автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Прикладные методы идентификации подвижных единиц в автоматизированных системах коммерческого осмотра подвижного состава

На правах рукописи

ГВОЗДЕВ ДЕНИС СЕРГЕЕВИЧ

Прикладные методы идентификации подвижных единиц в автоматизированных системах коммерческого осмотра подвижного состава

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

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

іт

005538981

Ростов-на-Дону - 2013

005538981

Работа выполнена в федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Ростовский государственный университет путей сообщения» (ФГБОУ ВПО РГУПС) на кафедре «Автоматика, телемеханика, связь на железнодорожном транспорте»

Научный руководитель - доктор технических наук, профессор,

Ковалев Сергей Михайлович

Официальные оппоненты - Кравцов Юрий Александрович,

доктор технических наук, профессор, кафедры «Автоматика и телемеханика на железнодорожном транспорте» ФГБОУ ВПО «Московский государственный университет путей сообщения»

Целых Александр Николаевич, доктор технических наук, профессор, Руководитель кафедры «Информационно-аналитические системы безопасности», Южный федеральный университет

Ведущая организация - Российский научно-исследовательский институт

информационных технологий и систем автоматизированного проектирования (РОСНИИТАГІ)

Защита состоится 13 декабря 2013 г. в 13:00 час. на заседании диссертационного совета Д 218.010.03 при ФГБОУ ВПО «Ростовский государственный университет путей сообщения» (344038, г. Ростов-на-Дону, пл. им. Ростовского Стрелкового Полка Народного Ополчения, 2), конференц-зал.

С диссертацией можно ознакомиться в библиотеке университета. Автореферат разослан 12 ноября 2013 г.

Ученый секретарь диссертационного совета Д 218.010.03 д.т.н., профессор

М.А. Бутакова

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность

Важным элементом перевозочного процесса на сегодняшний день является операция коммерческого осмотра вагонов в пути следования на пунктах коммерческого осмотра поездов и вагонов (ПКО). Задача сокращения продолжительности выполнения этой операции оказывает влияние на ускорение оборота вагона, ускорение продвижения вагонопотоков. В условиях работы железных дорог решение этих проблем осуществляется за счет внедрения автоматизированных систем коммерческого осмотра поездов и вагонов. Внедрение подобных систем ведется с 1996 года и осуществляется в рамках государственной программы по повышению безопасности движения в соответствии с указанием МПС №М-4у от 04.01,96г. Решение задачи повышения качества идентификации вагонов, позволит повысить уровень безопасности и скорости доставки перевозимых грузов.

Область автоматизации и управления процессами охватывает довольно широкий круг сфер применения, таких как транспорт, машиностроение, робототехника. По теме автоматизации и управления процессами на транспорте опубликованы работы таких авторов как Белявский Г.И., Бутакова М.А., Вагин В.Н., Еремов А.П., Киселев В.В., Ковалев С.М., Кузнецов М.М., Львова Е.И., Нгуен Д.Т., Хорн Б.К.П., Храмов В.В. и др.

Значительный вклад в теорию и практику внедрения интеллектуальных систем на железнодорожном транспорте внесли Гуда А.Н., Долгий И.Д., Жданов С.М., Иванченко В.Н., Кулькин А.Г., Лябах H.H., Салыгин В.И^ Скляров В.Н., Солодовников В.В., Федорчук А.Е., Шабельников А.Н.

Целью диссертационного исследования является разработка методов идентификации подвижных единиц железнодорожного транспорта, позволяющих улучшить качество и ускорить процесс автоматизированного коммерческого осмотра.

Объектом исследований являются системы автоматизированного коммерческого осмотра подвижного состава на железнодорожном транспорте.

Методы исследований основаны на применении теории вероятностей, теории надежности систем, методов параметрической идентификации.

Решенные задачи: проведен анализ современных отечественных и зарубежных систем автоматизированной идентификации подвижных единиц железнодорожного транспорта; разработан метод считывания данных с движущегося поезда, основанный на - применении фотоинформации о подвижных единицах; разработаны методы идентификации подвижных единиц, основанные на обработке двумерных изображений бортового номера и кузова и привлечении дополнительной технологической информации; разработан метод резервирования источников первичной информации о подвижных единицах с целью повышения вероятности успешной идентификации и обеспечения контроля достоверности технологической информации; осуществлен синтез программно-математического обеспечения модели идентификации и обеспечивающего модуля АСОУП.

Практическое значение. Результаты исследований предоставляют возможность автоматизации, улучшения качества и ускорения процесса коммерческого осмотра подвижных единиц на железнодорожном транспорте, а также снижения требований к используемому вычислительному оборудованию.

Научная новизна диссертации заключается в следующем:

- разработан метод построения экспертной подсистемы идентификации подвижных единиц, основанный на объединении методов идентификации бортовых номеров, форм кузова, сопроводительной технологической информации^ о составе поезда и нейросетевой модели классификации, позволяющий повысить качество автоматизированного коммерческого осмотра;

- разработан метод контроля достоверности технологической документации, основанный на кворумном резервировании источников первичной информации о подвижных единицах, позволяющий повысить качество осмотра;

- разработан метод синтеза программно-математического обеспечения экспертной подсистемы идентификации подвижных единиц и обеспечивающего модуля АСОУП, позволяющего организовать взаимодействие экспертной модели идентификации подвижных единиц с АСОУП с целью осуществления контроля достоверности технологической информации и удаленного мониторинга за передвижением подвижных единиц.

Выполненная диссертация соответствует паспорту специальности 05.13.06 «Автоматизация и управление технологическими процессами и производствами (на транспорте)»:.пунктам 10,12, и 16.

Апробация работы. Основные положения диссертации докладывались на Научно-пракшческой конференции «Транспорт-2007» (г. Ростов н/Д 2007 г.), Всероссийской научно-практической конференции «Транспорг-2007» (г. Ростов н/Д 2007 г.), Девятом всероссийском симпозиуме по прикладной и промышленной математике (г. Москва, 2007 г.), Научно-практической конференции «Транспорг-2009» (г. Ростов н/Д 2009 г.), Третьей Всероссийской научной конференции «Нечеткие системы и мягкие вычисления» (г. Волгоград, 2009 г.), Международном Форуме «Инновации. Инвестиции. Технологии» г. Ростов н/Д 2011 г.).

Публикации. По результатам исследований опубликовано 12 печатных работ, из которых 4 статьи - в изданиях, рекомендованных ВАК РФ, учебное пособие. Получен патент №133082 на полезную модель «Устройство идентификации подвижных единиц железнодорожного транспорта»

Структура и содержание работы. Диссертация состоит из введения, четырех глав, заключения и списка использованных источников, включающего 116 наименований и приложения. Общий объем работы составляет 160 страниц и содержит 43 таблицы и 67 рисунков.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертационной работы, сформулированы цели и задачи исследования, раскрыта научная новизна и практическая ценность полученных результатов, приведены результаты реализации теоретических и практических исследований.

Первая глава посвящена анализу текущего состояния вопроса коммерческого осмотра подвижных единиц на железнодорожном транспорте, выявлению ряда проблем и определению способов их решения.

В ходе анализа существующих систем автоматизированной идентификации подвижных единиц железнодорожного транспорта установлено, что системы, основанные на оптоэлектронном методе получеши данных, получили наибольшее распространение по сравнению с системами, построенными на основе СВЧ-излучений. Однако в них все еще существует необходимость решения вопросов, связанных с идентификацией сильно искаженных бортовых номеров вагонов. Оптоэлектронные системы, в отличие от СВЧ-систем, имеют возможность контроля как российских, так и зарубежных подвижных единиц, поскольку отсутствует необходимость обеспечения международного парка вагонов бортовыми СВЧ-датчиками. На данный момент не создано системы идентификации подвижных единиц на железнодорожном транспорте, обеспечивающей вероятность успешной идентификации выше 93 %. Следовательно, существует необходимость разработки методов и моделей, способных обеспечить более качественный осмотр.

Для считывания информации с проходящего подвижного состава предложено использование цифровых фотокамер, что позволит ускорить процессы сбора и обработки исходных данных об объекте, поскольку передача и обработка фотоизображений осуществляется быстрее по сравнению с видео потоком. С целью повышения вероятности успешной идентификации подвижных единиц в условиях высокого уровня помех, предлагается использование кворумного резервирования разнотипных источников исходной информации об объекте.

Вторая глава посвящена разработке методов экспертной автоматизированной подсистемы идентификации подвижных единиц железнодорожного транспорта.

Математическая формализация задачи. Пусть средствами считывания получено двумерное графическое изображение объекта. Методами предварительной обработки устранен шум, и изображение приведено к бинарному виду. Выделим замкнутый контур объекта, который на прямоугольном растре может быть представлен совокупностью координат {хьУ!} точек {а,}, / = 1,#,гдеЛ^- число точек (пикселей) контура. Обозначим

I

= гДе 4- длина элементарного вектора, для прямоугольного

к=\ >

растра:

|1, если элемент кода Фримена четный, ,если иначе

Тогда параметрически, контурная линия описывается как система уравнений

1х,=х,•<>/); [УгУ№

В общем случае, при Ы—> со линии контура (х(з) и у(г)) объекта изображения является решением линейного дифференциального уравнения конечного (не выше Л«оо) порядка. Пусть имеются базисные ортоэкспоненциальные функции, задаваемые выражением (1):

= С' в^ (1)

к=0 Ы '

где т е (0,1) - некоторый масштабный коэффициент. Коэффициенты ортогонального разложения вычисляются по известной формуле Фурье:

оо

ф, =

0

где - функция контурной линии (х(я) или у(з)) объекта и равна

у=0

Обозначим

о

Тогда коэффициенты разложения:

Ф0 = , Ф1 = 2л/фя(У0 фг =3л/б^(70 -41? +-1?) ... Фп .

3

Выражение (2) совпадает с интегральным преобразованием Лапласа (3) с комплексной переменной р = а+]р

СО

ПР)= \терч5 (3)

о

В частном случае, при р = Ч,а = Ьп; можно записать:

оо

Р{кт) = = Ук

Из спектрально-аналитической теории известно, что в качестве признаков (коэффициентов) формы наилучшими, с точки зрения информативности, являются отношения функционалов

ТГ =_0___0_

Ф «о -«, .

//»(Я-*) А

о о

Применительно к ортоэкспоненциальным функциям (1) производится замена э на е\ что объясняется нелинейностью самих функций. С учетом особенностей организации контурных линий и возможностей их использования для большего охвата свойств контура целесообразно иметь дело не с одним скалярным коэффициентом формы, а с матрицей формы. Обозначим

где >(5-5) - «зеркальные» функции;

5 - длина контура. Тогда при параметрическом описании контура объекта имеем ^[хСО.д'Оу)] = 0, где 5 - расстояние от текущей до начальной точки контура. С учетом принятых обозначений и замкнутого контура, выражение (4) переписываем в виде:

00

Ф,з =—2.

и со

о

-s)e-psds

Поскольку все Дй) периодические с периодом. 5, коэффициенты, характеризующие связность точек контура, вычисляются как

—~\me-psdS )Ms)e-^ds J ft{s)e-r°ds

ф,, = e_0_= J__ф =-0_

—^¡fj(s)e-"ds jfjWds \fj{s)e~p4s

e 0 0 или о

(5)

Рассмотрим вопрос, целесообразности использования таких признаков при идентификации паттернов контуров объектов. Пусть необходимо идентифицировать фигуру, внешний контур которой имеет форму эллипса с осями aab. Подставляя в (5) f¡(s)=a cos s;f2(s)=b sin s, получаем:

_ а 1 b р

Полученное аналитическое выражение для одного из элементов матрицы формы показывает, во-первых, явно выраженную характеристику параметров эллипса, во-вторых, при изменении этих параметров, «чувствует» все изменения, в-третьих, является классическим признаком объекта, имеющим название «удлиненность». Любое монотонное преобразование осуществляется без потери информации об оригинале. Дискретное преобразование Лапласа

также не ухудшает информационные свойства оригинала, представленного в виде изображения, и способно характеризовать его форму, представленную в виде функции, описывающей кривизну контурной линии. Примем 50=0, тогда

Ф1 = --ф2 = -1=°-

¡=0 1=0

5 5

фз = - ф4 = -

1=0 /=0

Ф5 = -£=°--Ф6 = -

/=0 1=0

Ф7 = ——--Ф8 = —--

¡=0 /=0

Таким образом, имеем вектор коэффициетов формы объекта {Ф;.....Ф„},

при п=8. В контексте задачи идентификации, вектор {Ф1,...,Фп} интерпретируется как начальное и-мерное признаковое пространство.

Обозначим Рп={Ф1_ .... Ф„} - начальное множество признаков; С-множество классов объекта; О - обучающая выборка. Тогда объект представляет собой набор значений признаков, принадлежащих множеству К Для каждого объекта о,еО известна его принадлежность к классу с,еС; функция оценки информативности где / - подмножество

исходного множества Я - значение информативности.

Опытным путем установлено, что восьмимерное пространство признаков Р„ не обеспечивает достаточной разделимости множества С. В ходе исследований признаковое пространство последовательно расширялось. Было принято решение об использовании 4-х начальных точек при обходе контура объекта и расчет для каждой из них коэффициентов рп при п= 8. Положим, что

начальная точка а0(х^) выбирается как шшДф^О)), при условии

нормирования координат контура. Остальные точки выбираются как

£

4 ' 25

а2(х,;у,) = а0(х,;у,) + —(

35

аз(х11У1) = о0(.х,;у,) + — ш

С увеличением размерности растет погрешность и трудоемкость вычислений («проклятие размерности»). Для уменьшения данного эффекта принято решение остановиться на 32-мерном признаковом пространстве. Так, если рассмотреть расстояния между точками, то, согласно закону «больших чисел», сумма п слагаемых стремится к некоторому фиксированному пределу при п со. Таким образом, увеличение размерности не приводит к увеличению информативности, следовательно, может быть установлено равным 32.

В ходе работы сформулировано и доказано утверждение 1 о том, что

вектор коэффициентов формы объекта {Ф1.....Ф„} при п=32 содержит

достаточно информации для идентификации сложного объекта, представленного в виде функции контура Дя).

С целью применения на практике доказанного утверждения 1, разработан метод построения экспертной подсистемы идентификации объекта. Общая формулировка метода:

1 Имеем набор первичной информации об объекте, полученный из нескольких резервных источников;

2 Анализируем полученную информацию, выделяем наиболее информативные данные и разделяем по типам;

3 Для каждого из типов данных определяем логическую структуру и алгоритм метода идентификации;

4 Разрабатываем логическую структуру и алгоритм обучаемой экспертной модели классификации объекта;

5 Связываем выходные параметры методов идентификации со входом экспертной модели классификации;

6 Обучаем модель классификации на основании обучающей выборки.

В результате реализованы три метода идентификации объектов (рис. 1, 2,3) и нейросетевая модель классификации.

Класс Тип подвижной единицы'

Кузов

Название вдвижной единицы

Экземпляр 'Кузов подвижной единицы*

Параметр 'Форма кузова'

Кузов рК) Название подвижной единицы рК)

кузова Длина кузова Высота кузова

Овал

Прямоугольник Кузов И Трапеция

Название подвтаойединицы (Рй

Параметр'Длина кузова'

Кузов рЗ

Значение от2,5м до 235м Название подвижной единицы ^

---

Параметр 'Высота кузова'

Кузов(р^

Значение отОы до 4,1м Название подвижной единицы (РК)

Рис. 1 .а Логическая структура метода идентификации типов подвижных единиц по параметрам кузова

Рис. 1.6 Алгоритм метода идентификации типов подвижных единиц по параметрам кузова

Класс "Тип подвижной единицы"

Бортовой номер

Название подвижной единицы

Экземпляр "Бортовой номер" Бортовой номер (РК)

Восемь цифр от 0 до 9

Рис. 2.а Логическая структура метода идентификации типов подвижных единиц на основании бортового номера, считанного с кузова объекта

Г

Напало

N

J

/Загрузка

/ графического изображения бортового номера

7

Кодирование

Фильтрация

FOR 1=1 ТО

Конец

Вьцглпть 1-й символ бортового номера

X

Расчет числовых характеристик дія 1-го спмЕола

Заполнение 1-го столбца выходного массива

Рис. 2.6 Алгоритм метода идентификации типов подвижных единиц на основании бортового номера, считанного с кузова объекта

Подвижная единица в составе поезда

Экземпляр "НЛП - натурный лист поезда" Порядковый номер Идентификационный номер НЛП ^К)

Идентификационный номер НЛП | -:-и-ц

Подвижные единицы |

Рис. З.а Логическая структура метода идентификации типов подвижных единиц на основании бортового номера из сопроводительной технологической

документации

Рис. З.б Алгоритм метода идентификации типов подвижных единиц на основании бортового номера из сопроводительной технологической

документации

В результате объединения трех методов идентификации с нейронной сетью получена общая экспертная модель идентификации. На рис. 4 видно, что сущность «Классификация типа подвижной единицы» имеет три параметра, каждый из которых является результатом работы своей подмодели. Каждый из этих параметров является идентифицирующим и резервируемым. К примеру, бортовой номер, считанный с кузова вагона, может содержать ошибку идентификации. Для выявления подобной ошибки существует еще два источника информации: бортовой номер из сопроводительной технологической документации и информация о форме кузове вагона и его габаритах.

Нейронная сеть 'Классификация типа подвижной единицы*_

Кузов подвижной единицы бортовой номер

Бортовой номер из натурного листа поезда

Экземпляр *НЛП ' натурный лист поезда' Идентификационный номер НЛП Подвижные единицы

*

Подвижная единица в составе поезда Порядковый номер Бортовой номер

Идентификационный номер НЛП (Р^

Параметр 'Длина кузова*

Кузов (РКЗ

Значение от2,5м до 23,5м Название подвижной единицы (РК)

Эюемпляр 'Кузов подвижной единицы*'

Кузов

Название подвижной единицы

Форма кузова

Длина кузова

Высота кузова

У 1 1 V 1 1

1 1 1 1 1 1 Параметр "Форма кузова* |

1 1

1 Овал

Прямоугольник 1

Трапеция

Кузов (П<)

Название подвижной единицы (П^

Экземпляр 'Бортовой номер подвижной единицы* Бортовой номер Название подвижной единицы

-1-

Символы бортового номера

Бортовой номер (П<Э

Восемь цифр от 0 до 9

Параметр 'Высота кузова*

) ЗначениеотОмдо4,1м Кузов (РК) Название подвижной единицы (РК)

Рис.4 .а Логическая структура экспертной модели идентификации типов подвижных единиц

с

3

Загрузка массива [8x32]

32 РО

Загрузка массива [3x32]

[^(Ж 1=1 то^|

Классификация кузова вагона с нспользо8 анием зианк& О габаритах

32 РО у

Запись результата классификация в память

Загрузка последов ательы оста яз восьми отфр (бортовой номер из НЛП)

Классификация

типа подвижной

рднницы а

формнров аяи е

отчетности

Залнсь результата классификации I-го символа в память

8 РО ^

^ Конец ___у

Рис. 4.6 Алгоритм экспертной модели идентификации типов подвижных единиц

Математическое описание экспертной модели идентификации

Обозначим: К — класс подвижной единицы железнодорожного транспорта ; N — название подвижной единицы; В — считанный бортовой номер подвижной единицы; Е - множество символов бортового номера подвижной единицы; Т -форма кузова подвижной единицы; Ь — длина кузова подвижной единицы; Н -высота кузова подвижной единицы; О - овальная форма кузова подвижной единицы; Я — прямоугольная форма кузова подвижной единицы; 2 — трапецеидальная форма кузова подвижной единицы; Е — порядковый номер подвижной единицы; I — идентификационный номер сопроводительной технологической документации (форма ДУ-1); О - бортовой номер подвижной единицы из формы ДУ-1.

К[ЫВ ТЬНЕЮ]; В ¡Г]; Т[ОЯ2]

К[N8ТЬНЕЮ]=(а,Ъ, 1,1,И,е,¡,с1), гдеа&ТЯ, ЬеВ, 1еТ, 1еЬ, АеД ееЕ, Ш, ¿е£>

ЩЕ]=(с), где се Е

Т[ОЯ2]=(о, г, г), где оеО, геД Тогда

К[ИВТЬНЕЮ]=[Р,Р2+Х,Х2Х3+ У,У2Уз]; В[Е]=[М,М2М3М4М5М6М7М8];

Т[СЖ2]=[У1+У2+У3] Ь]=Р,(а)лР2(Ъ);

Б2[С]=М1(С) Л М2(с) ЛМ3(С) Л М4(С) ЛМ5(С) Л М6(С) Л М7(С) Л М8(С);

йЛ I к]=Х,®лХ2(1)л.Х3(}1); 84[о, г, г]=Г,(о)чГ2(г)ч¥3(г);

35[е, 1, с1]=У,(е) л У2(г) л У3(с1);

Б6[а, Ъ, с, г, I, к, о, г, г, е, г, ¿/^лЗ^^зл.^^ В случае, когда все данные не противоречат друг другу, принимается однозначное решение по классификации. Иначе производится принятие решения по большинству и подается сообщение оператору. Если все три источника противоречивы, то оператор получает сообщение. Результатами работы трех методов является один массив /3x327, один массив/8х32у и последовательность из восьми цифр (бортовой номер из натурного листа поезда). Далее эти данные загружаются в нейронную сеть, где классифицируется тип подвижной единицы.

С целью интеграции предложенной экспертной модели идентификации в АСУ на железнодорожном транспорте, разработан метод синтеза программно-математического обеспечения экспертной подсистемы идентификации подвижных единиц и обеспечивающего модуля АСОУП (рис.5).

Метод позволяет организовать взаимодействие экспертной модели идентификации с АСОУП с целью обеспечения контроля достоверности технологической информации о подвижных составах поездов.

Рис. 5. Метод синтеза программно-математического обеспечения экспертной подсистемы идентификации подвижных единиц и обеспечивающего модуля АСОУП

С целью контроля технологической документации, получаемой от системы АСОУП, разработан метод контроля достоверности технологической информации (рис.6), предназначенный для чтения и проверки данных о бортовых номерах вагонов из сопроводительной технологической информации формы ДУ-1.

Перейти к следующей подвижной единице |

Рис. 6 Метод контроля достоверности технологической информации В работе сформулировано и доказано утверждение 2 о том, что идентификация типа подвижной единицы железнодорожного транспорта возможна на основании информации о ее бортовом номере, геометрической форме и габаритах кузова, представленных в виде функций контуров/^.

ї \ ** \ >

"П.І

гж/^ж^^ґЛ1

а) для цифр бортовых номеров

б) для форм кузова Рис. 7 Результаты кластеризации числовых коэффициентов

В результате обработки первичной информации были получены функции контуров. Для каждой из функций контуров рассчитан вектор коэффициентов формы {<£>/_ .... Ф„}. Коэффициенты кластеризованы нейросетевым методом самоорганизующихся: карт Кохонена. В результате получено графическое представление кластеров в 32-мерном пространстве (рис. 7).

На рис. 7 видно, что значения каждой ячейки находятся в диапазоне [0,001; п]. Границы между кластерами обозначены сплошной линией. Межкластерные границы сильно отличаются от содержимого самих кластеров, что свидетельствует о хорошей разделимости признакового пространства.

На основании результатов анализа поведения экспоненциальной составляющей функции при различных коэффициентах поправки к, получен усредненный масштабный коэффициент поправки МКср, =2,264, при котором функции (6-13) достигают насыщения только при обходе всего контура объекта. График поведения функции представлен на рис.8.

Длина контура

-к=0,01 -к=О.ООЭ к=0,008--к=0.С03 -к=0.001 -к=0.013 ->-Ы1.05 — к.0,045

Рис. 8 График зависимости экспоненциальной составляющей функции от масштабного коэффициента поправки

С целью вероятностной оценки предложенных методов идентификации разработан метод оценки вероятностей идентификации, позволяющий производить оценку на основе информации о длинах границ и расстояниях между кластерами. На основании предложенного метода рассчитаны значения вероятностей идентификации символов бортового номера и форм кузова подвижных единиц (табл. 1,2).

I,К 4

і,к\,к2

і=1

угр,к1,к2

-'к\,к2

ЯтЫ -тіп Сгр „,,фр

Цф -ШІП Сгр кузова

Чшіп

ЧкШ ~~

где Ьы,и — длина границы между кластерами к; и к2. В качестве единицы измерения длины границы принимаем количество ячеек гексагонального растра;

Сиди - степень разделимости г'-й ячейки на границе кластеров к/ и к2, 1=1..Ьы,к2\ Сф„ы,и — степень разделимости границы между кластерами к/ и к2

где д^,;,! - минимальное значение степени межкластерной границы для цифр где дф - минимальное значение степени межкластерной границы для форм кузова

где - вероятность ошибки идентификации на границе между кластерами А:/ и к2

Табл. 1 - Значения вероятностей для цифр бортовых номеров объекта

Символы Вероятность ошибки идентификации Вероятность успеха идентификации

«0» <7о=0,03^т,„ Ро=1-0,03с7т/я

«1» £?/=0,06 дт!п р,=1-0,06 дт,„

«2» (72=0,05 ут,п р2=1-0,05 цтЫ

«3» ¿73=0,15 Рз=1-0,15 цт1п

«4» (¡4=0,09 ятЫ р4=1-0,09 ¿7И,„

«5» ¿75=0,04 Р5=/-0,04 ¿7„¡п

«6» ¿7^=0,02 <7ТО„ р6=1-0,02 4т1п

«7» <77=0,02 ¿7тщ р7=1-0,02 дт,„

«8» ¿7^=0,03 ят,„ Р8=1-0,03 ¿7ШП

«9» ¿79=0,26 дт1„ р9=1-0,26 ¿7„,п

Табл. 2 - Значения вероятностей идентификации форм кузова объекта

Форма кузова Вероятность ошибки идентификации Вероятность успеха идентификации

«Трапеция» ¿7г=0, 72(7а

«Прямоугольник» дП=0,003дй рп=1-0,003Яй

«Овал» дов=0,023дф Ров=1-0,023дф

где, ?тт=0.43, <?ф=1,82.

Рассчитанные данные в таблицах № 1 и № 2 подтверждают возможность идентификации типа подвижной единицы железнодорожного транспорта на основании информации о ее бортовом номере, геометрической форме и габаритах кузова, представленных в виде функций контуров

В ходе работы сформулировано и доказано утверждение 3 о том, что объединение результатов идентификации типа подвижной единицы

железнодорожного транспорта на основании информации о ее бортовом номере, форме и габаритах кузова и технологической сопроводительной информации способно повысить вероятность успеха идентификации.

С целью оценки эффективности реализованной экспертной модели идентификации предложен метод оценки эффективности резервирования г из 5, позволяющий оценить эффективность применения резервных источников первичной информации об объекте в процессе идентификации, где 5 - число источников информации, г — уровень кворума.

Метод: примем считанный бортовой номер за основной источник информации. Резервными являются: бортовой номер из натурного листа и считанные форма и габариты кузова. Тогда вероятности правильной идентификации для разных источников различны, надежность резервирования вычисляем с помощью производящей функции общей теоремы о повторении опытов:

П ^=1-2Х

1=1 Ш=0 /=0

9

где Ртм - вероятность т успехов в п опытах; г - произвольный параметр. Для г =2, 5=3 Р2,з=1- (д1 д2+дх дз+дг Чз~2д\ Чг дзУ, Для г =2, 5=4 Р2_4=1- д2 Чг+Чх Чг Я4+ Ч\ дз <?4+ #2 дз д^д\ дг дз дз)- в зависимости от количества идентифицируемых цифр к и видов цифр в бортовом номере, вероятность ошибки идентификации равна к 10 чх =1-па-^)=1-П(1-^)=1-о,7=о,з

1=1 1-1

Вероятности ошибки заполнения любой из цифр в технологической документации (форма ДУ-1) одинаковы, тогда

(1-д0перетора)А=1-(1-0.01)8=0.08

Вероятность ошибки идентификации формы кузова подвижной единицы (=1

Вероятность успеха идентификации в резервируемой системе

Рг,г=1- 0?1 <72+41 Чз+Чг Чг^Чх Чг Чъ) = 1-0,03 = 0,97.

Коэффициент эффективности резервирования

^эфР= Р2,з /(1 -Чх) =0,97/(1-0,3)=1,39.

Таким образом, на основании проведенных вычислений видно, что объединение результатов идентификации подвижной единицы железнодорожного транспорта на основании информации о ее бортовом номере, форме и габаритах кузова и технологической сопроводительной информации способно повысить вероятность успеха идентификации на 39 %.

Третья глава посвящена описанию структуры, внутренней архитектуры и принципа работы полезной модели устройства идентификации подвижных единиц железнодорожного транспорта, полученной объединением экспертной

модели идентификации типов подвижных единиц (рис. 4) с АСОУП методом синтеза, предложенным на рис.5, где ДНО - датчик наличия объекта, БВИН -блок ввода информации о бортовом номере, БПОН-блок обработки бортового номера, БВН - блок выделения номера, ИНС1 - нейронная сеть, БВИК - блок ввода информации о кузове, БПОК - блок преобразования информации о кузове, БВК - блок выделения кузова, ИНС2 - нейронная сеть, БВТИ - блок ввода формы ДУ-1, БПТИ -блок проверки ДУ-1, БП - блок памяти, БУ - блок управления, БСТ - блок сравнения типов, ПВМ - компьютер, М -маршрутизатор.

Рис. 9 Полезная модель устройства идентификации подвижных единиц железнодорожного транспорта (патент №133082)

Модель, представленная на рис. 9, описывает устройство, позволяющее с высокой степенью точности и надежности производить идентификацию подвижных единиц железнодорожного транспорта с использованием дистанционного оборудования. Получен патент №133082 на полезную модель «Устройство идентификации подвижных единиц железнодорожного транспорта».

Четвертая глава посвящена выбору и обоснованию методов сбора и передачи данных, а также разработке архитектуры подсистемы идентификации подвижных единиц железнодорожного транспорта. В результате, предложены схема размещения считывающего, обрабатывающего и передающего оборудования (рис. 10) и топология локальной сети передачи данных (рис. 11). Основными элементами подсистемы сбора информации являются фотокамеры К1, К2, КЗ и датчики наличия объекта в зоне осмотра. Датчики устанавливаются на электронно-габаритных воротах (ЭГВ).

АРМОПКО мар!щ,™10р АРМПСЛКО ЗООВіеє-ТХ ,_„ 100Вїїе-ТХ -ІГТ5?

[Щ-

[Ц-

ЮООВаэе-Т маршрутизатор ІЧЛООВаве-ТХ

АРМ дежурного по сталцшз

1Ь

АРМ СП!

АРМ

начальника

Рис. 10 Схема расположения оборудования

I АРМ [ I ОПКО [

№

г Й

-- V

Ж

'ш

□

Рис. 11 Схема локальной сети

Оборудование соединяется с АРМ оператора ПКО посредством линий коммуникаций. Подсистема передачи информации предназначена для организации информационного обмена как внутри системы коммерческого осмотра, так и для информационного обеспечения АСОУП.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

На основе анализа практических проблем, связанных с автоматизированным коммерческим осмотром подвижных единиц железнодорожного транспорта, разработан метод построения экспертной подсистемы идентификации подвижных единиц. На основе предложенного метода реализована экспертная модель идентификации, использующая оптоэлектронный метод считывания исходных данных с движущегося поезда. Разработан метод контроля достоверности сопроводительной технологической информации формы ДУ-1, позволяющий повысить качество автоматизированного коммерческого осмотра. Разработан метод синтеза программно-математического обеспечения подсистемы идентификации подвижных единиц, позволяющий организовать взаимодействие модулей подсистемы с АСОУП.

Список публикаций по теме диссертации

Издания, рекомендованные ВАК

1. Гвоздев Д.С. Оценка вероятности распознавания подвижных единиц железнодорожного транспорта [Текст] / Д.С. Гвоздев, В .В .Храмов// Вестник Ростовского государственного университета путей сообщения. 2010. №4. -С.61-66.

2. Гвоздев Д.С. Алгоритм выделения контуров цифр в бортовом номере подвижных единиц железнодорожного транспорта [Текст] / Д.С. Гвоздев // Вестник Ростовского государственного университета путей сообщения. 2011. №2. - С.53-58.

3. Гвоздев Д.С. Алгоритм классификации подвижных единиц железнодорожного транспорта с использованием нейросетевых технологий [Текст] / Д.С. Гвоздев // Вестник Ростовского государственного университета путей сообщения. 2012. №4. - С.54-64.

4. Гвоздев, Д.С. Гибридная модель идентификации подвижных единиц железнодорожного транспорта часть №1 . [Текст] / Д.С. Гвоздев, М.Д. Линденбаум, В.В. Храмов, С.М. Ковалев // Вестник Ростовского государственного университета путей сообщения. 2013. №2. - С.92-98.

Другие издания

5. Гвоздев Д.С. Разработка программного модуля автоматического контроля вагонов [Текст] / Д.С. Гвоздев, В.В. Храмов // Труды всероссийской научно-практической конференции «Транспорт-2007» - Ростов-на-Дону: РГУПС, 2007, Ч. 2 - С. 311-313.

6. Гвоздев Д.С. Методика идентификации объектов транспорта и ее программная реализация [Текст] / Д.С. Гвоздев, В.В. Храмов // Обозрение прикладной и промышленной математики. - Москва: ОПиПМ, 2008 - Т. 15, вып.б - С.1139-1141.

7. Гвоздев Д.С. Подготовка графического изображения к процессу его идентификации [Текст] / Д.С. Гвоздев // Труды Третьей Всероссийской научной конференция «Нечеткие системы и мягкие вычисления» НСМВ-2009-Волгоград: ВолгГТУ, 2009 - С.143-147.

8. Гвоздев Д.С. Статистика по результатам идентификации фотографий номеров железнодорожных вагонов методом ортогонального разложения и ее анализ [Текст] / Д.С. Гвоздев // Труды Третьей Всероссийской научной конференция «Нечеткие системы и мягкие вычисления» НСМВ-2009: Волгоград: ВолгГТУ, 2009 - С.147-153.

9. Гвоздев Д.С. Интеллектуальный анализ данных коммерческого осмотра объектов железнодорожного транспорта [Текст] / Д.С. Гвоздев, В.В. Храмов, Жигунов A.C. // Сборник научных трудов «Инновации. Инвестиции.

..Технологии - 2011» - Ростов-на-Дону: Институт управления, бизнеса и права , 2011-С. 287-290.

10. Гвоздев Д.С. Анализ текущего состояния вопроса коммерческого осмотра подвижных единиц на железнодорожном транспорте [Текст] / Д.С. Гвоздев, В.В. Храмов // Сборник научных трудов «Инновации. Инвестиции. Технологии - 2011» - Ростов-на-Дону: Институт управления, бизнеса и права, 2011-С. 284-287.

11. Гвоздев Д.С. Алгоритм выбора информативных признаков в условиях работы системы коммерческого осмотра подвижных единиц железнодорожного транспорта [Текст] / Д.С. Гвоздев // Труды всероссийской научно-практической конференции «Транспорт-2011» - Ростов-на-Дону: РГУПС, 2011, Ч. 1 - С. 2931.

12. Храмов, В.В. Интеллектуальные информационные системы: интеллектуальный анализ данных [Текст] / В.В. Храмов, Д.С. Гвоздев // Учебное пособие - Ростов-на-Дону, 2012. - 97с.

Личный вклад автора в [1] автором выполнена алгоритмическая реализация математического аппарата, а также проанализированы числовые коэффициенты, характеризующие исследуемые объекты в признаковом пространстве. В [4] автором разработаны методы и алгоритмы идентификации подвижных единиц железнодорожного транспорта. В [5-6] автором реализовано программное обеспечение автоматического контроля вагонов. В [9] автор обобщил результаты анализа данных коммерческого осмотра объектов железнодорожного транспорта и сформулировал выводы. В [10] автором произведен обзор и исследование разработанных систем коммерческого осмотра в Российской Федерации с целью обнаружения их особенностей и выявления недостатков. В [12] автором разработан курс лабораторных работ на тему идентификации объектов.

В статьях [2, 3, 7, 8, 11] автором разработаны: введение, постановка задачи, реализация теоретической и практической части, проведен анализ результатов, сформулированы выводы и подготовлен библиографический список.

Гвоздев Депис Сергеевич

ПРИКЛАДНЫЕ МЕТОДЫ ИДЕНТИФИКАЦИИ ПОДВИЖНЫХ ЕДИНИЦ В АВТОМАТИЗИРОВАННЫХ СИСТЕМАХ КОММЕРЧЕСКОГО ОСМОТРА ПОДВИЖНОГО СОСТАВА

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 08.11.2013. Формат бумаги 60x84/16 Бумага офсетная. Ризография. Усл.печ.л. 1,0. Тираж 100. Заказ № 7-/60. Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Ростовский государственный университет путей

сообщения». Ризография ФГБОУ ВПО РГУПС.

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

РОСЖЕЛДОР

Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Ростовский государственный университет путей сообщения"

(ФГБОУ ВПО РГУПС)

л / 1 л л / с / 0 с| о

О А 2 V1 -,и

равах рукописи

ГВОЗДЕВ ДЕНИС СЕРГЕЕВИЧ

Прикладные методы идентификации подвижных единиц в автоматизированных системах коммерческого осмотра подвижного

состава

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

Диссертация на соискание ученой степени Кандидата технических наук

Научный руководитель д.т.н., проф. Ковалев С.М.

Ростов-на-Дону 2013г.

Содержание

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ, УСЛОВНЫХ ОБОЗНАЧЕНИЙ..........4

ВВЕДЕНИЕ..............................................................................................................................................5

1 АНАЛИЗ ТЕКУЩЕГО СОСТОЯНИЯ ВОПРОСА КОММЕРЧЕСКОГО ОСМОТРА ПОДВИЖНЫХ ЕДИНИЦ

НА ЖЕЛЕЗНОДОРОЖНОМ ТРАНСПОРТЕ....................................................................9

1.1 Вводные замечания..................................................................................................................9

1.2 Состояние вопроса..................................................................................................................9

1.3 Задача реализации системы идентификации

и методы ее решения......................................................................................................................22

1.3.1 Основные виды признаков и классов......................................................22

1.3.2 Основные методы идентификации............................................................25

1.4 Выводы................................................................................................................................................42

2 РАЗРАБОТКА МЕТОДОВ ЭКСПЕРТНОЙ ПОДСИСТЕМЫ ИДЕНТИФИКАЦИИ................................................................ 43

2.1 Постановка задачи....................................................................................................................43

2.2 Общая структура подсистемы идентификации..............................................45

2.3 Математическая формализация задачи идентификации подвижных единиц железнодорожного транспорта........................................46

2.4 Разработка метода идентификации бортового номера объекта ... 52

2.5 Разработка идентификации кузова объекта......................................................62

2.6 Разработка метода идентификации бортового номера на основе технологической информации..............................................................................................67

2.7 Разработка метода и модели экспертной подсистемы идентификации подвижных единиц железнодорожного транспорта .. 72

2.7.1 Разработка метода синтеза программно-математического обеспечения экспертной подсистемы идентификации подвижных единиц и обеспечивающего модуля АСОУП....... 76

2.7.2 Описание методики идентификации объекта на основе паттерна его контура..................................................... 77

2.7.3 Выбор и исследование метода предварительной

обработки исходных данных........................................... 78

2.7.4 Реализация метода выделения паттерна контура объекта ... 85

2.7.5 Определение множества признаков идентификации............ 91

2.7.6 Определение множества классов идентифицируемых объек-

тов........................................................................................................................................................92

2.7.7 Способ определения начальных весов синапсов в нейронной сети............................................................................................................................................................................................................96

2.7.8 Алгоритм классификации подвижных единиц..............................97

2.7.9 Разработка метода оценки эффективности резервируемой

системы......................................................................... 103

2.8 Выводы

3 ЭКСПЕРИМЕНТАЛЬНЫЕ ДАННЫЕ РАБОТЫ УСТРОЙСТВА ИДЕНТИФИКАЦИИ ПОДВИЖНЫХ ЕДИНИЦ

ЖЕЛЕЗНОДОРОЖНОГО ТРАНСПОРТА...................................... 107

3.1 Разработка полезной модели устройства идентификации подвижных единиц............................................................ 107

3.2 Результаты экспериментальной работы

устройства идентификации................................................... 114

3.3 Выводы....................................................................... 127

4 ОПРЕДЕЛЕНИЕ АРХИТЕКТУРЫ ПОДСИСТЕМЫ ИДЕНТИФИКАЦИИ ПОДВИЖНЫХ ЕДИНИЦ

ЖЕЛЕЗНОДОРОЖНОГО ТРАНСПОРТА...................................... 128

4.1 Определение метода сбора первичной информации

о подвижных единицах......................................................... 128

4.2 Определение метода передачи информации

о подвижных единицах......................................................... 130

4.3 Описание оборудования подсистем сбора

и передачи информации........................................................ 143

4.4 Выводы........................................................................ 147

ЗАКЛЮЧЕНИЕ........................................................................ 148

СПИСОК ЛИТЕРАТУРЫ........................................................... 149

ПРИЛОЖЕНИЕ 1. АКТЫ ОБ ИСПОЛЬЗОВАНИИ РЕЗУЛЬТАТОВ.. 160

РАБОТЫ ДИССЕРТАЦИОННОГО ИССЛЕДОВАНИЯ

ПРИЛОЖЕНИЕ 2. ПАТЕНТ НА ПОЛЕЗНУЮ МОДЕЛЬ.................... 165

Перечень сокращений, условных обозначений

ГЖО - пункт коммерческого осмотра;

АСКО ПВ - автоматизированная система коммерческого осмотра

поездов и вагонов;

ЭВМ - электронно-вычислительная машина;

ПК - персональный компьютер;

ПО - программное обеспечение;

%

ЖДТ - железнодорожный транспорт;

НЛПС - натурный лист подвижного состава;

АРМ - автоматизированное рабочее место;

ОС - операционная система;

АРМ ПС - автоматизированное рабочее место приемосдатчика; АРМ О ПКО - автоматизированное рабочее место оператора ПКО;

ЛВС - локальная вычислительная сеть;

ЭГВ - электронно-габаритные ворота;

АСОВ - автоматизированная система осмотра вагонов;

ТЧ - локомотивное депо;

ПТО - пункт технического обслуживания вагонов/локомотивов;

ВЧД - вагонное депо;

ЛРЗ - локомотиворемонтный завод;

ВРЗ - вагоноремонтный завод;

АСУТ - АСУ локомотивным хозяйством;

АСУВ - АСУ вагонным хозяйством;

АСУРЗ - АСУ вагоноремонтного завода;

АСУ ПТО - АСУ сетевого вагонного ПТО;

АСОУП - автоматизированная система оперативного управления

перевозками;

СПД - система поддержки данных;

АБД ПС - автоматизированная картотека подвижного состава;

ПСЧ - пункт считывания данных;

СПД - система передачи данных;

ЧК - числовой коэффициент;

ЧХ - числовая характеристика.

Введение

Актуальность темы. В условиях постоянного роста интенсивности железнодорожного движения, увеличения травмоопасных ситуаций на железной дороге, хищений грузов, а также угрозы использования железнодорожных объектов в целях незаконного передвижения грузов особенно актуальна задача повышения уровня безопасности и контроля железнодорожного движения.

Важным элементом перевозочного процесса на сегодняшний день является операция коммерческого осмотра вагонов в пути следования на пунктах коммерческого осмотра поездов и вагонов (ПКО). Задача сокращения продолжительности выполнения этой операции оказывает определенное влияние на сокращение оборота вагона, ускорение продвижения вагонопото-ков, а следовательно, и на обеспечение гарантированной срочности доставки грузов. Наряду с этим, на ПКО в процессе коммерческого осмотра происходит выявление коммерческих неисправностей, связанных с безопасностью движения поездов и сохранностью перевозимых грузов. По результатам осмотра даются оперативные донесения в соответствующие адреса, включая органы внутренних дел, что важно в случаях выявления хищений грузов. На ПКО производится также исправление коммерческих неисправностей. Решение проблем обеспечения сохранности грузов в пути следования, повышения безопасности движения в условиях оптимизации эксплуатационной работы железных дорог осуществляется за счет внедрения комплексов технических средств выявления коммерческих неисправностей на ПКО - Автоматизированных систем коммерческого осмотра поездов и вагонов (АСКО ПВ).

Внедрение подобных систем происходит с 1996 года и осуществляется в рамках Государственной программы по повышению безопасности движения в соответствии с указанием МПС № М-4у от 04.01.96 г.

Подобные системы все еще имеют ряд недостатков. К примеру, одна из таких систем в настоящее время функционирует в Ростовской области на станции «Батайск» Северо-Кавказской железной дороги. Система коммерческого осмотра АСКО ПВ является программно-техническим комплексом

средств автоматизации. Она обеспечивает сбор информации о коммерческом состоянии вагонов и грузов, её обработку, хранение, документирование и передачу этой информации в автоматизированную систему оперативного управления перевозками (АСОУП).

Но на данный момент АСКО ПВ не в состоянии решить задачу идентификации номеров и типов вагонов, входящих в состав поезда, поскольку эта информация вводится вручную и передается системе по сети Intranet. Ведение журнала о проходящем составе поезда по станции позволит четко отслеживать вагоны по всему маршруту следования. Имея в наличии такую

t>

информацию, можно однозначно ответить на вопрос: где в данный момент времени находится конкретный вагон.

Решение задачи идентификации вагонов и контроля над их техническим состоянием позволит повысить уровень безопасности и скорости доставки перевозимых грузов, а также снизить количество травм, получаемых работниками в результате функционирования железной дороги.

Область автоматизации и управления охватывает довольно широкий круг областей применения, начиная с транспорта и заканчивая роботами для исследования планет Солнечной системы. По теме автоматизации и управления на транспорте опубликованы работы таких авторов, как Г.И. Белявский, М.А. Бутакова, В.Н. Вагин, А.П. Еремов, В.В. Киселев, С.М. Ковалев, М.М. Кузнецов, Е.И. Львова, Д.Т. Нгуен, Б.К.П. Хорн, В.В. Храмов и др.

Значительный вклад в теорию и практику внедрения интеллектуальных систем на железнодорожном транспорте внесли А.Н. Гуда, И.Д. Долгий, С.М. Жданов, В.Н. Иванченко, А.Г. Кулькин, H.H. Лябах, В.И. Салыгин, В.Н. Скляров, В.В. Солодовников, А.Е. Федорчук, А.Н. Шабельников.

Цель работы состоит в разработке методов идентификации подвижных единиц железнодорожного транспорта, позволяющих улучшить качество и ускорить процесс автоматизированного коммерческого осмотра.

Объектом исследований являются системы автоматизированного коммерческого осмотра подвижного состава на железнодорожном транспорте.

Методы исследований основаны на применении теории вероятностей, теории надежности систем, методов параметрической идентификации.

Решенные задачи: проведен анализ современных отечественных и зарубежных систем автоматизированной идентификации подвижных единиц железнодорожного транспорта; разработан метод считывания данных с движущегося поезда, основанный на применении фотоинформации о подвижных единицах; разработаны методы идентификации подвижных единиц, основанные на обработке двумерных изображений бортового номера и кузова и привлечении дополнительной технологической информации; разработан метод резервирования источников первичной информации о подвижных единицах с целью повышения вероятности успешной идентификации и обеспечения контроля достоверности технологической информации; осуществлен синтез программного обеспечения модели идентификации, обеспечивающего модуля АСОУП и специализированного математического обеспечения контроля достоверности технологической информации.

Практическое значение. Результаты исследований предоставляют возможность автоматизации, улучшения качества и ускорения процесса коммерческого осмотра подвижных единиц на железнодорожном транспорте, а также снижения требований к используемому вычислительному оборудованию.

Научная новизна диссертации заключается в следующем:

1) разработан метод построения экспертной подсистемы идентификации подвижных единиц, основанный на объединении методов идентификации бортовых номеров, форм кузова, сопроводительной технологической информации о составе поезда и нейросетевой модели классификации, позволяющий повысить качество автоматизированного коммерческого осмотра;

2) разработан метод контроля достоверности технологической документации, основанный на кворумном резервировании источников первичной информации о подвижных единицах, позволяющий повысить качество осмотра;

3) разработан метод синтеза программно-математического обеспечения

экспертной подсистемы идентификации подвижных единиц и обеспечивающего модуля АСОУП, позволяющего организовать взаимодействие экспертной модели идентификации подвижных единиц с АСОУП с целью осуществления контроля достоверности технологической информации и удаленного мониторинга за передвижением подвижных единиц.

Результаты научной работы внедрены в процесс обучения в Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Ростовский государственный университет путей сообщения» (ФГБОУ ВПО РГУПС) и в Институте управления, бизнеса и права, а также на станции «Заречная» в процесс осмотра подвижного состава.

Апробация работы. Основные положения диссертации докладывались на Научно-практической конференции «Транспорт-2007» (Ростов-на-Дону, 2007 г.), Всероссийской научно-практической конференции «Транспорт-2007» (Ростов-на-Дону, 2007 г.), Девятом всероссийском симпозиуме по прикладной и промышленной математике (Москва, 2007 г.), Научно-практической конференции «Транспорт-2009» (Ростов-на-Дону, 2009 г.), Третьей всероссийской научной конференции «Нечеткие системы и мягкие вычисления» (Волгоград, 2009 г.), Международном форуме «Инновации. Инвестиции. Технологии (Ростов-на-Дону, 2011 г.).

Публикации. По результатам исследований опубликовано 12 печатных работ [5-15, 116]. Все публикации включают результаты непосредственной работы автора и отражают основные выйоды и положения диссертации. По теме диссертации опубликовано 4 статьи в рецензируемых ВАК изданиях «Вестник РГУПС» [9-11, 16]. Получен патент № 133082 на полезную модель «Устройство идентификации подвижных единиц железнодорожного транспорта».

1 Анализ текущего состояния вопроса коммерческого осмотра подвижных единиц на железнодорожном транспорте

1.1 Вводные замечания

В этой главе рассматривается анализ текущего состояния вопроса ком-

мерческого осмотра подвижных единиц на железнодорожном транспорте, выявляются проблемы и определяются способы их решения; формулируется задача создания системы осмотра; описываются вопросы, связанные с внутренним устройством системы; рассматриваются алгоритмы классификации и существующие методы идентификации; принимается решение выбора структуры системы, используемых методов и алгоритмов.

1.2 Состояние вопроса

Коммерческий осмотр подвижных единиц железнодорожного транспорта производится с целыо обеспечения безопасности движения и сохранности перевозимых грузов. Процесс осмотра осуществляется в пунктах коммерческого осмотра (ПКО), расположенных на территории железнодорожных станций. В ходе работы происходит выявление и устранение коммерческих неисправностей, осуществляется контроль над перемещением подвижной единицы на всем маршруте ее следования. Таким образом, обеспечивается прозрачность процесса доставки и легкость получения необходимой информации о текущем местоположении перевозимого груза. На сегодняшний день проблема автоматизации процесса коммерческого осмотра еще не до конца исследована, разработано и внедрено несколько автоматизированных систем, способных решать необходимый минимум требуемых задач. Одной из решаемых ими задач является идентификация подвижных единиц в составе движущегося поезда. Уже существует большое число методов и алгоритмов, реализующих задачу идентификации.

Текущее положение дел обусловлено постоянным ростом грузооборота

ь

на железнодорожном транспорте. В связи с этим решение вопроса коммерческого осмотра ручным способом (с участием только человека) не представляется возможным. С целыо автоматизации данного процесса были разработаны и частично внедрены автоматизированные системы коммерческого осмотра. Рассмотрим уже действующие системы:

- Система автоматической идентификации «Пальма» (САИ «Пальма»);

- Автоматизированная система коммерческого осмотра (АСКО ПВ);

ь

- Аппаратно-программный комплекс идентификации объектов подвижного состава железнодорожного транспорта ЛЛЗ'С/б';

- Система идентификации номеров железнодорожных вагонов и цистерн

- Система идентификации номеров вагонов «Транзит-Инспектор».

Система автоматической идентификации «Пальма»

Система автоматической идентификации (САИ) «Пальма» разработана для функционирования в российских условиях на ОАО «РЖД». Эта система основана на использовании сверхвысоких радиочастот (СВЧ-система). На протяжении более десятка лет предпринимаются попытки массового внедрения системы, однако на практике это обусловлено большим количеством сложностей, частью из которых являются ограничения используемого метода контроля.

Система предусматривает обеспечение каждой подвижной единицы в составе поезда бортовым датчиком КБД. Принцип передачи информации с датчика основан на модуляции отраженного СВЧ-сигнала. Каждый датчик хранит информацию об объекте, к которому он непосредственно прикреплен. Для считывания данных