Концепция интеллектуальной системы автоматизированного экологического мониторинга на базе малогабаритных автономных роботов

от

 Ю.Е. Шишкин1,2, А.Н. Греков1

1 Институт природно-технических систем, РФ, г. Севастополь, ул. Ленина, 28

2 ФГАОУ ВО «Севастопольский государственный университет», РФ, г. Севастополь, ул. Университетская, 33

E—mail: yourockpro@gmail.com

DOI: 10.33075/2220-5861-2018-4-63-69

УДК 004.9:004.41

Реферат:

     В настоящей работе предлагается концепция интеллектуальной системы автоматического мониторинга основных параметров водной среды с целью обнаружения их аномалий и оценки количественных и качественных показателей, включая определение пространственно-временных характеристик исследуемого поля. Система построена на базе сети малогабаритных автономных надводных роботов. Предложена концептуальная модель системы мониторинга, позволяющая осуществлять автоматизированный комплексный мониторинг параметров среды во всем поле наблюдений.

     Разработана программная модель и проведены имитационные эксперименты для расчета основных показателей и оценки пространственно-временной изменчивости среды. По результатам моделирования сформированы управляющие карты оптимальной плотности расположения станций. Предложенный подход к решению задачи мониторинга водной среды по сравнению с традиционными обладает такими преимуществами как масштабируемость, гибкость, оперативность развертывания и свертывания, самоорганизация, возможность создания за счет изменения количества роботов широкой области обзора.

     Работа алгоритма получения карт оптимальных интервалов, на сетке станций, где производятся замеры параметров водной среды, экспериментально опробовано на примере построения тепловой карты растворенного кислорода в поверхностном слое бухты г. Севастополя. Это может служить подтверждением его обоснованности в качестве информационного обеспечения для интеллектуальной системы поддержки принятия решений при организации оптимального процесса расположения станций.

     Предложенная модель разработана для использования в системах поддержки принятия решений по непрерывному автоматизированному управлению процессом мониторинга автономными надводными роботами без участия оператора, решая задачи минимизации времени снятия параметров характеристик поля и увеличения автономности за счет построения энергоэффективного маршрута. Использование системности сбора данных позволит получить принципиально новые научные результаты при минимальных затратах.

Ключевые слова: мониторинг, детектирование аномалий, система экологического мониторинга, математическое моделирование, Большие Данные, облачные вычисления, кластеризация, критические системы, интеллектуальный анализ данных.

Полный текст в формате PDF

СПИСОК ЛИТЕРАТУРЫ

  1. Venkatesan R. Observing the Oceans in Real Time. Springer International Publishing, 2018.
  2. Marc L.M. Instrumentation and Metrology in Oceanography, ISBN: 978-1-848-21379-1, Sep 2012, Wiley-ISTE, 393 p.
  3. Bellingham J.B. New oceanographic uses of autonomous underwater vehicles // Mar. Technol. Soc. J., 1997. Vol. 31, no. 3. P. 34–47.
  4. Curtin T.B., Bellingham J.G., Catipovic J. Autonomous oceanographic sampling networks // Oceanography. 1993. Vol. 6 (3). P. 86–94.
  5. Минаев Д.Д. Принципы построения региональной автоматизированной информационной системы экологического мониторинга морских акваторий с применением автономных технических средств и робототехнических комплексов // Подводные исследования и робототехника. 2011. № 2 (12). С. 64–68.
  6. Емельянова В.П., Лобченко E.Е. РД 52.24.643-2002. Метод комплексной оценки степени загрязненности поверхностных вод по гидрохимическим показателям. Депон. М., 2004. 20 с.
  7. Мезенцева И.В, Мальченко Ю.А. Комплексный подход в организации мониторинга загрязнения морских вод в прибрежных акваториях Севастополя // Труды государственного океанографического института. 2015. № 216. С. 326–339.
  8. Трусевич В.В., Гайский П.В., Кузьмин К.А. Автоматизированный биомониторинг водной среды с использованием реакций двустворчатых моллюсков // Морской гидрофизический журнал. 2010. № 3. C. 75–83.
  9. Гайский П.В., Трусевич В.В., Забурдаев В.И. Автоматический биоэлектронный комплекс, предназначенный для раннего обнаружения отравляющих загрязнений пресных и морских вод // Морской гидрофизический журнал. 2014. № 2. С. 44–53.
  10. Benjamin M.R., Schmidt H., Newman P.M. Nested autonomy for unmanned marine vehicles with MOOS-IvP // J. Field Robot. 2010. 27 (6). P. 834–875. DOI: 10.1002/rob.20370
  11. Schmid, H., Benjamin M.R., Petillo S.M. Nested autonomy for distributed ocean sensing // Springer Handbook of Ocean Engineering / eds. M.R. Dhanak, N.I. Xiros. New York: Springer, 2016. P. 459–480.
  12. Mahmoudian N., Woolsey C. Underwater glider motion control, in 2008 IEEE Conference on Decision and Control, 552–557. doi: 10.1109/CDC.2008.4739432
  13. Leonard J.J., Bahr A. Autonomous underwater vehicle navigation // Springer Handbook of Ocean Engineering. New York: Springer. 2016. P. 341–358.
  14. Костенко В.В., Львов О.Ю. Комбинированная система связи и навигации автономного подводного робота с поплавковым модулем // Подводные исследования и робототехника. 2017. C.31–43.
  15. Heidemann J., Stojanovic M., Zorzi M. Underwater sensor networks: applications, advances and challenges // Phil. Trans. R. Soc. A. 2012. Т. 370, № 1958. P. 158–175.
  16. Lermusiaux P.F., Subramani D.N., Lin J. A future for intelligent autonomous ocean observing systems // Journal of Marine Research. 2017. 75 (6). P. 765–813.
  17. Атлас океанографических характеристик Севастопольской бухты / С.К. Коновалов, А.С. Романов, О.Г. Моисеенко [и др.]. Севастополь: «ЭКОСИ-ГИДРОФИЗИКА», 2010. 320 с.
  18. Seabird SBE 43 and SBE 43F individually calibrated, high-accuracy oxygen sensor to assist in critical hypoxia and ocean stoichiometric oxygen chemistry research on a variety of profiling and moored platforms Datasheet (Available from http://seabird.com/oxygen-sensors/sbe-43-dissolved-oxygen-sensor).

Loading