автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Идентификация аномальных процессов в устройствах железнодорожной автоматики и телемеханики на основе адаптивных сетевых моделей

кандидата технических наук
Кулькин, Станислав Александрович
город
Ростов-на-Дону
год
2011
специальность ВАК РФ
05.13.06
цена
450 рублей
Диссертация по информатике, вычислительной технике и управлению на тему «Идентификация аномальных процессов в устройствах железнодорожной автоматики и телемеханики на основе адаптивных сетевых моделей»

Автореферат диссертации по теме "Идентификация аномальных процессов в устройствах железнодорожной автоматики и телемеханики на основе адаптивных сетевых моделей"

правах рукописи

КУЛЬКИН СТАНИСЛАВ АЛЕКСАНДРОВИЧ

ИДЕНТИФИКАЦИЯ АНОМАЛЬНЫХ ПРОЦЕССОВ В УСТРОЙСТВАХ ЖЕЛЕЗНОДОРОЖНОЙ АВТОМАТИКИ И ТЕЛЕМЕХАНИКИ НА ОСНОВЕ АДАПТИВНЫХ СЕТЕВЫХ

МОДЕЛЕЙ

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

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

2 3 (ИОН 2011

Ростов-на-Дону 2011

4850872

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

Научный руководитель: кандидат технических наук, профессор

Долгий Игорь Давидович

Официальные оппоненты: доктор технических наук, профессор

Шабельников Александр Николаевич кандидат технических наук, доцент Тарасов Валерий Борисович

Ведущая организация: Петербургский государственный

университет путей сообщения (ФГОУВПОПГУПС)

Защита диссертации состоится <,<.30 у> С/ФНЯ 2011 г. в /3.00часов на заседании диссертационного совета Д.218.010.03 при ФГБОУ ВПО РГУПС по адресу: 344038, г. Ростов-на-Дону, пл. Ростовского Стрелкового Полка Народного Ополчения, д. 2, конференц-зал.

С диссертацией можно ознакомиться в библиотеке ФГБОУ ВПО РГУПС.

Автореферат разослан « » МО/} 2011 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, доктор технических наук, профессор

М.А. Бутакова

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследования.

В соответствии с постановлением Правительства РФ от 15 июля 2010 г. № 525 «Об утверждении технического регламента о безопасности инфраструктуры железнодорожного транспорта» (ТР), в частности п. 34: б - «... непрерывный контроль технического состояния устройств сигнализации, централизации и блокировки на станциях и перегонах...»; в - «... выполнение требуемой последовательности взаимозависимых операций...»; д - «... обеспечение контроля предотказного состояния устройств железнодорожной автоматики и телемеханики...», необходимо использовать передовые инновационные технологии современных технических средств, обеспечивающие требуемые уровни безопасности и надежности, а также расширенные функциональные возможности систем управления по сравнению с существующими релейными аналогами.

На заседании правления ОАО «РЖД» (октябрь 2010 г.) по рассмотрению методов повышения надежности работы технических средств и обеспечению безопасности движения в качестве приоритетных на 2011 год были определены следующие задачи: проведение системного анализа причин отказов; совершенствование методов расследования, учета и принятия мер по предупреждению аварийности; повышение качества ремонта объектов инфраструктуры за счет совершенствования технологических процессов; ужесточение требований к качеству поставляемой продукции; выделение приоритетов в инвестиционных программах для обеспечения высокого уровня безопасности движения.

Один из путей решения поставленных задач - внедрение микропроцессорных и релейно-процессорных электрических централизаций, наиболее полно отвечающих задачам создания интегрированной системы управления движением поездов со встроенными функциями линейного пункта диспетчерской централизации и средствами диагностики. Такое решение позволит не только сократить затраты и время на внедрение (поскольку избавит от необходимости установки сторонних диагностических систем), но и ускорит процесс пусконаладки.

В данной работе поставлена задача развития функциональных и интеллектуальных возможностей диагностирования системы диспетчерской централизации ДЦ-Юг с РКП и релейно-процессорной централизации РПЦ-ДОН, используя новый подход, базирующийся на методах искусственного интеллекта.

Новизна и актуальность постановки задачи диссертационного исследования состоит в разработке методов исследования мониторинговых и диагностических функций систем управления движением поездов (СУДП), а также методов идентификации аномальных процессов в них.

Степень разработанности проблемы. Постановке перечисленных в диссертации задач предшествовали многочисленные теоретические ис-

следования, труды и практические разработки ученых и специалистов в России и за рубежом.

Проблемы развития железнодорожного транспорта, ориентирующие разработчиков на поиск инноваций и учет экономических критериев, поставлены и освещены в многочисленных работах С.Е. Ададурова, В.А. Гапановича, В.М. Кайнова, В.И. Колесникова В.И. Якунина.

Решению важных теоретических и практических вопросов создания современной технологии управления, исследования и моделирования сложных объектов и процессов, анализа и синтеза устройств автоматики и телемеханики, разработке многофункциональных микропроцессорных систем, их программного обеспечения и диагностики, формирования технической политики и стратегии дальнейшего развития СЖАТ посвящены работы А.Н. Гуды, И.Д. Долгого, Ю.И. Жаркова, В.Н. Иванченко, А.И. Каменева, Ю.А. Кравцова, E.H. Розенберга, В.В. Сапожникова, Вл.В. Сапожникова, Д.В. Шалягина Д.В. Швалова и др.

В настоящей работе анализируются и развиваются подходы к интеллектуализации процессов диагностирования, идентификации сложных процессов управления, изложенные в работах JI.C. Берштейна, В.Н. Вагина, В.П. Гладуна, С.М. Ковалева, H.H. Лябаха, Д.А. Поспелова, В.Б. Тарасова, А.Н. Шабельникова и др.

Вместе с тем, реализация предлагаемых в анализируемых источниках методов описания технологических процессов, автоматизации диагностирования и мониторинга устройств сигнализации централизации блокировки (СЦБ) требует: развития имеющихся теоретических и методических результатов, формализованных процедур моделирования и принятия решений; разработки информационного, технического и алгоритмического обеспечения, развития.

Цель диссертационного исследования - разработка методов идентификации, мониторинга, диагностирования и защиты, обеспечивающих расширение функциональных возможностей СУДП, в частности, диспетчерской централизации ДЦ-Юг с РКП и релейно-процессорной централизации РПЦ-ДОН, и создание в их составе многофункциональной интеллектуальной подсистемы, реализующей задачи диагностирования предотказного состояния объектов контроля, выявления аномалий в технологических процессах.

Для достижения этого в диссертации были поставлены и решены следующие задачи:

- дано обоснование основных направлений развития СУДП и анализ актуальных путей расширения их функциональных возможностей;

- разработана новая динамическая модель интерпретации сложных отказов устройств железнодорожной автоматики и телемеханики в виде темпоральных пирамидальных сетей (ТМПС);

- разработан метод идентификации полномочий оперативно-диспетчерского персонала для доступа к ресурсам систем управления;

- разработан метод диагностирования предотказного состояния устройств ЖАТ с применением аппарата растущих пирамидальных сетей на примере системы «стрелочный перевод - электродвигатель»;

- разработана модель выявления аномальных сообщений в сетевом трафике СУДП с целью повышения защиты информации и программного обеспечения.

Объектом исследования диссертации являются методы контроля, диагностики и мониторинга сложных технологических объектов и процессов на основе использования интеллектуальных классов адаптивных сетевых моделей.

Методы исследования. Для решения поставленных задач использовались следующие методы исследований: элементы теории множеств, элементы теории графов, элементы темпоральной логики, элементы теории растущих пирамидальных сетей.

Научная новизна диссертационной работы состоит в следующем:

1. Обоснована возможность применения растущих пирамидальных сетей в качестве интеллектуальной модели поддержки процессов диагностирования устройств ЖАТ в составе СУДП, позволяющей устанавливать предотказные состояния технических средств.

2. Разработан новый класс адаптивных сетевых моделей - для выявления аномальных процессов в динамических базах данных диагностических систем.

3. Предложен новый метод реализации темпоральных обобщений в динамических базах данных, позволяющий обеспечить более компактное представление формализованных знаний в информационных базах систем управления движением поездов.

4. Для СУДП разработаны следующие модели:

— модель диагностирования предотказного состояния устройств ЖАТ (на примере идентификации неисправностей стрелочного привода), основанная на применении аппарата растущих пирамидальных сетей к задачам железнодорожного транспорта.

— модель идентификации полномочий диспетчерского персонала по его биометрическим характеристикам для допуска к ресурсам систем диспетчерского управления.

Практическая ценность диссертационной работы заключается в следующем:

1. Разработаны методы и модели, обеспечивающие решение задач диагностирования предотказного состояния устройств ЖАТ и выявления аномалий в технологических процессах.

2. Разработаны методы, модели и алгоритмы идентификации полномочий оперативно-диспетчерского персонала для доступа к ресурсам систем диспетчерского управления.

3. Разработаны методы, модели и алгоритмы идентификации «сетевых атак» при функционировании системы ДЦ-Юг с РКП.

4. Акты о внедрении результатов на диспетчерских участках железных дорог ОАО «РЖД» и в учебном процессе кафедры «Автоматика и телемеханика» на железнодорожном транспорте приведены в Приложениях к диссертации.

Достоверность и обоснованность научных положений, выводов и результатов, сформулированных в диссертационной работе, подтверждаются результатами вычислительных экспериментов на практических и модельных задачах, публикациями и апробацией работы на региональных, отраслевых и внутривузовских научно-технических конференциях, а также актами внедрения результатов работы. Работа соответствует следующим пунктам специальности 05.13.06: п.6, п.12, п.14.

Реализация результатов работы. Научные результаты работы включены в НИР, выполняемые лабораторией систем диспетчерского контроля и управления РГУПС. Ряд разработок нашел свое применение в учебном процессе кафедры «Автоматика и телемеханика» на железнодорожном транспорте, а также в реализации внедренной на сети железных дорог системы ДЦ-Юг с РКП.

Апробация результатов работы. Основные положения и результаты работы докладывались и одобрены на совместном заседании кафедр «Автоматика и телемеханика на железнодорожном транспорте» и «Информатика» ФГБОУ ВПО РГУПС, четвертой, пятой научно-технической конференции «Безопасность движения поездов» (Москва 2003 г., 2004 г.), всероссийской научно-практической конференции «Транспорт-2004, 2005» (Ростов-на-Дону 2004г., 2005 г.), третьей всероссийской научно-практической конференции «НСМВ-2009» (Волгоград 2009 г.).

Публикации. По теме диссертации опубликовано 17 печатных работ, в том числе 4 работы в изданиях, входящих в список ведущих рецензируемых научных журналов и изданий ВАК.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка использованных источников и приложений. Работа содержит 179 стр., включая 31 рис., 36 табл., список использованных источников из 104 наименований работ отечественных и зарубежных авторов, 24 стр. приложений и актов о внедрении.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертационной работы, сформулированы цели и задачи исследования, дано общее описание выполненной работы.

В первой главе выполнен комплексный анализ систем управления движением поездов (СУДП) на станциях, к которым относятся: диспетчерская централизация (ДЦ), релейно-процессорная централизация (РПЦ) и микропроцессорная централизация (МПЦ). Осуществлен анализ состояния эксплуатируемых систем ЖАТ, введенных в постоянную эксплуатацию до 1990 года, которые по своему качественному уровню не

удовлетворяют современным требованиям комплексной автоматизации перевозочного процесса. Установлена необходимость внедрения микропроцессорных и релейно-процессорных электрических централизации обеспечивающих создание интегрированной системы управления движением поездов, с встроенными функциями линейного пункта диспетчерской централизации и встроенными средствами диагностики.

Обоснована необходимость разработки нового класса моделей функционирования технических средств, способных в реальном времени выявлять и идентифицировать аномальные процессы с применением методов интеллектуального анализа, алгоритмы которых должны базироваться на формализации опыта и знаний эксплуатационного штата. Предложена структурно-функциональная схема интеллектуальной системы обработки информации (ИСОИ) (рис. 1) реализующая поставленные задачи.

Показано, что аномальные процессы характеризуются, прежде всего,

работоспособность объектов контроля и управления. Примером безвредного аномального процесса может являться процесс

перехода объекта

контроля из одного состояния в другое. Примером опасного Рис. 1. Структурно-функциональная аномального процесса

схема ИСОИ может служить измене-

ние временных характеристик релейных систем, связанных со старением. При этом, хотя режим функционирования электрической цепи, в целом, не изменится, однако сама цепь будет функционировать с нарушениями требований безопасности, а при длительном сохранении тренда может привести к более серьезным последствиям. Таким образом, для надежного функционирования СУДП, требуется решить задачу идентификации таких аномальных процессов.

Рассмотрен ряд технологических процессов, для которых не применимы традиционные диагностические модели в силу того, что в таких процессах могут присутствовать аномальные события, но функционирование которых необходимо для корректной работы системы:

Обработка и анализ полученной информации адаптивными сетеыми моделями

адаптация входных данных

входная информация

ЭЙ

Анализ полученной информации экспертом

Пополнение базы знаний

- диагностирование предотказного состояния контролируемых объектов на примере системы «стрелочный перевод - электропривод» (СПЭ).

- обеспечение достоверности и защиты информационного трафика системы ДЦ-Юг с РКП от сетевых атак;

- применение средств идентификации полномочий обслуживающего персонала при доступе к ресурсам системы для повышения уровня безопасности современных СУДП;

Дано обоснование необходимости разработки нового класса сетевых моделей на базе РПС - темпоральные пирамидальные сети (ТМПС) для выявления аномалий в динамике. Структура предлагаемого расширения функционального состава СУДП представлена на рис. 2.

Рис. 2. Структура решаемых задач в ИСОИ

Во второй главе, в рамках разработки прикладного математического обеспечения диагностических систем СУДП предложен новый класс адаптивных сетевых моделей, основанный на ассоциативных темпоральных правилах описывающих динамику диагностических процессов. Разработана новая модель адаптивной темпоральной сети, а также новый метод обучения темпоральных сетевых моделей, обеспечивающий более компактное представление формализованных знаний в информационных базах.

В качестве основных элементов системы знаний выступают темпоральные ассоциативные правила (ТМП), описывающие причинно-следственные связи между символами ВР и обуславливающими их локальными темпоральными образами. Для каждого символа ВР формируется система ТМП, на основе которых можно однозначно предсказать появление данного символа во ВР в любой момент времени. В качестве средства выявления знаний предлагается использовать специальный класс темпоральных пирамидальных сетей.

Понятия, являясь основными элементами знаний БЗ, формируются в результате процессов индуктивного обобщения, под которыми понимается переход от рассмотрения единичного объекта или некоторой их совокупности к анализу общего множества, включающего эти объекты. В основе процесса обобщения лежит сравнение описаний исходных объектов, заданных совокупностью значений признаков, и выделение наиболее характерных фрагментов этих описаний.

Основными объектами диссертационного исследования в настоящей главе являются темпоральные данные, представленные символьными и числовыми временными рядами (ВР) и темпоральные ассоциативные правила. Под символьным ВР понимается упорядоченная последовательность символов из конечного множества символов (), соотнесенных

с фиксированными моментами времени дискретной временной шкалы Т, то есть:

Объектами темпоральной базы знаний является специальный класс ТМП, представляющих собой разновидность ассоциативных продукционных правил, обладающих темпоральными компонентами. ТМП описывают причинно-следственные зависимости между темпоральными образами во ВР, в частности, между отдельными символами ВР (1), рассматриваемыми в качестве элементарных темпоральных образов, и предшествующими им более сложными темпоральными структурами, представленными в виде произвольных сценариев расположения символов на временной оси.

В наиболее общем случае такая причинно-следственная связь может быть заявлена в форме продукционного правила.

"Если 0,тод"

где д — целевой символ ВР, в - описание темпорального образа, предшествующего символу д.

Задача формирования обобщенных описаний для темпоральных БЗ формулируется как задача индуктивного формирования понятий на основе обучающей выборки, представленной множеством примеров реализаций ИВП, для каждого из которых указан тип класса понятий, к которому он принадлежит.

Алгоритм функционирования темпоральной РПС отличается от стандартной процедуры наличием в нем процедуры пополнения описа-

ний, основанной на правилах логического вывода, задаваемых формулами:

х<ру,у(рг=$х<р2 х<ру,уег=>х<рг хеу,у<рг^>х<рг х<ру<?>у1<рх

При формировании темпоральной РПС процедура пополнения описаний имеет принципиальное значение, поскольку позволяет выявлять признаки, явно не присутствующие в исходных описаниях, однако играющие важную роль при разработке модифицированного алгоритма обучения.

Темпоральная пирамидальная сеть (ТМПС) является видоизмененным вариантом РПС и ориентирована на формирование обобщенных описаний для темпоральных данных. ТМПС представляет собой трехслойный сетевой граф, каждый слой вершин которого соответствует определенному уровню обобщения темпоральных данных. Первый слой ТМПС аналогичен входному слою рецепторов в РПС и соответствует значениям первичных признаков обрабатываемых сетью темпоральных

описаний, представленных в виде темпоральных отношений ^ = ЙТ*. Ассоциативные вершины второго и третьего слоев соответствуют конъюнктивным группам обобщающих и детализирующих -{&(*>) при-

1 4

знаков формируемых сетью описаний. Описания обобщенных классов явно отображаются в структуре ТМПС и записываются в виде логических формул с использованием темпоральных отношений (Р,/ = §т в

качестве переменных, а также операций конъюнкции и отрицания. Существенным отличием ТМПС от РПС является то, что множества ассоциативных вершин ТМПС по сравнению с аналогичными множествами концепторов в РПС, число которых экспоненциально возрастает с увеличением числа входных данных, существенно ограничены, а процесс обучения ТМПС, заключающийся в формировании на ее основе обобщенных описаний, осуществляется одновременно с процессом ее построения.

При формировании обобщенных признаков желательно использовать такие сочетания отношений, которые, с одной стороны, присутствуют как можно в большем числе положительных примеров описаний формируемого образа, а, с другой стороны, как можно реже встречаются среди отрицательных примеров. Такому компромиссу отвечает следующий критерий:

где - конъюнктивная группа

темпоральных отношений, соответствующая обобщающему признаку g;

Первый сомножитель критерия (3) характеризует вероятность появления обобщающего признака среди положительных примеров, второй -вероятность «непоявления» данного признака среди отрицательных примеров. Максимальное значение критерия, равное единице, имеет такая группа отношений, которая присутствует во всех положительных примерах и отсутствует в отрицательных.

Алгоритм формирования оптимального множества признаков для обобщающего слоя ТМПС (рис. 3) базируется на ряде эвристик, основанных на анализе выше приведенных количественных характеристик обобщающих признаков, в качестве которых выступают конъюнктивные группы темпоральных отношений.

( НАЧАЛО )

Обнуляем список обобщенных признаков

1

Формирование списка положительных примеров

©-» 1

выбор нового конъюнета

Добавление рецептора к списку текущей конъюнкции

вычисление функции

исключение элементов из списка

положительных примеров, покрывающих текущий конъюнктор

Рис. 3. Блок-схема алгоритма формирования обобщающих признаков

Алгоритм представляет собой итерационную процедуру формирования групп темпоральных отношений, доставляющих максимум обобщающему критерию К (4) и покрывающих все положительные примеры формируемого класса описаний. Минимизация темпоральной глубины формируемых описаний осуществляется за счет предпочтительного выбора в процессе поиска темпоральных отношений с минимальными темпоральными индексами к.

Детализирующие признаки описывают те подобласти признаковых пространств, покрываемые обобщающими признаками, в которые из-за эффекта переобобщения попали примеры «чужих» описаний. Поэтому для каждого обобщающего признака, покрывающего зону «чужих» примеров, формируется свое подмножество детализирующих признаков, позволяющих исключить эти примеры из обобщенного описания.

Пусть g - обобщающий признак (вершина ТМПС (geG)),

E~(g) = {е еЕ~/Т(g)се} - множество отрицательных примеров относительно g, E+(g) = {е* е Е* /1(g) се} • множество положительных примеров относительно g. В силу отсекающего условия для любого /-го отрицательного примера е~ eE'(g) должен найтись детализирующий признак d (вершина d е F(g)), который своим признаковым множеством включается в е~ и не включается ни в один из положительных примеров е* eE*(g). Это требование удовлетворяется тогда и только тогда,

когда для каждого из положительных примеров е] е Е* (g) в детализи-

»

рующем признаке d найдется отношение , входящее в е~ и не входящее в е*, то есть принадлежащее разности множеств е~ -е* = е~ / е*. Данному условию отвечает следующий дизъюнкт:

где <ptjk

Условие (3) должно выполняться для всех положительных примеров е* е Е* (g), чему отвечает конъюнкт:

(К VK v-viO&-&(«„ v^ (4)

Очевидно, что любая из импликант выражения (4) удовлетворяет отсекающему условию относительно отрицательного примера е~, следовательно, может быть использована в качестве детализирующего признака для 1-го отрицательного примера . Раскрыв скобки в (4) и используя закон поглощения, получаем выражение, характеризующее множество всех минимальных импликант, соответствующих минимальным детализирующим признакам (признакам с минимальным числом входящих в них отношений):

Известно, что оптимальному набору детализирующих признаков, в зависимости от выбранного критерия интерпретационной пригодности,

отвечает один из конъюнктов,

( начало}

Для каждого обобщающего признака формируем слисхи положительных и _отрицательных примеров

Для каждого отрицательного примера формируем разность множеств е; - еу в виде подматриц

Формирование формулы детализирующих признаков для текущего обобщения

("выход )

содержащий, например, минимальное число входящих в него импликант либо минимальное число всех входящих в него отношений, либо конъюнкт, содержащий отношения с минимальными темпоральными индексами. Естественно, возможны также и различные комбинации выше приведенных критериев.

Алгоритм (рис.4) представляет собой итерационную процедуру «наращивания» формируемого покрытия путем выбора на каждой итерации строки с максимальным количеством единиц в тех столбцах, которые к текущей итерации являются не покрытыми ранее сформированными строками. После того, когда все столбцы какой либо из подматриц оказываются покрытыми, соответствующая группа строк фиксируется в качестве очередного детализирующего признака и данная подматрица удаляется из исходной матрицы. Затем процедура вновь повторяется уже для сокращенной матрицы до тех пор, пока не окажутся покрытыми все ее подматрицы.

Предложенные полиномиальные алгоритмы формирования оптимальных наборов обобщенных и детализирующих признаков могут эффективно использоваться при построении адап-

Рис.4. Блок-схема алгоритма формирования детализирующих признаков

тивной сетевой модели, которая является основным инструментом формирования баз знаний в системах мониторинга и идентификации аномальных процессов.

В качестве примера приведен временной ряд в, для которого были определены обобщающие и детализирующие признаки по приведенным выше алгоритмам.

О 1 2 3 4 5 6 7 8 9 10 И 12 13 14 15 16 17 18 19 20 в=хххухууххху х у у х х х у х у у

Полученная ТМПС представляется ациклическим графом Н =<Х, Г > (рис. 5), содержащим три слоя вершин 1 = Ти(?иД. Слой Т соответствует входному множеству первичных признаков и для рассматриваемого примера представлен множеством темпоральных отношений:

X = {хтх,хт2,хту,хт\ут\ут2,ут3,ут*}.

Слой обобщающих признаков представлен множеством групп отношений:

О = {ут\утх & хт\ут2 & утг}

Слой детализирующих признаков представлен двумя признаками:

0 = {хт'&хт3}

Конъюнкт хт1 &хг3 выступает в качестве детализирующего признака для обобщающего признака ут4. Отображение Г задает структуру связей между входным слоем и двумя последующими - обобщающим и детализирующим - естественным образом. Между обобщающим и детализирующим слоем имеются две связи: связь, исходящая из обобщающего признака ут* в детализирующий признак хт2 &хт3, и связь, исходящая из обобщающего признака хт4 & дгг1 в детализирующий признак хт3.

Рис. 5. Структура ТМПС для рассматриваемого примера

Приведенная структура реализует темпоральное ассоциативное правило вывода:

ут4 & -^хг' & хт3) А ут' & хг3 Л ут2 & ут3 => X .

Рассмотренный подход к формированию ТМПС с использованием исключающих признаков и детализирующих правил расширяет общие возможности методов идентификации сложных процессов и систем и, в частности, возможности моделирования при неполных или сильно искаженных данных.

Третья глава посвящена дальнейшему развитию методов обучения ТМПС обеспечивающих более компактное представление формализованных знаний в информационных базах. Рассматривается задача получения минимальных формул представления темпоральных описаний, содержащих, по возможности, минимальные значения темпоральных индексов для входящих в формулу переменных.

Если конъюнктивные группы темпоральных отношений будут иметь минимальные темпоральные индексы, то результирующее оптимально е множество признаков автоматически будет учитывать ближайшие отсчеты и, следовательно, будет обеспечено более качественное решение. Для этого новый критерий У должен обладать следующими свойствами: J = 1, если а = Smin и J = 0, если а = Smax.

Данным условиям удовлетворяет следующее выражение:

т _ 1 а ~ ^тт

J-l~s -S ■ (5)

шах min

При этом в (5) темпоральный индекс текущего конъюнкта а может изменять свое значение от Smin до Smax. Очевидно, что каждое из значений Smin и Smax является суммой арифметических прогрессий, а именно:

d d+1

¿.Ъ+п-^т, (6)

1=1 1=1 ; (7)

ы /=/

где г,- - текущий темпоральный индекс; N - число классов переменных; с1 - результат целочисленного деления к на Ы; А - остаток от целочисленного деления к на N5 / -ширина окна.

После упрощения и соответствующих преобразований значения (6) и (7) выглядят следующим образом:

^rain -"

2

N*d*(2*l-d + l)

Sm=h*{l-d)+ 2

Упростив выражение (3), получим следующее:

min

^тах - ^

Тогда интегральный коэффициент, учитывающий как обобщающий критерий К (4), так и коэффициент минимизации темпоральных индексов будет выглядеть следующим образом:

М = К(8)

Использование интегрального критерия (8) приведенного ВР 5 и целевого символа х позволило найти следующее минимальное множество обобщающих признаков хЗ&у! и х1&уЗ, которое полностью обеспечивает разделение положительных и отрицательных примеров, эффект переобобщения отсутствует и, как следствие, детализирующие признаки тоже отсутствуют (рис. 6).

У* О

Рис. 6. Структура ТМПС для рассматриваемого примера с учетом критерия минимизации темпоральных индексов

Приведенная структура реализует темпоральное ассоциативное правило вывода:

хтг &ут1 лхг1 &ут3 => X.

В главе получило дальнейшее развитие применение классических РПС в задаче диагностирования предотказного состояния устройств СЦБ на примере диагностирования системы «стрелочный перевод - электродвигатель» и выявило их несомненные преимущества перед использованием нейронных сетей, а именно: получение результата в виде формул булевой алгебры, простоту внесения изменений, высокую ассоциативность, учет мнения экспертов.

Предложен метод идентификации полномочий оперативно-диспетчерского персонала для доступа к ресурсам системы с использованием РПС. Оператор, получающий доступ к информационной системе, вводит в систему свой биометрический образец (рис. 7). Сис-

Данныа по отпечатку

—» Выявлений Сравнение 1 Результат

особенностей 1

Езза данных отлечаггкоэ пальцев

Сметена обрабопн отпечатав» папьц«а

Регистрация Вярнфиицияш

Рис. 7. Схема биометрической системы

тема извлекает из него данные (особые точки и их параметры), сравнивает их с теми, что хранятся в базе данных, определяет степень совпадения

и делает заключение о том, удалось ли идентифицировать человека по предъявленным данным, или подтверждает, что он именно тот, за кого себя выдает.

Преимущества доступа по отпечатку пальца - простота использования, удобство и надежность. Весь процесс идентификации занимает мало времени и не требует усилий от тех, кто использует данную систему доступа. Исследования также показали, что использование отпечатка пальца для идентификации личности является наиболее удобным из всех биометрических методов. Вероятность ошибки при идентификации пользователя намного меньше в сравнении с другими биометрическими методами.

Для надежной идентификации личности вполне достаточно определить такие узловые элементы отпечатка пальца как конец гребня и бифуркация характеристики, которых используются в качестве рецепторов в РПС.

В четвертой главе изложены результаты программной реализации предложенных методов и анализ результатов моделирования.

Приведены результаты диагностирования предотказного состояния устройств СЦБ на примере диагностирования системы стрелочный перевод — электродвигатель. В качестве исходных данных использовались графики значений тока в электродвигателе СП при его переводе при наличии характерных неисправностей (рис. 8). Первоначально графические протоколы сглаживаются известными алгоритмами и аппроксимируются отрезками прямой линии. В качестве рецепторов для построения РПС используется код угла наклона отрезка прямой._

Затягивание корневого болта (КВ)

Неприлегание остряков к башмакам (N0)

Зазор в пятке пера на одном остряке £01)

Рис. 8. Основные типы неисправности системы СПЭ

Фрагмент сформированной РПС представлен на рис. 9. Размер сети составляет 251 элемент, цветом выделены контрольные вершины (КВ) соответствующих классов. Анализ структуры полученной РПС позволяет сделать вывод о возможности априорной диагностики ЖАТ. Полному отказу соответствует возбуждение вершин верхнего слоя сети (КВ, N0, 201) в результате возбуждения всех контрольных вершин понятия, входящих в их субмножество. Частичное же возбуждение контрольных вершин позволяет выявить предрасположенность к неисправности. Таким образом, чем больше контрольных вершин понятий будет возбужде-

но, тем с большей вероятностью можно говорить о скором наступлении того или иного типа неисправности.

Рис. 9. РПС диагностирование предотказных состояний системы «стрелочный перевод - электродвигатель»

Исследовано влияние количества градаций угла наклона, аппроксимирующих отрезков прямой линии, на точность распознавания класса отказа системы СПЭ. Анализ результатов работы сети позволяет сделать вывод о том, что даже в случае использования простейших моделей формирования рецепторов РПС удается получить приемлемые решения распознавания неисправности СПЭ (табл. 1).

Таблица 1.

Тип неисправности Распознавание неисп равностей в вариантах

-1,0,1 -2,...Д...,2 -3,...,0,...,3 -4,-0.....4

КВ Правильно 100,00 100,00 0,00 66,67

Неправильно 0,00 0,00 66,67 0,00

Неопределенно 0,00 0,00 33,33 33,33

КГ 29 16 26 26

N0 Правильно 100,00 100,00 33,33 33,33

Неправильно 0,00 0,00 0,00 0,00

Неопределенно 0.00 0.00 66.67 66,67

КГ 15 92 261 85

Ю\ Правильно 100,00 66,67 66,67 0,00

Неправильно 0,00 33,33 33,33 100,00

Неопределенно 0,00 0,00 0,00 0,00

КГ 15 81 259 79

По всем классам Правильно 100,00 90,00 33,33 33,33

Неправильно 0,00 10,00 33,33 33,33

Неопределенно 0,00 0,00 33,33 33,33

Одним из слабых мест всех компьютерных систем ДЦ является наличие шлюза для взаимодействия со сторонними системами, который может использоваться злоумышленниками для того чтобы замедлить или заблокировать работу системы. Субъект должен захватить имеющиеся в распоряжении системы ресурсы и добиться отказа в доступе всех запросов - как рабочих (положительных), так и аномальных (вредоносных). Анализ протоколов показывает, что вредоносные запросы по своей интенсивности не превышают трафик системы, а в большинстве случаев даже существенно уступают рабочим (рис. 10).

¡ЕЯаз Рабочий запрос СИЗ Аномальный запрос —— Общий трафик |

Рис. 10. Фрагмент сетевого трафика системы ДЦ-Юг с РКП

Дано описание метода обнаружения атаки на систему ДЦ-Юг с РКП на базе РПС, который обеспечивает идентификацию атаки и ее дальнейшее пресечение в кратчайшие сроки. РПС обучается на положительных и отрицательных примерах работы сети и таким образом, формируются понятия нормальной работы сети и процесса атаки. В качестве иллюстрации была выполнена проверка работы модели сети на тестовом примере, состоящем из 6259 сообщений, и были сформированы формулы представления классов понятий:

КЛАСС-> "х"

php3 □ 1 & "GET & HTTP & 0" & exe & c+dir }

KJIACC-> "y"

"GET & HTTP & 1 & 0" & exe & c+dir

Численные результаты работы представлены в табл.2.

Таблица 2.

Сообщения X У По всем классам

Кол-во % Кол-во % Кол-во %

Распознанные 5739 100.00 445 85.58 6184 98.80

Нераспознанные 0 0.00 72 13.85 72 1.15

Неопределенные 0 0.00 3 0.58 3 0.05

Всего 5739 100.00 520 100.00 6259 100.00

В главе показано, что предложенная модель работает достаточно эффективно. Из сетевого трафика было идентифицировано 98,80 % сообщений. Для улучшения показателей работы модели, нераспознанные и неопределенные сообщения должны быть проанализированы экспертом и добавлены в обучающую выборку, что позволит свести показатели нераспознанных ситуаций к минимуму.

При выполнении своих функций диспетчерский персонал, в силу сложившихся обстоятельств, прибегает к реализации «ответственных» команд телеуправления, реализация которых будет выполняться после подтверждения прав персонала путем его идентификации по биометрическим характеристикам. Для удобства работы сканер отпечатков пальцев вмонтирован непосредственно в функциональную клавиатуру.

Приведена процедура работы алгоритма идентификации, которая происходит следующим образом. По значениям характеристических элементов отпечатков диспетчерской смены, которые используются в качестве обучающей выборки, строится РПС и находятся контрольные вершины. Результаты, а именно структура РПС, запоминается в базе данных. Особенностью предложенного варианта идентификации является то, что алгоритм распознавания отпечатков функционирует при условии сравнения одного отпечатка из 3-5 отпечатков, в зависимости от количества человек в смене участка, в то время как остальные алгоритмы заточены на распознавание одного из тысячи или миллиона. Это дает возможность сократить время идентификации. Результаты распознавания отпечатков диспетчерской смены, состоящей из 3-х человек ДНЦ1-ДНЦЗ, представлены (табл. 3).

Таблица 3.

Качество иденти-фицикации Диспетчерская смена участка (результаты идентификации, %)

ДНЦ1 ДНЦ2 днцз По всем

Правильно 100.00 87.50 93,33 93,48

Неправильно 0.00 12.50 6,67 6,52

Неопределенно 0.00 0.00 0.00 0.00

Примерами опасного аномального процесса может служить не только установка перемычки в релейные схемы, но и ухудшение, вызванное старением аппаратуры, технических характеристик, приводящее к изменению временной последовательности срабатывания реле. При этом результат функционирования электрической цепи, в целом не изменится, однако сама цепь будет функционировать с нарушениями требований безопасности, а при длительном сохранении тренда может привести к более серьезным последствиям.

Приведенные результаты испытаний функционирования программного комплекса на тестовой последовательности по двум алгоритмам позволяет сделать выводы:

— все полученные результирующие формулы достаточно адекватно описывают функционирование модели открытия светофора Ч;

- введение критерия минимизации темпоральных индексов позволяет получить более качественный результат.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. В рамках разработки прикладного математического обеспечения диагностических подсистем систем управления движением поездов предложен новый класс адаптивных сетевых моделей, ориентированных на использование в задачах идентификации аномальных процессов, включая контроль и диагностику технических средств.

2. Разработана новая модель адаптивной темпоральной сети в качестве средства выявления ассоциативных темпоральных правил из динамических данных для формирования баз знаний интеллектуальных диагностических подсистем систем управления движением поездов.

3. Разработан новый метод обучения темпоральных сетевых моделей, обеспечивающий, за счет использования двух классов обобщающих и детализирующих признаков, более компактное представление формализованных знаний в информационных базах по сравнению с известными методами.

4. Предложен метод решения задач оперативной диагностики предотказного состояния устройств ЖАТ с использованием аппарата растущих пирамидальных сетей, что создает предпосылки перехода от «констатирующей факт отказа» к «управляющей» диагностике.

5. Для адаптивных сетевых моделей предложен новый метод реализации темпоральных обобщений в динамических данных, позволяющий обеспечить более компактное представление формализованных знаний в информационных базах систем управления движением поездов.

6. Для повышения уровня защиты информации и программного обеспечения системы ДЦ-Юг с РКП предложена сетевая модель идентификации аномальных сообщений в сетевом трафике.

7. Предложено для идентификации полномочий диспетчерского персонала применять биометрические методы, в качестве которых ис-

пользуется отпечаток пальца, что позволит упростить доступ к ресурсам системы и значительно сократить время распознавания.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИОННОЙ РАБОТЫ

Публикации в изданиях, рекомендованных ВАК:

1. Долгий И.Д. Кулькин А.Г., Кулькин С.А. Обеспечение информационной безопасности систем ДЦ // Автоматика, связь, информатика, 2009.-№4.-С. 10-13.

2. Долгий И.Д., Ковалев С.М., Кулькин С.А. Оптимизация темпоральных сетевых моделей в базах данных временных рядов // Вестник РГУПС, 2010. - № 3. - С. 78-82.

3. Ковалев С.М., Кулькин С.А., Терновой В.А. Формирование темпоральных сетевых моделей на основе графовых покрытий // Известия Южного федерального университета. Технические науки, 2010. Т 113. — № 12. -С.71-76.

4. Долгий И.Д., Кулькин С.А. Методы повышения защиты информационного и программного обеспечения системы ДЦ-Юг с РКП // Изв. ВолгГТУ. Серия /Актуальные проблемы управления, вычислительной техники и информатики в технических системах/: межвуз. сб. науч. ст/. -Волгоград: ВолгГТУ, 2011.-Вып. 10.-№3(76).-С. 129-132.

Другие издания:

5. Кулькин А.Г. Кулькин С.А., Швалов Д.В. Операционная система реального времени для современных систе'м управления движением поездов // Международный межвузовский сборник научных трудов «Перспективные технологии и технические средства управления движением поездов на железнодорожном транспорте». - Ростов н/Д: 2000. -С.121-125.

6. Иванов P.A., Кулькин С.А. Программные средства центрального поста диспетчерской централизации ДЦ-ЮГ с РКП // Международный межвузовский сборник научных трудов «Перспективные технологии и технические средства управления перевозками на железнодорожном транспорте». - Ростов н/Д: 200». - С. 41-45

7. Кулькин С.А. Информационная безопасность в системах диспетчерского контроля и управления // Международный межвузовский сборник научных трудов «Актуальные проблемы развития технических средств и технологий железнодорожной автоматики и телемеханики». -». - Ростов н/Д: РГУПС, 2003. - С. 17-21.

8. Кулькин С.А., Скопин A.A., Хатламаджиян А.Е. Особенности реализации ответственных команд в системе «ДЦ-ЮГ с РКП» // Труды четвертой научно-технической конференции «Безопасность движения поездов» - Москва, 2003. - С. II-24.

9. Кулькин А.Г., Кулькин С.А. Применение биометрических методов идентификации в системах диспетчерской централизации // Труды

всероссийской научно-практической конференции «Транспорт - 2004». -Ростов н/Д: 2004.

10. Кулькин С.А. Идентификация диспетчерского персонала в системах диспетчерской централизации //Труды 5-й научно-практической конференции «Безопасность движения поездов». - Москва: МИИТ, 2004. -С. II-11 -11-12.

11. Кулькин С.А. Требования по классам защищенности, предъявляемые микропроцессорным системам диспетчерской централизации // Международный межвузовский сборник научных трудов «Актуальные проблемы развития средств железнодорожной автоматики и телемеханики и технологий управления движением поездов». — Ростов н/Д: 2004. — С. 11-16.

12. Кулькин С.А. Проблемы биометрической идентификации оперативно-диспетчерского персонала // Сборник докладов 3-й Межведомственной научно-практической конференции «ТелекомТранс-2005» — Сочи: 2005. -С. 345-346.

13. Ковалев С.М., Кулькин С.А. Идентификация диспетчерского персонала в системах диспетчерской централизации на базе метода растущих пирамидальных сетей // Труды всероссийской научно-практической конференции «Транспорт-2005». 4.1 - Ростов н/Д: РГУПС, 2005.-С. 17-18.

14. Долгий И.Д. Кулькин А.Г., Кулькин С.А. Идентификация диспетчерского персонала по отпечатку пальца: выявление характерных особенностей // Труды РГУПС, 2005. -№ 1. -С. 57-63.

15. Долгий И.Д., Кулькин А.Г., Кулькин С.А. Контроль доступа к информационным ресурсам системы «ДЦ-ЮГ С РКП» // Труды РГУПС, 2007.-№4.-С. 5-8.

16. Долгий И.Д., Ковалев С.М., Кулькин А.Г., Кулькин С.А. Применение растущих пирамидальных сетей для решения задач классификации, прогнозирования и диагностики в системах диспетчерского контроля и управления // Труды РГУПС, 2008.-№2.-С. 5-11.

17. Долгий И.Д. Ковалев С.М., Кулысин А.Г., Кулькин С.А. Модель диагностирования стрелочного привода на основе последовательной растущей пирамидальной сети 2009 // Нечеткие и мягкие вычисления: сб. ст. Третей Всероссийской научной конференции: Т.1. - Волгоград: ВГТУ, 2009. - С.143-151.

Кулькнп Станислав Александрович

ИДЕНТИФИКАЦИЯ АНОМАЛЬНЫХ ПРОЦЕССОВ В УСТРОЙСТВАХ ЖЕЛЕЗНОДОРОЖНОЙ АВТОМАТИКИ И ТЕЛЕМЕХАНИКИ НА ОСНОВЕ АДАПТИВНЫХ СЕТЕВЫХ

МОДЕЛЕЙ

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

Автореферат диссертации на соискание ученой степени кандидата технических наук

Подписано к печати 27. 05 2011 г. Формат бумаги 60x84/16 Бумага офсетная. Печать офсетная. Усл. печ. л. 1,4 Уч-изд. л. 1. Тираж 100. Заказ № 5602. Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования Ростовский государственный университет путей сообщения

Адрес университета: 344038, г. Ростов-на-Дону, пл. Ростовского Стрелкового полка народного ополчения, д. 2

Оглавление автор диссертации — кандидата технических наук Кулькин, Станислав Александрович

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИЗ ОБЪЕКТА ИССЛЕДОВАНИЯ И МЕТОДОВ ВЫЯВЛЕНИЯ АНОМАЛЬНЫХ ПРОЦЕССОВ В СИСТЕМАХ УПРАВЛЕНИЯ ДВИЖЕНИЕМ ПОЕЗДОВ.

1.1. Системы управления движением поездов.

1.2. Развитие функционального состава СУДП.

1.3. Аномальные процессы в системах управления.

1.4. Выбор сетевых моделей для решения задач ИСОИ.

1.5. Выводы.

ГЛАВА 2. ТЕМПОРАЛЬНЫЕ СЕТЕВЫЕ МОДЕЛИ КАК ИНСТРУМЕНТ ИДЕНТИФИКАЦИИ ВРЕМЕННЫХ ПРОЦЕССОВ И ФОРМИРОВАНИЯ БАЗ ЗНАНИЙ ДЛЯ ИНТЕЛЛЕКТУАЛЬНЫХ МОНИТОРИНГОВЫХ СИСТЕМ.

2.1. Постановка проблемы.

2.2. Общее представление темпоральной сети.

2.3. Частная модель представления темпоральной адаптивной сети.

2.4. Методы оптимизации темпоральных сетевых моделей.

2.5. Выводы.

ГЛАВА 3. ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ АДАПТИВНЫХ СЕТЕВЫХ МОДЕЛЕЙ.

3.1. Оптимизация обобщающего критерия с учетом коэффициента минимизации темпоральных индексов.

3.2. Методология применения РПС для решения задач в СУДП.

3.3. Метод идентификации полномочий оперативного персонала в системах управления движением поездов.

3.4. Выводы.Ill

ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ ТЕОРЕТИЧЕСКИХ РАЗРАБОТОК И ОЦЕНКА ИХ ЭФФЕКТИВНОСТИ.

4.1. Диагностирование предотказного состояния системы «стрелочный перевод - электродвигатель».

4.2. Защита информации и программного обеспечения системы ДЦ-Юг с РКП.

4.3. Результаты идентификации диспетчерского персонала по его биометрическим характеристикам.

4.4. Применение ТМПС для задачи контроля правильности функционирования релейных систем ЭЦ.

4.5. Выводы.

Введение 2011 год, диссертация по информатике, вычислительной технике и управлению, Кулькин, Станислав Александрович

Актуальность темы исследования

В соответствии с Постановлением Правительства РФ от 15 июля 2010 г. № 525 «Об утверждении технического регламента о безопасности инфраструктуры железнодорожного транспорта» [1] (ТР), в частности п. 34: б - «. непрерывный контроль технического состояния устройств сигнализации, централизации и блокировки на станциях и перегонах.»; в -«. выполнение требуемой последовательности взаимозависимых операций.»; д - «. обеспечение контроля предотказного состояния устройств железнодорожной автоматики и телемеханики.», необходимо использовать передовые инновационные технологии и современные технические средства, обеспечивающие требуемые уровни безопасности и надежности, а также расширенные функциональные возможности систем управления по сравнению с существующими релейными аналогами.

На заседании правления ОАО «РЖД» (октябрь 2010 г.) по рассмотрению методов повышения надежности работы технических средств и обеспечению безопасности движения в качестве приоритетных на 2011 год были определены следующие задачи: проведение системного анализа причин отказов; совершенствование методов расследования, учета и принятия мер по предупреждению аварийности; повышение качества ремонта объектов инфраструктуры за счет совершенствования технологических процессов; ужесточение требований к качеству поставляемой продукции; выделение приоритетов в инвестиционных программах для обеспечения высокого уровня безопасности движения.

Один из путей решения поставленных задач - внедрение микропроцессорных и релейно-процессорных электрических централизаций, наиболее полно отвечающих задачам создания интегрированной системы управления движением поездов со встроенными функциями линейного пункта диспетчерской централизации и средствами диагностики. Такое решение позволит не только сократить затраты и время на внедрение (поскольку избавит от необходимости установки сторонних диагностических систем), но и ускорит процесс пусконаладки.

В данной работе поставлена задача развития функциональных и интеллектуальных возможностей диагностирования системы диспетчерской централизации ДЦ-Юг с РКП и релейно-процессорной централизации РПЦ-ДОН с применением нового подхода, базирующегося на методах искусственного интеллекта.

Новизна и актуальность постановки задачи диссертационного исследования состоит в разработке методов исследования мониторинговых и диагностических функций систем управления движением поездов (СУДП), а также методов идентификации аномальных процессов в них.

Степень разработанности проблемы. Постановке перечисленных в диссертации задач предшествовали многочисленные теоретические исследования, труды и практические разработки ученых и специалистов в России и за рубежом.

Проблемы развития железнодорожного транспорта, ориентирующие разработчиков на поиск инноваций и учет экономических критериев, поставлены и освещены в многочисленных работах С.Е. Ададурова, В.А. Гапановича, В.М. Кайнова, В.И. Колесникова, В.И. Якунина.

Решению важных теоретических и практических вопросов создания современной технологии управления, исследования и моделирования сложных объектов и процессов, анализа и синтеза устройств автоматики и телемеханики, разработке многофункциональных микропроцессорных систем, их программного обеспечения и диагностики, формирования технической политики и стратегии дальнейшего развития систем железнодорожной автоматики и телемеханики (СЖАТ) посвящены работы

A.Н. Гуды, И.Д. Долгого, Ю.И. Жаркова, В.Н. Иванченко, А.И. Каменева, Ю.А. Кравцова, E.H. Розенберга, В.В. Сапожникова, Вл.В. Сапожникова, Д.В. Шалягина Д.В., Швалова и др.

В настоящей работе анализируются и развиваются подходы к интеллектуализации процессов диагностирования, идентификации сложных процессов управления, изложенные в работах JI.C. Берштейна, В.Н. Вагина,

B.П. Гладуна, С.М. Ковалева, H.H. Лябаха, Д.А. Поспелова, В.Б. Тарасова, А.Н. Шабельникова и др.

Вместе с тем реализация предлагаемых в анализируемых источниках методов описания технологических процессов, автоматизации диагностирования и мониторинга устройств сигнализации, централизации, блокировки (СЦБ) требует: развития имеющихся теоретических и методических результатов формализованных процедур моделирования и принятия решений; разработки информационного, технического и алгоритмического обеспечения развития.

Цель диссертационного исследования — разработка методов идентификации, мониторинга, диагностирования и защиты, обеспечивающих расширение функциональных возможностей СУДП, в частности диспетчерской централизации ДЦ-Юг с РКП и релейно-процессорной централизации РПЦ-ДОН, и создание в их составе многофункциональной интеллектуальной подсистемы, реализующей задачи диагностирования предотказного состояния объектов контроля, выявления аномалий в технологических процессах.

Для достижения этого в диссертации были поставлены и решены следующие задачи:

- дано обоснование основных направлений развития СУДП и анализ актуальных путей расширения их функциональных возможностей;

- разработана новая динамическая модель интерпретации сложных отказов железнодорожной автоматики и телемеханики в виде темпоральных пирамидальных сетей (ТМПС);

- разработан метод идентификации полномочий оперативно-диспетчерского персонала для доступа к ресурсам систем управления;

- разработан метод диагностирования предотказного состояния устройств ЖАТ с применением аппарата растущих пирамидальных сетей на примере системы «стрелочный перевод - электродвигатель»;

- разработана модель выявления аномальных сообщений в сетевом трафике СУДП с целью повышения защиты информации и программного обеспечения.

Объектом исследования диссертации являются методы контроля, диагностики и мониторинга сложных технологических объектов и процессов на основе использования интеллектуальных классов адаптивных сетевых моделей.

Методы исследования. Для решения поставленных задач использовались следующие методы исследований: элементы теории множеств, элементы теории графов, элементы темпоральной логики, элементы теории растущих пирамидальных сетей.

Научная новизна диссертационной работы состоит в следующем:

1. Обоснована возможность применения растущих пирамидальных сетей в качестве интеллектуальной модели поддержки процессов диагностирования устройств ЖАТ в составе СУДП, позволяющей устанавливать предотказные состояния технических средств.

2. Разработан новый класс адаптивных сетевых моделей для выявления аномальных процессов в динамических базах данных диагностических систем.

3. Предложен новый метод реализации темпоральных обобщений в динамических базах данных, позволяющий обеспечить более компактное представление формализованных знаний в информационных базах систем управления движением поездов.

4. Для СУДП разработаны следующие модели: модель диагностирования предотказного состояния устройств ЖАТ (на примере идентификации неисправностей стрелочного привода), основанная на применении аппарата растущих пирамидальных сетей к задачам железнодорожного транспорта;

- модель идентификации полномочий диспетчерского персонала по его биометрическим характеристикам для допуска к ресурсам систем диспетчерского управления.

Практическая ценность диссертационной работы заключается в следующем:

1. Разработаны методы и модели, обеспечивающие решение задач диагностирования предотказного состояния устройств ЖАТ и выявления аномалий в технологических процессах.

2. Разработаны методы, модели и алгоритмы идентификации полномочий оперативно-диспетчерского персонала для доступа к ресурсам систем диспетчерского управления.

3. Разработаны методы, модели и алгоритмы идентификации «сетевых атак» при функционировании системы ДТД-Юг с РКП.

4. Акты о внедрении результатов на диспетчерских участках железных дорог ОАО «РЖД» и в учебном процессе кафедры «Автоматика и телемеханика на железнодорожном транспорте» приведены в Приложениях к диссертации.

Достоверность и обоснованность научных положений, выводов и результатов, сформулированных в диссертационной работе, подтверждаются результатами вычислительных экспериментов на практических и модельных задачах, публикациями и апробацией работы на региональных, отраслевых и внутривузовских научно-технических конференциях, а также актами внедрения результатов работы. Работа соответствует следующим пунктам 6, 12, 14 специальности 05.13.06.

Реализация результатов работы. Научные результаты работы включены в НИР, выполняемые лабораторией систем диспетчерского контроля и управления РГУПС. Ряд разработок нашел свое применение в учебном процессе кафедры «Автоматика и телемеханика на железнодорожном транспорте», а также в реализации внедренной на сети железных дорог системы ДЦ-Юг с РКП.

Апробация результатов работы. Основные положения и результаты работы докладывались и одобрены на совместном заседании кафедр «Автоматика и телемеханика на железнодорожном транспорте» и «Информатика» ФГБОУ ВПО РГУПС, четвертой, пятой научно-технических конференцях «Безопасность движения поездов» (Москва, 2003 г., 2004 г.), всероссийских научно-практических конференциях «Транспорт-2004, 2005» (Ростов-на-Дону, 2004 г., 2005 г.), третьей всероссийской научно-практической конференции «НСМВ-2009» (Волгоград, 2009 г.).

Публикации. По теме диссертации опубликовано 17 печатных работ, в том числе 4 работы в изданиях, входящих в список ведущих рецензируемых научных журналов и изданий ВАК.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка использованных источников и приложений. Работа содержит 179 стр., включая 31 рис., 36 табл., список использованных источников из 104 наименований работ отечественных и зарубежных авторов, 24 стр. приложений и актов о внедрении.

Заключение диссертация на тему "Идентификация аномальных процессов в устройствах железнодорожной автоматики и телемеханики на основе адаптивных сетевых моделей"

4.5. Выводы

1. Выполненные экспериментальные исследования показали эффективность введения нового критерия минимизации темпоральных индексов, что позволяет получать более компактное выражение. Дальнейшее развитие теории и методов применения ТМПС может обеспечить решение задач контроля правильности функционирования релейных устройств железнодорожной автоматики на всем протяжении их жизненного цикла.

2. Предложенный метод решения задач оперативной диагностики предотказного состояния устройств железнодорожной автоматики и телемеханики на примере идентификации неисправностей в системе СПЭ с использованием РПС создает предпосылки перехода от «констатирующей факт отказа» к «управляющей» диагностике, переводящей контролируемое устройство в безопасное состояние.

3. Анализ изменения сетевого трафика не всегда позволяет вовремя определиь угрозу сетевой атаки. Для повышения уровня защиты информации и программного обеспечения системы ДЦ-Юг с РКП предложена сетевая модель идентификации аномальных сообщений в сетевом трафике.

ЗАКЛЮЧЕНИЕ

В результате выполненных теоретических и практических исследований по теме диссертационной работы реализованы следующие научные и практические положения.

Новейшие системы управления движением поездов должны быть комплексными и иметь свою встроенную систему диагностики. Такое решение позволит не только сократить затраты и время на внедрение, поскольку избавит от необходимости установки сторонних диагностических систем, но и ускорит процесс внедрения и пусконаладки, ввиду отсутствия необходимости выполнять процесс стыковки между системами и разработки общих протоколов.

Средства диагностики таких систем должны базироваться на новом классе моделей, задачей которых будет являться выявление и идентификация аномальных процессов в устройствах контроля и управления. Это позволит выполнять анализ информации и параметров ОК как в масштабе реального времени, так и в любое другое время, производя ана из протоколов, и создать базу для решения задач «управляющей» диагностики.

Для выявления причин неисправностей ОК необходимо, чтобы алгоритмы функционирования ИСОИ обеспечивали формализацию опыта и знаний эксплуатационного штата и позволяли в реальном времени осуществлять непрерывное диагностирование и прогнозирование выхода из строя контролируемых устройств. Такое можно осуществить с использованием инструментов и средств, использующих сетевые модели.

В результате анализа возможностей и достоинств ИНС и РПС в качестве инструмента для создания ИСОИ в качестве предпочтительных сетевых моделей были выбраны РПС. В отличие от ИНС РПС обладают иерархичностью, позволяющей естественным образом отображать структуру составных объектов и родовидовые связи; выделенные в РПС обобщенные знания могут быть явно представлены в виде правил, или понятий, или формул булевой алгебры, что дает возможность применения их в микропроцессорной технике.

Для выявления аномалий в динамике необходимо разработать новый класс сетевых моделей на базе РПС - темпоральные пирамидальные сети (ТМПС). Это связано с тем, что все разработанные сетевые модели -статические и не справляются с обработкой динамических процессов.

В рамках разработки прикладного математического обеспечения диагностических подсистем СУДП предложен новый класс адаптивных сетевых моделей, основанный на ассоциативных темпоральных правилах, описывающих динамику диагностических процессов.

Разработана новая модель адаптивной темпоральной сети в качестве средства выявления ассоциативных темпоральных правил из динамических данных для формирования баз знаний интеллектуальных диагностических систем.

Разработан новый метод обучения темпоральных сетевых моделей, обеспечивающий за счет использования двух классов обобщающих и детализирующих признаков более компактное представление формализованных знаний в информационных базах по сравнению с известными методами и позволяющий адаптировать диагностические процедуры к изменяющимся аномальным процессам.

При формировании оптимального множества признаков для обобщающего слоя ТМПС использование только обобщающего критерия не всегда позволяет получить более качественное решение. Если конъюнктивные группы темпоральных отношений будут иметь в своем составе минимальные темпоральные индексы, то результирующее оптимальное множество признаков автоматически будет учитывать ближайшие отсчеты и, следовательно, будет обеспечено более качественное решение.

Применение механизма РПС для решения задач оперативной диагностики устройств железнодорожной автоматики и телемеханики выявляет их несомненные преимущества, а именно получение результата в виде формул булевой алгебры, простоту внесения изменений, высокую ассоциативность, учет мнения экспертов.

Применение для идентификации полномочий диспетчерского персонала биометрических методов, в качестве которых используется отпечаток пальца, позволяет упростить доступ к ресурсам системы и значительно сократить время распознавания. Использование таких узловых элементов отпечатка, как конец гребня и бифуркация, позволит достаточно надежно обеспечить идентификацию оперативного персонала.

Выполненные экспериментальные исследования показали эффективность введения нового критерия минимизации темпоральных индексов, что позволяет получать более компактное выражение. Дальнейшее развитие теории и методов применения ТМПС может обеспечить решение задач контроля правильности функционирования релейных устройств железнодорожной автоматики на всем протяжении их жизненного цикла.

Предложенный метод решения задач оперативной диагностики предотказного состояния устройств железнодорожной автоматики и телемеханики на примере идентификации неисправностей в системе СПЭ с использованием РПС создает предпосылки перехода от «констатирующей факт отказа» к «управляющей» диагностике, переводящей контролируемое устройство в безопасное состояние.

Анализ изменения сетевого трафика не всегда позволяет вовремя определиь угрозу сетевой атаки. Для повышения уровня защиты информации и программного обеспечения системы ДЦ-Юг с РКП предложена сетевая модель идентификации аномальных сообщений в сетевом трафике.

Библиография Кулькин, Станислав Александрович, диссертация по теме Автоматизация и управление технологическими процессами и производствами (по отраслям)

1. «Технический регламент о безопасности инфраструктуры железнодорожного транспорта» Постановление Правительства Российской Федерации от 15 июля 2010 г. № 525.

2. Автоматика и телемеханика на железнодорожном транспорте // Газета «Содружество», сентябрь 2010 г. № 18 (273).

3. Митрохин Ю.В. Реализация принципа постоянного улучшения инновационных процессов ЖАТ // Сборник докладов пятой международной научно-практической конференции «Автоматика и телемеханика на железнодорожном транспорте», 2010. С. 20-21.

4. Гавриков В. О., Никифоров H.A. Микропроцессорная система диспетчерской централизации «Тракт» // Автоматика, телемеханика и связь. 1999. №3. с. 23-25.

5. Никитин С.М. АРМ поездного диспетчера ДЦ «Сетунь» // Автоматика, связь, информатика. 2007. № 1. С. 20-23.

6. Кравцов Ю.А., Нестеров В.Л., Лекута Г.Ф. и др. Системы железнодорожной автоматики и телемеханики. М.: Изд-во «Транспорт», 1996. С. 400.

7. Долгий И.Д., Кулькин А.Г., Пономарев Ю.Э., Кузнецов Л.П. Диспетчерская централизация ДЦ-Юг с распределенными контролируемыми пунктами // Автоматика, связь, информатика. 2002. № 8. С.2-5.

8. Шалягин Д.В., Камнев В.А., Крылов А.Ю. Система диспетчерского управления «Диалог» // Автоматика, телемеханика и связь. 1996. № 9. С. 1617.

9. Яценко В.В. ЭЦ-ЕМ четыре года эксплуатации // Автоматика, связь, информатика. 2005. № 10. С. 2-4.

10. Алешин В.Н. Этапы создания и внедрения МПЦ Ebiloc-950 // Автоматика, связь, информатика. 2005. № 12. С. 26-29.

11. Смагин Ю., Шатковский О. Расширение функциональности системы МПЦ-МЗ-Ф на базе универсальных модульных систем сбора информации и управления // Современные технологии автоматизации. 2008. № 4. С. 50-54.

12. Тильк И.Г., Ляной В.В., Абакумов М.В. Система микропроцессорной централизации МПЦ-И // Железные дороги мира. 2007. № 1. С. 63-66.

13. Микропроцессорная система электрической централизации МПЦ-2 системы и средства автоматизации // Наука и транспорт. 2009 С. 22-23.

14. Никитин А.Б., Бушуев С.В., Валиев Р.Ш., Воронин С.Ю., Идуков А.Ю. Структура и технические средства ЭЦ-МПК // Автоматика, связь, информатика. 2006. № 8. С. 2-5.

15. Крылов А.Ю., Колочко А.Н., Гуменников В.Г., Кудрявцев С.П., Соловьев А.И. Микропроцессорная централизация стрелок и сигналов «Диалог» // Автоматика, связь, информатика. 2005. № 12. С. 30-33.

16. Каменев А.И., Долгий И.Д., Кулькин А.Г. Система управления малыми станциями РПЦ-ДОН // Автоматика, связь, информатика. 2007. № 5. С. 5-7.

17. Зорин В.И., Воронин В.А. и др. Микропроцессорная система автоблокировка с централизованным размещением аппаратуры АБТЦ-М // Автоматика, связь, информатика. 2003. № 9. С. 8-10.

18. Бершадская Т.Н. Отечественная микропроцессорная система ЭЦ-ЕМ/АБТЦ-ЕМ // Автоматика, связь, информатика. 2005. № 12. С. 24-25.

19. Алешин В.Н. Микропроцессорная централизация стрелок и сигналов Ebilock-950 // Автоматика, связь, информатика. 2003. № 1. С. 13-17.

20. Регер И.И., Шарафетдинов И.Г. Красноярск-Восточный: высокотехнологичный комплекс по переработке вагонов // Железнодорожный транспорт. 2010. № 8. С. 32-33.

21. Зорин В.И., Шухина Е.Е., Титов П.В. Микропроцессорные локомотивные системы обеспечения безопасности движения поездов нового поколения // Железные дороги мира. 2003. № 7.

22. Розенберг В.И., Талалаев В.И., Шаманов В.И. Технико-экономическая эффективность многоуровневой системы управления и обеспечения безопасности движения поездов: монография. М.: Изд-во ВНИИАС, 2004. -121с.

23. Павлов A.C., Шабуров С.П. ДЦ «ТРАКТ»: расширение функциональных возможностей // Автоматика, связь, информатика. 2005. № 12. С. 34.

24. Масайтис Ю.Л., Морозов С.С. Автоматизированная система диспетчерского контроля // Автоматика, телемеханика и связь. 1996. № 9. С. 32-33.

25. Чернин М.А., Протопопов О.В. Автоматизированная система диспетчерского контроля // Автоматика, телемеханика и связь. 1999. № 10. С. 48.

26. Гриненко A.B., Пресняков А.И., Варченко В.И. Основные принципы построения диспетчерской системы в АПК-ДК // Автоматика, связь, информатика. 2000. № 9. С. 16-18.

27. Горбунов Б.Л. Аппаратные средства диспетчерского комплекса АПК-ДК // Автоматика, связь, информатика, 2000. №9. с. 19-21.

28. Аверкиев С.А., Морозов С.С. Автоматизированная система диспетчерского контроля АСДК «ГТСС-СЕКТОР» // Автоматика, связь, информатика. 2000. № 9. С. 38-41.

29. Аверкиев С.А., Морозов С.С., Мухин В.В. Автоматизированная система диспетчерского контроля «ГТСС-СЕКТОР» // Автоматика, связь, информатика. 2001. № 10. С. 30-32.

30. Сапожников B.B. Микропроцессорные системы централизации: учебник. М.: УМЦ ЖДТ, 2008. С. 398.

31. Сидорова E.H. Автоматизированные системы управления в эксплуатационной работе: учебник. М.: Маршрут, 2005. С. 560.

32. Системы автоматики и телемеханики на железных дорогах мира // учебное пособие для вузов ж.-д. транспорта под. ред. Г. Тега, С. Власенко. -М.: Интекст, 2010. 496 с.

33. Рогачева И.Л. Эксплуатация и надежность систем электрической централизации нового поколения: учеб. пособие. М.: Маршрут, 2006. 220 с.

34. Дмитриенко И.Е., Сапожников В.В., Дьяков Д.В. Измерения и диагностирование в системах железнодорожной автоматики, телемеханики и связи: учебник для вузов ж.-д. транспорта. М.: Транспорт, 1994. 263 с.

35. Кудрявцев В.В. Автоматизированная система учета отказов устройств автоматики, связи и работы средств контроля подвижного состава // Автоматика, связь, информатика. 2000. № 5. С. 13-15.

36. Пальчик JI.B., Швалов Д.В. Автоматизация процессов определения технического состояния устройств электрической централизации // Автоматика, связь, информатика. 2000. № 5. С. 36-37.

37. Кораблев Е.А., Донцов В.К. Микропроцессорная система технической диагностики электрической централизации крупной станции // Автоматика, телемеханика и связь. 1992. № 7. С. 7-10.

38. Андреевских A.B., Байдуж А.Н., Доманский В.Т., Киненеев И.И. Микропроцессорная система контроля состояния устройств СЦБ // Автоматика, телемеханика и связь. 1991. № 2. С. 9-11.

39. Девятков В.В. Системы искусственного интеллекта / гл. ред. И.Б. Фёдоров. М.: Изд-во МГТУ им. Н. Э. Баумана, 2001. 352 с.

40. Лорьер Ж.-Л. Системы искусственного интеллекта. М.: Мир, 1991. 568 с.

41. Рассел С., Норвиг П. Искусственный интеллект: современный подход -Artificial Intelligence: a Modern Approach / пер. с англ. и ред. К.А. Птицына. 2-е изд. М.: Вильяме, 2006. 1408 с.

42. Нестеров В.В., Долгов М.В., Першин Д.С. Монитроринг эксплуатационных показателей на основе систем АПК-ДК и АСУ-Ш-2 // Автоматика, телемеханика и связь 2006. № 11. С. 36-38.

43. Федорчук А.Е., Сепетый A.A., Иванченко В.Н. Новые информационные технологии: автоматизация технического диагностирования и мониторинга устройств ЖАТ (система АДК-СЦБ): учебник для вузов ж.-д. транспорта. РГУПС, 2006. 443 с.

44. Аверкиев С.А. Современные системы и устройства автоматики и телемеханики // Автоматика, связь, информатика. 2008. № 6. С.10-13.

45. Сепетый A.A. Диагностика и мониторинг на северо-кавказской дороге // Автоматика, связь, информатика. 2008. № 6. С.6-9.

46. Долгий И.Д. Возможности релейных и процессорных систем управления станциями // Автоматика, связь, информатика. 2010. № 5 С. 25-27.

47. Сид ельников Ю.В. Системный анализ технологии экспертного прогнозирования. М.: Изд-во МАИ, 2007.

48. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия Телеком, 2001. 382 с.

49. Калан Р. Основные концепции нейронных сетей / пер. с англ. М.: Издательский дом «Вильяме», 2003. 288 с.

50. Рутковская Д., Пилиньский М., Рутковский JI. Нейронные сети, генетические алгоритмы и нечеткие системы. М.: Горячая линия Телеком, 2004. 452 с.

51. Гладун В.П. Партнерство с компьютером. Киев: Port-Royal, 2000. 128 с.

52. Кулькин А.Г., Кулькин С.А. Применение биометрических методов идентификации в системах диспетчерской централизации // Труды всероссийской научно-практической конференции «Транспорт-2004». Ростов-на-Дону, 2004.

53. Кулькин С.А. Идентификация диспетчерского персонала в системах диспетчерской централизации // Труды 5-й научно-практической конференции «Безопасность движения поездов». Москва: МИИТ, 2004. с. 211-2-12.

54. Кулькин С.А., Скопин А.А., Хатламаджиян А.Е. Особенности реализации ответственных команд в системе «ДЦ-ЮГ с РКП» // Труды четвертой научно-технической конференции «Безопасность движения поездов». Москва, 2003.

55. Шахов В.Г. Последовательность анализа и планирования информационной безопасности // Автоматика, связь, информатика. 2003. № 8. С. 21-24.

56. Материал Гостехкомиссии России. Руководящий документ. Защита от несанкционированного доступа к информации // Jet Info. 2000. № 2. С. 2-8.

57. Галатенко В. Современная трактовка сервисов безопасности // Jet Info. 1999. № 5. С. 14-24.

58. Штайнке С. Идентификация и криптография // LAN. 1998. № 2. С. 12-18.

59. Завгородний В.И. Комплексная защита информации в компьютерных системах: учебное пособие. М., 2001 г. С. 264.

60. Поспелов Д.А. Ситуационное управление. Теория и практика. М.: Наука, 1986. С. 167-180.

61. Гладун В.П. Составление описаний классов объектов на ЦВМ / Кибернетика, 1972, № 6 С. 28-36.

62. Гладун В.П. Планирование решений. Киев: Наукова Думка, 1987. 168 с.

63. Meeri I. Combining qualitative and quantitative constraints in temporal reasoning. Techn. report of Cognitive Science Lab. Computer Science Department, Univ. of California, 1995.

64. Плесневич Г.С. Метод аналитических таблиц для логики событий // Труды международной конференции «Интеллектуальное управление: новые интеллектуальные технологии в задачах управления». (ICIT99), Переславль-Залесский, М.: «Наука Физматлит», 1999.

65. Lobo J. and C.Uzcategui С. Abductive consequence relation // Third Symposium on Logical Formalizations of Commonsence Reasoning, Stanford, California, 1996.

66. Система диспетчерского контроля и управления движением поездов «ДЦ-Юг с РКП»: монография; под общ. ред. к.т.н., проф. И.Д. Долгого и к.т.н. А.Г. Кулькина. 2010. 468 с.

67. Zhang Q., Huang К. Fingerprint classification based on extraction and analysis of singularities and pseudoridges, 2002.

68. Karu K., Jain A. Fingerprint Classification, Pattern Recognition, vol. 29, no. 3, pp. 389-404, 1996.

69. Jain A., Hong L. and Boler R. Online Fingerprint Verification IEEE trans, 1997, PAMI-19(4), pp. 302-314.