Translate this page:
Please select your language to translate the article


You can just close the window to don't translate
Library
Your profile

Back to contents

Software systems and computational methods
Reference:

An intelligent algorithm for creating control actions on engineering systems of intelligent buildings

Dushkin Roman

Director of Science and Technology, Artificial Intelligence Agency

127473, Russia, Moskva, g. Moscow, per. 1-I volkonskii, 15

roman.dushkin@gmail.com
Other publications by this author
 

 
Andronov Mikhail Grigor'evich

Leading Development Engineer, Artificial Intelligence Agency

119049, Russia, g. Moscow, ul. Zhitnaya, 10

mihandronov@gmail.com
Other publications by this author
 

 

DOI:

10.7256/2454-0714.2020.2.31041

Received:

12-10-2019


Published:

15-07-2020


Abstract: The article describes an algorithm for generating control actions on various engineering systems of an intelligent building, individually or in combination, within the framework of intelligent control of the parameters of the internal environment of such a building. The intelligence of the algorithm is due to the possibility of its autonomous operation and adaptability in relation to the parameters of the internal environment in relation to which the monitoring and control is carried out. The article provides a brief description of the algorithm, as well as a mathematical model for the selection and application of control actions. As a research method, a set-theoretic approach to modeling management processes was adopted, as well as BPMN notation for representing algorithms. The novelty of the issue under consideration is due to the use of a functional approach for the development of an intelligent algorithm, as well as the use of methods of distributed computing and computing on terminal devices within the framework of the hybrid paradigm of artificial intelligence. The relevance of the presented model is based on the need to translate the life cycle management processes of buildings and structures into the Industry 4.0 paradigm in order to increase their degree of intelligence. The article will be of interest to scientists and engineers working in the field of automation of technological and production processes. The present work is theoretical.


Keywords:

automation, intellectualization, management, control system, autonomy, adaptability, functional approach, distributed computing, edge computing, intelligent building


Введение

Развитие и взаимное проникновение современных высоких технологий позволяет утверждать, что в вопросах построения интеллектуальных систем управления зданиями и сооружениями можно подняться на новый уровень. Авторами уже были рассмотрены некоторые аспекты интеллектуализации управления и реализации интеллектуализированных автоматизированных систем управления, имплементирующих сквозной технологический процесс в интеллектуальных зданиях [Душкин, 2018; Душкин, 2019b; Душкин и Родионов, 2019; Душкин и Андронов, 2019]. В настоящей работе к рассмотрению предлагается алгоритм воздействия на инженерные системы здания для управления параметрами внутренней среды, который разработан в рамках функционального подхода к интеллектуализации управляющих воздействий.

Современное интеллектуальное здание представляет собой киберфизическую систему [Sanfelice, 2016], в которой возможно использование парадигмы распределённых и краевых вычислений на оконечных устройствах инженерных систем здания. При этом сами устройства могут находиться как под централизованным управлением, так и формировать децентрализованную вычислительную сеть [Sarkar & Misra, 2016]. И само по себе интеллектуальное здание целом должно функционировать как единая комплексная система, в которой так или иначе реализуются сценарии различного типа реагирования на изменения параметров внутренней среды [Душкин и Андронов, 2019]. Выполнение таких сценариев может быть основано на различных подходах, одним из которых и является интеллектуальный алгоритм создания управляющих воздействий на инженерные системы интеллектуальных зданий.

Под внутренней средой здания, в том числе и интеллектуального, будет пониматься набор значений множества параметров, характеризующих текущее состояние жизненно важных для безопасности и комфорта посетителей факторов [Душкин и Родионов, 2019]. Например, к таким параметрам можно отнести качество и температуру воздуха, освещённость, отсутствие посторонних и потенциально вредоносных субъектов и объектов в пределах рассматриваемых помещений и прилегающих территорий [Pašek et al., 2018]. Кроме этого, к внутренней среде здания также могут быть отнесены транспортные потоки посетителей и транспортных средств [Žáček et al., 2017].

Интеллектуальность алгоритма заключается в его способности адаптироваться к изменению условий функционирования. Фактически, речь идёт о применении отдельных методов машинного обучения как традиционного индуктивного типа, так и дедуктивного типа в рамках гибридной парадигмы построения интеллектуальных систем управления [Душкин, 2019b]. Интеллектуальный алгоритм создания управляющих воздействий должен не только распознавать неизвестные ранее паттерны динамики изменения параметров внутренней среды здания, но и запоминать в базе знаний системы управления новые сценарии реагирования на такие паттерны. Именно такая адаптивность позволяет назвать алгоритм интеллектуальным.

Каждая инженерная система интеллектуального здания обычно представляет собой простой управленческий контур, основанный на непрерывном мониторинге обратной связи от объекта управления (полноценный обзор таких систем и реализуемых ими сценариев можно найти в работе [Душкин и Родионов, 2019]). Фактически, это означает использование только реактивного режима управления без возможности использовать адаптивность «на лету» в процессе эксплуатации здания. Именно поэтому в общем контуре управления интеллектуальным зданием должна быть проактивная подсистема управления, реализующая адаптивный режим при помощи применения управляющих воздействий на сами инженерные системы.

На рис. 1 схематично показано применение проактивной подсистемой управления интеллектуальным зданием управляющих воздействий на инженерные системы, входящие в реактивный управленческий контур.

Рис. 1. Схема управляющих воздействий на инженерные системы интеллектуального здания

Обозначения на схеме: СМИС — система мониторинга инженерных систем; ТОиР — система технического обслуживания и ремонта оборудования; ЛИФТ — система управления лифтами; ВОДА — система управления водоснабжением и водоотведением; АСТУЭ — автоматизированная система технического учёта электроэнергии; СГЭС — система гарантированного электроснабжения; АСУО — автоматизированная система управления освещением; HVAC — система отопления, вентиляции и кондиционирования; СВН — система видеонаблюдения; СОП — система обнаружения присутствия; ПОУЭ — система обнаружения пожара, оповещения и управления эвакуацией; ПОЖАР — система автоматического пожаротушения; СКУД — система контроля и управления доступом; ВОЗДУХ — система контроля качества воздуха; НАВИГАЦИЯ — система внутренней навигации.

На представленной схеме показаны информационные потоки от внутренней среды интеллектуального здания в реактивную и проактивную подсистемы управления. При этом необходимо отметить, что что в рамках блока «Реактивны контур управления» между инженерными системами также существуют информационные и управляющие потоки, однако они не показаны ввиду их нерелеватности целям этой диаграммы. В этих информационных потоках передаётся информация о значениях параметров внутренней среды, за которыми осуществляется мониторинг для принятия решения об осуществлении воздействия на среду. Также от реактивной в проактивную подсистему управления передаётся состояние всех инженерных систем, входящих в реактивный контур управления. Это необходимо для того, чтобы в проактивной подсистеме управления осуществлять моделирование поведения всей системы для выбора оптимального решения.

Если в процессе такого моделирования внутри проактивной подсистемы управления возникнет необходимость осуществить управленческое воздействие, то оно выдаётся в одну или несколько инженерных систем здания, которые после этого воздействуют на заданные параметры внутренней среды. Если же такой необходимости не возникает, то реактивный контур управления самостоятельно осуществляет воздействие на внутреннюю среду с целью поддержания её гомеостаза [Эшби, 1959; Joerges, 1988].

Задачами настоящего исследования являются:

  1. Изучение возможности построения математической модели выбора и применения управляющих воздействий на инженерные системы здания.

  2. Разработка интеллектуального алгоритма создания управляющих воздействий на инженерные системы интеллектуальных зданий.

Новизна рассматриваемого вопроса обусловлена применением функционального подхода для разработки интеллектуального алгоритма, а также применения методов распределённых вычислений и вычислений на оконечных устройствах в рамках гибридной парадигмы искусственного интеллекта. Актуальность и востребованность решений рассмотренной задачи будет расти из-за повышения степени вовлечённости новых технологий управления и интеллектуализации в хозяйственную деятельность в рамках развития цифровой экономики.

1. Математическая модель выбора и применения управляющих воздействий

Разработанный авторами интеллектуальный алгоритм основывается на математической модели выбора и применения управляющих воздействий со стороны проактивной подсистемы управления на инженерные системы интеллектуального здания. Имеет смысл детально рассмотреть эту математическую модель перед переходом к непосредственному описанию алгоритма.

Математическая модель выбора и применения управляющих воздействий представляет собой кортеж следующего вида:

,

где:

— модель внутренней среды интеллектуального здания.

— модель инженерных систем интеллектуального здания.

— множество сценариев управляющего воздействия.

— процедура выбора сценария управляющего воздействия.

В свою очередь модель внутренней среды интеллектуального здания представляет собой кортеж, содержащий множество пар, вида:

,

где:

— некоторый параметр внутренней среды, мониторинг значения которого ведётся в рамках интеллектуальной системы управления. Каждый параметр характеризуется типом его значений , множеством определения и установочным множеством (чаще всего, интервалом), являющимся собственным подмножеством множества определения и в рамках которого осуществляется удержание гомеостаза. Другими словами, .

— функция, при помощи которой можно осуществлять прогнозирование значения параметра в заданный период времени. Для заданного времени должна возвращать оценку значения параметра и степень своей уверенности в ней .

— граф зависимостей между параметрами внутренней среды, вершины которого представляют собой сами параметры, а рёбра — функциональные зависимости во времени одного параметра от другого параметра вида . В сложных случаях может быть гиперграфом, в котором каждое ребро представляет собой функциональные зависимости одного параметра от набора других, однако этот случай выходит за рамки рассмотрения настоящей работы.

Модель инженерных систем интеллектуального здания представляет собой следующее множество:

,

где:

-й параметр внутренней среды, который контролируется -й инженерной системой. Необходимо отметить, что один и тот же параметр может контролироваться разными инженерными системами, и разделение границ контроля может осуществляться как в пространстве, так и во времени. Одновременный контроль одного и того же параметра в одной и той же области пространства с необходимостью будет приводить к конфликтам внутри контура управления.

— нижняя граница гомеостатического интервала параметра внутренней среды .

— верхняя граница гомеостатического интервала параметра внутренней среды .

— оценка времени, за которое значение параметра будет возвращено в гомеостатический интервал при выходе из него.

— количество параметров внутренней среды, которые находятся под управлением -й инженерной системы.

— количество инженерных систем в контуре управления.

Представленная модель инженерных систем здания является достаточно упрощённой, так как более сложная модель, учитывающая динамику работы инженерных систем, их возможные взаимосвязи и конфликты и другие аспекты функциональности интеллектуального здания может оказаться довольно громоздкой для того, чтобы быстро симулировать различные сценарии управляющих воздействий для их адекватного и быстрого выбора. Тем не менее, этот вопрос ещё ждёт детальных исследований.

В соответствии с работой [Душкин, 2019a] множество сценариев представляет собой множество следующего вида:

,

где:

— идентификатор сценария.

— тип сценария, выбираемый из множества , то есть сценарий может быть реактивным, активным или проактивным.

— направленный граф, состоящий из условий и технологических операций, выполняемых инженерными системами в процессе выполнения сценария.

Все сценарии, используемые для осуществления управляющих воздействий на инженерные системы интеллектуальных зданий, можно разделить на три класса:

1. Реактивные сценарии () — такие сценарии, которые запускаются только в качестве реакции на какие-либо изменения во внутренней среде интеллектуального здания, особенно на выход значения какого-либо параметра за пределы гомеостатического диапазона.

2. Активные сценарии () — сценарии, активация которых может осуществляться как в ответ на некоторые события во внутренней среде, так и по инициативе самой системы управления в соответствии с какими-либо внутренними планами или состояниями.

3. Проактивные сценарии () — сценарии, которые запускаются проактивной подсистемой управления на основании моделирования возможных будущих ситуаций, их оценки и прогнозирования возникновения для предупреждения возникновения нежелательных ситуаций в будущем.

Процедура определяет алгоритм создания (выбора) управляющих воздействий на инженерные системы интеллектуальных зданий, который описан в следующем разделе.

В состав модели можно было бы включить собственную модель проактивной системы управления , однако представляется, что в таком случае модель станет слишком сложной из-за необходимости разрешать самореференцию, что приведёт к слишком длительному процессу принятия решения в конфликтных ситуациях. Тем не менее, этот вопрос требует детальной проработки и ещё ждёт своего внимательного исследователя.

2. Описание алгоритма

В соответствии с работой [Душкин, 2018] разработка интеллектуального алгоритма управления внутренней средой интеллектуального здания должна быть основана на общих принципах функционального подхода, типологии сценариев изменения внутренней среды и модели процесса управления, описанной в той же работе. Однако перед проектированием самого алгоритма имеет смысл перечислить наиболее общие требования, выдвигаемые к такому алгоритму:

1. Алгоритм должен быть основан на функциональном подходе.

2. Алгоритм должен инкапсулировать в монаде недетерминированность внутренней среды и побочные эффекты воздействия на неё.

3. Основная часть алгоритма должна выполняться на центральном оборудовании.

4. Отдельные сегменты алгоритма должны быть распределёнными по оконечному оборудованию.

5. Алгоритм должен использовать распределённую децентрализованную базу данных.

6. Алгоритм должен реализовывать сценарный подход в управлении внутренней средой интеллектуального здания.

Функциональный подход предполагает, что каждая операция выполняется неким «чёрным ящиком», который получает входную информацию и выдаёт результат, а его устройство и внутреннее функционирование нерелевантно самому алгоритму. Это также означает, что изнутри этого «чёрного ящика» нет доступа к какой-либо внешней памяти или каким-либо внешним по отношению к нему процессам ни на чтение, ни на запись, то есть его функционирование является детерминированным и не обладает побочными эффектами [Lipovača, 2011].

Запуск алгоритма осуществляется каждый раз, когда во внутренней среде интеллектуального здания происходит какое-либо событие, которое фиксируется сенсорами некоторой инженерной системы. Кроме того, внутри самой системы управления может происходить изменение внутреннего состояния (например, связанное с наступлением какого-либо календарного события). Изменение внутреннего состояния может произойти как в рамках какой-либо инженерной системы, так и в проактивной подсистеме управления. В последнем случае изменение состояния может быть вызвано возникновением в прогнозе функционирования внутренней среды интеллектуального здания нежелательных значений мониторируемых параметров.

Сенсоры осуществляют первичную фильтрацию входных значений параметров внутренней среды или определяют релевантность возникающих состояний целям и задачам управления [Chitode, 2009; Yu et al., 2016]. Возможность такой фильтрации предполагает, что на физических устройствах, реализующих сенсорную функцию системы управления, должна иметься как часть общего алгоритма управления и выбора воздействий на инженерные системы, так и часть базы данных. Другими словами, алгоритм распределён по оконечному оборудованию, а база данных полной системы управления является распределённой и децентрализованной.

После фильтрации входных данных или информации о произошедшем событии сенсорами осуществляется выбор сценария ответа на входные данные. Если для реагирования на вход достаточно самостоятельных действий инженерной системы, отвечающей за мониторинг параметра внутренней среды, то запускается соответствующий реактивный сценарий управления, и проактивная подсистема управления не задействуется. В противном случае фокус управления передаётся проактивной подсистеме, которая должна выбрать сценарий из состава множеств активных и проактивных сценариев.

Активные сценарии запускаются в ответ на какие-либо внутренние состояния системы управления. Чаще всего такими состояниями являются календарные события, мониторинг которых осуществляется в рамках циклов управления, но также запуск активного сценария может произойти по какому-либо внутреннему триггеру. Активность сценария означает, что инициатива по его запуску исходит от самой системы управления, а не появляется в ней вследствие реакции на изменение значения какого-либо параметра.

Наибольший интерес представляют собой проактивные сценарии, которые запускаются только после процесса моделирования и прогнозирования будущих состояний внутренней среды интеллектуального зданий проактивной подсистемой управления. Такое моделирование осуществляется в двух случаях: либо параллельно исполнению реактивного сценария, либо перед запуском на исполнение активного сценария. Моделирование предназначено для понимания того, как изменится внутренняя среда и не возникнут ли какие-либо осложнения [Korneev et al., 2014].

Если моделирование показало, что в процессе исполнения реактивного или активного сценария могут возникнуть нежелательные состояния, то запускается проактивный сценарий для изменения значений параметров внутренней среды интеллектуального здания, направленного на предотвращение возникновения таких состояний. В случае реактивного сценария осуществляется его остановка и, если это возможно, откат значений параметров, на которые осуществлялось воздействие. Активный же сценарий попросту не запускается.

Таким образом, алгоритм создания управляющих воздействий на инженерные системы интеллектуальных зданий можно концептуально представить в виде схемы, изображённой на рис. 2 (необходимо заострить внимание на том, что эта схема углубляет и дополняет концептуальную схему алгоритма управления внутренней средой интеллектуального здания, представленной в [Душкин, 2018]).

Рис. 2. Концептуальная схема алгоритма создания управляющих воздействий на инженерные системы интеллектуальных зданий

Необходимо отметить, что представленный алгоритм запускается в параллельном и зачастую конкурентном режиме сам с собой [Distefano et al., 2015]. Это происходит из-за того, что в интеллектуальном здании осуществляется непрерывный мониторинг различных параметров сенсорами различных инженерных систем, которые могут быть расположены друг от друга на значительном пространственном удалении. Проактивная система управления должна уметь обрабатывать такую ситуацию, для чего может использоваться кластеризация вычислительных мощностей и их динамическая перебалансировка [Noormohammadpour et al, 2019] с выбором кластера для запуска очередного фокуса исполнения алгоритма.

Наиболее интересной и важной частью представленного алгоритма является операция моделирования результатов исполнения выбранного сценария. В соответствии с математической моделью, описанной в предыдущем разделе настоящей работы, такой процесс моделирования запускается как многократное выполнение последовательности следующих действий с последующим сравнением результатов и принятием решения о запуске проактивного сценария:

1. Выбирается время , на которое от текущего момента осуществляется моделирование, при этом , где — время, необходимое для самого процесса моделирования.

2. При помощи набора функций из состава модели внутренней среды осуществляется оценка значений параметров внутренней среды в виде интервала , каждому из которых приписывается степень уверенности .

3. Далее производится доводка прогнозных оценок значений параметров внутренней среды при помощи решения оптимизационной задачи на графе , что может осуществляться методами обучения с подкреплением [Busoniu et al., 2010] и динамического программирования (решение уравнения Беллмана [Meyn, 2007]).

4. Вычисляется совокупная уверенность в результате моделирования , где — некоторая нечёткозначная функция, осуществляющая агрегирование оценок степеней уверенности и имеющая признаки Т-нормы [Flaminio et al., 2006].

5. Шаги 1 — 4 повторяются некоторое количество раз, в результате чего определяется прогноз с наилучшей степенью уверенности. Этот прогноз является базовым для выбора или разработки проактивного сценария.

6. Если в выбранном прогнозе все оценки значений внутренних параметров находятся рамках соответствующих гомеостатических интервалов, то запуска проактивного сценария не осуществляется.

7. В противном случае собирается множество параметров внутренней среды, прогнозное значение которых будет находиться вне гомеостатического интервала, и для этих параметров осуществляется формирование управленческих воздействий на соответствующие инженерные системы интеллектуального здания таким образом, чтобы значения параметров были возвращены в гомеостатический интервал. Работа реактивного сценария останавливается, а последовательность таких воздействий направляется на инженерные системы так, чтобы ко времени с учётом времени воздействия инженерной системы на параметр значения всех параметров вновь лежали в рамках интервала .

8. По истечению времени фактические значения параметров сравниваются с прогнозными, в результате чего осуществляется акт одновременного обучения как проактивной системы, так и реактивного контура управления, который заключается в том, что в мета-информации о модели выбора и применения управляющих воздействий процесс, приведший к выбранному на шаге 5 прогнозу помечается успешным (он получает повышение степени успешности), а в реактивный контур управления спускается в качестве нового правила реактивного реагирования, которое динамически создаётся на основе осуществлённого проактивного сценария. Тем самым в дальнейшей работе при появлении ситуации, когда значения мониторируемых параметров в своей совокупности близки к тем, которые вызвали первоначальную активацию проактивного сценария, дорогостоящий процесс моделирования осуществляться не будет, а реагирование будет осуществлено в рамках реактивного контура.

Приведённое описание показывает, что процесс моделирования и сам алгоритм выбора сценария и формирования управляющих воздействий на инженерные системы интеллектуального здания является адаптивным, что, в свою очередь, позволяет назвать его интеллектуальным. Также предполагается, что конкретизация некоторых шагов моделирования может быть осуществлена различными методами как статистического подхода к машинному обучению (метод Монте-Карло [Kroese et al., 2011]), так и различными методами восходящей парадигмы искусственного интеллекта (в частности, при помощи искусственных нейронных сетей как универсального механизма аппроксимации произвольных функций [Николенко и др., 2019], так и при помощи эволюционных алгоритмов, как мощного метода оптимизации) [Душкин, 2019c]. Тем не менее, тема конкретизации шагов выходит за рамки настоящей работы.

Заключение

Описанное в настоящей работе теоретическое исследование обрисовало общий фреймворк, на основе которого можно осуществлять интеллектуализацию сложных социотехнических систем, в частности — интеллектуальных зданий. Решены следующие задачи:

  1. Построена теоретико-множественная модель выбора и применения управляющих воздействий на инженерные системы здания.

  2. Разработан интеллектуальный алгоритма создания управляющих воздействий на инженерные системы интеллектуальных зданий. Дана его обобщённая схема без конкретизации методами моделирования будущих состояний.

Представленная в настоящей работе модель выбора сценария управляющего воздействия на инженерные системы интеллектуального здания и описанный алгоритм применения таких управляющих воздействий позволяют говорить о том, что применение авторского подхода к интеллектуализации процессов управления при автоматизации технологических операций в интеллектуальном здании позволит достичь важных эффектов, к которым относятся:

1. Повышение эффективности функционирования инженерных систем с точки зрения своевременного и адекватного реагирования на изменения мониторируемых показателей внутренней среды в силу адаптивности проактивного управления.

2. Повышение степени гомеостатической устойчивости внутренней среды интеллектуального здания.

3. Снижение времени на локализацию и устранение аварийных ситуаций как за счёт снижения общего числа таких аварийных ситуаций, так и за счёт применения функционального подхода с инкапсуляцией недетерминированности и побочных эффектов.

4. Снижение расходов на эксплуатацию как самой системы управления, так и всего интеллектуального здания в целом, как следствие всех предыдущих перечисленных положительных эффектов.

Тем не менее, для более подробного изучения тех эффектов, которые можно достичь при внедрении описанного авторского подхода к интеллектуализации управления инженерными системами интеллектуального здания, требуется проведение дополнительных исследований.

Можно предположить, что такие дальнейшие исследования позволят масштабировать полученные результаты на уровень комплекса зданий, муниципалитета, населённого пункта, региона и даже всего государства. В свою очередь такое масштабирование приведёт к увеличению степени устойчивости и жизнеспособности зданий, населённых пунктов и даже регионов, и, как следствие, снизит нагрузку на экологию.

References
1. Busoniu L., Babuska R., Bart de S., Damien E. (2010). Reinforcement Learning and Dynamic Programming using Function Approximators. — Taylor & Francis CRC Press. — 280 p. — ISBN 978-1-4398-2108-4.
2. Chitode J. S. (2009) Digital Signal Processing. Third revised edition. — Chennai: Technical Publications Pune, 2009. — 102 p. — ISBN 818-4-31646-1.
3. Distefano S., Bruneo D. (2015). Quantitative assessments of distributed systems: Methodologies and techniques (1st ed.). — Somerset: John Wiley & Sons Inc., 2015. — 400 p. — ISBN 9781119131144.
4. Flaminio T., Marchioni E. (2006) T-norm based logics with an independent involutive negation. — Fuzzy Sets and Systems 157. — p. 3125-3144.
5. Joerges B. (1988) Large technical systems: Concepts and issues // Development of Large Technical Systems. — Mayntz R., Hughes T. P. (eds.) — Frankfurt am Main: Campus Verlag, 1988. — ISBN 3-593-34032-1. — p. 9-36.
6. Korneev A. M., Butakov V. V., Filatov A. A. (2014) Discrete-variable modeling of technological process // ISJ Theoretical & Applied Science, 02(10). — p. 35-39. — DOI: 10.15863/TAS.2014.02.10.5.
7. Kroese D. P., Taimre T., Botev Z. I. (2011) Handbook of Monte Carlo Methods. — New York: John Wiley & Sons. — 772 p. — ISBN 978-0-470-17793-8.
8. Lipovača M. (2011) Learn You a Haskell for Great Good! San Francisco: No Starch Press, 2011. — 176 p. — ISBN 978-1-59327-283-8.
9. Meyn S. P. (2007) Control Techniques for Complex Networks. — Archived 2008-05-13 at the Wayback Machine. — Cambridge University Press, 2007. — 87 p.
10. Noormohammadpour M., Raghavendra C. S. (2019) Minimizing Flow Completion Times using Adaptive Routing over Inter-Datacenter Wide Area Networks. — IEEE INFOCOM 2018 Poster Sessions, — January 2019. — DOI:10.13140/RG.2.2.36009.90720 6.
11. Pašek J., Sojková V. (2018) Facility management of smart buildings. — Int. Rev. Appl. Sci. Eng. 9, 2018, 2. — p. 181-187. — DOI: 10.1556/1848.2018.9.2.15.
12. Sanfelice R. G. (2016) Analysis and Design of Cyber-Physical Systems. A Hybrid Control Systems Approach // Cyber-Physical Systems: From Theory to Practice / D. Rawat, J. Rodrigues, I. Stojmenovic. — CRC Press, 2016. — p.3-31. — ISBN 978-1-4822-6333-6.
13. Sarkar S., Misra S. (2016) Theoretical modelling of fog computing: a green computing paradigm to support IoT applications // IET Networks, 2016. 5(2): p. 23-29. doi:10.1049/iet-net.2015.0034. ISSN 2047-4954.
14. Yu W., Wen G., Chen G., Cao J. (2016) Distributed Consensus Filtering in Sensor Networks // Distributed Cooperative Control of Multi-agent Systems. — Shamma J. S. (ed.) — Georgia Institute of Technologies, John Wiley & Sons, 2016. — ISBN 978-0-470-06031-5, DOI: 10.1002/9781119246213.ch10. — p. 233-260.
15. Žáček M., Janosek M. (2017) SBOnto: Ontology of smart building. — Far East Journal of Electronics and Communications 17(5), October 2017: p. 1101-1109. — DOI: 10.17654/EC017051101.
16. Dushkin R. V. (2018) Osobennosti funktsional'nogo podkhoda v upravlenii vnutrennei sredoi intellektual'nykh zdanii // Prikladnaya informatika, Tom 13, № 6 (78), 2018. — s. 20-31. — ISSN 1993-8314.
17. Dushkin R. V. (2019a) Teoretiko-mnozhestvennaya model' funktsional'nogo podkhoda k intellektualizatsii protsessov upravleniya zdaniyami i sooruzheniyami // Programmnye produkty i sistemy, № 2 (32), 2019 g. — S. 306-312. — ISSN 0236-235X. — DOI: 10.15827/0236-235X.126.306-312.
18. Dushkin R. V. (2019b) Intellektualizatsiya upravleniya tekhnicheskimi sistemami v ramkakh funktsional'nogo podkhoda // Programmnye sistemy i vychislitel'nye metody. — 2019. — № 2. — S. 43-57. — DOI: 10.7256/2454-0714.2019.2.29192. — URL: http://e-notabene.ru/ppsvm/article_29192.html.
19. Dushkin R. V. (2019s) Iskusstvennyi intellekt. — M.: DMK-Press, 2019. — 280 s. — ISBN 978-5-97060-787-9.
20. Dushkin R. V., Andronov M. G. (2019) Intellektualizatsiya gorodskogo upravleniya kak neobkhodimyi etap perekhoda k umnomu gorodu // Nauchnyi informatsionno-analiticheskii zhurnal «Munitsipal'naya akademiya», 2019. — № 2, aprel'-iyun'. — S. 118-123. — ISSN 2304-831X.
21. Dushkin R. V., Rodionov I. V. (2019) Analiz stsenariev izmeneniya sredy intellektual'nogo zdaniya // Elektronnye informatsionnye sistemy, 2019. — № 2 (21), Iyun' 2019. — S. 61-72.
22. Nikolenko S. I., Kadurin A. A., Arkhangel'skaya E. O. (2019) Glubokoe obuchenie. Pogruzhenie v mir neironnykh setei. — Seriya «Biblioteka programmista». — SPb: ID «Piter», 2019. — 480 str. — ISBN 978-5-496-02536-2.
23. Eshbi U. R. (1959) Vvedenie v kibernetiku = An Introduction to Cybernetics. — Izdatel'stvo inostrannoi literatury, 1959. — 432 s