Статья

Название статьи ИНТЕЛЛЕКТУАЛЬНЫЙ ПОДХОД К ПРОГНОЗИРОВАНИЮ НЕШТАТНЫХ СИТУАЦИЙ В ПРОЦЕССЕ РАСФОРМИРОВАНИЯ ПОЕЗДОВ НА СОРТИРОВОЧНЫХ ГОРКАХ
Автор А.Н. Шабельников, С.М. Ковалев, А.В. Суханов
Рубрика РАЗДЕЛ III. БЕЗОПАСНОСТЬ СЛОЖНЫХ СИСТЕМ
Месяц, год 08, 2016
Индекс УДК 656.212.5
DOI 10.18522/2311-3103-2016-8-6878
Аннотация На сегодняшний день наблюдается широкое внедрение средств автоматизации в системы железнодорожного транспорта. При этом одним из важнейших аспектов этого процесса является автоматизация управления процессами расформирования-формирования поездов на сортировочных станциях и горках в реальном времени с привлечением современных средств на основе искусственного интеллекта. Интеллектуализация данных технологических процессов в первую очередь касается проблемы поддержки принятия упреждающих решений в сложных технологических ситуациях и, в частности, в нештатных ситуациях, связанных с различного рода нарушениями в развитии технологического процесса. Исключительно важным при этом является своевременное обнаружение такого рода ситуаций с целью выработки превентивных мер по регулированию и/или нормализации технологического процесса. В работе предлагается новый подход к упреждающему обнаружению нештатных ситуаций в течение технологического процесса роспуска составов на сортировочных станциях, связанных с нагонами отцепов на спускной части сортировочной горки. Предлагаемый подход базируется на идее перехода от проблемы прогнозирования нештатных ситуаций к задаче обнаружения их предвестников в гранулированной модели представления техпроцесса в виде характерных отрезков временного ряда – темпоральных паттернов. Гранулированная модель техпроцесса формируется на основе нечеткого вывода гранулярных оценок и последующей их обработки средствами прагматической логики в интересах задачи прогнозирования нештатных ситуаций. Обнаружение паттернов-предвестников нештатных ситуаций в гранулированной модели осуществляется с использованием модели многошагового предсказания, которое базируется на использовании адаптивных Марковских моделей с применением алгоритма темпорально-разностного обучения. Эксперименты, результаты которых приведены в работе показали, что использование предлагаемого подхода позволяет существенно улучшить эффективность принимаемых решений при возникновении нештатных ситуаций в процессе расформирования железнодорожных составов на сортировочных станциях и горках. Кроме того, разработанные методы применимы и в других системах, требующих интеллектуальной поддержки принятия решений в условиях неопределенности при управлении скоротечными технологическими процессами.

Скачать в PDF

Ключевые слова Техпроцесс роспуска составов; нагон отцепов; гранулированная модель; когнитивные измерения; аномальный темпоральный паттерн; стохастическая модель; темпоральная модель.
Библиографический список 1. Разработка плановых заданий для железнодорожной сортировочной станции // TRGREAT. – URL: trgreat.ru/gov-1199.html (дата обращения: 10.09.2015).
2. Широкова В.В., Несветова Е.А. Организация работы сортировочной станции. – Хабаровск: Изд-во ДВГУПС, 2006. – 98 с.
3. Кондратьева Л.А. Устройства железнодорожной автоматики и телемеханики. (Общий курс): учебник для техникумов ж.-д. трансп. – М.: Транспорт, 1983. – 232 с.
4. Тулупов Л.П., Лецкий Э.К., Шапкин И.Н., Самохвалов А.И. Управление и информационные технологии на железнодорожном транспорте / под ред. Тулупова Л.П. – М.: Маршрут, 2005. – 467 с.
5. Ковалев В.И., Осьминин А.Т., Грошев Г.М. Системы автоматизации и информационные технологии управления перевозками на железнодорожном транспорте. – М.: Маршрут, 2006. – 544 с.
6. Иванченко В.Н., Ковалев С.М., Шабельников А.Н. Новые информационные технологии: интегрированная информационно-управляющая система автоматизации процесса расформирования–формирования поездов: учебник. – Ростов-на-Дону: РГУПС, 2002. – 276 с.
7. Шабельников А.Н., Суханов А.В., Ковалев С.М. Интеллектуальный метод предсказания появления нештатных ситуаций в процессе расформирования поездов на сортировочной горке // Инженерный вестник Дона. – 2015. – № 4. – URL: http://ivdon.ru/ru/magazine/ archive/n4y2015/3334 (дата обращения: 12.11.2015).
8. Червотенко Е.Э. и др. Проектирование сортировочных устройств: учеб. пособие. – Хабаровск: Изд-во ДВГУПС, 2014. – 75 с.
9. Шабельников А.Н. и др. Системы автоматизации сортировочных горок на основе современных компьютерных технологий: учебник для вузов ж.-д. транспорта. – Ростов-на-Дону: НИИАС. Рост. гос. ун-т путей сообщения, 2010.
10. Иванченко В.Н., Шабельников А.Н. Новый подход к построению интеллектуальных информационно-управляющих систем на железнодорожном транспорте // Известия высших учебных заведений. Северо-Кавказский регион. Технические науки. Приложение
№ 2. – 2004. – С. 109-116.
11. Ломинога, И.В. Алгоритм расчета экономических потерь на сортировочной горке // Проблемы современной экономики: Материалы III Междунар. науч. конф. – Челябинск: Два комсомольца, 2013. – С. 102-105.
12. Иванченко В.Н. Современные информационные технологии управления сложными процессами расформирования-формирования поездов // Наука и транспорт. Модернизация железнодорожного транспорта. – 2013. – № 2 (6). – С. 64-69.
13. Ковалев С.М. Шабельников А.Н. Теоретические проблемы интеллектуализации транс-портных процессов // Автоматизация и механизация технологических процессов на сортировочных станциях: Труды Международной научно-практической конференции. – М., 2010. – С. 15-19.
14. Шабельников А.Н., Суханов А.В., Ковалев С.М. Интеллектуальный метод предсказания появления нештатных ситуаций в процессе расформирования поездов на сортировочной горке // Инженерный вестник Дона. – 2015. – № 4. – URL: http://ivdon.ru/ru/magazine/ archive/n4y2015/3334 (дата обращения: 12.11.2015).
15. Ковалев С.М. Методы многошагового предсказания аномалий в темпоральных данных // Известия ЮФУ. Технические науки. – 2013. – № 7 (144). – С. 185-81.
16. Yeung D.Y., Ding Y.X. Host-based intrusion detection using dynamic and static behavioral models // Pattern Recognition. – 2003. – No. 36. – P. 229–243.
17. Ковалев С.М., Суханов А.В. Обнаружение особых типов паттернов во временных рядах на основе гибридной стохастической модели // Известия ЮФУ. Технические науки.
– 2014. – № 4 (153). – С. 142-149.
18. Xu X. Sequential anomaly detection based on temporal-difference learning: Principles, models and case studies // Applied Soft Computing. – 2010. – Vol. 10, No. 3. – P. 859-867.
19. Sukhanov A.V., Kovalev S.M., Styskala V. Advanced Temporal-Difference Learning for Intrusion Detection // 13th IFAC and IEEE Conference on Programmable Devices and Embedded Systems PDES. IFAC-PapersOnLine. – Elsevier, 2015. – № 48 (4). – P. 43-48.
20. Kovalev S.M., Sukhanov A.V. Anomaly detection based on Markov chain model with production rules // Программные продукты и системы. – 2014. – № 3. – С. 40-44.

Comments are closed.