СРЕДСТВО ЦВЕТОВОЙ ИДЕНТИФИКАЦИИ СОСТОЯНИЯ СИСТЕМЫ Российский патент 2024 года по МПК G05B23/00 

Изобретение может быть применено для цветовой идентификации состояния системы в любой области техники и относится преимущественно к системной инженерии, технике охранной сигнализации.

Известны различные способы визуализации данных.

Для представления пространственных отношений и региональных данных широко применяются «Географические диаграммы, в которых данные визуализируются за счет градации цвета (Map Charts)», для показа, из каких частей состоит целое и сколько места в этом целом занимает каждая часть, используются круговые диаграммы, состоящие из секторов, для вывода рядов данных в виде фрагментов концентрических колец применяются кольцевые диаграммы с несколькими рядами данных (Excel имеет встроенную поддержку для добавления комбинаций диаграмм и карт, также известных как картографические диаграммы. Уокенбах, Джон. Диафаммы в Excel.: Пер. с англ. - М.: Издательский дом "Вильямс", 2003 - 448 с.: ил. - Парал. тит. англ. ISBN 5-8459-0474-9 (рус.)).

Недостатком данного типа устройств, реализующих такие способы визуализации данных, является ограничение информативности представления данных, поскольку в каждом виде диаграмм реализуется только единственный принцип отображения данных (градации цвета в зависимости от величин отображаемых данных, изменения площади секторов или фрагментов концентрических колец в зависимости от величин отображаемых данных).

Также известны Лучевые (солнечные) диаграммы (Sunburts), удобные для представления иерархических данных. Диаграмма Sunburst представляет из себя диаграмму, похожую на солнце с ветвящимися лучами. Круг в центре - это корневой узел, а лучи, которые движутся наружу, - дочерние элементы. Диаграмма солнечных лучей рисуется в виде круга, где каждое кольцо представляет уровень в иерархии группы. В то время как внутреннее кольцо включает категории верхнего уровня, внешние кольца отображают подкатегории. Размеры сегментов пропорциональны соответствующим значениям ([Электронный ресурс], URL: https://translated.turbopages.org/proxy_u/en-ru.ru.344efcf2-62e57427-8c05ca3f-74722d776562/https/www.spreadssheetweb.com/sunbust-chart-excel/).

Каждое значение на диаграмме занимает область, границы которой определяются стартовым углом и углом развертки. Чем больше величина, которую требуется отобразить на диаграмме, тем больше угол развертки ([Электронный ресурс], URL: https://www.fastreport.ru/public_download/docs/FRBusinessGraphics/online/ru/ProgrammerManual/ru-RU/Charts/Sunburst.html).

Отображение иерархии в лучевой диаграмме может интерпретироваться, как цель и призванные обеспечить ее достижение задачи и шаги ([Электронный ресурс], URL: https://studopedia.ru/13_123005_k-luchevaya-diagramma.html).

Недостатком данного типа устройств, реализующих такой способ визуализации данных, является ограничение информативности представления данных, поскольку производится только изменение площади фрагментов концентрических колец в зависимости от величин отображаемых данных, а цвет используется только для выделения тематических частей иерархии, цвета назначаются заблаговременно (каждый цвет представляет одну из категорий (ветвей) самого высокого уровня).

Для представления части целого и анализа зависимости величин применяются интерактивные кольцевые диаграммы (Donut Transitions). Это те же кольцевые диаграммы, только анимированные. Интерактивная кольцевая диаграмма - один из лучших способов для выявления закономерностей между несколькими параметрами. При изменении анализируемых параметров изменяются и пропорции диаграммы. Такая диаграмма удобна для контроля динамики изменения наблюдаемых параметров. Она состоит из единственного кольца (Яу Н. Искусство визуализации в бизнесе. Как представить сложную информацию простыми образами / Нейтан Яу; пер. с англ. Светланы Кировой. - М.: Манн, Иванов и Фербер, 2013. - 352 с.).

Недостатком данного типа устройств, реализующих такой способ динамической визуализации данных, является ограничение информативности представления данных, поскольку производится изменение только площади (пропорций) фрагментов концентрических колец в зависимости от изменения величин отображаемых данных, а цвет используется только для выделения тематических частей, цвета назначаются заблаговременно, диаграмма состоит из одного кольца, иерархическое представление отсутствует.

Для обеспечения наглядности представления информации о состоянии безопасности группы объектов, в известных публикациях, предлагается использовать живой и наглядный язык цифровых карт - средства картирования и моделирования, предоставляемые ГИС. Необходимая информация о состоянии систем безопасности нижнего уровня сопровождается цветовыми оценками состояния объектов (доменов) на карте в реальном масштабе времени: «зеленый» (0) - нормальное состояние; «желтый» (1) - ненормальная работа (сбои, отказы устройств, наладка); «оранжевый» (2) - опасность первого уровня (устраняемая на региональном уровне); «красный» (3) - глобальная опасность (на рис. 1 на стр. 574 статьи В.А. Куделькин, И.М., Янников, М.В. Телегина, Т.Г. Габричидзе Комплексное описание состояния защищенности территории с использованием геоинформационной системы / Известия Самарского научного центра Российской академии наук, т. 17, No 6(2), 2015. - С. 573-576 цветовые оценки состояния кластеров переходят на высший уровень иерархии в соответствии с наихудшим состоянием домена из состава кластера, расположенного на низшем уровне иерархии). Данный подход аналогично изложен последующих источниках (упомянутые правила присвоения цветовых характеристик кластерам и доменам, а также интерпретация визуализированных цветовых характеристик приведены в таблице 4.1 и показаны на рисунке 4.7, схема передачи информации - на рисунке 4.8 книги Интеллектуальная интегрированная система безопасности критически важных и потенциально опасных объектов [Текст] / И.М. Янников, В.А. Куделькин, Т.Г. Габричидзе [и др.]; под редакцией И.М. Янникова; Самарский научный центр Российской академии наук. - Самара: Издательство Самарского научного центра РАН, 2019. - 181 с.: ил.).

Недостатком данного типа устройств, реализующих такой способ визуализации данных, является упрощение способа передачи информации с одного уровня иерархической системы на другой, при котором передача осуществляется без учета важности передаваемой информации о худшем состоянии отдельного домена из группы (кластера) как для оценки непосредственно состояния всего такого кластера, так и для рациональной оценки состояния этого кластера нижнего уровня на вышестоящем уровне с учетом его вклада в общее состояние вышестоящего уровня, на котором критерии оценки должны быть другими в результате отличия частей системы разных уровней по количественным и качественным характеристикам, наличием приоритетов в оценке вклада частей сложных систем.

Аналогичная система задания цветовых оттенков состояния объектов изложена для случая, когда географическая информационная система (ГИС) обеспечивает интеграцию локальных систем мониторинга безопасности и жизнеобеспечения (ЛСБ) и создание структур любой сложности с подключением неограниченного числа пользователей, объектов, подсистем безопасности и жизнеобеспечения. При этом в основу архитектуры ГИС положена доменная (кластерная) структура, состоящая из центрального (корневого) и периферийных информационных доменов. Каждый кластер более низкого иерархического уровня связан с одним из доменов более высокого уровня. Схема таких связей показана простыми стрелками, соединяющими кластеры нижнего уровня с доменами, входящими в состав кластеров верхнего уровня для каждой группы из соседствующих уровней иерархии на рисунках на стр. 111 книги (Кризис предупреждения чрезвычайных ситуаций и пути его преодоления: учебно-практическое пособие// Т.Г. Габричидзе, В.А. Куделькин, В.Ф. Денисов. - Самара: Изд-во СамНЦ РАН, 2013. - 144 с.: ил.). На рисунке над стрелками, соединяющими кластеры с доменами, сделаны выноски с указанием обозначений типа fij(X), а в последующем тексте указывается, что функции fij(X) реализуют интегральную оценку безопасности кластера предыдущего иерархического уровня.

Недостатком данного типа устройств, реализующих такой способ обработки и визуализации данных, является упрощение способа передачи информации с одного уровня иерархической системы на другой, при котором, несмотря на то, что производится передача интегральной оценки безопасности, передача осуществляется без учета важности передаваемой информации о состоянии кластера для домена, входящего в состав кластера другого (высшего) уровня иерархии.

Важным направлением исследования таких «больших» или «сложных» систем является рассмотрение их как многоуровневых систем, или систем с иерархической структурой.

Иерархическим системам управления соответствуют многоцелевые и многоуровневые системы принятия решений (иерархии элементов, принимающих решения).

Одна из существенно иерархических проблем состоит в том, как осуществляется переход с уровня на уровень: как поведение системы на одном уровне влияет на системы, расположенные на соседних уровнях. Этот вопрос относится не к иерархии вообще, а лишь к взаимосвязи между двумя смежными уровнями. Аналогичным образом проблема состоит не в том, чтобы выяснить, какие свойства повторяются на каких-то или па всех уровнях, а скорее в том, чтобы выявить межуровневые свойства.

Решение отмеченной проблемы сводится к математическому решению проблемы координации (Месарович, М.Д. Теория иерархических многоуровневых систем / М.Д. Месарович, Д. Мако, И. Такахара; [перевод с английского И.Ф. Шахнова]. Под ред. И.Ф. Шахнова; Предисл. чл.-кор. АН СССР Г.С. Поспелова. - Москва: Мир, 1973. - 344 с.: ил.).

Координация (в частности, принципы координирования) дает механизм для достижения интеграции. А именно, в имеющей надлежащую структуру двухуровневой системе усилия, необходимые для достижения глобальной цели, распределяются между элементами различных уровней, так, что ни один из этих элементов не «уполномочен» добиваться конечной цели; тем не менее, цель каждого индивидуального элемента такова, что глобальная цель будет достигнута, если каждый элемент функционирует надлежащим образом. В упомянутой книге «Теория иерархических многоуровневых систем» рассмотрена двухуровневая система с п элементами на первом уровне. Каждый элемент имеет собственную цель, которая зависит от координирующего параметра, получаемого от координатора. Координатор имеет цель, отличную от глобальной цели, и выбирает координирующий параметр так, чтобы обеспечить выполнение своей собственной цели.

Если зависимость между этими целями закономерна, система может достигнуть глобальной цели. С позиций внешнего наблюдателя вполне уместно считать, что система преследует некую глобальную цель, хотя попытки найти в системе элемент, задача которого состояла бы в достижении именно этой цели, обречены на провал. Интегральное поведение определяется действиями координатора и его стремлением добиться выполнения собственной цели.

Таким образом, интеграция достигается посредством координации. Понимание механизмов интеграции связано с нахождением цели координатора. При этом координатор и процесс координации упоминается в функциональном смысле; наличие структурно выделенного координирующего элемента вовсе не необходимо.

В рассмотренной книге исследования взаимоотношения между уровнями приведены на примере двухуровневой системы. При этом, для вышестоящего элемента возможен вариант организации взаимодействия элементов нижестоящего уровня за счет координирования путем «создания коалиций». В этом случае элементы нижестоящего уровня знают о существовании других решающих элементов на том же уровне. Вышестоящий элемент определяет, какого рода связи разрешены между ними. Это приводит к коалиционным или конкурентным (в теоретико-игровом смысле) отношениям между нижестоящими элементами.

Недостатком данного типа устройств, реализующих такой способ обработки и визуализации данных, является сведение вариантов интерпретации результатов взаимодействия исключительно к цифровому представлению данных. Кроме того, вышестоящий элемент управления определяет роль связей между взаимодействующими элементами на уровне ниже, но не устанавливает критериев оценки результирующего состояния элементов уровня и не предусматривает назначения поправочных коэффициентов, дающих оценку важности каждого элемента уровня для решения общей задачи, а переход с уровня на уровень также не сопровождается указанием оценки важности (передаточного коэффициента) для тематической группы элементов ниже лежащего уровня (слоя).

В задачах мониторинга социально-экономических систем во многих случаях используется множество показателей, имеющих различную размерность. Каждый из них отражает отдельные аспекты социально-экономических систем. Преимущество такого подхода заключается в возможности глубокого и всестороннего исследования различных составляющих системы. К недостаткам можно отнести сложность анализа, избыточность информации, проблематичность сравнительного анализа различных социально-экономических систем (здесь и далее приводятся поясняющие материалы из статьи Е.С.Митяков, Д.А. Корнилов К вопросу о выборе весов при нахождении интегральных показателей экономической динамики / Труды Нижегородского государственного технического университета им. Р.Е. Алексеева No 3(90), 2011. С. 289-299).

Другим подходом к оценке устойчивого развития социально-экономических систем является разработка агрегированных индикаторов (индексов), на основе которых можно судить как об отдельных компонентах устойчивости социально-экономических систем, их комбинации, так об устойчивости системы в целом. Истоки такого агрегирования лежат в широко известном системном подходе, где в течение многих лет с успехом применяется принцип анализа и синтеза, декомпозиции и объединения. К недостаткам агрегирования можно отнести невозможность точного оценивания динамики отдельных показателей. Значительные трудности при агрегировании информации в индексы возникают при определении весов исходных показателей. Тем не менее, использование обобщенных индексов позволяет анализировать и отслеживать обобщенные тенденции в отдельных сферах.

Использование обобщенных индексов широко используется при мониторинге различных параметров экономической динамики. На первом этапе производится формирование системы показателей. Все показатели группируются по блокам (проекциям), отражающим различные аспекты функционирования системы. На следующем этапе происходит нормировка показателей. Поскольку все индикаторы имеют различную размерность, для их совместной оценки целесообразно, наряду с анализом натуральных показателей, проводить их нормировку. При этом индикаторы заменяются безразмерными индексами, которые удобно анализировать, например, с помощью лепестковой диаграммы (по сути, линейной диаграммы в виде круга, отображающей тренды данных с помощью углов). В большинстве случаев применяется их отображение на отрезок [0,1] (нормирующая функция должна быть одинакова для всего множества индикаторов). Выбор нормирующей функции (линейной или нелинейной) определяется конкретной задачей, требованиями к отображению информации, необходимостью детализации отдельных участков изменения аргумента, выбором зон ранжирования индикаторов. После нормировки теряется размерность, но сохраняется тонкая структура изменения отдельных индикаторов. При этом появляется реальная возможность их сравнения и отображения в единой системе координат.

В отмеченной книге рассмотрен один из распространенных и простых способов агрегирования, при котором по каждой из составляющих (проекций) социально-экономической системы вычисляются обобщенные индексы как среднее взвешенное величин соответствующих нормированных показателей с учетом их значимости. Такой подход целесообразно применять, если между показателями отсутствует функциональная зависимость. В литературе различают среднеарифметическое, среднегармоническое, среднеквадратичное и среднегеометрическое взвешенное.

Анализ этих индексов дает возможность рассмотреть динамику поведения экономической системы по каждой из проекций. При этом применяются весовые коэффициенты - числовые коэффициенты, отражающие значимость, относительную важность, "вес" отдельной характеристики в сравнении с другими, влияющими на результат.

Наконец, может быть найден обобщенный индекс экономического развития страны как суммы индексов всех ее составляющих с учетом их значимости по одной из указанных выше методик. Одним из способов нахождения весов являются следующие методы:

- метод ранжирования;

- метод попарного сопоставления;

- метод непосредственной оценки;

- метод адаптивной оценки;

- метод парной корреляции.

Все эти методы широко известны и применяются в различных приложениях современной науки. В описанной методике частично отсутствует учет качественных факторов оценки, что предполагается компенсировать за счет применения в последующем аппарата нечеткой логики.

Недостатком данного типа устройств, реализующих такой способ обработки и визуализации данных, является сведение вариантов интерпретации результатов взаимодействия исключительно к цифровому представлению данных и представлению динамики их изменения на лепестковой диаграмме (по сути, на линейной диаграмме в виде круга, отображающей тренды данных с помощью углов). Кроме того, не рассматривается иерархия элементов управления, не определяется роль связей между взаимодействующими элементами на соседних уровнях, не предусматривается назначение поправочных коэффициентов, дающих оценку важности уровня для решения общей задачи иерархической системы, переход с уровня на уровень также не рассматривается и не сопровождается указанием оценки важности (передаточного коэффициента) для тематической группы элементов ниже лежащего уровня (слоя).

Учеными предложено идентифицировать четыре уровня экономической безопасности предприятия: критический, низкий, средний и высокий. Поскольку максимально возможное значение коэффициента экономической безопасности составляет - 1, то для определения границ уровней экономической безопасности использовался равный интервал с шагом в 0,25. При этом каждому интервалу, в который может попасть значение сводного интегрального показателя, ставился в соответствие цвет (рис. 1.4 документа Мишенина Я.С. Стратегическая оценка интегрального уровня экономической безопасности предприятия / Выпускная квалификационная работа // «Белгородский государственный национальный исследовательский университет» (НИУ «БелГУ»). Белгород, 2018. 122 с.).

Рассмотренный механизм оценки экономической безопасности предприятия позволяет выявить отклонения фактических показателей от оптимальных значений, позволяет анализировать динамику показателей, выявить наиболее слабые стороны жизнедеятельности предприятия, использовать графический метод при оценке результатов реализации различных вариантов управленческих решений для определения состояния жизнеспособности предприятия.

Недостатком данного подхода к оценке экономической безопасности является погрешность, связанная с присвоением «оценок» каждому из рассчитываемых показателей, применение примитивного правила присвоения цветовых индикаторов. Кроме того, так же не рассматривается иерархия элементов управления, не определяется роль связей между взаимодействующими элементами на соседних уровнях управления.

Известно об использовании системы частных критериев, разработанных для оценки вариантов управленческих решений применительно к планированию применения сил и средств подразделений пожарной охраны для ликвидации пожаров. При этом, оценка вариантов решений по разработанным критериям выбора представляла собой сумму произведений частных показателей выбора на коэффициенты важности, которые рассчитывались на основе регрессионных зависимостей, получаемых путем статистического анализа фактов тушения пожара.

Также известен способ выбора вариантов, который осуществляется на основе теоретико-множественного анализа векторных оценок с использованием векторной функции, построенной на линейных комбинациях параметров выбора с учетом коэффициентов относительной важности критериев, получаемых экспертным путем. Цель поддержки управления в данной задаче сводится к сужению множества допустимых вариантов до трех, из которых руководителю тушения пожара необходимо произвести окончательный выбор (стр. 38, 39 Тараканов Денис Вячеславович Многокритериальные модели и методы поддержки управления пожарными подразделениями на основе мониторинга динамики пожара в здании. Диссертация на соискание ученой степени доктора технических наук. Академия Государственной противопожарной службы. Москва - 2018. 340 с. [Электронный ресурс], URL: file:///C:/Users/_/Downloads/58657-86108.pdf).

Непосредственно в упомянутой диссертационной работе дана классификация моделей оперативно тактических действий (вероятностных и детерминированных) и отмечено, что в первом приближении можно заключить, что в основе детерминированных моделей лежат понятия среднего арифметического и среднего геометрического значения моделируемого параметра. Поэтому в основном детерминированные модели подразделяются на два вида основных вида:

- аддитивные модели, представляющие моделируемый параметр s в виде суммы произведений значений отдельных показателей и коэффициентов их важности - аналог среднего арифметического значения параметра;

- мультипликативные модели, где моделируемый параметр представлен произведением частных показателей, возведенных в степень значений коэффициентов важности - аналог среднего геометрического.

Далее в диссертации приведено описание многокритериальных моделей оптимизации управленческих решений, которые представляются в виде процедуры многокритериального выбора вариантов решений, которая включает в себя работу с тремя основными элементами: множество вариантов (Х={х1, …, xn}), векторный критерий (F={f1, …, fm}) и систему предпочтений (П). При этом предлагается с помощью простейших математических преобразований, например логарифмирования, осуществить переход от аддитивной модели к мультипликативной и в дальнейшем использовать только аддитивную модель, подразумевая, что полученные результаты применимы и для мультипликативного случая. Выбор управленческих решений на основе аддитивной модели действий можно заменить эквивалентным выбором с использованием функции:

где fi(x) - количественные критерии, определяемые на основе параметров si;

s - моделируемый параметр;

si - частный параметр, влияющий на моделируемый параметр s;

wi - показатели важности параметров модели, которые рассчитаны на основе αi и отвечают требованию

αi - коэффициент влияния i-го параметра на результат моделирования.

Недостатком данного типа устройств, реализующих такой способ обработки данных, является сведение вариантов интерпретации результатов взаимодействия исключительно к цифровому представлению данных. Кроме того, разработанные методы определения значений показателей важности предназначены для выбора управленческих решений в пределах отдельного тематического направления для отдельного уровня управления. Предложенные критерии не предусматривается применять для совокупности обычно одновременно присутствующих задач различной тематической направленности, и их применение ограничивается областью, описываемой количественными параметрами мониторинга пожара в совокупности с параметрами моделирования действий пожарных подразделений. Предложенная методика не предусматривает назначения поправочных коэффициентов, дающих оценку важности каждого элемента уровня для решения общей задачи, а переход с уровня на уровень также не сопровождается указанием оценки важности (передаточного коэффициента) для тематической группы элементов ниже лежащего уровня (слоя).

Известен «метод последовательных исключений», который предполагает наличие для организационно-технической системы (далее - ОТС) аналитической модели, обеспечивающей возможность вычисления ее целевой функции с использованием весовых коэффициентов элементов, входящих в систему, и учитывающей комплекс эффектов от применения этих элементов.

Полагается, что каждая ОТС выполняет некоторую работу для достижения заданной цели. Каждый элемент выполняет долю работы ОТС, соответствующую своему весовому коэффициенту. Сумму весовых коэффициентов предлагается считать равной единице. После ввода исходных параметров функционирования каждого элемента назначается одинаковое для всех элементов ОТС усредненное значение весового коэффициента, соответствующее случаю, когда все элементы в ОТС выполняют одинаковый объем работ. Далее вычисляется значение показателя целевой функции ОТС при одинаковом для всех элементов усредненном значении весовых коэффициентов. После этого вычисляются значения показателя целевой функции ОТС поочередно без каждого из своих элементов. Нормированная величина разницы между этим значением целевой функции ОТС с исключением некоторого элемента и ее значением, рассчитанным с усредненным коэффициентом, является весом исключенного элемента. То есть в методе полагается, что именно отсутствие эффекта от функционирования исключенного элемента наносит урон ОТС, в состав которой этот элемент входит.

Известен «Метод последовательных исключений» состоит из четырех шагов (Бойко А.А., Дегтярев И.С. Метод оценки весовых коэффициентов элементов организационно-технических систем // Системы управления, связи и безопасности. 2018. No 2. С. 245-266. URL: http://sccs.intelgr.com/archive/2018-02/12-Boyko.pdf).

Шаг 1. Устанавливают для весовых коэффициентов элементов ОТС единое усредненное значение. То есть полагается, что изначально все элементы ОТС равнозначны. Поскольку сумма весовых коэффициентов элементов ОТС равна 1, то значение одинакового для всех элементов усредненного весового коэффициента рассчитывается по формуле, как отношение единицы к количеству элементов ОТС.

Шаг 2. Вычисляют значение целевой функции ОТС с одинаковым для всех элементов усредненным весовым коэффициентом.

Шаг 3. Вычисляют значения целевой функции ОТС без каждого элемента поочередно. Получают кортеж значений показателей целевой функции ОТС, состоящий из набора показателей, рассчитанных при каждом исключенном элементе. В случае исключения одного элемента система должна выполнить тот же объем работы, что и без его исключения. Поэтому работа исключенного элемента возлагается на оставшиеся элементы системы. Это математически выражается перераспределением значения весового коэффициента исключаемого элемента по весовым коэффициентам остальных элементов. Необходимость перераспределения доказывается на примере двух конкурирующих одинаковых ОТС, в одну из которых дополнительно добавляется уникальный элемент. Для таких исходных данных исключение дополнительного элемента без перераспределения приведет к ситуации, когда две одинаковые ОТС будут выполнять разный совокупный объем работ, что противоречит логике.

Значение перераспределенного одинакового для всех оставшихся элементов ОТС усредненного весового коэффициента вычисляется по формуле, как отношение единицы к количеству элементов ОТС за вычетом одного (исключенного) элемента.

При необходимости в модели также производят перенормировку весовых коэффициентов в группах, подгруппах и т.п., предусматриваемых целевой функцией ОТС.

Шаг 4. Вычисляют кортеж реальных весовых коэффициентов элементов, последовательно используя формулу, как отношение разницы между значением целевой функции и значением показателя целевой функции при исключенном элементе к сумме всех таких разниц, полученных для каждого случая исключения конкретного элемента.

Полученные с использованием формулы весовые коэффициенты могут иметь положительные, нулевые или отрицательные значения. Отрицательные значения весовых коэффициентов могут быть у тех элементов, которые наносят урон своей ОТС (например, такое может быть в военных ОТС, когда некоторые силы и средства ведут т.н. «дружественный огонь» по своим силам и средствам вследствие дезинформации).

Метод последовательных исключений предполагает также вариант исключения нескольких элементов из ОТС. В таком случае урон ОТС от их исключения будет соответствовать весу совокупности исключенных элементов. Однако, одновременное исключение нескольких элементов целесообразно в том случае, когда существование такой самостоятельной совокупности элементов предусматривает целевая функция ОТС. При этом следует учитывать, что суммарный урон от исключения двух и т.д. элементов по отдельности меньше урона от их одновременного исключения по причине возникновения т.н. «синергетического» эффекта в ОТС.

Метод применяется для максимального сокращения объема экспертных оценок.

При этом тактико-технические и подавляющее большинство организационных показателей являются задаваемыми.

Недостатком данного типа устройств, реализующих такой способ обработки данных, является сведение вариантов интерпретации результатов взаимодействия исключительно к цифровому представлению данных. Кроме того, разработанный метод определения значений показателей важности предназначен для выбора управленческих решений в пределах отдельного тематического направления для отдельного уровня управления. В предлагаемой комплексной модели производятся вычисления по принципу «снизу вверх»: значения показателей низших групп используются в расчете значений показателей высших групп иерархической системы используемых в модели показателей на причинно-следственной стадии детализации показателей в пределах одного уровня управления. Предложенные критерии не предусматривается применять для совокупности обычно одновременно присутствующих задач различной тематической направленности, и их применение ограничивается областью, описываемой комплексной аналитической моделью общевойскового боя. Предложенная методика не предусматривает назначения поправочных коэффициентов, дающих оценку важности каждого элемента уровня для решения общей задачи, а переход с уровня на уровень управления не рассматривается и не сопровождается указанием оценки важности (передаточного коэффициента) для тематической группы элементов ниже лежащего уровня (слоя).

Известны общие правила целеобразования посредством построения дерева целей (для многоконтурной модели регулирования или многоуровневой модели управления).

При этом любая цель высших уровней иерархии дерева целей достигается лишь посредством осуществления подцелей, на которые она распадается. Отсюда следует, что рассматривать конкретные средства достижения целей и расходуемые на это ресурсы можно лишь на низших звеньях дерева целей, на пределе его разветвления. Следовательно, когда речь идет о выборе конкретных вариантов реализации целей, дерево целей должно по всем своим ветвям быть доведено до уровня, который считается нижним в данной ветви (Черняк Юрий Ильич. Системный анализ в управлении экономикой. М., «Экономика», 1975. 191 с. URL: https://systems-analysis.ru/assets/systems_analysis_chemyak.pdf?ysclid=1704pyghnn783445608).

Средства достижения цели являются ее подцелями, они в свою очередь становятся целями для следующего нижестоящего уровня иерархии. Поэтому дерево целей в целом надо рассматривать как однородную структуру, как одну общую цель, лишь детализированную по уровням иерархии и аспектам, отражаемым в разных ветвях.

Весь комплекс целей, представленных в виде дерева, реализуется наиболее эффективно в том случае, если каждая подсистема стремится к достижению своей собственной цели (в едином дереве целей).

Непротиворечивость целей других подсистем той же системы и соблюдение условий наиболее эффективного достижения общей цели обеспечиваются действием критериев.

В ходе построения дерева целей (как совокупности целей на всех уровнях управления) производится оценка целей и их связей, устанавливаются критерии и весовые коэффициенты, осуществляется ряд расчетных процедур.

Дерево целей представляет собой главный инструмент увязки целей высшего уровня с конкретными средствами их достижения на низшем производственном уровне через ряд промежуточных звеньев.

В отмеченной книге приведено изложение методов системного анализа и решаемых ими задач связи уровней управления сложных иерархических систем.

Недостатком данного типа устройств, реализующих такой способ обработки данных, является неопределенность (произвольность) способов оценки целей и их связей, установления критериев и весовых коэффициентов, методов осуществления ряда расчетных процедур.

Известна методика PATTERN разработана для повышения эффективности процессов принятия решений в области долгосрочной научно-технической ориентации крупной промышленной фирмы. Сущность метода PATTERN заключается в следующем (Дейнека А.В., Першакова Т.В., Абызова Е.В. Дерево целей и функций системы управления региональной потребительской кооперацией / Краснодарский кооперативный институт (филиал БУПК) // ПОЛИТЕМАТИЧЕСКИЙ СЕТЕВОЙ ЭЛЕКТРОННЫЙ НАУЧНЫЙ ЖУРНАЛ КУБАНСКОГО ГОСУДАРСТВЕННОГО АГРАРНОГО УНИВЕРСИТЕТА. №: 4(12), 2005. С: 98-110. URL: http://ej.kubagro.ru/2005/04/08/p08.asp).

Исходя из сформулированных целей потребителей продукции фирмы, на прогнозируемый период осуществляется построение дерева целей. Для каждого уровня дерева целей вводится ряд критериев. С помощью экспертной оценки определяются веса критериев и коэффициенты значимости, характеризующие важность вклада целей в обеспечение критериев. Значимость некоторой цели определяется коэффициентом связи, представляющим сумму произведений всех критериев на соответствующие коэффициенты значимости. Общий коэффициент связи некоторой цели (относительно достижения цели высшего уровня) определяется путем перемножения соответствующих коэффициентов связи в направлении вершины дерева.

Недостатком данного типа устройств, реализующих такой способ обработки данных, является сведение вариантов интерпретации результатов взаимодействия исключительно к цифровому представлению данных. К недостаткам следует отнести упрощение способа определения значимости некоторой цели (в предположении отсутствия связей (корреляции) между этими переменными и отсутствия «синергетического эффекта» от их совместного влияния). Кроме того, к недостаткам следует отнести упрощение способа передачи информации с одного уровня иерархической системы на другой, при котором передача интегральной оценки производится исключительно путем перемножения соответствующих коэффициентов связи.

Известно, что нервная система человека и высших животных представляет собой совокупность огромного числа двух типов клеток - нервных клеток (нейронов) и глиальных клеток. Информационные процессы, протекающие в нервной системе, зависят в основном от строения и свойств нейронов и характера связей между ними.

Схематично нейрон можно разделить на три части: тело клетки, содержащее ядро и клеточную протоплазму; дендриты - древовидные отростки, служащие входами нейрона; аксон, или нервное волокно, - единственный выход нейрона, представляющий собой длинный цилиндрический отросток, ветвящийся на конце (здесь и далее приводятся поясняющие материалы из книги Быков, Александр Петрович От нейрона - к искусственному мозгу [Текст] / А.П. Быков, А.В. Вейц. - Москва: Наука, 1971. - 126 с.: ил.).

Роль глиальньгх клеток, окружающих нейроны, сводится к обеспечению нормального обмена веществ, механической поддержке массы нейронов и влиянию на эффективность передачи информации между нейронами. Глиальные клетки могут участвовать в механизмах образования временных связей при образовании условных рефлексов (Уманская Т.М. Невропатология. Естественнонаучные основы специальной педагогики: Учеб. пособ. для студентов-бакалавров высших учебных заведений дефектологических факультетов / Под общ. ред. В.И. Селиверстова / Т.М. Уманская. - М.: Гуманитарный изд. центр ВЛАДОС, 2015. - 296 с: ил. URL: https://iknigi.net/avtor-t-umanskaya/110486-nevropatologiya-tatyana-umanskaya/read/page-1.html).

Нельзя полагать, что, изучив отдельный нейрон, можно понять работу всей нервной системы в целом. По своему внешнему виду нейроны необычайно разнообразны. Заметно различаются и функции нейронов. Интенсивность входного возбуждения нейрона отражается в частоте и количестве импульсов на выходе нейрона, при чем, частота и количество импульсов при одной и той же силе внешнего раздражения определяется конкретным типом нейронов и изменяются в широком диапазоне. Основным законом проведения каждого отдельного нервного импульса по нервному волокну нейрона (аксону) является закон «все или ничего», т.е. в любой момент возможны лишь два состояния нервного волокна - есть импульс, причем максимально возможный, или его нет. Величина импульса и скорость его проведения не зависят то силы раздражения, а определяются лишь свойствами данного аксона. Сила раздражения находит отражение в частоте и количестве импульсов. Из нейронов образуются однонаправленные цепи передачи возбуждения. Если сигнал пришел в нейрон по определенному количеству древовидных отростков (дендритов), служащих входами нейрона, на который поступает информация от предыдущего нейрона через концевые веточки (синапсы) нервного волокна нейрона (аксона), то его эффективность будет равна сумме весов всего количества концевых веточек (синапсов). Это свойство пространственного суммирования возбуждений проявляется почти при любом воздействии, т.к. чаще всего не один, а множество концевых веточек (синапсов) одного нервного волокна нейрона (аксона) располагается на одном и том же нейроне. Так же будут суммироваться и воздействия от двух или более одновременно возбужденных нейронов, имеющих свои синапсы на данном нейроне. Приход возбуждающего сигнала в период, когда внутренний потенциал нейрона еще не достиг уровня покоя, приводит к суммированию его воздействия с воздействием предыдущих сигналов, создавая временное суммирование возбуждений. При достижении внутренним потенциалом уровня возбуждения, равного уровню в состоянии покоя, вырабатывается нервный импульс, который затем начинает распространяться по нервному волокну нейрона (аксону) в направлении следующего нейрона. Величину, на которую нужно изменить внутренний потенциал, чтобы вызвать генерацию выходного импульса, называют величиной порога возбуждения нейрона. Она равна разности между уровнем возбуждения и внутренним потенциалом нейрона. В момент генерации импульса нейрон находится в состоянии полной невозбудимости. Генерация нервного импульса может происходить и при отсутствии интенсивных входных сигналов. Это свойство нейрона называют спонтанной активностью.

К сложности описанных процессов, протекающих в отдельном нейроне, следует добавить различие их геометрии, размеров, особенности их взаимного расположения и соединения множества отдельных нейронов всей нервной системы.

Для изучения этой сложной системы первоначальной упрощенной моделью нейрона стал «формальный нейрон» (искусственный нейрон). У такого нейрона есть несколько входных каналов и только один выходной канал. По входным каналам на нейрон поступают данные задачи (x1, х2, …, xn - входной сигнал), а на выходе формируется результат работы (выходной сигнал Y (паттерн)).

Поступившие на входы сигналы умножаются на свои веса (w1, w2, …, wn - весовые коэффициенты синапсических связей). Сигнал первого входа x1 умножается на соответствующий этому входу вес w1. В итоге получаем x1w1. И так до n-ого входа. В итоге на последнем входе получаем xnwn.

Формальный нейрон (искусственный нейрон) вычисляет взвешенную сумму входных сигналов (x1w1+x2w2+…+xnwn), характеризующую степень общего возбуждения нейрона, а затем преобразует полученную сумму с помощью заданной нелинейной функции активации.

В самом простом случае известны функции активации в виде функции единичного скачка, преобразование полученной взвешенной суммы производится следующим образом: если взвешенная сумма больше определенного порога b, то выход нейрона равен 1. Если ниже, то 0. Для разных типов искусственных нейронов используют самые разные функции активации: сигмоидальная функция (часто логистическая функция), гиперболический тангенс. Множество, состоящее из порогового уровня и всех весов, называют параметрами нейрона (Гафаров Ф.М Искусственные нейронные сети и приложения: учеб. пособие / Ф.М. Гафаров, А.Ф. Галимянов. - Казань: Изд-во Казан, унта, 2018. - 121 с. URL: https://kpfu.ru/staff_files/F1493580427/NejronGafGal.pdf).

Простейшей моделью части нервной системы может служить сеть, составленная из формальных нейронов (технических моделей нейронов). Сложность нервной системы обусловила многообразие вариантов моделей ее частей в виде искусственных нейронных сетей (состоящих из множества слоев формальных нейронов).

Аппарат искусственных нейронных сетей (ИНС) - это математический аппарат, являющийся в определенном смысле компьютерной моделью нейронных сетей биологических объектов и человека, обладающий способностями к обучению на основе эмпирических данных, работы в случае недостатка информации или при ее значительной зашумленности. Данный аппарат обладает удивительной «гибкостью», обеспечивающей «приспособление» ИНС-моделей к различным эмпирическим данным за счет изменения их структуры и настроечных параметров (Зенкова Н.А. Моделирование на основе аппарата искусственных нейронных сетей как метод исследования в психологической науке // Вестник Тамбовского университета. Серия Естественные и технические науки. Тамбов, 2009. Т. 14. Вып. 3. С. 577-590).

Возможность регулирования значения весов синаптических связей wi и значения порогов bi в сети на пути прохождения возбуждения, реализованная в разных моделях определяет возможность обучения и самообучения искусственных нейронных сетей. Такое регулирование параметров искусственного нейрона задает пути прохождения возбуждений через искусственную нейронную сеть, простейшим образом формируя связи «посылка - следствие» так, чтобы заставить возбудиться нужный нейрон. Предъявляя множество эталонов и регулируя параметры, производят обучение сети данному образу (предварительную настройку искусственной нейронной сети).

Сеть обучается по эталонным ситуациям, решение которых известно, а затем в рабочем режиме выдает решение во всем диапазоне ситуаций и при этом автоматически определяет, на какую «знакомую» ситуацию более всего похожа введенная и, следовательно, какое решение надо принять. Обучение заканчивается тогда, когда вероятность узнавания достигает требуемого значения, т.е. необходимость корректировки параметров по предъявленным эталонам возникает все реже. После такой настройки можно использовать искусственную нейронную сеть в рабочем режиме распознавания. Нейросеть имитирует ассоциативное мышление (Барский А.Б. Нейронные сети: распознавание, управление, принятие решений. - М.: Финансы и статистика, 2004. - 176 с.: ил.).

Известны различные способы обучения искусственных нейронных сетей: обратного распространения ошибки (посредством обратного и прямого прохода по сети), трассировки, градиентного спуска и т.д. Известна общая классификация постановок задач машинного обучения: обучение без учителя, обучение с частичным привлечением учителя, обучение с учителем, обучение с подкреплением (Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. Погружение в мир нейронных сетей. - СПб.: Питер, 2022. - 480 с.: ил. - (Серия «Библиотека программиста»).

Обученная искусственная нейронная сеть, по сути, является функцией от весовых коэффициентов (с учетом пороговых уровней - величин критериев оценки в виде функций активации).

Известно применение искусственных нейронных сетей в целях классификации (когда модель получает на вход и формирует на выходе категориальные значения, для этого категориальные признаки соответствующим образом кодируются с помощью числовых значений), численного предсказания (когда на входе и выходе модели используются числовые значения) и распознавания визуальных образов (символов на бумаге и банковских картах, подписей на официальных документах, объектов детектирования, речи, обнаружения лиц на фотографиях и видеокадрах, распознавания лиц (описание изобретения к патенту RU 2718222 С1 Распознавание лиц с помощью искусственной нейронной сети)).

Недостатком данного типа устройств, реализующих такой способ обработки информации, является использование преимущественно цифрового представления данных и последующее оперирование исключительно числовыми значениями данных. При прямом применении такого подхода к моделированию сложной системы, состоящей из нескольких уровней управления, требуется подготовка многих вариантов эталонных ситуаций, решение которых известно для случаев сквозного формирования ситуаций, начиная с нижнего уровня управления, включая промежуточные уровни управления и заканчивая верхним уровнем управления иерархической системы, что значительно усложняет применение такого подхода на практике.

Кроме того, к недостаткам следует отнести применение способа передачи информации с одного уровня иерархической системы на другой, при котором передача интегральной оценки для уровня производится опосредованно путем учета соотношения вклада весов отдельных ситуаций, формирующихся на уровне при составлении различных эталонных ситуаций. При этом подготовка эталонных ситуаций существенно затрудняется.

Декларативно обозначен подход, который позволяет создавать иерархии нейросетевых моделей по пополняемой и уточняемой информации в каждом из случаев: «уравнения», «наборы данных», - и в смешанной гетерогенной ситуации «уравнения+данные». Предполагается, что такие модели устойчивы к ошибкам и способны усваивать новую поступающую информацию (здесь и далее приводятся поясняющие материалы из статьи Васильев А.Н.1, Тархов Д.А. Нейросетевой подход к созданию иерархических систем оценки влияния транспортной инфраструктуры на окружающую среду // Современные информационные технологии и ИТ-образование, 2013. - №9. - С. 525-533). Предусматривается, что в дальнейшем на основании сочетания банков моделей и банков данных, банков алгоритмов и программ целесообразно создание специализированных интеллектуальных систем управления экологией окружающей среды, опирающихся на методы создания иерархических уточняемых нейросетевых моделей. Важно, что, несмотря на широкий спектр задач, которые будут решать такие системы, и большие различия физических явлений, возникающих при взаимодействии загрязняющих веществ (ЗВ) с окружающей средой (ОС), соответствующие нейросетевые модели будут строиться на основе разработанного авторами унифицированного подхода, позволяющего резко сократить расходы на создание соответствующих систем и существенно повысить их гибкость и модифицируемость. Авторы считают, что Лежащий в основе этого подхода комплекс методов и алгоритмов в настоящий момент не имеет аналогов в мире и обладает приоритетной новизной. Отличие этого подхода от применяемых обычно поясняется на примере конкретной задачи. Принципиальное отличие реальной постановки задачи, формализуемой уравнением и соответствующими граничными условиями, состоит в том, что входящие в нее параметры не являются константами и известны с некоторой погрешностью. Для многоуровневой системы такие параметры (скорость воздушного потока, концентрация загрязнений на границе региона s f и т.д.) часто определяются решением задачи на другом уровне иерархии. Вычисления при большом числе наборов параметров требуют нерационально больших затрат вычислительных ресурсов.

При этом модели на каждом уровне иерархии имеют свои особенности. На самом нижнем уровне (отдельные дома, перекрестки и отрезки улиц между перекрестками) профиль скоростей и, поле выбросов Q имеют большую вариабельность, связанную с обтеканием воздушным потоком отдельных зданий и влиянием отработавших газов единичных автомобилей в случае несплошного транспортного потока.

На следующем уровне (район города или небольшой город) влиянием отдельных автомобилей и обтеканием отдельных домов можно пренебречь, большее влияние приобретает суточный, недельный (будни и выходные) и годовой ритмы, а также, наложение выбросов отдельных объектов загрязнений (ОЗ).

Для крупных городов имеет смысл выделить следующий уровень - всего города, для которого важными являются задачи прогноза и управления экологической ситуацией в зависимости от планирования транспортной инфраструктуры, графика ремонта улиц, оптимизация транспортных потоков с помощью управления работой светофоров и информационных табло, строительство объездных дорог и т.д.

В реальных ситуациях трудно определить саму границу региона S и условия на ней. Обычно, вместо них, наряду с дифференциальными уравнениями, бывает задана дополнительная информация, например, в виде приближенно известных данных наблюдений (измерений j с помощью датчиков, размещенных в некотором наборе точек области G). Предлагаемый авторами подход позволяет объединить разнородную информацию о системе в нейросетевой модели.

Данный подход может быть эффективно применен для решения обратных задач и задач, поставленных некорректно или данных в неклассической постановке. Подобные задачи возникают, например, в случаях, когда определяющие моделируемую систему характеристики известны не точно, когда необходимо исследовать поведение решения в зависимости от некоторого параметра или когда надо идентифицировать значение параметра по данным измерений. К таким задачам, в частности, относятся задачи определения функции Q по данным наблюдений. Приближенное решение задачи находится в виде выхода искусственной нейронной сети заданной архитектуры, веса которой - линейно входящие параметры ci и нелинейно входящие параметры ai -определяются в процессе поэтапного обучения сети на основе минимизации функционала ошибки.

Иерархическая система мониторинга должна быть построена на нескольких уровнях, каждому из которых соответствует свой набор математических моделей, описывающих распространение загрязнений и другие важные для рассматриваемых задач величины, например, скорость ветра, температуру воздуха и т.д. Данные модели обычно имеют вид или уравнений в частных производных с граничными и начальными условиями, или таблиц (баз данных) с результатами наблюдений (измерения интересующих параметров). Авторами разработан обобщенный подход к построению иерархии нейросетевых моделей для каждого из случаев: «уравнения» или «наборы данных», - и в смешанной гетерогенной ситуации: «уравнения+данные».

При классическом подходе для того чтобы учесть воздействие от соседних областей, а также от внешних условий, нужно пересылать большой массив информации. При изменении каких-либо внешних параметров, придется формировать другой информационный массив, и так - до бесконечности. Авторы упомянутой статьи предлагают пересылать от информационной системы, соответствующей одной области в информационную систему, соответствующую другой области или другому уровню иерархии вместо большого массива чисел упомянутую выше готовую параметризованную нейросетевую модель, в которой уже заложены зависимости от возможного изменения внешних условий.

Предполагается, что нейросетевое моделирование систем с распределенными параметрами позволит проанализировать эти типы выбросов, выявить скрытые зависимости и определить управляющие параметры.

Недостатком данного типа устройств, реализующих такой подход обработки информации, является использование преимущественно цифрового представления данных и последующее оперирование исключительно числовыми значениями данных. Не смотря на декларацию авторов подхода о том, что иерархическая система мониторинга должна быть построена на нескольких уровнях, каждому из которых соответствует свой набор математических моделей, авторами предлагается пересылать от информационной системы, соответствующей одной области в информационную систему, соответствующую другой области или другому уровню иерархии вместо большого массива чисел, упомянутую выше, готовую параметризованную нейросетевую модель, в которой уже заложены зависимости от возможного изменения внешних условий. Тем самым, не производится локализация специфических нейросетевых моделей в пределах одного уровня иерархии. Трансляция большого массива информации всего лишь заменена на трансляцию обученной нейросети. На конкретном уровне иерархии не производится агрегация (обобщения) данных разных типов решаемых задач и на вышестоящий уровень не передается комплексный (обобщенный) показатель состояния уровня системы, фактически отдельная задача решается комбинацией (последовательным подключением) нескольких обученных нейросетей разных уровней иерархии. Такая фактическая реализация обусловлена тем, что, по сути, авторами решается отдельно взятая задача для специализированных интеллектуальных систем управления экологией окружающей среды, опирающихся на методы создания иерархических уточняемых нейросетевых моделей, а разделение на уровни объясняется желанием исключить нерационально большие затраты вычислительных ресурсов при прямом применении единственной нейросети к моделированию сложной системы, состоящей из нескольких уровней управления экологией.

Известны следующие описания патентов, раскрывающие уровень техники, например, патент RU 2125294 С1 Способ оперативной диагностики состояний многопараметрического объекта по данным измерительной информации, МНК G08C 15/06 (1995.01), опубл. 20.01.1999 г.

Технический результат достигается за счет того, что состояние измерительного параметра представляют из цифрового кода в цветовой код видимого спектра, а весь поток измерительной информации отображают на экране нескольких многоцветных видеомониторов в виде цветокодовой матрицы-диаграммы [nxt], где n - количество измерительных параметров, a t- время их регистрации. При этом используется принцип причинно-следственных зависимостей, происходящих во времени в объекте процессов, отображаемых параметрами, что позволяет однозначно по виду цветокодовой матрицы-диаграммы [nxt] оценить динамику изменения анализируемых процессов с выявлением последовательности их взаимовлияния при переходе из одного состояния в другое.

Цель изобретения - оперативное обнаружение первоисточника изменения состояний многопараметрического объекта, выявление взаимовлияния наблюдаемых процессов (событий) по измерительным параметрам их отображающим, сокращение сроков анализа разнотипных измерительных параметров для информационной поддержки принятия решений по диагностике динамических изменений состояний многопараметрического объекта.

Цель достигается реализацией заявляемого способа оперативной диагностики состояний МДО по данным измерительной информации, позволяющего визуально оценивать динамику изменения состояний многопараметрического объекта с экрана одного или нескольких многоцветных видеомониторов.

Сущность изобретения состоит в том, что с целью повышения оперативности анализа, состояние (класс состояний) измерительного сигнала (например, норма - не норма, сигнал в допуске - не в допуске по той или иной характеристике наблюдаемого процесса) представляют из цифрового кода в цветовой код видимого спектра, а весь поток измерительной информации с МДО отображают на экране одного или нескольких многоцветных видеомониторов в виде матрицы-диаграммы.

При этом используется принцип причинно-следственных зависимостей, происходящих во времени в МДО процессов, отображаемых параметрами, согласно которому первым по временной шкале будет отображен отклик (состояние) датчика (параметра), который первым зарегистрировал предельное значение AD наблюдаемого процесса (или одной из его исследуемых характеристик), что однозначно несет сообщение о выходе измерительного параметра за пределы допуска AD и о переходе МДО в новое состояние (класс состояний).

Недостатком данного типа устройств, реализующих такой подход обработки информации, является использование только визуальной оценки оператором состояния параметров многопараметрического объекта. При этом акцент делается на выявлении очередности выхода параметров измеряемого процесса за рамки поля допуска по информации от конкретного датчика, первым зарегистрировавшего такое отклонение, а не на складывающейся ситуации.

В этом способе отсутствует интегральная компьютерная оценка состояния системы на уровне иерархии, не обеспечивается учет изменения важности ситуации, складывающейся на расположенном ниже уровне иерархии для расположенного выше уровня иерархии, и не производится анализ цветовой индикации результата обработки информации для каждого уровня системы и системы в целом.

Известен способ динамического анализа состояний многопараметрического объекта или процесса по пат. РФ на изобретение № RU 2138849 C1, МНК G06F 19/00 (1995.01), опубл. 27.09.1999 г.

Технический результат заключается в наглядном представлении для динамического анализа обобщенных данных о состоянии многопараметрического объекта. Технический результат достигается за счет того, что производится оперативное преобразование результатов допусковой оценки факта и направления изменения динамических параметров по контролируемой характеристике исследуемого процесса в соответствующие информационные сигналы с обобщением по всему множеству параметров в заданном временном интервале, при динамическом анализе которых определяют относительную величину и характер изменения интегрального состояния многопараметрического объекта

Цель изобретения - наглядное представление для динамического анализа обобщенного по всему множеству контролируемых параметров состояния многопараметрического объекта или процесса с оперативным определением относительной величины и характера изменения его состояния, а также сокращение сроков анализа для информационной поддержки принятия решений при диагностике состояния МПО

Способ позволяет обеспечить наглядное представление для динамического анализа изменения состояния МПО с экрана одного многоцветного видеомонитора и оперативное (в реальном масштабе времени) определение относительной величины изменения и характера развития диагностируемого процесса с оценкой последовательности (предыстории) его изменения.

Сущность способа состоит в том, что с целью обеспечения наглядного представления для оперативного динамического анализа изменения обобщенного состояния МПО осуществляется преобразование результатов допусковой оценки факта и направления изменения динамических параметров по контролируемой характеристике исследуемого процесса в соответствующие информационные сигналы, с обобщением по всему множеству параметров в заданном временном интервале, при динамическом анализе которых определяют относительную величину и характер изменения интегрального состояния многопараметрического объекта. Операцию преобразования осуществляют путем формирования соответствующего цветового сигнала видимого спектра в зависимости от результатов допусковой оценки факта и направления изменения динамического параметра (падает - повышается) с обобщением по всему множеству параметров на заданном временном интервале, при этом отображают информационные сигналы посредством матрицы-диаграммы, столбцы которой соответствуют относительной величине оцененного класса состояния параметров объекта, строки -заданным временем интервалам, а относительную величину и характер изменения интегрального состояния объекта определяют по направлениям изменения и относительным величинам этого изменения во времени цветовых сигналов, обобщенных по всему множеству параметров по контролируемой характеристике исследуемого процесса.

Способ позволяет осуществить наглядное представление для динамического анализа интегрального состояния объекта с экрана видеомонитора, оперативно (в реальном масштабе времени) обнаруживать изменение класса состояний МПО и оценивать относительную величину и характер изменения состояния по всему множеству контролируемых параметров.

Вместе с тем, недостатком данного типа устройств, реализующих такой подход обработки информации, является использование только визуальной оценки оператором состояния параметров многопараметрического объекта. При этом акцент делается на оперативном определении относительной величины и характера изменения состояния в виде так называемых цветокодовых матриц-диаграмм представления обобщенных данных для информационной поддержки принятия решений по диагностике состояния, что позволяет формировать представление о складывающейся ситуации только исходя из соотношения выделенных классов и введенных обобщенных характеристик.

Кроме того, в каждый временной интервал, за счет обобщения по всему множеству параметров по контролируемой характеристике исследуемого процесса, для отображения интегрального состояния используются различные цветовые оценки этого состояния, что для оценки протекания отдельных процессов относительно друг друга в динамике (на основе мгновенного учета соотношения изменяющихся контролируемых параметров) может быть приемлемым, но, для множества возможных задач, совершенно неприемлемо, поскольку не дает устойчивого представления об отклонении процессов от их номинального состояния и невозможности реального контроля отклонения ситуации от нормы, а не от предыдущего абстрактного состояния.

В этом способе отсутствует компьютерная оценка состояния системы на уровне иерархии (она производится только оператором в процессе вывода информации на экран монитора), не обеспечивается учет изменения важности ситуации, складывающейся на расположенном ниже уровне иерархии для расположенного выше уровня иерархии, и не производится компьютером анализ цветовой индикации результата обработки информации для каждого уровня системы и системы в целом.

Известен способ цветового представления и анализа динамики состояния многопараметрического объекта или процесса по пат. РФ на изобретение №RU 2150742 С1, МПК G06F 19/00 (2000.01), опубл. 10.06.2000 Бюл. №16.

Технический результат заключается в обеспечении оперативного цветокодового представления и анализа состояния МПО, который достигается за счет того, что идентифицированные по допусковому способу, с точки зрения принадлежности к i-му классу состояния, текущие значения разнородных динамических параметров преобразуют в соответствующие информационные цветокодовые сигналы видимого спектра последовательно во времени с обобщением по всему множеству динамических параметров в заданном временном интервале. При этом операцию преобразования осуществляют путем формирования соответствующего информационного цветокодового сигнала, отображают информационные цветокодовые сигналы посредством матрицы-диаграммы состояния МПО, столбцы которой соответствуют идентифицированному текущему значению i-го класса состояния динамического параметра, строки - заданным временным интервалам. Такой подход позволяет обеспечить оперативное представление и анализ последовательности смены класса состояния МПО по циклограмме его функционирования, полноту отображения по всему множеству наблюдаемых динамических параметров и характер перехода МПО из одного класса состояния в другой с обобщением по всему упорядоченному множеству разнородных динамических параметров, отображающих текущее состояние МП.

Данный способ наследует недостатки, отмеченные для предьщущих способов, кроме того во всех этих способах не учитывается взаимное расположение цветокодовых сигналов оцениваемых параметров, их природа и истинные причинно-следственные связи, известные задолго до проведения расчетов и вывода на экран монитора для обозрения оператором, которые должны оцениваться независимо от оператора компьютером для исключения «человеческого фактора».

Известен способ словесно-логического представления и анализа динамики состояния многопараметрического объекта или процесса по пат. РФ на изобретение № RU 2261468 С2, МПК G06F 7/10 (2000.01), опубл. 20.07.2004 Бюл. №20.

Изобретение относится к вычислительной технике и может быть использовано в автоматизированных и экспертных системах анализа для оперативного представления и анализа динамики состояния многопараметрических объектов (МПО) или процессов. Его применение позволяет получить технический результат в виде обеспечения словесно-логического представления и анализа динамики состояния МПО или процесса. Этот результат достигается благодаря одновременной обработке на ЭВМ всего множества разнородных параметров с учетом их вида, взаимного влияния и содержания таким образом, чтобы вся представляемая информация имела отличительные признаки, исключающие интерференцию вариантов решений, принимаемых обработчиком-аналитиком по оценке состояния МПО. При этом операцию преобразования осуществляют путем формирования на выходе математических моделей высказывательных функций, активирующих генерацию словесно-логических интерпретаций, отображающих комплексную оценку многопараметрического пространства пересечения между классами состояния МПО по данным телеметрического контроля и информации, вводимой с терминальных комплексов

Предусматривается осуществление перехода от традиционного представления динамического параметра (характеристики исследуемого процесса: амплитуда, частота и т.п.) в виде графика или функции изменения его значения во времени и цветокодового представления динамики изменения текущего класса состояния многопараметрического объекта или процесса в виде матрицы-диаграммы к нетрадиционному представлению в виде демпфированной последовательности грамматически разобранных словесно-логических конструкций в имеющих изначальное исходное сходство терминах и обозначениях, применяемых при описании:

- специфических параметров обратной связи;

- особенностей знаний, как формы представления информации в ЭВМ;

- таксономии как системы классификации поведения, связанного с выполнением задачи оценки состояний;

- структурных элементов и связей между ними в рамках описания агрегативных и естественно-языковых систем, а также систем отображения информации.

Сущность способа словесно-логического представления и анализа динамики состояния многопараметрического объекта или процесса, таким образом, состоит в оперативном преобразовании и представлении на средствах отображения информации результатов допусковой оценки состояний измерительных параметров в виде взаимосвязанной системы слов, символов, n-мерных изображений, аудио-комментариев и т.п., максимально способствующих решению оперативной задачи в заданном временном интервале.

Система предназначена для отображения информации для словесно-логической интерпретации динамики состояния многопараметрического объекта или процесса.

Способ, таким образом, позволяет обеспечить количественный и качественный анализ динамики поведения многопараметрического объекта или процесса и представление его результатов с наглядностью, адекватной ситуации в заданном временном интервале, так как обработчик-аналитик и ЭВМ функционируют как партнеры, осуществляющие постоянный совместный анализ и синтез информации и общаются на языке, не требующем перешифровки.

Разработана логическая последовательность действий по преобразованию информации, поставляемой обратной связью и представлению на естественном языке результатов анализа динамики поведения многопараметрического объекта или процесса, что приводит к достижению поставленной цели изобретения.

Предусматривается обеспечить общение и взаимодействие разработчика-аналитика со всеми структурными образованиями, определяющими динамику поведения многопараметрических объектов или процессов в целом в любом заданном интервале времени.

В качестве интегральной характеристики могут быть использованы графические и текстовые отображения многопараметрического пространства пересечений динамических параметров, формируемые автоматически или по вызову обработчика-аналитика, как диагностический разрез многопараметрического объекта или процесса в целом адекватно текущей ситуации.

Предложенный подход позволяет получать наглядные модели изменения состояний многопараметрического объекта в виде некоторой логической совокупности соответствующих словесно-логических графических и текстовых интерпретаций, одновременно имеющих автоматически встраиваемые элементы для интерактивного воздействия на средства регулирования

Данный способ (хотя и построен на выводе правил) наследует недостатки, отмеченные для предыдущих способов, кроме того, дополнение графического представления информации текстовой составляющей, всего лишь улучшает возможность работы оператора диалоговом режиме и не приводит к компьютерной обработке сути складывающейся ситуации.

Известны устройство и способ для контроля технической установки, содержащей множество систем, в частности установки электростанции по пат. РФ на изобретение № RU 2313815 С2, МПК О05В 23/02 (2006.01), опубл. 27.12.2007 Бюл. №36.

Предусмотрено улучшение динамической модели, по крайней мере, одной системы технической установки во время работы системы посредством основанного на искусственном интеллекте алгоритма.

В основе изобретения поэтому лежит задача указания улучшенного устройства, а также способа для контроля технической установки, содержащей множество систем, в частности установки электростанции. При этом должна быть, в частности, достижима высокая точность предсказания относительно развивающейся в технической установке неисправности.

Также так называемые "медленно изменяющиеся отклонения процесса", которые уводят от желаемой рабочей ситуации и практически всегда предшествуют появлению неисправности и/или нарушению хода процесса, должны по возможности распознаваться заблаговременно.

Изложенная задача решается согласно изобретению с помощью устройства для контроля технической установки, содержащей множество систем, в частности установки электростанции, содержащего:

- по крайней мере, один модуль анализа, который содержит динамическую модель, по крайней мере, одной системы технической установки, причем к модулю анализа являются подводимыми в качестве входных данных рабочие и/или структурные параметры технической установки,

- по крайней мере, один содержащийся в модуле анализа основанный на искусственном интеллекте алгоритм, посредством которого динамическая модель системы является улучшаемой во время эксплуатации системы,

причем посредством модуля анализа являются определяемыми выходные данные, которые характеризуют мгновенное и/или будущее поведение системы в эксплуатации.

"Основанный на искусственном интеллекте алгоритм" охватывает, в частности, методы искусственного интеллекта, такие как нейронные сети, нечеткую логику и генетические алгоритмы.

В частности, динамическая модель содержит, по крайней мере, одну нейронную сеть, которая является обучаемой историческими рабочими параметрами системы.

Перечисление известных автором этого изобретения математических методов обработки информации в отношении, в частности установок электростанций и даже установок, содержащих множество систем, не позволяет добиться решения вопроса цветовой идентификации состояния системы в любой области техники, в отношении преимущественно к системной инженерии, технике охранной сигнализации.

Недостатком данного типа устройств, реализующих такой способ обработки данных, является сведение вариантов интерпретации результатов взаимодействия исключительно к цифровому представлению данных. К недостаткам следует отнести упрощение способа определения значимости некоторой цели (в предположении отсутствия связей (корреляции) между этими переменными и отсутствия «синергетического эффекта» от их совместного влияния). Кроме того, к недостаткам следует отнести отсутствие учета способа передачи информации с одного уровня иерархической системы на другой, не предусматривается применение нейросетей для оценки складывающейся ситуации (идентификации состояния системы) на уровне иерархической системы на основе анализа взаимного расположения цветовых характеристик параметров системы.

Известно устройство по патенту РФ №2360272 C1, МПК G05B 17/00 (2006.01), опубл. 27.06.2009 г., Бюл. №18. Система мониторинга оперативной обстановки в составе комплекса средств автоматизации автоматизированной системы управления радиоэлектронными средствами военных объектов.

Технический результат заключается в формировании на рабочих местах операторов динамических квазиобъемных информационных моделей сложной реальной обстановки.

Предлагаемый способ построения и визуального отображения трехмерной модели выбранного участка местности и расположенных на нем объектов включает построение трехмерной модели местности по матрице высот двухмерной карты, отображение трехмерной модели каркасным способом с обеспечением возможности изменения шага сетки модели, и/или путем построения однотонной модели с тенями, и/или путем построения гипсометрической модели с обеспечением возможности соответствия цвета точек их высоте, и/или путем построения модели с наложением текстуры, и/или путем построения модели с наложением плоского отображения выбранного участка местности двухмерной карты, изменение освещенности трехмерной модели в зависимости от времени суток и/или в зависимости от изменения положения источника освещения, сохранение визуальных и пространственных параметров отображения выбранного участка местности в базе данных, создание пользовательских объектов на трехмерной модели с записью их в базу данных, изменение характеристик объектов на местности на двухмерной модели и автоматизированное отображение их на трехмерной модели.

Недостатком данного типа устройств, реализующих такие способы визуализации данных, является ограничение информативности представления данных, поскольку в каждом виде моделей реализуется только единственный принцип отображения данных (соответствия цвета точек их высоте).

Не обеспечивается решение технической проблемы идентификации состояния системы (выявления складывающейся ситуации) и цветовой индикации результата для каждого уровня системы и системы в целом.

Известен патент РФ №2580813 С2, МПК G05B 23/02 (2006.01), опубл. 10.04.2016 г., Бюл. №10. Способ и система цветового представления анализа динамики состояния многопараметрического объекта или процесса.

Предложена система цветового представления и анализа динамики состояния многопараметрического объекта или процесса.

Реализация предлагаемого способа осуществлена с использованием системы цветового представления и анализа динамики состояния многопараметрического объекта или процесса, с применением экспертной системы энергосберегающего управления и автоматизированного рабочего места разработчика систем энергосберегающего управления.

На первом этапе идентифицируются параметры многопараметрического объекта или процесса и выполняется процедура полного анализа процессов динамики оптимального управления на множестве состояний функционирования. По результатам анализа оптимального управления формируется множество когнитивных образов эквивалентов GRij оптимального управления, которые объединены в группы, соответствующие многозонным моделям динамики многопараметрического объекта или процесса. Из данных групп в адресном пространстве ПЗУ систематизируют цветокодовую матрицу-диаграмму состояния многопараметрического объекта или процесса.

Выполненная априори процедура полного анализа оптимального управления и полученная на ее основе цветокодовая матрица-диаграмма позволяют решить задачу энергетической эффективности оборудования с минимумом затрат энергии и микросхемотехники.

На втором этапе осуществляется синтез в масштабе реального времени энергосберегающих управляющих воздействий с использованием полученных когнитивных образов эквивалентов, для текущего состояния функционирования, путем выборки соответствующей группы когнитивных образов из цветокодовой матрицы-диаграммы при любых изменениях динамики многопараметрического объекта или процесса.

Применение экспертной системы энергосберегающего управления авторами этого изобретения в отношении, в частности автоматизированных системах диагностики, идентификации, контроля технического и функционального состояния сложных динамических объектов без непосредственного присутствия персонала на объекте, а также для оперативного синтеза оптимальных энергосберегающих управляющих воздействий, не позволяет добиться решения вопроса цветовой идентификации состояния системы в любой области техники, в отношении преимущественно к системной инженерии, технике охранной сигнализации.

ПЗУ последовательности когнитивных образов GRij включает в себя информацию о всех априори рассчитанных когнитивных образах, соответствующих последовательностям многозонных моделей, которые могут быть применены для управления при допустимых изменениях состояния функционирования многопараметрического объекта или процесса.

Следовательно, экспертная система производит вывод на основе заранее установленного перечня правил и авторами не предусматривается применения нейросетей для анализа цветовых оценок состояния кластеров (доменов) - формирования цветовой оценки складывающейся ситуации на определенном уровне иерархической системы.

Недостатком данного типа устройств, реализующих такой способ обработки и визуализации данных, является отсутствие способа передачи информации с одного уровня иерархической системы на другой, при котором, несмотря на то, что производится передача интегральной оценки безопасности, передача осуществляется без учета важности передаваемой информации о состоянии кластера для домена, входящего в состав кластера другого (высшего) уровня иерархии.

Известен патент № RU 2649542 С1 МПК G05B 23/00 (2006.01), опубл.03.04.2018 Бюл. №10. Способ и система удаленного мониторинга объектов.

Общая архитектура заявленного решения, в частности СПиУМ (100). СПиУМ (100) состоит из систем нижнего (15) и верхнего (18) уровней. Оба уровня реализованы на серверах (150, 180), выполняющих специальные функции. Задачей сервера нижнего уровня (150) является сбор, первичная обработка, буферизация и обеспечение передачи данных на сервер верхнего уровня (180), задача которого - решение аналитических задач, связанных с осуществлением контроля и прогностики состояния объектов контроля (10).

Под объектом контроля следует понимать различные технические средства, например, энергетическое оборудование (турбоагрегаты, различного рода установки, реакторы и т.п.), оборудование для контроля процесса производства (конвейеры, роботизированное оборудование), отопительное оборудование (котлы, насосы и т.п.).

В качестве объекта мониторинга могут также выступать транспортные средства, например автомобили, железнодорожный транспорт, самолеты и т.д.

Кроме того, получение данных в полном объеме на сервере верхнего уровня (180) обеспечивает возможность подробного анализа технического состояния объекта специалистами, работающими с системой верхнего уровня (18), что дает возможность контролировать техническое состояние всех объектов мониторинга (10) силами этих специалистов.

Сервер верхнего уровня (180) настроен на аналитическую обработку данных в режиме онлайн, автоматически осуществляемую средствами эмпирического моделирования. Эмпирические модели строятся статистическими методами на базе выборки значений технологических параметров объекта за период работы, принимаемый в качестве эталонного.

Отклонения моделей от точек эталонной выборки (невязки) обрабатывается статистически для построения обратных ковариационных матриц, используемых для расчета значения статистического критерия Т2 (этап 206) соответствия произвольной точке пространства технологических параметров ее модели, а также для расчета разладок компонентов - числовых характеристик степени влияния невязок каждого компонента на величину критерия Т2.

Несмотря на то, что в данном изобретении упоминаются 2 уровня дистанционное управление, смысл, который вкладывается в эти понятия существенно отличается от понятия уровня в многоуровневой сложной иерархической системе.

В данном изобретении не обеспечивается решение технической проблемы идентификации состояния системы (выявления складывающейся ситуации) с применением нейросетей и цветовой индикации результата для каждого уровня системы и системы в целом.

Известен патент № RU 2717693 С1, МПК G01B 11/16 (2006.01) опубл.25.03.2020 Бюл. №9. Система контроля и диагностики искусственных сооружений.

Изобретение относится к средствам диагностики искусственных сооружений на основе виброакустического контроля.

Технический результат заключается в упрощении системы диагностирования и расширении ее функциональных возможностей за счет обеспечения контроля искусственных сооружений со сложной конфигурацией.

Все виды дефектов мостовых сооружений подразделяют на пять видов. Каждому отклонению от нормы содержания сооружения соответствует пять вариантов состояния сооружения.

При использовании нейросети, система может самообучаться после получения и ввода всех необходимых данных о возможных колебаниях и привязке этих колебаний к вариантам состояния конструкции. Нейросеть должна найти оптимальную разделяющую гиперповерхность в векторном пространстве данных, размерность которого соответствует количеству признаков (состояний сооружения). Обучение нейронной сети в таком случае заключается в нахождении таких значений (коэффициентов) матрицы весов, при которых нейрон, отвечающий за вариант состояния, будет выдавать значения частот близких к единице в тех случаях, когда сооружение имеет допустимые колебания, и значения близкие к нулю, если колебания критические.

Применяемая нейросеть не предназначена для анализа цветовых оценок состояния кластеров (доменов) - формирования цветовой оценки складывающейся ситуации на определенном уровне иерархической системы.

В данном изобретении не обеспечивается решение технической проблемы идентификации состояния системы (выявления складывающейся ситуации) с применением нейросетей и цветовой индикации результата для каждого уровня системы и системы в целом.

Известен патент № RU 2718222 С1, МПК G06K 9/62 (2006.01), опубл. 31.03.2020 г. Бюл. №10. Распознавание лиц с помощью искусственной нейронной сети.

Технический результат заключается в обеспечении автоматического распознавания лиц. Такой результат достигается тем, что автоматическое распознавание лиц выполняют посредством сверточной нейронной сети, содержащей группы слоев, причем первая, вторая и третья группы содержат сверточный слой, слой группирования признаков по функции извлечения максимума и слой активации элементов при помощи параметрической линейной функции, четвертая группа слоев содержит сверточный слой и слой активации элементов при помощи параметрической линейной функции, пятая группа слоев содержит полносвязный слой, выдающий результат, содержащий вектор признаков, характеризующий изображение, наличие базы данных, содержащей указанный вектор признаков, вместе с множеством других векторов признаков, характеризующих другие изображения, содержащие лица, механизм поиска в указанной базе данных и устройство сравнения, которое определяет меру сходства между вектором признаков субъекта и как минимум одним опорным вектором признаков и сопоставляет указанную меру сходства с критерием сходства, причем соответствие критерию сходства указывает на то, что лицо распознано.

Наличие такого изобретения подтверждает возможность реализации анализа изображений с помощью нейросетей.

Применяемая нейросеть не предназначена для анализа цветовых оценок состояния кластеров (доменов) - формирования цветовой оценки складывающейся ситуации на определенном уровне иерархической системы.

В данном изобретении не обеспечивается решение технической проблемы идентификации состояния системы (выявления складывающейся ситуации) с применением нейросетей и цветовой индикации результата для каждого уровня системы и системы в целом.

Известен патент № RU 2739 727С1, МПК G05B 23/00 (2006.01), опубл. 28.12.2020 г. Бюл. №1. Способ и система удаленного мониторинга и прогнозирования состояния технологических объектов.

С помощью матрицы состояния осуществляют построение эмпирических моделей прогнозирования состояния объекта контроля, осуществляют анализ поступающей информации от объекта контроля с помощью полученного набора эмпирических моделей путем сравнения полученных показателей объекта контроля с параметрами модели в заданный промежуток времени, при получении данных формируют их массив, удовлетворяющий заданным условиям.

Задачей изобретения являлось создание новой системы и реализуемого в ней способа для удаленного мониторинга, диагностики и прогнозирования состояния технологических объектов, относящихся к турбоагрегатам, питательным насосам, турбогенераторам, котельному, вспомогательному оборудованию, трансформаторному, электросетевому и другому промышленному оборудованию, или узлов оборудования (далее - Объекты контроля), позволяющих выявлять изменения технического состояния и прогнозировать динамику изменения характеристик объекта контроля для предупреждения возникновения критических ситуаций.

Применяемая модель не предназначена для анализа цветовых оценок состояния кластеров (доменов) - формирования цветовой оценки складывающейся ситуации на определенном уровне иерархической системы.

В данном изобретении не обеспечивается решение технической проблемы идентификации состояния системы (выявления складывающейся ситуации) с применением нейросетей и цветовой индикации результата для каждого уровня системы и системы в целом.

Известен патент РФ №2703174 С2, МПК G08C 19/00 (2006.01), опубл. 15.10.2019 г. Бюл. №29. Устройство для регистрации данных изменяющейся многообъектной многопараметрической системы (динамический паспорт).

Изобретение относится к сфере сбора и хранения данных систем, характеризующихся множеством объектов и параметров, например, таких как добыча ресурсов или строительство масштабных государственных объектов. Технический результат заключается в обеспечении защиты данных от несанкционированного использования. Устройство для регистрации данных обеспечивает отображение числовых значений внутри пространства в виде закодированных цветовых значений и доступ санкционированного пользователя к выбранному сечению упомянутого пространства без возможности внесения изменений в записанные данные.

Задача решается с помощью устройства для регистрации данных изменяющейся многообъектной многопараметрической системы, состоящего из накопителя информации, читаемого электронно-вычислительной машиной, включающего системы хранения данных и кодирования числовых данных в цветовые значения, систему построения данных, визуализируемую при просмотре как трехмерное пространство, формируемое за счет привязки данных к атрибутам, характеризующим параметры объектов, к атрибутам, характеризующим объекты, и к атрибутами, характеризующим время, и отображением числовых значений внутри пространства в виде закодированных цветовых значений, обеспечивающее возможность выбора его сечения и визуализации такого сечения в виде дополнительной таблицы, в которой закодированные цветом данные отображаются в виде числовых значений, и/или иного средства визуализации, в котором данные, вошедшие в выбранное сечение, преобразуются по заданным правилам.

За счет кодировки данных цветом человек значительно легче воспринимает информацию о состоянии системы, а несанкционированный доступ не позволит получить весь объем данных, т.к. при визуализации на мониторе будут видны только общие тенденции.

При необходимости более детального изучения участка данных проверяющий, например, введя код, может вывести таблицу, в которой данные будут раскодированы из цветовых в числовые, а при необходимости числовые данные будут дополнены цветом кодировки.

Недостатком данного типа устройств, реализующих такие способы визуализации данных, является ограничение информативности представления данных, поскольку в каждом виде моделей реализуется только единственный принцип отображения данных в сечении пространства (предоставляется возможность выбора сечения и визуализации такого сечения в виде дополнительной таблицы, в которой закодированные цветом данные отображаются в виде числовых значений, и/или иного средства визуализации, в котором данные, вошедшие в выбранное сечение, преобразуются по заданным правилам).

К недостаткам следует отнести упрощение способа определения значимости вклада параметров в интегральную характеристику сечения (в предположении отсутствия связей (корреляции) между контролируемыми переменными и отсутствия «синергетического эффекта» от их совместного влияния).

Применяемая система построения данных не предназначена для анализа цветовых оценок состояния кластеров (доменов) - формирования цветовой оценки складывающейся ситуации на определенном уровне иерархической системы.

В данном изобретении не обеспечивается решение технической проблемы идентификации состояния системы (выявления складывающейся ситуации) с применением нейросетей и цветовой индикации результата для каждого уровня системы и системы в целом.

Перечисленные аналоги обладают следующими совпадающими существенными признаками наличия технических средств:

- графического описания с помощью диаграмм (различного вида);

- средств картирования и моделирования, предоставляемых ГИС;

- систем задания цветовых оттенков состояния объектов;

- систем принятия решений в иерархических системах управления;

- формирования агрегированных индикаторов (индексов), при котором по каждой из составляющих (проекций) системы вычисляются обобщенные индексы, как среднее взвешенное величин соответствующих нормированных показателей с учетом их значимости;

- графического (цветового) описания при оценке результатов реализации различных вариантов управленческих решений для определения состояния жизнеспособности предприятия;

- определения значений показателей важности;

- оценки целей и их связей, установления критериев и весовых коэффициентов, осуществления ряда расчетных процедур;

- определения весов критериев и коэффициентов значимости, характеризующих важность вклада целей в обеспечение критериев;

- обучения искусственной нейронной сети (как функции от весовых коэффициентов) по эталонным ситуациям, решение которых известно, а затем в рабочем режиме выдачи решения во всем диапазоне ситуаций и при этом автоматического определения, на какую «знакомую» ситуацию более всего похожа введенная и, следовательно, какое решение надо принять;

- построения иерархии нейросетевых моделей, составляемых на основе унифицированного подхода, с учетом особенностей на каждом уровне иерархии;

- реализующих интегральную оценку безопасности кластера иерархического уровня.

В качестве прототипа (наиболее близкого аналога) к изобретению выделяется устройство реализующее интегральную оценку безопасности для каждого кластера любого иерархического уровня.

При использовании изобретения обеспечивается решение технической проблемы идентификации состояния системы (выявления складывающейся ситуации) и цветовой индикации результата для каждого уровня системы и системы в целом.

Проблема в создании объекта с использованием аналогов изобретения, параметры, характеристики которого удовлетворяют заданным требованиям, заключена в неспособности аналогов изобретения обеспечить интегральную оценку состояния системы произвольного вида на отдельном уровне иерархии при наличии множества целей различной тематической направленности и соответствующих им задач, оценку решения (выполнения) которых необходимо идентифицировать.

При этом не обеспечивается учет изменения важности ситуации, складывающейся на расположенном ниже уровне иерархии для расположенного выше уровня иерархии, и не производится анализ цветовой индикации результата обработки информации для каждого уровня системы и системы в целом.

При этом, решению проблемы препятствуют следующие причины:

- ограничение информативности представления данных, поскольку в каждом виде диаграмм реализуется только единственный принцип отображения данных (градации цвета в зависимости от величин отображаемых данных, изменения площади секторов или фрагментов концентрических колец в зависимости от величин отображаемых данных);

- использование цвета только для выделения тематических частей иерархии, назначение цветов заблаговременно (каждый цвет представляет одну из категорий (ветвей) самого высокого уровня);

- отсутствие иерархического представление информации с помощью диаграмм;

- упрощение способа передачи информации с одного уровня иерархической системы на другой, при котором передача осуществляется без учета важности передаваемой информации о худшем состоянии отдельного домена из группы (кластера) как для оценки непосредственно состояния всего такого кластера, так и для рациональной оценки состояния этого кластера нижнего уровня на вышестоящем уровне с учетом его вклада в общее состояние вышестоящего уровня, на котором критерии оценки должны быть другими в результате отличия частей системы разных уровней по количественным и качественным характеристикам, наличием приоритетов в оценке вклада частей сложных систем;

- упрощение способа передачи информации с одного уровня иерархической системы на другой, при котором, несмотря на то, что производится передача интегральной оценки безопасности, передача осуществляется без учета важности передаваемой информации о состоянии кластера для домена, входящего в состав кластера другого (высшего) уровня иерархии;

- сведение вариантов интерпретации результатов взаимодействия исключительно к цифровому представлению данных;

- определение вышестоящим элементом управления роли связей между взаимодействующими элементами на уровне ниже, без установки критериев оценки результирующего состояния элементов уровня и без назначения поправочных коэффициентов, дающих оценку важности каждого элемента уровня для решения общей задачи;

- отсутствие сопровождения перехода с уровня на уровень указанием оценки важности (передаточного коэффициента) для тематической группы элементов ниже лежащего уровня (слоя);

- наличие значительной погрешности, связанной с присвоением «оценок» каждому из рассчитываемых показателей, применение примитивного правила присвоения цветовых индикаторов;

- применение методов определения значений показателей важности (частных критериев) предназначенных для выбора управленческих решений в пределах отдельного тематического направления для отдельного уровня управления (предложенные критерии не предусматривается применять для совокупности обычно одновременно присутствующих задач различной тематической направленности);

- неопределенность (произвольность) способов оценки целей и их связей, установления критериев и весовых коэффициентов, методов осуществления ряда расчетных процедур;

- упрощение способа определения значимости некоторой цели (в предположении отсутствия связей (корреляции) между этими переменными и отсутствия «синергетического эффекта» от их совместного влияния);

- упрощение способа передачи информации с одного уровня иерархической системы на другой, при котором передача интегральной оценки производится исключительно путем перемножения соответствующих коэффициентов связи;

- прямое применение нейросетей к моделированию сложной системы, состоящей из нескольких уровней управления, при котором требуется подготовка многих вариантов эталонных ситуаций, решение которых известно для случаев сквозного формирования ситуаций, начиная с нижнего уровня управления, включая промежуточные уровни управления и заканчивая верхним уровнем управления иерархической системы, что значительно усложняет применение такого подхода на практике;

- применение способа передачи информации с одного уровня иерархической системы на другой, при котором передача интегральной оценки для уровня производится опосредованно путем учета соотношения вклада весов отдельных ситуаций, формирующихся на уровне при составлении различных эталонных ситуаций для обучения нейросетей; при этом подготовка эталонных ситуаций существенно затрудняется;

- заменена трансляции большого массива информации для получения решения с помощью одной нейросети всего лишь на трансляцию обученной нейросети с каждого из уровней, фактически решение отдельной (единственной) задачи комбинацией (последовательным подключением) нескольких обученных нейросетей разных уровней иерархии (разной степени детализации данных).

При осуществлении или использовании аналога изобретения попытка учета свойств основывается на представлении о худшем состоянии отдельного домена из группы (кластера), как для оценки непосредственно состояния всего такого кластера, так и для рациональной оценки состояния этого кластера нижнего уровня на вышестоящем уровне, с учетом его вклада в общее состояние вышестоящего уровня, на котором критерии оценки должны быть другими в результате отличия частей системы разных уровней по количественным и качественным характеристикам, наличием приоритетов в оценке вклада частей сложных систем.

Для реального сложного объекта ограничиваются возможности обработки информации применением способа передачи информации с одного уровня иерархической системы на другой, при котором, несмотря на то, что производится передача интегральной оценки безопасности, передача осуществляется без учета важности передаваемой информации о состоянии кластера для домена, входящего в состав кластера другого (высшего) уровня иерархии.

Решению задачи препятствуют: отсутствие идентификации состояния сложной иерархической системы (выявления складывающейся ситуации) и цветовой индикации результата для каждого уровня системы и системы в целом.

Проблема заключается в необходимости расширения арсенала технических средств, предназначенных для выявления ситуации, складывающейся в рамках сложной иерархической системы, и цветовой индикации результата.

Группой изобретений решается техническая проблема обеспечения требуемого уровня достоверности идентификации состояния сложной иерархической системы и выявления складывающейся ситуации и цветовой индикации результата для каждого уровня системы и системы в целом.

Решение указанных задач достигнуто в средстве цветовой идентификации состояния системы, содержащем сервер для хранения и обработки дискретных свойств системы, описаний последовательностей действий, необходимых для такой обработки, средства постоянного ввода и пополнения входной информации об окружающей среде для области использования цветовой идентификации состояния системы, рабочие места пользователей, содержащие компьютеры, подсоединенные каналами связи с сервером, отличающееся тем, что оно содержит модули ввода и учета корректировки критериев оценки изменяющихся параметров входной информации, модули назначения цветовой индикации состояния смысловых участков иерархической структуры, соответствующих возможным вариантам развития ситуаций в зависимости от оценки поступающей информации на соответствие установленным критериям, модули анализа полученного цветового отображения совокупности состояний отдельных доменов, в том числе анализа сочетания градаций цвета доменов в общей цветовой картине рассматриваемого уровня, модули выдачи на основании распознавания складывающейся ситуации решения о назначении обобщенного цветового индикатора для рассмотренного уровня иерархической системы, модули назначения обобщенного цветового индикатора для рассмотренного уровня иерархической системы с учетом корректировки его важности на вышестоящем уровне системы, модули организации применения таких действий при эскалации от уровня к уровню иерархической системы, при этом компьютеры на рабочих местах выполнены с возможностью задания и изменения базовых значений параметров, характеризующих свойства цветовой идентификации состояния системы, соответственно возможной ситуации, и передачи на сервер, который выполнен с возможностью постоянного хранения сформированных базовых данных о составе типов направлений и задач, критериях сравнения, весовых коэффициентах и правилах обработки данных с учетом уровней иерархии), выбора из них необходимых в зависимости от характера информации, поступающей на вход системы из различных источников информации от датчиков, от устройств ввода данных, от любых смежных внешних систем, проведения расчетов и выдачи характеристик, в том числе в цветном графическом виде, промежуточных для соответствующих уровней и результирующей цветовой идентификации состояния объекта, каждое рабочее место пользователя содержит компьютер с присоединенными к нему монитором, клавиатурой, манипулятором типа «мышь», при этом компьютер выполнен с возможностью внесения в базу данных базовой информации о составе типов направлений и задач, критериях сравнения, весовых коэффициентах и правилах обработки данных с учетом уровней иерархии, выбора из них необходимых в зависимости от характера информации, поступающей на вход системы от датчиков, от устройств ввода данных, из баз данных, а также от внешних систем, проведения расчетов и выдачи характеристик, в том числе в цветном графическом виде, промежуточных для соответствующих уровней и результирующей цветовой идентификации состояния объекта, каждое рабочее место пользователя содержит компьютер с присоединенными к нему монитором, клавиатурой, манипулятором типа «мышь», при этом компьютер выполнен с возможностью внесения в базу данных базовой информации о составе типов направлений и задач, критериях сравнения, весовых коэффициентах и правилах обработки данных с учетом уровней иерархии, с возможностью введения в компьютер альтернативных представлений реальности и выведения из памяти компьютера на монитор изображения результатов, полученных в ходе цветовой идентификации состояния объекта (системы).

Средство цветовой идентификации состояния системы по п. 1, отличающееся тем, что оно выполнено с возможностью применения для целей формирования средств анализа полученного цветового отображения совокупности состояний отдельных доменов, анализа сочетания градаций цвета доменов в общей цветовой картине рассматриваемого уровня средств настройки оператором весовых коэффициентов в функциональных связях наблюдаемых и вычисляемых параметров информации, поступающей в систему, и критериев их оценки.

Средство цветовой идентификации состояния системы по п. 1, отличающееся тем, что оно выполнено с возможностью применения для целей формирования средств анализа полученного цветового отображения совокупности состояний отдельных доменов, анализа сочетания градаций цвета доменов в общей цветовой картине рассматриваемого уровня искусственных нейронных сетей и их самообучения.

Средство цветовой идентификации состояния системы по п. 1, отличающееся тем, что оно выполнено с возможностью применения для целей формирования средств анализа полученного цветового отображения совокупности состояний отдельных доменов, анализа сочетания градаций цвета доменов в общей цветовой картине рассматриваемого уровня искусственных нейронных сетей и предоставления оператору возможности предъявления множества эталонов ситуаций для обучения, назначения начальных весовых коэффициентов в функциональных связях наблюдаемых параметров информации, поступающей в систему и критериев их оценки и регулирования таких параметров.

Средство цветовой идентификации состояния системы по п. 1, отличающееся тем, что оно выполнено с возможностью, на ряду с информированием оператора о ходе и результатах цветовой идентификации состояния системы в автоматизированном режиме, осуществлять автоматическую передачу полученного результата для дальнейшего принятия управленческого решения в автоматическом режиме в соответствии с выявленной ситуацией, при условии перевода оператором средства цветовой идентификации состояния системы (объекта) в автоматический режим работы.

Средство цветовой идентификации состояния системы по п. 1, отличающееся тем, что оно выполнено с возможностью расположения и размещения на отдельном сервере модулей, предназначенных для хранения накопленной информации и формирования настройки модулей анализа полученного цветового отображения совокупности состояний отдельных доменов, задания множества эталонов ситуаций для обучения, назначения начальных весовых коэффициентов в функциональных связях наблюдаемых параметров информации, поступающей в систему и критериев их оценки и регулирования таких параметров в автоматизированном режиме оператором.

Средство цветовой идентификации состояния системы по п. 1, отличающееся тем, что оно выполнено с возможностью расположения и размещения на отдельном сервере модулей, предназначенных для хранения накопленной информации и формирования настройки модулей анализа полученного цветового отображения совокупности состояний отдельных доменов и задания множества эталонов ситуаций для обучения, назначения начальных весовых коэффициентов в функциональных связях наблюдаемых параметров информации, поступающей в систему и критериев их оценки и регулирования таких параметров в автоматическом режиме самообучения искусственных нейронных сетей.

Сущность группы изобретений выражается в совокупности следующих существенных признаков объекта изобретения:

- применения принципа обработки данных о состоянии объектов (доменов) на конкретном уровне иерархии системы, заключающегося в анализе цветового отображения совокупности состояний отдельных доменов (анализе сочетания градаций цвета доменов в общей цветовой картине рассматриваемого уровня) и выдачи (на основании распознавания складывающейся ситуации) решения о назначении обобщенного (интегрального) цветового индикатора для рассмотренного уровня иерархической системы;

- назначения обобщенного (интегрального) цветового индикатора для рассмотренного уровня иерархической системы с учетом корректировки его важности на вышестоящем уровне;

- применения таких действий при эскалации (восхождении) от уровня к уровню иерархической системы.

Решение указанной задачи достигнуто в средстве цветовой идентификации состояния системы, содержащем сервер, обеспечивающий получение из базы данных информации о компонентах сформированной модели (в т.ч. о составе типов направлений и задач) иерархической системы (объекта) в привязке к координатам местности и времени, формирование средства цветовой идентификации состояния системы (объекта), анализ вычислительного процесса, формирование архивов обрабатываемой информации, корректировку начальных условий и правил обработки поступающей информации, получение из базы данных настроек средства цветовой индикации, исполнение средства цветовой индикации, визуализацию результата, рабочие места пользователей, средства постоянного ввода и пополнения входной информации об окружающей среде, аппаратуру связи.

Возможны варианты исполнения такого средства.

Сущность изобретения поясняется на чертеже (фиг. 1…6), где

На фиг. 1 приведена блок-схема средства 1-я часть,

На фиг. 2 приведена блок-схема средства 2-я часть,

На фиг. 3 приведена блок-схема средства 3-я часть,

На фиг. 4 приведена блок-схема средства 4-я часть,

На фиг. 5 приведена блок-схема средства 2-я часть,

На фиг. 6 приведена блок-схема средства 6-я часть.

Условные обозначения, принятые в описании:

1 - сервер,

2 - каналообразующая аппаратура связи,

3 - аппаратура связи,

4 - манипулятор типа «мышь»,

5 - устройства ввода данных,

6 - средства постоянного ввода и пополнения входной информации об окружающей среде,

7 - датчик,

8 - аппаратура связи,

9 - внешние системы,

10 - каналы связи,

11 - главный сервер.

Средство цветовой идентификации состояния системы содержит сервер 1, который соединен в сети через каналообразующую аппаратуру связи 2 каналами связи 13 с компьютерами 5 рабочих мест пользователя 3 (минимум одним автоматизированным рабочим местом - АРМ 3), средствами постоянного ввода и пополнения входной информации об окружающей среде 9 (датчиками 10, аппаратурой связи 11 с внешними системами 12, устройствами ввода данных 8), с главным сервером 14.

Сервер 1 содержит средства хранения и обработки дискретных (параметров) объекта (системы), описаний последовательностей действий, необходимых для такой обработки, средства постоянного ввода и пополнения входной информации об окружающей среде для области использования цветовой идентификации состояния системы (объекта), поступающей от средств 9, средства получения информации от АРМ (компьютеров 5 рабочих мест пользователя 3).

АРМ 3 содержит компьютер 5 с присоединенными к нему монитором 4, клавиатурой 6, манипулятором типа «мышь» 7.

Средства постоянного ввода и пополнения входной информации об окружающей среде 9 представлены устройствами ввода данных 8 (в текстовом, графическом и ином видах), датчиками 10, каналообразующей аппаратурой связи 11 с внешними системами 12 для области использования структуры объекта (системы).

Главный сервер 14 содержит средства расположения (размещения) на отдельном сервере модулей, предназначенных для хранения накопленной информации и формирования настройки модулей анализа полученного цветового отображения совокупности состояний отдельных доменов (задания множества эталонов ситуаций для обучения, назначения начальных весовых коэффициентов в функциональных связях наблюдаемых параметров информации, поступающей в систему и критериев их оценки и регулирования таких параметров в автоматизированном режиме оператором и в автоматическом режиме самообучения искусственных нейронных сетей).

При этом, сервер 1, при необходимости, может быть выполнен с включением средств, предусмотренных для размещения на главном сервере 14.

При этом, выходы компьютера 5 АРМ 3, средств постоянного ввода и пополнения входной информации об окружающей среде 9 являются входами сервера 1 и основного сервера 14, а входы компьютера 5 АРМ 3 являются выходами клавиатуры 6, манипулятора типа «мышь» 7, при этом выход компьютера 5 АРМ 3 является входом монитора 4, а выходы главного сервера 14 являются входами компьютера 5 АРМ 3 и входами сервера 1.

Средство работает следующим образом.

При работе средства подается электрическое питание на сервер 1, основной сервер 14, аппаратуру связи 2 и компьютеры 5, установленные на рабочих местах пользователей АРМ 3 и другие потребители энергии.

Включают компьютер 5. Со средств постоянного ввода и пополнения входной информации об окружающей среде 9 информация передается по каналам связи 13 через аппаратуру связи 2 на сервер 1 Средство цветовой идентификации состояния системы (объекта), где производится ее обработка и хранение с учетом и указанием времени введения информации и координат источников информации 8, 10, 12.

По запросу с компьютера 5 информация предается по каналам связи 13 и аппаратуру связи 2 на компьютер 5 и монитор 4. При этом возможно дистанционное управление настройками сервера 1 и главного сервера 14 с рабочих мест пользователей АРМ 3 как во время подготовки к цветовой идентификации состояния системы (объекта), так и непосредственно в ходе цветовой идентификации состояния реальной системы (объекта).

В ходе цветовой идентификации состояния реальной системы (объекта) с применением средства цветовой идентификации состояния системы (объекта) любой сложности (уровня детализации) применяются средства, размещенные на сервере 1, предназначенные для хранения и обработки дискретных (параметров) объекта (системы), описаний последовательностей действий, необходимых для такой обработки, постоянного ввода и пополнения входной информации об окружающей среде для области использования цветовой идентификации состояния системы.

При этом, например, в области охранной сигнализации (или технического обслуживания авиатехники) производится цветовая идентификация состояния уровня иерархической системы (любой степени детализации) объекта (системы любой сложности).

Для цветовой идентификации состояния реальной иерархической системы (объекта) последняя(ний) мысленно подразделяются на основные составные части: уровни управления иерархической системы, а в пределах одного уровня управления на «объекты» (иными словами: территории, зоны, здания, этажи, сооружения, инфраструктуру, объекты технического обслуживания и т.п.), «средства» (технику, автотранспорт, средства технического обслуживания и т.п.), «персонал» (работников, сотрудников и т.п.), «документацию» (нормативную, регламентирующую, справочную и т.п.), для каждой компоненты предусматривается осуществление последующей привязки к координатам местности и времени.

Производится формирование средства цветовой идентификации состояния реальной системы (объекта) с помощью следующих действий:

- применения средств настройки оператором весовых коэффициентов в функциональных связях наблюдаемых и вычисляемых параметров информации, поступающей в систему для каждого отдельного уровня иерархической системы;

- применения средств настройки оператором критериев оценки наблюдаемых и вычисляемых параметров информации, поступающей в систему для каждого отдельного уровня иерархической системы;

- применения средств настройки соответствия полученных цифровых оценок их цветовой интерпретации для состояний отдельных доменов уровня иерархической системы (например, задания цвета интерпретации результата в зависимости от степени выполнения отдельной задачи из совокупности задач, решаемых на конкретном уровне иерархической системы) каждого отдельного уровня иерархической системы;

- применения средств настройки модулей анализа полученного цветового отображения (цветовой интерпретации) совокупности состояний отдельных доменов уровня иерархической системы (например, степени выполнения отдельных задач из совокупности задач, решаемых на конкретном уровне иерархической системы) с помощью задания/корректировки весовых коэффициентов в функциональных связях, соответствующих складывающимся ситуациям на уровне управления (набора весовых коэффициентов, соответствующих конкретным эталонным ситуациям для предварительной настройки (обучения));

- применения средств настройки цветовой интерпретации результатов анализа полученного цветового отображения (интерпретации) совокупности состояний отдельных доменов уровня иерархической системы для каждого отдельного уровня иерархической системы;

- применения средств настройки соответствия полученных цветовых оценок (результатов цветовой интерпретации для каждого отдельного уровня иерархической системы) в зависимости от их важности на вышестоящем уровне иерархической системы;

- применения (например, при необходимости анализа вычислительного процесса) средств настройки преобразования полученных результатов цветовой интерпретации в цифровой вид для учета состояния уровня иерархической системы (получения цифровой оценки степени выполнения совокупности задач, решаемых на конкретном уровне иерархической системы) каждого отдельного уровня иерархической системы;

- применения (например, при необходимости анализа вычислительного процесса) средств настройки соответствия полученных цифровых оценок (результатов цифровой интерпретации для каждого отдельного уровня иерархической системы посредством корректировки цифровых оценок) в зависимости от их важности на вышестоящем уровне иерархической системы.

Перечисленные действия производятся с учетом возможностей средств, существующих на данный момент развития техники, с использованием рабочих мест пользователей (АРМ) 3 для настройки цветовой идентификации состояния реальной системы на основном сервере 14 (или, в упрощенном варианте, в зоне, отведенной для настройки на сервере 1).

При этом, на главном сервере 14 (или сервере 1) производится формирование базовых данных (о составе типов направлений и задач, критериях сравнения, весовых коэффициентах, цветовых интерпретациях сравнений входных параметров (в зависимости от числовых значений из диапазонов изменений параметров) с критериями и правилах обработки данных с учетом уровней иерархии).

После окончания формирования средства цветовой идентификации состояния реальной системы (объекта) приступают к его использованию.

В процессе использования возможно создание архивов обрабатываемой информации и ее применение для корректировки начальных условий и правил обработки поступающей информации (включая изменение весовых коэффициентов, учет изменения значимости промежуточных результатов, обучение нейросетей). При этом, по результатам корректив, внесенных в средства цветовой идентификации состояния реальной системы (объекта) с использованием рабочих мест пользователей АРМ 3 или в результате самообучения искусственных нейронных сетей для настройки цветовой идентификации состояния реальной системы на основном сервере 14 (или, в упрощенном варианте, на сервере 1) по решению пользователей АРМ 3 осуществляется перемещение откорректированного средства цветовой идентификации состояния реальной системы (устройства или объекта) на сервер 1 (или в зону, отведенную для работы на сервере 1).

Осуществление изобретения по назначению производится посредством подачи информации на сервер 1 (в его рабочую зону со средств постоянного ввода и пополнения входной информации об окружающей среде 9 по каналам связи 13 через аппаратуру связи 2) в виде набора изменяющихся входных параметров (в пределах их диапазонов изменений). При этом, сервер 1 осуществляет необходимые вычисления для определения влияния на степень выполнения рассматриваемых укрупненных задач или группы задач (и их цветовую индикацию и идентификацию) конкретных значений наблюдаемых (контролируемых) параметров с учетом их весовых коэффициентов, критериев сравнения с установленными нормативными значениями наблюдаемых величин, цветовой идентификации отдельных задач или подзадач (доменов) промежуточных цветовых идентификаций ситуаций, складывающихся на уровнях иерархической системы (кластеров), поправок цветовых идентификаций ситуаций на степень важности для вышестоящего уровня иерархической системы.

В ходе обработки данных сервером 1 оценивается состояние задач или подзадач (объектов, доменов) на конкретном уровне иерархии системы посредством анализа цветового отображения совокупности состояний отдельных доменов (анализа сочетания градаций цвета доменов в общей цветовой картине рассматриваемого уровня) и выдачи (на основании распознавания складывающейся ситуации) решения о назначении обобщенного (интегрального) цветового индикатора для рассмотренного уровня иерархической системы.

Назначение обобщенного (интегрального) цветового индикатора для рассмотренного уровня иерархической системы производится сервером 1 с учетом корректировки его важности на вышестоящем уровне.

Производится применение таких действий сервером 1 при эскалации (восхождении) от уровня к уровню иерархической системы.

При этом выполнение сервером 1 необходимых вычислений сопровождается передачей текущей и результирующей информации на компьютеры 5 пользователей АРМ 3 и отображением (визуализацией) на мониторах 4.

Укрупненная блок-схема последовательности выполнения отдельных операций в ходе процесса цветовой идентификации состояния системы (объекта) представлена на рисунке фиг.2.

Вначале производится включение в работу модуля получения из базы данных информации о компонентах сформированной модели (в т.ч. о составе типов направлений и задач) иерархической системы (объекта) в привязке к координатам местности и времени.

В этот модуль поступает заранее сформированная информация. Источником информации может служить информация из баз данных геоинформационных систем в формате, обеспечивающем привязку трехмерного изображения объектов, геофизической информации (картографической и справочно-информационной) к координатам и текущему времени. При этом, в отличии от известных способов представления информации, модулем получения из базы данных информации о компонентах сформированной модели подгружается информация расширенного объема за счет добавления в базы данных сведений об атрибутах параметров объектов и их частей в привязке к координатам и времени для строго определенной идентификации информации. Кроме того, загрузка данных производится в привязке к принадлежности к уровню управления в иерархической системе (по уровню сложности решаемых вопросов: элементарных задач, подзадач, задач, комплексов задач, основных задач, задач направлений деятельности, сверхзадач или проблем), по виду моделируемого процесса деятельности.

Полученная информация используется, в том числе, для тестовых примеров, направляется в фрагмент программы обеспечивающий формирование средства цветовой идентификации состояния системы (объекта), блок-схема которого представлена на рисунке фиг. 3.

В ходе выполнения отмеченного фрагмента программы включается в работу Модуль настройки критериев оценки параметров. Производится назначения уставок предельных уровней изменения параметров (атрибутов параметров). При этом под атрибутами понимаются информационные признаки (свойства) объектов. Для каждого свойства устанавливаются значения, являющееся рубежами, при преодолении которых свойству выставляется оценка. Количество рубежей варьируется от одного до нескольких с учетом особенностей проявления свойств объектов. Допускается выставление фиксированных значений величин из диапазона изменения свойств, бальных оценок, оценок логического соответствия («Да» - «Нет», «Истина» - «Ложь»), осуществляется приведение полученных оценок к интервалу [0,1].

Далее выполняется Модуль настройки/изменения весовых коэффициентов в функциональных связях параметров. Поскольку важны не сами значения весовых коэффициентов, а их соотношения для различных свойств (признаков) объектов, то производится настройка таких коэффициентов с целью получения высокой точности оценок наиболее ответственных параметров (атрибутов параметров).

Затем применяется Модуль настройки соответствия полученных цифровых оценок их цветовой интерпретации (кодировке цвета). Каждой оценке состояния параметров (атрибутов параметров), полученной на предыдущем шаге, ставится в соответствие определенный цвет, назначаемый с учетом требований действующих нормативных документов в министерстве или ведомстве (например, в соответствии с Руководством по цветовым кодам опасности). При этом достигается структурирование информации, что существенно облегчает ориентирование в складывающихся ситуациях. Для удобства машинной обработки цветовой информации каждому цвету из цветовой кодировки назначается код. Не важно какое цветовое пространство применяется в целях формирования такого кода, главное - каждому из цветов назначается уникальный код. Этот же код используется при отображении на экране монитора состояния параметров (атрибутов параметров) в виде визуализации доменов, которые раскрашиваются (заливаются) цветом, соответствующим назначенной кодировке. Домену соответствует отдельный реальный, гипотетический или абстрактный атрибут параметра или простой параметр, который содержится в базе данных и отображается на экране монитора в виде небольшой сплошной области имеющей границу и заливку. При этом несколько доменов расположенных в одной плоскости рядом образуют кластер. Цветовая заливка доменов, входящие в кластер обычно различна и соответствует реальному состоянию набора атрибутов, входящих в кластер, наглядно высвечивает создавшуюся ситуацию, характеризующую состояние кластера целиком.

Далее полученная картина используется в Модуле начальной настройки анализатора полученного цветового отображения (цветовой интерпретации) совокупности состояний отдельных доменов. Производится предварительная настройка правил интерпретации состояния набора атрибутов, выраженного через цветовую окраску входящих в состав кластера доменов и их размещение, например, преимущественно на нейтральном контрастном (по отношению к цветам окраски доменов) однородном фоне, на средстве визуализации типа монитор (представленного в программном средстве в виде набора кодировок цветов и координат их размещения на форме в окне программы). Каждому набору данных об атрибутах, полученных из базы данных и обработанных предыдущими модулями, ставится в соответствие цвет (кодировка цвета) результирующего значения, соответствующего состоянию кластера целиком. При назначении цвета кластеру (объединяющему домены) учитывается расположение доменов, поскольку состояние каждого домена (в зависимости от рассматриваемого уровня иерархической системы) соответствует состоянию решаемых вопросов: элементарных задач, подзадач, задач, комплексов задач, основных задач, задач направлений деятельности, сверхзадач или проблем. При этом создается ряд прототипов правил поведения анализатора (правил интерпретации состояния кластера в зависимости от состояния доменов). Предусматривается возможность выполнения последующих действий различными путями (автоматизированным и автоматическим).

Для осуществления в дальнейшем автоматического процесса интерпретации состояния кластера в зависимости от состояния доменов полученные прототипы правил передаются в Модуль обучения нейросетей. При обучении нейросети ей предъявляется множество эталонов ситуаций (в данном случае прототипов правил назначения цвета, соответствующего состоянию кластера в зависимости от цветов, соответствующих состояниям доменов) и, регулируя параметры нейросети, производят обучение сети данному образу (предварительную настройку искусственной нейронной сети). Сеть обучается по эталонным ситуациям, решение которых известно, а затем в рабочем режиме выдает решение во всем диапазоне ситуаций и при этом автоматически определяет, на какую «знакомую» ситуацию более всего похожа введенная и, следовательно, какое решение надо принять. Обучение заканчивается тогда, когда вероятность узнавания достигает требуемого значения, т.е. необходимость корректировки параметров нейросети по предъявленным эталонам возникает все реже. После такой настройки можно использовать искусственную нейронную сеть в рабочем режиме распознавания. Основное отличие реализуемого подхода заключается в применении нейросети не для классификации объектов (типа самолет, автомобиль, человек, лицо и т.п.) по фотографии, а для распознавания изображений состояния группы доменов («цветовых образов ситуаций»), например, преимущественно на нейтральном контрастном (по отношению к цветам окраски доменов) однородном фоне. При этом нейросеть оперирует с кодировками цветов доменов и их взаимным расположением друг относительно друга (т.е. в привязке к решаемым в доменах вопросам). В качестве обучаемой нейросети может применяться, например, сверточная нейронная сеть, состоящая из ряда чередующихся слоев различных типов (входного, сверточного, максимальной дискретизации, отсева, усредненной дискретизации, полносвязанного), в которой сверточные слои могут быть представлены различным количеством узлов искусственной нейронной сети («ядер»), а обучение производиться, например, с использованием стохастического градиентного спуска по небольшим подмножествам тренировочного набора.

Для осуществления автоматизированного процесса интерпретации состояния кластера в зависимости от состояния доменов полученные прототипы правил передаются в Модуль поднастройки цветовой интерпретации результатов анализа полученного цветового отображения (интерпретации) совокупности состояний отдельных доменов отдельного уровня. В этом модуле производится формирование правил выбора (из числа прототипов правил) таких правил, которые наиболее достоверно описывают ситуацию, отличающуюся от ситуаций, описанных с помощью имеющихся прототипов правил. При этом формирование таких правил сводится, например, к указанию границ отличий (диапазонов отклонений цветов окраски доменов) характеристик атрибутов параметров или простых параметров. При необходимости проведения анализа вычислительного процесса, связанного с назначением диапазонов, математическими методами производится вызов Модуля анализа вычислительного процесса. Информация о назначении диапазонов направляется в модуль, блок-схема которого представлена на рисунке фиг. 4.

Модуль настройки преобразования полученных результатов цветовой интерпретации в цифровой вид обеспечивает замену отображаемых цветом состояний доменов (соответствующих им кодировок цветов и координат их размещения на форме в окне программы) на цифровые оценки состояния параметров (атрибутов параметров), совпадающие с произведением значений критериев оценки на весовые коэффициенты в функциональных связях параметров.

Модуль корректировки цифровых оценок в зависимости от их важности на текущем или вышестоящем уровне иерархической системы (в данном случае от важности на текущем уровне) обеспечивает отображение цифровых оценок атрибутов параметров (и решаемых задач) и предлагаемых диапазонов отклонений характеристик атрибутов параметров или простых параметров в цифровом виде (соответствующем цветам окраски доменов). Модуль корректировки цифровых оценок обеспечивает возможность корректировки цифровых оценок, поскольку важны не сами значения весовых коэффициентов, а их соотношения для различных свойств (признаков) объектов, то производится корректировка таких коэффициентов с целью получения высокой точности оценок наиболее ответственных параметров (атрибутов параметров) и предлагаемых диапазонов отклонений с учетом назначения приоритетов в степени совпадения для различных атрибутов.

Модуль настройки обратного преобразования полученных результатов из цифрового вида в цветовой вид обеспечивает замену цифровых оценок состояния параметров (атрибутов параметров) и предлагаемых диапазонов отклонений на отображаемые цветом состояния доменов (соответствующие им кодировки цветов согласно координат их размещения на форме в окне программы) и на отображаемые цветом скорректированные диапазоны отклонений.

Аналогично производится работа Модуля настройки соответствия полученных цветовых оценок (результатов цветовой интерпретации для каждого отдельного уровня иерархической системы) в зависимости от их важности на вышестоящем уровне для применения в целях формирования средства цветовой идентификации состояния системы (объекта) в целом. При этом учитывается важность полученной цветовой оценки уровня (для кластера, состоящего из ряда доменов, имеющих свои цветовые оценки состояния параметров (атрибутов параметров)). Учитывается, что в основу архитектуры иерархической многоуровневой системы положена кластерная структура, состоящая из центрального (корневого) и периферийных информационных доменов, при этом каждый кластер более низкого иерархического уровня связан с одним из доменов более высокого уровня. Основное отличие реализуемого подхода заключается в том, что интегральная оценка кластера предыдущего иерархического уровня корректируется для учета важности передаваемой информации о состоянии кластера для домена, входящего в состав кластера другого (высшего) уровня иерархии. Назначение правил интерпретации интегрального состояния производится посредством замены цвета кластера предшествующего уровня на скорректированный цвет домена вышестоящего уровня (связанного с этим кластером).

Далее включается в работу Модуль формирования архивов обрабатываемой информации с помощью которого фиксируются все произведенные на предыдущих шагах изменения. Информация о компонентах сформированной модели (в т.ч. о составе типов направлений и задач и т.п.) иерархической системы (объекта) сохраняется в привязке к координатам местности и времени.

Полученная информация направляется в фрагмент программы обеспечивающий корректировку начальных условий и правил обработки поступающей информации, блок-схема которого представлена на рисунке фиг.5.

Реализация такого вида корректировки может осуществляться различными путями, например, за счет подачи данных из контролируемой системы в режиме реального времени или за счет подачи заранее сохраненных результатов мониторинга (результатов сбора, хранения и обработки временных рядов измерений параметров и событий состояния объекта управления (системы)).

Для извлечения таких данных подгружается Модуль мониторинга набора изменяющихся входных параметров (в пределах их диапазонов изменений), с помощью которого производится подача данных в необходимом для обработки формате.

Далее выполняется Модуль настройки/изменения весовых коэффициентов в функциональных связях параметров. Поскольку важны не сами значения весовых коэффициентов, а их соотношения для различных свойств (признаков) объектов, то производится дополнительная настройка таких коэффициентов с целью получения высокой точности оценок наиболее ответственных параметров (атрибутов параметров). Особенно это важно при настройке средства цветовой идентификации состояния системы (объекта) для области конкретного применения (в привязке к локализации, локации и времени), для его соответствия уровню сложности решаемых вопросов в этой специфической области: элементарных задач, подзадач, задач, комплексов задач, основных задач, задач направлений деятельности, сверхзадач или проблем.

Далее задействуется Модуль настройки соответствия полученных цветовых оценок (результатов цветовой интерпретации для каждого отдельного уровня иерархической системы) в зависимости от их важности на вышестоящем уровне. Корректировки начальных условий и правил обработки поступающей информации производятся в зависимости от характера обрабатываемой информации по отношению к виду бизнес-процесса: (основного (производства товара или оказания услуги), обеспечивающего (жизнеобеспечения и поддержки основного), процесса развития (совершенствования производимого товара или услуги, развития технологий, модификации оборудования, инновационного, инвестиционного вида деятельности), процесса управления (стратегического, оперативного и текущего планирования, формирования и осуществления управленческих воздействий)).

При этом учитывается важность полученной цветовой оценки уровня (для кластера, состоящего из ряда доменов, имеющих свои цветовые оценки состояния параметров (атрибутов параметров)). Учитывается, что в основу архитектуры иерархической многоуровневой системы положена кластерная структура, состоящая из центрального (корневого) и периферийных информационных доменов, при этом каждый кластер более низкого иерархического уровня связан с одним из доменов более высокого уровня. Основное отличие реализуемого подхода заключается в том, что интегральная оценка кластера предыдущего иерархического уровня корректируется для учета важности передаваемой информации о состоянии кластера для домена, входящего в состав кластера другого (высшего) уровня иерархии. Корректировка правил интерпретации интегрального состояния производится посредством замены цвета кластера предшествующего уровня на скорректированный цвет (связанного с этим кластером) домена вышестоящего уровня.

Для осуществления в дальнейшем автоматического процесса интерпретации состояния кластера в зависимости от состояния доменов полученные при корректировке прототипы правил передаются в Модуль обучения нейросетей. При обучении нейросети ей предъявляется множество эталонов ситуаций (в данном случае прототипов правил назначения цвета, соответствующего состоянию кластера в зависимости от цветов, соответствующих состояниям доменов) и, регулируя параметры нейросети, производят обучение сети данному образу (дополнительную настройку искусственной нейронной сети). Сеть дообучается по эталонным ситуациям, выбранным из потока данных при мониторинге, решение которых известно, для последующей выдачи решений во всем диапазоне ситуаций (в рабочем режиме ее применения) - автоматического определения, на какую «знакомую» ситуацию более всего похожа введенная (в процессе использования готовой нейросети) и, следовательно, какое решение надо принять. Дообучение заканчивается тогда, когда вероятность узнавания достигает требуемого значения, т.е. необходимость корректировки параметров нейросети по предъявленным эталонам возникает все реже. После такой донастройки можно использовать искусственную нейронную сеть в рабочем режиме распознавания. Основное отличие реализуемого подхода заключается в применении нейросети не для классификации объектов (типа самолет, автомобиль, человек, лицо и т.п.) по фотографии, а для распознавания изображений состояния группы доменов («цветовых образов ситуаций») и назначении цвета кластеру с учетом его важности на вышестоящем уровне. При этом нейросеть оперирует с кодировками цветов доменов и их взаимным расположением друг относительно друга (т.е. в привязке к решаемым в доменах вопросам) и взаимного расположения кластера предшествующего уровня и связанного с ним домена вышестоящего уровня (т.е. в привязке к решаемым на уровнях иерархии вопросам). В качестве обучаемой нейросети может применяться, например, сверточная нейронная сеть, состоящая из ряда чередующихся слоев различных типов (входного, сверточного, максимальной дискретизации, отсева, усредненной дискретизации, полносвязанного), в которой сверточные слои могут быть представлены различным количеством узлов искусственной нейронной сети («ядер»), а обучение производиться, например, с использованием стохастического градиентного спуска по небольшим подмножествам тренировочного набора.

После завершения этапа формирования и корректировки средства цветовой идентификации состояния системы (объекта) наступает очередь ввода в действие фрагмента программы обеспечивающего исполнение средства цветовой идентификации состояния системы (объекта), блок-схема которого представлена на рисунке фиг. 6, осуществляется переход к его непосредственному применению, для чего включается в работу Модуль получения из базы данных настроек средства цветовой индикации. Отмеченный модуль производит передачу настроек в необходимом формате.

Далее производится запуск собственно средства цветовой идентификации состояния системы (объекта) для загрузки предварительно сформированных исходных данных дискретных свойств модели и обеспечения последующих расчетов включается Модуль запуска средства цветовой индикации.

Затем обеспечивается работа Модуля мониторинга набора изменяющихся входных параметров (в пределах их диапазонов изменений) для обеспечения подачи изменяющихся данных в необходимом для обработки формате (в привязке к типам направлений и задач иерархической системы (объекта), к координатам местности и времени). При этом производится постоянный мониторинг параметров (атрибутов параметров) нижнего уровня иерархии.

Далее производится анализ параметров мониторинга текущего уровня иерархии (последовательно, начиная с нижнего и заканчивая высшим уровнем иерархии) в Модуле сравнения величин параметров с критериями оценки.

Производится поправка оценок параметров мониторинга на их значимость посредством работы Модуля учета их весовых коэффициентов.

Задействуется Модуль цветовой идентификации с помощью которого, по заданным ранее правилам, устанавливается соответствие между значениями текущих изменяющихся характеристик их цветовой интерпретации (кодировке) цвета (цвета раскраски домена уровня иерархии). Поскольку на конкретном уровне иерархии обычно решается несколько частных вопросов, каждому из которых соответствует домен, то цветовая индикация осуществляется для всех доменов уровня иерархии, входящих в кластер (представляющий решение общего вопроса), в соответствии с установленными правилами, цветовая индикация осуществляется и для самого кластера.

Далее производится (при необходимости) корректировка цвета кластера нижестоящего уровня иерархии при передаче (полученной на этом уровне иерархии) цветовой идентификации домену выше стоящего уровня иерархии (связанного с этим кластером) с использованием модуля поправок цветовых идентификаций ситуаций на степень важности. Поскольку на конкретном вышестоящем уровне иерархии обычно решается несколько общих вопросов, каждому из которых соответствует домен, связанный с соответствующим кластером нижестоящего уровня, то такое преобразование производится для всех связей, существующих между соседними уровнями иерархии (по мере необходимости по установленным правилам).

Задействуется проверка окончания эскалации по уровням иерархии. Если рассмотрены не все уровни иерархии, то производится переход к выполнению Модуля сравнения величин параметров с критериями оценки для следующего уровня иерархии, иначе (при достижении высшего уровня иерархии) производится переход к выполнению Модуля визуализации результата посредством отображения на экране монитора цветовой идентификации состояния системы (объекта).

Применение группы изобретений позволило обеспечить решение технической проблемы идентификации состояния системы (выявления складывающейся ситуации) и цветовой индикации результата для каждого уровня системы и системы в целом.

Изобретение может быть применено для цветовой идентификации состояния системы в любой области техники и относится преимущественно к системной инженерии, технике охранной сигнализации. Заявленное средство цветовой идентификации состояния системы содержит сервер для хранения и обработки дискретных свойств системы, описаний последовательностей действий, средства постоянного ввода и пополнения входной информации об окружающей среде для области использования цветовой идентификации состояния системы, рабочие места пользователей, содержащие компьютеры, подсоединенные каналами связи с сервером. Также оно содержит модули ввода и учета корректировки критериев оценки изменяющихся параметров входной информации, модули назначения цветовой индикации состояния смысловых участков иерархической структуры, модули анализа полученного цветового отображения совокупности состояний отдельных доменов, в том числе анализа сочетания градаций цвета доменов в общей цветовой картине рассматриваемого уровня, модули выдачи на основании распознавания складывающейся ситуации решения о назначении обобщенного цветового индикатора для рассмотренного уровня иерархической системы, модули назначения обобщенного цветового индикатора для рассмотренного уровня иерархической системы с учетом корректировки его важности на вышестоящем уровне системы и модули организации применения таких действий при эскалации от уровня к уровню иерархической системы. Компьютеры на рабочих местах выполнены с возможностью задания и изменения базовых значений параметров, характеризующих свойства цветовой идентификации состояния системы, соответственно возможной ситуации, и передачи на сервер, который выполнен с возможностью постоянного хранения сформированных базовых данных о составе типов направлений и задач, критериях сравнения, весовых коэффициентах и правилах обработки данных с учетом уровней иерархии, выбора из них необходимых в зависимости от характера информации, поступающей на вход системы из различных источников информации от датчиков, от устройств ввода данных, от внешних систем, проведения расчетов и выдачи характеристик, в том числе в цветном графическом виде, промежуточных для соответствующих уровней и результирующей цветовой идентификации состояния объекта. Также компьютер выполнен с возможностью внесения в базу данных базовой информации о составе типов направлений и задач, критериях сравнения, весовых коэффициентах и правилах обработки данных с учетом уровней иерархии, с возможностью введения в компьютер альтернативных представлений реальности и выведения из памяти компьютера на монитор изображения результатов, полученных в ходе цветовой идентификации состояния объекта. Технический результат - обеспечение требуемого уровня достоверности идентификации состояния сложной иерархической системы и цветовой индикации результата для каждого уровня иерархической системы и системы в целом. 6 з.п. ф-лы, 6 ил.

1. Средство цветовой идентификации состояния системы, содержащее сервер для хранения и обработки дискретных свойств системы, описаний последовательностей действий, необходимых для такой обработки, средства постоянного ввода и пополнения входной информации об окружающей среде для области использования цветовой идентификации состояния системы, рабочие места пользователей, содержащие компьютеры, подсоединенные каналами связи с сервером, отличающееся тем, что оно содержит модули ввода и учета корректировки критериев оценки изменяющихся параметров входной информации, модули назначения цветовой индикации состояния смысловых участков иерархической структуры, модули анализа полученного цветового отображения совокупности состояний отдельных доменов, в том числе анализа сочетания градаций цвета доменов в общей цветовой картине рассматриваемого уровня, модули выдачи, на основании распознавания складывающейся ситуации, решения о назначении обобщенного цветового индикатора для рассмотренного уровня иерархической системы, модули назначения обобщенного цветового индикатора для рассмотренного уровня иерархической системы с учетом корректировки его важности на вышестоящем уровне системы, модули организации применения таких действий при эскалации от уровня к уровню иерархической системы, при этом компьютеры на рабочих местах выполнены с возможностью задания и изменения базовых значений параметров, характеризующих свойства цветовой идентификации состояния системы, соответственно возможной ситуации, и передачи на сервер, который выполнен с возможностью постоянного хранения сформированных базовых данных о составе типов направлений и задач, критериях сравнения, весовых коэффициентах и правилах обработки данных с учетом уровней иерархии, выбора из них необходимых, в зависимости от характера информации, поступающей на вход системы от датчиков, от устройств ввода данных, из баз данных, а также от внешних систем, проведения расчетов и выдачи характеристик, в том числе в цветном графическом виде, промежуточных для соответствующих уровней и результирующей цветовой идентификации состояния объекта, каждое рабочее место пользователя содержит компьютер с присоединенными к нему монитором, клавиатурой, манипулятором типа «мышь», при этом компьютер выполнен с возможностью внесения в базу данных базовой информации о составе типов направлений и задач, критериях сравнения, весовых коэффициентах и правилах обработки данных с учетом уровней иерархии, с возможностью введения в компьютер альтернативных представлений реальности и выведения из памяти компьютера на монитор изображения результатов, полученных в ходе цветовой идентификации состояния объекта (системы).

2. Средство цветовой идентификации состояния системы по п. 1, отличающееся тем, что оно выполнено с возможностью применения для целей формирования средств анализа полученного цветового отображения совокупности состояний отдельных доменов, анализа сочетания градаций цвета доменов в общей цветовой картине рассматриваемого уровня, средств настройки оператором весовых коэффициентов в функциональных связях наблюдаемых и вычисляемых параметров информации, поступающей в систему, и критериев их оценки.

3. Средство цветовой идентификации состояния системы по п. 1, отличающееся тем, что оно выполнено с возможностью применения для целей формирования средств анализа полученного цветового отображения совокупности состояний отдельных доменов, анализа сочетания градаций цвета доменов в общей цветовой картине рассматриваемого уровня искусственных нейронных сетей и их самообучения.

4. Средство цветовой идентификации состояния системы по п. 1, отличающееся тем, что оно выполнено с возможностью применения для целей формирования средств анализа полученного цветового отображения совокупности состояний отдельных доменов, анализа сочетания градаций цвета доменов в общей цветовой картине рассматриваемого уровня искусственных нейронных сетей и предоставления оператору возможности предъявления множества эталонов ситуаций для обучения, назначения начальных весовых коэффициентов в функциональных связях наблюдаемых параметров информации, поступающей в систему, критериев их оценки и назначения соответствующей окраски и регулирования таких параметров.

5. Средство цветовой идентификации состояния системы по п. 1, отличающееся тем, что оно выполнено с возможностью, наряду с информированием оператора о ходе и результатах цветовой идентификации состояния системы в автоматизированном режиме, осуществлять автоматическую передачу полученного результата для дальнейшего принятия управленческого решения в автоматическом режиме в соответствии с выявленной ситуацией при условии перевода оператором средства цветовой идентификации состояния системы (объекта) в автоматический режим работы.

6. Средство цветовой идентификации состояния системы по п. 1, отличающееся тем, что оно выполнено с возможностью расположения и размещения на отдельном сервере модулей, предназначенных для хранения накопленной информации и формирования настройки модулей анализа полученного цветового отображения совокупности состояний отдельных доменов, задания множества эталонов ситуаций для обучения, назначения начальных весовых коэффициентов в функциональных связях наблюдаемых параметров информации, поступающей в систему и критериев их оценки и регулирования таких параметров в автоматизированном режиме оператором.

7. Средство цветовой идентификации состояния системы по п. 1, отличающееся тем, что оно выполнено с возможностью расположения и размещения на отдельном сервере модулей, предназначенных для хранения накопленной информации и формирования настройки модулей анализа полученного цветового отображения совокупности состояний отдельных доменов и задания множества эталонов ситуаций для обучения, назначения начальных весовых коэффициентов в функциональных связях наблюдаемых параметров информации, поступающей в систему и критериев их оценки и регулирования таких параметров в автоматическом режиме самообучения искусственных нейронных сетей.