CC BY
13
УДК 656.2
Модель поддержки принятия решений при оперативном регулировании подвода поездов к припортовым станциям
П. К. Рыбин 1, Р. В. Горин 2
1 Петербургский государственный университет путей сообщения Императора Александра I, Российская Федерация, 190031, Санкт-Петербург, Московский пр., 9
2 Октябрьская железная дорога - филиал ОАО «РЖД», Российская Федерация, 190013, Санкт-Петербург, Подъездной пер., 1
Для цитирования: Рыбин П. К., Горин Р. В. Модель поддержки принятия решений при оперативном регулировании подвода поездов к припортовым станциям // Бюллетень результатов научных исследований. - 2019. - Вып. 4. - С. 69-79. DOI: 10.20295/2223-9987-2019-4-69-79
Аннотация
Цель: Разработка модели поддержки принятия решений при оперативном регулировании подвода поездов к припортовым станциям. В основу модели заложены неявные знания (soft skills) оперативно-диспетчерского персонала железных дорог, которые чаще всего используются при отклонении условий перевозочного процесса от установленных графиком движения и планом перевозок. Методы: Использованы методы нечеткого моделирования, позволяющие формализовать знания оперативно-диспетчерского персонала. Результаты: Определены критерии, применяемые оперативно-диспетчерским персоналом при восстановлении движения поездов по графику. К ним относятся: возможность восстановления графика движения, приоритет поездов и значение времени отставания поезда от графика. Выполнена постановка задачи с учетом выделенных критериев. Практическая значимость: Полученные результаты могут использоваться в составе программного комплекса автоматизированной системы управления местной работой.
Ключевые слова: Припортовая станция, оперативное управление местной работой, нечеткое моделирование, модель поддержки принятия решений.
Введение
Необходимость оперативного регулирования движения поездов при подводе к припортовым станциям возникает в случаях, когда складывающиеся условия перевозочного процесса отличаются от установленных планом перевозок и графиком движения. К ним можно отнести:
- неравномерность эксплуатационной работы и колебания размеров движения поездов;
- движение поездов с нарушениями графика движения, в том числе необходимость пропуска ускоренного поезда;
- проведение неплановых технологических «окон» на железнодорожном пути.
В таких случаях или с учетом вероятности появления этих событий оперативно-диспетчерскому персоналу приходится разрабатывать план регулирования движения поездов, который может быть как предупредительным (заранее подготовленным), так и оперативным. Применяемые методы регулирования могут включать:
- изменение станции скрещения или обгона поездов, в том числе постановка поезда под обгон его поездом с более высоким приоритетом;
- сокращение или увеличение времени стоянки поезда на станции;
- отправление поездов пакетом с одной скоростью движения по участку;
- пропуск или прием поезда на неспециализированный путь станции
и т. д.
При планировании подвода поездов к припортовым станциям оперативное регулирование является важным инструментом, позволяющим избежать превышения установленных сроков доставки грузов в случае непредвиденных сбоев в эксплуатационной работе, а также невыполнения графика движения.
В современных условиях цифровизации и интеллектуализации систем управления железнодорожным транспортом важное значение приобретает разработка таких систем, которые бы автоматизировали не рутинные функции, исполняемые оперативным и управленческим персоналом, а процессы принятия ими решений, которые зачастую опираются не только на регламентирующие документы и инструкции, а также на опыт и выработанные эвристические приемы.
Знания, приобретенные в ходе многолетней практики управления, делятся на две группы: явные и осознанные, основанные на инструкциях, правилах и распоряжениях (hard skills), и неявные, неосознанные (soft skills). Как правило, вторая часть знаний (неосознанная) сложноформализуемая и проявляется только непосредственно в процессе управления. Для их формализации используются методы нечеткого моделирования [1], в которых носитель неосознанного знания выступает экспертом, задающим параметры модели.
Построение нечеткой модели
для оперативного регулирования подвода
поездов к припортовым станциям
В Петербургском государственном университете путей сообщения было разработано несколько моделей принятия решений для оперативного регули-
рования поездной работы [2-6], в том числе нечетких [7]. Кроме того, стоит отметить ряд работ зарубежных и отечественных авторов [8-14], в которых применяются технологии нечеткого, эволюционного и мультиагентного моделирования для решения схожих задач.
Модуль оперативного регулирования подвода поездов к припортовым станциям был разработан в системе инженерных расчетов MatLab фирмы MathWorks с помощью Fuzzy Logic Toolbox. На первом этапе разработки модели на основании анализа действий поездных диспетчеров было установлено, что при организации движения поездов на участке они руководствуются следующими критериями: минимизация суммарного времени отставания поездов от графика и приоритет пропуска поездов по участку.
В качестве входных переменных выступают:
1) возможность восстановления графика движения (или просто нагон графика), т. е. время, на которое поезд может сократить свое отставание от графика в результате регулировочных действий;
2) приоритет поездов;
3) отставание от графика.
Выходной переменной выступает результат работы системы, на основе которого диспетчер получает рекомендацию по своим действиям - либо пропустить рассматриваемый поезд, либо оценить возможность пропуска следующего поезда. Общий вид модели представлен на рис. 1.
Переменная «нагон графика» определена на области рассуждений [0;30] мин и квантована на такие лингвистические термы: малое время нагона; среднее время нагона; большое время нагона.
Данные об экономии времени при использовании регулировочных приемов поступают на первый вход модуля нечеткого управления и служат
Рис. 1. Общий вид нечеткой модели оперативного регулирования подвода поездов
к припортовым станциям
для формирования выхода системы. Переменная «нагон графика» с определенными лингвистическими термами представлена на рис. 2, а.
Переменная «приоритет поездов» условно определена на области рассуждений [0; 1] и квантована на следующие лингвистические термы: сборные; ускоренные грузовые; грузовые; пассажирские; скорые.
На вход данной переменной поступают сведения не только о приоритете пропуска поездов по участку, но и об их приоритете с точки зрения полученной экономии времени. В таблице показано, как изменяется приоритет пропуска поезда по участку. Вид переменной «приоритет поездов» показан на рис. 2, б.
Изменение приоритета поездов относительно друг друга и возможности нагона графика
Время нагона графика Поезда
скорые пассажирские ускоренные грузовые грузовые сборные
Малое Высокий Средний Низкий Низкий Низкий
Среднее Высокий Средний Средний Низкий Низкий
Высокое Высокий Высокий Высокий Средний Низкий
Переменная «отставание от графика» показывает, насколько в результате пропуска рассматриваемого поезда будут задержаны другие поезда, определена на области рассуждений [0; 60] мин и квантована на такие лингвистические термы: малое время отставания; среднее время отставания; большое время отставания. Вместе с остальными переменными она служит для формирования выходного отклика системы поддержки принятия решений. Переменная «отставание от графика» представлена на рис. 2, в.
Выходная переменная «решение» определена на области рассуждений [0; 1] и квантована на следующие лингвистические термы: пропустить рассматриваемый поезд; рассмотреть другой поезд.
Выход системы представлен на рис. 2, г.
Для наполнения базы знаний было сформулировано 45 правил. Например,
Правило 1: ЕСЛИ нагон графика является малым временем нагона И приоритет поезда является сборный поезд И время отставания является малым временем отставания ТО решение является рассмотреть другой поезд.
В качестве оператора пересечения функций принадлежности в модели используется оператор MIN
ц aa b (x) = min[ ц A (x); Ц B (x)].
а
б
Рис. 2. Терм-множества лингвистических переменных «нагон графика» (а), «приоритет поездов» (б), «отставание от графика» (в), «решение» (г)
в
г
Оператором импликации (нечеткого вывода правил) служит оператор импликации Мамдани [14], аналогичный приведенному выражению. Для операции агрегирования применяется оператор MAX
(x) = тах[ц a (x); ц в (х)].
Дефаззификация производится методом центра тяжести:
* = = J У 'Vres (У) dy
° JVres (У )dy
Поверхности решения в зависимости от сочетаний различных переменных приведены на рис. 3-5. Из них следует, что, несмотря на кажущуюся линейную зависимость принятия решений о порядке пропуска поездов от их приоритета и суммарных задержек поездов на участке, на самом деле задача достаточно сложна и нелинейна даже при оценивании поездов всего по трем критериям, принятым в математической модели.
При этом плавность представленных поверхностей решения для лингвистических переменных свидетельствует о том, что разработанная модель не подвержена эффекту «перерегулирования», когда при незначительном изменении входных данных решение системы меняется на противоположное. Следовательно, можно сделать вывод о том, что модель обладает свойством робастности, т. е. устойчивости к незначительным изменениям входных
Рис. 3. Поверхность решения для лингвистических переменных «нагон графика»
и «приоритет поездов»
60 1
отставание графика приоритет поездов
Рис. 4. Поверхность решения для лингвистических переменных «приоритет поездов»
и «отставание от графика»
отставание графика
нагон графика
Рис. 5. Поверхность решения для лингвистических переменных «нагон графика»
и «отставание от графика»
данных, а это говорит о высокой способности модели принимать решения, соответствующие решениям оперативно-диспетчерского персонала.
Заключение
Задача совершенствования оперативного регулирования поездов относится к важнейшим на всей сети железных дорог ОАО «РЖД». Особое значение она приобретает при управлении местной работой, в том числе в припортовых регионах в условиях стабильного повышения экспортного грузопотока. Предложенная модель поддержки принятия решений призвана уменьшить интеллектуальные нагрузки оперативно-диспетчерского персонала железных дорог, а также снизить риски влияния человеческого фактора на результат перевозочного процесса.
Библиографический список
1. Пегат А. Нечеткое моделирование и управление / А. Пегат. - М. : БИНОМ. Лаборатория знаний, 2013. - 798 с.
2. Кокурин И. М. Автоматизация информационной поддержки принятия решений поездным диспетчером при организации движения поездов / И. М. Кокурин, А. Б. Васильев // Автоматика на транспорте. - 2015. - Т. 1. - № 2. - С. 156-167.
3. Васильев А. Б. Разработка алгоритма поддержки принятия решений поездного диспетчера при организации движения поездов / А. Б. Васильев, А. Г. Котенко, В. В. Прокофьева // Вестн. транспорта Поволжья. - 2014. - № 1. - С. 52-56.
4. Кокурин И. М. Интеллектуальная система управления движением поездов на основе автоматизации диспетчерского регулирования и центрального автоведения / И. М. Кокурин // Автоматика на транспорте. - 2018. - Т. 4. - № 3. - С. 305-314.
5. Грошев Г. М. Автоматизация информационного обеспечения независимых участников мультимодальных перевозок контейнеров в морской порт в транспортном узле / Г. М. Грошев, Н. В. Климова, А. В. Сугоровский, А. Д. Манаков, П. Е. Булавский // Автоматика на транспорте. - 2018. - Т. 4. - № 3. - С. 315-332.
6. Бадецкий А. П. Регулирование движения поездов на основе методов обучения с подкреплением / А. П. Бадецкий, Т. А. Филатова // Вестн. транспорта Поволжья. - 2015. -№ 1. - С. 47-54.
7. Васильев А. Б. Математическая модель действий поездного диспетчера при регулировании движения поездов / А. Б. Васильев, А. П. Бадецкий, А. В. Решина, Д. С. Румянцев // Вестник транспорта Поволжья. - 2014. - № 4. - С. 81-86.
8. Takagi R. An object-oriented signalling system model for the study of delay minimization by on-line train control / R. Takagi // IRSE Aspect. - 2006. - P. 102-117.
9. Takagi R. Optimal train control at a junction in the main line rail network using a new object-oriented signaling system model / R. Takagi // Timetable Planning and Information Quality. - Southampton: WIT Press, 2010. - P. 137-146.
10. Hansen I.A. Increase of capacity through optimized timetabling / I.A. Hansen // Computers in Railways. - Vol. IX. - Southampton: WIT Press, 2004. - P. 529-538.
11. D'Ariano A. Running time re-optimization during real-time timetable perturbations / A. D'Ariano // Timetable Planning and Information Quality. - Southampton: WIT Press, 2010. -P. 147-156.
12. Ефремов Г. А. Проблемы и особенности автоматического диспетчерского управления движением поездов / Г. А. Ефремов // Интеллектуальные системы управления на железнодорожном транспорте. Компьютерное и математическое моделирование (ИСУЖТ-2017) : Труды шестой науч.-технич. конференции с международным участием. - М. : НИИАС, 2017. - С. 30-31.
13. Андросюк К. В. Совершенствование технологии разработки нормативного графика движения поездов с помощью ИСУЖТ / К. В. Андросюк // Интеллектуальные системы управления на железнодорожном транспорте. Компьютерное и математическое моделирование (ИСУЖТ-2018) : Труды седьмой науч.-технич. конференции с международным участием. - М. : НИИАС, 2018. - С. 108-112.
14. Модели и методы исследования информационных систем : монография / под ред. А. Д. Хомоненко. - СПб. : Изд-во «Лань», 2019. - 204 с.
Дата поступления: 06.09.2019 Решение о публикации: 16.09.2019
Контактная информация:
РЫБИН Петр Кириллович - канд. техн. наук, доцент; gdsu@mail.ru
ГОРИН Роман Валерьевич - зам. начальника железной дороги (по территориальному
управлению); romirg@mail.ru
Decision support model for the effective control of train admission to port stations
P. ^ Rybin \ R. V. Gorin 2
1 Emperor Alexander I Petersburg State Transport University, 9, Moskovsky pr., Saint Petersburg, 190031, Russian Federation
2 Oktyabrskaya railroad - OAO "Russian Railways" subsidiary, 1, Podyezdnoy lane, Saint Petersburg, 190013, Russian Federation
For citation: Rybin P. K, Gorin R. V. Decision support model for the effective control of train admission to port stations. Bulletin of research results, 2019, iss. 4, pp. 69-79. (In Russian) DOI: 10.20295/2223-9987-2019-4-69-79
Summary
Objective: To develop a decision support model for the effective control of train admission to port stations. The model is based on the implicit knowledge (soft skills) of railway operating and dispatching personnel, which are most commonly used in case of deviation of railway traffic conditions from those set by the traffic and lifting schedule. Methods: The methods of fuzzy simulation were applied, making it possible to formalize the experience of operating and dispatching personnel. Results: The criteria applied by operating and dispatching personnel for train traffic
recovery according to the schedule were determined. The former include: the ability to rehabilitate train schedule, as well as train priority and time lag. Practical importance: The obtained results may be applied as part of software application for automated management of local operation.
Keywords: Port station, effective administration of the local operation, fuzzy simulation, decision support model.
References
1. Pegat A. Nechetkoye modelirovaniye i upravleniye [Fuzzy simulation and control]. Moscow, BINOM. Laboratory of knowledge Publ., 2013, 798 p. (In Russian)
2. Kokurin I. M. & Vasiliev A. B. Avtomatizatsiya informatsionnoy podderzhky prinyatiya resheniy poezdnym dispetcherom pry organizatsii dvizheniya poezdov [Data support automation of decision taking by the traffic controller during train operation]. Avtomatika na transporte [Transport automation], 2015, vol. 1, no. 2, pp. 156-167. (In Russian)
3. Vasilyev A. B., Kotenko A. G. & Prokofyeva V. V. Razrabotka algoritma podderzhky prinyatiya resheniy poezdnogo dispetchera pry organizatsii dvizheniya poezdov [Decision support logical design for the traffic controller during operation of trains]. Vestnik transporta Po-volzhya [Bulletin of the Volga region transport], 2014, no. 1, pp. 52-56. (In Russian)
4. Kokurin I. M. Intellektualnaya sistema upravleniya dvizheniyem poezdov na osnove avtomatizatsii dispetcherskogo regulirovaniya i tsentralnogo avtovedeniya [Intelligent train control system based on automation of train dispatching and central automatic train operation]. Avtomatika na transporte [Transport automation], 2018, vol. 4, no. 3, pp. 305-314. (In Russian)
5. Groshev G. M., Klimova N. V., Sugorovskiy A. V., Manakov A. D. & Bulavskiy P. E. Avtomatizatsiya informatsionnogo obespecheniya nezavisimykh uchastnikov multimodalnykh perevozok konteinerov v morskoy port vtransportnom uzle [Information support automation for independent carriers of multimodal container service to sea ports in the transport node]. Avtomatika na transporte [Transport automation], 2018, vol. 4, no. 3, pp. 315-332. (In Russian)
6. Badetskiy A. P. & Filatova T. A. Regulirovaniye dvizheniya poezdov na osnove me-todov obucheniya s podkrepleniyem [Train traffic control based on reinforcement learning techniques]. Vestnik transporta Povolzhya [Bulletin of the Volga region transport], 2015, no. 1, pp. 47-54. (In Russian)
7. Vasilyev A. B., Badetskiy A. P., Reshina A. V. & Rumyantsev D. S. Matematicheskaya model deistviy poezdnogo dispetchera pry regulirovanii dvizheniya poezdov [Mathematical model of the traffic controller's actions during train traffic control]. Vestnik transporta Povolzhya [Bulletin of the Volga region transport], 2014, no. 4, pp. 81-86. (In Russian)
8. Takagi R. An object-oriented signalling system model for the study of delay minimization by on-line train control. IRSE Aspect, 2006, pp. 102-117.
9. Takagi R. Optimal train control at a junction in the main line rail network using a new object-oriented signaling system model. Timetable Planning and Information Quality. Southampton, WIT Press, 2010, pp. 137-146.
10. Hansen I.A. Increase of capacity through optimized timetabling. Computers in Railways. Southampton, WIT Press, 2004, vol. IX, pp. 529-538.
11. D'Ariano A. Running time re-optimization during real-time timetable perturbations. Timetable Planning and Information Quality. Southampton, WIT Press, 2010, pp. 147-156.
12. Efremov G.A. Problemy i osobennosty avtomaticheskogo dispetcherskogo uprav-leniya dvizheniyem poezdov [Problems and specificities of automatic train traffic dispatcher control]. Intellektualniye sistemy upravleniya na zheleznodorozhnom transporte. Kompyuter-noye i matematicheskoye modelirovaniye (ISUZhT-2017). Trudy shestoy nauchno-tekhnicheskoy konferentsii s mezhdunarodnym uchastiyem [Intelligent control systems for railway transport. Computer and mathematical simulation (ISUZhT-2017). Proceedings of the 6th Research and Engineering Conference with International Participation]. Moscow, NIIAS [Research and Design Institute for Information Technology, Signaling and Telecommunications in Railway Transportation] Publ., 2017, pp. 30-31. (In Russian)
13. Androsyuk K. V. Sovershenstvovaniye tekhnologii razrabotky normativnogo grafika dvizheniya poezdov s pomoshchyu ISUZhT [Technological improvement of the tight run profile design by means of ISUZhT]. Intellektualniye sistemy upravleniya na zheleznodorozhnom transporte. Kompyuternoye i matematicheskoye modelirovaniye (ISUZhT-2018). Trudy sedmoy nauchno-tekhnicheskoy konferentsii s mezhdunarodnym uchastiyem [Intelligent control systems for railway transport. Computer and mathematical simulation (ISUZhT-2018). Proceedings of the 7th Research and Engineering Conference with International Participation]. Moscow, NIIAS [Research and Design Institute for Information Technology, Signaling and Telecommunications in Railway Transportation] Publ., 2018, pp. 108-112. (In Russian)
14. Modely i metody issledovaniya informatsionnykh system [Models and methods for information systems research]. Monograph. Ed. by A. D. Khomonenko. Saint Petersburg, "Lan" Publ., 2019, 204 p. (In Russian)
Received: September 06, 2019 Accepted: September 16, 2019
Author's information:
Petr K. RYBIN - PhD in Engineering, Associate Professor; gdsu@mail.ru
Roman V. GORIN - Railway Deputy Director (Territorial administration); romirg@mail.ru
