автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Методы и алгоритмы интеллектуального анализа данных для систем диагностирования устройств железнодорожной автоматики

1СИ

Горишний Дмитрий Владимирович

МЕТОДЫ И АЛГОРИТМЫ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ ДЛЯ СИСТЕМ ДИАГНОСТИРОВАНИЯ УСТРОЙСТВ ЖЕЛЕЗНОДОРОЖНОЙ АВТОМАТИКИ

Специальность: 05.13.06 - Автоматизация и управление технологическими

процессами и производствами (на транспорте)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических лаук

~ 9 ЛЕН 2010

Ростов-на-Дону 2010

004615935

Работа выполнена в государственном образовательном учреждении высшего профессионального образования «Ростовский государственный университет путей сообщения» (РГУПС)

Научный руководитель:

доктор технических наук, профессор Мамаев Энвер Агапашаевич

Официальные оппоненты:

доктор технических наук, профессор Лябах Николай Николаевич кандидат технических наук, профессор Родзин Сергей Иванович

Ведущая организация:

Научно-исследовательский и проектно-конструкторский институт информатизации, автоматизации и связи на железнодорожном транспорте (ОАО «НИИАС»)

Защита диссертации состоится 20 декабря 2010г. в 13:00 часов на заседании диссертационного совета Д 218.010.03 при Ростовском государственном университете путей сообщения по адресу: 344038, г. Ростов-на-Дону, пл. Ростовского Стрелкового Полка Народного Ополчения, 2, конференц-зал.

С диссертацией можно ознакомиться в библиотеке университета.

Автореферат разослан 19 ноября 2010 г.

Ученый секретарь

диссертационного совета Д 218.010.03 доктор технических наук, профессор

Бутакова М.А.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Стратегия развития железнодорожного транспорта, принятая ОАО «РЖД», предусматривает первоочередное решение ключевых задач, в числе которых обеспечение роста эффективности, устойчивости и безопасности перевозок, развитие новейших систем управления технологическими процессами на основе инновационных технологий, снижение негативного влияния «человеческого фактора» за счет внедрения современных информационных и компьютерных технологий. В этой связи приоритетным направлением работ является разработка и внедрение систем технического диагностирования и мониторинга (ТДМ) устройств железнодорожной автоматики и телемеханики (ЖАТ), которые позволят минимизировать время поступления информации об изменениях состояния устройств и возникших сбоях, повысить эффективность действий обслуживающего персонала, оптимизировать процесс выполнения работ по техническому обслуживанию и ремонту устройств ЖАТ и перейти к стратегии технического обслуживания «по фактическому состоянию».

В настоящее время широкое распространение получили такие системы ТДМ устройств ЖАТ, как АПК-ДК, АСДК и АДК-СЦБ. На основе этих систем на уровне железных дорог организуются Центры технического диагностирования и мониторинга (ЦТДМ), в которых аккумулируется и обрабатывается информация о текущем состоянии устройств ЖАТ. Значительный объем поступающей и накопленной информации, в сочетании с вышеперечисленными задачами, делает актуальной разработку интеллектуальных систем, включающих базу знаний, подсистемы анализа данных, поддержки принятия решений и взаимодействия с персоналом ЦТДМ. Подобные интеллектуальные системы позволят оптимизировать процесс технического обслуживания, повысить эффективность работы персонала ЦГДМ, и засчет этого снизить число возникающих сбоев устройств ЖАТ.

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

В области теории и практики разработки моделей, методов и алгоритмов, лежащих в основе диагностирования большой вклад внесли своими работами В.М. Глунпсов, И.Е. Дмитренко, В.Н. Иванченко, В.М. Лисенков, В.В. Сапожников, Вл.В. Сапожников. В области теории и практики создания современных технологий управления на железнодорожном транспорте, а также в области создания аппаратно-программных средств автоматизации процессов технического диагностирования большой вклад внесли своими работами В.М. Алексеев, А.В. Горелик, В.Б. Гуменников, И.Д. Долгий, Л.Т. Кузин, И.К. Лакин, Э.К. Лецкий, Е.Н. Розенберг, Е.М. Тарасов, А.Н. Шабельников, Д.В. Швалов и другие ученые.

Фундаментальный вклад в теорию и практику управления сложными динамическими объектами с использованием искусственного интеллекта,

а также в разработку программных систем обработки информации на осйове использования математических, информационных и имитационных моделей внесли А.Н. Аверкин, С.Е. Ададуров, В.И. Апатцев, А.П. Батурин, Л.С. Берштейн, М.А. Бутакова, А.Н. Гуда, А.П. Еремеев, Л. Заде, В.П. Карелин, Н.Н. Лябах, В.И. Колесников, В.М. Курейчик, С.М. Ковалев, Э.А. Мамаев, Е. Мамдани, Г.С. Осипов, В.Е. Павлов, Д.А. Поспелов, С.И. Родзин, Л.П. Тулупов, В.Ф. Хорошевский, А.В. Чернов и другие ученые.

Объектом исследования является система интеллектуального анализа данных для технического диагностирования и мониторинга устройств железнодорожной автоматики и телемеханики.

Предмет исследования - принципы построения, методы и алгоритмы синтеза моделей зависимостей между диагностическими состояниями устройств ЖАТ. Исследования выполнялись в рамках следующих пунктов паспорта специальности 05.13.06 - Автоматизация и управление технологическими процессами и производствами (на транспорте):

п. 9 - «Методы эффективной организации и ведения специализированного информационного и программного обеспечения АСУТП, АСУП, АСТПП и др., включая базы и банки данных и методы их оптимизации»;

п. 15 - «Теоретические основы, методы и алгоритмы интеллектуализации решения прикладных задач при построении АСУ широкого назначения (АСУТП, АСУП, АСТПП и др.).

Цель работы. Целью диссертации является исследование и разработка новых методов синтеза моделей зависимостей, как основы построения систем поддержки принятия решений для технического диагностирования и мониторинга устройств ЖАТ.

Основные задачи, определяемые целью исследования:

1. Разработка принципов построения моделей зависимостей между диагностическими состояниями устройств ЖАТ.

2. Разработка базовых интеллектуальных методов синтеза моделей на основе анализа данных диагностирования устройств ЖАТ.

3. Разработка интеллектуальных методов формирования и анализа нечетко-темпоральных описаний зависимостей, а также описаний изменения параметров устройств при смене диагностического состояния.

4. Разработка структуры программной реализации подсистем обработки данных и структуры базы знаний.

5. Разработка методики и программных средств автоматизации адаптации программного обеспечения системы интеллектуального анализа данных.

Решение поставленных задач позволит повысить эффективность применения программных средств СТДМ, засчет автоматизации и интеллектуализации процессов взаимодействия системы и персонала Центров технического диагностирования и мониторинга.

Методы исследования. Исследования проводились с использованием методов теории информации, теории кодирования, теории графов, теории вероятности, теории нечетких множеств и элементов темпоральной логики.

Научная новизна диссертационной работы заключается в следующем:

1. Предложен новый подход к представлению зависимостей между диагностическими состояниями устройств ЖАТ на основе сетевой модели с вероятностными и нечетко-темпоральными атрибутами для повышения эффективности организации и ведения базы знаний интеллектуальной системы.

2. Разработан комплексный метод ассоциативного анализа данных и построения сетевой модели зависимостей между событиями, разработаны алгоритмы построения модели на основе принципа минимальной длины описания и модифицированной логарифмической метрики модели.

3. Разработан метод нечетко-темпорального описания зависимостей между диагностическими состояниями устройств ЖАТ и алгоритм формирования НТО зависимости по диагностическим данным.

4. Разработан метод и алгоритмы формирования нечетко-темпорального описания изменения параметров контролируемого объекта на основе анализа протоколов измерений.

Практическая ценность работы заключается в применении результатов исследования для разработки системы интеллектуального анализа данных (ИАД) на базе системы технического диагностирования и мониторинга (ТДМ), для Центра технического диагностирования и мониторинга устройств ЖАТ на Северо-Кавказской железной дороге, а также для разработки систем автоматизации адаптации программного обеспечения и автоматизации проектирования диагностических комплексов. В частности, в работе достигнуты следующие практические результаты:

1. Разработано серверное программное обеспечение, реализующее методы и алгоритмы выявления зависимостей между диагностическими состояниями устройств ЖАТ, функциональность выявления фактов проведения работ по техническому обслуживанию и ремонту (ТОиР) устройств и передачи информации в систему АСУ-Ш-2.

2. Разработана клиентская часть программного обеспечения, реализующая взаимодействие системы ИАД с АРМ ШДМ (АРМ технолога ЦТДМ).

3. Разработана структура базы диагностических данных и базы знаний, содержащей модели выявленных зависимостей, на основе средств СУБД MS SQL Server.

4. Разработаны программные средства автоматизации адаптации (в части конфигураций и состава дистрибутива) программного обеспечения системы ИАД и сервера унифицированного информационного взаимодействия (СУИВ), автоматизации процесса проектирования диагностических комплексов (информационное обеспечение, проектная документация, схемы линий связи).

Практическое использование результатов исследования для построения системы интеллектуального анализа данных технического диагностирования устройств ЖАТ позволило автоматизировать: выявление зависимостей между диагностическими состояниями; контроль эффективности и своевременности выполнения работ по ТОиР устройств ЖАТ; процесс формирования

информационного и адаптации программного обеспечения системы ИАД иСУИВ.

Достоверность и обоснованность. Достоверность и обоснованность научных положений, выводов и результатов, сформулированных в диссертации, подтверждается результатами вычислительных экспериментов на практических и модельных задачах, публикациями и докладами на научно-практических конференциях, а также актами внедрения результатов работы.

Реализация результатов работы. Предложенные принципы и методы синтеза экспертных моделей, алгоритмы анализа диагностических данных и принципы представления знаний в системах технического диагностирования реализованы в программном комплексе интеллектуального анализа данных ИАД-ЦГДМ, разработанного для расширения функциональности системы ТДМ на уровне Центра технического диагностирования и мониторинга.

Апробация основных теоретических и практических результатов работы проводилась на совместном заседании кафедр «Автоматика и телемеханика на железнодорожном транспорте», «Информатика» и «Логистика и управление транспортными системами» РГУПС; Всеросс. научно-практ. конференции «Транспорт-2005», г. Ростов-на-Дону, 2005 г.; Международной школе-конференции по приоритетным направлениям развития науки и техники, г.Москва, 2006 г.; Всеросс. научно-практ. конференции «Транспорт-2006», г. Ростов-на-Дону, 2006 г.; VI Международной научно-практ. конференции «Телекомтранс-2008», г. Сочи, 2008 г.; Всеросс. научно-практ. конференции «Транспорт-2008», г.Ростов-на-Дону, 2008г.; Международной научно-практ. конференции «Проблемы и перспективы развития транспортного комплекса: образование, наука», посвященной 80-летию РГУПС, г. Ростов-на-Дону, 2009г.; Всеросс. научно-практ. конференции «Транспорт-2009», г.Ростов-на-Дону, 2009 г.; XI Международной научно-техн. конференции «Кибернетика и высокие технологии 21 века», г.Воронеж, 2010 г.; Всероссийской научно-практ. конференции «Транспорт-2010», г.Ростов-на-Дону, 2010 г.; VII Международной научно-практ. конференции «Телекомтранс-2010», г.Сочи, 2010 г.; Всеросс. научно-практ. конф. «Математические методы и интеллектуальные системы в экономике и образовании» г. Ижевск, 2010 г.; XI Всеросс. научно-техн. конф. «Научные исследования и разработки в области авиационных, космических и транспортных систем» г. Воронеж, 2010 г.; XIV Международной научно-практ. конф. «Актуальные проблемы информатики и информационных технологий» г. Тамбов, 2010 г.

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

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложений. Общий объем работы составляет 171 страницу машинописного текста, 53 рисунка, 8 таблиц. Список литературы включает 131 наименование работ отечественных и зарубежных авторов.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ

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

В первой главе дается обзор различных систем технического диагностирования, современных систем хранения и интеллектуального анализа данных, применяемых в них методов. Рассматриваются как системы технического диагностирования устройств СЦБ, так и системы, применяемые в других отраслях. Отмечается необходимость интеллектуализации систем ТДМ, их интеграции с системами анализа данных и поддержки принятия решений.

Как известно, основная задача системы диагностирования устройств железнодорожной автоматики и телемеханики - формирование точного диагноза состояния станционных и перегонных устройств.

Современные системы диагностирования и мониторинга должны не только обеспечивать высокий уровень автоматизации деятельности эксплуатационного персонала, но и обладать высокой гибкостью, адаптивностью к изменяющимся условиям эксплуатации, способностью к обработке трудноформализуемой информации и поддержке пользователей при анализе данной информации и принятии решений. Эти качества могут быть реализованы только за счет применения особых методологий построения программных систем и использования интеллектуальных методов анализа данных, извлечения знаний из данных и принятия решений в условиях неопределенности.

Лидерами в железнодорожной отрасли РФ среди систем диагностирования и удаленного мониторинга являются: система диспетчерского контроля и диагностики устройств ЖАТ АПК-ДК, автоматизированная система диспетчерского контроля АСДК и система автоматизации контроля и диагностирования устройств сигнализации, централизации и блокировки АДК-СЦБ.

Сравнение с системами диагностирования, применяемыми в других отраслях, таких например, как нефтехимия, нефтегазодобыча, энергетика, авиация и телекоммуникации, показывает низкую степень интеллектуализации и поддержки экспертных функций систем диагностирования устройств ЖАТ.

Функциональность и эффективность современной информационной системы в значительной степени зависит от полноты, релевантности и актуальности базы знаний, используемой для формирования экспертных оценок, выработки решений и рекомендаций. Перечисленные ключевые характеристики баз знаний в свою очередь в значительной мере зависят от качества источников и технологий извлечения знаний.

Проанализировано развитие технологий от использования файловых систем хранения до появления систем управления базами данных, иерархического и сетевого подходов, реляционной модели и объектно-ориентированных баз данных. Дан обзор принципов построения систем

хранения и интеллектуального анализа данных (ИАД). Рассмотрены этапы извлечения полезной информации и фрагментов знаний из данных.

Отмечен важный положительный фактор внедрения ИАД в процесс технического диагностирования - возможность автоматизированного выявления некоторых закономерностей, не формализованных ранее экспертами.

Проведенный анализ показал необходимость применения интеллектуальных методов анализа данных и экспертных систем в железнодорожной отрасли, что позволит устранить отставание в уровне автоматизации, повысить эффективность работы персонала центров диагностирования и мониторинга, а также обеспечить под держку принятия решений при обработке внештатных диагностических состояний контролируемых объектов.

Во второй главе рассмотрена проблематика представления знаний, которая считается одним из наиболее важных направлений работ в области искусственного интеллекта, поскольку выбор правильного способа представления знаний является не менее значимым фактором, влияющим на эффективность интеллектуальной системы не в меньшей степени, чем разработка методов и реализация в виде программного обеспечения алгоритмов, которые обеспечивают извлечение знаний из исходных данных.

Выполнен анализ существующих подходов к представлению знаний в интеллектуальных системах, таких как логический, сетевой, продукционный и фреймовый подходы. С учетом требований, предъявляемых к модели знаний о зависимостях между диагностическими состояниями, таких как наглядность, компактная форма визуализации, возможность применения процедур логического вывода, сделан вывод о целесообразности применения сетевого подхода к представлению знаний.

Рассмотрен ряд существующих методов интеллектуального анализа данных, а именно: методы деревьев решений, нейронных сетей, визуализации, генетических алгоритмов, эволюционного программирования, ассоциативного анализа. С учетом основных задач диагностики технических устройств, таких как раннее обнаружение отклонений в работе устройств, фиксация и анализ предотказных состояний и своевременное предупреждение аварийных ситуаций и отказов, сделан вывод о необходимости применения в разрабатываемой системе интеллектуального анализа данных таких методов, которые позволили бы выявлять устойчивые зависимости смен состояний, приводящие к отказу устройства, и формировать на их основе базу знаний.

Сравнение вышеперечисленных методов с точки зрения решения задач выявления зависимостей и их представления в простом и понятном для пользователя системы виде, показало преимущество методов ассоциативного анализа. Основной недостаток таких методов, выражающийся в непосредственном использовании данных из хранилища при каждом запросе, может быть устранен путем разработки модифицированного комплексного метода, относящегося к данной группе методов, но более ориентированного

на создание моделей зависимостей между диагностическими состояниями устройств для формирования базы знаний.

Комплексный метод ассоциативного анализа включает этапы анализа данных и синтеза моделей: на этапе анализа данных выявляются устойчивые последовательности событий, на их основе синтезируются и помещаются в базу знаний модели зависимостей, а для формирования прогноза дальнейшего изменения состояния устройства, или оказания поддержки в принятии решения, в базе знаний выполняется поиск подходящей последовательности по критерию соответствия текущему и предыдущим состояниям устройства, и в зависимости от задачи, делается вывод о наиболее вероятном варианте развития событий, либо выбирается решение, которое было признано ранее правильным в аналогичной ситуации.

Проведен анализ методов формирования рассуждений на основе неполных данных с учетом специфики трудноформализуемых процессов функционирования устройств ЖАТ, по результатам которого выявлена полезность применения средств вероятностного и нечетко-логического подходов на этапе использования выявленных зависимостей для поддержки принятия решений персонала центра диагностирования и мониторинга, и как следствие - необходимость дополнения модели зависимостей диагностических состояний соответствующими атрибутами, например, введение нечеткой лингвистической переменной позволяет оценить длительность пребывания устройства в данном (соответствующем элементу модели) состоянии, а с помощью таблицы условных вероятностей можно оценить вероятность перехода устройства в одно из связанных с текущим состояний.

Третья глава посвящена разработке принципов построения и вида представления моделей зависимостей между диагностическими состояниями, разработке методов и алгоритмов анализа данных технического диагностирования.

Предложена сетевая модель представления зависимостей между диагностическими состояниями устройств на основе байесовской сети (БС), определяемой как двойка <в,В>, в которой первый компонент С? является направленным ациклическим графом, вершины которого соответствуют возможным событиям исследуемой предметной области, а ребра - причинно-следственным связям между этими событиями. Второй компонент двойки - В, представляет собой множество параметров, определяющих сеть - набор таблиц условных вероятностей. Он содержит параметры = \р„[Х']) для

каждого возможного значениях' изХ'и р„(х<) из р„{х')> где обозначает набор родителей переменной X' в в. Каждая переменная X' в графе в представляется в виде вершины. Связи между вершинами сети являются причинно-следственными, т.е. связь А~*В имеет место, когда событие А является причиной возникновения события В.

Такой подход к построению модели позволяет представить выявленные зависимости в терминах вероятности. Графически структура БС может быть

представлена в виде дерева, полидерева, решетки, либо сочетания подобных структур.

Таким образом, базу знаний о предметной области можно условно представить как комбинацию фрагментов знаний (ФЗ), каждый из которых содержит модель представления вероятностных зависимостей между диагностическими состояниями устройств одного типа.

На рис. 1 приведен пример вероятностной модели зависимостей между диагностическими состояниями с указанием априорных и условных вероятностей.

[ Р(А)-0.05 [ | Р(В)-0.05 | | Р(С)=0,01 |

Для синтеза предлагаемой сетевой модели разработан комплексный метод ассоциативного анализа данных диагностирования технических устройств, позволяющий выявить зависимости между проявлениями различных диагностических состояний, включающий следующие основные этапы:

- выбор временного интервала для анализа;

- загрузка диагностических данных;

- выбор периода дискретизации временного интервала;

- преобразование данных из одномерного вида (символьный временной ряд, каждый символ которого представляет событие некоторого типа)

к матрице, состоящей из признаков Е^ проявления анализируемых событийу'-го типа за 1-й период дискретизации временного интервала;

- алгоритмическая обработка матрицы признаков Еф позволяющая на основе заданного критерия определить структуру сетевой модели, соответствующую диагностическим данным.

В качестве критериев соответствия структуры модели диагностическим данным предлагается использовать минимум длины описания (МДО) модели и модифицированную логарифмическую метрику Купера-Гершковича.

Критерий МДО по сути эквивалентен условию минимума неопределенности, вносимой свободными параметрами модели, или иначе говоря - минимальности расхождений между моделью и поведением моделируемого объекта, представленным в виде набора диагностических данных этого объекта. Релизация принципа МДО требует оценки «лаконичности» модели относительно имеющихся данных. Поскольку синтез модели можно интерпретировать как построение описания наблюдаемых данных, то в качестве такой оценки (метрики) выбирается длина полученного описания.

Таким образом, принцип МДО формулируется следующим образом: из набора вариантов следует выбрать ту модель, которая позволяет описать данные наиболее коротко. Правила построения описания (и оценка его длины) и будут являться формализацией понятия «адекватности» описания модели.

Задача определения длины описания модели выглядит следующим образом. Сначала задается множество обучающих данных Д = {</„...}, ^ =(хг((1)дс}2)..где п - количество наблюдений, каждое

наблюдение состоит из N>2 переменных ..., каждаяу-я переменная

(¡=1,—,Ю имеет = { ] состояний, каждая структура сети

^еО представляется N множествами предков (Л1^, ..., П^), т.е. для кХ®, 77® — это множество родительских вершин, такое что Я® с{Х°},..., Х^!>} \ {X01}.

Тогда МДО структуры geG при заданной последовательности из п наблюдений х"=<11 й2...с1п вычисляется по формуле:

¿М-яМ+^.ЬвОО, (!)

где к(ф - число независимых условных вероятностей в сетевой структуре

Щё-х") ~ эмпирическая энтропия:

Длина описания_/-й вершины вычисляется по формуле: где - количество независимых условных вероятностей/-й вершины

*(л£)=И-1)- П А

где фЬ) £ {1.....} -1,) +1,..., лг} - множество индексов вершин-предков Л®,

т.е. Пш = {хк -.кефи)).

Эмпирическая энтропияу'-й вершины вычисляется по формуле:

У.г) = X= •у) п[Ч,5,у,г]-2/(х, = д,х{ = л), м м

где означает х®, т.е. пребывание множества вершин-

предков^ в одном из возможных состояний, а функция 1(Е)-\, когда предикат Е=ггие, в противном случае 1(Е)=0.

Для исключения необходимости анализа всех альтернативных структур сетевой модели, зададим порядок анализа зависимостей по убыванию значения взаимной информации между парами переменных х' и У, представленных узлами сети:

М(Х,Г) = М

Р(Х)Р{¥)}

и т

= 15Х*/>.Уу)1о8

Р{х1)р{у})

(2)

На рис. 2 приведена блок-схема предлагаемого эвристического алгоритма синтеза сетевой модели зависимостей по диагностическим данным с использованием принципа МДО (1) и предварительным упорядочением связей между событиями, представленными узлами модели, по значению взаимной информации (2).

В качестве альтернативного критерия соответствия структуры модели диагностическим данным можно использовать метрику Купера-Гершковича.

Пусть 2~ множество дискретных переменных, где переменная г,- е2 имеет г, возможных значений, В - набор данных, содержащий т наблюдений, причем каждое наблюдение содержит значения каждой из переменных г(е2 (пропущенных значений нет), а £ - модель зависимостей (байесовская сеть), вершины которой соответствуют переменным г,-. Каждой вершине ^•^соответствует множество родительских вершин которое может быть пустым. Пусть фу определяет у-й набор означиваний щ относительно Д и существует д1 таких означиваний. Определим Ыщ как число наблюдений среди Д при которых вершина X, означивалась, как v¡j, а щ - как <ру,

п

тогда Ыи = 2ХЛ ' а Расчетная формула метрики К2:

4.1

! Л / \ " 91 (I ""1)'- г>

Недостатком такой метрики является сложность вычисления и оперирования факториалами больших чисел, и как одно из следствий -ограниченность объема используемой выборки. Для решения этой проблемы введем и будем использовать модифицированную логарифмическую метрику ЛК2:

¿1 Е|4Г1) !)-1О8((Х,. + Г,.-1) <)+ (4)

а) обобщенная блок-схема б) блок-схема эвристического алгоритма

алгоритма синтеза модели зависимостей

Рисунок 2. Блок-схемы алгоритмов синтеза модели зависимостей

Для упрощения вычисления факториалов воспользуемся одним из свойств гамма-функции Эйлера, а именно:

Г(л + 1) = и!, => log(n!) = ¡og(Г(n + l)).

Для вычисления натурального логарифма гамма-функции существует приближение асимптотического разложения (формула Стерлинга):

1п(Г(п)) = 1п Лк+ [ п + ■-] 1п п -п + — V 2 J 12 п'

Следовательно, используя в формуле (4) натуральные логарифмы, получим:

¿í Zfln(r(r,))- 1п(г(//,у + ,))+ ¿ln(r(^>7.A + l))T| (5)

'ЧМ *=i )) w

По результатам вычислительных экспериментов, использование метрик К2 (3) и Ж2 (5) на одних и тех же выборках обучающих данных приводит к одинаковым результатам, но использование JIK2 уменьшает вычислительную сложность алгоритма и позволяет работать с большими выборками данных.

Для оценивания качества обучения моделей по наборам данных с помощью разработанных алгоритмов, использующих вышеописанные метрики, воспользуемся способом подсчёта количества лишних, отсутствующих и реверсированных связей в обученной сети по сравнению с оригинальной. В качестве меры ошибки обучения используем значения структурной разности между обученной и оригинальной сетевыми моделями:

¿=1 ¡=i

где В - сетевая модель на выходе алгоритма (обученная модель), А - оригинальная модель, п - количество вершин сети, ЩВ) — множество предков г-й вершины сети В,

- множество предков г-й вершины оригинальной сети А, Cardinality(Q — мощность конечного множества £ которое определяется как количество элементов принадлежащих множеству В качестве оригинальной модели использована модель зависимостей между диагностическими состояниями, показанная на рис.1 и содержащая 11 вершин. На основе данной модели по методу Монте-Карло сгенерированы наборы обучающих данных по 100,200,500 и 1000 записей.

Таблица 1. Результаты сравнения работы алгоритмов МДО и Ж2

Объем выборки 100 2 00 500 1000

Алгоритм МДО К2 МДО К2 МДО К2 МДО К2

Лишние связи 0 2 0 1 0 1 0 0

Отсутствующие связи 1 1 1 1 0 0 0 0

Реверсированные связи 2 1 ] 1 1 1 1 1

Структурная разность 3 4 2 3 1 2 1 1

Время выполнения алгоритма, с 15 19 20 27 34 44 69 90

Далее наборы обучающих данных переданы на вход алгоритмов МДО и JIK2, синтезированы модели зависимостей, подсчитано количество лишних, отсутствующих и реверсированных связей в моделях, рассчитаны значения структурной разности. Результаты сведены в таблице 1.

На основе выполненного сравнения можно сделать вывод о том, что оба алгоритма могут быть использованы для синтеза моделей зависимостей между диагностическими состояниями в составе системы интеллектуального анализа данных, причем лучшими характеристиками (минимальной структурной разностью результирующей модели и быстродействием) обладает алгоритм, построенный на основе критерия МДО.

Для повышения информативности модели зависимостей и обеспечения поддержки методов формирования рассуждений на основе неполных данных предлагается дополнить модель атрибутами нечетко-темпорального описания зависимостей между событиями. Формирование нечетко-темпоральных описаний зависимостей осуществляется с помошью следующего разработанного метода.

Для описания длительности интервала, разделяющего начальные моменты групп однотипных событий, и количества реализаций однотипных событий в группе, используем лингвистические переменные «длительность» и «частота». Базовые терм-множества этих переменных имеют вид:

«длительность» е {малая, небольшая, средняя, большая};

«частота» е {однократно, несколько, многократно}.

Очередность и относительное положение событий во времени представим с помощью интервальных отношений темпоральной логики Аллена: «предшествует»/«следует», «стыкуется»/'«начинается со стыка», «перекрывает»/«перекрывается», «начинает»/«начинается», «включается»/ «включает», «заверишет»/'«завершается», «совпадает».

Нечетко-темпоральное описание зависимостей между событиями - это набор четверок TFDD = {«длительность» - Т-, «частота первого события» -

FI-, «частота второго события» - F2j, «темпоральное отношение» - Rj }

(TFDD - Temporal Fuzzy Dependency's Description), например зависимость между двумя диагностическими состояниями может быть описывана так: TFDD = {7^=«малая», ^^«многократно», /^—«однократно»,

Щ =«перекрывает»}.

Разработан алгоритм формирования нечетко-темпорального описания зависимости между событиями на основе фрагмента модели, содержащего пару событий, и временного ряда реализации событий (диагностического протокола). Функции принадлежности значений лингвистических переменных заданы с помощью стандартных кусочно-линейных Z-, П- и S-функций.

Например, вид функции принадлежности переменной «длительность интервала» показан на рис.3.

малая небольшая

средняя

большая

1

—►

Т, мин

О

5

10

15

Рисунок 3. Функция принадлежности значений лингвистической переменной «длительность интервала»

Для более детального описания обстоятельств перехода устройства в то или иное диагностическое состояние и комплексного анализа данных протокола измеряемых параметров устройства предлагается метод формирования нечетко-темпорального описания изменения параметра объекта диагностирования.

Основой метода является нечеткое описание вариантов изменения параметра во времени с учетом темпоральных отношений между элементами данного описания параметров объекта.

Для задания нечетких термов введем четыре лингвистических переменных: «начальная величина параметра», «изменение параметра», «длительность изменения», «выход за норму». Базовые терм-множества этих переменных имеют вид:

«начальная величина е {малый, небольшой, средний, параметра» большой, значительный}

«изменение е {значительное уменьшение, среднее

параметра» уменьшение,

Для выражения относительного положения изменений параметров во времени используем, как и в предыдущем методе, интервальные отношения темпоральной логики Аллена.

Нечеткое описание изменения одного параметра объекта - это последовательность четверок РС = {«начальная величина параметра» - V.,

«изменение параметра» - С-, «длительность изменения» - Тр «выход

за норму» - }, например изменения следующего вида (рис.4) описываются

последовательностью, приведенной в табл.2.

малое изменение, среднее увеличение, значительное увеличение}

Г-С, ГСг ГС, ГС, ГСаРС„ гсг ГС. ГС,

Рисунок 4. Пример изменения тока перевода стрелки

Таблица 2. Последовательность нечетких описаний изменения параметра

м Начальная величина параметра Изменение параметра Длительность изменения Выход за норму

1 от небольшого малое изменение небольшая в пределах нормы

2 от небольшого большое увеличение малая выше нормы

3 от большого среднее уменьшение малая в пределах нормы

4 от среднего малое изменение средняя в пределах нормы

5 от среднего среднее увеличение малая выше нормы

6 от большого среднее уменьшение лишая в пределах нормы

7 от среднего малое изменение средняя в пределах нормы

8 от среднего среднее уменьшение малая в пределах нормы

9 от небольшого малое изменение средняя в пределах нормы

Предложены алгоритмы формирования нечетко-темпоральных описаний зависимостей между диагностическими состояниями и изменений параметров устройства при смене состояния.

В четвертой главе освещены вопросы практической реализации системы интеллектуального анализа данных ТДМ, вошедшей в состав программного обеспечения Дорожного диагностического центра технического диагностирования и мониторинга (ДДЦ ТДМ) Северо-Кавказской железной дороги, а также вспомогательных программных средств.

Система НАД ТДМ состоит из нескольких подсистем (рис.5): база знаний, подсистема анализа диагностических данных и формирования моделей зависимостей между диагностическими состояниями, подсистема формирования нечетко-темпоральных описаний зависимостей ДС, подсистема формирования нечетко-темпоральных описаний изменений параметров устройств, подсистема пользовательского интерфейса.

При проектировании подсистем в первую очередь принимались во внимание принципы расширяемости, открытости и высокой степени интеграции с реляционными хранилищами данных.

Программное обеспечение системы ИАД реализовано в двухуровневой архитектуре «клиент-сервер», что обеспечивает масштабируемость, надежность хранения и производительность обработки информации на серверном уровне, многопользовательский режим работы. Серверная часть системы включает

в себя подсистемы хранения и анализа данных, реализована на базе СУБД MS SQL Server и Windows-служб. Клиентская часть системы выполняет функции подсистемы пользовательского интерфейса, представляет собой приложение для ОС Windows. И серверная, и клиентская части системы реализованы с применением объектно-ориентированного языка программирования C#.NET и языка структурированных запросов SQL.

Разработаны структуры базы данных системы диагностирования и базы знаний системы ИАД ТДМ. Представлено описание подсистем, реализующих предложенные методы и алгоритмы, на базе серверных Windows-служб. Приведено описание подсистемы выявления фактов выполнения работ по ТОиР устройств ЖАТ, реализованной на основе СУБД MS SQL Server.

Рисунок 5. Архитектура системы ИАД ТДМ

Одной из важных задач программного обеспечения ДДЦ ТДМ является задача выявления устойчивых последовательностей смен диагностических состояний контролируемых объектов с целью их классификации силами экспертов, определения необходимых действий по реагированию на ситуацию и дальнейшего выполнения этих действий в автоматическом режиме.

Для решения задачи выявления и описания последовательностей была разработана и включена в состав системы ИАД подсистема формирования нечетко-темпоральных описаний смен диагностических состояний. Подсистема состоит из двух основных компонентов: службы оперативного анализа диагностических протоколов и службы анализа диагностических данных, помещенных в хранилище (рис.6).

Выявленные паттерны (последовательности нечетко-темпоральных описаний смен диагностических состояний) пополняют базу знаний системы ИАД, и применяются как в качестве источника информации для классификации сбоев устройств, так и в качестве исходных данных для подробного анализа

результатов диагностирования объектов станций, выполняемого оперативным персоналом ДЦЦ ТДМ.

Рисунок 6. Структурная схема подсистемы формирования НТО зависимостей и классификации сбоев устройств ЖАТ

Для выявления фактов проведения работ по техническому обслуживанию и ремонту (ТОиР) выполняется анализ данных диагностирования устройств ЖАТ. Алгоритм отнесения сбоя к ТОиР (рис.7) основан на использовании НТО зависимостей. Для каждого вида работ по ТОиР, проявляющегося как сбой устройства, определяется последовательность правил (НТО зависимостей). Из этих последовательностей формируется таблица в базе знаний системы, и далее, при диагностировании сбоя устройства, выполняется проверка соответствия сбоя последовательности.

Вывод о совпадении сбоя с элементом последовательности НТО делается на основании сравнения значения достоверности, вычисляемого как нечеткая конъюнкция значений функций принадлежности при подстановке в них параметров текущего сбоя, с заданным пороговым значением.

Комплексный анализ последовательностей сбоев устройств в соответствии с вышеописанным алгоритмом производится на уровне центрального поста диагностирования и мониторинга.

В качестве базового программного обеспечения, позволяющего хранить знания и данные и производить оперативный анализ поступающих диагностических данных, используется СУБД MS SQL Server 2005.

Взаимодействие с системой АСУ-Ш-2 позволяет успешно решать задачи повышения эффективности функционирования хозяйства СЦБ за счет автоматизации контроля выполнения работ по ТОиР, обеспечения полноты и достоверности оперативной информации. Со стороны СТДМ в АСУ-Ш-2 передаются данные о выявленных сбоях в работе устройств ЖАТ и фактах проведения ТОиР, от АСУ-Ш-2 в СТДМ поступают данные для проведения анализа, например, план технического обслуживания, информация о характеристиках устройств и т.д. Таким образом, взаимодействие системы

ТДМ и АСУ-Ш-2 обеспечивает возможность принятия персоналом ДДЦ ТДМ управляющих решений и контроль их выполнения.

Рисунок 7. Блок-схема алгоритма выявления работ по ТОиР с использованием метода нечетко-темпорального описания

Сформулированы принципы автоматизации формирования информационного (ИО) и адаптации программного обеспечения (ПО) системы ИАД ТДМ и системы СУИВ, выполнен анализ типовой и индивидуальной частей ИО, конфигураций и состава дистрибутива ПО, выполнена разработка соответствующих программных средств. Автоматизация формирования хш!-конфигураций ПО-СУИВ и ИАД ТДМ позволила исключить ошибки, вызванные «человеческим фактором», внедрить автоматическую проверку корректности ИО по заданным правилам, значительно сократить трудоемкость и временные затраты на подготовку дистрибутивов ПО.

Разработаны программные средства контроля рабочих параметров и синхронизации структуры баз данных ДДЦ ТДМ, автоматизированы операции развертывания, создания полных и выборочных копий базы данных. Разработанная подсистема входит в состав программного обеспечения серверов ШД, установленных в ДДЦ ТДМ Северо-Кавказской и Куйбышевской железных дорог.

Приведено описание разработанных программных средств автоматизации проектирования диагностических комплексов. Решены задачи автоматизации и контроля ввода исходных данных, проверки целостности и корректности данных при оперативном внесении изменений, автоматизации разработки

структурных схем линий связи и электропитания с помощью программного взаимодействия с графической средой САПР АШоСАВ.

В заключении изложены основные выводы и результаты диссертационной работы.

В приложения вынесены примеры ^/-конфигурирования структур моделей зависимостей, фрагменты исходного кода разработанных программных средств, а также акты об использовании результатов диссертационной работы в Центре технического диагностирования и мониторинга Северо-Кавказской железной дороги и на научно-производственном предприятии «ЮгПромАвтомагизация».

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В ходе выполнения диссертационной работы получены следующие основные теоретические и практические результаты:

1. Проведенный анализ состояния и актуальных проблем технического диагностирования устройств железнодорожной автоматики и телемеханики, а также современных систем диагностирования, применяемых на транспорте ив других областях, позволил выявить потребность в интеллектуализации систем ТДМ ЖАТ, развитии экспертных функций и применении методов интеллектуального анализа данных, что повысит -эффективность работы персонала центров диагностирования и мониторинга, а также обеспечит поддержку принятия решений при обработке - внештатных ситуаций на контролируемых объектах.

2. Выполненный анализ существующих подходов к представлению знаний в интеллектуальных системах и методов интеллектуального анализа данных, с учетом требований, предъявляемых к модели знаний о зависимостях между диагностическими состояниями, и основных задач диагностики технических устройств, позволил сделать вывод о целесообразности применения сетевого подхода к представлению знаний и сформулировать общую идею комплексного метода ассоциативного анализа данных

3. Предложена сетевая модель представления зависимостей между диагностическими состояниями устройств ЖАТ,- содержащая такие атрибуты, как таблицы условных вероятностей и нечетко-темпоральные описания смен диагностических состояний и изменений измеряемых параметров контролируемых устройств, что позволяет расширить спектр подходов, применяемых при использовании базы знаний . выявленных зависимостей для реализации экспертных функций и поддержки принятия решений.

4. Разработан комплексный метод ассоциативного анализа данных и построения сетевой модели зависимостей между диагностическими состояниями, разработаны алгоритмы построения модели зависимостей на основе принципа минимальной длины описания и модифицированной логарифмической метрики Купера-Герппсовича.

5. Разработаны методы и алгоритмы формирования нечетко-темпорального описания зависимостей между диагностическими состояниями

и описания последовательности изменений параметров контролируемых устройств ЖАТ.

6. Разработана структура системы интеллектуального анализа данных, включающая подсистемы анализа диагаостических данных и формирования моделей зависимостей между диагностическими состояниями, формирования нечетко-темпоральных описаний зависимостей ДС, формирования нечетко-темпоральных описаний изменений параметров устройств, подсистему пользовательского интерфейса и базу знаний.

7. Сформулированы принципы и разработаны программные средства автоматизации формирования информационного и адаптации программного обеспечения системы ИАД-ТДМ, контроля рабочих параметров баз данных, автоматизации проектирования диагностических комплексов.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИОННОЙ РАБОТЫ

Издания, рекомендованные ВАК:

1. Горишний, Д.В. Система интеллектуального анализа данных технического диагностирования устройств железнодорожной автоматики и телемеханики / Д;В. Горишний // Вестник Ростовского государственного университета путей сообщения, 2010. - №2. - С. 73-79.

2. Горишний, Д.В. Алгоритм выявления зависимостей между сбоями устройств железнодорожной автоматики и телемеханики / Д.В. Горишний, Э.А.Мамаев // Наука и техника транспорта, 2010. - №2. - С. 60-72.

3. Горншиий, Д.В. Эвристический алгоритм синтеза модели зависимостей между событиями / Д.В. Горишний // Вестник Донского государственного технического университета, 2010 - №5. — С. 683-691.

4. Горишний, Д.В. Моделирование структуры зависимостей между сбоями устройств железнодорожной автоматики и телемеханики / Д.В. Горишний // Известия вузов. Северо-Кавказский регион. Технические науки, 2010. -№5.-С. 3-6.

Другие издания:

5. Горишний Д.В. Автоматизация проектирования линий связи железнодорожных диагностических комплексов / Д.В. Горишний // Тезисы докладов международной школы-конференции по приоритетным направлениям развития науки и техники. -Москва: РГУИТП, 2006. - С. 21-22.

6. Горишний, Д.В. Автоматизация учета выполнения работ по техническому обслуживанию устройств СЦБ / Д.В. Горишний, С.А.Рухленко // Труды Всерос. научно-практ. конф. «Транспорт-2006». - Ростов-н/Д: РГУПС, 2006.-С. 249-250.

7. Горишний, Д.В. Подсистема анализа и визуализации статистических данных по аварийным ситуациям на устройствах железнодорожной автоматики и телемеханики / Д.В. Горишний // Сборник докладов 6-й Международной научно-практической конференции «ТелекомТранс-2008». - Ростов-н/Д: РГУПС, 2008. - С. 60-64.

8. Горишнпй, Д.В. Разработка подсистемы управления структурой и синхронизации баз данных / Д.В. Горишний // Труда Всерос. научно-практ. конф. «Транспорт-2009». - Ростов-н/Д: РГУПС, 2009. - С. 50-51.

9. Горншпий, Д.В. Разработка базы знаний системы технического диагностирования и мониторинга на основе байесовских сетей доверия И Труды международной научно-практ. конф. «Проблемы и перспективы развития транспортного комплекса». - Ростов-н/Д: РГУПС, 2009. - С. 317-318.

10. Горишний, Д.В. Методы интеллектуального анализа данных для систем технического диагностирования и мониторинга / Д.В. Горишний // Труды РГУПС. - 2009. - № 1. - С. 35-40.

11. Горишний, Д.В. Синтез модели зависимостей между событиями на основе критерия описания минимальной длины / Д.В. Горишний // Сборник докладов XI Международной научно-технической конференции «Кибернетика и высокие технологии XXI века». - Воронеж, 2010. - Т.2 - С. 898-908.

12. Горишний, Д.В. Экономика и технология систем технического диагностирования устройств железнодорожной автоматики и телемеханики / Д.В. Горишний // Труды Всерос. научно-практ. конф. «Транспорт-2010». -Ростов-н/Д: РГУПС, 2010. - С. 187-188.

13. Горишний, Д.В. Автоматизация формирования xml-конфигураций программного обеспечения сервера унифицированного информационного взаимодействия / Д.В. Горишний // Сборник докладов 7-й Международной научно-практической конференции «ТелекомТранс-2010». - Ростов-н/Д: РГУПС, 2010.-С. 135-139.

14. Горишний, Д.В. Разработка подсистемы выявления зависимостей между сбоями устройств ЖАТ / Д.В. Горишний, ЭА. Мамаев // Сборник докладов 7-й Международной научно-практической Конференции «ТелекомТранс-2010».-Ростсз-н/Д: РГУПС,2010.-С. 139-146.

15. Горишний Д.В. Интеллектуальная система поддержки принятия решений для управления процессом технического обслуживания / Д.В. Горишний / Д.В. Горишний, Э.А. Мамаев // Труды Всерос. научно-практ. конф. «Математические методы и интеллектуальные системы в экономике и образовании». - Ижевск, 2010. - С. 103-106.

16. Горишний, Д.В. Автоматизация управления техническим обслуживанием устройств железнодорожной автоматики и телемеханики / Д.В. Горишний // Труды XI Всеросс. научно-техн. конф. «Научные исслеХования и разработки в области авиационных, космических и транспортных систем». - Воронеж, 2010. - С. 124-125.

17. Горишний, Д.В. Методы синтеза вероятностной модели зависимостей / Д.В. Горишний // Труды XTV Международной научно-практ. конф. «Актуальные проблемы информатики и информационных технологий». -Тамбов, 2010. - С. 345-347.

Личный вклад автора в работах, выполненных в соавторстве: /2/ - разработка модели зависимостей, алгоритма синтеза модели и программного обеспечения; /6/ - разработка алгоритмов и программного обеспечения; /14/ - обзор методов анализа данных, разработка структур подсистемы и базы знаний; /16/ - описание функциональности ДЦЦ ТДМ.

Горишний Дмитрий Владимирович

МЕТОДЫ И АЛГОРИТМЫ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ ДЛЯ СИСТЕМ ДИАГНОСТИРОВАНИЯ УСТРОЙСТВ ЖЕЛЕЗНОДОРОЖНОЙ АВТОМАТИКИ

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 Ш.И 2010г. Формат бумаги 60x84/16 Бумага офсетная. Ризография. Усл.печл. 1,0. Тираж 100. Заказ № 5 % .

Ростовский государственный университет путей сообщения. Ризография РГУПС.

344038, г. Ростов-на-Дону, пл. Ростовского Стрелкового Полка Народного Ополчения, 2.

ВВЕДЕНИЕ.

ГЛАВА 1 ТЕХНИЧЕСКОЕ ДИАГНОСТИРОВАНИЕ

И ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ДАННЫХ.

1.1 Состояние и актуальные проблемы технического диагностирования устройств железнодорожной автоматики и телемеханики.

1.2 Современные системы диагностирования технических устройств.

1.3 Системы хранения и интеллектуального анализа данных.

1.4 Выводы по главе 1.

ГЛАВА 2 ТЕОРИЯ И МЕТОДОЛОГИЯ ПОСТРОЕНИЯ

ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ АНАЛИЗА ДАННЫХ.

2.1 Представление знаний в интеллектуальных системах.

2.2 Методы интеллектуального анализа данных.

2.3 Методы формирования рассуждений по неполным данным.

2.4 Выводы по главе 2.

ГЛАВА 3 РАЗРАБОТКА МОДЕЛЕЙ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ, МЕТОДОВ И АЛГОРИТМОВ АНАЛИЗА ДИАГНОСТИЧЕСКИХ ДАННЫХ.

3.1 Сетевая модель представления зависимостей.

3.2 Метод и алгоритмы синтеза сетевых моделей зависимостей.

3.2.1 Синтез модели зависимостей на основе критерия минимальной длины описания.

3.2.2 Синтез модели зависимостей на основе логарифмической метрики.

3.2.3 Анализ качества работы алгоритмов по обучающей выборке.

3.3 Метод формирования нечетко-темпоральных описаний зависимостей.

3.4 Метод нечетко-темпорального описания изменений параметров контролируемых устройств.

3.5 Выводы по главе 3.

ГЛАВА 4 ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ СИСТЕМЫ

ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДИАГНОСТИЧЕСКИХ ДАННЫХ.

4.1 Структура базы данных и базы знаний.

4.2 Подсистема анализа данных и формирования моделей зависимостей.

4.3 Подсистема формирования нечетко-темпоральных описаний зависимостей и классификации сбоев устройств ЖАТ.

4.4 Подсистема выявления фактов проведения работ по ТОиР.

4.5 Программные средства автоматизации адаптации серверного ПО.

4.6 Программные средства контроля рабочих параметров и формирования резервных копий баз данных.

4.7 Программные средства автоматизации проектирования диагностических комплексов.

4.8 Выводы по главе 4.

Актуальность работы. Стратегия развития железнодорожного транспорта, принятая ОАО «РЖД» [106], предусматривает первоочередное решение ключевых задач, в числе которых обеспечение роста эффективности, устойчивости и безопасности перевозок, развитие новейших систем управления технологическими процессами на основе инновационных технологий, снижение негативного влияния «человеческого фактора» за счет внедрения современных информационных и компьютерных технологий. В этой связи приоритетным направлением работ является разработка и внедрение систем технического диагностирования и мониторинга (ТДМ) устройств железнодорожной автоматики и телемеханики (ЖАТ), которые позволят минимизировать время поступления информации об изменениях состояния устройств и возникших сбоях, повысить эффективность действий обслуживающего персонала, оптимизировать процесс выполнения работ по техническому обслуживанию и ремонту устройств ЖАТ и перейти к стратегии технического обслуживания «по фактическому состоянию».

В настоящее время широкое распространение получили такие системы ТДМ устройств ЖАТ, как АПК-ДК, АСДК и АДК-СЦБ. На основе этих систем на уровне железных дорог организуются Центры технического диагностирования и мониторинга (ЦТДМ), в которых аккумулируется и обрабатывается информация о текущем состоянии устройств ЖАТ. Значительный объем поступающей и накопленной информации, в сочетании с вышеперечисленными задачами, делает актуальной разработку интеллектуальных систем, включающих базу знаний, подсистемы анализа данных, поддержки принятия решений и взаимодействия с персоналом ЦТДМ. Подобные интеллектуальные системы позволят оптимизировать процесс технического обслуживания, повысить эффективность работы персонала ЦТДМ, и за счет этого снизить число возникающих сбоев устройств ЖАТ.

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

В области теории и практики разработки моделей, методов и алгоритмов, лежащих в основе диагностирования большой вклад внесли своими работами В.М. Глушков, И.Е. Дмитренко, В.Н. Иванченко, В.М. Лисенков, В.В. Сапожников, Вл.В. Сапожников. В области теории и практики создания современных технологий управления на железнодорожном транспорте, а также в области создания аппаратно-программных средств автоматизации процессов технического диагностирования большой вклад внесли своими работами В.М. Алексеев, A.B. Горелик, В.Б. Гуменников, И.Д. Долгий, JI.T. Кузин, И.К. Лакин, Э.К. Лецкий, E.H. Розенберг, Е.М. Тарасов, А.Н. Шабельников, Д.В. Швалов и другие ученые.

Фундаментальный вклад в теорию и практику управления сложными динамическими объектами с использованием искусственного интеллекта, а также в разработку программных систем обработки информации на основе использования математических, информационных и имитационных моделей внесли А.Н. Аверкин, С.Е. Ададуров, В.И. Апатцев, А.П. Батурин, Л.С. Берштейн, М.А. Бутакова, А.Н. Гуда, А.П. Еремеев, Л. Заде, В.П. Карелин, H.H. Лябах, В.И. Колесников, В.М. Курейчик, С.М. Ковалев, Э.А. Мамаев, Е. Мамдани, Г.С. Осипов, В.Е. Павлов, Д.А. Поспелов, С.И. Родзин, Л.П. Тулупов, В.Ф. Хорошевский, A.B. Чернов и другие ученые.

Объектом исследования является система интеллектуального анализа данных для технического диагностирования и мониторинга устройств железнодорожной автоматики и телемеханики.

Предмет исследования - принципы построения, методы и алгоритмы синтеза моделей зависимостей между диагностическими состояниями устройств ЖАТ. Исследования выполнялись в рамках следующих пунктов паспорта специальности 05.13.06 - «Автоматизация и управление технологическими процессами и производствами (на транспорте)»: п. 9 - «Методы эффективной организации и ведения специализированного информационного и программного обеспечения АСУТП, АСУП, АСТПП и др., включая базы и банки данных и методы их оптимизации»; п. 15 — «Теоретические основы, методы и алгоритмы интеллектуализации решения прикладных задач при построении АСУ широкого назначения (АСУТП, АСУП, АСТПП и др.).

Цель работы. Целью диссертации является исследование и разработка новых методов синтеза моделей зависимостей, как основы построения систем поддержки принятия решений для технического диагностирования и мониторинга устройств ЖАТ.

Основные задачи, определяемые целью исследования:

- разработка принципов построения моделей зависимостей между диагностическими состояниями устройств ЖАТ;

- разработка базовых интеллектуальных методов синтеза моделей на основе анализа данных диагностирования устройств ЖАТ;

- разработка интеллектуальных методов формирования нечетко-темпоральных описаний зависимостей, а также описаний изменения параметров устройств при смене диагностического состояния;

- разработка структуры программной реализации подсистем обработки данных и структуры базы знаний;

- разработка методики автоматизации адаптации программного обеспечения системы интеллектуального анализа данных.

Решение поставленных задач позволит повысить эффективность применения программных средств СТДМ, засчет автоматизации и интеллектуализации процессов взаимодействия системы и персонала Центров технического диагностирования и мониторинга.

Методы исследования. Исследования проводились с использованием методов теории информации, теории кодирования, теории графов, теории вероятности, теории нечетких множеств и элементов темпоральной логики.

Научная новизна диссертационной работы заключается в следующем:

- предложен новый подход к представлению зависимостей между диагностическими состояниями устройств ЖАТ на основе сетевой модели с вероятностными и нечетко-темпоральными атрибутами для повышения эффективности организации и ведения базы знаний интеллектуальной системы;

- разработан комплексный метод ассоциативного анализа данных и построения сетевой модели зависимостей между событиями, разработаны алгоритмы построения модели на основе принципа минимальной длины описания и модифицированной логарифмической метрики модели;

- разработан метод нечетко-темпорального описания зависимостей между диагностическими состояниями устройств ЖАТ и алгоритм формирования НТО зависимости по диагностическим данным;

- разработан метод и алгоритмы формирования нечетко-темпорального описания изменения параметров контролируемого объекта на основе анализа протоколов измерений.

Практическая ценность работы заключается в применении результатов исследования для разработки системы интеллектуального анализа данных (ИАД) на базе системы технического диагностирования и мониторинга (ТДМ), для Центра технического диагностирования и мониторинга устройств ЖАТ на Северо-Кавказской железной дороге, а также для разработки систем автоматизации адаптации программного обеспечения и автоматизации проектирования диагностических комплексов. В частности, в работе достигнуты следующие практические результаты:

- разработано серверное программное обеспечение, реализующее методы и алгоритмы выявления зависимостей между диагностическими состояниями устройств ЖАТ, функциональность выявления фактов проведения работ по техническому обслуживанию и ремонту устройств и передачи информации в систему АСУ-Ш-2; разработана клиентская часть программного обеспечения, реализующая взаимодействие системы ИАД с АРМ ШДМ (АРМ технолога ЦТДМ); разработана структура базы диагностических данных и базы знаний, содержащей модели выявленных зависимостей, на основе средств СУБД MS SQL Server; разработаны программные средства автоматизации адаптации (в части конфигураций и состава дистрибутива) программного обеспечения системы ИАД и сервера унифицированного информационного взаимодействия (СУИВ), автоматизации процесса проектирования диагностических комплексов (информационное обеспечение, проектная документация, схемы линий связи).

Практическое использование результатов исследования для построения системы интеллектуального анализа данных технического диагностирования устройств ЖАТ позволило автоматизировать: выявление зависимостей между сменами диагностических состояний; контроль эффективности и своевременности выполнения работ по техническому обслуживанию и ремонту (ТОиР) устройств ЖАТ; процесс формирования информационного и адаптации программного обеспечения системы ИАД и СУИВ.

Достоверность и обоснованность. Достоверность и обоснованность научных положений, выводов и результатов, сформулированных в диссертации, подтверждается результатами вычислительных экспериментов на практических и модельных задачах, публикациями и докладами на научно-практических конференциях, а также актами внедрения результатов работы.

Реализация результатов работы. Предложенные принципы и методы синтеза экспертных моделей, алгоритмы анализа диагностических данных и принципы представления знаний в системах технического диагностирования реализованы в программном комплексе интеллектуального анализа данных ИАД-ЦТДМ, разработанного для расширения функциональности системы ТДМ на уровне Центра технического диагностирования и мониторинга.

Апробация основных теоретических и практических результатов работы проводилась на Всероссийской научно-практической конференции «Транспорт-2005», г. Ростов-на-Дону, 2005 г.; Международной школе-конференции по приоритетным направлениям развития науки и техники, г.Москва, 2006 г.; Всероссийской научно-практической конференции «Транспорт-2006», г. Ростов-на-Дону, 2006 г.; VI Международной научно-практической конференции «Телекомтранс-2008», г. Сочи, 2008 г.; Всероссийской научно-практической конференции «Транспорт-2008», г. Ростов-на-Дону, 2008 г.; Международной научно-практической конференции "Проблемы и перспективы развития транспортного комплекса: образование, наука", посвященной 80-летию РГУПС, г. Ростов-на-Дону, 2009 г.; Всероссийской научно-практической конференции «Транспорт-2009», г. Ростов-на-Дону, 2009 г.; XI Международной научно-технической конференции «Кибернетика и высокие технологии 21 века», г.Воронеж, 2010г.; Всероссийской научно-практической конференции «Транспорт-2010», г. Ростов-на-Дону, 2010 г.; VII Международной научно-практической конференции «Телекомтранс-2010», г.Сочи, 2010г.; Всеросс. научно-практ. конф. «Математические методы и интеллектуальные системы в экономике и образовании» г. Ижевск, 2010 г.; XI Всеросс. научно-техн. конф. «Научные исследования и разработки в области авиационных,' космических и транспортных систем» г. Воронеж, 2010 г.; XIV Международной научно-практ. конф. «Актуальные проблемы информатики и информационных технологий» г. Тамбов, 2010 г.

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

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложений. Общий объем работы составляет 171 страницу машинописного текста, 53 рисунка, 8 таблиц. Список литературы включает 131 наименование работ отечественных и зарубежных авторов.

4.8 Выводы по главе 4

1. Разработана структура системы интеллектуального анализа данных, включающая подсистемы анализа диагностических данных и формирования моделей зависимостей между ДС, формирования нечетко-темпоральных описаний зависимостей и изменений параметров устройств, подсистему пользовательского интерфейса и базу знаний.

2. Выполнена разработка структуры и реализация на основе СУБД MS SQL Server базы данных системы диагностирования (включая данные о диагностических и динамических состояниях контролируемых устройств, протоколы измерений параметров, нормативно-справочную информацию, проектные и конфигурационные данные) и базы знаний системы интеллектуального анализа данных (включая данные о параметрах моделей зависимостей, нечетко-темпоральные описания зависимостей и изменений параметров, сопровождающих смену диагностического состояния).

3. Разработаны подсистемы анализа диагностических данных (в составе модулей взаимодействия с базой данных, трансформации протокола данных в матричную форму, анализа данных, взаимодействия с подсистемами формирования нечетко-темпоральных описаний, взаимодействия с базой знаний) и формирования нечетко-темпоральных описаний смен состояния и изменений измеряемых параметров (в составе служб оперативного анализа данных и анализа диагностических протоколов), выявления фактов выполнения работ по ТОиР.

4. Разработаны программные средства автоматизации адаптации серверного программного обеспечения системы унифицированного информационного взаимодействия и системы интеллектуального анализа данных, что позволило повысить эффективность разработки и обеспечить контроль корректности исходных данных и информационного обеспечения.

5. Разработаны программные средства контроля рабочих параметров и формирования резервных копий баз данных центра диагностирования и мониторинга в результате чего автоматизирован ряд операций по обслуживанию и поддержке баз данных и обеспечена функциональность оптимизации производительности.

6. Разработаны программные средства автоматизации проектирования диагностических комплексов, что позволило сократить сроки разработки проектов и информационного обеспечения, исключить ошибки и несоответствия проектных данных.

ЗАКЛЮЧЕНИЕ

В результате выполненных теоретических и практических исследований по теме диссертационной работы достигнуты следующие результаты:

1. Проведенный анализ состояния и актуальных проблем технического диагностирования устройств железнодорожной автоматики и телемеханики позволил выявить потребность в применении моделей и методов, обладающих низкой степенью ложных срабатываний и допускающих некритичное отклонение измеряемого параметра от заданных норм, а также важность для системы диагностирования таких параметров, как наличие распределенной структуры, свойство расширяемости и функций информационного взаимодействия со смежными системами.

2. Рассмотрение современных систем диагностирования технических устройств, применяемых на транспорте и в других областях, позволило выявить отставание систем диагностирования устройств ЖАТ от систем схожего назначения других отраслей по уровню интеллектуализации и реализации экспертных функций, а именно, выявить отсутствие функциональности формирования экспертных оценок состояния технических устройств, выявления скрытых закономерностей и тенденций с помощью методов интеллектуального анализа данных, прогнозирования состояния контролируемых устройств.

3. Выполненный анализ состояния, проблем и принципов реализации современных систем хранения и анализа данных позволил сделать вывод об актуальности разработки новых моделей представления и методов анализа данных.

4. Доказана необходимость применения интеллектуальных методов анализа данных и экспертных систем в железнодорожной отрасли, что позволит устранить отставание в уровне автоматизации и повысит эффективность работы персонала центров диагностирования и мониторинга, а также обеспечит поддержку принятия решений при обработке внештатных диагностических состояний контролируемых объектов.

5. На основе выполненного анализа существующих подходов к представлению знаний в интеллектуальных системах, и с учетом требований, предъявляемых к модели знаний о зависимостях между диагностическими состояниями, сделан вывод о целесообразности применения сетевого подхода к представлению знаний.

6. Рассмотрение методов интеллектуального анализа данных с учетом основных задач диагностики технических устройств позволило определить группу методов для решения задачи выявления зависимостей, предложить способ улучшения характеристик данной группы и сформулировать общую идею комплексного метода ассоциативного анализа данных.

7. Проведенный анализ методов формирования рассуждений на основе неполных данных с учетом специфики трудноформализуемых процессов функционирования устройств ЖАТ показал необходимость применения средств вероятностного и нечетко-логического подходов на этапе использования выявленных зависимостей для поддержки принятия решений персонала центра диагностирования и мониторинга, и как следствие — необходимость дополнения модели зависимостей диагностических состояний соответствующими атрибутами.

8. На основе обоснованного в Главе 2 подхода- разработана сетевая модель представления зависимостей между диагностическими состояниями, дополненная такими атрибутами, как таблицы условных вероятностей и нечетко-темпоральные описания смен диагностических состояний и изменений измеряемых параметров контролируемых устройств, что позволяет расширить спектр применяемых подходов при использовании базы знаний выявленных зависимостей. Приведен пример сетевой модели зависимостей между диагностическими состояниями стрелочного привода.

9. Разработан комплексный метод ассоциативного анализа данных и построения сетевой модели зависимостей между событиями, алгоритмы построения модели зависимостей на основе принципа минимальной длины описания и модифицированной логарифмической метрики, приведены примеры использования алгоритмов для обработки выборок диагностических данных, выполнен сравнительный анализ эффективности работы алгоритмов.

10. Разработан метод нечетко-темпорального описания зависимостей между диагностическими состояниями устройств ЖАТ, алгоритм формирования НТО зависимости по диагностическим данным, определен вид функций принадлежности нечетких лингвистических переменных, приведен пример НТО зависимости между парой диагностических состояний РЦ.

11. Разработан метод нечетко-темпорального описания изменения параметров контролируемого объекта, разработаны алгоритмы формирования нечетко-темпорального описания зависимости между изменениями параметров на основе анализа протоколов измерений.

12. Разработана структура системы интеллектуального анализа данных, включающая подсистемы анализа диагностических данных и формирования моделей зависимостей между ДС, формирования нечетко-темпоральных описаний зависимостей и изменений параметров устройств, подсистему пользовательского интерфейса и базу знаний.

13. Выполнена разработка структуры и реализация на основе СУБД MS SQL Server базы данных системы диагностирования (включая данные о диагностических и динамических состояниях контролируемых устройств, протоколы измерений параметров, нормативно-справочную информацию, проектные и конфигурационные данные) и базы знаний системы интеллектуального анализа данных (включая данные о параметрах моделей зависимостей, нечетко-темпоральные описания зависимостей и изменений параметров, сопровождающих смену диагностического состояния).

14. Разработаны подсистемы анализа диагностических данных (в составе модулей взаимодействия с базой данных, трансформации протокола данных в матричную форму, анализа данных, взаимодействия с подсистемами формирования нечетко-темпоральных описаний, взаимодействия с базой знаний) и формирования нечетко-темпоральных описаний смен состояния и изменений измеряемых параметров (в составе служб оперативного анализа данных и анализа диагностических протоколов), выявления фактов выполнения работ по ТОиР.

15. Разработаны программные средства автоматизации адаптации серверного программного обеспечения системы унифицированного информационного взаимодействия и системы интеллектуального анализа данных, что позволило повысить эффективность разработки и обеспечить контроль корректности исходных данных и информационного обеспечения.

16. Разработаны программные средства контроля рабочих параметров и формирования резервных копий баз данных центра диагностирования и мониторинга в результате чего автоматизирован ряд операций по обслуживанию и поддержке баз данных и обеспечена функциональность оптимизации производительности.

17. Разработаны программные средства автоматизации проектирования диагностических комплексов, что позволило сократить сроки разработки проектов и информационного обеспечения, исключить ошибки и несоответствия проектных данных.

1. Аверкиев С.А., Пущин A.C. О подходе к увязке микропроцессорных систем ЖАТ // АСИ. -2006. -№9. -С. 15-16.

2. Алтунин А.Е., Семухин М.В. Модели и алгоритмы принятия решений в нечетких условиях: Монография. Тюмень: Издательство Тюменского государственного университета, 2000. 352 с.

3. Арсеньев С.Б., Бритков В.Б., Маленкова H.A. Использование технологии анализа данных в интеллектуальных информационных системах / Управление информационными потоками: Сборник трудов Института системного анализа РАН. М.: Эдиториал УРСС, 2002. -С. 47-68.

4. АстанинС.В., ЗахаревичВ.Г. Обработка и представление знаний в информационно-советующих комплексах гибридного интеллекта. — Таганрог: ЕЗТУ, 1997. -136 с.

5. Барсегян A.A. Методы и модели анализа данных: OLAP и Data Mining // С-Пб.: «БХВ-Петербург», 2004.

6. БартосФ.Дж. Искусственный интеллект: принятие решений в сложных системах управления// Мир компьютерной автоматизации. -1997. №4 (12). -С. 22-27.

7. Башлыков A.A., Жаров И.В. и др. "СПРИНТ-РВ" интеллектуальная S С AD А-система // "ПРИБОРЫ + Автоматизация" №12 2006г.

8. Берман Р.Я., Вишнепольский Р.Л., Кабаев C.B., Тимофеев B.C. Современные цеховые системы автоматизации газокомпрессорных станций // Мир компьютерной автоматизации, 3. 1997г.

9. Бутакова М.А. Модели потоков данных и информационных систем на транспорте: Автореф. дис. д-ра техн. наук. Ростов-на-Дону: РГУПС, 2006. -35с.

10. Волков A.A. Система АПК-ДК: новые возможности АРМ диспетчера дистанции //АСИ. 2006. - № 8. -С. 16-19.

11. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. -СПб.: Питер, 2000. -384 с.

12. Горишний Д.В. Автоматизация проектирования линий связи железнодорожных диагностических комплексов // Тезисы докладов международной школы-конференции по приоритетным направлениям развития науки и техники. Москва: РГУИТП, 2006. - С. 21-22.

13. Горишний Д.В., Рухленко С.А. Автоматизация учета выполнения работ по техническому обслуживанию устройств СЦБ // Труды Всеросс. научно-практ. конф. «Транспорт-2006». Ростов-н/Д: РГУПС, 2006. - С. 249-250.

14. Горишний Д.В. Разработка подсистемы управления структурой и синхронизации баз данных // Труды Всеросс. научно-практ. конф. «Транспорт-2009». Ростов-н/Д: РГУПС, 2009. - С. 229-230.

15. Горишний Д.В. Методы интеллектуального анализа данных для систем технического диагностирования и мониторинга // Труды РГУПС. — 2009. — № 1.-С. 140-150.

16. Горишний Д.В. Синтез модели зависимостей между событиями на основе критерия описания минимальной длины // Сборник докладов XI Международной научно-технической конференции «Кибернетика и высокие технологии XXI века». Воронеж, 2010. — Т.2 - С. 898-908.

17. Горишний Д.В. Экономика и технология систем технического диагностирования устройств железнодорожной автоматики и телемеханики // Труды Всеросс. научно-практ. конф. «Транспорт-2009». — Ростов-н/Д: РГУПС, 2010. С. 229-230.

18. Горишний Д.В., Мамаев Э.А. Разработка подсистемы выявления зависимостей между сбоями устройств ЖАТ // Сборник докладов 7-й Международной научно-практической конференции «ТелекомТранс-2010». Ростов-н/Д: РГУПС, 2010. - С. 65-72.

19. Горишний Д.В. Методы синтеза вероятностной модели зависимостей // Труды XTV Международной научно-практ. конф. «Актуальные проблемы информатики и информационных технологий». Тамбов, 2010. — С. 345347.

20. Горишний Д.В. Система интеллектуального анализа данных технического диагностирования устройств железнодорожной автоматики и телемеханики // Вестник РГУПС, 2010 №2. - С. 73-79.

21. Горишний Д.В., Мамаев Э.А. Алгоритм выявления зависимостей между сбоями устройств железнодорожной автоматики и телемеханики // Наука и техника транспорта. Москва: РГОТУПС, 2010. - С. 60-72.

22. Горишний Д.В. Эвристический алгоритм синтеза модели зависимостей между событиями // Вестник ДГТУ, 2010 №5. - С. 683-691.

23. Горишний Д.В. Моделирование структуры зависимостей между сбоями устройств железнодорожной автоматики и телемеханики // Известия ВУЗов. Северо-Кавказский регион. Технические науки. Новочеркасск: ЮРГТУ (НПИ), 2010. - №5. (в печати).

24. Джарратано Дж. Экспертные системы. Принципы разработки и программирование / Джарратано Дж., Райли Г. М.: Вильяме, 2007. — 1152с.

25. Джексон П. Введение в экспертные системы: Пер. с англ. М.: Изд. Дом «Вильяме», 2001. -624 с.

26. Долгий И.Д., Хатламаджиян А.Е. Гибридные интеллектуальные технологии в системах железнодорожной автоматики и телемеханики // Перспективные информационные технологии и интеллектуальные системы, № 3 (19), 2004, http://pitis.tsure.ru/

27. Еремеев А.П. Проектирование интеллектуальных систем принятия/поддержки принятия решений в инструментальной среде G2// Перспективные информационные технологии и интеллектуальные системы, № 2, 2000.

28. Жарков Ю.И. Повышение технического совершенства и надежности функционирования систем автоматического управления устройствами тягового электроснабжения: Автореферат диссертации на соискание ученой степени д.т.н. М.: ВНИИЖТ, 1992. - 48с.

29. Заде JI. Понятие лингвистической переменной и его применение к принятию приближенных решений. -М.: Мир, 1976. -165 с.

30. Искусственный интеллект. В 3-х кн. Кн. 2. Модели и методы/ Под ред. Д.А. Поспелова. -М.: Радио и связь, 1990. —304 с.

31. Ковалев С.М., Долгий А.И. Модель представления и обработки нечетко-временной информации о последовательных событиях в слабо формализованных динамических процессах. // Перспективные информационные технологии и интеллектуальные системы, № 3 (19), 2004.

32. Колесников A.B. Гибридные интеллектуальные системы. Теория и технология разработки/ Под ред. A.M. Яшина.-СПб.: СПбГТУ, 2001.— 711 с.

33. Корнеев В.В., Греев А.Ф., Васютин C.B., Райх В.В. Базы данных. Интеллектуальная обработка информации. -М.: Нолидж, 2000. —352с.

34. Кузнецов «Базы данных. Языки и модели», М:Бином-пресс, 2008.

35. Курейчик В.М., Родзин С.И. Эволюционные вычисления: генетическое и эволюционное программирование //Новости искусственного интеллекта №5,2003.

36. Ларичев О.И. «Новые возможности компьютерного обучения» // Вестник РАН, 1989. Т.69, №2. С.106-109.

37. Лим Т. Сравнение деревьев решений и других методов классификации данных//М.: Wiley, 1993.

38. Лисенков В.М. Безопасность технических средств в системах управления движением поездов. -М.: Транспорт, 1992.

39. Лябах H.H. Математические основы разработки и использования машинного интеллекта. -Ростов н/Д: Изд. Ростовского ун-та, 1989. -112 с.

40. Лябах H.H., Шабельников А.Н. Техническая кибернетика на железнодорожном транспорте. — Ростов н/Д, 2002. -283с.

41. Мамаев Э.А. Моделирование региональных транспортных систем в условиях конкуренции: Автореф. дис. д-ра техн. наук. Москва: МГУПС, 2006. -48с.

42. Мамаев Э.А. Управление региональными транспортными системами в условиях изменений: проблемы и модели. /Э.А. Мамаев; Рост. гос. ун-т путей сообщения. Ростов н/Д, 2005. -195 с.

43. Нестеров В.В. Мониторинг эксплуатационных показателей на основе систем АПК-ДК и АСУ-Ш-2 // АСИ. 2006. - № 11. -С. 36-37

44. Нечеткие множества в моделях управления и искусственного интеллекта// Аверкин А.П., Батыршин И.З., Блишун А.Ф./ Под ред. Д.А. Поспелова. -М.: Наука, 1986.-312 с.

45. Никитин А.Б., Бушуев C.B., Валиев Р.Ш., Воронин С.Ю., Идуков А.Ю. Структура и технические средства ЭЦ-МПК // АСИ. 2006. - № 8. -С. 2-5

46. Никитин А.Б., Бушуев C.B., Валиев Р.Ш., Воронин С.Ю., Идуков А.Ю. Проектирование пользовательского интерфейса для ЭЦ-МПК // АСИ. -2006.-№ 10. -С. 10-11.

47. Норенков И.П. Основы автоматизированного проектирования. М.: Изд-во ■ МГТУ им. Н.Э. Баумана, 2002.

48. Павленко E.H. Разработка моделей и методов исследования технологических процессов в электроэнергетике с применением нечетких оценок параметров: Автореф. дис. канд. тех. наук. -Таганрог: ТРТУ, 2004. -21с.

49. Попов Э.В., Фоминых И.Б., Кисель Е.Б., ШапотМ.Д. Статистические и динамические экспертные системы.-М.: Финансы и статистика, 1996.— 320 с.

50. Построение экспертных систем// Пер. с англ./Под ред. Ф. Хейса-Рота, Д. Уотермана, Д. Лената. -М.: Мир, 1987. 441 с.

51. Прищепа М.В. Проблемы диагностики устройств железнодорожной автоматики и телемеханики // Труды Всероссийской научно-практической конференции «Транспорт-2005», май 2005г. в 2-х частях. Часть 1. Рост.гос.ун-т. путей сообщения. Ростов н/Д, 2005. -С.33-34

52. Прищепа М.В. Построение системы диагностирования и мониторинга устройств железнодорожной автоматики и телемеханики // Вестник РГУПС, №2(26), 2007. -С.62-69

53. Пьявченко О.Н., Клевцов С.И. Информационно-советующая система управления сложными объектами // Перспективные информационные технологии и интеллектуальные системы, № 2 (6), 2001, http://pitis.tsure.ru/

54. Разработка Web-сервисов XML и серверных компонентов на Microsoft Visual Basic .NET и Microsoft Visual C# .NET. Курс MCAD/MCSD/ Пер. сангл . — М.: Издательско-торговый дом «Русская редакция», 2004. — 576 стр.

55. Рассел С. Искусственный интеллект: современный подход / Рассел С., Норвиг П. -М.: Вильяме, 2006. 1408с.

56. Рипли Б. Распознавание образов и нейросети // Cambridge University Press, 1996.

57. Родзин С.И. Гибридные интеллектуальные системы на основе алгоритмов эволюционного программирования // Новости искусственного интеллекта. 2000. №3. С. 159-170

58. Родзин С.И., Родзина О.Н. Гибридные интеллектуальные классификаторы // Перспективные информационные технологии и интеллектуальные системы, № 4 (8), 2001, http://pitis.tsure.ru/

59. Розенберг Е.Н. Многоуровневая система управления и обспечения безопасности движения поездов: Автореф. дис. . д-ра техн. наук. -М.: ВНИИАС МПС России, 2004. -49с.

60. РТМ 32 ЦШ 1115842.01-94. Безопасность железнодорожной автоматики и телемеханики. Методы и принципы обеспечения безопасности микроэлектронных СЖАТ.

61. РТМ 32 ЦШ 1115842.02-94. Руководящий технический материал. Безопасность железнодорожной автоматики и телемеханики. Методы расчета показателей безотказности и безопасности СЖАТ.

62. Руководящий документ РД 1115842.07-2004 «Системы технического диагностирования и мониторинга. Эксплуатационно-технические требования», утвержденные ЦШ ОАО «РЖД» от 10.08.2004г.

63. Рыбина Г.В. Модели, методы и программные средства для построения интегрированных экспертных систем : Автореф. дис. . д-ра техн. наук : 05.13.11 : Москва, 2004. -32 с.

64. Самарский А. А., Михайлов А. П. Математическое моделирование: Идеи. Методы. Примеры. -2-е изд., испр. -М.: Физматлит, 2001. -320 с.

65. Сапожников В.В., Сапожников Вл. В., Христов Х.А., Гавзов Д.В. Методы построения безопасных микроэлектронных систем железнодорожной автоматики. М.: Транспорт, 1995.

66. Сапожников В.В., Сапожников Вл.В., Талалаев В.И. и др.; Под редакцией Вл.В. Сапожникова. Сертификация и доказательство безопасности систем железнодорожной автоматики. М.: Транспорт, 1997.

67. Сапожников В.В., Сапожников Вл.В., Шаманов В.И. Надежность систем железнодорожной автоматики, телемеханики и связи. / Под ред. Вл.В. Сапожникова. М.: Маршрут, 2003. - 26с.

68. Сепетый, А.А. Развитие средств автоматизации в системе АДК-СЦБ // АСИ. 2006. - № 11. - С. 32-35 : ил.

69. Сизиков B.C. Устойчивые методы обработки результатов измерений. — СПб.: «СпецЛит», 1999. -240с.

70. Сошников Д.В. Методы и средства построения распределенных интеллектуальных систем на основе продукционно-фреймового представления знаний: Автореф. канд. физмат, наук. -М.: МАИ, 2002. -19с.

71. Сугено М. Прикладные нечеткие системы: Перевод с япон./ К. Асаи, Д. Ватада, С.Иваи и др.; под ред. Т. Тэрано, К. Асаи. М.: Мир, 1993.

72. Суфиянов В.Г. Разработка адаптивных статистических моделей классификации и прогнозирования: Автореф. канд. физмат, наук. —Пермь: ИжГТУ, 2004. -17с.

73. Таненбаум Э., М. ван Стеен. Распределенные системы. Принципы и парадигмы. СПб.: Питер, 2003. 877с.

74. Тарасов Е.М. Математическое моделирование рельсовых цепей с распределенными параметрами рельсовых линий. Самара: СамГАПС, 2003.- 118с.

75. Тарасов Е.М. Принципы распознавания в классификаторах состояний рельсовых линий: Монография. -М.: Маршрут, 2004. -200 с.

76. Тетельбаум А .Я. Силовое размещение планарного графа // Изв. АН СССР, Техн. киберн., 1988, №3.

77. Токарев B.JI. Интегрированная система поддержки принятия решений по управлению, прогнозированию и диагностике //Автоматизация и современные технологии 2000. - №4. - С. 21-28

78. Трахтенгерц Э.А. Компьютерная поддержка принятия решений: Научно-практическое издание. Серия «Информатизация России на пороге XXI века». -М.: СИНТЕГ, 1998. -376 с.

79. Ульяницкий Е.М., Филоненков А.И., Ломаш Д.А. Информационные системы взаимодействия видов транспорта. М.: Маршрут, 2005.

80. УотерменД. Руководство по экспертным системам. М.: Мир, 1989.— 184 с.

81. Уфимцев C.B. Система поддержки принятия решений диагностической ЭС PB в условиях неопределенности // Сб. докладов международной конференции по мягким вычислениям и измерениям SCM-98. Т. 1. -СПб., 1998. С. 199-202.

82. Федорчук А.Е, Гоман Е.А. Система диагностики, структура построения и технология использования в эксплуатации на примере АДК-СЦБ // Автоматика и телемеханика на железнодорожном транспорте — сборник докладов "ТрансЖАТ-2005". -Ростов-на-Дону, С. 118-119.

83. Федорчук А.Е., Сепетый А.А., Снитко Ю.В., Шутов М.А., Степанова А.А. Функциональное развитие системы АДК-СЦБ // АСИ. 2005. - №12. - С. 42-45.

84. Хурамшин Р.И. Модели и алгоритмы обработки данных и знаний для повышения эффективности прогнозирования показателей сложных объектов: Автореф. дис. канд. тех. наук. -Уфа: 2002, 16с.

85. Чернов А.В. Модели и методы дискретного анализа и синтеза в задачах технической диагностики информационных систем // Научное издание — Ростов н/Д: Изд-во ЮФУ, 2009. 169с.

86. Щавелев JI.B. Способы аналитической обработки данных для поддержки принятия решений // Системы управления базами данных, #04-05, 1998.

87. Экспертные системы. Инструментальные средства разработки/ Под ред. Ю.В. Юдина. -СПб.: Политехника, 1996. -220 с.

88. Якунин В.И. Итоги года фундамент дальнейшего развития компании ОАО «РЖД» / В.И. Якунин // Евразия. Вести. - 2006. - №12.

89. Allen J. Maintaining knowledge about temporal intervals // Communications of the ACM, 26(11), 1983,p. 331—337.

90. Carreau D. MONITECQ III leads the way in HV circuit breaker monitoring // HydroTech vol.13, No.2 Spring-Summer 2000

91. Carreau D., Menard S., Landry M., Eksioglu K.M. Condition Monitoring Diagnostics Expert System: A Project Roadmap // EPRI SEDC VIII New Orleans, February 22nd, 2000 1.

92. Cheeseman P., Kanefsky В., and Taylor W. Where the really hard problems are. In Proceedings of the Twelfth International Joint Conference on Artificial Intelligence (IJCAI-91), p. 331—337, Sydney. Morgan-Kaufmann, 1991.

93. Cobham A. The intrinsic computational difficulty of functions. In Bar-Hillel Y. (Ed.), Proceedings of the 1964 International Congress for Logic, Methodology, and Philosophy of Science, p. 24-30, Jerusalem. Elsevier/North-Holland.

94. Codd E. «А Relational Model of Data for Large Shared Data Banks» Communications of the ACM, 13:6, June. 1970.

95. Codd E. «Does Your DBMS Run by the Rules?» Computer World, October 21, 1985.

96. Codd E. F, Codd S. В., Salley С. T. Providing OLAP (On-Line Analytical Processing) to User-Analysts: An IT Mandate. E. F. Codd & Associates, 1993.

97. Cook S. A. The complexity of theorem-proving procedures. In Proceedings of the 3rd Annual ACM Symposium on Theory of Computing, p. 151-158, New York. ACM Press, 1971.

98. Cooper G., Herskovits E. A Bayesian method for the induction of probabilistic networks from data. Machine Learning 9 (1992). Boston. P. 309-347.

99. DurkinJ. Expert Systems: Catalogue of Applications. — Acron: Intelligent Computer Systems Inc., 1987.

100. Fruchterman T.J., Reingold E.T. Graph drawing by force-directed placement // Software Practice and Experience, v.21, 1991, № 11.

101. Fuzzy Logic Toolbox/ For Use with MATLAB. User's Guide. Version 2. The MathWorks Inc., 1998.

102. Jensen F.V. Bayesian networks and desicion graphs. Springer-Verlag, 2002.

103. Karp R. M. Reducibility among combinatorial problems. In Miller R. E. and Thatcher J. W.(Eds.) Complexity of Computer Computations, p. 85—103. Plenum, New York, 1972.

104. Lenat D. Knowledge-based systems in artificial intelligence, McGraw-Hill, 1976.

105. Medsker L.R. Hybrid Intelligent Systems// International Journal of Computational Intelligence and Organizations. 1996. V. 1. P. 10-20.

106. Pearl J. Probabilistic Reasoning in Intelligent Systems. Morgan Kaufmann, 1991.

107. Quillian R., Minsky M. Semantic Memory. Semantic Information Processing, p,235. Ibid, p.235, 1969.

108. Ramsey F. P. Truth and probability. In Braithwaite R. B. (Ed.), The Foundations of Mathematics and Other Logical Essays. New York, 1931.

109. Reifman J., Thomas Y., Wei C. PRODIAG: A Process-Independent Transient Diagnostic System I: Theoretical Concepts // Nuclear Science & Engineering Volume 131 • Number 3 • March 1999 • Pages 329-347

110. Suzuki J. Learning Bayesian Belief Networks based on the Minimum Description length Principle: Basic Properties // IEICE Trans, on Fundamentals. 1999. - Vol. E82-A №9.-9 p.

111. Thomsen E. OLAP Solutions: Building Multidimensional Information Systems, Wiley, 2002.

112. Witsenhausen H.S. A Class of Hybrid-State Continuous Time Dynamic Systems// IEEE Trans, on Automatic Control. 1966. 2. VI1. P. 161-167.

113. Zheng Y., Kwoh C.K. Improved MDL Score for Learning of Bayesian Networks. // Proceedings of the International Conference on Artificial Intelligence in Science and Technology. 2004. - AISAT. - P. 98-103.