Формирование объяснимой интеллектуальной модели на основе иерархической нечеткой продукционной системы для анализа состояния участков взлетно-посадочной полосы

Александр Александрович Сорокин; Денис Викторович Диденко

doi:10.17308/sait/1995-5499/2025/1/82-100

Александр Александрович Сорокин Каспийский институт морского и речного транспорта имени генерал-адмирала Ф. М. Апраксина – филиал Волжского государственного университета водного транспорта, Астраханский государственный технический университет https://orcid.org/0000-0001-5085-8417
Денис Викторович Диденко АО «Аэропорт Астрахань»

DOI: https://doi.org/10.17308/sait/1995-5499/2025/1/82-100

Ключевые слова: взлетно-посадочная полоса, оценка состояния, классификация, объяснимая модель, нечеткая продукционная система, теория нечетких множеств, алгоритм Сугено

Аннотация

В рамках исследований предложена объяснимая интеллектуальная модель, формирующая оценки состояния участков взлетно-посадочной полосы (ВПП), и выполняющая их классификацию по стоянию. В качестве основы для модели выбраны положения теории нечетких множеств, которые позволяют реализовать нечеткие продукционные системы (НПС) для формирования оценок объектов анализа в условиях, когда параметры, характеризующие состояние объекта, имеют различные единицы измерения и уровень влияния на итоговый результат. Возможности НПС позволяют распределять по классам состояния элементы анализируемого множества объектов. Важным свойством НПС является возможность объяснения причин формирования определенной оценки. В качестве набора параметров, используемых для оценки участка ВПП, использованы характеристики годности, предусматриваемые Федеральными авиационными правилами (ФАП 262). Предлагаемая модель агрегирует одиннадцать параметров. Учитывая количество параметров, сама модель реализована в виде каскадной иерархической НПС. В результате экспериментов показано, что модель обладает высокой чувствительностью к изменению значений оцениваемых параметров в области «скорее плохих», «плохих» или «аварийных» значений. Формирование «низкой» итоговой оценки и соотнесение объекта анализа с «плохими» классами состояния происходит в т.ч., когда «плохое» значение появляется хотя бы у одного из учитываемых параметров. Такое свойство ценно тем, что в ФАП 262 предусматривается принятие решения о негодности ВПП в т.ч. когда хотя бы у одного из параметров значение вышло за границы годности. Модель справилась с распределением объектов анализа по классам состояния в случаях, когда на входы подавались кортежи с различными комбинациями значений учитываемых параметров. Массивы промежуточных значений позволили последовательно выявить переменные, которые влияли на формирование низкой выходной оценки. Возможность корректировать различные значения входных параметров позволило определить возможные варианты управляющих воздействий для перевода исследуемого объекта анализа в более «высокий» класс состояния.

Скачивания

Данные скачивания пока не доступны.

Биографии авторов

Александр Александрович Сорокин, Каспийский институт морского и речного транспорта имени генерал-адмирала Ф. М. Апраксина – филиал Волжского государственного университета водного транспорта, Астраханский государственный технический университет

канд. техн. наук, доц., доцент кафедры «Математические и естественнонаучные дисциплины», Каспийского института морского и речного транспорта имени генерал-адмирала Ф. М. Апраксина – филиал ФГБОУ ВО «Волжский государственный университет водного транспорта», доцент кафедры «Связь», ФГБОУ ВО «Астраханского государственного технического университета»

Денис Викторович Диденко, АО «Аэропорт Астрахань»

генеральный директор АО «Аэропорт Астрахань»

Литература

1. Rukhlinsky V. M., Bolshedvorskaya L. G. and Ganiev S. F. (2022) Analysis of methods for evaluation of the irregularities changing of the aerodrome pavement in the far north and the arctic. Crede Experto: transport, society, education, language. No 1. P. С. 6–17.
2. Kolosova M. S. and Fraimovich D. Yu. (2024) Analysis of trends in the functioning of water and air transport in the regions of the Russian federation against the backdrop of emerging crises. Russian Journal of Water Transport. No 78. P. 148–155.
3. Rukhlinskiy V. M. and Vdovenko R. A. (2021) Influence of the aerodrome pavement roughness on the service life characteristics of the aircraft operated in the conditions of the far north. Scientific Bulletin of the State Research Institute of Civil Aviation. No 34. P. 113–125.
4. Shevchenko A. M., Nachinkina G. N. and Gorodnova M. V. (2018) Methodology for developing effective algorithms for predicting the aircraft braking mode. Control Sciences. No 2. P. 66–74.
5. Set of rules SP 491.1325800.2020 “Airfields. Rules for inspection of technical condition” (approved by order of the Ministry of Construction and Housing and Communal Services of the Russian Federation dated December 25, 2020 N 863-pr). URL
6. Order of the Ministry of Transport of the Russian Federation of August 25, 2015 N 262 “On approval of the Federal Aviation Rules “Requirements for airfields intended for takeoff, landing, taxiing and parking of civil aircraft” (with amendments and additions). URL
7. Piegat A. (2015) Fuzzy Modeling and Control. Moscow : Binomial. Knowledge Laboratory. 801 p.
8. Kazantsev A. Yu. (2024) Application of artificial intelligence in preventing and minimizing discharges of oily water from ships. Caspian Scientific Journal. No 1 (2). P. 9–20.
9. Taranik M. M. and Kopanitsa G. D. (2014) Tasks and methods analysis of medical intellectual systems implementation. Medical doctor and information technologies. No 3. P. 6–12.
10. Tenenev V. A. and Shatalova O. M. (2019) Fuzzy inference methods for forming expert systems for forecasting innovative processes. Intelligent Systems in Manufacturing. Vol. 7, No 4. P. 129–136.
11. Omarov B. [et al.] (2017) Design of Fuzzy Logic based Controller for Energy Efficient Operation in Smart Buildings // 2017 First IEEE International Conference on Robotic Computing, Taichung, Taiwan. P. 349–351. DOI
12. Bhupendra K. and Anamika Y. (2019) A Fuzzy Logic System to Detect and Classify Faults for Laboratory Prototype Model of TCSC Compensated Transmission Line. Journal of Power Technologies. No 99 (1). P. 49–57
13. Akinsooto O., Ogundipe O.B. and Ikemba S. (2024) Developing national standards for fuzzy logic-based control systems in energy-efficient HVAC operations. Engineering Science & Technology Journal. Vol. 5. No 9. P. 2779–2804. DOI
14. Nagothu S. K.[et al.] (2025) Advancing aquaculture: fuzzy logic-based water quality monitoring and maintenance system for precision aquaculture. Aquaculture International. Vol. 33. DOI
15. Selvalakshmi B. [et al.] (2024) Predictive maintenance in industrial systems using data mining with fuzzy logic systems. ICTACT Journal on Soft Computing. Vol. 14, Iss. 4. P. 3361–336. DOI
16. Panteleev V. I., Petukhov R. A. and Sizganova E. Yu. (2018) Analysis of the effectiveness of the application of fuzzy voltage regulation in distribution networks. Journal of Siberian Federal University. Series: Engineering & Technologies. Vol. 11, No 5. P. 536–549. DOI
17. Kopyrin A. S. and Kopyrina A. O. (2021) Development of the generic system of inference rules by knowledgebase. Software systems and computational methods. No 1. P. 1–9. DOI
18. Sanaeva G. N. [et al.] (2020) Hierarchical system of fuzzy regulation of acetylene production process by oxidative pyrolysis of natural gas. Vestnik of Astrakhan state technical university. Series: Management, computer science and informatics. No 1. P. 7–17.
19. Sorokin A. A. (2023) Information system for analyzing the state of infrastructure elements of multiservice networks based on hierarchical fuzzy inference. Electrosvyaz. No 5. P. 43–52.
20. Decree of the President of the Russian Federation of October 10, 2019 N 490 “On the de velopment of artificial intelligence in the Russian Federation” (with amendments and additions). URL
21. Sorokin A. A. (2021) Investigation of hierarchical fuzzy inference systems, when obtain ingintegral estimates of the analyzed objects. Information Technology. Vol. 27, No 11. P. 582–591.
22. Adhikari S., Sinha N. and Dorendrajit T. (2016) Fuzzy logic based on-line fault detection and classification in transmission line. Springer Plus. Vol. 5. P. 1002. DOI
23. Shidong P. [et al.] (2024) Modeling Interdependent Infrastructure System Vulnerability with Imprecise Information Using Two Fuzzy Inference Systems. Transportation Research Record: Journal of the Transportation Research Board. DOI
24. Leonenkov A. V. (2005) Fuzzy modeling in MATLAB and fuzzy Tech environments. SPb : BHV-Petersburg. 736 p.
25. Ledeneva T. and Moiseev S. (2012) Formalizing interpretable fuzzy sets properties and linguistic scales of fuzzy systems. Journal of Applied Informatics. 2012. No 4 (40). P. 126–132.
26. Kamthan S. and Singh H. (2022) Hierarchical Fuzzy Logic Systems. Journal of The Institution of Engineers (India): Series B. Vol. 103, No 4. P. 1167–1175. DOI
27. Alrashoud M. (2019) Hierarchical Fuzzy Inference System for Diagnosing Dengue Disease. IEEE International Conference on Multimedia and Expo Workshops (ICMEW), Shanghai, China. P. 31–36. DOI
28. Mutlu B., Sezer E. A. and Akcayol M. A. (2018) End-to-End Hierarchical Fuzzy Inference Solution. IEEE International Conference on Fuzzy Systems (FUZZ-IEEE). DOI
29. Hodashinsky I. A. [et al.] (2018) Dynamic-signature-based user authentication using a fuzzy classifier. Computer Optics. Vol. 42, No 4. P. 657–666.
30. Lee K. H. (2004) First Course on Fuzzy Theory and Applications. Springer Science & Business Media. 340 p.
31. Maaroof N. [et al.] (2023) Multi-Class Fuzzy-LORE: A Method for Extracting Local and Counterfactual Explanations Using Fuzzy Decision Trees. Electronics. Vol. 12, No 10. DOI
32. Karpenko A. S. (2017) Counterfactual thinking. Logical Investigations. Vol. 23, No 2. P. 98–122. DOI