CC BY
93
УДК. 656.61.052
СИСТЕМЫ СЧИСЛЕНИЯ ПУТИ СУДНА НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ
Дерябин В.В., к.т.н., доцент кафедры Навигации, ФГБОУВО «ГУМРФ имени адмирала С.О. Макарова», e-mail: gmavitder@mail.ru
Рассматривается построение систем счисления пути судна на основе нейронных сетей. Конкретный вид сигналов нейросетевой системы счисления, её архитектура, методика формирования образцов, алгоритм обучения и тестирования зависят от того, какие средства автономной навигации используются для получения счислимых координат. Рассмотрены случаи, когда синтезированная система использует информацию от относительного лага и гирокомпаса, абсолютного лага и гирокомпаса, а также инерциальной системы. Работоспособность построенных сетей проверяется при помощи имитационного моделирования с использованием параметров судов пяти серий. Результаты исследования показали, что точность прогноза нейронной сетью параметров движения судна зависит от типа автономной навигационной системы, для которой синтезирована сеть, и варьируется от нескольких миллиметров до нескольких миль в невязке за четыре часа плавания.
Ключевые слова: нейронная сеть, координаты судна, счисление
VESSEL'S DEAD RECKONING SYSTEMS ON BASIS OF NEURAL NETWORKS
Deryabin V., Ph.D., Associate Professor of the Navigation chair, FSEI HE «Admiral Makarov State University of Maritime and Inland Shipping»,
e-mail: gmavitder@mail.ru
Construction of vessel's dead reckoning systems on basis of neural networks is considered. Certain view of a neural network dead reckoning system signals, its architecture, method of training set forming, algorithm of training and testing depend on what aids to autonomous navigation are used for obtaining dead reckoning coordinates. Considered systems relevant to cases when a constructed system uses information from water speed log and gyrocompass, ground speed log and gyrocompass and inertial system as well. Working ability of constructed nets was checked for five types of vessels on basis of imitation modeling. The results of the investigation indicated, that vessel motion parameters prediction precision depends on type of autonomous navigational system, for which net was created, and varies from several millimeters to several nautical miles in track error within four hours sailing period of time.
Keywords: neural network, vessel's position, dead reckoning
Для получения координат места судна в автономном режиме могут использоваться различные навигационные системы. Как правило, при ведении счисления пути судна используется относительный лаг, измеряющий продольную составляющую его скорости, и гироскопический компас. На крупнотоннажных судах определение счислимых координат возможно с использованием абсолютного лага, измеряющего продольную и поперечную составляющие скорости, и гирокомпаса. Счисление пути может выполняться также на основе информации, поступающей от инерциальной системы.
Несмотря на разнообразие автономных навигационных систем, используемых при ведении счисления, в любом случае для получения координат по информации от их датчиков используется тот или иной алгоритм, который характеризуется погрешностями его работы. Они могут носить характер как методических ошибок (возникающих, например, при численном интегрировании), так и теоретических (появляющихся, например, на этапе составления дифференциального уравнения для скорости дрейфа судна). Действуя совместно с погрешностями измерений, алгоритмические погрешности вносят свою долю неопределённости в счислимые координаты судна. Уменьшение влияния указанных погрешностей возможно путём совершенствования алгоритмов обработки информации в автономных навигационных системах.
Процесс изменения счислимых координат места судна во времени носит, в общем случае, нелинейный характер. Более того, измерения исходных величин, по которым рассчитываются координаты, происходят в условиях ошибок, что наиболее актуально при отсутствии поперечного канала измерений лага. В данном случае многие величины, которые используются для прогноза скорости дрейфа (например, параметры волнения), определяются лишь приближённо, на основе визуальной оценки, а некоторые факторы (например, влияние мелководья), обычно не учитываются вообще. Иными словами, расчёт счислимых координат происходит, как правило, в условиях значительной неопределённости и неполноты исходной информации. При выборе методов, на основе которых следует искать пути повышения точности счисления, важнейшие свойства процесса счисления - нелинейности и неопределённости - должны быть обязательно учтены.
С позиции нелинейности, неопределённости и неполноты исходных данных перспективным представляется использование нейро-сетевых технологий для решения задачи повышения точности определения счислимых координат. Нелинейность нейронных сетей обеспечивается наличием в их структуре нейронов с нелинейными функциями активации, носит распределённый характер, позволяющий путём соответствующей коррекции её коэффициентов выполнять нелинейные преобразования по типу «вход-выход». Иными словами, нейронная сеть может рассматриваться как универсальный алгоритм нелинейной аппроксимации функций [1]. В условиях неполноты информации, высокого уровня её неопределённости применение нейронных сетей при моделировании особенно эффективно в составе гибридных систем нечёткого логического вывода [2].
Вопросы построения модели счисления тесно связаны с моделированием динамики судна в условиях влияния управляющих и возмущающих воздействий. Примеры использования нейронных сетей для моделирования движения судна содержатся в исследованиях [3,4,5,6]. В них сеть по имеющимся исходным данным прогнозирует параметры движения судна, по которым могут быть рассчитаны его счислимые координаты. Отличительной особенностью указанных работ является то, что в них отсутствует полноценная методика тестирования синтезированных систем в различных навигационных ситуациях, характеризующихся как режимом работы движительно-рулевого комплекса, так и величинами внешних факторов (ветра и волнения). В основном, проверка работоспособности нейронной сети выполняется для стандартных манёвров наподобие «циркуляция» или «зигзаг». Попытки разработки методики тестирования, позволяющей учесть многообразие модельных ситуаций, предприняты в [7,8], где предлагается построение нейронной сети, прогнозирующей скорость дрейфа судна в условиях влияния ветра и волнения.
Особый интерес представляет разработка методики синтеза систем, прогнозирующих координаты судна или, по меньшей мере, приращения к ним. Во-первых, использование координат позволяет миновать этап численного интегрирования ускорений и/или скоростей судна, характеризующийся дополнительными методическими ошибками. Во-вторых, если в качестве компонент выходного сигнала выступают координаты судна (или приращения), то имеется возможность их определения с высокой точностью в стандартных судовых условиях с использованием приёмника спутниковых навигационных систем.
Рассмотрим различные варианты построения нейросетевых систем счисления пути судна, нацеленные, главным образом, на прогноз непосредственно траектории его движения. Каждому такому варианту соответствует определённый набор датчиков автономной навигационной информации, на основе которой происходит определение координат.
Пусть на судне установлен одноканальный относительный лаг и гирокомпас. Выполним синтез нейронной сети, позволяющей прогнозировать траекторию движения судна в условиях влияния управляющих и возмущающих воздействий.
Входной сигнал сети имеет следующий вид:
X = (sin K, cos K ,Voxl, rnVoxl , 5, n, F^sin a r , FWyl)
V,
(1)
V 5
где К - курс судна, 0x1 - продольная составляющая его относительной скорости, ® - угловая скорость поворота судна, ® - угол
а а „„„„„„„,„,„,„„„..„„,„,„„„,,„„„„,,.,„, „„„„—„„„ у - сила со стороны взволнованной поверхности моря, вычисляемая путём интегрирования давлений по смоченной поверхности корпуса судна [9]. Выходной сигнал нейронной сети имеет вид:
П г- г я , ^ Я
перекладки руля, - число оборотов винта, Л Л - скорость и курсовой угол относительного ветра,
Y
^ x (tk ) - x(t— - [Vxl(tk )cos K (tk ) - Vx i (t^i)cos K (t,_i)]Л y (tk ) - y (t*_i) - [Vxi^, )sin K (tk ) - Vx i (^_i)sin K (t,_i)]
(2)
X, у Ь
где - координаты судна в локальной географической системе координат, - индекс момента времени.
Нейронная сеть представляет собой рекуррентную систему с линиями единичных задержек по входному и выходному сигналам. Она реализует нелинейную модель авторегрессии с внешними входами NARX (Nonlinear Auto Regression with Exogenous inputs). Сеть имеет два слоя, первый из которых содержит i5 нейронов с сигмоидальными функциями активизации, а второй - 2 нейрона с тождественными функциями активации. Сеть прогнозирует параметры движения судна на шаг вперёд. Количество единичных задержек d (отсчитываемых от того момента времени, на который идёт прогноз) составляет 2 как для входного, так и выходного сигналов. Общий вид нейронной сети изображён на рисЛ, где размерность входного сигнала m равна 8.
Формирование набора образцов для обучения происходит следующим образом. Рассматриваются различные комбинации величин, характеризующих управляющие воздействия, - угла перекладки руля и числа оборотов винта. Каждой такой комбинации соответствует определённая модельная ситуация. Длительность её принимается равной i час. Рассматриваются модельные ситуации с числом оборотов
n d
винта от 0 до max об./мин. с дискретностью n об./мин., в каждой из которых угол перекладки руля варьируется в диапазоне от -35°
d5 n
до +35° с дискретностью 5 °. Построение модели предполагается для судов нескольких серий, для каждого из которых величина max принимает различные значения. Поэтому и число образцов для различных судов будет различным. Чтобы поставить процесс обучения сети для разных судов в «равные условия», следует обеспечить одинаковое количество образцов в обучающей выборке. Для этой цели
необходимо задавать не дискретность изменения числа оборотов винта n , а n - количество рассматриваемых дискретных значений
Nn d5
числа оборотов винта. Величина была выбрана равной i0, а величина равной 5° при формировании обучающих выборок для судов всех серий. В каждом случае направление ветра и волнения выбирается случайным образом из промежутка от 0 до 360°. Скорость истинного ветра - i5-20 м/с, высота волны - 5-6 м. Длина волны выбирается из промежутка от i40 до i60 м. Крутизна волны при этом не превосходит 0.2. Количество образцов для обучения сети составляет 540i50.
Рис.!. Общий вид нейросетевых систем счисления
Подобным способом формируется и множество образцов, на основе которого происходит проверка обобщающих свойств нейронной сети в процессе её обучения. Различие состоит в том, что дискретность угла перекладки руля выбирается равной 7°, а количество дискретных значений оборотов винта п - 7.
Формирование образцов выполняется на основе имитационного моделирования движения судна в горизонтальной плоскости [9]. Система дифференциальных уравнений динамики составляется с использованием известных из теории корабля соотношений и учитывает три степени его свободы. В ходе имитационного моделирования используются параметры судов пяти серий, основные характеристики которых приведены в табл.1.
Таким образом, набор учебных и тестовых данных для настройки коэффициентов нейронной сети формируется на основе часовых «циркуляций» судна в условиях воздействия внешних возмущающих факторов. Каждая такая циркуляция есть модельная ситуация, характеризующаяся определённой комбинацией значений угла перекладки руля и числа оборотов винта, которые удерживаются постоянными в течение времени плавания. Несмотря на то, что указанные циркуляции выполняются независимо друг от друга, учебные образцы каждой модельной ситуации объединяются в одну общую выборку, которая используется в дальнейшем в процессе обучения.
Для обучения сети используется алгоритм Левенберга-Марквардта [10, 11] в комбинации со способом регуляризации Байеса. Процесс коррекции свободных параметров сети прерывается с дискретностью в 5 итераций. То есть, по прошествии пяти эпох обучение приостанавливается, определяется точность прогноза траектории на тестирующей выборке, затем процесс продолжается. Обучение нейронной сети происходит в пакетном режиме. Характеристикой точности прогноза нейронной сетью приращений является наибольшее и среднее значения максимума модуля невязки на промежутке времени плавания. Наиболее оптимальной считается сеть, состояние которой соответствует наименьшему значению максимума модуля невязки.
Таблица 1. Параметры судов
Характеристика Проект «232» Проект «В- 352» Серия «584Е» «Севморпу ть» Проект «1511»
Длина по КВЛ, м 83.1 147.0 176.3 237.3 284.1
Осадка, м 4.65 7.0 9.8 10.4 17.0
Массовое водоизмещение, т 3138 14300 31795 53678 185567
Тип судна лесовоз лесовоз-контейнеро воз балкер лихтеровоз танкер
Номинальная скорость хода, узл. 15.8 13.0 15.3 19.7 15.5
Рассмотрим теперь случай, когда относительный лаг измеряет не только продольную, но также и поперечную составляющую скорости судна. Построение нейронной сети, прогнозирующей координаты судна, будем выполнять следующим образом. Вход сети имеет линию единичных задержек, на которую поступает внешний сигнал:
X
Бт(К) Л соб( К )
V
ох1
V
оу1
,
(3)
V
оу1
где у ~ - поперечная составляющая относительной скорости судна (скорость дрейфа). Выходной сигнал также имеет линию единичных задержек и представляет собой координаты центра тяжести судна в локальной географической системе координат:
Y =
(4)
Данный сигнал подаётся по линии обратной связи на вход сети.
Сеть имеет два слоя, первый из которых содержит 15 нейронов с сигмоидальными функциями активации, а второй - 2 нейрона, обладающих линейными функциями активации. Количество единичных задержек а составляет 15 при дискретности модели, равной 1 секунде. Общий вид нейронной сети показан на рис.1, где размерность входного сигнала т равна 4.
После выбора архитектуры сети следует рассмотреть методику формирования образцов для её обучения. В качестве эталонной модели, связывающей вход сети с её выходом, выбрана схема интегрирования Эйлера, по которой координаты центра тяжести судна в некоторый
г
момент времени
к+1
определяются следующими соотношениями:
х(К+1) = х(гк) + (^ • С08(К) - Voyl • 8Ш(К)) • Ж,
У &+1) = у &) + (Кх1 • вш( К)+VoУl • С08( К)) • аг,
(5)
где аг - дискретность интегрирования по времени, к - номер момента времени. Обозначения для курса и компонент относительной
к
скорости относятся к моменту времени .
Компоненты вектора входного сигнала ограничены определёнными значениями. Например, косинус истинного курса может принимать значения от -1 до +1. Координаты же судна теоретически могут монотонно изменяться неограниченно во времени. В процессе обучения сети её образцы масштабируются, поэтому необходимо, чтобы координаты как выходные образцы изменялись в тесных пределах. Последнее наблюдается, когда входные сигналы от одного момента времени к другому меняются случайным образом на промежутках их возможных значений. При этом следует задать также и дискретность изменения входных образцов, чтобы уменьшить вероятность получения «похожих» образцов.
Таким образом, алгоритм формирования образцов для обучения выглядит следующим образом. В каждый момент времени с дискретностью в 1 секунду по закону равномерного распределения при помощи генератора псевдослучайных чисел выбираются возможные значения курса и компонент скорости судна, затем вычисляются компоненты входного сигнала. Получается временная последовательность входного сигнала. Затем в соответствии с выражением (5) формируются временные последовательности выходного сигнала - координат судна. Дискретность величин, формирующих входной и выходной сигналы сети, диапазон их изменения приведены в таблице 2.
Определив способ получения образцов, теперь нужно выбрать их оптимальное количество, которое влияет на способность обученной сети к обобщению. В литературе [12, 13] даются рекомендации относительно необходимого для обучения сети количества образцов в виде эмпирической формулы:
Ж
N > —
е (6)
ТКАШРОЯТ ВШШБ88 Ш ЯШЗТА | №5 2015 | 139
где ^ - количество свободных параметров сети (весовых коэффициентов и пороговых значений), е - доля ошибок, допускаемых в ходе тестирования. Описанная выше нейронная сеть имеет 1397 свободных параметров, поэтому, если выбрать уровень ошибки 1%, то для обучения потребуется 139700 образцов.
Таблица 2. Дискретность и диапазон изменения сигналов сети
Наименование Обозначение Единицы измерения Интервал изменения Дискретность
Истинный курс К градусы 0...360 0.1
Продольная составляющая относительной скорости V у ОХ1 узлы -10...30 0.1
Поперечная составляющая относительной скорости V ' оу\ узлы -10...10 0.1
Абсцисса X м -120.7...104.9 -
Ордината У м -112.2...125.0 -
После формирования множества образцов можно приступить к процессу обучения. В качестве алгоритма обучения выбирается метод Левенберга-Марквардта [10,11], а для предотвращения переобучения используется способ регуляризации Байеса. В качестве критерия останова выбрано время обучения и характер изменения функции стоимости, которая представляет собой средний квадрат ошибки. Обучение производилось в пакетном режиме, при этом использовалась сеть в последовательно-параллельной форме, с разомкнутой обратной связью. После приблизительно 48 часов обучения функция стоимости достигла порядка 10-7 м2 , и затем не изменялась существенным образом. При этом максимум модуля невязки на обучающей выборке составил 2.26 м.
Пусть для ведения счисления пути судна используется платформенная инерциальная система. Рассмотрим процесс построения нейронной сети для такого случая.
Акселерометры, установленные на платформе инерциальной системы, позволяют определить северную х и восточную у составляющие ускорения центра тяжести судна в плоскости истинного горизонта. Интегрированием ускорений получаются составляющие скорости, а двойным интегрированием - координаты судна в неподвижной локальной системе координат.
Решение задачи интегрирования кинематических характеристик судна может быть получено с использованием динамической рекуррентной нейронной сети КАЯХ. Использование двух таких сетей, соединённых последовательно, позволит выполнить задачу двойного интегрирования составляющих ускорений судна. Первая сеть (сеть №1) принимает на вход ускорения, а прогнозирует составляющие абсолютной скорости, которые, в свою очередь, поступают на вход второй сети (сеть №2), прогнозирующей координаты судна.
Архитектура обеих сетей выбирается одной и той же. Каждая сеть имеет 2 слоя, первый из которых содержит 15 нейронов с сигмоидальными функциями активации, а второй 2 нейрона с тождественными функциями активации. Число единичных задержек d составляет 5 для входного и выходного сигнала. Общий вид такой сети представлен на рис.1, где размерность входного сигнала т равна 2.
После выбора архитектуры следует определить методику формирования образцов для обучения сети. Рассмотрим этот вопрос отдельно для каждой сети. Для обучения сети, прогнозирующей составляющие скорости судна, сначала формируется дискретное
Т
Для каждой компоненты формируются наборы
у = [кк ]Т
. . X = [ ахау ]Т
множество возможных значений компонент её входного сигнала значений от -5 м/с до 5м/с с дискретностью 0.05 м/с ; объединение наборов представляет собой множество возможных значений входного сигнала. Затем в каждый момент времени при помощи датчиков случайных чисел выбираются образцы из данного множества, в результате чего получаются временные последовательности компонент ускорения судна. Интегрированием последних способом
лТ
Эйлера находится последовательность выходных образцов Х у "" . При реализации указанного алгоритма могут наблю-
даться ситуации, когда компоненты выходного сигнала - вектора абсолютной скорости - принимают слишком большие по модулю, «нереальные» значения. Поэтому требуется ввести систему правил, которая позволила бы выдерживать выход нейронной сети в заданных пределах. Указанные пределы выбираются равными +15-+20 м/с. Сама система правил основана на двух принципах:
1) соответствующие компоненты вектора ускорений в смежные моменты времени должны иметь различные знаки
2) при этом разность модулей этих компонент должна быть не более некоторого установленного значения (для конкретного случая данное значение выбирается равным 0.35 м/с )
Алгоритм реализации указанных правил имеет вид итерационной процедуры, выход из которой достигается в том случае, когда экстремальные значения компонент скорости по модулю лежат в установленных пределах +15-+20 м/с на обучающей выборке.
Количество образцов, необходимых для обучения сети, выбирается по формуле (6) при уровне ошибки, равном 1%. Рассматриваемая нейронная сеть имеет 347 свободных параметров, следовательно, необходимо иметь 34700 образцов для обучения с выбранным уровнем точности.
Методика формирования учебного набора для сети, прогнозирующей координаты судна, выполняется аналогично. Формируются
- Х = [^у ]Т +15 /
вектора возможных значений компонент входного сигнала ' с предельными значениями +15 м/с при дискретности
У = [ ху ]Т
+0.1 м/с. Интегрированием скоростей получаются дискретные значения вектора выходного сигнала , компоненты ко-
торого по описанной выше методике удерживаются в пределах +100-+150 м. Разность модулей соответствующих компонент вектора скорости в любые последовательные моменты времени не превосходит по модулю 3 м/с.
В качестве алгоритма обучения выбирается метод Левенберга-Марквардта, а для предотвращения переобучения используется способ регуляризации Байеса. В качестве критерия останова выбрано время обучения и характер изменения функции стоимости, которая представляет собой средний квадрат ошибки. Обучение производилось в пакетном режиме, при этом использовалась сеть в последовательно-параллельной форме, с разомкнутой обратной связью. Критерием прекращения процесса обучения выбирается значение функции стоимости, а также характер её изменения во времени. Обучение нейронной сети, прогнозирующей компоненты скорости судна по его ускорениям, было прекращено, когда значение функции стоимости достигло величины 3.4833 10-15 (м/с)2. В
случае нейронной сети, прогнозирующей координаты судна по известным значениям компонент абсолютной скорости, процесс обучения был остановлен по достижении функцией стоимости значения 1.9953 10-13 м2. В обоих случаях значение функции стоимости стабилизировалось около названных значений и далее не менялось существенным образом. Величины наибольших погрешностей прогнозируемых сетями величин составили на обучающей выборке 3.7374 10-5 м/с и 3.7812 10-4 м. .
Использование одной лишь сети №2 соответствует случаю, когда для получения автономных координат места судна используется абсолютный лаг, измеряющий продольную и поперечную составляющие его скорости, и гирокомпас.
Таким образом, синтезированы четыре нейросетевые системы, каждая из которых соответствует определённой автономной навигационной системе, информация от которой используется для получения координат места судна. Теперь возникает задача проверки работоспособности построенных систем. Технология тестирования нейронных сетей изложена в подробностях в [8] и основана на принципе постоянства действующих на судно управляющих и возмущающих воздействий. С позиции данного принципа возможны 3 класса навигационных ситуаций, два из которых имеют подклассы, характеризующиеся постоянным или переменным характером изменения гидрометеорологических условий в процессе плавания. Так как сеть прогнозирует поправки к счислимым координатам, то
c
интерес представляет точность определения именно траектории движения судна, характеризующаяся средним mean и наибольшим С
max значениями максимума модуля невязки на четырёхчасовом промежутке времени плавания. Проверка работоспособности синтезированных систем для судов различных серий была выполнена путём рассмотрения трехсот модельных ситуаций, в каждой из которых величины, характеризующие внешние факторы и управляющие воздействия, принимали случайно выбранные значения из возможных диапазонов. Было рассмотрено 60 модельных ситуаций первого класса, и по 120 ситуаций второго и третьего классов. Результаты приведены в таблице 3. В ней полужирным шрифтом выделены наибольшие значения максимума модуля невязки, а средние его значения прописаны обычным.
Как видно из данной таблицы, точность нейронных сетей, прогнозирующих координаты судна или приращения к ним, зависит от типа используемой автономной навигационной системы, варьируясь от нескольких миллиметров до нескольких миль в невязке за четыре часа плавания. Причём указанная закономерность сохраняется для судов различных серий.
Синтезированные нейронные системы счисления для случаев, когда в качестве автономной навигационной системы используются лаги, измеряющие продольную и поперечную составляющие скорости, а также инерциальная система, имеют ряд особенностей. Одна из особенностей состоит в том, что коэффициенты нейронной сети не зависят от физических характеристик конкретного судна, но зависят от соотношений, которыми связаны кинематические характеристики судна. Формирование образцов для обучения, тестирование таких сетей возможно в «лабораторных» условиях на стадии компьютерного моделирования. Данные нейронные сети не выполняют функцию идентификации модели движения судна. Перспективным направлением исследований разработки подобных систем является сравнение их работоспособности в навигационных ситуациях, когда кинематические параметры движения судна связаны между собой точными аналитическими зависимостями, и имеется возможность определить методическую ошибку нейронной сети. Другим направлением может явиться совершенствование технологии тестирования синтезированных систем, позволяющее сделать с достаточной степенью уверенности вывод о работоспособности сети в основных навигационных ситуациях.
Таблица 3. Результаты тестирования нейросетевых систем счисления
^^^^^^^ Тип судна Тип нейро ___ сетевой системы Проект «232» Проект «В-352» Серия «584Е» «Севморп уть» Проект «1511»
«Двух канал ьны й относительный лаг и гирокомпас» 14.2 (2.7) м 13.9 (3.1) м 17.1 (3.3) м 15.8 (3.5) м 12.8 (2.9) м
«Двухлучевой абсолютный лаг и гирокомпас» 2.1(1.3) мм 2.2(1.4) мм 2.4(1.3) мм 2.3(1.3) мм 2.3 (1.3) мм
«Инерциальная система» 6.9 (2.0) м 3.7 (1.6) м 4.0 (1.4) м 4.5 (1.2) м 3.7 (1.3) м
«Одноканальный относительный лаг и гирокомпас» 10.2(1.6) мили 9.5 (0.8) мили 5.3 (0.7) мили 6.9 (0.9) мили 5.1 (0.5) мили
Нейронная сеть, прогнозирующая приращения к счислимым координатам по информации от одноканального относительного лага и гирокомпаса, выполняет функцию идентификации модели движения судна в условиях влияния управляющих и возмущающих воздействий. Её весовые коэффициенты и пороговые значения зависят от физических характеристик конкретного судна. Невысокая точность сети может быть вызвана неоптимальным видом векторов её входных и выходных сигналов, несовершенством методики формирования набора учебных данных и технологии обучения. Совершенствование указанных технологий, разработка методики определения оптимального вида сигналов является целью дальнейших исследований. При построении нейросетевой системы счисления следует учитывать тот факт, что, во-первых, формирование набора образцов должно, по возможности, выполняться в реальных условиях плавания судна, и, во-вторых, окончательный вывод о работоспособности сети можно будет сделать лишь на основе результатов большого числа натурных экспериментов. Таким образом, вопрос синтеза рассматриваемой системы есть также и вопрос организации соответствующих натурных наблюдений.
Выше рассмотрены системы счисления пути судна, построенные на основе нейронных сетей для различных датчиков автономной навигационной информации. Указанные системы счисления прогнозируют либо координаты судна, либо приращения к ним.
Синтезированные нейросетевые системы счисления позволяют получать траекторию движения судна в условиях управляющих и возмущающих воздействий. Вид сигналов системы, её архитектура, технология формирования образцов и обучения зависят от того, какие датчики автономной навигации используются для формирования компонент входного сигнала нейронной сети. В зависимости от типа автономной навигационной системы сеть может как выполнять функцию идентификации модели движения судна в условиях внешних воздействий, так и не выполнять такую функцию. Тестирование нейронных сетей выполняется на основе имитационного моделирования с использованием параметров судов различных серий. Результаты тестирования позволяют сделать вывод о том, что точность синтезированных систем зависит от типа автономной навигационной системы, по информации от которой происходит формирование векторов входного сигнала. В зависимости от типа навигационной системы точность сети варьируется от нескольких миллиметров до нескольких миль в невязке за четыре часа плавания. Дальнейшие исследования в области нейросетевого счисления могут проводиться по направлениям совершенствования методик построения, настройки и тестирования нейросетевых систем счисления.
Литература:
1. Галушкин А.И. Нейроматематика (проблемы развития): научное издание / А.И. Галушкин. - М.: Радиотехника, 2003. - 40 с.
2. Леоненков А.В. Нечёткое моделирование в среде MATLAB и fuzzyTECH / А.В. Леоненков. - СПб.: БХВ-Петербург, 2005. - 736 с.
3. Ведякова А.О. Идентификация в условиях внешнего возмущения с использованием нейронных сетей/А.О. Ведякова// International Journal of Open Information Technologies.Vol. 2. - 2014. - №3(2014). - P. 18-22.
4. Ebada A. Intelligent techniques-based approach for ship maneuvering simulations and analysis (Artificial Neural Networks Application) Doktor-Ing. genehmigte Dissertation, Institute of Ship Technology und Transport Systems / Adel Ebada, Germany. - 2007. - 156 p.
5. Moreira L. Dynamic model of maneuverability using recursive neural networks / L.Moreira, C. Guedes Soares // Ocean Engineering. - 2003.
- 30. - P. 1669-1697.
6. Xu T. A Novel Approach for Ship Trajectory Online Prediction Using BP Neural Network Algorithm / Tingting Xu, Xiaoming Liu, Xin Yang // Advances in information Sciences and Service Sciences (AISS). - 2012. - Vol.4 (11). - P. 271- 277.
7. Дерябин В.В. Применение нейронной сети в модели счисления пути судна /В.В. Дерябин// Эксплуатация морского транспорта. -2011. - № 3(65) - С. 20-27.
8. Дерябин В.В. Прогнозирование скорости дрейфа судна на основе нейронной сети /В.В. Дерябин // Транспортное дело России. -2014. - № 5 - С. 3-7.
9. Дерябин В.В. Модель движения судна в горизонтальной плоскости / В.В. Дерябин // Транспортное дело России. - 2013. - №6 - С. 60-67.
10. Levenberg K., A Method for the Solution of Certain Problems in Least Squares / K. Levenberg // Quart. Appl. Math. - 1944. - Vol.2 - P. 164-168.
11. Marquardt D., An Algorithm for Least-Squares Estimation of Nonlinear Parameters / D. Marquardt // SIAM J. Appl. Math. - 1963. - Vol.11
- P. 431-441.
12. Каллан Р. Основные концепции нейронных сетей: Пер. с англ. / Р. Каллан. - М.: Издательский дом «Вильямс», 2003. - 288 с.
13. Хайкин С. Нейронные сети: полный курс: Пер. с англ. / С. Хайкин. - М.: Издательский дом «Вильямс», 2006. - 1104 с.
УДК 621.332.(076.5)
ОЦЕНКА РИСКА ОТКАЗА УЧАСТКА КОНТАКТНОЙ СЕТИ
Ковалев А.А., к.т.н., доцент, кафедра «Электроснабжение транспорта», ФГБОУВПО «Уральский государственный университет путей сообщения» (УрГУПС), тел.: +7 (950) 63-77-440, e-mail: akovalev@usurt.ru, kovalev@k66.ru
Шаюхов Т.Т., аспирант, ассистент кафедры «Электроснабжение транспорта», кафедра «Электрические машины», ФГБОУ ВПО «Уральский государственный университет путей сообщения» (УрГУПС), тел.: +7 (950) 20i-29-87, e-mail: shayuhov@mail.ru
Обеспечение безопасного и исправного функционирования объектов железнодорожного транспорта является одной из ключевых задач компании ОАО «РЖД». Методология УРРАН занимает важное место среди множества мер и мероприятий по обеспечению безопасности движения поездов. Основной целью УРРАН является повышение надежности и безопасности функционирования объектов железнодорожного транспорта на основе эффективной системы сбора, обработки данных и управления рисками и ресурсами на этапах жизненного цикла. Оценка риска отказов объектов инфраструктуры ОАО «РЖД» и предупреждение аварийных ситуаций - важная задача, которая решается с помощью методологии УРРАН. Для повышения точности и сокращения времени проведения расчетов по методикам, предложенным в методологии, требуется создание автоматизированной системы по расчету отказов, оценки рисков, определению необходимости продления сроков жизненного цикла объекта.
Ключевые слова: методология УРРАН, оценка риска, контактная сеть, безопасность, отказ, матрица рисков, автоматизированная система.
THE RISK ASSESSMENT PHASE FAILURE CONTACT NETWORK
Kovalev A., candidate of Engineering Sciences, associate professor, Electrification of Railway transport chair, FSEI HPE «Ural State University
of Railway Transport», tel.: +7 (950) 63-77-440, e-mail: akovalev@usurt.ru, kovalev@k66.ru Shayuhov T., the post-graduate student, assistant of the Electrical transport chair, FSEI HPE «Ural State University of Railway Transport», tel.:
+7 (950) 20i-29-87, e-mail: shayuhov@mail.ru
Ensuring safe and efficient operation of railway transport is one of the key objectives of the company JSC "RZD". Methodology STMS occupies an important place among the many measures and activities to ensure the safe movement of trains. The main purpose of STMS is to improve the reliability and safety of functioning of railway transport on the basis of an effective system of data acquisition, processing and management of risks and resources at the stages of the life cycle. Risk assessment of failures of infrastructure of JSC "RZD" and the prevention of emergency situations is an important task, which is solved using the methodology of STMS. To improve the accuracy and reduce the time of calculations according to the methods proposed in the methodology requires the creation of an automated system for the calculation of failure, risk assessment, determination of the necessity of extending the life cycle of the object.
Keywords: methodology, risk assessment, contact network, security, failure, risk matrix, automated system.
Исправное техническое состояние элементов контактной сети оказывает непосредственное влияние на безопасность ее функционирования. Внедряемая методология Управления Ресурсами, Рисками и Надежностью на этапах жизненного цикла (УРРАН) предполагает, что управление безопасностью функционирования объектов на железнодорожном транспорте должно осуществляться на основе управления рисками в соответствии с «Концепцией комплексного управления надежностью, рисками, стоимостью жизненного цикла на железнодорожном транспорте» [1].
В соответствии с методологией УРРАН оценка риска включает в себя анализ риска и оценивание риска. При этом анализ риска состоит из этапов идентификации риска и оценки величины риска. Следует отметить, что в процессе оценки риска устанавливается допустимый уровень риска (если таковой не закреплен в нормативных документах).
Принимать решения о допустимости или недопустимости реализации каких-либо проектов контактной сети, о направлении доработок и корректировок, которые привели бы к снижению рисков, можно после сравнения уровня фактических рисков с уровнями допустимых рисков.
Подход, базирующийся на использовании матриц риска, обладает следующими достоинствами: простота, наглядность, возможность использования широким кругом специалистов различных направлений в области оценки риска. Матрицы риска дают возможность полу-
