CC BY
16
8. Джумабаев С.М., Туйчиев Э.Т., Худайберганов К., Турдиматов О.С. Прогнозирование погрузки контейнеров на 5-7 суток для оперативного планирования работы контейнерного пункта // Сб. научных трудов / ТашИИТ, 1976. С. 3-12.
9. Исследование операций: В 2-х томах. Пер. с англ./Под ред. Дж. Моудера, С. Элмаграби. - М.: "Мир", 1981. Т. 1. 712 с., ил.
10. Мельник И.М. Экстремальные задачи на динамических сетях и методы их решения // Автоматизированные системы на транспорте. - К.: ИК АН УССР, 1981. - С. 44-50.
11. Потгофф Г. Учение о транспортных потоках (перевод с немецкого). - М.: Транспорт, 1979. - 324 с.
12. Правила користування вагонами та контейнерами: Наказ МТУ вщ 29.02.99 № 113. Зареестровано в Мшютерсга юстици Украши 15.03.99 за № 165/3458.
13. Правила эксплуатации, пономерного учета и расчетов за пользование грузовыми вагонами собственности других государств. Утверждены на совещании уполномоченных представителей железнодорожных администраций 24 мая 1996 г. с изменениями и дополнениями в соответствии с решениями заседания Совета по железнодорожному транспорту от 05.04.1996 г., 16.10.1996 г., 25.01.1997 г., 01.10.1997 г., 04.03.1998 г., 05.06.1998 г., 04.11.1998 г., 28.05.1999 г., 07.03.2001 г.
14. Сигорский В.П. Математический аппарат инженера. - К.: Техника, 1975. -
766 с.
15. Федотов Н.И., Быкадоров А.В. Применение теории вероятности в транспортных расчетах. Учебное пособие для студентов и инженеров железнодорожного транспорта. - Новосибирск: НИИЖТ, 1969. - 188 с.
УДК 656.212.5
Лаврухт О.В., к.т.н., доцент (ХарДАЗТ) Петрушов В.В., асшрант (ХарДАЗТ)
ЗАСТОСУВАННЯ АПАРАТУ НЕЧ1ТКИХ НЕЙРОННИХ МЕРЕЖ ДЛЯ МОДЕЛЮВАННЯ СИСТЕМИ УПРАВЛ1ННЯ РОБОТОЮ
ЗАЛ1ЗНИЧНОГО ВУЗЛА
Вступ. Залiзничний вузол представляе собою складний комплекс техшчно та технолопчно пов'язаних мiж собою елеменпв (станци, депо). ВЫ щ елементи характеризуются власними вагонопотоками, як у сукупносл представляють собою загальну роботу вузла. О^м цього, вони виконують певну роботу, яка впливае на стан вузлових вагонопотоюв.
Актуальмсть проблеми. Розвиток ринкових вщносин та змш принципiв функцiонування основних галузей промисловостi призвели до того, що концепцiя роботи залiзницi потребуе коршних змiн. В першу чергу це стосуеться методiв управлiння. Зараз на перший план виходять iнтенсивнi методи, як дозволяють пiдвищувати ефективнiсть виробництва без збшьшення технiчних засобiв. Одним з таких е метод шдтримки оперативних ршень, що базуеться на безпосередньому застосуванш автоматизованих засобiв обробки шформаци. Цi засоби дозволяють оперативному робiтнику, користуючись програмою на власному АРМ^ отримувати оцiнку всiх можливих варiантiв рiшення для конкретно! ситуацп i обирати найбiльш ефективний з них, спираючись не на власш розрахунки та досвiд, а на багатофакторний анашз подiбних ситуацiй, що вщбувались у минулому.
Звичайно таю засоби потребують серйозного математичного апарату, який зможе не тшьки обробляти i зберiгати великий обсяг даних, а й поповнювати !х i швидко адаптуватися до мiнливих умов.
Одшею з ключових проблем управлшня вагонопотоками е органiзацiя роботи зашзничного вузла. Вона потребуе системи, яка б враховувала рiзнi процеси, що вщбуваються на об'ектi, а також те, що бшьшють з них не можуть бути чггко визначеш та формалiзованi. Окрiм цього, зашзничний вузол — динамiчний об'ект, параметри якого постiйно змiнюються. Тому система повинна постшно адаптуватися [1] до подiбних змiн.
Найбiльш доцiльним для виршення ще! задачi виглядае використання апарату неч^ких нейронних мереж.
Огляд робт 1дея використання апарату штучних нейронних мереж була запропонована ще в серединi минулого столiття американськими вченими. Деяк задачi, якi встали перед наукою того часу, вимагали для свого розв'язання систем, що здатш використовувати власний досвщ, тобто самонавчатися. Для створення таких систем необхщний був принципово новий математичний апарат, оскшьки класична математика не в змозi була виршити поставлену задачу. Тому виникла iдея використання бюлопчного прототипу — людського мозку, який здатний виршувати велику кшьюсть задач одночасно та використовувати накопичений досвщ у подальшiй дiяльностi. Функцюнування нейронiв мозку та зв'язкiв мiж ними було вивчено у роботах. Тут же були запропоноваш першi моделi штучних нейронiв. Це каталiзувало процес бiльш глибокого вивчення людського мозку та можливостей використання нейронних мереж для виршення практичних задач.
Для виршення комплексних задач управлiння пропонуеться багато рiзних методик (теорiя управлшня, нечiткi множини, методи кiнцевих автома^в). Кожен мае сво! переваги та недолжи, однак для вирiшення проблеми оргашзаци роботи на залiзничному транспорт (i конкретно у вузлi), вони шдходять не в повнiй мiрi, оскiльки, потрiбна така система, яка може адаптуватися до можливих змш параметрiв об'екту. Такою здатнiстю володдать саме системи, побудованi на основi апарату штучних нейронних мереж [2]. Причому класичш нейроннi мережi (когнггрон, АРС-мережi) також не виршують поставлених задач через невизначенiсть вхщних потокiв та величин впливу елемент1в вузла. Тут потрiбнi системи, як об'еднують в собi здатнiсть до навчання i корегування нейронних мереж та можливють формалiзацil невизначених ситуацш, яку надае апарат неч^ко1 лопки — нечiткi нейроннi мережi та системи. Саме такий апарат дае можливють змоделювати реальну робочу ситуацш на залiзничному вузлi та допомогти робггнику прийняти вiрне рiшення.
Основна частина. Елементами нейронно! мережi е нейрони, кожен з яких складаеться з трьох частин: множниюв-синапшв; суматора та нелшшного перетворювача. Синапси виконують зв'язок мiж нейронами . Кожен синапс характеризуеться вагою, яка показуе на скшьки множиться вхщний сигнал. Суматор виконуе процес складання сигналiв, що надходять з кожного синапсу. Нелшшний перетворювач реалiзуе нелiнiйну функщю одного аргументу — виходу суматора. Ця функщя мае назву функци активаци або передавально! функци нейрона.
Тепер представимо систему управлшня залiзничним вузлом як нейронну мережу N. Ця система моделюе процес перемщення вагону у залiзничному вузль Кожен нейрон вщображае технологiю взаемоди окремих об'еклв, що забезпечують рух вагонопотоку. Математична модель кожного нейрона мае вигляд
де к — кшьюсть синапЫв, через якi поступае вхщний сигнал. Синапсами можуть представляти собою модель будь-якого пристрою, через який проходить вагонопотж;
8 — довiльне змiщення, яке виникае у результат роботи вщповщного об'екту через якi-небудь фактори, не пов'язаш з технологiчним процесом.
к
(1)
I=1
X — вхiдний потiк. Пiд вхщним потоком розумiемо надходження вагонiв у вузол за Т — промiжок часу у годинах;
wi — вага вщповщного синапса, тобто час, який потж затрачуе на проходження цього синапсу.
Вихщний потiк, який формуеться нейроном, визначаеться за формулою
У = /С?), (2)
де / — активацiйна функцiя, яка характеризуе залежнiсть мiж вхiдним та вихiдним потоком.
Активацшна функцiя для вузлових нейронiв може бути визначена як
Го*, при s > 0
/(*) Ч0 0, (3)
[0, при s = 0
де а — лшшний коефщент.
Вихiдний потiк, що формуеться мережею, е характеристикою и роботи. Тому в якостi вихiдного потоку У пропонуеться використати середнш простiй вагона у вузлi. Тодi лiнiйний коефiцiент мае вигляд
1
а =-, (4)
N v }
пр
де N пр — кiлькiсть вагонiв, що надшшли у вузол за час Т.
Мережа, яка керуе роботою вузла, мае важливу функцш — зворотнш зв'язок. В цiй моделi iнформацiя вiд наступного шару передаеться i на попереднiй. Для вузлово! моделi це дуже важливо, оскшьки iнформацiя про проходження составу шсля його вiдправлення потрiбна для оргашзацп руху наступних. Введення зворотнiх зв'язюв посилюе стiйкiсть мережi, оскiльки нейрони попередшх шарiв одразу отримують шформащю про помилку i швидше и виправляють.
Залiзничний вузол взагалi та його елементи зокрема мають декшька рiзних типiв нейронiв, що шдвишуе потужнiсть всiеl системи. Крiм цього, принципова схема зв'язку мiж нейронами (маршрут руху потоку) може змшюватися при завантаженш деяких каналiв, що збшьшуе пропускну спроможнiсть мережi.
Найбшьш важливим е правильний вибiр структури нейронно! мережi та методу И навчання. Структурно заизничний вузол представляе собою
тришарову нечiтку нейронну мережу з частково послщовним зв'язком (деякi нейрони вхщного та вихiдного шарiв можуть бути зв'язаш безпосередньо мiж собою). В такш системi взаемозв'язок мiж вхщним та вихiдним потоками може бути виражений формулою
Г = /(X) + е, (5)
де /(X) — функщя перетворення невщомого вигляду, е — випадкова аддитивна перешкода, яка вщбивае вплив елементiв вузла, з нульовим чередшм значенням та довшьним розподiлом на (-в; в).
Використання неч^ких систем управлiння дозволить зробити систему бшьш стiйкою в умовах невизначеност параметрiв потокiв.
Для навчання таких систем найбшьш доцшьно використовувати генетичнi алгоритми, якi функцюнують на зразок сво1х бiологiчних аналопв. Такий метод дозволяе значно швидше знаходити оптимальнi значення функцiй, дозволяе виконувати навчання мережi з толерантшстю до 0,02 (тобто вiдхилення реальних вихiдних потокiв вiд еталонних становить не бшьше 2%). При цьому генетичний алгоритм не потребуе знаходження похщних вiд функцiй, а використовуе безпосередньо цшьову функцiю. Недолiком цього способу е складшсть кодування параметрiв.
Висновок. Використання апарату нейронних мереж для створення системи управлшня експлуатацшною роботою вузла (системи пiдтримки оперативних ршень) дозволить вирiшити проблеми координування дш окремих елементiв (станцiй, депо), що в свою чергу допоможе скоротити просто1 вагонiв всiх категорш. Насамперед, це прискорить рух транзитних вагонопотоюв, що суттево скоротить термш доставлення вантажу i дасть новi можливостi щодо збiльшення прибуткiв залiзницi.
Список лШератури
1. Данько М.1., Петрушов В.В. До питания про створення адаптивно'х' системи управл1ння роботою вузла. УкрДАЗТ, зб. наукових праць, 2004 р1к.
2. В.В. Круглов, В.В. Борисов. Искусственные нейронные сети. 2-е издание. Москва, Горячая линия — Телеком, 2002.
3. Горбань А.Н. Обучение нейронных сетей. — М.: СП ПараГраф, 1991.
