CC BY
17
Наука та прогрес транспорту. Вюник Дншропетровського нащонального унiверситету залiзничного транспорту, 2018, № 5 (77)
АВТОМАТИЗОВАН1 СИСТЕМИ УПРАВЛ1ННЯ НА ТРАНСПОРТ1
УДК 656.212.5
В. В. СКАЛОЗУБ1*, И. В. КЛИМЕНКО2*
'*Каф. «Компьютерные информационные технологии», Днепропетровский национальный университет железнодорожного транспорта имени академика В. Лазаряна, ул. Лазаряна, 2, Днипро, Украина, 49010, тел. +38 (056) 373 15 35, эл. почта [email protected], ORCID 0000-0002-1941-4751
2*Каф. «Компьютерные информационные технологии», Днепропетровский национальный университет железнодорожного транспорта имени академика В. Лазаряна, ул. Лазаряна, 2, Днипро, Украина, 49010, тел. +38 (056) 373 15 35, эл. почта [email protected], ORCID 0000-0001-5149-3974
МЕТОД ПЛАНИРОВАНИЯ НЕДЕТЕРМИНИРОВАННЫХ ПРОЦЕССОВ ЭКСПЛУАТАЦИИ ПАРКА ЖЕЛЕЗНОДОРОЖНЫХ ТЕХНИЧЕСКИХ СИСТЕМ
Цель. Основной целью статьи является совершенствование автоматизированных систем эксплуатации парков железнодорожных технических систем - электродвигателей (ЭД) постоянного тока стрелочных переводов, с учетом факторов неопределенности. Методика. Решение задачи получено за счет развития модели и метода оптимального планирования процессов эксплуатации множества ЭД. Метод использует информационную технологию по оценке параметров текущих и прогнозируемых состояния ЭД на основе их индивидуальных моделей. Модели формируют как для отдельных ЭД, так и для заданных групп. В модели факторы недетерминированности учитывают на основе показателя Херста. Задача планирования сводится к расчету оптимальной последовательности обслуживания объектов парка ЭД, которая обеспечивает минимум общих ожидаемых эксплуатационных затрат. Результаты. В работе был выполнен анализ основных известных моделей, автоматизированных технологий и систем эксплуатации парков ЭД (АСЭД) на основе дистанционного мониторинга. Исходя из практики обслуживания парков ЭД, была предложена новая категория объектов анализа -группа обслуживания (ГЭД). Для повышения достоверности прогнозирования по индивидуальным моделям ЭД и ГЭД разработана процедура классификации процессов, использующая показатель Херста. Сформулирована технолого-экономическая модель по планированию процессов эксплуатации парков ЭД. Выполнено развитие автоматизированной системы управления парков ЭД (АСУЭД) на основе усовершенствованной модели планирования процессов эксплуатации парков стрелочных ЭД постоянного тока. Модель оптимального планирования обеспечивает минимизацию ожидаемых эксплуатационных затрат на эксплуатацию парка ЭД за счет выбора очередности обслуживания групп ЭД. При планировании используют специализированную процедуру классификации недетерминированных данных дистанционного мониторинга ЭД, которая позволяет повысить точность прогнозирования параметров состояний объектов. Научная новизна. В статье получили развитие математические модели и информационные технологии дистанционного мониторинга процессов эксплуатации парков железнодорожных технических систем, стрелочных ЭД, основанные на формировании индивидуальных моделей ЭД и ГЭД, на оценке их текущих и прогнозированных состояний, с учетом случайных факторов. Предложенная модель оптимального планирования, как выбора последовательности обслуживания ГЭД, отличается групповым обслуживанием объектов парка ЭД, а также применением специализированной процедуры классификации данных мониторинга ЭД. Практическая значимость полученных результатов определяется обеспечением новых возможностей группового оптимального планирования обслуживания парка ЭД по критерию минимума ожидаемых затрат. Процедура классификации данных мониторинга процессов эксплуатации позволяет повысить достоверность результатов прогнозирования антиперсистентных
Наука та прогрес транспорту. Вюник Дншропетровського нацюнального унiверситету залiзничного транспорту, 2018, № 5 (77)
временных последовательностей, а также обеспечивает получение интерпретации результатов классификации данных наблюдений, исходя из потребности практического применения.
Ключевые слова: парки технических систем; электродвигатели стрелочных переводов; процессы эксплуатации; условия неопределенности; автоматизированная система; мониторинг; прогнозирование; индивидуальные модели процессов; модель оптимального планирования; эксплуатационные затраты
Введение
В настоящее время одной из приоритетных задач железнодорожного транспорта Украины является всестороннее уменьшение эксплуатационных расходов и повышение эффективности процессов автоматизированной эксплуатации парков технических систем (ТС) [1, 5, 8]. В представленной статье в качестве объектов исследования рассмотрены парки электродвигателей (ЭД) постоянного тока, используемых в железнодорожных стрелочных переводах (СП) - важных системах управления процессами перевозок. Количество этих систем составляет несколько десятков тысяч. Только в Юго-Западном филиале их насчитывается около 6 тис. Основная цель работы заключается в совершенствовании метода оптимального планирования процессов эксплуатации парка ЭД (МОПЭД), а также в развитии соответствующих систем автоматизированного дистанционного мониторинга и диагностирования текущего и прогнозируемого состояния объектов парка ЭД. Планирование процессов эксплуатации парка ЭД здесь заключается в расчете такой оптимальной последовательности обслуживания групповых объектов парка (ГЭД), которая обеспечивает минимальные общие затраты на его эксплуатацию, при условии соблюдения требований по устойчивости и надежности процессов железнодорожных перевозок. Особенностью процедур анализа и прогнозирования параметров состояния является обслуживание групп ТС (ГЭД), а также применение метода классификации временных последовательностей [7], представляющих оценки параметров процессов эксплуатации ЭД.
На железных дорогах Украины процессы эксплуатации ЭД осуществляются на основе планово-предупредительного метода (ППМ) [4], согласно которому процедуры оценки текущего состояния предусматривают исключение ЭД из реальных процессов для организации комплекса работ по контролю элементов ТС, по
измерению значений их параметров. Отмечено в [1, 6], что изъятие ЭД из процессов эксплуатации требует существенных дополнительных временных, финансовых, материальных и других затрат, а главное - может влиять на оценки значений параметров состояний ТС.
По технологии ППМ эксплуатации стрелочных переводов и их ЭД устанавливают их периодическое обследование по составленному графику [1, 2, 5]. К недостаткам существующей технологии обслуживания СП относят значительные затраты времени, выполнение операций в ручном режиме, большую вероятность человеческого фактора. Вместе с этим отсутствует непрерывный контроль параметров СП, что делает невозможным своевременное выявление и ликвидацию неисправностей. В условиях внедрения высокоскоростного движения поездов актуальность задачи повышения эффективности автоматизированного обслуживания парков СП и ЭД возрастает.
Развитие автоматизированных систем управления эксплуатацией парков ТС, в том числе стрелочных ЭД, происходит на основе применения современных информационных технологий (ИТ) и методов искусственного интеллекта [1, 5, 8]. В рамках этого направления разрабатываются новые решения задачи по организации и интеграции данных мониторинга, диагностирования, а также по обобщению результатов эксплуатации парка ЭД и планированию. Установлено, что повышение результативности этих методов и соответствующих технологий их реализации с учетом текущего состояния возможно на основе использования средств интеллектуальных систем: моделей кластеризации, методов искусственных нейронных сетей, экспертных систем [4, 12, 14]. В работах [5, 6, 8] предложена технология эксплуатации ЭД постоянного тока, которая не требует их извлечения из СП. Она позволяет выполнять непрерывную дистанционную диагностику ЭД, устраняет многие недостатки ППМ обслуживания стрелок электрической
Наука та прогрес транспорту. Вюник Дншропетровського нащонального ушверситету залiзничного транспорту, 2018, N° 5 (77)
централизации. Эта технология позволяет повысить точность измерения параметров, сократить время проверки состояния стрелок электрической централизации, снизить требования к квалификации обслуживающего персонала и уменьшить срок его пребывания на железнодорожных путях в зонах повышенной опасности, автоматизировать процессы диагностирования ЭД и др.
Переход к автоматизированной эксплуатации парков ЭД является экономически выгодным, позволяет повысить надежность стрелочных электроприводов, даже с учетом отказов, которые проявляются только при работе стрелочного перевода. Такой вывод в полной мере соответствует мировым тенденциям по внедрению систем дистанционного диагностирования и созданию автоматизированных рабочих мест (АРМ) [1, 5, 8].
Как примеры применения современных автоматизированных систем дистанционного диагностирования парков ЭД (АСЭД) на рис. 1, 2 представлены спектральные характеристики токов ЭД железнодорожных СП модели МСП-0,25, которые соответствуют их различным неисправностям. Виды неисправностей ЭД определены экспертом по методике [1, 2, 5].
На спектрограммах по оси абсцисс отложено время, по оси ординат - частота гармоник спектра.
Lei Channel
3.0k 2.0к
1.0к
х 400 -45.0 1
£ 200 IhzSEI
g" 100 "" 60 40 20 с -55.0
10
0.35 Time (10 sec/div) 1:1 .04
Рис. 1. Спектрограмма двигателя модели МСП-0,25: два обрыва якоря и короткое замыкание пластин коллектора
Fig. 1. Spectrogram of the MSP-0.25 engine:
two armature breaks and short circuit in the collector plates
Let Channel
3.0k 2.0k
1.0k 700 ^ 500 I
Ъ 300 -45.0 -S
£ 200 EsEJJESi ü E <
£ 100 70 50 30 20 fatawmil >4 J w ¿¿/.¿¿ig |
-55.0
10
0 00 Time (1 □ sec/div) 1:1 5.90
Рис. 2. Спектрограмма двигателя МСП-0,25:
четыре места обрыва секций якоря
Fig. 2. Spectrogram of the MSP-0.25 engine:
four places where the armature sections break
Отметим, что совокупность неисправностей (рис. 1, 2) обнаружена только с помощью расчетов на основе анализа спектров токов, а не статическими методами измерений (с помощью омметра, трансформатора, импульсного и др.).
АСЭД осуществляет управление процессами дистанционного диагностирования, а также решает отдельные задачи эксплуатации парков ЭД [1, 2, 7]. В АСЭД выполняют измерения характеристик двигателей, которые находятся под влиянием номинальных, рабочих значений напряжения, токов, магнитных полей, центробежных сил. АСЭД базируется на анализе частотного спектра рабочего тока двигателя, реализованного с помощью быстрого преобразования Фурье [2, 5]. Для каждого ЭД в индивидуальных моделях (ИМЭД) сохраняют характеристики исправного состояния, которые используют для расчета оценки достоверности выявленных неисправностей при диагностике. Распознавание возможных неисправностей ЭД выполняют нейронными сетями Кохонена [11]. Анализ взаимного расположения кластеров на топологической карте Кохонена позволяет выявлять сходства или различия между разными видами неисправностей (обрыв секции якоря, круговой огонь и др.). Входной слой сети Кохонена состоит из 256 элементов, на каждый из которых подаются величины интенсивности гармоник преобразования Фурье тока ЭД. Выходной слой сети представляет собой топологическую карту. В результате экспериментов лучшую способность к кластеризации показала топологическая карта размерностью 3 на 5 элементов [5, 6]. На основе текущего и прогнозируемого технического состояния каждого ЭД © В. В. Скалозуб, И. В. Клименко, 2018
Наука та прогрес транспорту. Вюник Дншропетровського нацюнального ушверситету залiзничного транспорту, 2018, N° 5 (77)
в дальнейшем определяют очередности их обслуживания.
В [8] для реализации непосредственных процедур управления парком ЭД с учетом их технического состояния разработана двухуровневая система математических моделей, верхний уровень которой представляет главные контролируемые свойства парка в целом, а также обеспечивает определение оценок параметров текущего состояния. На нижнем уровне формируются ИМЭД, представляющие эволюцию состояний ЭД.
Цель
Целью статьи является развитие и совершенствование вышеизложенных моделей, методов и подходов, а именно:
- совершенствование индивидуальных моделей процессов эксплуатации как отдельных ЭД, так и построение моделей определенных групп ЭД (ГЭД);
- формирование общей экономико-технологической модели ГЭД для расчета последовательности обслуживания заданных групп ТС ГЭД;
- применение усовершенствованного метода прогнозирования показателей процессов эксплуатации ГЭД за счет процедуры классификации последовательностей данных мониторинга ИМЭД.
Методика
Содержательно задачу автоматизированного управления эксплуатацией парка АСЭД можно сформулировать следующим образом. Рассматривают и автоматизировано контролируют определенное множество сложных технико-технологических объектов одинакового назначения (в частности ЭД), парк технических систем, а также процессы их эксплуатации. В соответствии с технологией функционирования и методикой обслуживания ТС парка разделены на группы (ГЭД), элементы которых при планировании рассматривают совместно. Объекты парка характеризуются наборами свойств, значения которых указывают на их некоторое «текущее» состояние, отражающее ход и возможности дальнейшей эксплуатации каждой из ТС. Техническое состояние объекта на данном
этапе эксплуатации определяют по «сигналам», снимаемым с него, причем дистанционно, без исключения из процессов эксплуатации. Данные о параметрах текущего состояния соответствующим образом обрабатывают, анализируют и обобщают, а также накапливают в системе АСЭД. Считаются известными ресурсы (технические, материальные, трудовые и др.), необходимые или выделенные для эксплуатации парка объектов. Задача состоит в обеспечении реализации и надежности совокупности железнодорожных транспортных технологий парка ТС. Также нужно обеспечить повышение эффективности процессов эксплуатации парка объектов, что выполняют на основе формирования интеллектуальной автоматизированной технологии и системы оптимального управления по текущему и прогнозируемому состоянию. При этом нужно непрерывно определять текущее техническое состояние компонентов парка ТС. Результатами мониторинга являются оценки параметров текущего состояния. Эту информацию фиксируют в индивидуальных моделях процессов эксплуатации ЭД в виде временных рядов (ВР) [5, 7, 8].
При обнаружении неисправных состояний объекта необходимо определить вид неисправности и получить оценку достоверности. На основе данных мониторинга объектов и предварительных данных о процессах эксплуатации, представленных в детерминированных терминах, или с учетом характеристик неопределенности технологических или эксплуатационных процессов нужно спрогнозировать возможные изменения технического состояния элементов системы, а также установить рациональные очередности диагностики и обслуживания объектов парка ТС с учетом требований безопасности транспортной системы и ограниченных ресурсов процессов эксплуатации.
Для определения очередности обслуживания объектов парка ЭД как части планирования процессов эксплуатации применяют специализированные экономико-математические модели и методы оптимального планирования, рассмотренные ниже. Задача эксплуатации парков заключается в определении последовательности обслуживания (диагностирования, осмотров ЭД, ремонтов) ТС или их элементов, а также групп ГЭД с учетом приближенных оценок
Наука та прогрес транспорту. Вюник Дншропетровського нацюнального ушверситету залiзничного транспорту, 2018, № 5 (77)
их текущего и прогнозируемого состояния, которые обеспечивают минимальные общие эксплуатационные расходы.
Результаты
Представим задачу автоматизированного оптимального управления эксплуатацией парков ТС (ЭД), развивая метод [6-8], как последовательность реализации следующих задач:
1. Образование групп ЭД парка, формирование индивидуальных моделей процессов эксплуатации стрелочных ЭД, ИМ для ГЭД, общей технолого-экономической модели эксплуатации парка.
2. Дистанционное измерение, мониторинг, спектральный анализ рабочих токов, диагностирование текучих состояний ЭД.
3. Оценка параметров и состояний инфраструктуры, классификация ИМ отдельных ЭД, а также их ГЭД, прогнозирование характеристик состояний объектов парка.
4. Формирование оптимального плана как выбора последовательности обслуживания ГЭД.
5. Реализация управления этапа Т, выполнение и учет в информационных моделях результатов работ по эксплуатации парка ЭД.
6. Коррекция индивидуальных моделей ЭД, ГЭД, а также парка в целом.
Для реализации указанной постановки задачи оптимального планирования потребовалось ввести новую категорию моделей объектов парка - ГЭД, модели групповых свойств ЭД (стрелочные переводы станции, ее участков и т. п.). Формирование и учет групповых свойств объектов парка выполнен с помощью специализированных процедур АСЭД.
При заданных множествах групп ЭД, одновременно включаемых в план обслуживания, возникает задача по оценке характеристик ГЭД, представленных ВР, на основе свойств отдельных ЭД. С учетом требований обеспечения надежности транспортных систем параметры ГЭД определяют на основе функций тах/тт. Поскольку на различных этапах обслуживания реализация функций расчета групповых свойств ГЭД может быть на разных двигателях, то поведение ВР групповых свойств может иметь сложный недетерминированный харак-
тер [10]. Ряды групповых свойств могут быть антиперсистентными [7, 9], как и последовательности значений уровней ВР отдельных ЭД. Рассмотрим вопросы прогнозирования и планирования процессов эксплуатации парков ЭД, представленных в ИМЭД недетерминированными ВР.
Данные о процессах эксплуатации железнодорожного транспорта, накапливающиеся в различных автоматизированных системах управления (АСУ), можно рассматривать как временные ряды (ВР) - упорядоченные по этапам контроля значения заданных показателей. Оценки показателей имеют сложную динамическую структуру и отражают свойства технологических, эксплуатационных, финансовых [9, 10] и других процессов железнодорожного транспорта. В работах [5, 7] исследованы возможности применения новых методов анализа ВР, представляющих свойства вагонопотоков, на основе показателя Херста (XV) [5]. XV оценивает стохастичность ряда, наличие в нем долговременной «памяти», используя процедуру И/8-анализа. Значение XV позволяет классифицировать процессы на персистентные (трендостойкие,
Н > 0,5), антиперсистентные (излом тенденции, Н < 0,5), случайные (Н ~ 0), используя величины вида:
я=1с8( Я / Л")
\ogia * N) , (
где Н - показатель Херста; - среднее квадра-тическое отклонение ВР; Я - размах накапливаемых отклонений; N - число периодов наблюдений; а - константа (а = л/2 для «коротких» ВР, соответствующих реальным процессам железнодорожных перевозок) [9, 13].
В работах [6-8] были исследованы свойства ВР, характеризующих количество вагонов, отправленных по станциям за сутки. Было выяснено, что показатель Херста этих ВР часто находится в интервале [0,3; 0,5], то есть сведения о предыдущих свойствах и поведении ВР не сохраняются. Это свидетельствует о проблемах прогнозирования и планирования процессов эксплуатации парков ТС.
Для дальнейшего исследования процессов, описывающихся ВР в области «белого шума»
Наука та прогрес транспорту. Вюник Дншропетровського нацюнального ушверситету залiзничного транспорту, 2018, № 5 (77)
(Н = [0,4, 0,5]) была разработана процедура усреднения уровней ВР, а также предложена процедура ПКР - классификации ВР. Согласно ПКР, на основе исходного ВР формируется серия новых ВР: ВР7(к), к = 2, 3, ... . Здесь параметр к указывает количество последовательно расположенных уровней ряда, которые используют для построения очередного уровня преобразованного ряда (как среднего значения уровней к) на 7-м этапе процедуры ПКР. Затем вновь образованные ВР7(к) исследуют на основе модели (1). Построение ВР7(к) заканчивают, если для некоторого к соответствующий ВР7(к) станет персистентным по (1), или же на 7-м этапе ПКР будут выполнены требования: Н(ВР7(к)) > Н*, Н* - задано. К полученным на к-м этапе модифицированным рядам ВР7(к) далее применяют стандартные статистические методы моделирования и прогнозирования.
Рис. 3. ВР вагонопотока при к = 3 суток, Н = 0,71.
Fig. 3. Time series of the car traffic volume at k = 3 days, H = 0,71
На рис. 3 приведен пример ВР (3) вагонопотока на станции, полученный при агрегировании за 3 суток (ВР третьего класса). Его показатель Херста (1) равен Н = 0,71, но Вр (k) был Н = 0,18. Таким образом, для ВР (рис. 3) на практике возможно прогнозирование оценок показателей (затраты, количества вагонов и др.) «с шагом 3».
Процедура ПКР усреднения уровней позволяет дифференцировать процессы, представленные ВР, устанавливая к, при которых возможно более обоснованное формирование моделей прогнозирования. На рис. 4 и 5 приведены примеры ВР различных классов, выявленных на основе ПКР.
Рис. 4. Пример процессов класса 2 Fig. 4. An example of processes, class 2
Рис. 5. Примеры классификации ВР железнодорожных процессов
Fig. 5. Examples of the time series classification for the railway processes
Слева сверху (рис. 4 и 5) указаны исходные, а ниже соответствующие преобразованные ВР, а также даны значения их показателей Херста (1) и коэффициенты детерминации моделей [5, 11].
Одним из отличительных свойств метода эксплуатации парка ТС, разрабатываемого
Наука та прогрес транспорту. Вюник Дншропетровського нацюнального унiверситету залiзничного транспорту, 2018, № 5 (77)
в статье, является применение процедуры ПКР для классификации ВР процессов эксплуатации, формируемых в ИМЭД и ГЭД (этап 3, классификация ВР).
Модуль мониторинга сравнивает полученный спектр тока ЭД со спектром его исправного состояния, хранимого в соответствующей ИМЭД. При обнаружении «существенных» различий этих спектров спектральные характеристики рассматриваемого ЭД поступают в модуль диагностирования, на выходе которого получают как виды, так и оценки достоверности выявленных неисправностей. Эти оценки хранятся в ИМЭД, формируя ВР, далее используемый для прогнозирования технического состояния электродвигателя.
Структура системы ИМ процессов эксплуатации парка ЭД (мониторинг, диагностирование, прогнозирование, ремонты) имеет вид иерархии (рис. 6). Уровни моделей сформированы по функциональному назначению. ИМ-0 - представляет собой совокупность моделей АСЭД согласно [6, 8].
Спектры тока ЭД (ИМ 1)
* Оценка состояний
•Мониторинг
•Обслуживание
Диагностика неисправностей (ИМ 2)
•Кластеризация данных •Класификация ВР
J
Прогнозирование отказов (ИМ 3)
•Планирование очередности обслуживания
V_У
Рис. 6. Система индивидуальных интеллектуальных моделей процессов эксплуатации парка ЭД
Fig. 6. The system of individual intellectual models of the park operation processes of electric motors
Уровень ИМ-1 обеспечивает данными процедуры определения текущего состояния парка ЭД. Модели уровня ИМ-2 используют для процедур кластеризации данных спектров, а также классификации ВР, получаемых при мониторинге. Для определения класса ВР применяют процедуру ПКР. Данные о спектрах тока ЭД дают возможность установить существующие или же скрытые неисправности контролируемых устройств, которые могут возникнуть на следующих этапах эксплуатации ЭД, а также оценить ожидаемый срок до их проявления.
Выявленные на основе ИМЭД (рис. 5) непосредственные или потенциальные неисправности ЭД анализируют моделями прогнозирования и планирования процессов эксплуатации (ИМ-3). Оценки параметров ИМ-3 используют для решения задач оптимизации очереди обслуживания ГЭД.
Для формирования процедур мониторинга состояний парка ЭД в реальном масштабе времени могут быть использованы методы и средства автоматизации станций [14]. Обработку и интерпретацию данных ИМ, с учетом возможности развития парка ЭД, а также расширения перечня контролируемых параметров объектов, обеспечивают современные технологии онтологической поддержки процедур классификации [12], концептуального моделирования данных сложной структуры [13] и др. Использование указанных методов и технологий позволяет создавать современные АСУЭД, реализующие также и задачи прогнозирования и планирования процессов эксплуатации парков ЭД железнодорожных стрелочных переводов.
С учетом процедур ПКР набор данных ИМЭД электродвигателей содержит следующие характеристики:
- временные последовательности (ВР) спектров тока ЭД;
- информация о свойствах ВР - константа Херста (1) исходного ВР, класс ВР, а также значение XV преобразованного ВР, построенного по процедуре ПКР;
- классификация возможных отказов ЭД по спектрам тока (вид неисправности, а также достоверность этого состояния) - прогнозный период до события, полученный методом линейной экстраполяции [6];
Наука та прогрес транспорту. Вюник Дншропетровського нацюнального ушверситету залiзничного транспорту, 2018, № 5 (77)
- оценки числа переключений стрелки за установленный период.
На основе ИМЭД формируют ИДГк - модели обслуживания групп ЭД при эксплуатации. Общую оценку свойств ИДГк получают на основе функций тах/тт, применяемых к показателям каждого ЭД группы. В набор свойств ИДГк входят: затраты на нормативное обслуживание (ЗНк), дополнительные технологические затраты при выходе двигателей из строя (ДЗк), нормативное число переключений стрелок за установленный период (ЫТк). По ЫТк вычисляют аналоги вероятности для расчета показателя возможных общих затрат. Также для ИДГ на основе показателя Херста вычисляют свойства группового ВР, его класс (процедура ПКР). В случае необходимости выполняют классификацию преобразованного по ПКР ряда, что позволяет уточнить модели прогнозирования процессов эксплуатации для ГЭД и ЭД.
Модель оптимального планирования очередности обслуживания (МОПОО) ГЭД реализуют следующим образом. Считаются заданными период планирования Т и тах ресурс на обслуживание (максимально возможное количество ЭД, которое можно обслужить за период Т) - ЕО(Т) . Для каждой ИМГЭДк на основе
ее ВРк определяют количество возможных отказов за период Т - п(Т), а также их виды. Кроме того, устанавливают ГЭД, которые подлежат плановому обслуживанию согласно нормативов (ПНО) [1] - ГЭДН (Т) и количество ЭД в них - пн (Т). Таким образом, суммарное количество ЭД в каждой группе, которые подлежат ремонту:
Пгэд„ (Т) = п(Т) + Пн (Т)
При этом если п(Т) = 0, то ГЭД подлежит только нормативному обслуживанию. В этом случае форматируется множество О(Т) :
О(Т) = {ГЭДк (Т)}, V Пэдк > о .
Если количество ГЭД(Т) в плановом периоде, которые подлежат обслуживанию,
(ПГэДк (Т) > о, V к = 1, ЕБ(Т))
не превышает 12, достаточно будет использовать перебор всех возможных вариантов перестановки ГЭД. При большом пГЭд (Т) > 14 выбор оптимальной перестановки можно осуществить с использованием поисковой оптимизации - генетических алгоритмов [4, 6, 12].
Для формирования модели расчета очередности обслуживания ГЭД разработан специализированный показатель эффективности планирования. Показатель соответствует оценкам ожидаемых дополнительных затрат (ОДЗ) за период планирования Т . Очередность обслуживания ГЭД, при которой эти затраты минимальны, является оптимальной. Величину ОДЗ рассчитывают так:
- по модели ИДГк выбирают ДЗк и ЫТк, на основе которых вычисляют оценки вероятностей событий отказов в группе Р (ШТк );
- для ЭД, входящих в ИДГ , по моделям ИМЭД определяют общие дополнительные затраты ДЗрем на ремонт ЭД, которые могут
выйти из строя в период планирования (с учетом возможного прогнозируемого типа отказа):
- ЗНк нормативные затраты на ремонт ЭД (убрать?).
ДЗрем ^ 3 t
*
вид рем ЭД
Значение ОДЗк равно: ОДЗк = (ОДЗк * P(NTk)) + ДЗкрем + ЗНк. МОПОО ГЭД имеет вид:
n
X ОДЗк ^ min . (2)
к=1
Условие отбора ГЭД в множество О(Т) осуществляют с учетом (2).
При расчете ОДЗк был установлен период планирования, по которому вычислены ОДЗк . В то же время в процессе эксплуатации возможны события, которые требуют оперативной коррекции плана. Эти события приводят к появлению новых групп ИДГк, в которых в пе-
n
Наука та прогрес транспорту. Вюник Дншропетровського нацюнального унiверситету залiзничного транспорту, 2018, № 5 (77)
риод планирования могут произойти отказы (по результатам диагностики токов ЭД). Принятие решений относительно таких групп ЭД - задача оперативного планирования эксплуатации парка ЭД.
ВР спектров токов могут рекомендовать несколько видов возможных неисправностей одновременно, но с разными временами их возможного проявления. Исходя из этих данных, проводят расчет оценок надежности транспортной системы, по которым и выбирают группу ЭД для первоочередного обслуживания.
Научная новизна и практическая значимость
В статье получили развитие метод и информационные технологии дистанционного мониторинга и оптимального планирования процессов эксплуатации парков железнодорожных технических систем. Научная новизна полученных результатов определяется следующим: впервые предложена модель оптимального планирования, как выбора последовательности обслуживания групп объектов парка ЭД. Усовершенствованы индивидуальные модели эксплуатации ЭД и ГЭД, которые отличаются дополнительной информацией по классификации данных мониторинга ЭД, что позволяет уточнить оценки текущих и прогнозированных состояний с учетом случайных факторов.
Полученные результаты обеспечивают новые возможности группового оптимального планирования обслуживания парка ЭД по критерию минимума ожидаемых затрат. Процедура классификации данных мониторинга позволяет повысить достоверность результатов прогнозирования антиперсистентных временных последовательностей, а значит и обоснованность планов по очередности обслуживания объектов парка ЭД.
Выводы
В статье исследованы вопросы совершенствования метода планирования процессов эксплуатации парка технических средств, основанного на прогнозировании состояний ЭД и групп ЭД по данным индивидуальных моделей. Для определения оптимальной последовательности обслуживания парка ЭД была разработана МОПОО позволяющая повысить достоверность определения очередности обслуживания ГЭД, используя оценки показателя Херста.
Предложена новая категория объектов анализа - группа обслуживания (ГЭД). Полученная модель обеспечивает минимизацию затрат по ГЭД на эксплуатацию парка ЭД за счет применения специализированной процедуры классификации индивидуальных данных дистанционного мониторинга параметров ЭД.
СПИСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ
1. Автоматизация процессов диагностики электродвигателей стрелочных переводов в условиях эксплуатации / А. П. Разгонов, А. Б. Руденко, В. В. Скалозуб, О. М. Швец // Зал1зн. трансп. Укра1ни. - 2009. -№ 6. - С. 20-22.
2. Дистанционное диагностирование состояния стрелочных переводов по временной характеристике и спектральному составу токовой кривой / С. Ю. Буряк, В. И. Гаврилюк, О. А. Гололобова, М. А. Ковригин // Наука та прогрес транспорту. - 2015. - № 2 (56). - С. 39-57. doi: 10.15802/stp2015/42159
3. 1нструкщя з техшчного обслуговування пристро!в сигнал1зацп, централ1заци та блокування : ТЦТТТ 0060. - Ки!в : Укрзал1зниця, 2009. - 111 с.
4. Максишко, Н. К. Анал1з i прогнозування еволюцп економ1чних систем : монограф1я / Н. К. Максишко, В. О. Перепелиця. - Запорiжжя : Пол^аф, 2006. - 236 с.
5. Скалозуб, В. В. Индивидуальные интеллектуальные модели для эксплуатации парка однородных железнодорожных технических систем на основе параметров текущего состояния / В. В. Скалозуб, В. Н. Осовик // Iнформ.-керуючi системи на залiзн. трансп. - 2014. - № 6. - С. 8-12.
6. Скалозуб, В. В. Методы интеллектуальных транспортных систем в задачах управления парками объектов железнодорожного транспорта по текущему состоянию / В. В. Скалозуб, О. М. Швец, В. Н. Осовик // Питання прикладно! математики i математичного моделювання : зб. наук. пр. / Дншропетр. нац. ун-т ш. О. Гончара. - Дншропетровськ, 2014. - С. 229-242.
Наука та прогрес транспорту. Вюник Дншропетровського нацюнального унiверситету залiзничного транспорту, 2018, № 5 (77)
7. Скалозуб, В. В. Розвиток процедур аналiзу та прогнозування недетермiнованих технолого-економiчних процесiв на основi показник1в хаотично! динашки / В. В. Скалозуб, И. В. Клименко // Економша: реалн часу. - 2016. - № 4 (26). - С. 82-90.
8. Создание интеллектуальных систем поддержки принятия решений в единой автоматизированной системе управления грузовыми железнодорожными перевозками Украины / В. В. Скалозуб, И. В. Жуко-вицкий, И. В. Клименко, А. П. Заец // Системн технологи : репон. мiжвуз. зб. наук. пр. - Дшпро, 2018. - № 3 (116). - С. 153-162.
9. Faggini, M. The failure of economic theory. Lessons from chaos theory / M. Faggini, A. Parziale // Modern Economy. - 2012. - Vol. 03. - Iss. 01. doi: 10.4236/me.2012.31001
10. Grabusts, P. Ontology-Based Classification System Development Methodology / P. Grabusts, A. Borisov, L. Aleksejeva // Information Technology and Management Science. - 2015. - Vol. 18. - Iss. 1. - Р. 129-134. doi: 10.1515/itms-2015-0020
11. Kohonen, T. Self-Organizing Maps / T. Kohonen. - Berlin ; Heidelberg : Springer, 2001. - 501 р.
12. Ontology-Based System for Conceptual Data Model Evaluation / Z. Kazi, L. Kazi, B. Radulovic, M. Bhatt // International Arab Journal of Information Technology. - 2016. - Vol. 13, No. 5. - P. 542-551.
13. Piegat, A. Nonregular nonlinear sector modeling / A. Piegat // Applied Mathematics and Computer Science. -1998. - Vol. 8, No. 3. - P. 101-123.
14. Zhukovyts'kyy, I. Use of an automaton model for the designing of real-time information systems in the railway stations / I. Zhukovyts'kyy // Transport problems. - 2017. - Vol. 12. - Iss. 4. - P. 101-108.
В. В. СКАЛОЗУБ1*, I. В. КЛИМЕНКО2*
'*Каф. «Комп'ютерш шформацшш технологи», Дншропетровський нацюнальний ушверситет з^зничного транспорту iменi академжа В. Лазаряна, вул. Лазаряна, 2, Дшпро, Украгна, 49010, тел. +38 (056) 373 15 35, ел. пошта [email protected], ORCID 0000-0002-1941-4751
2*Каф. «Комп'ютерш шформацшш технологи», Дншропетровський нацюнальний ушверситет залiзничного транспорту iменi академжа В. Лазаряна, вул. Лазаряна, 2, Дншро, Украгна, 49010, тел. +38 (056) 373 15 35, ел. пошта [email protected], ORCID 0000-0001-5149-3974
МЕТОД ПЛАНУВАННЯ НЕДЕТЕРМ1НОВАНИХ ПРОЦЕС1В ЕКСПЛУАТАЦН ПАРК1В ЗАЛ1ЗНИЧНИХ ТЕХН1ЧНИХ СИСТЕМ
Мета. Основною метою статп е удосконалення автоматизованих систем експлуатацн парив залiзничних технчних систем - електродвигушв (ЕД) постшного струму стршочних переводiв, iз урахуванням факторiв невизначеностг Методика. Виршення задачi отримано за рахунок розвитку моделi та методу оптимального планування процеав експлуатацн множини ЕД. Метод використовуе шформацшну технологш за оцшкою параметрiв поточних i прогнозованих сташв ЕД на основi !х iндивiдуальних моделей. Моделi формуються як для окремих ЕД, так i для заданих груп. У моделi чинники недетермiнованостi враховуються на основi показ-ника Херста. Завдання планування зводиться до розрахунку оптимально! послщовносп обслуговування об'ектiв парку ЕД, яка забезпечуе мiнiмум загальних очiкуваних експлуатащйних витрат. Результати. У робо-ii був виконаний аналiз основних ввдомих моделей, автоматизованих технологiй i систем експлуатацн парив ЕД (АСЕД) на основi дистанцiйного монiторингу. Виходячи з практики обслуговування парив ЕД, була за-пропонована нова категорiя об'екпв аналiзу - група обслуговування (ГЕД). Для пiдвищення достовiрностi прогнозування за шдиввдуальними моделями ЕД i ГЕД розроблена процедура класифiкацi! процесiв, яка використовуе показник Херста. Сформульована технолого-економiчна модель iз планування процеав експлуатацн парив ЕД. Виконано розвиток автоматизовано! системи управлшня паркiв ЕД (АСУЕД) на основi удоскона-лено! моделi планування процесiв експлуатац^' парив стршочних ЕД постшного струму. Модель оптимального планування забезпечуе мiнiмiзацiю оч^ваних експлуатацшних витрат на експлуатацш парку ЕД за рахунок вибору послвдовносп обслуговування ГЕД. Пiд час планування використовують спецiалiзовану процедуру класифтацп недетермiнованих даних дистанцiйного монiторингу ЕД, яка дозволяе тдвищити точнiсть прогнозування параметрiв станiв об'ектiв. Наукова новизна. У статп отримали розвиток математи-чнi моделi та iнформацiйнi технологи дистанцшного монiторингу процесiв експлуатацй' парив залiзничних технiчних систем, стрiлочних ЕД, заснованих на формувант iндивiдуальних моделей ЕД i ГЕД, на оцшщ !х поточних i прогнозованих сташв, iз урахуванням випадкових чинник!в. Запропонована модель оптимального
Наука та прогрес транспорту. Вюник Дншропетровського нацюнального ушверситету зал1зничного транспорту, 2018, № 5 (77)
планування, як вибору послiдовностi обслуговування ГЕД, в^^зняегься груповим обслуговуванням об'екпв парку ЕД, а також застосуванням спецiалiзованоl процедури класифшацп даних монiторингу ЕД. Практична значимкть отриманих результатгв визначаеться забезпеченням нових можливостей групового оптимального планування обслуговування парку ЕД за крш^ем мшмуму очiкуваних витрат. Процедура кла-сифiкацil даних монiторингу процеав експлуатаци дозволяе пiдвищити достовiрнiсть результатгв прогнозу-вання антиперсистентних часових рядiв, дозволяе отримати iнтерпретацiю класифжацл, виходячи з потреби практичного застосування.
Ключовi слова: парки техшчних систем; електродвигуни стрiлочних переводiв; процеси експлуатаци; умови невизначеностi; автоматизована система; монiторинг; прогнозування; iндивiдуальнi моделi процесiв; модель оптимального планування; експлуатацшш витрати
V. V. SKALOZUB1*, I. V. KLYMENKO2*
'*Dep. «Computer Information Technology», Dnipropetrovsk National University of Railway Transport named after Academician V. Lazaryana, Lazaryan, St. 2, Dnipro, Ukraine, 49010, tel. + 38 (056) 373 15 35, e-mail [email protected], ORCID 0000-0002-1941-4751
2*Dep. «Computer Information Technology», Dnipropetrovsk National University of Railway Transport named after Academician V. Lazaryana, Lazaryan, St. 2, Dnipro, Ukraine, 49010, tel. + 38 (056) 373 15 35, e-mail [email protected], ORCID 0000-0001-5149-3974
METHOD FOR PLANNING NON-DETERMINED OPERATION PROCESSES OF RAILWAY TECHNICAL SYSTEM PARK
Purpose. The article is aimed to improve the automated systems operation of the railway technical system parks and switch D.C. electric motors (EMs), taking into account all uncertainties. Methodology. Solution of the problem was obtained through the development of the model and the method for optimal planning for the EMs set operation. The method is based on the information technology with the possibility to assess the parameters of the current and the predicted state of EMs based on their individual models. The models are built both for individual EMs and for the specified groups. The factors of non-determinism in the model are calculated based on the Hurst index. The task of planning is solved as calculating the optimal sequence of the EM facilities services, which provides a minimum of the total expected operating costs. Findings. The analysis of the main known models, the automated technologies and the systems of EM (ASEM) park operation on the basis of the remote monitoring was done in the research. Based on the practice of the EM park maintenance the new category of the analysis objects was proposed - the service group (SG). The new procedure for the processes classification was developed based on using the Hurst index to improve the reliability of EM and SG individual models forecasting. The technological and the economic model for planning the EM parks operation was created. The article presents the results of the developed automated data management system based on the improved model for the operation planning of the D.C. EM parks. The optimal planning model ensures the minimization of the expected operating costs for the EMs operation, due to the selection of the EM groups service queue. The specialized procedure is used to classify non-deterministic EM remote monitoring data during planning, which allows increasing the accuracy of forecasting the object state parameters. Origilnality. The article describes development of the mathematical model and the information technology for the remote monitoring of the railway technical systems park operation, the railway switch EMs based on the formation of EM and SG individual models, as well as on the evaluation of their current and predicted states, taking into account random factors. The proposed model of the optimal planning as the possibility to choose the SG service queue differs by the group maintenance of the EM facilities, as well as application of the specialized procedure for classifying EM monitoring data. Practical value. The practical value of the results is determined by the provision of the new opportunities for the group optimal planning of the EM service based on the criterion of the minimum expected costs. The procedure for the monitoring data classification of the operational processes makes it possible to increase the reliability of the forecasting antipersistent time sequences results. It also provides an interpretation of the observational data classification results based on the need for practical usage.
Keywords: technical system parks; electric motors of switches; operational processes; uncertainty conditions; automated system; monitoring; forecasting; individual process models; optimal planning model; operating costs
HayKa Ta nporpec TpaHcnopTy. BÎCHHK flmnponeTpoBChKoro Ha^oHanhHoro yHÎBepcHTeTy 3&M3HHnHoro TpaHcnopTy, 2018, № 5 (77)
REFERENCES
1. Razgonov, A. P., Rudenko, A. B., Skalozub, V. V., & Shvets, O. M. (2009). Avtomatizatsiya protsessov diag-nostiki elektrodvigateley strelochnykh perevodov v usloviyakh ekspluatatsii. Zaliznychnyi transport Ukrainy, 6, 20-22. (in Russian)
2. Buryak, S. Y., Gavrilyuk, V. I., Hololobova, O. O., & Kovryhin, M. O. (2015). Remote diagnostics of turnouts state on timing and spectral composition in current curve. Science and Transport Progress. 2(56), 39-57. doi: 10.15802/stp2015/42159 (in Russian)
3. Instruktsiia z tekhnichnoho obsluhovuvannia prystroiv syhnalizatsii, tsentralizatsii ta blokuvannia. (2009). Kyiv: Ukrzaliznytsia. (in Ukranian)
4. Maksyshko, N. K., & Perepelytsia, V. O. (2006). Analiz i prohnozuvannia evoliutsii ekonomichnykh system: Monografiya. Zaporizhzhia: Polihraf. (in Ukranian)
5. Skalozub, V., & Osovik, V. (2014). Individual intelligent models for operating a number of unified railway engineering systems based on the current state parameters. Information and Control Systems at Railway Transport, 6, 8-12. (in Russian)
6. Skalozub, V. V., Shvets, O. M., & Osovik, V. N. (2014). Methods of Intellectual Transport Systems in Tasks of Management by Parks of Objects of Railway Transport on Current Status. Pytannia prykladnoi matematyky i matematychnoho modeliuvannia, 229-242. (in Russian)
7. Skalozub, V. V., & Klymenko, Y. V. (2016). Rozvytok protsedur analizu ta prohnozuvannia ne-determinovanykh tekhnoloho-ekonomichnykh protsesiv na osnovi pokaznykiv khaotychnoi dynamiky. Economics: Time Realities, 4(26), 82-90. (in Ukranian)
8. Skalozub, V. V., Zhukovitskiy, I. V., Klimenko, I. V., & Zaets, A. P. (2018). Creation of Intellectual Decision Support Systems in a Unified Automated System for Managing Rail Freight in Ukraine. Systemni tekhnolohii: Rehionalnyi mizhvuzivskyi, 3(116), 153-162. (in Russian)
9. Faggini, M., & Parziale, A. (2012). The Failure of Economic Theory. Lessons from Chaos Theory. Modern Economy, 03(01). doi: 10.4236/me.2012.31001 (in English)
10. Grabusts, P., Borisov, A., & Aleksejeva, L. (2015). Ontology-Based Classification System Development Methodology. Information Technology and Management Science, 18(1), 129-134. doi: 10.1515/itms-2015-0020 (in English)
11. Kohonen, T. (2001). Self-Organizing Maps. Berlin; Heidelberg: Springer. (in English)
12. Kazi, Z., Kazi, L., Radulovic, B., & Bhatt, M. (2016). Ontology-Based System for Conceptual Data Model Evaluation. International Arab Journal of Information Technology, 13(5), 542-551. (in English)
13. Piegat, A. (1998). Nonregular nonlinear sector modeling. Applied Mathematics and Computer Science, 8(3), 101-123. (in English)
14. Zhukovyts'kyy, I. (2017). Use of an automaton model for the designing of real-time information systems in the railway stations. Transport problems, 12(4), 101-108. (in English)
HagiMmna go pegKoneriï: 20.06.2018 npHHHOTa go gpyKy: 03.10.2018
