CC BY
4
УДК 681.51
ЧЕПЦОВ М.Н., д-р техн. наук, профессор (Донецкий институт железнодорожного транспорта)
ДОЦЕНКО Ю.В., канд. техн. наук, доцент (Донецкий институт железнодорожного транспорта)
ХАРИНА А.А., старший преподаватель (Донецкий институт железнодорожного транспорта)
Определение штатного режима работы диспетчерского участка
Cheptsov M.N., Doctor of Technical Science, Professor (DRTI)
Dotsenko Y.V., Candidate of Technical Sciences, Associate Professor (DRTI)
Kharina A.A., Senior Lecturer (DRTI)
Determination of the normal operating mode for the dispatching section
Введение
Переход различных систем на автоматическое управление становится все более распространенным подходом к организации производственных
процессов. Особенно востребованными являются системы автоматизации и контроля в тех сферах, где с большей вероятностью на производственный процесс оказывает влияние
«человеческий фактор». Система диспетчерского управления движением поездов является одной из таких. В условиях непрерывно поступающей информации и постоянно изменяющихся входных данных, поездной диспетчер должен, опираясь на свой опыт, принимать решения по пропуску поездов в минимальный промежуток времени. Принятые решения должны отвечать Правилам технической эксплуатации, принципам безопасности, надежности, минимальной
энергозатратности, и при этом, чтобы результат работы был экономически выгоден. Согласно [1], нарушения безопасности движения поездов допускают 44% поездных диспетчеров,
стаж которых составляет до одного года, в сравнении с 8,2% для диспетчеров со стажем работы от 10 лет. Это подтверждает необходимость внедрения различного рода систем, которые либо предлагали бы информационное сопровождение (системы поддержки принятия решений), либо замещали собой некоторые функции диспетчера и вели часть работы в автоматическом режиме [2]. На сегодняшний день разработаны автоматизированные
системы диспетчерского контроля с различными дополнениями,
предоставляющими диспетчеру полную информацию о поездной ситуации. В нее также входят ГИД «Урал-ВНИИЖТ» -автоматизированная система ведения и анализа графика исполненного движения, АСУВОП-2 -
автоматизированная система управления выдачей и отменой предупреждений, АПК ЭЛЬБРУ - автоматизированная система построения
энергосберегающего графика движения поездов [3] и т.д.
Однако принятие решений все еще полностью ложится на плечи поездного диспетчера. В условиях глобальной
цифровизации видится целесообразным создание автоматической системы диспетчерского управления (АС ДУ), которая позволит осуществлять пропуск поездов по расписанию в автоматическом режиме с
возможностью подключения диспетчера в нештатных ситуациях
Цель работы
Разработка нейросетевой модели оценки параметра готовности устройств железнодорожной автоматики для пропуска поездов по перегону.
Основная часть
Одной из задач системы автоматического управления пропуска поездов по участку является скрещение поездов. В работе [4] рассматривался пропуск поездов на основе присваивания им категорий. Категория определяется как некий набор параметров для поезда: назначение (пассажирский, грузовой; скорый, сборный и т.д.), вес поезда, наличие замыкающей группы в составе, наличие в составе вагонов со скоропортящимся грузом, время отставания от срока доставки, направление движения. заключающим фактором поездов является условие свободности участка. Согласно ИДП, диспетчер руководит движением, сверяясь с индикацией на аппарате управления, где показывается свободность
Однако, пропуска
изолированных участков в маршруте отправления, свободность перегонов (блок-участков) [5]. Точную и непрерывную информацию о передвижениях поездов в пределах участка ДНЦ получает от аппаратуры диспетчерского контроля. Для автоматической системы также в любой момент времени должно быть понятно, готов ли участок к проследованию поезда или нет.
В теории надежности существует понятие готовности как «свойство объекта, заключающееся в его способности, находится в состоянии, в котором он может выполнять требуемые функции в заданных режимах и условиях применения...» [6]. По аналогии с данным понятием для АС ДУ введем параметр Рг как оценку нахождения технических устройств перегона в состоянии готовности для пропуска поездов:
Рг — /(^1,^2,
(1)
где - состояние элемента участка во время пропуска поезда по перегону, принимает значения 1, если элемент занят и 0 - если свободен.
В качестве примера рассмотрим возможность применения данного параметра для однопутного участка с двумя станциями (рис. 1). Тогда составляющими функции / в выражении (1) будут элементы путевого развития данного участка (таблица 1).
Рис. 1. Перегон Л-Г
Таблица 1
Элементы участка для НС_
81 82 83 84 85 8б 87 88 89
Станция Л Путь № 1 Путь № 2 Горл-на станции Л - - - - - -
Перегон - - - Блок-участок 1 Блок-участок 2 - - - -
Станция Г - - - - - Горловина станции Г Путь №1 Путь №2 Путь №3
Сформулировав оценку (1) как процесс распознавания или
классификации состояния перегона применим наиболее распространенный математический аппарат для решения подобных задач - нейросетевое моделирование. Благодаря широкому разнообразию и возможности обучения на примерах, она обладает высокой эффективностью там, где
использовались другие методы анализа не целесообразно.
Рассмотрим применение модели нейронной сети (НС) на входы которой будут подаваться состояния элементов участка 81-89 (1). При минимальной конфигурации НС будет состоять из десяти нейронов (девять входных и один выходной). Т.к. предполагается, что Рг Е [0. .1], то в качестве функции активации применим сигмоидальную [7]:
Обучающая выборка
/00 =
1+е-
(2)
Сформируем обучающую выборку исходя из идеального режима работы перегонных устройств при
проследовании поезда. Т.е. каждый последующий момент времени занимается следующий элемент путевого развития. Также введем состояние, когда все элементы показывают ложную занятость и свободное состояние перегона (таблица 2). По горизонтали описаны состояния на участке (например, состояние 4 описывает ситуацию занятия поездом первого блок-участка); по вертикали отображается значение нейрона -единица, если элемент участка занят и ноль, если он свободен. Количество итераций обучения для каждого состояния - 100, энергия ошибки не превышает 0,1.
Таблица 2
для НС участка Л-Г
Входные Выходной
0 1 2 3 4 5 6 7 8 0
1 1 0 0 0 0 0 0 0 0 1
2 0 1 0 0 0 0 0 0 0 1
3 0 0 1 0 0 0 0 0 0 1
4 0 0 0 1 0 0 0 0 0 1
5 0 0 0 0 1 0 0 0 0 1
6 0 0 0 0 0 1 0 0 0 1
7 0 0 0 0 0 0 1 0 0 1
8 0 0 0 0 0 0 0 1 0 1
9 0 0 0 0 0 0 0 0 1 1
10 0 0 0 0 0 0 0 0 0 1
11 1 1 1 1 1 1 1 1 1 0
1
X
Проведем процесс обучения методом обратного распространения ошибки, после чего проверим результат на тестовой выборке (таблица 3). Зададим произвольные значения элементам участка, соответствующие состояниям:
1 - 3 соответствуют обучающей выборке, где занят один элемент участка и система показывает, что это соответствует нормальной работе, т.е. выдает 1.
4 также единица, так как входные данные указывают на то, что на участке нет поезда и ни один элемент участка не
В примерах 5-10 значение Рг близко к нулю, т.е. технические устройства не готовы для пропуска поездов по участку.
Результат работы на тестовой выборке показал суммарную погрешность 0,00066407, следовательно, данный подход возможно применить к реализации параметра Рг.
Выводы
В работе выполнена разработка нейросетевой модели оценки параметра готовности устройств железнодорожной автоматики для пропуска поездов по
занят.
5 соответствует состоянию 11 из таблицы 2, когда заняты все элементы участка.
6 показывает, что одновременно заняты путь № 1 и № 2 станции Г, при пропуске одного поезда по участку;
8 - занят путь № 1 станции Л и первый блок-участок.
9 - занят путь № 1 станции Л, перегон Л-Г
10: занят второй блок-участок и пути станции Г.
Полученные данные выполнения НС отображены в таблице 3.
перегону.
С другой стороны, модель осуществляет распознавание состояния участка пути в статическом режиме. Это допустимо для укрупненной оценки параметра Рг, однако более рациональным подходом будет реализация отслеживания нейросетевой моделью динамической работы устройств железнодорожной
автоматики.
Список литературы:
1. Воронцов, В.И.
Информационная поддержка персонала, обеспечивающего безопасность
Таблица 3
Тестовая выборка для выполнения НС_
Входные Выходной
0 1 2 3 4 5 6 7 8 0
1 1 0 0 0 0 0 0 0 0 1
2 0 0 0 1 0 0 0 0 0 1
3 0 0 0 0 0 0 1 0 0 1
4 0 0 0 0 0 0 0 0 0 1
5 1 1 1 1 1 1 1 1 1 0,00001120
6 0 0 0 0 0 0 0 1 1 0,00025338
7 0 0 0 0 0 1 1 1 0 0,00001320
8 1 0 0 1 0 0 0 0 0 0,00036379
9 1 0 0 1 1 0 0 0 0 0,00001130
10 0 0 0 0 1 0 1 1 1 0,00001120
движения поездов при помощи экспертных систем. / В.И. Воронцов // Современные технологии - транспорту / Известия ПГУПС, 2016. - №1 - С. 5-13
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. 156167.
3. 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.
4. Доценко, Ю.В. Усовершенствование процесса следования поездопотоков на основе риск-ориентированного подхода [Текст] / Ю.В. Доценко, А.А. Харина // Сборник научных трудов ДОНИЖТ. - 2022. -№65. - С. 50-55.
5. Инструкция по движению поездов и маневровой работе на железных дорогах Российской федерации [Электронный ресурс] //
КонсльтантПлюс - Режим доступа: http://www.consultant.ru/cons/cgi/online.c gi?req=doc&md=D8J7w&base=EXP&n=4 04348#TR01bPTMvt9d5y5A1
6. ГОСТ 27.002-2015 Надежность в технике. Термины и определения. Межгосударственный стандарт. МКС 21.020. - Дата введения 2017-03-01. - 30 с.
7. Хайкин С. Нейронные сети: полный курс, 2-е изд., испр. Пер. с англ. - М.: ООО «И.Д. Вильямс», 2006. - 1104 с.
Аннотации:
В статье рассмотрен вопрос автоматизации системы диспетчерского управления на железнодорожном транспорте. Предложено применение нейросетевого моделирования для определения состояния диспетчерского участка.
Ключевые слова: поездной диспетчер, нейронная сеть, автоматизация, система управление движением поездов.
The article considers the issue of automation of the dispatch control system in railway transport. The use of neural network modeling is proposed to determine the state of the dispatching section.
Keywords: train dispatcher, neural network, automation, control system railway transport.
