Мультагентная система для контроля объектов энергетического комплекса


DOI: 10.34759/trd-2023-130-23

Авторы

Касатиков Н. Н.*, Фадеева А. Д., Брехов О. М.**

Московский авиационный институт (национальный исследовательский университет), Волоколамское шоссе, 4, Москва, A-80, ГСП-3, 125993, Россия

*e-mail: Nick925@yandex.ru
**e-mail: obrekhov@mail.ru

Аннотация

В этом тексте описаны различные способы использования устройств и технологий Интернета вещей для защиты критически важных активов. В нем выделены четыре основных применения IoT для защиты: наблюдение, контроль доступа, отслеживание активов и мониторинг окружающей среды. Авторы приводят конкретные примеры устройств IoT, используемых для каждого приложения, таких как камеры и датчики для наблюдения, биометрические системы и системы доступа без ключа для контроля доступа, GPS-трекеры и RFID-метки для отслеживания активов и датчики для мониторинга окружающей среды. В тексте показано как технологии Интернета вещей могут помочь предотвратить кражи, потери, ущерб от стихийных бедствий и обеспечить безопасность на критически важных объектах, в том числе на предприятиях ракетно-космической отрасли.

Ключевые слова:

Интернет-вещей, мультиагентная система, энергетика, умный город, искусственный интеллект

Библиографический список

  1. Baldi P. Autoencoders, Unsupervised Learning, and Deep Architectures // JMLR Proceedings of Machine Learning Research, 2012, vol. 27, pp. 37–49.
  2. Wang Y., Yao H., Zhao S. Auto-encoder based dimensionality reduction // Neurocomputing, 2016, vol. 184, pp. 232–242. DOI:1016/j.neucom.2015.08.104
  3. Murphree J. Machine learning anomaly detection in large systems // IEEE Autotestcon, 2016. DOI:1109/AUTEST.2016.7589589
  4. Araya Daniel Berhane, Katarina Grolinger, Hany F. El Yamany, Miriam A. M. Capretz. An ensemble learning framework for anomaly detection in building energy consumption // Energy Buildings, 2017. DOI:1016/j.enbuild.2017.02.058
  5. Bouabdallaoui Y., Lafhaj Z., Yim P., Ducoulombier, L., Bennadji B. Natural Language Processing Model for Managing Maintenance Requests in Buildings // Buildings, 2020, vol. 10 (9), pp. 160. DOI:3390/buildings10090160
  6. Su Y., Zhao Y., Niu C., Liu R., Sun W., Pei D. Robust Anomaly Detection for Multivariate Time Series through Stochastic Recurrent Neural Network // In Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, Anchorage, AK, USA, 4–8 August 2019, vol. 1485, pp. 2828–2837. DOI:1145/3292500.3330672
  7. Fan C., Xiao F., Yan C. A framework for knowledge discovery in massive building automation data and its application in building diagnostics // Automation Construction, 2015, vol. 50, pp. 81-90. DOI:1016/j.autcon.2014.12.006
  8. Moreno M.V., Dufour L., Skarmeta A.F., Jara A.J., Genoud D., Ladevie B. et al. Big data: The key to energy efficiency in smart buildings // Soft Computing, 2015, vol. 20, pp. 1749–1762. DOI:10.1007/s00500-015-1679-4
  9. Minoli D., Sohraby K., Occhiogrosso B. IoT Considerations, Requirements, and Architectures for Smart Buildings — Energy Optimization and Next-Generation Building Management Systems // IEEE Internet Things Journal, 2017, vol. 4, pp. 269–283. DOI:1109/JIOT.2017.2647881
  10. Akkaya K., Guvenc I., Aygun R., Pala N., Kadri A. IoT-based occupancy monitoring techniques for energy-efficient smart buildings // In Proceedings of the 2015 IEEE Wireless Communications and Networking Conference Workshops (WCNCW), New Orleans, LA, USA, 9–12 March 2015, pp. 58–63. DOI:1109/WCNCW.2015.7122529
  11. Bourdeau M., Zhai, X., Nefzaoui E., Guo X., Chatellier P. Modeling and forecasting building energy consumption: A review of data-driven techniques // Sustain Cities and Socierety, 2019, vol. 48. DOI: 1016/j.scs.2019.101533
  12. Gunay B., Shen W. Newsham G. Data analytics to improve building performance: A critical review // Automion in Construction, 2019, vol. 97, pp. 96-109. DOI:1016/j.autcon.2018.10.020
  13. Marmo R., Nicolella M., Polverino F., Tibaut A., Marmo R. A Methodology for a Performance Information Model to Support Facility Management // Sustainability, 2019, vol. 11, pp. 7007. DOI:3390/su11247007
  14. Mekki K., Bajic E., Chaxel F., Meyer F. A comparative study of LPWAN technologies for large-scale IoT deployment // ICT Express, 2019, vol. 5, pp. 1-7. DOI: 1016/j.icte.2017.12.005
  15. Zheng A., Casari A. Feature Engineering for Machine Learning, O’Reilly Media, Inc.: Sebastopol, CA, USA, 2018, 218 p.
  16. Miller C., Arjunan P., Kathirgamanathan A., Fu C., Roth J. et al. The ASHRAE Great Energy Predictor III competition: Overview and results // Science and Technology for Built Environment, 2020, vol. 26 (1), pp. 1427-1447. DOI:1080/23744731.2020.1795514
  17. Sagheer A., Kotb M. Unsupervised Pre-training of a Deep LSTM-based Stacked Autoencoder for Multivariate Time Series Forecasting Problems // Scientific Reports, 2019, no. 9, pp. 19038. DOI:1038/s41598-019-55320-6
  18. Семенов М.Е., Соловьев А.М., Попов М.А. Стабилизация неустойчивых объектов: связанные осцилляторы // Труды МАИ. 2017. № 93. URL: http://trudymai.ru/published.php?ID=80231
  19. Сударенко Д.А., Лютов А.В. Разработка базы данных структурно-параметрического описания технологии LTCC с применением ADO.NET // Труды МАИ. 2020. № 120. URL: https://trudymai.ru/published.php?ID=161428. DOI: 10.34759/trd-2021-120-14
  20. Брехов О.М., Тин М.А. Обработка запросов к базе данных посредством ассоциативной вычислительной системы // Труды МАИ. 2015. № 84. URL: https://trudymai.ru/published.php?ID=63151

Скачать статью

mai.ru — информационный портал Московского авиационного института

© МАИ, 2000—2024

 Вход