автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Разработка теории и методов автоматизации управления сложными процессами на сортировочной станции

На правах рукопйси

г

ШАБЕЛЬНИКОВ Александр Николаевич

РАЗРАБОТКА ТЕОРИИ И МЕТОДОВ АВТОМАТИЗАЦИИ УПРАВЛЕНИЯ СЛОЖНЫМИ ПРОЦЕССАМИ НА СОРТИРОВОЧНОЙ СТАНЦИИ

Специальность 05.13.06—Автоматизация и управление технологическими процессами и производствами (транспорт)

Автореферат диссертации на соискание ученой степени доктора технических наук

«

Москва -

2005

2.006-4

44035

На правах рукописи

ШАБЕЛЬНИКОВ Александр Николаевич

РАЗРАБОТКА ТЕОРИИ И МЕТОДОВ АВТОМАТИЗАЦИИ УПРАВЛЕНИЯ СЛОЖНЫМИ ПРОЦЕССАМИ НА СОРТИРОВОЧНОЙ СТАНЦИИ

Специальность 05.13.06 — Автоматизация и управление технологическими процессами и производствами (транспорт)

Автореферат диссертации на соискание ученой степени доктора технических наук

Москва - 2005

Работа выполнена в Российском научно-исследовательском и проектно-конструкторском институте информатизации, автоматизации и связи (ВНИИАС МПС России)

Научный консультант — доктор технических наук, профессор

Иванченко Владимир Николаевич

Официальные оппоненты: доктор технических наук, профессор

Горелик Владимир Юдаевич; доктор технических наук, профессор Фоминых Игорь Борисович; доктор технических наук, профессор Абрамов Валерий Михайлович

Ведущая организация:

Таганрогский государственный радиотехнический университет

Защита диссертации состоится «10» ноября 2005 года в 14-00 часов на заседании диссертационного совета Д 218.009.03 при Российском государственном открытом техническом университете путей сообщения (РГОТУПС) по адресу: 125993, Москва, ул. Часовая, 22/2, ауд.344

С диссертацией можно ознакомиться в библиотеке университета.

Автореферат разослан «10» октября 2005 г. Отзывы на автореферат в двух экземплярах, заверенные печатью, просим направлять в адрес ученого совета университета.

Ученый секретарь диссертационного совета Д 218.009.03

доктор технических наук, профессор

А.С. Космодамианский

РОС НАЦИОНАЛ БИБЛИОТЕКА СПе О»

"ад!

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Переход российской экономики на новые схемы хозяйствования выдвинул ряд важных взаимоувязанных проблем, требующих пересмотра управленческой парадигмы во всех звеньях существующих автоматизированных систем управления технологически -ми процессами (АСУ ТП).

В феврале 1996 года Коллегия МПС России одобрила разработанную отраслевой наукой «Концепцию информатизации железнодорожного транспорта России на 1996—2005 гг.» и утвердила «Программу информатизации железнодорожного транспорта России на 1996-2005 гг.», где был сделан правильный принципиальный вывод о необходимости ориентации «на создание новых информационных технологий».

В свое время идея всеобщей автоматизации народного хозяйства страны оказалась преждевременной и не обеспеченной. Возникли разрозненные, отличающиеся идеологией, технической базой, недостаточно согласованные между собой АСУ отраслей и отдельных производств. Вместе с тем общим недостатком всех существующих АСУ также является их узкая информационная направленность. Последние десять лет характеризуются революционным развитием технических средств, а техническая основа многих АСУ ТП значительно устарела. Новые технические средства открывают дополнительные возможности для развития методов теории управления сложными объектами. Лицо, принимающее решение (Л ПР), в современных АСУ ТП сохраняет свое доминирующее положение, и это связано с его способностью использовать нечеткие схемы принятия решений, более адекватно отражающие суть современных объектов управления.

Не единственным, но наиболее характерным в этом смысле и потому подробно исследуемым в работе является сложный процесс расформирования - формирования поездов на сортировочных горках (СГ) железнодорожных сортировочных станций.

Важнейшими задачами совершенствования систем автоматизированного управления являются их интенсификация, повышение точности функционирования и безопасности. Их решение позволит снять ряд новых технологических и технических проблем. Это, в свою очередь, вызывает необходимость развития методов теории автоматизации управления сложными объектами.

Успешность разработки этих методов зависит от адекватности выявленных закономерностей транспортных процессов и транспортных логистических систем, что повышает актуальность исследования об-

щетеоретических методов идентификации состояния и динамики сложных динамических объектов, планирования, организации и управления ими.

Таким образом, в рамках данной работы актуальными являются следующие задачи:

— развитие методов теории управления сложными динамическими процессами, функционирующими в условиях неопределенности исходных данных и дефицита времени на принятие и реализацию оптимальных решений, ограниченного объема информации, характеризуемого неопределенностью и зашумленностью (на примере системы горочной автоматизации);

— разработка методов и алгоритмов формализации противоречивых критериев функционирования систем управления;

— разработка методов идентификации нечетких состояний объектов управления в ситуационных моделях принятия решений;

— развитие адаптивных методов управления сложными объектами в условиях нечеткости исходной информации.

Они соответствуют перечню подпрограмм, принятых Программой информатизации на 2005—2007 гг.: управление сбытом грузовых перевозок; управление сбытом и организацией пассажирских перевозок; управление перевозочным процессом; оптимизация управления содержанием инфраструктуры и подвижного состава; организация эффективного бюджетирования, бухгалтерский и налоговый учет, оптимизация управления финансовыми, трудовыми и материальными ресурсами; стратегическое развитие и системное управление инвестициями и инновациями; унификация и интеграция автоматизированных систем.

Наиболее существенные результаты в области методологии и технологии управления транспортными системами получены JI.A. Барановым, В.А. Буяновым, П.С. Грунтовым, В.Н. Иванченко, Ю.А. Мухой, В.Е. Павловым, Г.С. Ратиным, Е.А. Сотниковым, Н.М. Фонаревым, В.А. Шаровым, В.И. Шелухиным, А.В. Шилейко и др.

Значительный вклад в создание и развитие теории и практики средств железнодорожной автоматики внесли известные ученые: К.А. Бочков, А.М. Брылеев, В.Е. Ефимов, И.Е. Дмитренко, Ю.А. Кравцов, В.М. Лисенков, И.М. Кокурин, Р.А. Косилов, А.С. Переборов, А.М. Дудниченко, Е.М. Шафит и др.

Развитию теории и практики управления сложными динамическими объектами с использованием методологии искусственного интеллекта посвящены работы ученых: А.Н. Аверкина, Л.С. Берштей-на, В.Н. Вагина, В.В. Емельянова, А.Г. Еремеева, В.П. Карелина,

С.М. Ковалева, В.М. Курейчика, А.Н. Мелихова, Д.А. Поспелова, Э.В. Попова, Г.С. Осипова, И.Б. Фоминых, В.Ф. Хорошевского и др.

Существенный вклад в решение задач автоматизации управления перевозочным процессом, обеспечения безопасности движения поездов с помощью средств автоматики, телемеханики и связи внесли известные ученые: В.М. Алексеев, В.М. Абрамов, И.В. Беляков, П.Ф. Бес-темьянов, М.Н. Василенко, Г.В. Горелов, Д.В. Гавзов, Е.В. Ерофеев, П.А.Козлов, Б.Д. Никифоров, Н.Ф. Пенкин, E.H. Розенберг, Д.В. Шалягин, В.И. Шаманов, И.Б. Шубинский, A.A. Явна.

Решению важных теоретических и практических вопросов создания современной технологии управления, исследования и моделирования сложных объектов и процессов анализа и синтеза устройств автоматики и телемеханики, разработки микропроцессорных систем, их программного обеспечения и диагностики, формирования технической политики и стратегии дальнейшего развития АСУЖТ, начиная с 1980 г. посвящены работы В.И. Апатцева, С.С. Аркатова, Л.А. Бар-динова, В.А. Буянова, АН. Гуды, И.Е. Дмитренко, В.Н. Иванченко, В.Б. Карпухина, С.М. Ковалева, Ю.А. Кравцова, Э.К. Лецкого, В.М. Лисенкова, H.H. Лябаха, В.Е. Павлова, В.В. Сапожникова, Вл.В. Са-пожникова, Е.А. Сотникова, Е.М. Тишкина, Л.П. Тулупова, В.И. Ше-лухина, AB. Шилейко и других ученых.

Цель диссертационного исследования — Разработка теории, методологии и инструментария синтеза систем интеллектуального управления сложными транспортными процессами.

В свою очередь, цель диссертационной работы определяет объект и предмет исследования.

Объект исследования — транспортные системы и комплексы, транспортные процессы (на примере сортировки составов на станции).

Предмет исследования — методы анализа и синтеза моделей и систем интеллектуального управления процессами перевозок.

Концепция диссертационного исследования состоит в обосновании необходимости интеллектуализации функционирования автоматизированных систем на транспорте, систематизации существующих разрозненных исследований по данной тематике, адаптации теории интеллектуализации и накопленного опыта в иных сферах к совершенствованию транспортных комплексов.

Таким образом, задачами исследования являются:

1. Анализ состояния и динамики развития транспортных систем, процессов управления перевозками, (обоснование необходимости интеллектуализации) .

2. Развитие теории синтеза (методов и механизмов планирования, организации и управления транспортными потоками, совершенствование технологии сортировочных процессов) интеллектуальных систем на транспорте.

3. Разработка комплекса моделей, позволяющих адекватно представить:

а) сложные (динамические, нелинейные, нестационарные, стохастические) технологические процессы на транспорте;

б) процессы принятия решений в условиях шумов данных, высокой степени неопределенности, размытости и нестационарности.

4. Разработка инструментария и программного обеспечения предложенных подходов и методов.

5. Внедрение результатов исследований в практику управления сортировочными процессами на станции, НИР и учебный процесс.

Научная новизна исследования:

1. На основе системного анализа процесса расформирования-формирования поездов установлена необходимость создания интегрированной ИУС СС с интелллектуальной поддержкой принятия решений. Такая система предусматривает интеграцию и взаимодействие вновь создаваемых подсистем информатизации (ПИ) всех парков, ПУ СГ, АСУ СС, АРМов дежурного и диспетчерского персонала.

2. Предложена организационно-технологическая структура ИУС СС, определены место и роль каждой в отдельности ПИ. Сформулированы эксплуатационно-технические требования к интегрированной ИУС СС.

Принципиально важным и новым в структуре ИУС СС является наличие БЗ и ее интеграция с БД. В основу создания БЗ положена разработка целого ряда моделей, использующих пространственные, временные, причинно-следственные и др. отношения между «понятиями» предметной (исследуемой) области.

3. Предложена модельная конструкция синтеза управления, опирающаяся на представлении объекта автоматизации в информативном признаковом пространстве и использующая эталонное эвристическое управление. Разработан механизм построения модельного признакового пространства за счет отбора информативных признаков и расчета адекватной цели исследования меры близости.

4. Обоснован переход от базового математического аппарата устройств СЦБ — теории логики к теории нечетких множеств - основы интеллектуализации систем управления на транспорте, которая развита в следующих направлениях:

а) операции над нечеткими множествами адаптированы к процедурам принятия решений на транспорте;

б) разработаны механизмы идентификации многомерных функций принадлежности нечетких множеств, учитывающих полный перечень факторов, влияющих на исследуемые транспортные процессы.

5. Усовершенствован алгоритм идентификации сложных транспортных процессов за счет учета гипотетически возможных сигналов и введения имитации сценариев развития. Развит механизм выявления экспертной информации о функционировании транспортных систем и принятии ответственных решений опытным оператором.

6. Введено понятие меры близости между алгоритмами, моделями, решениями, используемыми при автоматизации транспортных процессов. Развит инструментарий расчета меры по статистическим и гипотетическим данным.

7. Дан анализ применимости методов регуляризации вычислительных задач, автоматизации технологических процессов на транспорте. Обоснован выбор методов решения конкретных некорректных вычислительных задач, обеспечивающих адекватный анализ и планирование транспортных потоков. Разработана универсальная технология моделирования сложных динамических транспортных процессов, использующая опыт и логику мышления эксперта-оператора, и опирающаяся на инструментальные средства теории искусственного интеллекта.

8. Обоснован выбор и адаптированы методы решения многокритериальных задач автоматизации управления транспортными процессами.

9. Для исследуемого в диссертации класса гибридных интеллектуальных систем динамического типа разработана формальная модель представления динамической информации, основанная на системе пространственно- временных отношений.

10. Разработан новый класс гибридных нейро-нечетких моделей в качестве средств интеграции технологических экспертных знаний в нижние исполнительные уровни ИУС.

11. Разработаны алгоритм и программно-математическое обеспечение задачи управления скатыванием отцепов с горки, учитывающие все разнообразие пространственно-временных и причинно-следственных отношений объектов соответствующего процесса управления. На примере задачи управления вагонными замедлителями предложен новый класс нечетких композиционно-динамических моделей, предназначенных для автоматизации экспертной поддержки принятия ре-

шений в ИС динамического типа. Решение данной задачи иллюстрирует применение интеллектуальных технологий на железнодорожном транспорте.

Методологической и теоретической основой диссертационного исследования явились труды отечественных и зарубежных учёных по проблеме, информационные материалы научно-исследовательских отчетов учебных и научных подразделений МПС России, нормативные и законодательные акты, регламентирующие деятельность транспортных систем страны (в частности Материалы к заседанию правления ОАО «РЖД», утвержденные 17 ноября 2004 года по программе информатизации на 2005—2007 годы).

Информационно-эмпирической базой исследования послужили статистические и экспертные данные о функционировании различных исследуемых подсистем: СС в целом, ПП, ПФ, ПО и другие.

Теоретическая и практическая значимость диссертационного исследования состоит в том, что его основные методологические и методические выводы, инструментарий можно использовать как для теоретического анализа и оценки качества функционирования автоматизированных систем управления на транспорте, так и эффективного управления ими.

Результаты исследования используются при чтении различных курсов на кафедрах «Информатика», «Автоматика и телемеханика на железнодорожном транспорте», ВТ АСУ Ростовского государственного университета путей сообщения.

Апробация работы и публикация материалов.

Результаты работы докладывались на заседаниях кафедр «Информатика», ВТ АСУ, Автоматика и телемеханика на ж.д. транспорте» РГУ ПС, объединенном заседании кафедр соответствующего профиля (интеллектуального) ТРТУ, на международной научно-практической конференции «Компьютерные технологии: геометрическое моделирование и виртуальная реальность», г. Таганрог, 1999 г., на международных конференциях «САПР-1999», «САПР-2000», «САПР-2001», «САПР-2002», «САПР-2003», «САПР-2004, «САПР-2005» г. Дивно-морск, на IV Всероссийском симпозиуме «Математическое моделирование и компьютерные технологии», г. Кисловодск, 2000 г., на III Международной научно-технической конференции «Новые технологии управления движением технических объектов» г. Новочеркасск, 2000 г., на научно-теоретической конференции профессорско-преподавательского состава «Транспорт-2001» г. Ростов н/Д, 2001 г., на IV Международной научно-технической конференции «Новые технологии уп-

равления движением технических объектов» г. Новочеркасск, 2001 г., на конференции «Инфотранс-2001», г. Сочи, 2001г., на 4-й Международной конференции «Научно-технические проблемы прогнозирования надежности и долговечности конструкций и методы их решения», г. С-Петербург, 2001 г., на первой ведомственной конференции «Проблемы обеспечения информационной безопасности на федеральном железнодорожном транспорте», г. С-Петербург, 2001 г., на X Международной конференции «Математика. Экономика. Образование» г. Ростов н/Д, 2002 г., на третьем Всероссийском симпозиуме по прикладной и промышленной математике, г. Москва, 2002 г., на научно-практической конференции «Безопасность движения нажелезнодорожном транспорте», г. Ростов н/Д, 2002 г., на 2-й межведомственной научно-практической конференции «ТелеКомТранс-2004», г. Сочи, 2004 г., на II и III Международном научно-практическом семинаре «Интегрированные модели и мягкие вычисления в искусственном интеллекте», г. Москва, 2003 г., г. Коломна, 2005 г.

Важным аспектом апробации материалов исследования является включение их в разрабатываемые системы КСАУ СП и КСАУ СС (см. Акт приемочной комиссии № Р/9449 от 01 октября 2003 года, рассмотревшей опытный образец комплексной системы автоматизированного управления сортировочным процессом КСАУ СП).

Разработка темы осуществлялась на основании Постановления коллегии МПС России от 25-26 декабря 2001 года (протокол № 23).

Результаты научных исследований составляют содержательную основу гранта РФФИ, проект № 04-01-00277 «Развитие теории представления и обработки нечеткой информации и знаний, отражающих динамику процессов в слабо формализованных задачах принятия решений».

Внедрение результатов исследования осуществлено на станциях Бе-касово Московской железной дороги, Тайшет Восточно-Сибирской железной дороги, Инская Западно-Сибирской железной дороги, Красноярск Красноярской железной дороги.

Публикации. По результатам исследований опубликовано 60 работ, из них 29 — в ведущих изданиях из перечня, определенного ВАК России для опубликования основных научных результатов докторских диссертаций.

Структура работы. Диссертация имеет традиционную структуру. Она содержит введение, пять глав, состоящих из 23 параграфов, заключение, список использованной литературы, содержащий 188 наименований и приложения. Общий объем работы 335 стр.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации, определяется степень разработанности проблемы в отечественной литературе, сформулированы цель и задачи исследования, определены объект и предмет исследования, методологическая, теоретическая и эмпирическая база, изложены основные положения, выносимые на защиту, представлены обобщения, характеризующие элементы научной новизны, практическая значимость исследования.

В главе 1 «Состояние проблемы автоматизации и информатизации процессов управления перевозками» исследованы:

— уровни автоматизации перевозочного процесса и постановка задачи создания интегрированной информационно-управляющей системы СС;

— роль и место подсистем информатизации в структуре управления СС;

— особенности технологического процесса расформирования-формирования поездов и концепция построения ИУС СС;

— единая информационная среда — основа построения интеллектуальной ИУС СС;

— эксплуатационно-технические требования к интегрированной ИУС СС;

— постановка задач интеллектуальной поддержки процессов принятия решений и методология создания ИУС СС.

Стратегия автоматизации и информатизации железнодорожной отрасли предусматривает создание новых АСУ, САУ, моделей разных уровней, базирующихся только на использовании БД, или, так называемых, информационных хранилищ (ИХ). Мировой и отечественный опыт автоматизации и информатизации других отраслей подтверждает необходимость на современном этапе развития науки и техники создания интеллектуальных систем, основанных на знаниях.

В этой связи становится необходимым создание теории построения моделей интеллектуальной поддержки принятия решений для первоочередного объекта автоматизации ОЦ, каким является СС.

В контексте поставленной задачи взаимодействие локальных подсистем информатизации всех парков, комплекса автоматизации сортировочной горки, АРМов, АСУ СС, ACO УП и ЦУПР представляет собой интегрированную ИУС автоматизации процесса расформирования-формирования поездов. Структура такой системы представлена на рис. 1.

Здесь в рамках единой информационной среды СС предлагается создание локальных подсистем информатизации парка прибытия (ПИ ПП), парка формирования (ПИ ПФ), парка отправления (ПИ ПО), которые должны быть увязаны программно с уже существующими подсистемами автоматизации сортировочной горки (ПА СГ), АСУ СС и АСОУП.

Такие локальные автоматы должны аппаратно взаимодействовать с устройствами СЦБ с целью своевременного получения информации о ходе технологического процесса «от колеса» в пределах всей СС.

Принципиально важным и новым в такой структуре является наличие (кроме БД) базы знаний (БЗ).

Концепция трехуровневого управления перевозочным процессом предполагает создание систем нового поколения, обеспечивающих взаимодействие устройств низовой автоматики с верхними уровнями автоматизации. Наиболее приемлемыми техническими средствами информатизации являются современные микропроцессорные наборы, ПЭВМ, промышленные компьютеры (ПК), микроконтроллеры и др.

Рис. 1. Структура интегрированной ИУС СС

Как объект автоматизации (ОА) и информатизации СС является сложной, высокодинамичной системой, работа которой определяется многоцелевыми критериями функционирования, сложностью принятия обоснованных и своевременных решений в условиях нечеткой и неточной информации. 1

На рис. 2 представлена организационно-технологическая структура взаимосвязей с локальными устройствами, обеспечивающими программно-аппаратный стык низовой автоматики с АСУ СС. Вполне оправдано такую интегрированную систему называть информационно-управляющей.

Непосредственная связь с технологическим процессом и устройствами станционной автоматики осуществляется через ПИ и ПУ СГ.

ПИ ПП обеспечивает формирование следующих данных: номер подхода, с которого прибывает поезд, продолжительность простоя поезда у входного светофора, время и путь прибытия поезда, простой поездного локомотива, время обработки поезда (с учетом сверхнормативного), момент заезда горочного локомотива под состав и продолжительность надвига, общее время простоя поезда в ПП, местоположение маневровых и поездных локомотивов и др.

К такой информации относится: продолжительность роспуска составов с горки; фактически исполненная программа роспуска; количество и номера «чужаков» на путях ПФ; номера вагонов, переставленных по путям ПФ со стороны спускной части горки; пути, на которые невозможен роспуск (ограждение, отсутствие проходов, неисправность напольных устройств и т.д.); информация об отклонениях от программы роспуска и их причины; местоположение маневрового локомотива.

ПИ ПФ накапливает для своевременного анализа ДСЦ состояния района вытяжек и всех путей парка.

Здесь имеется в виду: продолжительность накопления составов, время ожидания и продолжительность периода формирования; время выставки состава в ПО; номера путей выставки; номера вагонов, переставленных по путям ПФ со стороны вытяжки; количество физических вагонов, доставленных со стороны вытяжки; местоположение маневрового локомотива. Номера вагонов, доставленных со стороны вытяжки , вводятся с клавиатуры АРМ оператором ТК при ДСЦ. <■

ПИ ПО обеспечивает регистрацию следующей информации: время занятия пути; момент ухода маневрового локомотива с пути; продолжительность обработки состава в ПО (с учетом сверхнормативного); время заезда поездного локомотива под состав; момент отправления поезда; местоположение маневровых и поездных локомотивов.

Номера и индексы на отправляемые поезда вводятся дежурным по парку отправления (ДСПО) при помощи клавиатуры АРМа.

Рис. 2. Организационно-технологическая структура ИУС СС: ПКО — пункт коммерческого осмотра;

ПТО — пункт технического осмотра

Как следует из рис. 2, самостоятельным направлением работ становится создание АРМ диспетчерского, дежурного и оперативного персонала. Здесь имеются в виду АРМ ПКО, ТК, ПТО, ДСПП, дежурного по горке (ДСПГ), дежурного по парку формирования (ДСПФ), ДСПО, технического отдела станции (ТО), ДСЦ, станционного диспетчера (ДСЦС), старшего вагонного мастера (СВ), локомотивного диспетчера (ТЧД), начальника станции (ДС) и др.

В данный период, в условиях сокращения эксплуатационных расходов, высвобождения операторских звеньев, широкой информатизации процессов управления, внедрение ПИ, составляющих класс систем первого уровня управления перевозками, становится одной из

приоритетных задач переоснащения отрасли. Внедрение в рамках «Программы обновления СЖАТ на период до 2005 года» ПИ на СС с использованием ПК и микроконтроллеров современного поколения обеспечит:

— совместимость с устройствами станционной автоматики;

— возможность построения относительно обособленных систем, решающих задачи контроля и управления отдельными, технически и организационно выделенными частями технологического процессов в реальном масштабе времени;

— возможность координирования действий локальных комплексов для решения сложных задач планирования и принятия решений;

— автономность, гибкость структуры, перепрограммируемость;

— универсальность технических и программных решений, обеспечивающих тиражируемость систем;

— возможность поэтапного доукомплектования и наращивания функций в процессе дальнейшего развития ПИ и ИУС СС в целом;

— программно-аппаратную совместимость с другими системами уровней ОЦ и ЦУПР.

Освещаемая в работе проблема создания интегрированной ИУС СС, функционирующей в реальном масштабе времени в единой информационной среде с интеллектуальной поддержкой принятия решений, поставлена впервые.

Предпосылкой для этого является использование современных информационных технологий (СИТ) и бурное развитие идей и методов искусственного интеллекта (ИИ) в различных отраслях и на железнодорожном транспорте в частности.

Ранее создаваемые системы автоматизации оперативного управления СС ограничивались разработкой отдельно функционирующих комплексов и подсистем. Постановка задачи создания ЕМСС, функционирующей на основе БД и БЗ, не имела места.

Это было обусловлено отсутствием в тот период мощных вычислительных средств и слабым развитием теории, использующей интеграцию БД и БЗ интеллектуальных систем. Создание АРМов, взаимодействующих в единой локальной сети и имеющих доступ к ресурсам АСУ СС, ACO УП и др., находилось в слабом развитии.

Автоматизация и информатизация ПП, ПФ и ПО не решена до настоящего времени.

С учетом последних достижений СИТ и богатых информационно-вычислительных возможностей ПК ниже предлагаются основные (не прибегая к деталям содержания технического задания) эксплуатацион-

но-технические требования к интегрированной ИУС СС, которая должна обладать двумя главными достоинствами: функционирование в единой информационной среде и обладание интеллектуальными свойствами, достигаемыми за счет интеграции возможностей БД и БЗ.

1. Моделью интегрированной ИУС СС, наиболее адекватной исследуемой предметной области, предлагается модель, представленная на рис. 3. Такая модель предусматривает интеграцию всех горизонтальных потоков информации о состоянии всех технологических зон и операций во всех парках СС и на СГ.

Структура модели предполагает передачу такой информации и по вертикали по следующему тракту: устройства СЦБ, ПИ и ПУ, АРМы, АСУ СС, АСО УП.

Рис. 3. Модель интегрированной ИУС СС: 1 - ПУ СГ; 2 - ПИ ПП; 3 - ПИ ПФ; 4 - ПИ ПО; 5 - модули интерфейса; 6 - релейно-контактная аппаратура ЭЦ; 7 - АРМы дежурных по ПП, ПФ, ПО, ДСПГ, ДСЦ и др.; 8 - АСУ СС; 9 - АСО УП

Ядром ИУС СС являются взаимодействующие БД и БЗ (рис. 4). Последняя должна быть описана языком сверхвысокого уровня — языком представления знаний (ЯПЗ). БД должна быть прозрачна для любого руководителя любого уровня управления.

2. Обязательным качеством ИУС СС должно быть функционирование в реальном времени, в том числе ее прогнозной и аналитической частей.

3. В основе функционирования интегрированной ИУС СС должна быть динамическая пространственно-временная модель процесса расформирования-формирования поездов, реализующая автоматическое слежение дислокации всех подвижных объектов, регистрацию (протоколирование) временных параметров ТП, отображение хода ТП и интеллектуальную поддержку принятия решений. Последняя предполагает использование агентных технологий (программных агентов и мультиагентных систем — MAC).

Библиотека математических моделей, взаимодействуя с БЗ, выбирает наиболее оптимальные варианты принятия решений в зависимости от реально складывающихся оперативно-технологических ситуаций с учетом ранее принятых критериев и ограничений. Математическое моделирование и вычислительный эксперимент являются инструментами приобретения новых знаний и позволяют осуществлять проверку достоверности порождаемых гипотез.

Исходные данные о прибывающих и вновь сформированных поездах в ИУС СС представляются в виде, позволяющем их интерпретировать и формировать в БД. Блок генерации интеллектуальных решений формирует интеллектуальный интерфейс представления принятых решений («советов», маршрутов заезда, очередности надвига составов, путей «отсева» чужаков, план формирования, прогноз поездообразования, диаграммы накопления составов, графики и др.) диспетчерскому и операторскому персоналу (пользователям). Такие АРМы с интеллектуальной поддержкой принятия решений на рис. 3 обозначены цифрой 7.

Приоритетным направлением при создании ИУС нового поколения является использование, развитие идей, методов и теоретических подходов СИТ. При разработке интеллектуальной ИУС СС необходимо решить комплекс задач, связанных с выбором адекватного математического аппарата, организацией БД и БЗ, разработкой моделей принятия решений и др.

На рис. 5 представлен и обозначен цифрами перечень необходимых исследований, методов и моделей, наиболее адекватных для решения сложной задачи создания такой интегрированной системы.

Концепция построения ИУС СС основывается на взаимодействии в рамках ЕИС БД, БЗ и ЕМСС.

Необходимыми этапами работ при создании БД являются: исследование потоков информации (1) по горизонтали - ПП, СГ, ПФ и ПО и вертикали — от ПП, СГ, ПФ и ПО к ДСЦ, затем в АСУ СС и далее в ACO УП. Для регистрации видов информации, объемов передаваемых данных следует кроме реального наблюдения использовать должност-

Прогноз ситуаций и принятие решений

Рис. 4. Структурно-функциональная схема интеллектуальной ИУС СС

ные инструкции диспетчерского и дежурного персонала соответственно в парках СС и на СГ. Важно при этом (2) классифицировать все виды передаваемой и принимаемой информации, сразу устанавливая ее приоритеты (веса значимости). Регистрация разделения (разветвлений) потоков информации обязательна для дальнейшего использования при разработке технической структуры ИУС СС, выборе средств телекоммуникации и организации локальных сетей.

Графическая модель потока (3) должна содержать информацию о том, куда и для каких целей направляется сообщение.

При выборе архитектуры БД (4) необходимо определиться вначале в четырех компонентах:

— аппаратное обеспечение (компьютер или компьютерная сеть, в которой создается БД);

— программное обеспечение;

— пользователи;

— данные.

Программное обеспечение занимает промежуточное положение между «физической» БД и пользователями БД. Это программное обеспечение называется системой управления СУБД (Data Base Management Systems — DBMS). Вторым этапом становится выбор централизованной архитектуры БД (клиент-серверной) или распределенной. В первом случае это единственный компьютер на центральном посту управления СС, к которому подключаются терминалы, выступающие в качестве рабочих мест пользователей. Во втором случае компьютеры объединяются в локальную сеть. Модель «клиент-сервер» является моделью взаимодействия компьютеров в сети.

Этап 5 включает в себя выбор языка БД из двух типов: декларативный язык SQL (Structured Query Language - структурированный язык запросов) и язык объектно-ориентированных БД (ООБД), включающий в себя язык описания объектов — ODL и язык объектных запросов — OML.

Завершающим этапом данного направления работ является проектирование БД (6). Создаваемая БД является составной частью ИУС СС, осуществляющей не только хранение, но и обработку данных. Поэтому проектирование БД необходимо выполнять совместно с проектированием алгоритмов обработки данных (7), хранящихся в БД, и разработкой соответствующего программного обеспечения (8).

При проектировании БД используются методы структурного анализа, объектно-ориентированные подходы и GASE-средства автоматизации проектирования БД (Computer Aided Software Engineering).

Важным и необходимым направлением исследований является разработка БЗ. Как следует из рис. 5, исследованием поля знаний (9) начинается проектирование БЗ. Поле знаний как первый шаг к формализации представляет модель знаний о предметной области. Это описание основных «понятий» и взаимосвязей между «понятиями», выявленных из системы знаний эксперта в виде графов, диаграмм, таблиц или текстов. Для формализации используется машинно-реализуемый язык представления знаний (ЯПЗ).

При исследовании поля знаний важным становится разработка библиотеки «понятий» (10), изучение отношений между ними (11), к ко-

торым относятся пространственные (12), временные (13), причинно-следственные (14) и лингвистические (15).

Центральное место в структуре методологии создания интегрированной ИУС СС занимает создание ЕМСС (более точно - единой интегрированной модели), функционирующей в ЕИС на основе БД и БЗ.

Учитывая, что создаваемая ИУС СС — система, сильно связанная структурно и функционально, основные решения по новым технологиям управления СС должны тщательно просчитываться и оцениваться. Лучшим инструментом для этого является имитационное моделирование (16), результаты которого будут многократно использованы на последующих этапах разработки ЕМСС.

Необходимым этапом здесь является решение задач, связанных с моделированием процессов перемещения подвижных единиц. Для решения таких задач в интеллектуальных системах управления широко используются логико-алгебраические модели, позволяющие формальными математическими средствами описывать динамику технологических процессов. Такие модели впервые были предложены в рамках теории ситуационного управления сложными системами и основаны на специальных формализованных языках описания данных.

В данной работе используется вариант сетевого языка описания БЗ и основанная на нем логико-алгебраическая (ситуационная) модель перемещения подвижных единиц (объектов) (17). В основу построения ситуационных моделей на СГ (18), в ПФ как со стороны СГ, так и вытяжки (19), должна быть положена псевдофизическая логика пространственно-временных отношений. Она позволяет компактным образом представлять все технологические ситуации как на спускной части (дереве) СГ, так и в ПФ. Необходимость создания таких моделей для ПП и ПО отсутствует. Мгновенные состояния объектов перемещения дедуктивным способом выводятся в модели на основе небольшого числа продукционных правил, содержащихся в моделях (20).

При создании современных интеллектуальных систем активно разрабатываются методы, объединяющие механизмы нечеткого управления и технологию обработки данных на основе нейронных сетей. В этой связи представляется весьма перспективным разработка нейро-нечетких прогнозирующих и исполнительных моделей (21), выполняемых на основе искусственных нейронных сетей (ИНС). Реализация такого подхода позволит придать ИУС СС ряд принципиально новых свойств, необходимых для человеко-машинных комплексов. Особенно это относится к ПА СГ.

Наиболее ответственными функциями ИУС СС являются стратегии управления и принятия решений (22). Здесь крайне необходима

их интеллектуальная поддержка, особенно в контексте поставленной задачи. Это касается процессов регулирования скоростей скатывания отцепов в ПА СГ и процессов принятия решений ДСЦ на этапах выбора очередности роспуска составов, находящихся в ПП, и поездообра-зования в течение всей смены. В основе таких моделей лежит использование эвристических правил вывода и генетических алгоритмов.

Кроме изложенных этапов 16 4- 22 создания ЕМСС важное место занимает также создание программных агентов и мультиагентных систем MAC (23).

Проблематика интеллектуальных агентов и мультиагентных систем MAC в настоящее время занимает одну из ведущих ролей в рамках интеллектуальных информационных технологий. Интеллектуальные агенты привлекательны тем, что они позволяют диспетчерскому персоналу делегировать свои полномочия по решению сложных задач и принятию решений.

Кроме перечисленных методов и моделей, входящих в состав ЕМСС, достойное место занимают адаптивные алгоритмы и модели самоорганизации, самообучения, обозначенные на рис. 5 цифрами 24 и 25. Такие модели крайне необходимы при создании ПА СГ для адаптации алгоритмов регулирования скоростей скатывания отцепов при изменении внешних погодных условий (в 8 часов утра температура «- 20° С», а в 18 часов вечера — «-5* С», внезапный дождь, попутная или встречная роза ветров, сильные и продолжительные порывы ветра и др.).

Не менее важной в ПА СГ является также проблема прогнозирования поведения отцепов до их скатывания. Здесь уместно использовать модели распознавания образов, точнее - ходовых свойств отцепов на основе предварительной обработки параметров отцепов (вес, длина, тип подшипников, род груза и др.), в том числе с учетом параметров внешней среды (например, прибывший состав находился в ПП до подачи на СГ при температуре «— 20° С» 2 часа или был подан на горку сразу после обработки через 40 мин.). Здесь уже поведение отцепов (ходовые свойства) существенно может измениться из-за застывших колесных букс.

В основе достижения целей, обозначенных на рис. 5, лежит использование или развитие фундаментальных теорий. Создание БД требует привлечения аппарата теории информации и систем передачи данных (27), разработка ЕМСС - теории искусственных нейронных сетей (29), теории генетических алгоритмов (30), теории адаптивных систем и самоорганизации моделей (31), теории распознавания образов (32) и др.

Разработка интегрированном __ИУССС

Сложные диимигнсии тмаиг. ПР0ЦКШМ1ЖД.Т.

иифцмиимяа }-

__I

таг

сортроючиов спи-', шт ЕИОС

мний

кг^

Графичюа

Выбор архитектуры

6Д

БД

рцрвбоид алгоритме» обработай дата

Рирабств программ»

Теория информации, тмриа пар**«

Л6С

Рци&пя

Пррегряиамма •арсиемм идол»

Ситуационная чад*»

Прщяциомиыс моаели -

Р _

Найроиечапиа

Ьрсдоцмимыаноявш

сгрпагячсскж я улраммэдмраюаииЯ

[Программны* агшты»

Теории о*туацибимвгО

нейронные сит

Лтойч аягорктиыупра-

АЛГфГМЫ «ервиоет

Исспштнивлоля

1Г-

РщяСот бибтютюи^

°ПОМЩЙа I

Ишвйййй-

(пкоиший яевду _Чиитим*1

Првсгранстммме

ОТНОШвМ

"Прййййно-" смястмииые впшиемм

Лмписпнвоие

01Н0ШвМ»

Адатммы* «1го|мпш регулирования

Тмемиотманш

Тмрмхмпж

Етэмиий сисии

Теория

«Ибор»

Агжтшаи» ват»т алгоритм*

Тссрпию-

«•плмкцапма

МОМфОИНИЯ ВП»ОМ(

опуаииАиаСГ

Рис. 5. Структура методологических этапов построения ИУС СС

Разработка БЗ требует привлечения развивающейся теории БЗ интеллектуальных систем (33), теории инженерии знаний (34), теории нечетких множеств (ТНМ), интеллектуальных интернет-технологий и других сопутствующих дисциплин.

Предложенная методология создания интегрированной ИУС СС, предполагающая использование БД (35), БЗ (36), ЕМСС (37) в рамках ЕИС (38), ставит своей целью достижение важных практических результатов. К ним можно отнести лишь некоторые, наиболее значимые. В первую очередь, это выбор архитектуры БД (39), позволяющей оптимизировать (минимизировать) затраты на компьютерные средства и программные продукты. Повышение эффективности технологического процесса расформирования поездов и безопасности работ может быть достигнуто за счет использования устойчивых адаптивных алгоритмов управления роспуском составов на СГ (40,44,45).

Интеллектуализация процессов принятия решений на основе машинных процедур выбора очередности роспуска (41), прогнозирования поездообразования (42), выбора путей «отсева» (43) и автоматов-советчиков по оптимальному и своевременному изменению специализации путей ПФ (44) позволит значительно снизить информационно-логическую нагрузку ДСЦ и дежурного персонала, что, в свою очередь, повысит эффективность работы СС в целом.

В главе 2 «Развитие идеологии управления сложными динамическими процессами на СС» представлены: авторская методика управления, иллюстрированная на примере управления роспуском составов на горке; алгоритм эталонного управления нестационарными, динамическими объектами железнодорожного транспорта; математическое обеспечение разрабатываемых методов; совершенствование деятельности отрасли на основе внедрения информационных технологий.

В данном разделе дан краткий анализ принципов, положенных в основу построения и функционирования микропроцессорных комплексов автоматизации технологических процессов на железнодорожном транспорте, обеспечивающих их «интеллектуальное» функционирование:

1. Представление системы управления как симбиоз человека и технических средств (вычислительных и управляющих). Человек не просто часть системы, определяющая цель ее функционирования, и/или оператор, реализующий программу функций, а ее биологическая составляющая, обучающая и обучаемая в процессе функционирования комплекса.

2. Обучение системы, состоящее:

а) в построении моделей исследуемых процессов на основе статистических, интуитивно-эвристических данных с использованием методов самоорганизации, позволяющих оптимизировать структуру и параметры моделей в рабочей области значений входных и выходных переменных;

б) в синтезе механизмов автоматического принятия решений, использующих преимущества вычислительной техники (высокое быстродействие, практически неограниченная память, «психо-эмоцио-нальная устойчивость») и способность человека мыслить нетрадиционно и нечеткими категориями.

3. Классификация объектов автоматизации, воздействий внешней среды, управляющих сигналов, методов принятия решений и моделей, основанная на использовании теорий распознавания образов, игр и нечетких множеств и позволяющая: а) структурировать исследования и использовать модульные принципы синтеза систем управления; б) линеаризовать процедуры, выделив в виде эталонных ситуаций основные тренды соответствующих процессов.

4. Многоуровневый расчет оптимального хода технологического процесса, включающий в себя этапы: внесистемный, фиксирующий длительный опыт работы системы; предварительный, использующий вычислительные средства ПЭВМ и языки высокого уровня; реального времени, корректирующий процесс с учетом непредсказуемых возмущений среды и изменений объекта управления.

5. Адаптация моделей функционирования к конкретным условиям внешней среды по мере обучения системы и вследствие нестационарности и неоднородности условий функционирования.

В работе разработан общий алгоритм осуществления анализа и управления сложным технологическим процессом на железнодорожном транспорте, апробированный на сортировочной горке. Вводятся понятия начальной ситуации, включающей наблюдаемые и измеряемые (контролируемые) факторы, характеризующие состояние управляемого объекта и конечного (желаемого) состояния.

Таким образом, каждая ситуация может характеризоваться вектором:

или

1 т

% =(ХК.1' — 'ХКп )'

(1)

где /,у — номера ситуаций;

^н' ^к — соответственно векторы начального и конечного состояний.

Как видно из рассматриваемого примера в общем — различ-

ные по размерности и составу векторы. В частном случае они могут совпадать.

Компоненты векторов Я' могут принимать числовые или лингвистические значения. Примерами последних в рассматриваемой практической задаче могут являться: тип «бегуна»; весовая категория отцепа.

Важнейшей задачей исследования является отбор из множества признаков наиболее информативных. Очевидно, для различных практических задач эти наборы также различны. Процедуры отбора информативных признаков хорошо в настоящее время отработаны. Однако особенности исследуемой задачи позволили осуществить их развитие.

Переход системы из одного состояния в другое иллюстрируется в признаковом пространстве в виде некоторых траекторий. Для организации процесса перевода объекта из одного (текущего) состояния в другое (желаемое) необходимо ввести критерии (характеризующие «качество» состояний и осуществляющие, кроме того, оценку траекторий), а также определиться с составом управляющих воздействий. В нашей практической задаче такими воздействиями являются: и, - момент (временной и/или пространственный) начала торможения; иг - время (длительность) и и3 - ступень торможения.

Первой задачей на этом пути является введение мер близости между точками (состояниями) смоделированного признакового пространства.

Существующие в классической математике меры Евклида, «таксиста» и другие не отражают сущности решаемых конкретных задач, так как важность и размерности признаков различны. Необходима процедура нахождения весовых коэффициентов ос, некоторой обобщенной меры, адекватно описывающей опыт оператора — эксперта.

Сущность разрабатываемого алгоритма управления заключается в следующем:

1. Задается пороговое значение меры, определяющее необходимый уровень различимости ситуаций (например, точность их идентификации).

2. Определяется совокупность точек (ситуаций) в допустимой области пространства признаков, расстояния между которыми близки к критическому значению, но не превышают его.

В результате выполнения последнего пункта получаем два набора

точек, характеризующих возможные начальные и конечные состояния соответственно в двух признаковых пространствах 5ни5к.

3. Определяется имеющийся в распоряжении системы набор управляющих воздействий 11= (и^,..., ик).

4. На предварительном этапе (этапе обучения) экспертам предъявляются множества и набор управлений и. Они устанавливают

соответствия между и ££ с указанием значений вектора и (рис. 6).

5. Полученная в п. 1-4 информация фиксируется.

6. Вводятся критерии для оценки качества процесса и результатов управления.

Представленные схемы учитывают опыт операторов, максимально используют преимущества вычислительной техники для задачи автоматизации процессов (память, быстродействие).

Для повышения точности, сокращения объема и времени расчета управляющих воздействий и их упрощения необходимо осуществить операцию отбора информативных признаков.

В данной работе предлагается усовершенствование аппарата корреляционного анализа:

1. За счет параметрического вычисления Я.

2. Введения специального коэффициента Ь вместо коэффициента корреляции.

В работе доказано, что основные свойства коэффициента корреляции для Ь также выполняются.

*я

V2

1

и=их и-и2

"иЩ""

'"".'Ш.[К

£

Л

« -

Рис. 6. Графическая иллюстрация установления соответствия между начальными и конечными состояниями объекта

Предлагаются механизмы, позволяющие регуляризовать процедуру расчета L и прогноза, а также сузить класс явлений, «подозрительных» на присутствие причинно-следственной зависимости, что облегчает решение задачи управления.

Пусть наблюдаются два процессах^ иy(t). Линейная составляющая взаимной зависимости этих процессов в момент времени / определяется значениями R (x(t), y(t)) и L (x(t), y(t)). Предлагается наряду с указанными (далее для простоты все рассуждения приводятся только относительно R) характеристиками вычислять Я (x(t), y(t+i)), где i=±l, ±2,... Если х — причина и у- следствие, а интервал запаздывания эффекта взаимной связи ig, то очевидно, что

R (x(t), y(t+ij) > R (x(t), y(t)). (3)

Соотношение (3) может выполняться при ¡^Оив случае отсутствия причинно-следственной связи между x(t) и y(t), если они связаны через одну общую причину, а эффекты ее проявления через x(t) и y(t) имеют различные по величине интервалы. Управление одним процессом через изменение другого (предшествующего) в этом случае невозможно, но прогноз вполне реален.

Таким образом, алгоритм исследования последействия имеет следующий вид:

1. Рассчитывается ряд значений R (x(t), y(t+i)), i — ± 1, ±2,...

2. Выбирается max R(x(t), y(t + /')).

i

3. Исследуется знак и значение / = arg max. R(x(t),y(t + i)).

i

а) если i0 > 0, то явление x(t) предшествует^;

б) если /0 < 0, то явление y(t) возникает ранее x(t).

Величина |/'0| определяет наилучшую глубину предсказания. Разработанный механизм позволяет оценить инерционность взаимодействий, характеризующих исследуемый процесс.

В диссертации разработан алгоритм построения меры близости между объектами исследования:

1. На основе потенциалов точек, заданных в табличном виде, формируем совокупность точек обучающей последовательности. Это точки (объекты), информация о которых экспертам известна, и она служит для расчета неизвестных параметров искомой меры. К ним предъявляются требования типичности и репрезентативности.

2. Определяем пары сравниваемых объектов и находим «расстояние» между ними по формуле

¿(А,В)=цл-11в . (4)

3. Записываем выражение (4) для всех пар точек через неизвестные параметры меры а1 при соответствующих значенияхр

4. На основании сравнения пунктов 2 и 3 алгоритма формируется система уравнений относительно неизвестных аг Так как исходные данные формируются экспертным путем и характеризуются наличием нечеткости и ошибок наблюдений, необходимо, чтобы число уравнений было значительно больше числа неизвестных. Это позволит использовать статистические методы решения систем линейных алгебраических уравнений, компенсирующих ошибки данных.

5. Находим обобщенное решение полученной системы уравнений, минимизируя сумму квадратов отклонений левых и правых частей уравнений.

6. Подставляя найденные коэффициенты а в (4), получим искомую зависимость.

7. Определим диапазон изменения переменных, характеризующих объект, и осуществим их масштабирование.

8. Перейдем в найденной на этапе 6 зависимости к масштабированным переменным. Соотношение последних коэффициентов меры характеризует их информативность.

Глава 3 «Моделирование сложных транспортных процессов» посвящена развитию понятийного аппарата моделирования сложных технологических процессов сортировки составов, некорректным математическим задачам на железнодорожном транспорте.

В рамках данного исследования физическое моделирование реализуется в двух видах:

1. Методы планирования экспериментов.

2. Экспериментирование на рабочих объектах.

Математическое моделирование основывается на использовании

математического понятийного аппарата: число, вектор, функция и т.д. Математическое моделирование позволяет получить аналитическое (выраженное с помощью формул) описание исследуемых процессов, что позволяет использовать мощный арсенал современных средств исследования и принятия решений.

Имитационное моделирование также использует математический аппарат, но в данном случае он имеет подчиненное значение. Применить имитационное моделирование для особо сложных систем невозможно в силу высокой размерности задачи, ее многообразия и неопределенности.

В этом случае полезно развитие идеологии имитационного моделирования введением дополнительного, предварительного этапа: выяснение структуры и параметров моделируемого объекта.

Полезным развитием метода в этом случае является применение комплекса средств когнитивного и морфологического анализов, позволяющих за счет использования механизмов интеллектуализации исследования (методы эвристической самоорганизации, генетические алгоритмы, эволюционное моделирование), решить проблему построения модели.

На рис. 7 представлена авторская схема построения математической модели.

К вопросу идентификации систем, с точки зрения методов сбора исходной информации, наметилось несколько подходов. Первый предполагает использование специальных тестовых сигналов - методы активной идентификации. Второй связан с наблюдением за системой в рабочем состоянии - пассивная идентификация. Третий — объединяет первые два, компенсируя некоторые их недостатки и сохраняя ряд преимуществ. Четвертый подход основан на эвристиках (предположениях) и имитации.

В первом случае режим нормального функционирования прерывается, и на объект подаются сигналы (воздействия) специального вида (заранее рассчитанные).

Во втором случае при исследовании сортировочного процесса исследователь наблюдает (фиксирует) интересующие его параметры, не вмешиваясь в процесс роспуска составов. Исследуется нормальный режим функционирования горки — рабочий.

В третьем подходе наблюдение за объектом осуществляется пассивно, но для идентификации модели данные отбираются исходя из целей исследования, производственных критериев и используемого математического инструментария.

Четвертый поход основан на классификации широкого спектра входных сигналов (в том числе предполагается вид и оцениваются параметры шума). Это позволяет, комбинируя сигналы, имитировать функционирование объекта не только в рабочей, но и в гипотетической зоне.

С целью выявления математических и информационных проблем и целесообразности применения указанных подходов продолжим их краткий анализ. Его результаты сведены в табл. 1.

Здесь столбец А дает оценку указанного свойства с точки зрения активного подхода, а столбец П отражает соответственно преимущества или недостатки пассивного, столбец А-П — интегрирует свойства

Рис. 7. Расширенная блок-схема построения математической модели

Таблица 1 Сравнение различных методов сбора информации

№ Наименование свойства, характеризующего способ сбора информации А П А-П И

1 Отражение рабочей области сигналов — + + +

2 Отражение общей области изменения сигнала + - + +

3 Отражение множества гипотетических сигналов - - - +

4 Полнота модели - + + +

5 Устойчивость вычислительной процедуры расчета параметров модели + — + +

6 Необходимость останавливать нормальный режим функционирования объекта — + + +

7 Необходимый объем исходных данных (время наблюдения) + — — +

8 Стратегическая адекватность (макровидение) - - - +

9 Тактическая адекватность (микроанализ) - - - +

предыдущих подходов, и, наконец, столбец И отражает состояние свойств имитационного подхода.

Имитационное моделирование позволяет исследовать модели объектов, структурируя и параметризируя шумы IV. На основе анализа эмпирической информации, высказываний экспертов в модели (имитационной) можно учесть различные виды и параметры законов распределения Ж. Последнее позволяет построить более полную, а значит, и адекватную модель исследуемого процесса, что и отражено в табл. 1.

На основании приведенных рассуждений в данной работе предлагается:

1. Осуществлять до начала моделирования по табл. 1 оценку соответствия метода сбора информации целям исследования и качеству исходной информации и на этой основе избирать наиболее предпочтительный метод.

2. Объединить процедуры, характерные для названных методов, а именно: наблюдения осуществлять пассивно, но для идентификации использовать не все данные, а отобранные по специальной процедуре, исключающей коллинеарные наблюдения и коррелированные переменные.

3. Используя методы когнитивного и морфологического анализа, определяется характер воздействия на объект управления внешних возмущений (шумов IV) и проигрываются варианты функционирования при их различных видах. По результатам имитации определяются наиболее рациональные структуры объектов управления.

Применение методов математического моделирования актуализирует вычислительные проблемы технической кибернетики. В связи с этим необходимо рассмотрение природы этих проблем и механизмов их регуляризации. Под регуляризованным вычислительным алгоритмом будем понимать: адекватный описываемому объекту (процессу), устойчивый и сходящийся.

В работе раскрыты вычислительные проблемы использования математических моделей при управлении технологическими транспортными процессами. Дан анализ применимости в системе моделирования транспортных процессов существующих методов регуляризации. За исключением метода подстановки (МП), это аналитические подходы, которые требуют достаточной формализуемости задачи. Предлагается объединить МП и метод замены (МЗ) на основе использования поисковых процедур в пространстве параметров, обеспечивая повышение устойчивости.

Развиты методы решения некорректных вычислительных задач.

Развитие теории некорректных задач состоит в следующем: при отсутствии решения в общепринятом смысле предлагается использовать метод квазирешения; при множестве «решений» — вводятся дополнительные критерии, регуляризующие процедуру нахождения решения; при неустойчивости решения рекомендуется совместное использование метода подбора и метода замены оператора.

Показано так же, что метод квазирешения является частным случаем метода Тихонова. Теоретические выводы проиллюстрированы на конкретных примерах.

В главе 4 «Теория нечетких множеств — теоретическая основа использования экспертной информации» исследованы: роль и место теории нечетких множеств в системах управления железнодорожным транспортом; сравнительный анализ операций над нечеткими множествами и их применение; принятие решений в условиях неопределенности; идентификация функций принадлежности нечетких множеств.

Отличительные особенности теории нечетких множеств (ТНМ):

1. Использование наряду с обычными переменными (числовыми), переменных, значения которых выражаются смысловыми значениями естественного языка.

2. Следующая отличительная особенность ТНМ состоит в возможности учета понятий, «игнорируемых» классической математикой, таких как: зашумленность данных, нечеткость, размытость, неуверенность.

Функции принадлежности в ТНМ отражают нечеткость информации как статистическую (в этом плане указанные теории тождественны) , так и связанную с априорным незнанием истинных свойств объектов и невозможностью получения их численных оценок статистическим путем. В этом плане они отражают опыт исследователя, его цели и зависят от конкретных условий функционирования объекта. Вследствие этого математический аппарат теории нечетких множеств содержит чаще логические преобразования информации (нахождение максимума, минимума, отрицания и т.д.), а не алгебраические: сумма, произведение и пр.

Операции, выполняемые над нечеткими множествами, как и операции других математических систем и теорий, отражают смысл и логику соответствующей сферы исследования и управления. Релейные системы СЦБ (системы централизации и блокировки) построены на положениях классической (четкой) теории множеств и теории алгебры логики, суть последней кратко рассмотрим на примере двух операций конъюнкции и дизъюнкции. Более привычные и чаще встречающиеся их названия: операция «И» и операция «ИЛИ». В работе на примере

этих операций дано обобщение, дополнительно актуализирующее использование в АСУ ЖТТНМ.

Существенной особенностью многочисленных постановок решения многокритериальных задач является необходимость формирования четко определенных функций частных критериев ^(Х), где X— вектор переменных, по которым осуществляется оптимизация. Вместе с тем применение этих подходов затруднено вследствие невыполнения ряда жестких предпосылок методов.

В работе рассмотрен далее универсальный метод, требующий минимума априорной информации и имеющий «естественную» для практиков-управленцев постановку.

Аналитическая запись алгоритма метода следующая:

/ = агатах пуп |.

Таблицы данных | легко хранятся в микропроцессорных вычислительных средствах. Они просто корректируются по результатам наблюдений итеративно.

Таким образом, становится очевидным, что использование описанных подходов теории нечетких множеств является для целого класса решаемых на железнодорожном транспорте задач автоматизации сложных технологических процессов наиболее предпочтительным, а в ряде случаев и единственно возможным.

В диссертации рассмотрена хорошо известная вероятностная трактовка принятия решения по минимуму риска. Она легко адаптируется на случай более широкого толкования неопределенности.

Решающую роль при построении нечетких (расплывчатых) алгоритмов принятия решений в этом случае играет операция композиции. Сущность операции композиции заключается в максиминном перемножении векторов, т.е. используется формула:

Р, = тахтт(а,, а ). (6)

' I а,а "

Набор р^ образует вектор Вк. Операция композиции в общем виде записывается следующим образом:

Вк = КА. (7)

В алгоритмах принятия решений на сортировочной станции в равной степени могут использоваться оба подхода: процедура принятия решения по минимуму риска и на основе операции композиции. Сле-

дует заметить, что в рамках теории нечетких множеств они не противопоставляются, а дополняют друг друга.

Выше показано, что внедрение новых технических средств и новейших информационных технологий требует разработки формализованных процедур идентификации нечетких объектов, т.е. нахождения их функций принадлежности. Усовершенствование известных методов также приводит к этой задаче.

Из возможных способов задания функций принадлежности (описательный, аналитический, табличный, графический) наиболее удобным для расчета и использования в процедурах управления скатыванием отцепов с горки является табличный. Этот способ, безусловно, преимущественен во всех микропроцессорных системах, так как позволяет упростить вычислительные процедуры и повысить наглядность представления информации. Поэтому все дальнейшие рассуждения предполагают этот вид задания модели нечеткого объекта.

Функции принадлежности нечетких множеств могут определяться:

— на основе априори известной информации о структуре и функционировании исследуемого объекта;

— статистически (в этом частном случае функция принадлежности может, при определенных условиях, являться функцией распределения случайной величины);

— на основе субъективного мнения оператора (или группы операторов-экспертов).

Как правило, все процедуры построения функций принадлежности предполагают различие ситуаций по одному признаку. Анализ процесса управления скатыванием показывает зависимость ходовых свойств отцепа от различных признаков: веса, подшипника, рода вагона, числа осей и т.д. Поэтому все предложенные процедуры нуждаются в развитии. Сделать это можно различными путями. Рассмотрим возможные варианты для двух признаков. Дальнейшее обобщение очевидно.

1. Фиксируется значение одного признака, характеризующего ситуацию, и для другого одним из приведенных методов строится функция принадлежности. Затем процедура повторяется до тех пор, пока не будут рассмотрены все необходимые значения первого признака.

Реализация этой процедуры требует решения двух проблем:

а) выбора очередности рассмотрения признаков, т.е. необходимо определиться, как рассчитывать двумерную функцию принадлежности: по строкам или по столбцам?

б) большой размерности задачи при трех и более учитываемых

признаках.

(РОС

РОСНЛЦИОНАЛЬНЛ* БИБЛИОТЕКА 1 СПетсрвург |

2. Более экономичной в расчетном плане и удобной для использования представляется следующая процедура (рассмотрим на примере):

а) рассчитывается функция принадлежности отцепов, типичных по свойствам подшипника для исследуемого объекта управления;

б) рассчитывается функция принадлежности для отцепов с адекватной представительностью по весу (с соблюдением необходимых пропорций). Здесь следует принять идеи активно-пассивного сбора и обработки данных, изложенные в разделе 3;

в) результирующая функция принадлежности цл (п) вычисляется по формуле

»л{р>к)=»л{р)М71)- (8)

отражающей произведение нечетких множеств.

В силу ряда особенностей задачи нами избран табличный способ задания функции принадлежности. Недостатком метода является тот факт, что таблица не дает ответа на вопрос о значении функции принадлежности при промежуточных значениях параметров отцепа. Механизм интерполяции функции принадлежности представлен на рис. 8.

В пятой главе диссертации для исследуемого класса интегрированных информационно-управляющих систем (ИУС) разрабатываются методы автоматизации экспертной

0,2

0,055

0,25 0,33 0,5 я

Рис. 8. Иллюстрация восстановления неизвестного значения функции принадлежности интерполяционным методом

поддержки принятия решений. С этой целью исследуются несколько классов технологических задач, для решения которых предлагаются соответственно несколько классов интеллектуальных поддерживающих моделей.

Особую группу составляют задачи, связанные с моделированием процессов перемещения подвижных единиц. В качестве формализованной модели процессов перемещения подвижных единиц предлагается вариант пространственно-временной модели. Она базируется на формальной логике пространственно-временных отношений, реализованной посредством продукционных правил. Логическое ядро модели представляет собой четверку

F = (S,II,A,W),

где S = SvuSp- многосортное базовое множество, включающее сорт универсальных переменных SLf (таких как время Т, множество действительных чисел О и т.п.) и сорт частных переменных Sp (таких как множество вагонов Vg, осей <95и т.п.);

Я — синтаксические правила, задаваемые посредством синтаксических графов;

А — система аксиом, w = Wv и Wp ~ правила вывода.

Особенностью предложенной модели является наличие двух независимых групп правил вывода: универсальных правил Ww на основании которых в системе выводятся общие факты, не зависящие от времени и сферы применения продукции, и специализированных правил Wf, обеспечивающих основной механизм моделирования процессов перемещения подвижных единиц.

Примером универсального правила вывода является следующее правило, устанавливающее факт принадлежности оси отцепу, опираясь на факты принадлежности оси вагону, а вагона - отцепу:

(OSrp Vg)&(VgrpOt) =>OsrpOt.

Частные правила вывода непосредственно моделируют процессы перемещения подвижных единиц и основаны на логике счета осей и анализе состояния РЦ. Пример правила на основе логики счета осей задан формулой (9), а пример правила на основе анализа состояния РЦ задан формулой (10)

Q = М+\ ( Vrls OSrls DOrls W)rt(t, ) & Pdo(t, ) =>

=> (Vrls DOrls OS ris W)rt(tl+X) (9)

P = ^(V ris OS ris DO ris W), Q = M+;(OS ris ДСу/(д&^Ргс(/,)&Ргс(г,+1) =>

(OS rp RS)rt(tM) (10)

P = -^(OS ris RC), где ris — пространственное отношение следования;

rt -фиксирующее временное отношение;

V,W - произвольные последовательности вида ost rls.-.rlsosj;

Pdo(tl), Pdo и Pre- предикаты срабатывания датчиков и замыкания РЦ.

Предложенная модель обладает двумя важными достоинствами, такими как компактность, поскольку в ее основе лежит относительно небольшое число базовых правил, а также универсальность, поскольку в ней заложена возможность оперирования многосортными переменными. Последнее качество очень важно, поскольку оно обеспечивает возможность интеграции разработанной модели с другими типами интеллектуальных моделей, реализованных в гибридной системе.

Второй класс интеллектуальных под держивающих моделей ориентирован на решение слабо формализованных задач, связанных с контролем, диагностикой и управлением технологическими процессами на СС, Специфика данных задач связана с необходимостью обработки нечетко-определенной информации и учета нечетко-определенных факторов при выработке решений, поэтому в основу их построения положена идея объединения механизмов нечеткого управления и технологии обработки информации на основе искусственных нейронных сетей (ИНС). Предлагается новый вид архитектуры гибридной нейро-нечеткой сети, в основу которого положена нечетко-классификационная модель:

M = (L,R,91),

где L = АхВх...хС - пространство лингвистических переменных (ЛП);

R - множество решений;

91 — разбиение пространства L на к классов Sir, соответствующих решениям reR.

Формула функционирования модели

Г) = (а,Э,Л)е9и(Ц<* (Х) & ^ М (Z) '

где ц(5,г) - степень достоверности решения reR в ситуации seXxYx...xZ;

Ца(*),ЦрО>)...Цу(г) - функции принадлежности лингвистических значений.

Алгоритмическая реализация модели осуществляется посредством представления ее в виде нечетко-продукционной системы

где В = [р\у/ г(и')} - система нечетких продукционных правил; и> = (а,Р,...,у) - описание условия;

г(м>) - выводимое решение.

Обработка информации в нечетко-продукционной системе осуществляется на основе нечетко-логического вывода по каждому из правил р

а общий вывод реализуется в соответствии с формулой ц(н>,г)= V и(*,/•)

Для обеспечения возможности оперативной адаптации параметров нечеткой системы под изменяющиеся условия функционирования предлагается ее реализация в виде гибридной нейро-нечеткой сети (ННС). Вариант архитектуры ННС для пяти правил приведен ниже на рис. 9.

Закон функционирования внутренних слоев описывается выражениями

= 0 = 1),

ОиТ(К) = V(ОиТ(К1)&^№))> и = 2,3,...,А:), /

где Я/ — ¿-й нейрону'-го слоя;

gJ - числовое значение./'-го признака; - функция принадлежности терма Л/.

Закон функционирования выходного слоя определяется выражением ОиТ(г) = ч(ОиТ{ХЧ), (геК),

I

где Л* - нейроны предвыходного слоя.

Предложенный вариант нейро-нечеткой сети обладает тем достоинством, что ее размер линейно зависит от общего числа нечетких термов, входящих в систему, и слабо зависит от общего числа правил.

Поэтому для реализации нечетких систем с большим числом продукционных правил использование разработанной модели оказывается более предпочтительным по сравнению с известными. Пример интеграции ННС, предназначенной для моделирования экспертных оценок ходовых свойств отцепов (рис. 10), с прогнозирующей моделью, реализованной на основе стандартной нейронной сети (ИНС), приведен на рис. 11.

Для автоматизации экспертной поддержки принятия оперативно-управленческих решений предлагается новый класс интеллектуальных моделей, условно названных нечеткими композиционно-динамическими моделями (НКДМ). В основу построения НКДМ положена идея использования известного класса дискретно-непрерывных моделей для представления динамики процессов и метода композиционно-динамического программирования в качестве средства оптимизации и выработки решений.

Разработка НКДМ осуществляется на примере класса задач, связанных с выбором стратегий управления вагонными замедлителями. НКДМ представляет собой тройку

Рис. 9. Нейро-нечеткая сеть для пяти правил

"Тяжелый"

Рис. 10. Фрагмент сети, моделирующей экспертные оценки ходовых

свойств отцепа

_5_\

-/

ННС оцешси ходовых свойств Q ИНС прогноз)фов»кия процесса торможения ЬУ

V, ¿t .StjtoM^^}

Рис. 11. Интеграция ННС и ИНС на основе иерархического

принципа

' M=<XxY,%A>,

где X х Y - пространство управляемых параметров (ступень торможения и группа выбранных осей). которые необходимо подобрать для

каждого из к элементарных управлений и( = (Gf ,ST/),, образующих

стратегию регулирования [¡^{(.G'^ST^AG^ST?),...,^ ,ST*)). Критерий управления задается в виде нечетко-логической формулы

W(U): A(s1)&A(s2)&...&A(sk) .описывающей качество регулирования на всем интервале торможения. Базовой процедурой, входящей в модель М, является процедура А, реализующая поиск оптималь-

ного маршрута в графе композиции отношений Rw - Rl°Rl°...°Rk. Каждое из отношений Rt б Rw описывает нечеткое ограничение на выбор параметров регулирования в процессе реализации элементарного управления и, = (G¡, ST/),. В основу базовой процедуры положен

принцип композиционно-динамического программирования, что обеспечивает ей высокую вычислительную эффективность.

В заключении раздела для предложенного класса интеллектуальных поддерживающих моделей разрабатывается механизм их совместного взаимодействия, являющийся, фактически, механизмом управления выводом в гибридной системе. Механизм управления выводом представляет собой управляющую структуру, наложенную на БЗ ИС. В качестве типовой модели такой структуры предлагается использовать дискретно-непрерывную динамическую систему (ДНС) специального вида. Механизм управления выводом разрабатывается на примере управления процессом роспуска состава на СГ.

Формализованная модель процесса роспуска рассматривается как ДНС, непрерывность которой обусловлена естественной непрерывностью процессов скатывания, адискретность - конечным числом состояний ОУ, в которые он переходит по мере продвижения отцепов по спускной части горки или под воздействием команд управления. Поведение ДНС внутри каждого из состояний описывается прогнозирующими нейро-нечеткими моделями вида

ММУ- P(g),V(t),St,no(t), At AV,

где V(t) — мгновенная скорость отцепа;

Sí — выбранная ступень торможения;

no(t) - количество осей, находящихся в замедлителе;

Д t - время торможения.

Правила, описывающие поведение ДНС внутри каждого из состояний, задаются формулами

Mu(s,),P(g),V(t),At,no(t),St{t) => Ат, V(t),AV(t) =>V(t + ДО = V(t) - AV(t),

ra(t),V(t),AV{t) => ra(t + At) = = m(0+V(t) ■ At + (V(t + At)- V(t)) ■ At / 2, где J, - участки СГ (состояния ДНС); P(g) - параметры отцепа;

ra(t) — метрическое отношение, определяющее ближайшую кдатчи-куось.

Изменение состояний ДНС происходит при перемещении отцепа между участками СГ, либо под воздействием управляющих команд. Логика переходов задается правилами перехода

(ossdJit^Pid^t) => (TJs)) = (t+ 1)

P(dBWi,t) => (Гых(Г)) = (t + 1),

где P(d,t) - предикат фиксации срабатывания датчика d в момент времени t;

TM — момент перехода ДНС в состояние S. TBMX(s/) - момент выхода ДНС из состояния.

Механизм управления выводом описывается через механизм поочередного управления правилами в ДНС. Процедура управления правилами микродинамики ф непрерывно применяется ко всем правилам до тех пор, пока БЗ не перестанет пополняться новыми фактами

(ф (5,): DBS/ -> DBS/+] & DBS I" = DBS?*1). Далее стартует процедура управления правилами макродинамики V , которая переводит систему из одного состояния в другое \|/(.У,) = У(ф(5,)): i, —> .

ЗАКЛЮЧЕНИЕ

Проведенные в работе исследования позволили получить следующие результаты.

1. Сформулирован комплекс причин, требующих развития нового, нетрадиционного подхода к автоматизации транспортных процессов, включающего широкое использование формальных процедур и схем интеллектуализации.

2. Обоснована необходимость формирования единой информационной среды построения интеллектуальной ИУС СС. Разработаны эксплуатационно-технические требования к интегрированной ИУС СС. Разработаны методологические основы исследования и построения такой системы.

3. Предложен формализованный механизм управления сортировочными процессами, использующий понятия признакового пространства, меры близости, и опирающийся на применение процедур классификации.

4. Проведен анализ различных подходов к моделированию объекта автоматизации, на основании которого разработана процедура моделирования сложных объектов и процессов, опирающаяся на использование экспертной и гипотетической информации. Развиты методы отбора информативных признаков - переменных модели.

5. Исследованы проблемы наличия трудноучитываемых и зашум-ленных данных, некорректных вычислительных задач при анализе перевозочного процесса и выработке управленческих решений. Структурированы методы решения некорректных транспортных задач.

6. Обоснованы возможность и необходимость использовать в качестве теоретической основы интеллектуализации транспортных процессов теории нечетких множеств. Развиты процедуры идентификации функций принадлежности нечетких множеств.

7. Осуществлено обоснование применения и развитие некоторых математических моделей, обеспечивающих оптимизацию технологических процессов в системе управления комплексом.

8. Осуществлена автоматизация экспертной поддержки принятия решений в ИУС СС на основе гибридных интеллектуальных моделей динамического типа.

Основные положения диссертации опубликованы в 60 работах (позиции 1-29 опубликованы в изданиях, рекомендованных ВАК России):

1.Лябах H.H., Шабельников А.Н. Формализация процедуры отбора информа-тивных признаков в задаче управления скатыванием отцепов на сортировочной горке. Вестник РГУПС № 2, 2000, Ростов н/Д. С. 100-104

2. Иванченко В.Н., Шабельников А.Н. Некоторые проблемы обработки данных в системе управления сортировочным процессом на железнодорожных станциях. СКНЦ ВШ, приложение «Научная мысль Кавказа» № 4,2000.

3.Вишневецкий Д. Г., Шабельников А.Н. Проблемы

и пути решения задач реструктуризации сложных объектов. СКНЦ, приложение «Научная мысль Кавказа» № 4,1999.

4. Ковалев С.М., Шабельников А.Н. Моделирование процессов управления замедлителями на основе композиционных цепочек нечеткого вывода. Известия ТРТУ. Темат. вып. «Ителлектуаль-ные САПР» мат-лы Междунар. научно-техн. конференции-Таганрог: ТРТУ, 2000. - № 2.

5. Ковалев С.М., Шабельников А.Н. Адаптация нечетких классификационных регуляторов на основе статистической информации. Известия ТРТУ. Темат. вып. «Ителлектуальные САПР» мат-лы Междунар. научно-техн. конференции-Таганрог: ТРТУ, 2000. № 2.

6. Савченко Е.А., Шабельников А.Н., Лябах H.H., Пани-ровский В.Ю. Развитие методов управления сортировочными процессами. СКНЦ, приложение «Научная мысль Кавказа» № 8,2000.

7. Лябах H.H., Чернов A.B., Шабельников А.Н. Безопасность и качество функционирования программного обеспечения информационно-управляющих систем на транспорте. Вестник ВНИИЖТ, Москва, 2001, № 5.

8.Шабельников А.Н. Развитие активно-пассивного метода моделирования сложных технологических процессов на железнодорожном транспорте. Известия высших учебных заведений. Северо-Кавказский регион. Технические науки. Спец. выпуск, 2001.

9.Ковалев С.М., Шабельников А.Н. Автоматическое построение нечетких темпоральных систем на основе обучающих примеров. Известия ТРТУ. Тематический выпуск: Интеллектуальные САПР. Таганрог: Изд-во ТРТУ. 2001. № 4, 357 с.

Ю.Шабельников А.Н., Одикадзе В.Р. Моделирование системы горочной автоматической централизации с помощью теории массового обслуживания. СКНЦ, приложение «Научная мысль Кавказа» № 13, 2001.

11.Шабельников А.Н., Соколов В.Н. Моделированиеди-намической системы управления скоростью самопроизвольно движущегося объекта. СКНЦ, приложение «Научная мысль Кавказа» № 13,2001.

12. Лябах H.H., Тептиков Н.Р., Шабельников А.Н., Матвиенко В.П. Математические проблемы и методы принятия решений в системах диагностики и управления на ж.д. транспорте. Известия высших учебных заведений. Северо-Кавказский регион, 2001. № 3.

13.Шабельников А.Н. Системы автоматизации сортировочных горок на базе промышленных компьютеров.// Автоматика, связь, информатика, № 11., 2001. С. 13-16.

14. Савицкий А.Г., Иванченко В.Н., Шабельников А.Н. Перспективы использо-вания зарубежного опыта автоматизации сортировочных горок. Автоматика, связь, информатика, 2001. № 12.

15.Гуда А.М., Шабельников А.Н., Шамшура С.А. Квоп-росу построения регрессионных моделей для систем управления роспуском составов на сортировочных горках. Обозрение прикладной и промышленной математики, редакция журнала «ОПиПМ», Москва, 2002.Т. 9, Вып.1.

16. Шабельников А.Н., Леонов М.В. Применение передовых методик проектирования и разработки аппаратно-программных комплексов для контроля и управления железнодорожным транспортом. Известия высших учебных заведений. Северо-Кавказский регион, 2002, № 2.

17.Шабельников А.Н., Ковалев С. М. Интеграция технологических знаний в гибридные системы горочной автоматизации на основе нейро-нечетких моделей. // «Научная мысль Кавказа», Изд-во СКНЦ ВШ, Приложение. №8 (34), 2002, 89-93.

18.Шабельников А.Н., Ковалев С. М. Гибридные интеллектуальные системы автоматизации управления технологическими процессами на сортировочных станциях. Известия высших учебных заведений. Северо-Кавказский регион. Технические науки, 2002. N° 4.

19.Шабельников А.Н., Сачко В.И. Автоматизированная система отчетности хозяйства информатизации и связи. Автоматика, связь, информатика, 2003. № 7.

20. Шабельников А.Н., Курейчик В.В., Курейчик В.М., Ковалев С.М. Формирование и оптимизация баз знаний интеллектуальных систем динамического типа на основе генетических алгоритмов. Известия ТРТУ. Темат. вып. «Интеллектуальные САПР» мат-лы Междунар. научно-техн. конференции-Таганрог: ТРТУ, 2003. № 2.

21.Шабельников А.Н. Синтез системы управления сортировочной горкой железнодорожной станции на основе использования опыта и знаний эксперта. Известия ТРТУ. Темат. вып. «Интеллектуальные САПР» мат-лы Междунар. научно-техн. конференции-Таганрог: ТРТУ, 2003. № 2.

22.Шабельников А.Н., Сапков И.Г. Контрольно-диагностический комплекс автоматизированной сортировочной горки. Автоматика, связь, информатика, 2002. № 4.

23. Иванченко В.Н., Шабельников А.Н. Методологические основы исследования и построения интегрированной информационно-управляющей системы сортировочной станции // Изв. Вузов. Сев.-Кавк. регион. Техн. науки, 2004. № 2. С. 7—10.

24. Иванченко В.Н., Шабельников А.Н. Новый подход к построению интеллектуальных информационно-управляющих систем на железнодорожном транспорте // Изв. Вузов. Сев.-Кавк. регион. Техн. науки, 2004. Прил. № 2. С. 109-116.

25. Шабельников А.Н., Иванченко В.Н. Проблемы создания интеллектуальных систем управления сложными динамическими объектами на железнодорожном транспорте // Изв. Вузов. Сев.-Кавк. регион. Техн. науки. 2004. Прил. № 2. С. 103-109.

26. Шабельников А.Н. Моделирование сложных объектов (процессов) на железнодорожном транспорте: понятия, проблемы, развитие//Изв. вузов. Сев.-Кавк. регион. Естеств. науки, 2004. Прил. № 4. С. 26-35.

27. Шабельников А.Н. Микропроцессорные системы автоматизации сортировочных горок на Восточно-Сибирской дороге. Автоматика, связь, информатика, 2002, № 8.

28.Шабельников А.Н. Управление выводом в базе знаний интеллектуальной системы на основе дискретно-непрерывной динамической модели. Известия ТРТУ. Темат. вып. «Интеллектуальные САПР» мат-лы Междунар. научно-техн. конференции-Таганрог: ТРТУ, 2003. № 2.

29.Шабельников А.Н. Системы массового обслуживания: развитие теории, методология моделирования и синтеза. Известия высших учебных заведений. Северо-Кавказский регион. Технические науки, 2004, № 4.

30. Шабельников А.Н. Интеллектуальные системы управления на железнодорожном транспорте: Монография//Ростов н/Д: ВНИИАС МПС РФ, РГУПС, ЮРНЦ РАН, 2004. - 214 с.

31.Иванченко В.Н., Ковалев С.М., Шабельников А.Н. Новые информационные технологии: интегрированная информационно-управляющая система автоматизации процесса расформирования-формирования поездов; Учебник//Ростов н/Д: РГУПС, СКНЦ ВШ, 2002. - 276 с.

32. Лябах H.H., Шабельников А. Н. Техническая кибернетика на железнодорожном транспорте: Учебник//Ростов н/Д: РГУПС, СКНЦ ВШ, 2002. - 283 с.

33. Гладкий Ю.А., Иванченко В.Н Ковалев С.М., Розен-берг E.H., Шабельников А.Н. Путевой датчик. Изобретение. Патент на изобретение № 2169677,2001.

34.Ковалев С.М. Шабельников А.Н. Модель слежения за перемещением подвижных единиц на сортировочных станциях на основе фор-

мальной логической системы. Международный интернет-журнал «Перспективные информационные технологии и интеллектуальные системы». - Таганрог: ТРТУ. 2001. № 2. С. 118-122. -http://www, pitis. tsure.ru.

35. Гуда A.M., Шамшура С.А., Шабельников А.Н. Модели и методы оптимизации роспуска составов на сортировочных горках. Обозрение прикладной и промышленной математики, третий Всероссийский симпозиум по прикладной и промышленной математике. Тезисы докладов, Москва,Т 9 Вып. 2,2002.

36. Alexandr N. Shabelnikov. The Intellektual Model of Control over Loose Couplings' Rolling Down Process Based on an Indistinct Dinamic Sistem. Proceedings 2002 IEEE Interactional Conference on Artificial Intelli-gence Systems (ICAIS 2002), Los Alamitos, California, 2002.

37. Шабельников A.H., Соколов В.H. Средства автоматизации сортировочной горки станции Бекасово-Сортировочное Московской железной дороги. Железнодорожный транспорт. Серия: Сигнализация и связь. Экспресс-информация. Москва: ЦНИИТЭИ, 2003. Выпуск2—3.

38. Ковалев С.М., Иванченко В.Н., Шабельников А.Н. Совершенствование моделей торможения в системе КГМ на основе схем нечеткого компо-зиционного вывода. Юбилейный межд. межв. сб. науч. трудов - Ростов н/Д: РГУПС, 1999.

39. Ковалев С.М., Шабельников А.Н. Синтез нечетких композиционных регуляторов на основе визуального анализа эпюр управления. Труды международной науч.-практ. конференции Таганрог, ТРТУ, 1999. - 75 с.

40. Шабельников А.Н. Разработка стратегии, инструментария и технологии принятия решений в человеко-машинных комплексах. Сборник науч. трудов. КИЭП. Кисловодск, 2000.

41.Гуда А.Н., Ковалев С.М., Шабельников А.Н. Интеллектуальные модели принятия решений в системах горочной автоматизации. Новые технологии управления движением технических объектов. Материалы 3-й Междунар. научн.-техн. конф./ Ростов-на-Дону. Издательство СКНЦ ВШ, 2000. С. 25-28.

42.Шабельников А.Н. Разработка методов автоматизации управления динамическими процессами на основе нечеткой информации // Канд. дис. Ростов н/Д, 2000. — 154 с.

43.Лябах H.H., Шабельников А.Н., Панировский В.Ю. Управление движением транспортных единиц по сети дорог. Состояние и перспективы развития дорожного комплекса: Сборник науч. трудов. Вып. 2. - Брянск: БГИТА, 2001.- 120 с.

44.Гуда А.Н., Лябах H.H., Шабельников А.Н. Разра-

ботка процедуры выделения нелинейных эффектов сложных объектов железнодорожного транспорта на основе методов активного эксперимента. Труды научно-теор. конференции профессорско-препод. состава «Транспорт - 2001». Ч. 1. - Ростов н/Д: РГУ ПС, 2001. С. 70-72.

45. Панасов B.JI., Гуда А.Н., Шабельников А.Н., Лябах H.H. Советующая система диагностики горочных замедлителей. IV Международная науч.- технич. конфер. «Новые технологии управления движением технических объектов». Т. 2. - Новочеркасск, ЮРГ-ТУ, 2001.

46.Панасов B.J1., Гуда А.Н., Шабельников А.Н., Лябах H.H. Самообучающаяся система выбора ступени торможения горочного замедлителя. IVМеждународная науч.- технич. конфер. «Новые технологии управления движением технических объектов». Т. 2. - Новочеркасск, ЮРГТУ, 2001.

47. Шабельников А.Н. Моделирование и информатизация процессов железнодорожного транспорта на основе применения теории массового обслуживания. Информационное издание конференции «Инфотранс-2001». Ведомственные корпоративные сети системы. Спец. выпуск совместно с РГУ ПС. № 5,2001.

48. Шабельников А.Н., Вишневецкий Д. Г. Учет нелинейных эффектов взаимодействия сигналов при организации физического эксперимента. 4-я Международная конференция «Научно-тех. проблемы прогнозирования надежности и долговечности конструкций и методы их решения». С-Петербург: С-ПГТУ, 2001.

49. Шабельников А.Н., Чернов A.B. Анализ условий безопасного программного управления в автоматизированных системах железнодорожного транспорта. Сборник мат-ов первой ведомств, конференции «Проблемы обепечения информац. безопасности на федеральном ж.д. тр-те». С-Петербург, 2001.

50. Шабельников А.Н. Применение теории массового обслуживания для планирования работ. Тезисы докладов X междунар. конфер. «Математика. Экономика. Образование». РГУ, 2002.

51.Ковалев С.М., Родзин С.И., Шабельников А.Н. Программное самотестирование распределенной структуры объектных контроллеров для систем железнодорожной автоматики. Программные продукты и системы, г. Тверь, 2002. № 2.

52.Шабельников А.Н. Интеллектуальная модель управления процессами скатывания отцепов на основе нечеткой динамической системы. Труды международной научно-технической конференции «IEEE AIS'02 CAD-2002», Москва, Физматлит, 2002.

53.Лябах Н.Н.,Син Л.И., Шабельников А.Н. Обеспечение надежности хранения и эффективности использования графических проектов железнодорожного транспорта за счет использования математических методов и алгоритмов обработки бинарных изображений. Труды науч.-практ. конфер. РГУПС «Безопасность движения наж.д. тр-те». Ростов н/Д, 2002.

54. Ковалев С.М., Шабельников А.Н. Разработка автономных интеллектуальных устройств для систем низовой автоматики на железнодорожном транспорте. И-й Международный научно-практический семинар «Интегрированные модели и мягкие вычисления в искусственном интеллекте». Сборник трудов. Москва. Физматлит, 2003.

55.Гуда А.Н., Шамшура С.А., Шабельников А.Н. Повышение безопасности роспуска составов на основе использования современных информационных технологий. Труды науч.-практ. конфер. РГУПС «Безопасность движения на ж. д. тр-те». Ростов н/Д, 2002.

56. Шабельников А.Н. Интеллектуальные динамические модели в системах управления технологическими процессами на железнодорожном транспорте. Вторая межведомственная научно-практическая конференция «ТелеКомТранс-2004». Сочи. РГУПС. 2004.

57.Шабельников А.Н. Метод адаптации темпоральных параметров интеллектуальных динамических моделей на основе обучающих примеров. III Международный научно-практический семинар «Интегрированные модели и мягкие вычисления в искусственном интеллекте». Сборник трудов. Коломна, 2005.

58. Веремеенко Б.А., Панировский В.Ю., Периг В.И., Шабельников А.Н. Интернет. Уч. пос. РГУПС, 2002.

59. Бутакова М.А., Шабельников А.Н. Применение теории массового обслуживания в задачах железнодорожного транспорта. Уч. пос. РГУПС, 2004.

60. Шабельников А.Н., Дергачева И.В. Применение теории самоорганизации и средств имитационного эксперимента для моделирования структурно-функционального преобразования отрасли. Метод, пособие. РГУПС, 2004.

ШАБЕЛЬНИКОВ Александр Николаевич

РАЗРАБОТКА ТЕОРИИ И МЕТОДОВ АВТОМАТИЗАЦИИ УПРАВЛЕНИЯ СЛОЖНЫМИ ПРОЦЕССАМИ НА СОРТИРОВОЧНОЙ СТАНЦИИ

Специальность 05.13.06 — Автоматизация и управление технологическими процессами и производствами (транспорт)

Тип. зак. Изд. зак.415 Ткраж 120 экз.

Подписано в печать 04.10.05 Гарнитура Times. Усл. печ. л. 3,0 Формат 60х90'/16

Издательский центр РГОТУПСа, 125993, Москва, Часовая ул., 22/2

Участок оперативной печати РГОТУПСа, 125993, Москва, Часовая ул., 22/2

h'tib русский фонд

2006-4 14035

• f 5 4

ВВЕДЕНИЕ.

Глава 1. СОСТОЯНИЕ ПРОБЛЕМЫ АВТОМАТИЗАЦИИ И ИНФОРМАТИЗАЦИИ ПРОЦЕССОВ УПРАВЛЕНИЯ ПЕРЕВОЗКАМИ.

1.1. Уровни автоматизации перевозочного процесса и постановка задачи создания интегрированной информационно-управляющей системы СС.

1.2. Роль и место подсистем информатизации в структуре управления

1.3. Особенности технологического процесса расформирования-формирования поездов и концепция построения ИУС СС.

1.4. Единая информационная среда - основа построения интеллектуальной ИУС СС.

1.5. Эксплуатационно-технические требования к интегрированной ИУС СС.

1.6. Постановка задач интеллектуальной поддержки процессов принятия решений и методология создания ИУС СС.

1.7. Выводы по главе.

Глава 2. РАЗВИТИЕ ИДЕОЛОГИИ УПРАВЛЕНИЯ СЛОЖНЫМИ ДИНАМИЧЕСКИМИ ПРОЦЕССАМИ НА СС.

2.1. Общая методика управления.

2.2. Алгоритм эталонного управления нестационарными, динамическими объектами железнодорожного транспорта.

2.3. Математическое обеспечение разрабатываемых методов.

2.3.1. Отбор информативных признаков.

2.3.2. Формализация и развитие понятия расстояния между объектами, алгоритмами и решениями.

2.4. Совершенствование деятельности отрасли на основе внедрения информационных технологий.

2.5. Выводы по главе.

Глава 3. МОДЕЛИРОВАНИЕ СЛОЖНЫХ ТРАНСПОРТНЫХ ПРОЦЕССОВ

3.1. Развитие понятийного аппарата моделирования сложных технологических процессов на железнодорожном транспорте.

3.2. Некорректные математические задачи на железнодорожном транспорте.

3.2.1. Проблемы использования математических моделей в задачах автоматизации технологических процессов.

3.2.2. Методы решения некорректных задач.

3.3. Выводы по главе.

Глава 4. ТЕОРИЯ НЕЧЕТКИХ МНОЖЕСТВ - ТЕОРЕТИЧЕСКАЯ ОСНОВА ИСПОЛЬЗОВАНИЯ ЭКСПЕРТНОЙ ИНФОРМАЦИИ.

4.1. Роль и место теории нечетких множеств в системах управления железнодорожным транспортом.

4.2. Сравнительный анализ операций над нечеткими множествами и их применение.

4.3. Принятие решений в условиях неопределенности.

4.3.1. Решение многокритериальных задач.

4.3.2. Выбор решения по минимуму риска.

4.4. Идентификация функций принадлежности нечетких множеств.

4.5. Выводы по главе.

Глава 5. АВТОМАТИЗАЦИЯ ЭКСПЕРТНОЙ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В ИУС НА ОСНОВЕ ГИБРИДНЫХ ИНТЕЛЛЕКТУАЛЬНЫХ МОДЕЛЕЙ ДИНАМИЧЕСКОГО ТИПА.

5.1. Пространственно-временная модель представления динамической информации.

5.2. Нейро-нечеткие классификационные модели и их интеграция в исполнительные уровни ИУС. jj^ 5.3. Нечеткие композиционно-динамические модели поддержки принятия решений при управлении вагонными замедлителями.

5.4. Разработка механизма моделирования и управления выводом в базе знаний ИУС на основе дискретно-непрерывной динамической системы

5.5. Выводы по главе.

Актуальность темы. Переход российской экономики на новые схемы хозяйствования выдвинул ряд важных взаимоувязанных проблем, требующих пересмотра управленческой парадигмы во всех звеньях существующих автоматизированных системах управления технологическими процессами (АСУ ТП).

В феврале 1996 года Коллегия МПС России одобрила разработанную отраслевой наукой «Концепцию информатизации железнодорожного транспорта России на 1996-2005 гг.» и утвердила «Программу информатизации железнодорожного транспорта России на 1996-2005 гг.» (Программа 1996)1.

Концепция установила, что «существующий уровень информатизации не в состоянии обеспечить решение задач, стоящих перед отраслью в новых условиях функционирования» («проведение рыночных экономических реформ в России и разделение железнодорожной сети между странами СНГ»).

Был сделан правильный принципиальный вывод о необходимости ориентации «на создание новых информационных технологий».

При этом, 83% из 10 млрд. руб, выделенных Программой 1996 средств (в деноминированных рублях при курсе доллара США около 5 руб.) было предусмотрено на сети связи и «обеспечивающий уровень информатизации».

Дальнейшее развитие событий показало ошибочность указанного подхода - выделенные около 1 млрд. долларов на сеть связи и 650 млн. долларов на инфраструктуру информатизации и системное программное обеспечение были успешно освоены в 1999-2003 гг.: создана мощная сеть связи и в сотни раз выросли мощности вычислительных центров.

1 Программа информатизации железнодорожного транспорта России на 1996-2005 гг. (Программа 1996)

Но ожидаемого эффекта от инвестиций получить не удалось, так как в части технологического и прикладного программного обеспечения была выполнена только часть задач, в основном в области управления перевозками.

Новая схема управления информатизацией в ОАО «РЖД», принятая 17.10.2004 г., учитывает указанную ошибку2.

В соответствии с внедряемым проектным подходом становится невозможным вложение средств в развитие инфраструктуры информатизации без внедрения новых технологий управления, так как все проекты планируются от цели — новой технологии. Все обеспечивающие работы и модернизация технических средств выполняются по мере необходимости только как подпроекты указанных проектов.

В свое время идея всеобщей автоматизации народного хозяйства страны оказалась преждевременной и не обеспеченной. Возникли разрозненные, отличающиеся идеологией, технической базой, недостаточно согласованные между собой АСУ отраслей и отдельных производств. Вместе с тем общим недостатком всех существующих АСУ также является их узкая информационная направленность. Управляющая составляющая потребовала своего развития. Последние десять лет характеризуются революционным развитием технических средств, и техническая основа многих АСУ ТП значительно устарела. Новые технические средства открывают дополнительные возможности для развития методов теории управления сложными объектами. Лицо, принимающее решение (ЛПР), в современных АСУ ТП сохраняет свое доминирующее положение, и это связано с его способностью использовать нечеткие схемы принятия решений, более адекватно отражающие суть современных объектов управления. 2

Программа информатизации железнодорожного транспорта России на 2005-2007 гг., утв. 17 ноября 2004 г.

Не единственным, но наиболее характерным в этом смысле и потому подробно исследуемым в работе является сложный процесс расформирования - формирования поездов на сортировочных горках (СГ) железнодорожных сортировочных станций.

Распад централизованной системы управления перевозками не был обеспечен отработанным механизмом взаимодействия отдельных, получивших большую самостоятельность ее элементов. Существующие устройства и технологические структуры управления за период кризиса технически и морально устарели. Изменились не только условия хозяйствования, но и свойства самих объектов управления. В данной работе - это структура и параметры вагонопотоков, состав грузов, требования потребителей услуг железнодорожного транспорта и др. Важнейшими задачами совершенствования систем автоматического управления являются их интенсификация, повышение точности функционирования и безопасности. Их решение позволит снять ряд новых технологических и технических проблем. Это, в свою очередь, вызывает необходимость развития методов теории управления сложными объектами.

Успешность разработки этих методов зависит от адекватности выявленных закономерностей транспортных процессов и транспортных логистических систем, что повышает актуальность исследования общетеоретических методов идентификации состояния и динамики сложных динамических объектов, планирования, организации и управления ими.

Оператор на СГ является основным источником управляющих решений. Это связано со слабой формализуемостью процессов скатывания отцепов с горки, что вызывает необходимость использования нечетких алгоритмов и схем принятия решений. Последнее, указанное замечание в полной мере относится и к другим транспортным человеко-машинным комплексам (например, системы диспетчерской централизации).

Таким образом, в рамках данной работы актуальными являются следующие задачи: развитие методов теории управления сложными динамическими процессами, функционирующими в условиях неопределенности исходных данных и дефицита времени на принятие и реализацию оптимальных решений, ограниченного объема информации, характеризуемого неопределенностью и зашумленностью (на примере системы горочной автоматизации); разработка методов и алгоритмов формализации противоречивых критериев функционирования систем управления; . разработка методов идентификации нечетких состояний объектов управления в ситуационных моделях принятия решений; развитие адаптивных методов управления сложными объектами в условиях нечеткости исходной информации.

Они соответствуют перечню подпрограмм, принятых Программой информатизации на 2005-2007 гг.: управление сбытом грузовых перевозок; управление сбытом и организацией пассажирских перевозок; управление перевозочным процессом; оптимизация управления содержанием инфраструктуры и подвижного состава; организация эффективного бюджетирования, бухгалтерский и налоговый учет, оптимизация управления финансовыми, трудовыми и материальными ресурсами; стратегическое развитие и системное управление инвестициями и инновациями; унификация и интеграция автоматизированных систем.

Наиболее существенные результаты в области методологии и технологии управления транспортными системами получены Барановым Л.А., Буяновым В.А., Грунтовым П.С., Иванченко В.Н., Мухой Ю.А., Павловым В.Е., Ратиным Г.С., Сотниковым Е.А., Фонаревым Н.М., Шелухиным В.И., Шилейко А.В. и др.

Значительный вклад в создание и развитие теории и практики средств железнодорожной автоматики внесли известные ученые: Бочков К.А., Брылеев A.M., Ефимов В.Е., Дмитриенко И.Е., Кравцов Ю.А., Лисенков В.М., Кокурин И.М., Косилов Р.А., Переборов А.С., Дудниченко A.M., Шафит Е.М. и др.

Значительный вклад в теорию и практику управления сложными динамическими объектами с использованием методологии искусственного интеллекта внесли ученые: Аверкин А.Н., Берштейн Л.С., Вагин В.Н., Емельянов В.В., Еремеев А.Г., Карелин В.П., Ковалев С.М., Курейчик В.М., Мелихов А.Н., Поспелов Д.А., Попов Э.В., Осипов Г.С., Фоминых И.Б., Хорошевский В.Ф. и др.

Значительный вклад в решение задач автоматизации управления перевозочным процессом, обеспечения безопасности движения поездов с помощью средств автоматики, телемеханики и связи внесли известные ученые: В.М. Алексеев, В.М. Абрамов, И.В. Беляков, П.Ф. Бестемьянов, М.Н. Василенко, Г.В. Горелов, Д.В. Гавзов, Е.В. Ерофеев, Н.Ф. Котляренко, Б.Д. Никифоров, Н.Ф. Пенкин, Е.Н. Розенберг, Д.В. Шалягин, В.И. Шаманов, И.Б. Шубинский, А.А. Явна.

Решению важных теоретических и практических вопросов создания современной технологии управления, исследования и моделирования сложных объектов и процессов анализа и синтеза устройств автоматики и телемеханики, разработки микропроцессорных систем, их программного обеспечения и диагностики, формирования технической политики и стратегии дальнейшего развития АСУЖТ, начиная с 1980 г. посвящены работы Апатцева В.И., Аркатова С.С., Бардинова Л.А., Буянова В.А., Гуды А.Н., Дмитриенко И.Е., Долгого М.Д., Иванченко В.Н., Карпухина В.Б., Ковалева С.М., Кравцова Ю.А., Лецкого Е.К., Лисенкова В.М., Лябаха Н.Н., Павлова В.Е., Сапожникова В.В., Сапожникова Вл.В., Сотникова Е.А.,

Тишкина Е.М., Тулупова Л.П., Шелухина В.И., Шилейко А.В. и других ученых.

Организация эксплуатационной работы на транспорте, нашедшая свое отражение в диссертационном исследовании, рассмотренной в трудах Алексеева В.М., Серебрякова А.С., Синицина С.А., Тишкина Е.М.

Приведённые выше рассуждения позволяют сформулировать цель диссертационного исследования: Разработка теории, методологии и инструментария синтеза систем интеллектуального управления сложными транспортными процессами.

В свою очередь, цель диссертационной работы определяет объект и предмет исследования.

Объект исследования: транспортные системы и комплексы, транспортные процессы (на примере сортировки составов на станции).

Исследуемые объекты определены четвертым пунктом специальности 05.13.06: теоретические основы и методы математического моделирования организационно-технологических систем и комплексов, функциональных задач и объектов управления и их алгоритмизация.

Предмет исследования: методы анализа и синтеза моделей и систем интеллектуального управления процессами перевозок.

В содержательном плане проведенные исследования соответствуют следующим пунктам паспорта специальности 05.13.06:

3. Методология, научные основы и формализованные методы построения автоматизированных систем управления технологическими процессами (АСУТП) и производствами (АСУП), а также технической подготовкой производства (АСТПП) и т.д.

8. Формализованные методы анализа, синтеза, исследования и оптимизация модульных структур систем сбора и обработки данных в АСУТП, АСУП, АСТПП и др.

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.

Концепция диссертационного исследования состоит в обосновании необходимости интеллектуализации функционирования автоматизированных систем на транспорте, систематизации существующих разрозненных исследований по данной тематике, адаптации теории интеллектуализации и накопленного опыта в иных сферах к совершенствованию транспортных комплексов.

Таким образом, задачами исследования являются:

1. Анализ состояния и динамики развития транспортных систем, процессов управления перевозками, (обоснование необходимости интеллектуализации).

2. Развитие теории синтеза (методов и механизмов планирования, организации и управления транспортными потоками, совершенствование технологии сортировочных процессов) интеллектуальных систем на транспорте.

3. Разработка комплекса моделей, позволяющих адекватно представить: а) сложные (динамические, нелинейные, нестационарные, стохастические) технологические процессы на транспорте; б) процессы принятия решений в условиях шумов данных, высокой степени неопределенности, размытости и нестационарности.

4. Разработка инструментария и программного обеспечения предложенных подходов и методов.

5. Внедрение результатов исследований в практику управления сортировочными процессами на станции, НИР и учебный процесс.

Научная новизна исследования.

1. На основе системного анализа процесса расформирования-формирования поездов установлена необходимость создания интегрированной ИУС СС с интелллектуальной поддержкой принятия решений. Такая система предусматривает интеграцию и взаимодействие вновь создаваемых подсистем информатизации (ПИ) всех парков, ПУ СГ (КГМ ПК), АСУ СС, АРМов дежурного и диспетчерского персонала.

2. Предложена организационно-технологическая структура ИУС СС, определены место и роль каждой в отдельности ПИ. Сформулированы эксплуатационно-технические требования к интегрированной ИУС СС.

Принципиально важным и новым в структуре ИУС СС является наличие БЗ и ее интеграция с БД. В основу создания БЗ положена разработка целого ряда моделей, использующих пространственные, временные, причинно-следственные и др. отношения между «понятиями» предметной (исследуемой) области.

3. Предложена модельная конструкция синтеза управления, опирающаяся на представлении объекта автоматизации в информативном признаковом пространстве и использующая эталонное эвристическое управление. Разработан механизм построения модельного признакового пространства за счет отбора информативных признаков и расчета адекватной цели исследования меры близости.

4. Обоснован переход от базового математического аппарата устройств СЦБ - теории логики к теории нечетких множеств -основы интеллектуализации систем управления на транспорте, которая развита в следующих направлениях: операции над нечеткими множествами адаптированы к процедурам принятия решений на транспорте; разработаны механизмы идентификации многомерных функций принадлежности нечетких множеств, учитывающих полный перечень факторов, влияющих на исследуемые транспортные процессы.

Усовершенствован алгоритм идентификации сложных транспортных процессов за счет учета гипотетически возможных сигналов и введения имитации сценариев развития. Развит механизм выявления экспертной информации о функционировании транспортных систем и принятии ответственных решений опытным оператором.

Введено понятие меры близости между алгоритмами, моделями, решениями, используемыми при автоматизации транспортных процессов. Развит инструментарий расчета меры по статистическим и гипотетическим данным.

Дан анализ применимости методов регуляризации вычислительных задач, автоматизации технологических процессов на транспорте. Обоснован выбор методов решения конкретных некорректных вычислительных задач, обеспечивающих адекватный анализ и планирование транспортных потоков. Разработана универсальная технология моделирования сложных динамических транспортных процессов, использующая опыт и логику мышления эксперта-оператора, и опирающаяся на инструментальные средства теории искусственного интеллекта.

Обоснован выбор и адаптированы методы решения многокритериальных задач автоматизации управления транспортными процессами.

9. Для исследуемого в диссертации класса гибридных интеллектуальных систем динамического типа разработана формальная модель представления динамической информации, основанная на системе пространственно- временных отношений.

10. Разработан новый класс гибридных нейро-нечетких моделей в качестве средств интеграции технологических экспертных знаний в нижние исполнительные уровни ИУС.

11. Разработаны алгоритм и программно-математическое обеспечение задачи управления скатыванием отцепов с горки, учитывающие все разнообразие пространственно-временных и причинно-следственных отношений объектов соответствующего процесса управления. На примере задачи управления вагонными замедлителями предложен новый класс нечетких композиционно-динамических моделей, предназначенных для автоматизации экспертной поддержки принятия решений в ИС динамического типа. Решение данной задачи иллюстрирует применение интеллектуальных технологий на железнодорожном транспорте.

Методологической и теоретической основой диссертационного исследования явились труды отечественных и зарубежных учёных по проблеме, информационные материалы научно-исследовательских отчетов учебных и научных подразделений МПС России, нормативные и законодательные акты, регламентирующие деятельность транспортных систем страны (в частности Материалы к заседанию правления ОАО «РЖД», утвержденные 17 ноября 2004 года по программе информатизации на 20052007 годы).

Информационно-эмпирической базой исследования послужили статистические и экспертные данные о функционировании различных исследуемых подсистем: СС в целом, ПП, ПФ, ПО и другие.

Теоретическая и практическая значимость диссертационного исследования состоит в том, что его основные методологические и методические выводы, инструментарий можно использовать как для теоретического анализа и оценки качества функционирования автоматизированных систем управления на транспорте, так и эффективного управления ими.

Результаты исследования используются при чтении различных курсов на кафедрах «Информатика», «Автоматика и телемеханика на ж.д. транспорте», ВТ АСУ Ростовского государственного университета путей сообщения.

Апробация работы и публикация материалов.

Результаты работы докладывались на заседаниях кафедр «Информатика», ВТ АСУ, Автоматика и телемеханика на ж.д. транспорте» РГУ ПС, объединенном заседании кафедр соответствующего профиля (интеллектуального) ТРТУ, «Исследование систем управления» Майкопского государственного технологического университета, на международной научно-практической конференции «Компьютерные технологии: геометрическое моделирование и виртуальная реальность», г. Таганрог, 1999 г., на конференциях «САПР-1999», «САПР-2000», «САПР-2001», «САПР-2002», «САПР-2003», «САПР-2004», «САПР-2005» г. Дивноморск, на IV Всероссийском симпозиуме «Математическое моделирование и компьютерные технологии», г. Кисловодск, 2000 г., на III Международной научно-технической конференции «Новые технологии управления движением технических объектов» г. Новочеркасск, 2000 г., на научно-теоретической конференции профессорско-преподавательского состава «Транспорт-2001» г. Ростов н/Д, 2001 г., на IV Международной научно-технической конференции «Новые технологии управления движением технических объектов» г. Новочеркасск, 2001 г., на конференции «Инфотранс-2001», г. Сочи, 2001г., на 4-й Международной конференции «Научно-технические проблемы прогнозирования надежности и долговечности конструкций и методы их решения», г. С-Петербург, 2001г., на первой ведомственной конференции «Проблемы обеспечения информационной безопасности на федеральном железнодорожном транспорте», г. С-Петербург, 2001г., на X Международной конференции «Математика. Экономика. Образование» г. Ростов н/Д, 2002 г., на третьем Всероссийском симпозиуме по прикладной и промышленной математике, г. Москва, 2002 г., на научно-практической конференции «Безопасность движения на железнодорожном транспорте», г. Ростов н/Д, 2002 г., на 2-й межведомственной научно-практической конференции «ТелеКомТранс-2004», г. Сочи, 2004 г., на Н-м и Ш-м Международном научно-практическом семинаре «Интегрированные модели и мягкие вычисления в искусственном интеллекте», г. Москва, 2003 г., г. Коломна, 2005 г.

Важным аспектом апробации материалов исследования является включение их в разрабатываемые системы КСАУ СП и КСАУ СС (см. Акт приемочной комиссии № Р/9449 от 01 октября 2003 года, рассмотревшей опытный образец комплексной системы автоматизированного управления сортировочным процессом КСАУ СП).

Разработка темы осуществлялась на основании Постановления коллегии № 23 от 25-26 декабря 2001 года.

Результаты научных исследований составляют содержательную основу гранта РФФИ, проект № 04-01-00277: «Развитие теории представления и обработки нечеткой информации и знаний, отражающих динамику процессов в слабо формализованных задачах принятия решений».

Внедрение результатов исследования осуществлено на станциях Бекасово Московской железной дороги, Тайшет Восточно-Сибирской железной дороги, Инская Западно-Сибирской железной дороги, Красноярск Красноярской железной дороги.

По результатам исследований опубликовано 59 работ, из них 3 монографии, 34 работы в центральной печати, без соавторов - 17 публикаций. Общий объем авторских публикаций 38,2 п.л.

Структура работы. Диссертация имеет традиционную структуру. Она содержит введение, пять глав, состоящих из 23 параграфов, заключения, списка использованной литературы, содержащего 188 наименований и приложения. Общий объем работы 336 стр.

5.5. Выводы по главе

На основании результатов, полученных в настоящем разделе, можно сделать следующие выводы.

1. Для исследуемого класса гибридных интеллектуальных систем динамического типа разработана формальная модель представления динамической информации, основанная на системе пространственно-временных отношений. Разработанная модель, опираясь на небольшое число продукционных правил вывода, отличается компактностью, а заложенные в ней возможности оперировать многосортными переменными придают ей свойство универсальности, что позволяет использовать ее для обработки разнотипной информации, поступающей от напольного оборудования и других информационных подсистем гибридной ИС. Данное качество обеспечивает возможность интеграции предложенной модели с другими типами интеллектуальных моделей в единую гибридную ИС, реализующую функции принятия решений и функции экспертной поддержки принятия решений в ИУС.

2. Разработана гибридная модель нейро-нечеткой сети в качестве средства интеграции технологических знаний, сформированных экспертами, в нижние исполнительные уровни ИУС, реализованные на основе стандартных нейронных сетей. Благодаря предложенной модели обеспечивается возможность рационального перераспределения функций между поддерживающими подсистемами гибридной ИУС, что повышает адаптационные свойства ИУС и позволяет учитывать в процессе ее функционирования нечеткие трудно формализуемые факторы, оказывающие существенное влияние на качество вырабатываемых решений. Размер нейро-нечеткой сети линейным образом зависит от числа переменных, входящих в продукционные правила нечеткой системы, что делает ее использование в гибридных моделях более предпочтительным по сравнению с известными аналогичными моделями, размеры которых, в общем случае, экспоненциально зависят от общего числа переменных в нечеткой системе.

3. На примере задачи управления вагонными замедлителями предложен новый класс композиционно-динамических моделей, предназначенных для автоматизации экспертной поддержки принятия решений в ИС динамического типа. В отличие от традиционных дискретно-непрерывных моделей, основанных на представлении динамики в виде конечных графов переходов между состояниями системы, предлагаемая нечеткая оптимизационная модель, способна отслеживать динамику процессов с учетом нечеткой информации о возможных переходах в системе, что обеспечивает возможность интеграции в нее дополнительной технологической информации, сформированной экспертами в виде эмпирических нечетких правил.

4. Для исследуемого класса технологических процессов и гибридных ИУС разработана универсальная имитационная модель в виде дискретно-непрерывной динамической системы в качестве средства управления различными типами поддерживающих моделей в гибридных ИУС. На основе разработанной дискретно-непрерывной динамической модели предложен универсальный механизм управления выводом в БЗ ИУС, имеющий простую структуру в виде продукционной системы управления правилами, что обеспечивает возможность его эффективной программной реализации в БЗ ИУС.

В заключение подраздела сформулируем выводы, вытекающие из приведенного выше.

Для исследуемого в диссертации класса технологических процессов и гибридных ИУС разработана универсальная модель в виде дискретно-непрерывной динамической системы, отличительной особенностью которой является наличие нескольких классов состояний, позволяющих более точно описывать динамику процессов и обеспечить тем самым возможность эффективного управления различными типами поддерживающих моделей в гибридных ИУС.

На основе разработанной модели в виде ДНС предложен универсальный механизм управления выводом в БЗ ИУС, имеющий простую структуру в виде продукционной системы управления правилами ДНС, что обеспечивает возможность его эффективной реализации в БЗ с привлечением минимальных дополнительных ресурсов компьютера.

1. Абрамов В.М., Мугинштейн JI.A. О комплексном подходе к нормированию показателей функциональной безопасности микропроцессорных устройств управления движением поезда // Вестник ВНИИЖТ, № 1, 2001.

2. Аверкин А.Н. Костерев В.В. Триангулярные нормы в системах искусственного интеллекта // Известия Академии наук. ТиСУ, 2000. №5.С. 107-119.

3. Айшаева З.О. Совершенствование деятельности предприятия на основевнедрения информационных технологий. Ростов-на-Дону: РГУ ПС, 2004, Труды всероссийской научно-практической конференции ® «Транспорт-2004».

4. Арканов В. Стратегическая эффективность управленческих решений //Проблемы теории и практики управления, №5, 1996 г.

5. А. с. Устройство для автоматического управления вагонными ^ замедлителями на сортировочных горках / Фонарев Н.М., Нефедова

6. Т.А., Федоров Н.В.-№ 4742, 1975.-3 с.

7. Ростов-на-Дону: Изд-во Рост, ун-та, 1993. - 123с.

8. Бердникова Т.Б. Анализ и диагностика финансово-хозяйственной деятельности предприятия. М.: ИНФРА-М, 2003. - 215 с.

9. Берзинь И.Э. Экономика фирмы. М.: Институт международного права и экономики, 1997.

10. Бестемьянов П.Ф. Методы повышения безопасности ^ микропроцессорных систем интервального регулирования движенияпоездов. Дисс. На соискание уч. Степени доктора техн. наук М.: МИИТ, 2001.

11. Бир С.Т. Кибернетика и управление производством. Пер. с англ. Подv, ред. А.Б. Челюсткина. М.: Физматгиз. - 276 с.

12. Брайверман Э.М., Мучник И.Б. Структурные методы обработки эмпирических данных. М.: Наука, 1983. - 464 с.

13. Булыгин Ю.Е., Волковский В.И. Основы теории организации ф социального управления: Учебное пособие. М.: ЧеРо, 2000. - 143 с.

14. Вагин В.Н. Дедукция и обобщение в системах принятия решений. М.: Наука. - Гл. ред. физ.-мат. лит., 1988. - 384 с.

15. Вендров A.M. GASE-технологии: Современные методы и средства проектирования информационных систем. http;//www.citmgu.ru.

16. Вентцель Е.С. Теория вероятностей. М.: Высш. шк., 1999. - 576 с.

17. Вентцель Е. С., Овчаров JI. А. Теория вероятностей и её инженерные ^ приложения. М.: Наука, 1988. - 480 с.

18. Виноградов А.Н. и др. Динамические интеллектуальные системы. 1. Представление знаний и основные алгоритмы // Изв. РАН. ТиСУ. 2002.4.

19. Виноградов А.Н. и др. Динамические интеллектуальные системы. II. Моделирование целенаправленного поведения // Изв. РАН. ТиСУ. 2003. №1.I

20. Винслав Ю. Становление отечественного корпоративного управления:теория, практика, подходы к решению ключевых проблем //Российский экономический журнал. №2. 2001.

21. Виссема X. Менеджмент в подразделениях фирмыгпредпринимательство и координация в децентрализованной компании): Пер. с англ. -М.: ИНФРА-М, 1996.

22. Виханский О.С. Стратегическое управление. -М.: Гардарика, 1998.

23. В лабиринтах современного управления: (Стратегическое планирование, маркетинг, обслуживание клиентов, управление персоналом, оплататруда) сб. статей \ред. сост. Грегори Р. Райтер. Вып. 1. - М.: ОАО НПО «Издательство «Экономика», 1999. - 248 с.

24. Воробьев Н.П. Теория игр для экономистов и кибернетиков. М.: Наука, 1985.-272 с.

25. Вучков И., Бояджиева Д., Солаков Е. Прикладной линейный регрессионный анализ//Пер. с болг., под ред. Ю.П. Адлера. М.: Финансы и статистика, 1987. — 287 с.

26. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. С.-Пб.: Питер, 2000. - 384 с.

27. Гвишиани Д.М. Организация и управление. Изд. 3-е, перераб, - М.: Изд-во МТГУ им. Н.Э. Баумана, 1998. - 332 е., ил.

28. Герман О.В., Занько Д.В. Синтез управляющего алгоритма в системе продукционных правил с временными параметрами // АиТ. 2003. №5.

29. Гиг Дж. Прикладная общая теория систем: в 2-х кн./ Пер. с англ. Под. Ред. Сушкова Б. М., Тюхтина В. С. М.: Мир, 1981.

30. Гительман Л.Д. Преобразующий менеджмент: Лидерам реорганизации и консультантам по управлению. Учебное пособие. М.: дело, 1999. -496с.

31. Гладун В.П. Растущие пирамидальные сети // Новости искусственного интеллекта. 2004. №1.

32. Голдман М.А. Менеджмент и устойчивый экономический рост //Проблемы теории и практики управления. 2001. - №4. - с.80-85.

33. Гольбан Е.В., Лябах Н.Н. (младший). Параметрическая идентификация мер близости признаковых пространств // Изв. Вузов. Сев. Кавк. Регион. Техн. Науки. 1997. № 2. С. 37- 39.

34. Гончаров В.В. Важнейшие понятия и концепции в современном управлении. -М.: МИИПУ,' 1998. 176 с.

35. Гончаров В.В. В поисках совершенства управления: руководство для высшего управленческого персонала. М.: МП «Сувенир», 1993.

36. Гончаров В.В. Руководство для высшего управленческого персонала. М.: 1997.

37. Горемыкин В.А., Богомолов В.А. Экономическая стратегия предприятия: Учебник. М.: Филинъ; РИЛАНТ, 2001. - 512 с

38. Гуда А.Н., Иванченко В.Н., Лябах Н.Н. Программа идентификации процессов с применением устойчивой процедуры нахождения оценок коэффициентов. Гос. фонд алгоритмов и программ. - Per. №50850000973.- 1985,- 7 с.

39. Джексон П. Введение в экспертные системы. М.: Издательский домг1. Вильяме", 2001.

40. Дмитриенко И.Е. Техническая диагностика и автоконтроль систем железнодорожной автоматики и телемеханики. — М.: Транспорт, 1986.

41. Дойль П. Менеджмент: стратегия и тактика. Спб. - Изд-во «Питер».ф 1999.-496 с.

42. Дружинин В.В., Конторов Д.С. Системотехника. М.: Радио и связь, 1985.-200 с.

43. Друкер П. Эффективное управление. Экономические задачи иоптимальные решения /Пер. с англ. М. Котельниковой. М.^АИР-ПРЕСС, 1998. - 288 с. - (Успех в бизнесе).

44. Емельянов В.В. и др. Генетические алгоритмы в гибридных интеллектуальных системах // Сборник трудов «Интегрированные модели и мягкие вычисления в искусственном интеллекте» М.: Наука. Физматлит. 2001.С.77-82.

45. Еремеев А.П., Троицкий В.В. Основные способы формализации временных зависимостей при построении интеллектуальных систем // Седьмая национальная конференция по искусственному интеллекту с международным участием. М. 2000.

46. Еремеев А.П., Троицкий В.В. Представление временных ограничений в интеллектуальных системах (обзор) // Труды конгресса «Искусственный интеллект в XXI веке». М.: изд-во Физико-математической литературы. 2001.Т.1.С.61-74.

47. Жариков О.Н., Королевская В.И., Хохлов С.Н. Системный подход к управлению: Учеб. пособие для вузов / Под ред. В.А. Персианова. М. ЮНИТИ ДАНА, 2001. - 62 с.

48. Жданов А.А., Караваев М.В. Применение нечеткой логики в имитационной системе адаптивного автономного управления // Тр. Ин-та системного программирования: Том 3. М: ИСП РАН, 2002.

49. Жожикашвили А.В., Стефанюк В.Л. О понятии продукции в искусственном интеллекте // Изв. РАН. ТиСУ. 2002. №4.

50. Захаров В.В., Кантор П.С., Ткаченко Д.Г. Синтез логических контроллеров с использованием механизма обработки нечеткой информации. // Известия РАН. Теория и системы управления, М.:ф "Наука", 2000, №4.

51. Иванченко В.Н. Исследование и разработка алгоритмов функционирования информационно-логической системыавтоматизированной сортировочной горки. Ростов н/Д, 1976. (Труды

52. РИИЖТа, вып. 133), С. 18-24.

53. Иванченко В. Н. Разработка и внедрение микропроцессорной информационно-управляющей системы на сортировочной горке // Экспр.-инф. Сер. Автоматика и связь. М.: ЦНИИТЭИ МПС. - 1986.6.- С. 1-29.

54. Ф 67. Иванченко В.Н. Теория построения и реализация информационно-управляющих систем на сортировочных станциях. Диссертация на соискание ученой степени доктора технических наук. Ростов н/Д: РИИЖТ, 1988.-386 с.

55. Иванченко В.Н., Ковалев С.М., Шабельников А.Н. Новые информационные технологии: интегрированная информационно-управляющая система автоматизации процесса расформирования-формирования поездов: Учеб. пособие//Ростов н/Д: РГУПС, СКНЦ ВШ, 2002. 276 с.

56. Иванченко В.Н., Лябах Н.Н., Гуда А.Н. и др. Идентификация сложных процессов с применением самоорганизации. Гос. фонд алгоритмов и программ. - Per. № 50850000974. - 1985. - 9 с.

57. Иванченко В.Н., Лябах Н.Н., Гуда А.Н. Применение методов самоорганизации для построения моделей сложных процессов// Известия СКНЦ ВШ. Технические науки, 1985, №1.-С. 89-91.

58. Иванченко В.Н., Лябах Н.Н., Гуда А.Н. Применение методов1. регрессионного анализа для моделирования сложных процессов //

59. Вестник ВНИИЖТа, 1985, № 7. С. 8-10.

60. Иванченко В.Н., Лябах Н.Н., Ковалев С.М. Принятие решений на железнодорожном транспорте на основе использования теории нечеткихф множеств: Методические указания. Ростов н/Д: РИИЖТ, 1987. - 28 с.

61. Иванченко В.Н., Лябах Н.Н., Кузнецов Л.П., Самойленко Ю.А. Автоматизация оперативного управления сортировочной станцией наt основе локальных информационно-управляющих систем //

62. Межвузовский тематический сборник «Микропроцессорные системы управления на ж/д транспорте», Ростов-на-Дону: РИИЖТ, вып. 178, 1984.-С.11-18.

63. Иванченко В.Н., Шабельников А.Н. Методологические основы исследования и построения интегрированной информационно0 управляющей системы сортировочной станции // Изв. Вузов. Сев.-Кавк.регион. Техн. науки. 2004. № 2. С. 7-10.

64. Иванченко В.Н., Шабельников А.Н. Новый подход к построению интеллектуальных информационно-управляющих систем на железнодорожном транспорте // Изв. Вузов. Сев.-Кавк. регион. Техн. науки. 2004. Прил. № 2. С. 109-116.

65. Ивахненко А. Г., Зайченко Ю. П., Димитров В. Д. Принятие решений на основе самоогранизации. М.: Советсткое радио, 1976. - 280 с.

66. Ивахненко А. Г., Мюллер И. А. Самоорганизация прогнозирующихЛмоделей. Киев: Техшка: Берлин: ФЕБ Ферлаг Техник, 1984. - 223 с.

67. Информационные технологии для новой эксплуатационной модели управления перевозками//Автоматика, связь, информатика, №

68. Карасев А. И. Теория вероятностей и математическая статистика. / Учебник для экономических специальностей вузов. М.: Статистика,1977.-279 с.

69. Ковалев С.М. Модель интеллектуального анализа динамических процессов с использованием нечетко-темпорального вывода намоделирующих графах // Труды Международных конференций

70. Искусственные интеллектуальные системы" (IEEE AIS'02) и "Интеллектуальные САПР" (CAD-2002). Научное издание. М.: Изд-во Физ. мат. лит., 2002, С.62-68.

71. Ковалев С.М., Родзин С.И. Информационные технологии: интеллектуализация обучения, моделирование эволюции, распознавание речи. Ростов-на-Дону: СКНЦ ВШ, 2002. 224 с.

72. Ковалев С.М., Шабельников А.Н. Автоматическое построение нечетких темпоральных систем на основе обучающих примеров. Известия ТРТУ. Тематический выпуск: Интеллектуальные САПР. Таганрог: Изд-во ТРТУ. 2001. №4, с. 357.

73. Ковалев С.М., Шабельников А.Н. Интеграция технологических знаний в гибридные системы горочной автоматизации на основе нейро-нечетких моделей. // "Научная мысль Кавказа", Изд-во СКНЦВШ, Приложение. №8 (34), 2002, 89-93.

74. Ковалев С.М., Шабельников А.Н. Моделирование процессов управления замедлителем на основе композиционных цепочек нечеткого вывода // Известия ТРТУ № 2 (16). Таганрог: ТРТУ, 2000. - С. 75-78.

75. Ковалев С.М., Шабельников А.Н. Синтез нечетких композиционных регуляторов на основе визуального анализа эпюр управления. Труды международной науч.-практ. конференции Таганрог, ТРТУ, 1999, 75 с.

76. Козлов П.А. Проблемы создания автоматизированных информационно-управляющих систем//Автоматика, связь, информатика, № 12, 2001.

77. Колесников А.А. Синергетическая теория управления. Инварианты. Оптимизация. Синтез. М.: Наука, 1994. - 334 с.

78. Колесников А.В. Проблемно-структурная технология разработка приложений гибиридных интеллектуальных систем // Тр. VIIнациональной конф. По искусственному интеллекту с международным участием КИИ 2002. Т.2М.: Физматлит. 2000.

79. Колмогоров А.Н., Фомин С.В. Элементы теории функций и функционального анализа. Главная редакция физико-математической литературы. М., 1972. - С. 496.

80. Константинов А.В. От компьютерно-ориентированных производств к сетям компьютерно-ориентированных предприятий: концепция «КИП2» // Новости искусственного интеллекта, № 2, 2003. С. 44-46.

81. Круг Г.К., Сосулин Ю.А., Фатуев В.А. Планирование эксперимента в задачах идентификации и экстраполяции. М.: Наука, 1977. - 208 с.

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

83. Кузин Е.С. Информационно-сложные задачи и технология их решения // Новости искусственного интеллекта, № 1, 2003. — С. 24-29.

84. Кузин Е.С. Информационные технологии и проектирование прикладных программных систем // Информационные технологии и вычислительные системы РАН. 1996. № 3.

85. Кузин Е.С. Концепции информационной технологии функционально-ориентированного проектирования прикладных информационных систем // Информационные технологии. 2000. № 1.

86. Кузнецов Л.П., Иванченко В.Н., Лябах Н.Н., Самойленко Ю.А. Автоматизация технологических процессов в системе оперативного управления сортировочной станцией. Ростов н/Д: РИИЖТ, 1984. 77 с.

87. Курейчик В.М. Генетические алгоритмы. Обзор и состояние // Новости искусственного интеллекта. 1998. №3.

88. Лебедева Т.Г., Осипов Г.С. Архитектура и управляемость дискретных динамических систем, основанных на знаниях // Изв. РАН. ТиСУ. 2000. №5.

89. Лисенков В.М. Безопасность ответственных технологических процессов и технических средств на транспорте // Автоматика, телемеханика и связь. № 1, 1992.

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

91. Лисенков В.М. Статистическая теория безопасности движения поездов: Учеб. для вузов. М.: ВИНИТИ РАН, 1999.

92. Лисенков В.М. Управление безопасностью перевозок и рисками потерь. Штатные и нештатные состояния перевозочного процесса // Автоматика, связь, информатика, № 4, 1996.

93. Лопатникова В.Б. Метод иерархических вероятностных абдуктивных рассуждений с использованием нечеткой логики // Тр. 9-й национальной конф. по искусственному интеллекту с международным участием КИИ 2004. T.I. М.: Физматлит. 2004.

94. Лябах Н.Н., Бутакова М.А. Системы массового обслуживания: развитие теории, методология моделирования и синтеза; монография. Ростов-на-Дону: РГУ ПС, 2004. - 200 с.

95. Лябах Н.Н., Иванченко В.Н., Гуда А.Н. Программа идентификации сложных процессов с применением методов самоорганизации и структурной адаптации. Гос. фонд алгоритмов и программ. - Per. № 50850000972. - 2.07.1985. - 10 с.

96. Лябах Н.Н., Моисеенко И.Е. Идентификация безынерционных объектов и управление ими по результатам статистических наблюдений. Гос. фонд алгоритмов и программ. Per. № 50890001190- 1989.- 16 с.

97. Лябах Н.Н., Моисеенко И.Е. Решение плохо обусловленных систем линейных уравнений методом замены оператора в задачах управления технологическими процессами. Гос. фонд алгоритмов и программ. Per. № 50890000947 1989. - 17 с.

98. Лябах H.H. Принятие решений в микропроцессорных информационно-управляющих системах на железнодорожном транспорте: Учеб. пособие. Ростов н/Д: РИИЖТ, 1986. - С. 73.

99. Лябах Н.Н., Пирогов А.Е. Автоматизация технологических процессов на железнодорожном транспорте на основе микропроцессоров с применением методов распознавания: Учеб. пособие. Ростов н/Д: РИИЖТ, 1984.-76 с.

100. Лябах Н.Н., Шабельников А.Н. Техническая кибернетика на железнодорожном транспорте: Учеб. пособие//Ростов н/Д: РГУПС, СКНЦВШ, 2002.-283 с.

101. Малышев П.Г., Берштейн Л.С., Баженюк А.В. Нечеткие модели для экспертных систем в САПР. М.: Энергоатомиздат, 1991. - 136 с.

102. Материалы международного конгресса. "Искусственный интеллект в XXI веке". Дивноморское, 2001.

103. Мелихов А.Н., Берштейн Л.С., Коровин С.Я. Расплывчатые ситуационные модели принятия решений: Учеб. пособие. Таганрог: ТРТИ, 1986.-92 с.

104. Нариньяни А.С. НЕ-факторы: неточность и недоопределенность -различие и взаимосвязь// Известия РАН. Теория и системы управления. 2000. №5.

105. Нечеткие множества и теория вероятностей. Последние достижения. Пер. с англ. / Под ред. P.P. Ягера. М.: Радио и связь, 1986. - С. 408.

106. Осипов Г.С. Динамика в системах, основанных на знаниях. //Известия Академии Наук. Теория и системы управления, 1998, №5, с.24-28.

107. Осипов Г.С. Искусственный интеллект: состояние исследований и несколько слов о будущем // Новости искусственного интеллекта. 2001. № 1. С.3-13.

108. Пирогов А.Е., Иванченко В.Н., Лябах Н.Н. Расчет скоростей выхода отцепов из тормозных позиций в системе КГМ-РИИЖТ. Ростов н/Д: РИИЖТ, 1986. Вып. 188.-С. 159-163.

109. Пирогов А.Е., Лябах Н.Н., Иванченко В.Н., Гуричев Ю.Т., Пономарев А.И. Обучающаяся программа распознавания объектов. Гос. фонд алгоритмов и программ. - Per. № 50860001269. - 1986. - 66 с.

110. Попов Э.В. Экспертные системы. Решение неформализованных задач в диалоге с ЭВМ. М.: Наука, 1987.

111. Попов Э.В. и др. Статические и динамические экспертные системы. -М.: Финансы и статистика. 1996.

112. Поспелов Д.А. Логико-лингвистические модели в системах управления. -М.: Энергоиздат. 1981.-231с.

113. Поспелов ДА. Ситуационное управление: теория и практика. М.: Наука. - Гл. ред. физ.-мат. лит., 1986. - 288 с.

114. Райбман И.С., Чадеев В.И. О концепции адаптивных систем управления с идентификатором //Автоматика и телемеханика, 1982. №2, - С. 54-60.

115. Реализация программы структурной реформы отрасли//Автоматика, связь, информатика, № 6, 2001.

116. Розенберг Е.Н., Шубинский И.Б. Методы и модели функциональной безопасности технических систем. М.: ВНИИАС, 2004. 188 с.

117. Рогов Е.В. Архитектура системы анализа и обработки данных о поведении процессов // Вестн. Моск. ун-та. Сер. 15. Вычисл. матем. и киберн. 2002. №4.

118. Рыбина Г.В. Интегрированные экспертные системы современное состояние , проблемы и тенденции Изв. РАН. ТиСУ. 2002, №3, с. 111— 124.

119. Самойленко С.И. Эвристические методы поиска решений в задачах синтеза вычислительных сетей // Вопросы кибернетики «Проблемы искусственного интеллекта»: Сб. науч. тр.; Под ред. Г.С. Поспелова. -М.: 1980.-С. 12-37.

120. Сапожников В.В., Гавзов Д.В., Никитин А.Б. Концентрация и централизация оперативного управления движением поездов. М.: Транспорт, 2002.

121. Сапожников В.В., Сапожников Вл.В., Борисенко Л.И. Какими должны быть микропроцессорные системы железнодорожной автоматики и телемеханики// Автоматика, телемеханика и связь. 1988. № 5. С. 32-34.

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

123. Сапожников В.В., Сапожников Вл.В., и др. Общие правила выбора показателей безопасности и методы расчета норм безопасности // Автоматика, телемеханика и связь. 1992. № 10.

124. Сапожников В.В., Христов Х.А., Гавзов Д.В.; Под ред. Вл.В. Сапожникова. Методы построения безопасных микроэлектронных систем железнодорожной автоматики. -М.: Транспорт, 1995.

125. Саридис Дж. На пути к интеллектуальному управлению //ТИИЭР: Пер. англ. 1979. Т.67. - №8. - с.32-54.

126. Саридис Дж. Самоорганизующиеся стохастические системы управления. Пер. с англ. Под ред. Я.З. Цыпкина М.: Наука, 1980. - 400 с.

127. Солоп И.А., Солоп С.А., Хаблак К.А. Об одном из критериев, определяющем границы опорных центров . управления / Совершенствование организации и управления перевозками в условиях реформ: Межвуз. сб. научн. тр. Ростов н/Д: РГУПС, 2002. С. 135-139.

128. Соснов Д.А. Автоматизация управления перевозочным процессом на линейном уровне //Автоматика, связь, информатика, № 5, 2002. С. 2628.

129. Тарасов В.Б. От многоагентных систем к интеллектуальной самоорганизации: философия, психология, информатика. М.: Эдиториал УРСС, 2002.

130. Тихонов А.Н., Арсенин В.Н. Методы решения некорректных задач. М.: Наука, 1979.-286 с.

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

132. Финн В.К. Правдоподобные выводы и правдоподобные рассуждения // Итоги науки и техники. Сер. теория вероятностей, математическая статистика и теоретическая кибернетика. Т. 28. М. : ВИНИТИ, 1988. с. 3-84.

133. Фоминых И.Б. Интеграция нейронных и символьно-логических моделей в интеллектуальных технологиях // Тр. VTI национальной конф. По искусственному интеллекту с международным участием КИИ 2002. Т. 2 М.: Физматлит. 2000.

134. Фоминых И.Б. Принципы построения гибридных интеллектуальных систем реального времени. Международный конгресс "Искусственный интеллект в XXI веке". М. Издательство физ.-мат. лит., 2001. с. 524533.

135. Фонарев Н.М. Автоматизация процесса расформирования составов на сортировочных горках. -М.: Транспорт, 1971.

136. Хаблак К.А. Постановка проблем автоматизации сортировочных станций/ Вестник РТУ ПС, № 2. 2001. С. 101-102.

137. Химмельблау Д. Анализ процессов статистическими методами. М.: Мир, 1973.-960 с.

138. Храпатый А.В. Создание современной информационной среды железнодорожного транспорта//Автоматика, связь, информатика, № 12, 2002.

139. Шабельников А.Н. и др. Путевой датчик.// Патент на изобретение № 2169677, М., 2001.

140. Шабельников А.Н. Интеллектуальные системы управления на железнодорожном транспорте: Монография // Ростов н/Д: ВНИИАС МПС РФ, РГУПС, ЮРНЦ РАН, 2004. 214 с.

141. Шабельников А.Н. Системы автоматизации сортировочных горок на базе промышленных компьютеров.// Автоматика, связь, информатика, № 11., 2001. С. 13-16.

142. Шабельников А.Н. Моделирование сложных объектов (процессов) на железнодорожном транспорте: понятия, проблемы, развитие // Изв. Вузов. Сев.-Кавк. регион. Естеств. науки. 2004. Прил. № 4. С. 26-35.

143. Шабельников А.Н., Иванченко В.Н. Проблемы создания интеллектуальных систем управления сложными динамическими объектами на железнодорожном транспорте // Изв. Вузов. Сев.-Кавк. регион. Техн. науки. 2004. Прил. № 2. С. 103-109.

144. Шабельников А.Н. Разработка методов автоматизации управления динамическими процессами на основе нечеткой информации // Канд. дис. Ростов н/Д, 2000. 154 с.

145. Шабельников А.Н. Формирование и оптимизация баз знаний интеллектуальных систем динамического типа на основе генетических алгоритмов. Известия ТРТУ. Темат. вып. «Интеллектуальные САПР»мат-лы Междунар. научно-техн. Конференции.-Таганрог: ТРТУ, 2003.-№2.

146. Шалягин Д.В., Горелик А.В., Коннова Т.В. Функциональное резервирование в системах управления движением поездов и их алгоритмическое и программное обеспечение // Автоматика, телемеханиика и связь. 1994. № 10.с. 30-34.

147. Шалягин Д.В., Горелик А.В. Применение комплекса систем«Диалог»для управления движением поездов // Ресурсосберегающиетехнологии на железнодорожном транспорте: Тезисы докладов научно-практической конференции. М.: МИИТ, 1998. - С. V-l 1-V-12.

148. Шалягин Д.В., Горелик А.В. Система управления устройствами электрической централизации «Диалог-Ц» // Железнодорожный транспорт сегодня и завтра: Тезисы докладов юбилейной научно-технической конференции. Екатеринбург: УрГАПС, 1998. С. 178.

149. Шалягин Д.В., Казимов Г.А. Микроэлектронные системы обеспечения безопасности движения поездов. Межвуз. сб. науч. тр. М.: МИИТ, 1998. Вып. 790.

150. Шалягин Д.В., Крылов А.Ю., Горелик А.В. Автоматизированная система диспетчерского управления «Диалог» // Железнодорожный транспорт сегодня и завтра: Тезисы докладов юбилейной научно-технической конференции. Екатеринбург: УрГАПС, 1998. С. 178.

151. Шалягин Д.В., Крылов А.Ю., Горелик А.В. Реконструкция устройств электрической централизации на базе системы «Диалог-Ц» // Ресурсосберегающие технологии на железнодорожном транспорте:

152. Труды третьей научно-практической конференции. М.: МИИТ, 2000. -C.II-15-II-16.

153. Шалягин Д.В. Проблемы и методы построения безопасных систем управления движением поездов. Сб. науч. тр. М.: МИИТ, 1991. Вып. 839.4 1.

154. Шалягин Д.В. Теория и методы технической реализации безопасных микропроцессорных систем интервального регулирования движением поездов: Дисс. на соиск. уч. степени д-ра техн. наук. М.: МИИТ, 1990.

155. Штрик А.А. Электронное правительство: концепция, состояние, перспективы // Новости искусственного интеллекта, №2, 2002. С. 3444.

156. Ярушкина Н.Г. Нечеткие и гибридные системы: обзор итогов и тенденций развития // Новости искусственного интеллекта. 2003. №5(59).

157. Adeli Н., 1994. Knowledge Engineering. Мс Craw-Hill Publishing Company, N.Y.

158. Allen J.F. Towards a General Theory of Action and Time // Artificial Intelligence. 1984. 23(2).

159. Ashby W.R., Design for a Brain, Sharman and Hall, London, 1954.

160. Beer S. The Aborting Corporate Plan: A. Cybernetic Accoint of the Interface between Planning and Action, Jantsch E. (ed.) Perspectives in Planning, OECD, Paris, 1969, pp.347-422.

161. Berge C. Graphes et hypergraphes. Paris: Dunon, 1970.

162. J.S.R. Jang, ANFIS: adaptive-network-based fuzzy inference system, IEEE Trans. Systems Man Cybernet. 23 (3) (1993)665- 684.

163. Karthik Balakrishnan, Vasant Honavar. Intelligent Diagnosis Systems. Technical report. Iowa State University. 2000.

164. Rahim M. Et al. Robust numeric recognition in spoken language dialogue // Speech Communication. V 34 (2001).

165. Shoham Y. Time for action // In Proceedings 11 IJCAI, 1989.187. van Beek P. and Manchak D.W. The Design and Experimental Analysis of Algorithms for Temporal Reasoning // Journal of AI Research 4;1 -18, 1996.

166. Zadeh L. Fuzzy Sets// Information and Control. 1965. V.8.1. ЗАКЛЮЧЕНИЕ

167. Переход России на рельсы рыночной экономики отразился на характере функционирования транспортных отраслей, важнейшей из которых для российских условий является железнодорожный транспорт.

168. Выше перечисленное актуализирует задачу исследования транспортных проблем, изменяет технологию научного поиска, требует приближения результатов научной деятельности к их реальному внедрению.

169. Важным ресурсом повышения эффективности работы транспортных систем является интеллектуализация процедур принятия решения.

170. Основные выводы по работе можно сформулировать следующим образом:

171. Исследованы проблемы автоматизации отрасли. Сформулирован комплекс причин, требующих развития нового, нетрадиционного подхода к автоматизации транспортных процессов, включающегоширокое использование формальных процедур и схем интеллектуализации.