автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Автоматизация управления движением поездов на основе интеллектуальных моделей процессов принятия решений поездным диспетчером

Криволапое Сергей Владимирович

АВТОМАТИЗАЦИЯ УПРАВЛЕНИЯ ДВИЖЕНИЕМ ПОЕЗДОВ НА ОСНОВЕ ИНТЕЛЛЕКТУАЛЬНЫХ МОДЕЛЕЙ ПРОЦЕССОВ ПРИНЯТИЯ РЕШЕНИЙ ПОЕЗДНЫМ ДИСПЕТЧЕРОМ

Специальность 05.13.06 - Автоматизация и управление технологическими процессами и производствами (на транспорте)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

2 7!::-;.ч ^и

Ростов-на-Дону — 2013

005530993

Работа выполнена на кафедре «Автоматика и телемеханика на железнодорожном транспорте» федерального государственного бюджетного образовательного учреждения высшего профессионального образования «Ростовский государственный университет путей сообщения» (ФГБОУ ВПО РГУПС)

Научный руководитель: доктор технических наук, профессор

Долгий Игорь Давидович

Официальные оппоненты: Кравцов Юрий Александрович -

доктор технических наук, профессор, кафедра «Автоматика и телемеханика на жл.т.», ФГБОУ ВПО «Московский государственный университет путей сообщения» (МИИТ)

Лебедев Олег Борисович -кандидат технических наук, доцент, кафедра «Системы автоматизированного проектирования», Южный федеральный университет

Ведущая организация: ФГБОУ ВПО «Санкт-Петербургский

государственный университет путей сообщения» (ПГУПС)

Защита состоится 28 июня 2013 г. в 16.00 часов на заседании диссертационного совета Д 218.010.03 в Ростовском государственном университете путей сообщения по адресу: 344038, г. Ростов-на-Дону, пл. Ростовского Стрелкового Полка Народного Ополчения, д. 2, конференц-зал.

С диссертацией можно ознакомиться в научной библиотеке ФГБОУ ВПО РГУПС по адресу: 344038, г. Ростов-на-Дону, пл. Ростовского Стрелкового Полка Народного Ополчения, д. 2.

Автореферат разослан 24 мая 2013 г.

Отзывы на автореферат в двух экземплярах, заверенные печатью, просим направлять по адресу: 344038, г. Ростов-на-Дону, пл. Ростовского Стрелкового Полка Народного ополчения, д. 2, ФГБОУ ВПО РГУПС, диссертационный совет.

Ученый секретарь

диссертационного совета Д 218.010.03 доктор технических наук, профессор

Бутакова М.А.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность. В настоящее время развитие железнодорожного транспорта идет по пути создания новых поколений интегрированных информационно-управляющих систем на основе использования современнцх компьютерных и информационных технологий. К такого рода системам, в частности, относятся интегрированные системы диспетчерского управления (ИСДУ) типа ДЦ ЮГ С РКП, предназначенные для решения комплекса задач, связанных с контролем и управлением технологическими объектами и процессами на станциях и перегонах. Дальнейшее повышение уровня автоматизации и эффективности работы систем типа ИСДУ может быть достигнуто за счет создания специализированных программно-аппаратных комплексов, - автоматизированных рабочих мест (АРМ), - расширяющих функциональные возможности данных систем в части решения задач, связанных с контролем и управлением техпроцессом в сложных информационно-технологических ситуациях. К таким задачам в области диспетчерского управления относятся слабо формализованные задачи прогнозирования поездной обстановки и возникновения нештатных технологических ситуаций, оптимизации графиков движения (ГД) поездов в нечетко-определенных условиях, корректировки ГД при быстро изменяющейся поездной обстановке и ряд других.

Решения названных и других слабо формализованных задач, возлагаемые на специализированные АРМ, требуют разработки новых классов математических моделей, способных оперировать как точной, так и приблизительной, нечетко-определенной информацией о техпроцессе, обобщать и учитывать при выработке решений эвристические знания диспетчерского персонала. В этом плане особо перспективным представляется использование интеллектуальных моделей, основанных на знаниях специалистов-экспертов, разрабатываемых в рамках современной теории искусственного интеллекта.

Однако, в области железнодорожного транспорта, технологии искусственного интеллекта пока еще не нашли широкого применения и требуют своего развития с учетом конкретных особенностей и характера решаемых задач в АРМ. Поэтому, представляется актуальным разработка новых классов интеллектуальных математических моделей для АРМ ИСДУ, основанных на обобщении знаний диспетчерского персонала, с целью использования их в подсистемах экспертной поддержки принятия решений. Выше сказанное определяет актуальность исследования, цели и круг решаемых задач.

Объектом исследования являются технологические процессы управления движением поездов, технология работы поездного диспетчера (ДНЦ), автоматизированное рабочее место поездного диспетчера (АРМ ДНЦ).

Предметом исследования являются основанные на знаниях математические модели прогнозирования поездной обстановки, распознавания нештатных технологических ситуаций, оптимизации графиков движения поездов, а также математическое и программно-алгоритмическое обеспечение АРМ ДНЦ с интеллектуальными функциями поддержки принятия решений.

Целью исследования является повышение уровня автоматизации и эффективности управления технологическим процессом перевозок за счет использования специализированных АРМ, обеспечивающих экспертную поддержку принятия решений в сложных технологических ситуациях.

Постановка задач. Для достижения поставленной цели требуется решение следующих теоретических и практических задач.

1. Выявление круга слабо формализованных задач в области автоматизации процессов диспетчерского управления, требующих для своего решения разработки новых классов прикладных математических моделей на основе знаний.

2. Разработка теоретических основ формального языка представления технологических знаний для АРМ ДНЦ, способного адекватно представлять в базах знаний пространственно-временные описания поездных ситуаций, складывающихся на моделируемом участке движения.

3. Разработка интеллектуальных моделей прогнозирования поездной обстановки и нештатных технологических ситуаций для подсистем моделирования, экспертной поддержки и интерпретации решений АРМ ДНЦ.

4. Разработка постановочной модели и метода решения задач оптимизации и корректировки графиков движения поездов, обладающего низкими оценками алгоритмической сложности с целью его использования в режиме реального времени.

5. Разработка структуры и прикладного программно-математического обеспечения АРМ ДНЦ с функциями поддержки принятия решений при прогнозировании поездной обстановки, обнаружении нештатных ситуаций и оптимизации графиков движения в нечетко-определенных условиях.

Степень разработанности проблемы. Исследованиям в области создания автоматизированных систем диспетчерского управления и АРМ, развитию теории и практики управления процессами перевозок посвящены

работы Баранова Л.А., ГавзоваД.В., Горелик A.B., Долгого И.Д., Иванченко В.Н., Козлова П.А., Кравцова Ю.А., Красковского А.Е., ЛисенковаВ.М., Никитина А.Б., ПенкинаН.Ф., Розенберга E.H., Сапожникова Вл.В., Сапожникова В.В., ТишкинаЕ.М., Тулупова Л.П., Шарова В .А., Шаляпина Д.В., Шаманова В.И., Явна A.A. и др.

Разрабатываемые в диссертации интеллектуальные модели на основе продукционных и нечетко-логических систем, искусственных нейронных сетей и эволюционных алгоритмов являются развитием интеллектуальных методов обработки информации в области мягких вычислений. При их разработке использовались результаты основополагающих работ в области искусственного интеллекта, а именно, Берштейна Л.С., Белявского Г.И., Вагина В.Н., Гуды А.Н., Дулина С.К., Каркищенко А.Н., Курейчика В.М., ЛябахаН.Н., Осипова Г.С., Поспелова Д.А., Петровского А.Б., Розенберга H.H., Соколова C.B., Фоминых И.Б., Финна В.К, и др.

Особое место в диссертации отводится разработке интеллектуальных методов анализа слабо структурированных динамических процессов, в развитие которых значительный вклад внесли российские ученые Батыршин И.З., Еремеев А.П., Ковалев С.М., Тарасов В.Б., Ярушкина Н.Г. и др.

Методы исследования основываются на использовании фундаментальных исследований в области искусственного интеллекта, математического программирования и исследования операций.

Объект, предмет и методы исследования находятся в рамках паспорта специальности 05.13.06 «Автоматизация и управление технологическими процессами и производствами (на транспорте)», а именно пунктов: 3. -Методология, научные основы и формализованные методы построения автоматизированных систем управления технологическими процессами (АСУТП) и производствами (АСУП), а также технической подготовкой производства (АСТПП) и т.д.; 6. - Научные основы, модели и методы идентификации производственных процессов, комплексов и интегрированных систем управления; 15. - Теоретические основы, методы и алгоритмы интеллектуализации решения прикладных задач при построении АСУ широкого назначения (АСУТП, АСУП, АСТПП и др.); 16. - Теоретические основы, методы и алгоритмы построения экспертных и диалоговых подсистем, включенных в АСУТП, АСУП, АСТПП и др.

Достоверность и обоснованность результатов диссертации подтверждается обоснованием постановок задач, теоремами и утверждениями,

имитационным моделированием на этапе разработки алгоритмов и программ, результатами эксплуатации АРМ ДНЦ в рамках ДЦ ЮГ с РКП.

Научная новизна диссертации заключается в разработке новых моделей, методов и алгоритмов для интеллектуализации работы поездного диспетчера и автоматизации управления процессами перевозок. К наиболее существенным научным результатам работы относятся следующие:

1. Разработана формальная модель языка представления технологических знаний о динамике процесса перевозок, приближенная к естественному языку поездного диспетчера и позволяющая адекватно представлять пространственно-временные описания поездных ситуаций в базах знаний АРМ ДНЦ.

2. Разработан новый класс интеллектуальных моделей прогнозирования поездных ситуаций на основе динамических продукционных правил, обладающих свойствами полноты, непротиворечивости и минимальности представления, что обеспечивает возможность их использования, как для целей прогнозирования и принятия решений, так и для пополнения баз данных и знаний АРМ ДНЦ.

3. Разработана новая интеллектуальная модель контроля технологической корректности поездных ситуаций и корректировки графиков движения, основанная на нечетких продукционных правилах, позволяющих в отличие от традиционных математических моделей учитывать эвристические знания диспетчера при выработке решений.

4. Предложена оригинальная постановка и разработан новый метод решения задачи оптимизации графиков движения, основанный на принципах эволюционного моделирования с использованием сокращенного поискового пространства, что позволяет ускорить процессы поиска оптимальных решений по сравнению с известными генетическими алгоритмами.

5. Разработан новый класс иерархических нейросетевых моделей, предназначенный для выявления и прогнозирования нештатных технологических ситуаций, отличающийся от известных типов нейронных сетей меньшим количеством элементов, а также возможностью обрабатывать гетерогенную информацию, характеризующую временные параметры поездных ситуаций, особенности путевого развития и категорию подвижного состава.

Основные результаты, выносимые на защиту.

1. Формальная модель языка представления технологических знаний о динамике процессов в базах данных и знаний АРМ ДНЦ.

2. Интеллектуальная модель прогнозирования поездных ситуаций на основе динамических продукционных правил.

3. Класс продукционных правил, обеспечивающих контроль технологической корректности поездных ситуаций и прогнозирование технологических сбоев в подсистеме поддержки и интерпретации решений АРМ ДНЦ.

4. Метод решения задачи оптимизации графиков движения поездов на основе принципов эволюционного моделирования.

5. Интеллектуальная модель на основе системы нечетких продукционных правил, обеспечивающая поддержку принятия решений при оптимизации и корректировке графиков движения с нечетко-определенными параметрами.

6. Иерархическая нейросетевая модель обнаружения и прогнозирования нештатных технологических ситуаций в АРМ ДНЦ.

7. Архитектура, программно-математическое и алгоритмическое обеспечение интеллектуального АРМ ДНЦ с функциями экспертной подцержки принятия решений при управлении процессами перевозок.

Практическая ценность и значимость результатов диссертации работы состоит в разработке АРМ ДНЦ с функциями экспертной поддержки принятия решений. Практические результаты исследования заключаются в следующем:

1. Предложена новая архитектура интерактивной системы диспетчерского управления с АРМ ДНЦ, содержащая модули интерпретации и консультирования для облегчения работы диспетчера с системой.

2. Разработана общая структура, программно-математическое и алгоритмическое обеспечение АРМ ДНЦ с функциями контроля и поддержки принятия решений при управлении процессами перевозок.

3. Теоретические результаты диссертации частично реализованы в интегрированных системах «ДЦ ЮГ с РКП» и «РПЦ ДОН», внедренных в постоянную эксплуатацию на сети железных дорог.

Апробация работы. Основные положения и результаты диссертационной работы докладывались и обсуждались на международных, всероссийских и отраслевых научно-технических конференциях, в том числе: Всероссийской научно-практической конференции профессорско-преподавательского состава «Транспорт» (Ростов-на-Дону, 2005 г., 2007 г., 2010 г., 2011г., 2012 г., 2013 г.); Международной научно-практической конференции «ТелеКомТранс» (Сочи, 2005 г.); УН-й Международной научно-практической конференции «Интегрированные модели и мягкие вычисления» (Коломна, 2013 г.) и др.

Публикации. Полученные в диссертации теоретические и практические результаты нашли свое отражение в 18 печатных работах, в том числе 2 монографиях и 4 изданиях, рекомендованных ВАК РФ.

Структура и объем работы. Диссертация состоит из введения, 4 глав, заключения, списка литературных источников из 83 наименований. Общий объем диссертации составляет 153 стр., из которых объем основного текста составляет 145 стр.

СОДЕРЖАНИЕ РАБОТЫ

Во введении показана актуальность темы диссертации, определена цель исследования, поставлены задачи, изложена научная новизна, теоретическая и практическая значимость полученных результатов.

В первой главе приводятся основные требования к АРМ ДНЦ, в рамках которого предполагается функционирование разрабатываемых в диссертации интеллектуальных моделей. Анализируется работа поездного диспетчера и выявляется круг слабо формализованных задач, требующих для своего решения разработки новых классов прикладных математических моделей на основе знаний. Дается обзор состояния проблемы и обосновывается выбор пути ее решения.

Обосновывается состав математического обеспечения АРМ ДНЦ, включающего комплекс интеллектуальных моделей на основе имитации процессов выявления, представления и манипулирования обобщенными знаниями диспетчерского персонала. В своей работе ДНЦ руководствуется большим количеством документов, многие из которых содержат рекомендации эвристического характера, оперируют словесными и качественными описаниями, лингвистическими и приближенными оценками параметров техпроцесса и поездных ситуаций, что определяет слабую структурированность области работы диспетчера.

Выявляется круг слабо формализованных задач, требующих автоматизации, к которым относятся задачи, связанные с оценкой и прогнозированием поездной обстановки в нечетко-определенных условиях, прогнозированием нештатных ситуаций, корректировкой и оптимизацией графиков движения с учетом изменяющейся поездной обстановки. Решение этих задач требует разработки новых классов моделей, способных оперировать нечетко-определенной и приблизительной информацией о технологическом процессе, обобщать и учитывать при выработке решений эвристические знания диспетчерского персонала.

Дается обзор и анализ интеллектуальных подходов к моделированию слабо формализованных динамических процессов (СФДП) в контексте рассматриваемой проблемы прогнозирования процессов перевозок и оптимизации графика движения (ГД). Устанавливается, что для целей исследования и моделирования СФДП наиболее перспективными представляются интеллектуальные поддерживающие модели на основе продукционных и нечетко-продукционных динамических систем.

Важную роль в работе ДНЦ играет ГД, являющийся основным источником объективной информации о технологическом процессе, на основе которой диспетчер организует свою работу. Представление динамики поездных ситуаций в виде графических «картинок» дает возможность разработки на их основе интеллектуальных нейросетевых моделей в качестве средства обобщения информации, имитирующих работу ДНЦ в процессе принятия решений.

Исследуется проблема разработки и оптимизации ГД, относящаяся к разряду информационно-сложных, яр-полных задач. Обосновывается возможность ее решения с использованием методов эволюционного моделирования.

Во второй главе разрабатывается формальный язык представления технологических знаний и новый класс интеллектуальных моделей, имитирующих логику организации движения на основе динамических продукций.

Динамические продукции, представлены логическими формулами с использованием пространственно-временных отношений:

1. Если (УСЛОВИЕ), то (СОБЫТИЕ/ДЕЙСТВИЕ) в момент времени I = £'.

2. Если (УСЛОВИЕ), то (СОБЫТИЕ/ДЕЙСТВИЕ) в течение Ж = г*.

Особенностью динамических продукций является наличие временных

параметров, позволяющих вводить временную упорядоченность событий и проецировать их на временную шкалу. Для учета нечетко-стохастических факторов предусмотрена возможность использования в описаниях правил нечетких лингвистических переменных. Примерами нечетких лингвистических переменных для оценки темпоральных признаков поездных ситуаций являются описания типа: «около 12 минут», «незначительное опоздание», «сокращенное время стоянки».

Для описания поездных ситуаций в динамических продукционных правилах БЗ АРМ ДНЦ предлагается формальный язык представления поездных ситуаций (ЯПС), основанный на логике пространственно-временных перемещений. ЯПС включает в себя А - многосортное множество базовых

элементов; й - множество отношений; Р - множество предикатов; П -синтаксические правила построения формул языка.

Множество отношений Я включает в себя группу пространственных отношений и временных отношений {т(}. В группе {<р{) основными

являются отношение сре - «НАХОДИТСЯ НА» и отношение ср5 -«СЛЕДОВАТЬ ЗА». Данные отношения определены на типе переменных О е {17,5, (1, IV}, характеризующих основные объекты моделирования (поезда, станции, перегоны, пути). Семантика этих отношений приведена ниже:

г?£<р6о - поезд V,- находится на объекте о е {5, <1, IV} (станции, перегоне, пути);

хср3у- объект х следует за объектом у; х, у £ {V, 5, й, IV}.

На основе пространственных отношений формируются пространственные ядерные конструкции (ПЯК) ЯПС по следующим синтаксическим правилам:

1. v(peo (о £ {5, IV}) - правильная формула.

2. Если <7; и Ц] - правильные формулы, то <7;&<7;- и Ц^зЧ) -правильные формулы.

3. Других правильных формул нет.

В группе {г(} основными являются точечное метрическое отношение Ту - «В МОМЕНТ» и интервальное метрическое отношение тд - «В ТЕЧЕНИЕ». Семантика временных отношений приведена ниже:

Чт(.)(£") - событие ц свершается в момент С";

Чгд(0 ~ событие ц продолжается в течение времени / (/ тактов).

Также для целей моделирования используются точечные отношения, фиксирующие факты начала и окончания интервально-временных событий:

С ними тесно связаны функторы Я -* служащий для обозначения

времени начала интервального события д, и Цк(.йУ- Я t - для обозначения конца интервального события д.

На

основе семейств отношений {^Р;} и {т^} в ЯПС формируются полные описания пространственно-временных сценариев поездных ситуаций. Синтаксис построения правильных формул (ППФ) ЯПС приведен ниже.

1. Выражения дт&(Г), где д - ядерная конструкция, определяемая системой правильных ПЯК, называется темпоральной ядерной конструкцией и является ППФ ЯПС.

2. Конъюнкция произвольного числа темпоральных ядерных конструкций является ППФ ЯПС.

3. Других ППФ Я ПС нет.

Семейства отношений {<р,-} и {т(} вместе с системой ППФ образуют логическое ядро представления данных формального ЯПС.

Для представления информации о состоянии путей и перегонов, а также о нарушениях в техпроцессе вводится группа специальных предикатов. В, частности, предикаты Р. (о) (ое^.с^и/}) описывают логические свойства сигналов, принимаемых от устройств СЦБ. Вторую группу предикатов образуют предикаты коллизий, фиксирующие в БД реальные или выведенные логическим путем нарушения в развитии технологического процесса. Например, факт нагона поезда vi поездом V] в момент времени Сп фиксируется предикатом коллизии Рх(у¡, V], £п).

Система ППФ ЯПС, дополненная правилами формирования предикатных конструкций и правилами включения их в темпоральные ядерные конструкции, образует систему построения правильных формул ЯПС.

БЗ АРМ ДНЦ включает проблемно-независимые правила вывода, описывающие алгебраические свойства и семантику базовых отношений, и предметно-ориентированные правила вывода, отражающие знания, характерные для рассматриваемой предметной области. В проблемно-ориентированную группу правил, описывающих логику перемещения подвижных единиц на участке движения, входят следующие правила:

1. Вывод факта начала движения поезда по перегону:

(у<р65)гк(Г)&Роп(<и') =» ОМКСП (1)

Роп(с1, - предикат, описывающий факт свободности перегона в момент С.

2. Вывод факта окончания движения поезда по перегону:

(*Ч»64)Тп(Г)&(17ЧМ)гд(0 => (Г^)Гй(£'+/) (2)

I - время движения по перегону.

3. Вывод факта начала стоянки поезда на станции:

0>чМ)тк(0&Роп(<*.0 => О^ксо (3)

Роп(с1, С*) - предикат, описывающий факт свободности перегона в момент £*.

4. Вывод факта завершения стоянки поезда на станции:

(и^КСО&О^б^ГдСО => (17#>65)тк(Г + г) (4)

I - время стоянки поезда.

5. Вывод факта нахождения поезда на станции или перегоне:

0<р65)тп(Г) & 0<¡ре5)гй(Г*) => VI 6 (Г. Г') 0<Ре5)г()(0

О^КСГ) & (V<М)тЛ(Г*) =» ™ е С'*-с") 0><М)т0(0 (5)

В работе проводится анализ предложенной продукционной системы на полноту и непротиворечивость. Пусть V - множество переменных, характеризующих поездные единицы, S - станции, D — перегоны. Обозначим через Fs:VxS->N и FD: V х D N отображения, характеризующие временные параметры объектов моделирования. Для пары (v, s). 6 V х S отображение Fs сопоставляет время стоянки поезда v на станции s, а отображение F0 для пары (v, d) е V х D сопоставляет время движения поезда v по перегону d.

Вводится множество элементарных поездных ситуаций Q = {(vcpeoW(t*) о £ 5 U D, V е {тп,тк,т0}}. Пусть Л = {тг;} - множество продукционных правил вида (1)-(5)> q V(t) - поездная ситуация, определенная на момент времени t (q G Q, Ч* £ {Tn,rfc,T()}) и тг£ G П. Результатом применения 7ГI к ситуации q Vit) является новая ситуация q'V(t'), что обозначим 7Г; (q'VCt*)). В результате применения к ситуации пt (д'У(t*)) правила пу £ П, выводится ситуация:

<r V(f) = тгДд'ПО) = (qV(O)).

Определение 1. Продукционным выводом для ситуации q V(_t) называется любая последовательность продукционных правил (п^ ... тгк), последовательно применяемых к ситуации q V(t). Результатом вывода 7ri(7r;-(...7rk(q V(t)) ...)) является ситуация q*, в момент времени £* > t.

Определение 2. Продукционная система П = {л-;} называется полной, если для любой поездной ситуации q Vit), наблюдаемой в момент времени t, и любого последующего момента времени t* > t можно построить вывод (7^7г;-...7гк), результатом которого является новая ситуация q' на момент времени t", то есть:

VqV(t), V С* > t, 3(7r;7r/...7rfc)(7rre.ß), 3q*e<?

ПО)...)).

Утверждение 1. Продукционная система П = {тг,}, состоящая из правил вида (1)-(5) является полной.

Определение 3. Продукционная система П = {л";}, называется непротиворечивой, если для любых двух выводов (ji^n^ ... nik) и Огдл^ ... 7Г¡к) для одной и той же исходной поездной ситуации q V(t) (q £ (?) результаты вывода совпадают, то есть:

«ч.Ст WO) -)) = "л ПО) -))•

Утверждение 2. Продукционная система П = {7г;}, состоящая из правил вида (1)-(5) является непротиворечивой.

Определение 4. Продукционная система П = {п^} называется минимальной, если при исключении из нее любой продукции она становится неполной.

Утверждение 3. Продукционная система П = состоящая из правил

вида (1)-(5) является минимальной.

Приведенные выше утверждения являются обоснованием корректности использования разработанной продукционной системы в качестве прогнозирующей модели и подтверждением ее алгоритмической эффективности.

В третьей главе рассматривается формальная постановка задачи оптимизации ГД, предлагается новый подход к ее решению и методы обработки графиков на основе нечетко-логических и нейросетевых моделей.

Предлагается оригинальная постановка задачи оптимизации ГД в виде задачи целочисленного программирования с разнотипными ограничениями. Пространственная модель участка представляется последовательностью локальных участков-секций (УС) (51,52,... 5т). Множество УС 5 = {5;}0 = 1... тл) представляется объединением множеств станций и перегонов 5 = и 5е. Множество поездов V = {г>;} 0' = 1... п) представляется объединением поездов четного и нечетного направления V = и V'. Множеству Е - V х 5 сопоставляется множество целочисленных маршрутных переменных X = {хг.} (х;; е Ы), характеризующих номера путей, занимаемых поездами Множеству 5 также сопоставляется группа темпоральных переменных Г = где Т>" = и Т™ =

характеризуют моменты времени прибытия/отправления поездов с УС. Выделяется группа темпоральных параметров ТР = Т° и Т1, где Т° = {Л£;у} характеризуют нормативное перегонное время, а Т1 = {Д^} - минимальные

интервалы между поездами на УС Бу

Вводятся 4 группы ограничений. Примерами являются: а. Ограничения, обусловленные физическими законами: непрерывность времени:

однонаправленность времени:

ччеУ.^еБ > ^

С2. Технологические ограничения:

VI»! 6 5 хгуе{1.....п,}

Пу - количество путей на УС 5]-,

V»!. V, е 6 5 = -» > Г/™) V < с®еа)

05. Эксплуатационные ограничения:

Ограничения начальных условий:

^ е г,5/3 е [ с-. ^]

[ Г™, ¿¡к] - возможный интервал отправления поезда V, Вводится критерий оптимизации графика в виде суммарного времени движения поездов по участку:

где п+ и п - количества поездов четного и нечетного направления. Постановочная модель задачи оптимизации ГД:

Мй =< Б, V, {п;}, ТР. Т, X, в > где: 5 — множество УС; V - множество поездов; {п,} - множество маршрутных параметров; ТР = Т° и Ть - множество темпоральных параметров; Т = и {^п<<} - множество темпоральных переменных; X = {х^} е Ы) -

множество маршрутных переменных; С - множество ограничений типа

Задача заключается в нахождении значений переменных Т и X, удовлетворяющих системе ограничений £? и доставляющих минимум критерию

Для решения задачи предлагается подход на основе эволюционного моделирования, основу которого составляет ряд утверждений. Пусть МО -постановочная модель задачи и V' с у.

Определение /. Графиком движения Я(К') для группы поездов V' называется пара множеств < ТЛ,ХЯ > означенных темпоральных и маршрутных переменных, удовлетворяющих ограничениям С.

Определение 2. График Я(У*) =< Тк,Хп > называется полным, если он содержит все значения темпоральных и маршрутных переменных, соответствующих поездным единицам из V'.

¿=1

¿=1

Лт,х).

Определение 3. Для графика Й(У*) =< ТК,ХК > частичным графиком

называется любой график =< ТЯ,Х'К >, в котором с Гя, Х'к £ Хя.

Важным частным случаем частичного графика является опорный график,

л.Вед

включающий только стартовые значения темпоральных переменных ( для

начальных УС в маршруте следования поездов V;.

Определение 4. График Я(У*) =< ТЯ,ХК > называется минимальным, если уменьшение любой темпоральной переменной 6 Гя в графике *)

приводит к нарушению системы ограничений С.

Определение 5. График Л(У*) =< Тц,Хя > называется оптимальным, если критерий ](ТК,ХН), вычисленный на значениях темпоральных переменных данного графика, достигает наименьшего значения.

Утверждение 1. Если для данной постановочной модели МО и группы поездов V' существует график Й(У*) =< Тд.^я >> то оптимальный график для данной группы поездов можно искать среди минимальных графиков.

Данное утверждение позволяет сократить поисковое пространство при построении оптимального ГД путем означивания в начале поиска только части темпоральных переменных, образующих опорный частичный график, который впоследствии доопределяется до минимального.

Вводится модель МО 1, в которой множество V* содержит одну поездную единицу.

Теорема!. Для любого частичного опорного графика й модели МО 1 всегда существует минимальный график Ят1П 2 К, причем единственный.

Теорема 2. График модели М01 является оптимальным тогда и только тогда, когда он минимальный.

Предлагается линейная процедура построения минимального графика по частичному опорному графику для модели М01, называемая /О-оператором. Данный оператор осуществляет однозначное преобразование значения стартовой темпоральной переменной в графике /?0О-,) =< ,ХЯ > в

вектор значений (С12, Г1з,... £1т) минимального графика. На основе /О-оператора предлагается эффективный метод формирования оптимальных графиков. Теоретическим основанием метода является ниже следующая теорема 3, очерчивающая круг задач, для которых оптимальное решение находится с использованием /О-оператора за линейное число шагов.

Определение б. Простым объединением частичных графиков й10{у{) =< 1*ея,Хп > и /?£(>,) =< > называется график Ки(Ти,Хк), где Ти =

Теорема 3. Пусть V'- группа поездов в постановочной модели МО, которым соответствуют частичные опорные графики /?£(г>,) е V*). Пусть " объединение полных графиков /?'(полученных из опорных графиков До(^) путем применения к ним /£)-оператора, то есть Ri(vi) - /О(/?£(>;)). Тогда, если график йи удовлетворяет ограничению 05, то он является оптимальным.

Разрабатывается алгоритм оптимизации ГД. Блок-схема данного алгоритма приведена ниже на Рис. 1.

Рис. 1. Блок-схема алгоритма оптимизации графика движения

Разрабатывается новая поддерживающая модель для АРМ ДНЦ на основе нечетких динамических продукций, представимых описаниями вида:

Рх(гъ vl) & ., Г,.) = аг => ДС^ = 2 ■ С;.,

где: V,) — предикат коллизии, - темпоральные параметры ситуации

для поездов У;, и УС Б]. /) - функция интегрального признака поездной

ситуации, ai - лингвистическое значение интегрального признака, №ij -приращение темпорального параметра графика для i-го поезда в скорректированном ГД, 2 - нечеткое числовое значение из интервала [0,1].

Интегральный признак /(t(/.t,p характеризует относительный момент времени коллизии - скрещивания поездов на перегоне. Числовое значение t(j) е [ОД] вычисляется для конкретных значений темпоральных параметров t.- .tj . Величина /(ti;,ti;) является показателем «сложности» поездной ситуации с позиции устранения коллизии. Выражение = z-t^ определяет время задержки поезда - величину корректировки расписания. Незначительной задержке времени отправления поезда соответствует нечеткое число z равное приблизительно 0.1, малой задержке - z равное приблизительно 0.15, умеренной задержке - z равное приблизительно 0.2. Зависимость между значениями интегрального признака / и значениями = z ■ ti;, на которые следует скорректировать темпоральные параметры ГД, задается системой нечетких продукционных правил. Входящие в систему нечеткие термы af (aj -«очень близко к 0», а2 - «близко к 0», а3 - «чуть больше 0»), определены на шкале действительных числовых значений [0,1] и характеризуют качественные представления эксперта о «близких к нулю» значениях числового критерия I(ti),tLj), входящего в вербальное описание стратегий по корректировке

времени задержки поезда.

Разработана двухуровневая иерархическая ИНС (ИИНС) для обобщения типовых поездных ситуаций на основе наблюдений за работой ДНЦ, выполняющая автоматическое распознавание и прогнозирование нештатных ситуаций. Первый уровень ИИНС представлен двухслойными ситуационными ИНС NSj, соответствующими станциям 5; на участке движения. Второй уровень представлен двухслойной ИНС, входами которой являются выходы ситуационных ИНС, а выходом - нейрон, осуществляющий агрегирование информации, полученной от всех ситуационных ИНС. Каждая ситуационная ИНС имеет на входе число нейронов, равное общему числу поездных ситуаций, которые могут сложиться на станции с учетом: количества приемо-отправочных путей, числа поездов, их категорий и направления. Так, например, для станции с двумя приемо-отправочными путями при наличии двух категорий поездов (Кс - скорые, Кп - пассажирские), движущихся в двух направлениях («+» - четное «-» - нечетное), имеет место 14 поездных ситуаций: (и+.и+г), (vc+,v"), foi. v~2), (vc+, vn+), (vc+, v~), (y~, ttf), Oc", v-), (4V V+), On+, v-), (i7n~1( v'2), Oc+), О"), ( vn+), (v~).

Ниже на Рис. 2 приведена структура ситуационной ИНС.

Общая структура ИИНС приведена ниже на Рис. 3.

Рис. 3. Общая структура ИИНС обобщения поездных ситуаций

В процессе работы ИИНС сигналы, поступающие с дешифратора поездных ситуаций, инициируют нейроны ситуационной сети, на входы которых подаются нормализованные значения задержек поездов Д£н(у;). Если все входные значения Д£н0^) близки к нулю, то, имеет место штатная ситуация, что будет подтверждено нулевыми значениями 0иГ(ЛГ5у). Если

задержки существенны, то это может привести к возникновению нештатной ситуации, что будет подтверждено ненулевыми значениями 0{/Г(Л/5;) и, соответственно, ненулевым значением ОиТ(Е), Чем ближе 011Т(Е) к 1, тем выше возможность появления нештатной ситуации. Конкретная причинно-следственная зависимость между входными числовыми значениями и

выходом нейросетевого диспетчера определяется на основе обучения ИНС.

В четвертой главе рассматривается практическая реализация разработанных моделей в рамках АРМ ДНЦ.

Программные и технические средства АРМ ДНЦ поддерживают выполнение следующих функций: отображение на экране монитора в виде мнемосхем информации о реальном состоянии устройств СЦБ, поездном положении на контролируемых объектах; ведение динамических БД; связь с АСОУП и информационными системами верхнего уровня и др.

Структура ПО АРМ ДНЦ показана на Рис. 4.

отображение мнемосхем станций; FunKlvOTU - клавиатура ответственных команд; msgserver - передача сообщений между программными модулями, dcmgate - передача сообщений между узлами в ЛВС; Net - менеджер ЛВС; sndserver - сервер звуковых сообщений; graph - подсистема ГИД; drvfkl -драйвер функциональной клавиатуры.

Представление ГИД на экране осуществляется в координатах «время-путь». Главное окно ИФ «График» показано на Рис. 5.

Рис. 5. Главное окно ИФ «График движения» Алгоритмическое обеспечение АРМ включает помимо традиционных алгоритмов, осуществляющих обработку и отображение на терминале АРМ информации о поездном положении, алгоритмы интеллектуальной поддержки принятия решений. В качестве примера на Рис. 6. приведена блок-схема основного моделирующего алгоритма. Он представляет собой рекуррентную процедуру вычисления для каждого поезда V £ V прогнозируемых моментов времени его прибытия на станции и отправления со станций по всему маршруту следования на моделируемом участке движения, включающего п станций ... 5П и п перегонов с11,...с1п. Исходной информацией является время отправления поезда с начальной станции и вектор темпоральных

параметров РЛС = (Дс^), Д*^),... ДС(5п),Дг:(с2п)), характеризующий нормативное время стоянки поезда на станциях и время следования по перегонам.

Особенностью алгоритма является возможность его работы, как с детерминированными данными, так и с нечетко-стохастической информацией, что отражено в характере представления темпоральных параметров алгоритма. Операторную основу алгоритма составляет система динамических продукций и модифицированных нечетко-динамических продукций, разработанных в п.п. 2.1. и 2.2. диссертации.

Выходом алгоритма является вектор темпоральных значений

¿«(А).....¿кОп)), характеризующий прогнозируемые

моменты времени проследования поезда по всем станциям участка движения.

( Старт )

+

! ¡-1 /

,1

1 х.ыо-чЛ» 1

Нет —---_ ¿1»

«)■= ти |Рт|,«|;>и>&1>;ш4>1г>1

I-^-

11с1 ___1_____--^^ Я"

>'т1<ч><!1" пки 1-"т„«чИлиц>< 1.Г1+ГЧ <к"1> 1 ли )

Рис. 6. Блок-схема алгоритма моделирования движения поездов

В заключении приведен анализ основных результатов работы, выносимых на защиту.

1. Подход к автоматизации процессов диспетчерского управления на основе использования нового класса интеллектуальных моделей прогнозирования поездных ситуаций и оригинальная архитектура интерактивной системы ДУ с модулями интерпретации и консультирования.

2. Формальная модель языка представления технологических знаний на базе динамических продукционных правил, способных адекватно представлять пространственно-временные описания поездных ситуаций в БЗ АРМ ДНЦ.

3. Новый класс интеллектуальных моделей прогнозирования поездных ситуаций на основе динамических продукционных правил, обладающих свойствами полноты, непротиворечивости и минимальности представления.

4. Новый класс контролирующих продукционных правил, обеспечивающих оценку технологической корректности поездных ситуаций, прогнозирование технологических сбоев и отклонений в развитие техпроцесса.

5. Оригинальная постановка и новый эволюционный метод решения задачи оптимизации ГД, основанный на идее сокращения поискового пространства для ускорения поиска оптимального решения.

6. Новая интеллектуальная модель на основе системы нечетких продукционных правил, предназначенная для поддержки принятия решений при корректировке и оптимизации ГД, позволяющая учитывать в процессе выработки решений эвристические знания диспетчерского персонала.

7. Новый класс иерархических нейросетевых моделей, предназначенный для выявления и прогнозирования нештатных технологических ситуаций.

8. Программно-аппаратный комплекс АРМ ДНЦ с дополнительными функциями контроля, управления и поддержки принятия решений при управлении процессами перевозок.

9. Программно-алгоритмическое обеспечение для интеллектуальной подсистемы АРМ ДНЦ, обеспечивающей экспертную поддержку принятия решений.

Список публикаций по теме диссертации

Публикации в периодических изданиях, рекомендованных ВАК РФ:

1. Долгий И.Д. На пути к интегрированным системам /Долгий И.Д., Кулькин А.Г., Криволапое C.B., Пономарёв Ю.Э. //Автоматика, связь, информатика, 2011. - № 1. - С. 26-27.

2. Долгий И.Д. Современные системы ЖАТ и подготовка кадров /Долгий И.Д., Кулькин А.Г., Криволапое C.B., Пономарёв Ю.Э. //Автоматика, связь, информатика, 2012. - № 12. - С. 37-38.

3. Долгий И.Д. Динамические модели прогнозирования движения поездов в интеллектуальных системах диспетчерского управления /Долгий И.Д., Криволапое C.B. //Вестник РГУПС. - 2012. -№ 4. - С. 75-81.

4. Долгий И.Д. Прогнозирование поездной обстановки в автоматизированных системах диспетчерского управления на основе иерархической нейронной сети /Долгий И.Д., Криволапое C.B. //Вестник РГУПС.-2013.-№ 1,-С. 71-74.

Монографии и патенты:

5. Система диспетчерского контроля и управления движением поездов «ДЦ-Юг с РКП»: Монография: под общей ред. к.т.н., профессора Долгого И.Д. и к.т.н. Кулькина А.Г. - Ростов н/Д: РГУПС, 2010.-468 с.

6. Гибридная система централизации стрелок и светофоров «РПЦ-ДОН»: Монография: под общей ред. д.т.н., профессора Долгого И.Д. и к.т.н. Кулькина А.Г. - Ростов н/Д: РГУПС, 2012. - 388 с.

7. Долгий И.Д., Криволапое C.B., Кузнецов Л.П., Кулькин А.Г., Меерович В.Д., Пономарёв Ю.Э., Самойленко IO.A. Распределённый контролируемый пункт (патент на полезную модель № 92645): Заявка №2010101808, приоритет полезной модели 21.01.2010 г. - ФИПС, 2010.

Другие издания:

8. Пальчик JI.B. Метод формирования первичной информации о подвижном составе /Пальчик Л.В., Новгородов H.H., Криволапов C.B. //Вопросы совершенствования систем автоматики, телемеханики и связи на ЖДТ: межвуз. сб. науч. тр. - Ростов н/Д: РГУПС, 1996, - С. 84-89.

9. Криволапов C.B. Методика проверки программной модели станции /Криволапов C.B., Хатламаджиян А.Е. //Актуальные проблемы развития технических средств ЖАТ: междунар. межвуз. сб. науч. тр. - Ростов н/Д: РГУПС,2002,-С. 51-54.

10. Криволапов C.B. Основные алгоритмы построения прогнозного графика движения поездов в системе ДЦ ЮГ с РКП //3-я Межведом, науч,-практич. конф. «ТелеКомТранс-2005»: сб. докладов. - Сочи, 2005. - С. 260-261.

11. Криволапов C.B. Об одном из подходов к описанию и выполнению команд телеуправления в системе ДЦ ЮГ с РКП //Труды всеросс. науч.-практич. конф. «Транспорт-2005», 4.1, - Ростов н/Д: РГУПС, 2005. - С. 23-25.

12. Криволапов C.B. Построение маршрутов в тренажере АРМ поездного диспетчера системы ДЦ ЮГ с РКП /Криволапов C.B., Иванов P.A. //Труды всеросс. науч.-практич. конф. «Транспорт-2005», 4.1, - Ростов н/Д: РГУПС, 2005.-С. 26-27.

13. Криволапов C.B. Представление объектов контроля в графической модели станции в подсистеме отображения /Криволапов C.B., Иванов P.A. //Труды РГУПС, 2005, №1(1), - С. 81-84.

14. Долгий И.Д. Программное обеспечение пункта управления системы ДЦ ЮГ с РКП /Долгий И.Д., Гольцев В.В., Кулькин А.Г., Криволапов C.B. и др. //Учебное пособие, Ростов н/Д: РГУПС, 2007, 170 С.

15. Криволапов C.B. Технологическая безопасность системы «ДЦ-Юг с РКП»: программные средства поддержки технической эксплуатации и сопровождения /Криволапов C.B., Кулькин А.Г., Пономарев Ю.Э., Долгий И.Д. //Труды РГУПС. -2012. - №1. - С. 12-17.

16. Пономарев Ю.Э. Технологическая безопасность системы «ДЦ-Юг с РКП»: онтология понятия и парадигма достижений целей /Пономарев Ю.Э., Кулькин А.Г., Криволапов C.B., Долгий И.Д. //Труды РГУПС. - 2012. - №1. -С. 7-12.

17. Долгий И.Д. Нейросетевые модели анализа, обобщения и оперативной корректировки графиков движения поездов /Долгий И.Д., Ковалев С.М., Криволапов C.B. //Интегрированные модели и мягкие вычисления в искусственном интеллекте: сб. трудов VII Междунар. науч.-практич. конф., T.III. - M.: Физматлит, 2013. - С.998-1003.

18. Долгий И.Д. Оптимизация графиков движения поездов на основе методов эволюционного моделирования /Долгий И.Д., Ковалев С.М., Криволапов C.B. //Интегрированные модели и мягкие вычисления в искусственном интеллекте: сб. трудов VII Междунар. науч.-практич. конф., Т.П. - М.: Физматлит, 2013. - С.862-868.

з ?

Криволапое Сергей Владимирович

АВТОМАТИЗАЦИЯ УПРАВЛЕНИЯ ДВИЖЕНИЕМ ПОЕЗДОВ НА ОСНОВЕ ИНТЕЛЛЕКТУАЛЬНЫХ МОДЕЛЕЙ ПРОЦЕССОВ ПРИНЯТИЯ РЕШЕНИЙ ПОЕЗДНЫМ ДИСПЕТЧЕРОМ

Автореферат диссертации на соискание ученой степени кандидата технических наук

Подписано в печать 23.05.2013 г. Формат 60x84/16. Бумага офсетная. Печать офсетная. Усл. печ. л. 1,25. Уч.-изд. л. 1,0. Тираж 100 экз. Заказ № 689 .

Ростовский государственный университет путей сообщения. Ризография РГУПС.

Адрес университета: 344038, г. Ростов н/Д, пл. им. Ростовского Стрелкового Полка Народного Ополчения, д. 2.

РОСЖЕЛДОР

Федеральное государственное бюджетное образовательное учреждение

«Ростовский государственный университет путей сообщения»

Криволапое Сергей Владимирович

АВТОМАТИЗАЦИЯ УПРАВЛЕНИЯ ДВИЖЕНИЕМ ПОЕЗДОВ НА ОСНОВЕ ИНТЕЛЛЕКТУАЛЬНЫХ МОДЕЛЕЙ ПРОЦЕССОВ ПРИНЯТИЯ РЕШЕНИЙ ПОЕЗДНЫМ ДИСПЕТЧЕРОМ

Специальность 05.13.06 - Автоматизация и управление технологическими

процессами и производствами (на транспорте)

ДИССЕРТАЦИЯ

на соискание ученой степени кандидата технических наук

высшего профессионального образования

(ФГБОУ ВПО РГУПС)

На правах рукописи

Научный руководитель: д.т.н., профессор И.Д. Долгий

Ростов-на-Дону 2013

СОДЕРЖАНИЕ

ВВЕДЕНИЕ..........................................................................................................4

ГЛАВА 1. ПРОБЛЕМЫ АВТОМАТИЗАЦИИ ДИСПЕТЧЕРСКОГО УПРАВЛЕНИЯ И ИНТЕЛЛЕКТУАЛИЗАЦИИ РАБОТЫ ПОЕЗДНОГО ДИСПЕТЧЕРА...................................................................................................11

1.1 .Роль и место интеллектуальных прогнозирующих моделей в общей структуре интегрированной системы диспетчерского управления.............11

1.2.0собенности технологии работы поездного диспетчера.....................11

1.3.Роль графиков движения в управлении перевозочными процессами .21

1.4.Анализ общих подходов к моделированию слабо формализованных динамических процессов и методов оптимизации графиков движения......29

1.5.Вывод ы....................................................................................................35

ГЛАВА 2. ИНТЕЛЛЕКТУАЛЬНЫЕ МОДЕЛИ ПРОГНОЗИРОВАНИЯ ПОЕЗДНЫХ СИТУАЦИЙ В ИНТЕРАКТИВНЫХ СИСТЕМАХ ДИСПЕТЧЕРСКОГО УПРАВЛЕНИЯ..............................................................50

2.1 .Разработка нового подхода к моделированию движения поездов на основе интеллектуальных динамических моделей.......................................50

2.2.Разработка формального языка представления знаний и данных в интеллектуальных системах диспетчерского управления............................58

2.3.Разработка моделей представления знаний в интеллектуальных системах диспетчерского управления и организация баз знаний................58

2.4.Разработка методов консультирования и интерпретации решений в интеллектуальной системе диспетчерского управления..............................63

2.5.Вывод ы....................................................................................................80

ГЛАВА 3. МЕТОДЫ АНАЛИЗА, ОПТИМИЗАЦИИ И КОРРЕКТИРОВКИ

ГРАФИКОВ ДВИЖЕНИЯ С ИСПОЛЬЗОВАНИЕМ ТЕХНОЛОГИИ МЯГКИХ ВЫЧИСЛЕНИЙ................................................................................82

3.1.Разработка постановочной модели задачи оптимизации графиков движения поездов...........................................................................................83

3.2.Разработка общего подхода к решению задачи оптимизации графиков на основе метода эволюционного моделирования........................................83

3.3.Нечетко-логические и нейросетевые модели анализа, обобщения и оперативной корректировки графиков движения поездов...........................91

3.4.Вывод ы..................................................................................................103

ГЛАВА 4. ПРОГРАММНО - АППАРАТНАЯ РЕАЛИЗАЦИЯ ИНТЕЛЛЕКТУАЛЬНОГО АРМ ПОЕЗДНОГО ДИСПЕТЧЕРА...................121

4.1 .Общая организация АРМ ДНЦ и состав программно-аппаратных средств...........................................................................................................121

4.2.0бщая организация программного обеспечения АРМ ДНЦ.............121

4.3.Программно-алгоритмическое обеспечение подсистемы «График движения» АРМ ДНЦ...................................................................................125

4.4.Вывод ы..................................................................................................133

ЗАКЛЮЧЕНИЕ................................................................................................143

ЛИТЕРАТУРА..................................................................................................146

ВВЕДЕНИЕ

В настоящее время развитие железнодорожного транспорта идет по пути создания новых поколений интегрированных систем управления на основе использования современных информационных и компьютерных технологий [1-5]. К такого рода системам, в частности, относятся интегрированные системы диспетчерского управления (ИСДУ) типа «ДЦ ЮГ с РКП», предназначенные для решения комплекса задач, связанных с контролем и управлением технологическими объектами и процессами на станциях и перегонах [6].

Дальнейшее повышение уровня автоматизации и эффективности работы систем типа ИСДУ может быть достигнуто за счет создания специализированных программно - аппаратных комплексов, -

автоматизированных рабочих мест (АРМ), - расширяющих функциональные возможности данных систем и способных обеспечивать эффективную интеллектуально - экспертную поддержку при решении слабо формализованных задач, связанных с оценкой и прогнозированием поездной обстановки в нечетко - определенных условиях, возникновением нештатных технологических ситуаций, корректировкой и оптимизацией графиков движения (ГД) поездов с учетом быстро изменяющейся поездной обстановки.

Решение названных и других слабо формализованных задач, возлагаемое на специализированные АРМ, требует разработки новых классов математических моделей, способных оперировать приблизительной, нечетко-определенной информацией о технологическом процессе, обобщать и учитывать при выработке решений эвристические знания и опыт работы диспетчерского персонала. В этом плане особо перспективным представляется использование интеллектуальных моделей, основанных на знаниях специалистов-экспертов, разрабатываемых в рамках современных теорий искусственного интеллекта и принятия решений.

Однако, в области железнодорожного транспорта, технологии искусственного интеллекта пока еще не нашли широкого применения и требуют своего развития с учетом конкретных особенностей и характера решаемых задач. Поэтому, представляется актуальным разработка новых классов интеллектуальных математических моделей для АРМ ИСДУ на основе моделирования процессов выявления, представления и манипулирования обобщенными знаниями диспетчерского персонала, с целью использования их в подсистемах экспертной поддержки принятия решений. Выше сказанное определяет актуальность исследования, цели и круг решаемых задач.

Объектом исследования являются технологические процессы управления движением поездов, технология работы поездного диспетчера (ДНЦ), автоматизированное рабочее место ДНЦ (АРМ ДНЦ).

Предметом исследования являются основанные на знаниях математические модели прогнозирования поездной обстановки, распознавания нештатных технологических ситуаций, оптимизации графиков движения поездов, а также математическое и программно-алгоритмическое обеспечение АРМ ДНЦ с интеллектуальными функциями поддержки принятия решений.

Целью исследования является повышение уровня автоматизации и эффективности управления технологическим процессом перевозок за счет использования специализированных АРМ, обеспечивающих экспертную поддержку принятия решений в сложных технологических ситуациях.

Постановка задач. Для достижения поставленной цели требуется решение следующих теоретических и практических задач:

1. Выявление круга слабо формализованных задач в области автоматизации процессов диспетчерского управления, требующих для своего решения разработки новых классов прикладных математических моделей на основе знаний.

2. Разработка теоретических основ формального языка представления технологических знаний для АРМ ДНЦ, способного адекватно представлять в базах знаний пространственно-временные описания поездных ситуаций, складывающихся на моделируемом участке движения.

3. Разработка интеллектуальных моделей прогнозирования поездной обстановки и нештатных технологических ситуаций для подсистем моделирования, экспертной поддержки и интерпретации решений АРМ ДНЦ.

4. Разработка постановочной модели и метода решения задач оптимизации и корректировки графиков движения поездов, обладающего низкими оценками алгоритмической сложности с целью его использования в режиме реального времени.

5. Разработка структуры и прикладного программно-математического обеспечения АРМ ДНЦ с функциями поддержки принятия решений при прогнозировании поездной обстановки, обнаружении нештатных ситуаций и оптимизации графиков движения в нечетко-определенных условиях.

Степень разработанности проблемы. Исследованиям в области создания автоматизированных систем диспетчерского управления и АРМ, развитию теории и практики управления процессами перевозок посвящены работы Баранова Л.А., Гавзова Д.В., Горелик A.B., Долгого И.Д., Иванченко В.Н., Козлова П.А., Кравцова Ю.А., Красковского А.Е., Лисенкова В.М., Никитина А.Б., Пенкина Н.Ф., Розенберга E.H., Сапожникова Вл.В., Сапожникова В.В., Тишкина Е.М., Тулупова Л.П., Шарова В.А., Шалягина Д.В., Шаманова В.И., Явна A.A. и др.

Разрабатываемые в диссертации интеллектуальные модели на основе продукционных и нечетко-логических систем, искусственных нейронных сетей и эволюционных алгоритмов являются развитием интеллектуальных методов обработки информации в области мягких вычислений. При их разработке использовались результаты основополагающих работ в области искусственного интеллекта, а именно, Берштейна Л.С., Белявского Г.И.,

Вагина В.Н., Гуды А.Н., Дулина С.К., Каркищенко А.Н., Курейчика В.М., ЛябахаН.Н., ОсиповаГ.С., Поспелова Д.А., Петровского А.Б., Розенберга И.Н., Соколова C.B., Фоминых И.Б., Финна В.К, и др.

Особое место в диссертации отводится разработке интеллектуальных методов анализа слабо структурированных динамических процессов, в развитие которых значительный вклад внесли российские ученые Батыршин И.З., Еремеев А.П., Ковалев С.М., Тарасов В.Б., Ярушкина Н.Г. и Др.

Методы исследования основываются на использовании фундаментальных исследований в области искусственного интеллекта, математического программирования и исследования операций.

Объект, предмет и методы исследования находятся в рамках паспорта специальности 05.13.06 «Автоматизация и управление технологическими процессами и производствами (на транспорте)», а именно пунктов: 3. -Методология, научные основы и формализованные методы построения автоматизированных систем управления технологическими процессами (АСУТП) и производствами (АСУП), а также технической подготовкой производства (АСТПП) и т.д.; 6. - Научные основы, модели и методы идентификации производственных процессов, комплексов и интегрированных систем управления; 15. - Теоретические основы, методы и алгоритмы интеллектуализации решения прикладных задач при построении АСУ широкого назначения (АСУТП, АСУП, АСТПП и др.); 16. -Теоретические основы, методы и алгоритмы построения экспертных и диалоговых подсистем, включенных в АСУТП, АСУП, АСТПП и др.

Достоверность и обоснованность результатов диссертации подтверждается обоснованием постановок задач, теоремами и утверждениями, имитационным моделированием на этапе разработки алгоритмов и программ, результатами эксплуатации АРМ ДНЦ в рамках ДЦ ЮГ с РКП.

Научная новизна диссертации заключается в разработке новых моделей, методов и алгоритмов для интеллектуализации работы поездного диспетчера и автоматизации управления процессами перевозок. К наиболее существенным научным результатам работы относятся следующие.

1. Разработана формальная модель языка представления технологических знаний о динамике процесса перевозок, приближенная к естественному языку поездного диспетчера и позволяющая адекватно представлять пространственно-временные описания поездных ситуаций в базах знаний АРМ ДНЦ.

2. Разработан новый класс интеллектуальных моделей прогнозирования поездных ситуаций на основе динамических продукционных правил, обладающих свойствами полноты, непротиворечивости и минимальности представления, что обеспечивает возможность их использования, как для целей прогнозирования и принятия решений, так и для пополнения баз данных и знаний АРМ ДНЦ.

3. Разработана новая интеллектуальная модель контроля технологической корректности поездных ситуаций и корректировки графиков движения, основанная на нечетких продукционных правилах, позволяющих в отличие от традиционных математических моделей учитывать эвристические знания диспетчера при выработке решений.

4. Предложена оригинальная постановка и разработан новый метод решения задачи оптимизации графиков движения, основанный на принципах эволюционного моделирования с использованием сокращенного поискового пространства, что позволяет ускорить процессы поиска оптимальных решений по сравнению с известными генетическими алгоритмами.

5. Разработан новый класс иерархических нейросетевых моделей, предназначенный для выявления и прогнозирования нештатных технологических ситуаций, отличающийся от известных типов нейронных

сетей меньшим количеством элементов, а также возможностью обрабатывать гетерогенную информацию, характеризующую временные параметры поездных ситуаций, особенности путевого развития и категорию подвижного состава.

Основные результаты, выносимые на защиту.

1. Формальная модель языка представления технологических знаний о динамике процессов в базах данных и знаний АРМ ДНЦ.

2. Интеллектуальная модель прогнозирования поездных ситуаций на основе динамических продукционных правил.

3. Класс продукционных правил, обеспечивающих контроль технологической корректности поездных ситуаций и прогнозирование технологических сбоев в подсистеме поддержки и интерпретации решений АРМ ДНЦ.

4. Метод решения задачи оптимизации графиков движения поездов на основе принципов эволюционного моделирования.

5. Интеллектуальная модель на основе системы нечетких продукционных правил, обеспечивающая поддержку принятия решений при оптимизации и корректировке графиков движения с нечетко-определенными параметрами.

6. Иерархическая нейросетевая модель обнаружения и прогнозирования нештатных технологических ситуаций в АРМ ДНЦ.

7. Архитектура, программно-математическое и алгоритмическое обеспечение интеллектуального АРМ ДНЦ с функциями экспертной поддержки принятия решений при управлении процессами перевозок.

Практическая ценность и значимость результатов диссертационной работы состоит в разработке АРМ ДНЦ с функциями экспертной поддержки принятия решений. Практические результаты исследования заключаются в следующем:

1. Предложена новая архитектура интерактивной системы диспетчерского управления с АРМ ДНЦ, содержащая модули интерпретации и консультирования для облегчения работы диспетчера с системой.

2. Разработана общая структура, программно-математическое и алгоритмическое обеспечение АРМ ДНЦ с функциями контроля и поддержки принятия решений при управлении процессами перевозок.

3. Теоретические результаты диссертации частично реализованы в интегрированных системах «ДЦ ЮГ с РКП» и «РПЦ ДОН», внедренных в постоянную эксплуатацию на сети железных дорог.

Апробация работы. Основные положения и результаты диссертационной работы докладывались и обсуждались на международных, всероссийских и отраслевых научно-технических конференциях, в том числе: Всероссийской научно-практической конференции профессорско-преподавательского состава «Транспорт» (Ростов-на-Дону, 2005 г., 2007 г., 2010 г., 2011г., 2012 г., 2013 г.); Международной научно-практической конференции «ТелеКомТранс» (Сочи, 2005 г.); УП-й Международной научно-практической конференции «Интегрированные модели и мягкие вычисления» (Коломна, 2013 г.) и др.

Публикации. Полученные в диссертации теоретические и практические результаты нашли свое отражение в 18 печатных работах, в том числе 2 монографиях и 4 изданиях, рекомендованных ВАК РФ.

Структура и объем работы. Диссертация состоит из введения, 4 глав, заключения, списка литературных источников из 83 наименований. Общий объем диссертации составляет 153 стр., из которых объем основного текста составляет 145 стр.

ГЛАВА 1. ПРОБЛЕМЫ АВТОМАТИЗАЦИИ ДИСПЕТЧЕРСКОГО УПРАВЛЕНИЯ И ИНТЕЛЛЕКТУАЛИЗАЦИИ РАБОТЫ ПОЕЗДНОГО ДИСПЕТЧЕРА

Одним из путей повышения уровня автоматизации и интеллектуализации диспетчерского управления является создание автоматизированных рабочих мест для диспетчерского персонала (АРМ ДНЦ), обеспечивающих экспертную поддержку принятия решений поездному диспетчеру в трудно прогнозируемой поездной обстановке и информационно-сложных технологических ситуациях. В настоящем подразделе приводятся основные требования к создаваемому АРМ ДНЦ и общая архитектура интегрированной системы ДУ, в рамках которой предполагается функционирование интеллектуальных прогнозирующих моделей. Анализируется работа поездного диспетчера, на основе чего выявляется класс задач, требующих первоочередной автоматизации. Дается обзор известных подходов и методов в области моделирования сложных динамических процессов и оптимизации графиков движения, на основе которого выбираются наиболее перспективные методы решения поставленных в диссертации задач.

1.1. Роль и место интеллектуальных прогнозирующих моделей в общей структуре интегриров�