скорость ее обучения и т.д.
Все это требует проведения дальнейших исследований, которые
проводятся
в
Московском
исследовательском
авиационном
университете),
в
институте
котором
имеется
(национальном
значительное
количество высококвалифицированных специалистов в области ИИ, которые
смогут предложить вам более детальные курсы на эту проблематику.
В работе использовались диаграммы, графики, картинки, скриншоты и
т.д. как из открытых источников, так и являющиеся авторскими.
11. Список литературы
1. Соколов И.А. Информатика: состояние, проблемы, перспективы.
Электронный ресурс. https://present5.com/informatika-sostoyanie-problemyperspektivy-akademik-sokolov-i-a/
2. Соколов
И.А.
Приоритетные
направления
исследований
в
информационных технологиях. Электронный ресурс. http://www.
myshared.ru/slide/666800/
3. Шмид А.В. Стратегические угрозы XXIвека в области IT: борьба за
качество корпоративных решений - компьютеры против людей.
Электронный ресурс. https://ec-leasing.ru/2017-06-15.html
4. Шмид А.В. Заметки о Big Data. Революция в области философии и
технологий принятия корпоративных решений.
5. Сенаторов М.Ю., Нагибин С.Я. Проектирование программного
обеспечения АСУ. –М.:АяксПресс, 2015.-89с.,ил.
6. Клаус Шваб, Николас Дэвис. Технологии четвёртой промышленной
революции = Shaping The Fourth Industrial Revolution. — Эксмо, 2018. —
320 с. — ISBN 978-5-04-095565-7.
7. Элвин Тоффлер «Третья информационная волна» (Человечество
переходит
к
новой
технологической
революции),
https://www.litres.ru/smart-reading/elvin-toffler-tretya-volna-sammari/
8. Рэй
Курцвейл
«Технологическая
сингулярность»
https://lanaartifex.livejournal.com/180188.html
9. "Gartner:
стратегические
технологические
тенденции-2023"
https://www.itweek.ru/digitalization/article/detail.php?ID=225260
10. "Эволюция систем управления" https://studme.org/37056/ekonomika/
evolyutsiya_sistem_upravleniya
11.Поспелов Дмитрий Александрович Введение в теорию вычислительных
систем. - Москва : Сов. радио, 1972. - 280 с.
196
12.Теория систем и системный анализ: А.Г. Жихарев, О.А. Зимовец, М.Ф.
Тубольцев, А.А. Кондратенко; под ред. С.И. Маторина. — Москва :
КНОРУС, 2020. — 456 с. —ISBN 978-5-406-0776713.Общая
теория
систем
Людвига
фон
Берталанфи,
https://blog.bitobe.ru/article/obshchaya-teoriya-sistem-lyudviga-fon-bertalanfi/
14. Поспелов Д.А.. Ситуационное управление: теория и практика. —
М.: Наука, 1986. — 284 с
15.Поспелов, Дмитрий Александрович Логико-лингвистические модели в
системах управления. - Москва : Энергоиздат, 1981. - 231 с. : ил.; 20 см.;
ISBN.
16.Общая
теория
систем
Людвига
фон
Берталанфи
https://blog.bitobe.ru/article/ obshchaya-teoriya-sistem-lyudviga-fon-bertalanfi/
17.Интеллектуальные системы/ А.М. Коровин. – Челябинск: Издательский
центр ЮУрГУ, 2015. – 60 с.
18.Интеллектуальные системы / А.В. Остроух. – Красноярск: Научноинновационный центр, 2015. – 110 с
19.Васильев В.И., Ильясов Б.Г. Интеллектуальные системы управления.
Теория и практика. -М.Радиотехника, 2009, 392, илл.
20.Питер Джексон. Введение в экспертные системы Introduction to Expert
Systems. — 3-е изд. — М.: Вильямс, 2001. — С. 624. — ISBN 0-201-876868.
21.Указ Президента Российской Федерации О развитии искусственного
интеллекта в Российской Федерации. Дата обращения: 28 октября 2019.
22.Сенаторов М.Ю., Левин C. Е., Нагибин С. Я. Интеллектуальный
мониторинг, обобщенный контроль и безопасность критических
инфраструктурных систем:– М.: Аякс - Пресс, 2019. – 201с.,ил.
23.Elias Kyriakides, Marios Polycarpou.Intelligent monitoring, Control, and
Security of Critical Infrastructure Systems. Springer-Verlag Berlin Heidelberg
2015, vol. 359.
24.Шумский С.А. Машинный интеллект: очерки по теории машинного
обучения и искусственного интеллекта / С. А. Шумский; Московский
физико-технический
институт
(национальный
исследовательский
университет). - Москва: РИОР, 2019. - 239 с.
25.Искусственный интеллект в космической технике. Состояние.
Перспективы применения. Монография / Под ред. А.Н. Балухто. − М.:
Радиотехника, 2021. 440 с. ISBN 978-5-93108-204-2
26.Заде Л. Понятие лингвистической переменной и его применение к
принятию приближенных решений. — М.: Мир, 1976. — 166 с.
27.Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети,
генетические алгоритмы и нечеткие системы: Пер. с польского
И. Д. Рудинского. М.: Горячая линия — Телеком, 2004. — 452 с. ISBN 593517-103-1
197
28.Борисов В.В. Нечеткие модели и сети / В. В. Борисов, В. В. Круглов, А. С.
Федулов. - 2-e изд., [- Москва : Горячая линия - Телеком, 2018. - 282 с. :
ил.
29.Демидова Г.Л., Лукичев Д.В. Регуляторы на основе нечеткой логики в
системах управления техническими объектами – СПб: Университет
ИТМО, 2017. – 81 с.
30.Нечеткая логика — математические основы, https://loginom.ru/blog/fuzzylogic
31.Хижняков Ю.Н. Алгоритмы нечеткого, нейронного и нейро-нечеткого
правления в системах реального времени: учеб. пособие. Пермь: Изд-во
ПНИПУ, 2013. – 160 с.
32.Мартин Форд Архитекторы интеллекта. Вся правда об искусственном
интеллекте от его создателей https://magbook.net/read/68766
33.Саймон Хайкин: Нейронные сети. Полный курс, Вильямс, 2019 г. 1104с.
ISBN: 978-5-8459-2069-0
34.Николенко С., КадуринА., АрхангельскийЕ. Погружение в мир нейронных
сетей. СПб.: Питер, 2018.-480 с. ил.
35.Галушкин А.И. Нейронные сети: основы теории / А. И. Галушкин. Москва : Горячая линия - Телеком, 2017. - 496 с.
36.Филиппов, Ф. В. Моделирование нейронных сетей глубокого обучения
[Текст] : учебное пособие / Ф. В. Филиппов ; Федеральное агентство
связи,
Санкт-Петербургский
государственный
университет
телекоммуникаций имени М. А. Бонч-Бруевича (СПбГУТ). - СанктПетербург :СПбГУТ, 2019. - 78 с.
37.Машинное
обучение.
https://academy.yandex.ru/handbook/ml/article/
mashinnoye -obucheniye
38.«A Tour of The Top 10 Algorithms for Machine Learning Newbies»
https://dev.to/adamcalica/a-tour-of-the-top-10-algorithms-for-machinelearning-newbies-155f
39.Artifi cial Intelligence and National Security - Congressional Research Service
Report R45178 от 21.11.2019 года - AINS
40.Глубокое обучение (Deep Learning): обзор https://habr.com/ru/companies
/otus/articles/459785/
41. Шолле, Ф.Глубокое обучение на Python [Текст] / Ф. Шолле ; [перевёл с
английского А. Киселев]. - Санкт-Петербург [и др.] : Питер, 2019. - 397 с.
42. Осинга Д. Глубокое обучение. Готовые решения / Д. Осинга ; перевод с
английского А. Г. Гузикевича. - Москва ; Санкт-Петербург : Диалектика,
2019. - 280 с
43.Мицель А.А. Эвристические методы оптимизации, Томск: Томский
государственный университет систем управления и радиоэлектроники. –
2022. – 73 с
44.Панченко, Т. В. Генетические алгоритмы/ под ред. Ю. Ю. Тарасевича. —
Астрахань : Издательский дом «Астраханский университет», 2007. — 87с.
198
45.Метод
отжига
https://github.com/algorithmica-org/ru/blob/master/
annealing.mdАнализ
временных
рядов,
применение
нейросетей
https://habr.com/ru/ articles/ 693562/
46.Садовникова Н.А., Шмойлова Р.А. Анализ временных рядов и
прогнозирование. Вып. 3: Учебно-методический комлекс. – М.: Изд.
центр ЕАОИ, 2009. — 264 с.
47.Кроновер Р. М. Фракталы и хаос в динамических системах. Основы
теории.
https://uch-lit.ru/matematika-2/dlya-studentov/richard-m-kronoverfraktalyi-i-haos-v-dinamicheskih-sistemah-onlayn
48. Чернова Е. Хаос и порядок: фрактальный мир, «Природа» №5, 2015
https://elementy.ru/nauchno-populyarnaya biblioteka/433062/Khaos i poryadok
fraktalnyy mir
49.Лоскутов А.Ю. Анализ временных рядов. Курс лекций, Физический
факультет МГУ,113стр.Лоскутов А.Ю. Математические основы
хаотических динамических систем. Курс лекций, физический факультет
МГУ, Успехи физ. наук, 2007, т.177, No 9, с.989–1015.
50. Исследование динамической системы по временной реализации
https://en.ppt-online.org/94375
51.Peter Grassberger. Grassberger-Procaccia algorithm. John von Neumann
Institute for Computing, Jülich, Germany, http://www.scholarpedia. org/article
Grassberger-Procaccia_algorithm3
52.Виктор Майер-Шенбергер, Кеннет Кукьер. Большие данные. Революция,
которая изменит то, как мы живем, работаем и мыслим.-М.: Манн,
Иванов, Фарбер, 2014,-240с.
53.Организационная структура предприятий/ Коноков Д.Г., Рожков М.А.,
Смирнов А.О., Яниковская О.Н., издание второе. М.: ИСАРП, 1999. 176 с.
(серия "Бизнес-Тезаурус")
54.В. Андреев, Электронный ресурс, "Ландшафтный дизайн" для
информационных систем.
55.Сенаторов М.Ю. Левин С.Е., Нагибин С.Я. Дистанционный контроль
производственной безопасности топливно-энергетического комплекса,
XVIМеждународная научно – практическая конференция «Технические
науки – от теории к практике», Санкт Петербург, 23 января 2017г.,
сборник научных
56.Нагибин С.Я. Лоскутов Д.И. Выбор нейронных сетей для оценки и
прогнозирования рисков промышленной безопасности предприятий.
Гуманитарный
национальный
исследовательский
институт
«НАЦРАЗВИТИЕ» (Санкт-Петербург). 2019.ISBN: 978-5-6043254-0-7
публикаций, журнал «Globus».
57.Левин С. Е., Нагибин С. Я., Шилов В. В. Мониторинг промышленной
безопасности
топливно-энергетического
комплекса
XVII
Международная научно – практическая конференция «Технические
науки – от теории к практике», Санкт Петербург, февраль 2018г.,
сборник научных публикаций.
199
58. Богданова Л.М., Курпатов О.В., Левин С.Е., Нагибин С.Я., Сенаторов
М.Ю. Метод расчета интервальной оценки стоимости аварии в пирамиде
промышленной безопасности, Автоматизация в промышленности
№10,2022 DOI: 10.25728/avtprom.2022.10.01
59.Богданова Л.М., Курпатов О.В., Левин С.Е., Нагибин С.Я., Сенаторов
М.Ю. Методика оценки стоимости событий промышленной
безопасности,, Автоматизация в промышленности №12,2022 DOI:
10.25728/avtprom.2022.12.01
60.Bogdanova L., Nagibin S., Loskutov D., Analysis of Neural Networks for
Predicting Time Series When Assessing Industrial Safety Risks. ISSN
2217‐8309, DOI: 10.18421/TEM92-08, May 2020. TEM Journal – Volume 9 /
Number 2 / 2020
61.Нагибин С..Я., Лоскутов Д.И.Исследование критериев оценки прогноза
показателей промышленной безопасности предприятий. Национальная
безопасность
России:
актуальные
аспекты:
сборник
статей
всероссийской научно-практической конференции (Санкт-Петербург,
Январь 2022). – СПб.:ГНИИ «Нацразвитие», 2021
62.Phoenix Dynamic Systems. Программная платформа. Версия 7.9.
Техническая документация, 2023.
63.ГОСТ Р 53647.1-2009 НАЦИОНАЛЬНЫЙ СТАНДАРТ РОССИЙСКОЙ
ФЕДЕРАЦИИ. МЕНЕДЖМЕНТ НЕПРЕРЫВНОСТИ БИЗНЕСА, Практическое
руководство
64.Сенаторов М.Ю., Щербаков А.Ю. Доверенные информационнотелекоммуникационные системы: стратегия будущего, Аналитический
банковский журнал №02 (205) февраль 2013, с.76-80.
65.Богданова Л.М., Курпатов О.В.,.Левин С.Е,. Нагибин С.Я, Сенаторов
М.Ю. Метод расчета интервальной оценки стоимости аварии в пирамиде
промышленной безопасности, Автоматизация в промышленности №10,
2022.
66.Нагибин С.Я., Сенаторов М.Ю., Фролков Е.В., Шмид А.В. Подход к
оценке и прогнозированию динамики оттока банковских вкладов с
использованием технологий Big Data. «Безопасность информационных
технологий» 2014, №4,
200
Похожие документы
Руководителю предприятия В связи с переходом со
Руководителю предприятия В связи с переходом со
ПОЛИТИКА РУКОВОДСТВА ОАО «КЦ» В ОБЛАСТИ ОХРАНЫ
ПОЛИТИКА РУКОВОДСТВА ОАО «КЦ» В ОБЛАСТИ ОХРАНЫ
Разгадай кроссворд к Дню охраны труда.
Разгадай кроссворд к Дню охраны труда.
Совершенствование контрольно
Совершенствование контрольно
ОАО РЖД «ОРГАНИЗАЦИЯ производственного контроля в
ОАО РЖД «ОРГАНИЗАЦИЯ производственного контроля в
Загрязнение воды как следствие промышленных аварий
Загрязнение воды как следствие промышленных аварий
3. ПОЛИТИКА ПРЕДПРИЯТИЯ В ОБЛАСТИ ПРОМЫШЛЕННОЙ
3. ПОЛИТИКА ПРЕДПРИЯТИЯ В ОБЛАСТИ ПРОМЫШЛЕННОЙ
Опасный полис
Опасный полис
Скачать
реклама