CC BY
94
РАЗРАБОТКА АВТОМАТИЗИРОВАННОМ СИСТЕМЫ НАУЧНЫХ ИССЛЕДОВАНИЙ ЖЕЛЕЗНОДОРОЖНЫХ ТРАНСПОРТНЫХ СИСТЕМ
УДК 004.8
Александр Иванович Вовченко
Аспирант кафедры организации и технологии защиты информации Белгородский университет кооперации, экономики и права Тел.: 89038879362
Эл.почта: alexander.vovchenko@qmail.com
Рассмотрена проблема автоматизации исследований транспортных систем. Предложены информационная модель и эволюционные алгоритмы анализа состояния транспортной системы, учитывающие ее специфику. Предложенный подход проиллюстрирован на примере разработки автоматизированной системы научных исследований железнодорожного подвижного состава.
Ключевые слова: транспортные системы, информационная модель, нечеткость, классификация, кластеризация, эволюционный метод.
Aleksandr I. Vovchenko
Post-qraduate student, the Department of Organization and Technology of Guarding Belgorod University of Cooperation, Economics and Right Tel.: 89038879362
E-mail: alexander.vovchenko@gmail.com
DEVELOPMENT OF AUTOMATIC SYSTEMS OF RAIL TRANSPORT SYSTEMS INVESTIGATION
The problem of the automation of transport systems investigations is considered. The author offers the information model and evolutionary algorithm of performance review of transport system, taking into account its specificity. This approach is illustrated in terms of development of automatic system of investigations of railway rolling stock.
Keywords: transport system, information model, fuzzy, classification, clustering, evolutionary method.
1. Введение
В настоящее время одной из наиболее актуальных проблем, возникающих при создании и дальнейшей эксплуатации транспортных систем (ТС), является оценка их состояния, определяющая не только экономическую эффективность, но и многие другие аспекты, включая физическую безопасность пассажиров [1]. Основной задачей при проведении реконструкции, капитального и текущего ремонта отдельных компонентов ТС является обеспечение сохранности основных фондов, предотвращение их преждевременного выбытия, восстановление и улучшение их потребительских качеств. На профилактические и ремонтные работы направляются большие финансовые, трудовые и материально-технические ресурсы, повышению эффективности использования которых посвящены работы [1-3]. Динамичность изменений в транспортной отрасли, связанных с ростом объемов перевозок, модернизацией (заменой) транспортных средств, применением новых материалов и технологий при создании и эксплуатации дорожной инфраструктуры, приводит к быстрому устареванию нормативно-регламентной базы отрасли, что делает необходимым проведение исследований, направленных на выработку практических рекомендаций. При этом высокие требования к достоверности используемой информации и надежности принимаемых на ее основе решений, а также большой объем данных и сложность алгоритмов их обработки обуславливают целесообразность применения автоматизированных систем научных исследований (АСНИ). Однако существующие подходы к разработке АСНИ ([4,5]) не позволяют полной мере учесть специфику ТС, что делает актуальной проблему автоматизации научных исследований применительно к транспортной отрасли.
Предлагаемый подход предполагает разработку АСНИ ТС на основе нечеткого информационного моделирования отдельных подсистем, а также методов теории искусственного интеллекта. В отличие от [6,7], где рассматривались отдельные компоненты ТС, в настоящей работе учитываются связи между подсистемами, что повышает степень адекватности моделирования и позволяет исследовать взаимное влияние процессов функционирования.
2. Информационное модельное описание транспортной системы
Общая структура ТС может быть представлена в виде совокупности взаимодействующих друг с другом межу собой подсистем:
Тт8у8=<Моу8у8, FixedSys, Яера1т8у8> (1)
где MovSys - подсистема транспортного парка, FixedSys - подсистема дорожной инфраструктуры, RepairSys - подсистема обслуживания и ремонта (рис. 1). Разделение подвижной и неподвижной компонент является особенностью ТС. Подсистема MovSys в значительной мере подвержена возникновению дефектов и нарушений, что в некоторой степени компенсируется доступностью для мониторинга и обслуживания. Подсистема FixedSys более стабильна по своим свойствам, однако, устранение нарушений ее работы, как правило, требует больших затрат. Выделение подсистемы обслуживания является естественным, поскольку обеспечение эксплуатации первых двух компонент представляет собой относительно самостоятельную задачу, для решения которой на транспортных предприятиях, как правило, создаются отдельные структурные подразделения.
Оценка функционирования каждой из подсистем не может быть проведена без учета взаимосвязи с другими подсистемами TrSys. В частности, связь с подсистемой RepairSys должна обеспечить экономичное и безопасное функционирование MovSys.
Рис. 1. Общая структура железнодорожной транспортной системы TrSys
Экономика, Статистика и Информатика
№5, 2011
Рассмотренные подсистемы в свою очередь допускают разбиение на подсистемы более низкого уровня: Моу8у5=<Моу8уз8иЬ5у5_1, МоуБу88иЬ8у8_2,..., Моу8уз8иЬ5у5_1> FixedSys=<FixedSysSubsys_1, FixedSysSubsys_2,..FixedSysSubsys_J> Кера1г8у8=<Кера1г8у88иЬ8у8_1, RepairSysSubsys_2,RepairSysSubsys_L>
Например, железнодорожный транспортный парк MovSys включает в себя в качестве отдельных подсистем локомотивы, вагоны различного типа и т.д.
Подсистемы включают в себя элементы:
MovSysSubsys_i=< MovSysSubsys_i _Е1_1, MovSysSubsys_i Е1_К> (3)
MovSysSubsys_j=< MovSysSubsys_i _Е1_1, ..., MovSysSubsys_i E1_M> MovSysSubsys_1=< MovSysSubsys_i _Е1_1, ..., MovSysSubsys_i Е1_М>
Например, в элементный состав подсистемы MovSysSubsys_1 - «локомотив» включены: колесная пара, кузов, тормозное устройство и т.д.
Особенностью подсистем MovSysSubsys_i, FixedSysSubsys_j, RepairSysSubsys_1 является возможная однотипность элементов различных подсистем, что приводит к нарушению иерархичности в сетевом представлении подсистем. На примере подсистем «локомотивы» и «вагоны» это схематически представлено на рис.2.
Состояние ТС представляет собой совокупность состояний своих подсистем и так далее вплоть до состояний элементов: StTrSys=<StMovSys, StFixedSys, StRepairSys> (4)
StMovSys=<StMovSysSubsys_1,., StMovSysSubsys_I> StFixedSys=<StFixedSysSubsys_1, ..., StFixedSysSubsys_J> RepairSys=<RepairSysSubsys_1, ..., RepairSysSubsys_L>
StMovSysSubsys_i=<StMovSysSubsys_i _Е1_1, ..., StMovSysSubsys_i Е1_К> StMovSysSubsys_j=<StMovSysSubsys_i _Е1_1, ..., StMovSysSubsys_i E1_M> MovSysSubsys_1=<StMovSysSubsys_i _Е1_1, ..., StMovSysSubsys_i Е1_М>
Состояние отдельного элемента определяется набором значений свойств (индикаторов) StMovSysSubsys_i _Е1^ =< Ш_1, ... , Ind_m> (MovSysSubsys_i_E1_j)
В дальнейшем будем полагать нечеткость индикаторов, т.е. 0d"Ind d" 1, где значение 0 соответствует отсутствию некоторого свойства, 1 - наличию этого свойства, а промежуточные значения - степени соответствия рассматриваемому свойству. Несмотря на кажущуюся упрощенность принятой модели, она отражает возможность измерения свойств элементов не только в слабых (номинальной и порядковой), но и в сильных (интервальной и относительной) шкалах. В последнем случае под свойством понимается принадлежность значения показателя некоторому числовому интервалу.
Иерархическое описание состояния системы TrSys (4) удобно представить в линейном виде:
StTrSys =<Ш_1, Ш_2,Ш_1Ч> (5)
где интегральные индикаторы системы 1М_1, 1М_2,..., вычисляются с помощью иерархической процедуры (например, метода анализа иерархий) на основе показателей отдельных элементов и весовых коэффициентов этих показателей, элементов и подсистем, полученных методами экспертного оценивания (например, методом командного ранжирования или методом парных сравнений).
3. Методы и алгоритмы анализа состояния транспортной системы
В рамках настоящей работы под анализом состояния объекта будем понимать задачу группировки (классификации или кластеризации) возможных характерных состояний объекта и последующее отнесение исследуемого состояния к определённой группе состояний, то есть задачу распознавания образов. Например, анализируя конкретное состояние StTrSys необходимо определить, к какому одному из подмножеств RepairState_1, RepairState_2,.., RepairState_M множества состояний RepairStates оно относится, т.е. какому типу ремонтных работ подлежит транспортная система. При этом следует предварительно провести разбиение множества состояний на подмножества. Общая схема исследования имеет вид, приведённый на рис. 3.
Рис. 2. Пример нарушения иерархичности связи между подсистемами Моу8уз и их элементами
Рис. 3. Схема анализа состояний ТС
№5, 2011
В соответствии со схемой исследования целесообразно (исходя из решаемой задачи) ограничиться отдельными атрибутами информационного представления (5), что соответствует проекции модели на фиксированный набор атрибутов. Это позволит снизить размерность решаемой задачи, сохранив необходимую адекватность моделирования. На втором этапе производится разбиение множества возможных состояний системы на подмножества, которое ожжет носить характер классификации или кластеризации.
В рамках классификации предлагается выделить классифицирующий шаблон
а^БЬ^а&юБЬ^, С^Б^.^а&юБЬ^ (6)
компоненты которого С1аБ58Ь_1 характеризуют свойства состояния системы с точки зрения решаемой задачи и могут принимать либо конкретное числовое значение в интервале [0,1], либо свободное значение *, допускающее любое значение из этого интервала. Классифицирующий шаблон полностью определяет класс, объединяющий состояния с одинаковыми (соответствующими шаблону) значениями несвободных индикаторов.
В рамках кластеризации выделяются кластеры состояния из близких (по расстоянию Хэмминга) состояний. При этом предполагается справедливость гипотез компактности и сепарабельности.
Центральным вопросом при анализе состояния подсистемы железнодорожного транспортного парка Моу8уБ является определение индикаторов состояния. На рис.4 приведена блок-схема алгоритма (построенного в соответствии с [8]) клональ-ной селекции, применяемого для решения этой задачи. На этапе 1 и 2 осуществляется помехоустойчивое кодирование антител, (характеристик объекта), представляющие собой строки фиксированной длины, состоящие из символов, характеризующих математическую зависимость между параметрами эксплуатации изделия. Далее на этапе 3 вычисляется аффинность каждого антитела. Данная величина отражает близость состояния антитела к оптимальному состоянию агрегата. Условием остановки алгоритма на этапе 4 является остановка по достижению определенного числа поколений.
Отбор антител с наивысшим показателем аффиности осуществляется на этапе 5. Процедура клонирования и гипермутации на этапах 6 и 7 случайно заменяет один или несколько символов в строке антитела. На этапах 8 и 10 происходит отбор и перенос антител с наивысшим показателем аффинности в основную популяцию и на этапе 11 антитела с наименьшим показателем аффинности убираются из основной популяции.
Задача распознавания образов в случае классификации решается проверкой на соответствие шаблону, а в случае кластеризации - путём нахождения минимального расстояния между исследуемым состоянием и кластерами, для чего, в силу большой размерности задачи, целесообразно использовать генетические алгоритмы (ГА). Применение ГА оправдано также возможной многоэкстремальностью подзадач оптимизации.
4. Применение моделей и методов анализа транспортных систем при создании автоматизированных систем научных исследований
Предложенный подход использовался при разработке АСНИ «Автоматизированная система исследования подвижного состава» (АСИ ПС), предназначенной для построения прогнозов износа колесной пары и поддержки принятия решения по дальнейшему ремонту на основе статистических данных эксплуатации подвижного состава. На этапе проектирования были сформированы [3] следующие требования к АСИ ПС:
- обеспечение поддержки принятия решений по типу проводимых регламентных ремонтных работ на основе результатов исследований по реальным статистическим данным;
- составление прогноза износа и планирование регламентных ремонтных работ;
- проведение модельных вычислительных экспериментов для исследования взаимосвязей между условиями эксплуатации и параметрами износа, а также необходимых регламентных ремонтных работ;
- обеспечение возможности выбора исследователем математической (информационной) модели подвижного состава в соответствии с целью исследования;
- обеспечение возможности выбора исследователем алгоритмов проведения расчетов и принятия решения в соответствии с требуемой точностью результатов;
- наличие инструментария, позволяющего вносить изменения в состав моделей и алгоритмов, используемых при проведении исследований;
- обеспечение защиты данных от случайных несанкционированных дей-
Экономика, Статистика и Информатика^И149 №5, 2011
Г Нач ал
2.Создание начальной популяции антител
...................................—.........и...............=
.З.Еьзчисление аффинности каждого антитела
5. От Сюр лучших антител согласно ил аффинности
б .Клонирование от о оранных антител Сование популяции клонов
7.Гипермутацня антител из популяции клонов *
З.ВсТчисление аффинности новых антител
9.0тоор лучших антител согласно аффинности " т
10.Пере но с лучших антител нь Популяции клонов в основную популяцию
- ' —-
11 .Отоор ху~ших антител в основной Популяции и замена их новыми
*---
12.Конец^)
Рис. 4. Блок-схема алгоритма клонального отбора
ствий и возможных сбоев аппаратуры;
- аппаратно-программная независимость (кроссплатформенность);
- обеспечение интуитивно понятного и дружественного интерфейса;
- обеспечение экономичности проводимых исследований.
Структурная схема разработанной системы АСИ ПС, в состав которой входят информационная подсистема, подсистема алгоритмов, интерфейсную подсистему и подсистему визуализации и отображения, приведена на рис.4.
Информационная подсистема содержит данные о подвижном составе, условиях его эксплуатации, методах обработки этих данных, где в качестве основных показателей используются:
- исходные показатели объекта (тип, модификация, завод изготовитель и т.д.);
- показатели степени износа объекта (количество и размер дефектов на круге катания; увеличение расстояния между внутренними гранями бандажа; ширина и толщина бандажа; появление разности в диаметрах бандажей колесной пары);
- показатели условий эксплуатации объекта (климатические условия и степень интенсивности эксплуатации, грунт и общее техническое состояние рельсового пути, количество и интенсивность тормозных циклов, радиус кривизны пути и пр.);
- данные о предыдущих ремонтах объекта.
База данных «Результаты прогнозирования» содержит историю оценок состояния подвижного состава, а так же историю построения прогнозов. Это позволяет исследователю сравнивать спрогнозированные и полученные по факту данные, тем самым, выбирая подходящие алгоритмы и подходы не прерывая исследования.
Интерфейсная подсистема и подсистема визуализации и отображения, обеспечивают взаимодействие системы со специалистами, ответственными за своевременный ввод текущих данных, экспертами и исследователями. Специфика предметной области разработанной АСНИ обусловила необходимость документирования выходной информации.
Подсистема алгоритмов, предназначенная для решения задач планирования регламентных ремонтных работ, определения степени износа исследуемого объекта, выбора совокупности методов исследования состоит из трех основных модулей:
- модуль «Алгоритмы экспертного анализа»;
- модуль «Алгоритмы классификации»;
- модуль «Алгоритмы прогнозирования».
Модуль «Алгоритмы экспертного анализа» реализуют выбор экспертных технологий (выбор метода распознавания; типа метрики расстояния (близости); метода определения весовых коэффициентов отдельных показателей при обработке экспертных оценок).
Модуль «Алгоритмы классификации» содержит алгоритмы кластеризации и классификации, предназначенные для сокращения числа объектов анализа за счет перехода от рассмотрения отдельных состояний колесных пар к рассмотрению классов состояний.
Модуль «Алгоритмы прогнозирования» содержит программные реализации алгоритмов прогноза степени износа колесных пар и выявления их принадлежности к классам пригодности к эксплуатации (необходимости ремонта) на базе искусственных иммунных систем (Artificial Immune System).
5. Заключение
АСНИ «Автоматизированная система исследований состояния подвижного состава» можно рассматривать в качестве примера, иллюстрирующего эффективность предложенного в работе подхода к автоматизации исследований железнодорожных транспортных систем, базирующегося на иерархическом нечетком информационном моделировании и эволюционных алгоритмах оценки состояний. Предложенный подход может быть обобщен на проблематику исследований систем транспортных коммуникаций других типов.
Рис. 5. Структурная схема АСНИ «Автоматизированная система исследований состояния подвижного состава»
Литература
1.Черкасов В .В. Техносферная и экологическая безопасность на транспорте// Железнодорожный транспорт. - - 2011. - № 2. - С. 28-33.
2. Кондратенко К. А., Реагирование на выявление системных нарушений при производстве и ремонте подвижного состава
№5, 2011
// Железнодорожный транспорт. - 2010. - № 7. - С. 57-62.
3. Кудрявцев В.А. Основы эксплуатационной работы железных дорог. - М.: Академия, 2005. - 352 с.
4. Египко В.М., Акимов А.П., Горин Ф.Н. Процедуры и методы проектирования автоматизированных систем и научных исследованиях. - Киев: Наук. думка, 1982. - 175 с.
5. Матвеев Ю.Н., Хабаров А.Р., Крылова Г.Н. Автоматизированные и информационные системы научных исследований.-Тверь, ТГУ, 2005.-116 с.
6. Вовченко А.И., Ломазов В. А. Автоматизация оценки и прогнозирования технического состояния железнодорожных колесных пар// Информационные системы и технологии. - 2010. - №4. - С. 95-100.
7. Вовченко, А.И. Применение информационных технологий при проведении исследований технического состояния железнодорожного подвижного состава //Материалы III Международной научно-технической конференции «Информационные технологии в науке, образовании и производстве».- Орел: ОрелГТУ 2008, с.33-36.
8. Д. Дасгупта. Искусственные иммунные системы и их применение. - М.: ФизМатЛит 2006. - 344 с.
References
1. Cherkasov, V Technospheric and environmental safety in the transport / / Rail transport. - 2011. - № 2. - P. 28-33.
2. Kondratenko, KA, Responding to the identification of systemic disorders in the manufacture and repair of rolling stock / / Rail transport. - 2010. - № 7. - P. 57-62.
3. VA Kudryavtsev Fundamentals of operating railroads. - M.: Academia, 2005. - 352.
4. Egipko VM Akimov, AP, Gorin, FN Procedures and methods of design automation systems and scientific research. - Kiev: Nauk. Dumka, 1982. - 175.
5. Matveev, JN, Khabarov AR, Krylov, GN Automation and information systems research . - Tver, Tver State University, 2005 . -
6. Vovchenko AI, Lomazov VA Automation of assessment and prediction of technical state of railway wheel sets / / Information Systems and Technology. - 2010. - № 4. - P. 95-100.
7. Vovchenko, AI Application of information technology in research of technical condition of rolling stock / / Proceedings of the III International scientific conference "Information technologies in science, education and production" .- Eagle: OrelGTU, 2008. -
116.
P.33-36.
8. D. Dasgupta. Artificial immune systems and their applications. - Fizmatlit 2006. - 344.
Экономика, Статистика и Информатика
№5, 2011
