cahtНаучный вестник МГТУ ГАCivil Aviation High Technologies2079-06192542-0119Moscow State Technical University of Civil Aviation (MSTU CA)10.26467/2079-0619-2023-26-1-58-71caht-2133Research ArticleТРАНСПОРТНЫЕ СИСТЕМЫTRANSPORTATION SYSTEMSО применении нечетких нейронных сетей в рамках рискориентированного подхода к контрольно-надзорной деятельности в гражданской авиацииOn the use of fuzzy neural networks in the framework of a risk-based approach in control and supervisory activities in civil aviationОбразцовР. А.ObraztsovR. А.

Образцов Роман Александрович, начальник отдела организации использования воздушного пространства и радиотехнического обеспечения полетов

Москва

Roman A. Obraztsov, The Head of the Department for the Organization of the Use of Airspace and Radio Engineering Support of Flights

Moscow

obrazcov1311@mail.ruШаровВ. Д.SharovV. D.

Шаров Валерий Дмитриевич, доктор технических наук, доцент, профессор кафедры безопасности полетов и жизнедеятельности

Москва

Valeriy D. Sharov, Doctor of Technical Sciences, Associate Professor, Professor of the Life and Flight Safety Chair

Moscow

v.sharov@mstuca.aeroЦентральное межрегиональное территориальное управление воздушного транспорта Центральных районов Федерального агентства воздушного транспорта, Министерство транспорта Российской ФедерацииРоссияCentral Interregional Territorial Administration Office of Air Transport of Central Regions of the Federal Air Transport Agency, Ministry of Transport of the Russian FederationRussian FederationМосковский государственный технический университет гражданской авиацииРоссияMoscow State Technical University of Civil AviationRussian Federation2023070320232615871Copyright © Образцов Р.А., Шаров В.Д., 20232023Образцов Р.А., Шаров В.Д.Obraztsov R.А., Sharov V.D.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://avia.mstuca.ru/jour/article/view/2133

Рискориентированный подход, реализуемый при проведении контрольно-надзорных мероприятий в организациях гражданской авиации, позволяет повысить эффективность таких мероприятий, объективность оценок, снизить расходы и дополнительную нагрузку на бизнес. Основные положения, регулирующие деятельность органов контроля и надзора, в том числе и в вопросах оценки рисков, в целом указаны в нормативных документах. Однако остается неопределенность в части использования так называемых индикаторов риска, которые предназначены для прогнозирования рисков для безопасности полетов. В настоящее время нет каких-либо указаний по количеству и составу таких индикаторов, отсутствуют методики их использования по назначению. В статье предлагается решение этого вопроса с использованием элементов искусственного интеллекта. На примере индикаторов риска, характерных для организаций обслуживания воздушного движения, показана возможность прогнозировать уровень риска посредством нечеткой (гибридной) нейронной сети. Как известно, такие гибридные структуры, объединяющие в себе нейронные сети и нечеткую логику, собирают наилучшие свойства обоих методов. Формирование набора индикаторов риска и исходных данных для обучения сети проводится с привлечением квалифицированных экспертов с большим опытом управления безопасностью полетов и контрольно-надзорной работы. Обученная сеть позволяет количественно оценить прогнозируемый уровень риска на авиапредприятии на основании выявленных индикаторов риска с учетом степени их проявления. Показаны все этапы построения и использования сети в редакторе ANFIS программного пакета Matlab. Предлагаемый метод может использоваться также и в системах управления безопасностью полетов различных поставщиков авиационных услуг.

A risk-oriented approach implemented in conducting control and supervisory activities in Civil Aviation organizations makes it possible to increase the effectiveness of such activities, the objectivity of assessments, to reduce costs and the additionalburden on business. The main provisions, regulating the activities of control and supervision bodies, including the issues of risk assessment, are generally specified in regulatory documents. However, uncertainty remains regarding the use of so-called risk indicators, which are designed to forecast risks for flight safety. Currently, there are no guidelines on the number and composition of such indicators, there are no methods to use them for the intended purpose. The article proposes a solution to this problem using elements of artificial intelligence. Based on the example of risk indicators distinctive for air traffic service organizations, the feasibility of forecasting the level of risk through a fuzzy (hybrid) neural network is shown. As is well known, such hybrid structures, combining neural networks and fuzzy logic, collect the best properties of both methods. The formation of a set of risk ndicators and initial data for network training is carried out with the involvement of qualified experts with extensive experience in flight safety management and control and supervisory activities. The trained network allows us to quantify a forecasted level of risk in an airline based on the identified risk indicators considering the degree of their manifestation. All the stages of building and using the network in the ANFIS editor of the MATLAB software package are shown. The proposed method can also be used in the flight safety management systems for various providers of aviation services.

риск для безопасности полетовобслуживание воздушного движениярискориентированный подходиндикатор рисканечеткая нейронная сетьsafety riskair traffic servicerisk-oriented approachrisk indicatorfuzzy neural networkReferencesСоловьев А.И. Риск-ориентированный подход в системе государственного контроля и надзора в налоговой сфере // Экономика. Налоги. Право. 2017. Т. 10, № 6. С. 139–146.Soloviev, A.I. (2017). Risk-oriented approach in the system of government control and supervision in the tax sphere. Ekonomika. Nalogi. Pravo, vol. 10, no. 6, pp. 139–146. (in Russian)Авдийский В.И., Безденежных В.М. Экономическая безопасность современной России: риск-ориентированный подход к ее обеспечению // Экономика. Налоги. Право. 2016. Т. 9, № 3. С. 6–13.Avdiyskiy, V.I. & Bezdenezhnykh, V.M. (2016). The economic security of modern russia: the risk-based approach to its assurance. Ekonomika. Nalogi. Pravo, vol. 10, no. 3, pp. 6–13. (in Russian)Агамагамедова С.А. Риск-ориентированный подход при осуществлении контрольно-надзорной деятельности: теоретическое обоснование и проблемы применения // Сибирское юридическое обозрение. 2021. Т. 18, № 4. С. 460–470. DOI: 10.19073/2658-7602-2021-18-4-460-470Agamagomedova, S.A. (2021). Riskoriented approach in the implementation of control and supervision activities: theoretical justification and problems of application. Siberian Law Review, vol. 18, no. 4, pp. 460–470. DOI: 10.19073/2658-7602-2021-18-4-460-470 (in Russian)Ayres I., Braithwaite J. Responsive regulation. Transcending the deregulation debate. Oxford: Oxford University Press, 1992. 216 p.Ayres, I. & Braithwaite, J. (1992). Responsive regulation. transcending the deregulation debate. Oxford: Oxford University Press, 216 p.Braithwaite J. Responsive regulation and developing economies world development // World Development. 2006. Vol. 34, no. 5. Pp. 884–898. DOI: 10.1016/j.worlddev.2005.04.021Braithwaite, J. (2006). Responsive regulation and developing economies. World Development, vol. 34, no. 5, pp. 884–898. DOI: 10.1016/j.worlddev.2005.04.021Ahmad N. Responsive regulation and resiliency: the renewable fuel standard and advanced biofuels [Электронный ресурс] // Virginia Environmental Law Journal. 2018. Vol. 36, iss. 2. P. 40. URL: https://ssrn.com/abstract=3106907 (дата обращения: 11.08.2022).Ahmad, N. (2018). Responsive regulation and resiliency: the renewable fuel standard and advanced biofuels. Virginia Environmental Law Journal, vol. 36, issue 2, p. 40. Available at: https://ssrn.com/abstract=3106907 (accessed: 11.08.2022).Куниен В.А., Уварова И.В. Риск-ориентированный подход в контрольнонадзорной деятельности: международный опыт и особенности применения в российских условиях // Экономика и управление. 2019. № 2 (160). С. 59–68.Kunien, V.A. & Uvarova, I.V. (2019). Towards a risk-orientated model of control and supervision activities in the civil aviation sphere. Economics and Management, no. 2 (160), pp. 59–68. (in Russian)Махутов Н.А., Пуликовский К.Б., Шойгу С.К. Безопасность России. Правовые социально-экономические и научно-технические аспекты. Анализ рисков и управление безопасностью: методические рекомендации. М.: МГФ «Знание», 2008. 672 с.Mahutov, N.A., Pulikovskiy, K.B. & Shoygu, S.K. (2008). [Safety of Russia. Legal social economical scientific and technical aspects. Risk analysis and security management. (Guidelines)]. Moscow: MGF «Znaniye», 672 p. (in Russian)Черток В.Б. Риск-ориентированная модель контрольно-надзорной деятельности в сфере гражданской авиации // Транспорт Российской Федерации. 2017. № 6 (73). С. 27–30.Chertok, V.B. (2017). Towards a riskorientated model of control and supervision activities in the civil aviation sphere. Transport Rossiyskoy Federatsii, no. 6 (73), pp. 27–30. (in Russian)Hadjimichael M. A fuzzy expert system for aviation risk assessment // Expert Systems with Applications. 2009. Vol. 36, no. 3. Pp. 6512–6519. DOI: 10.1016/j.eswa.2008.07.081Hadjimichael, M. (2009). A fuzzy expert system for aviation risk assessment. Expert Systems with Applications, vol. 36, no. 3, pp. 6512–6519. DOI: 10.1016/j.eswa.2008.07.081Jenab K., Pineau J. Automation of air traffic management using fuzzy logic algorithm to integrate unmanned aerial systems into the national airspace // International Journal of Electrical and Computer Engineering (IJECE). 2018. Vol. 8, no. 5. Pp. 3169–3178. DOI: 10.11591/IJECE.V8I5.PP3169-3178Jenab, K. & Pineau, J. (2018). Automation of air traffic management using fuzzy logic algorithm to integrate unmanned aerial systems into the national airspace. International Journal of Electrical and Computer Engineering (IJECE), vol. 8, no. 5, pp. 3169–3178. DOI: 10.11591/IJECE.V8I5.PP3169-3178Sharov V.D., Vorobyov V.V. Fuzzy risk assessment of aviation events // Научный Вестник МГТУ ГА. 2017. Т. 20, № 3. С. 6–12.Sharov, V.D. & Vorobyov, V.V. (2017). Fuzzy risk assessment of aviation events. Civil Aviation High Technologies, vol. 20, no. 3, pp. 6–12.Борисов В.В., Круглов В.В., Федулов А.С. Нечеткие модели и сети. 2-е изд., стер. М.: Горячая линия – Телеком, 2007. 284 с.Borisov, V.V., Kruglov, V.V. & Fedulov, A.S. (2007). [Fuzzy models and networks]. Moscow: Goryachaya liniya – Telekom, 284 p. (in Russian)Осовский С. Нейронные сети для обработки информации / Пер. с пол. И.Д. Рудинского. М.: Финансы и статистика, 2002. 344 с.Osovskiy, S. (2002). [Neural networks for information processing]. Translated from Polish I.D. Rudinsky. Moscow: Finansy i statistika, 344 p. Available at: https://bookree.org/reader?file=555814&pg=4 (accessed: 12.08.2022). (in Russian)Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы / Пер. с пол. И.Д. Рудинского. М.: Горячая линия – Телеком, 2006. 452 c.Rutkovskaya, D., Pilinsky, M. & Rutkovsky, L. (2006). [Neural networks for information processing]. Translated from Polish I.D. Rudinsky. Moscow: Goryachaya liniya – Telekom, 452 p. (in Russian)Jang J-S.R. ANFIS: Adaptive-networkbased fuzzy inference system // IEEE Transactions on System, Man, and Cybernetics. 1993. Vol. 23, no. 3. Pp. 665–685. DOI: 10.1109/21.256541Jang, J-S.R. (1993). ANFIS: Adaptivenetwork-based fuzzy inference system. IEEE Transactions on System, Man, and Cybernetics, vol. 23, no. 3, pp. 665–685. DOI:10.1109/21.256541Горбаченко В.И., Ахметов Б.С., Кузнецова О.Ю. Интеллектуальные системы: нечеткие системы и сети: учеб. пособие для вузов. 2-е изд., испр. и доп. М.: Юрайт, 2019. 105 с.Gorbachenko, V.I., Akhmetov, B.S. & Kuznetsova, O.Yu. (2019). [Intelligent systems: fuzzy systems and networks: Tutorial]. Moscow: Izdatelstvo Yurayt, 105 p. (in Russian)Богатиков В.Н., Дранишников Л.В., Пророков А.Е. Построение систем управления на основе нейронных сетей: учеб.-методическое пособие. Апатиты: Изд-во КФ ПетрГУ, 2011. 41 с.Bogatikov, V.N., Dranishnikov, L.V. & Prorokov, A.E. (2011). [Construction of control systems based on neural networks: studyguide]. Apatity: Izdatelstvo KF PetrGU, 41 p. (in Russian)

The authors declare that there are no conflicts of interest present.