автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Теоретические основы, методы и средства разработки интегрированных систем диспетчерского управления на базе интеллектуальных технологий

На правах рукописи

005011664

Долгий Игорь Давидович

ТЕОРЕТИЧЕСКИЕ ОСНОВЫ, МЕТОДЫ И СРЕДСТВА РАЗРАБОТКИ ИНТЕГРИРОВАННЫХ СИСТЕМ ДИСПЕТЧЕРСКОГО УПРАВЛЕНИЯ НА БАЗЕ ИНТЕЛЛЕКТУАЛЬНЫХ ТЕХНОЛОГИЙ

Специальность 05.13.06 - Автоматизация и управление технологическими процессами и производствами

(на транспорте)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени доктора технических наук

1 С 0ЕЗ

Ростов-на-Дону - 2011

005011664

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

Научный консультант: доктор технических наук, профессор

Ковалев Сергей Михайлович

Официальные оппоненты: доктор технических наук, профессор

Берштейн Леонид Самойлович

доктор технических наук, профессор Горелик Александр Владимирович

доктор технических наук, профессор Шалягин Дмитрий Валерьевич

Ведущая организация: Федеральное государственное бюджет-

ное образовательное учреждение высшего профессионального образования «Петербургский государственный университет путей сообщения»

(ФГБОУ ВПО ПГУПС)

Зашита состоится «16» марта 2012 г. в 14.00 на заседании диссертационного совета Д 218.010.03 в Ростовском государственном университете путей сообщения по адресу: 344038, г. Ростов-на-Дону, пл. Ростовского Стрелкового Полка Народного Ополчения, д. 2.

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

Автореферат разослан «АЪ» 2012 г.

Ученый секретарь

диссертационного совета Д 218.010.03

доктор технических наук, профессор Бутакова М. А.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. В рамках VI Международного бизнес-форума «Стратегическое Партнерство 1520» в числе приоритетных задач ОАО «РЖД» среди прочих названы: равномерное распределение объемов перевозок,

максимальное использование пропускной способности железнодорожной инфраструктуры и организация грузового движения по расписанию. Решение подобных задач может быть осуществлено путем создания технологически интегрированных систем управления перевозочными процессами на основе использования современных информационных технологий, среди которых важнейшими являются технологии искусственного интеллекта. Тенденция создания интегрированных систем управления на основе интеллектуальных •технологий становится преобладающей в мировой практике. В связи с этим, актуальной для железнодорожного транспорта является разработка новых классов интегрированных интеллектуальных систем диспетчерского управления и централизации (ИСДЦ).

В настоящее время основу автоматизации диспетчерского управления составляют системы, разработанные 20-30 лет назад, модернизация которых неэффективна, а часто и невозможна в силу ряда причин. Во-первых, существующие системы диспетчерского управления и централизации (ДЦУ) не содержат средств поддержки принятия решений, позволяющих контролировать и управлять технологическими процессами в реальном времени, моделировать и прогнозировать развитие ситуаций в нештатных технологических условиях. Во-вторых, существующие ДЦУ, реализованные по принципу хранилища данных, не имея средств их структурирования для извлечения новой полезной информации, не способны адаптироваться к изменяющимся условиям функционирования и возрастающим требованиям к уровню обеспечения их надежности и безопасности. В-третьих, для ДЦУ отсутствуют методы и средства, обеспечивающие их интеграцию и согласованную работу с другими автоматизированными системами, число которых исчисляется десятками, что приводит к эффекту «лоскутной автоматизации», дублированию систем, их несогласованности и разрывам информационного пространства. В-четвертых, существующие ДЦУ не рассчитаны на работу в условиях неполноты, противоречивости и низкой оперативности первичной информации, что создает принципиальные трудности обеспечения надежности функционирования ДЦУ при появлении неожиданных сбоев или непредвиденных отказов в работе аппаратуры.

Перечисленные особенности требуют разработки и внедрения современных методов и средств автоматизации процессов диспетчерского управления на основе использования новых классов ИСДЦ, что обуславливает актуальность темы исследования.

Исследованиям в области создания автоматизированных систем диспетчерской централизации и управления, развитию теории и практики диагностирования средств ЖАТ, обеспечению надежности и безопасности СЖАТ и АСУ посвящены работы Баранова Л.А., Гавзова Д.В., Горелика А.В.,

Иванченко В.Н., Козлова П.А., Кравцова Ю.А., Красковского А.Е., Лисенкова В.М., Никитина А.Б., Пенкина Н.Ф., Розенберга Е.Н., Сапожникова Вл.В., Сапожникова В.В., Тишкина Е.М., Тулупова Л.П., Шалягина Д.В., Шарова ВА.' Шаманова В.И., Явна А.А. и др. ’

Предлагаемый в диссертации гибридный подход к разработке нового класса ИСДЦ на основе использования методов идентификации нелинейных динамических систем, интеллектуальных продукционных, нейро-сетевых и структурно-временных моделей является дальнейшим развитием интеллектуальных методов обработки информации и их применения к моделированию сложных систем железнодорожной автоматики и телемеханики. При его разработке использовались результаты основополагающих работ в области искусственного интеллекта, а именно: Берштейна Л.С., Белявского Г.И., Вагина В.Н., Гуды А.Н., Дули-на С.К., Каркищенко А.Н., Курейчика В.М., Лябаха Н.Н., Осипова Г.С., Поспелова Д.А., Петровского А.Б., Розенберга И.Н., Соколова С.В., Фоминых И.Б. Финна В.К. и др. ’

Особое место в диссертации отводится разработке гибридных интеллектуальных моделей динамического типа. В область создания гибридных и интеллектуальных динамических систем значительный вклад внесли российские ученые Батыршин И.З., Еремеев А.П., Ковалев С.М., Тарасов В.Б., Ярушкина Н.Г. и др.

Актуальность тематики подтверждается также тем фактом, что работа выполнялась в соответствие с отраслевыми программами, постановлениями, решениями коллегий и научно-технических советов МПС и ОАО «РЖД». ’

Диссертация представляет собой обобщение результатов многолетней работы автора в области создания систем железнодорожной автоматики и телемеханики.

Большая часть теоретических результатов диссертации была получена в ходе выполнения научно-исследовательских работ, поддержанных грантами Российского фонда фундаментальных исследований №№ 04-01-00277-а 07-01-00059-а, 11-07-13118-офи-м-2011-РЖД. • ’

Целью исследования является повышение эффективности управления технологическими процессами движения поездов на станциях и перегонах за счет использования нового класса автоматизированных ИСДЦ с интегрированными средствами технического контроля, диагностирования, обеспечения безопасности и экспертной поддержки принятия решений.

Объектом исследования являются технологические процессы контроля и управления движением поездов на станциях и перегонах, автоматизированные интегрированные системы диспетчерского управления и централизации.

Предметом исследования являются элементы теории, математические модели и методы построения нового класса интегрированных ИСДЦ на основе использования интеллектуальных технологий.

Постановка задач. Реализация целевой функции исследования требует решения следующих теоретических и практических задач.

1. Разработка нового подхода, математической, информационной и программно-алгоритмической платформы, обеспечивающей создание нового класса

автоматизированных ИСДЦ на основе использования интеллектуальных технологий.

2. Выбор адекватного математического аппарата и разработка на его базе новых классов интеллектуальных математических моделей, ориентированных на поддержку процессов принятия решений, контроля, диагностирования и обеспечения безопасности ИСДЦ.

3. Разработка методов обобщения и структурирования информации, получаемой от напольного оборудования и устройств первичного сбора информации с целью извлечения из них знаний, формирования и адаптации баз знаний для интеллектуальных подсистем ИСДЦ.

4. Разработка нового класса высоконадежных, помехоустойчивых устройств первичного сбора информации, а также адекватных математических моделей ее обработки в подсистемах нижнего уровня ИСДЦ.

5. Разработка на основе предложенного подхода архитектуры, состава технических средств, информационного и программного обеспечения ИСДЦ с интегрированными средствами технического контроля, диагностирования, обеспечения безопасности и экспертной поддержки принятия решений.

6. Разработка методологии внедрения, эксплуатации и сопровождения ИСДЦ на примере системы «ДЦ Юг с РКП».

Методы исследования основываются на использовании фундаментальных исследований в области искусственного интеллекта, системного анализа, математического моделирования и идентификации нелинейных динамических систем, современных методов технической диагностики. Практическая проверка разработанных интеллектуальных математических моделей осуществлялась путем проведения имитационных экспериментов с моделями и на реально действующем объекте.

Объект, предмет и методы исследования находятся в рамках паспорта специальности 05.13.06 «Автоматизация и управление технологическими процессами и производствами (на транспорте)», а именно пунктов: 1.

Теоретические основы методы и средства разработки АСУ; 2. Разработка математического, информационного, программного и алгоритмического обеспечения АСУ; 5. Автоматизация процессов экспертной поддержки принятия решений в АСУ; 6. Методы контроля, диагностирования и обеспечения безопасности АСУ.

Достоверность и обоснованность результатов диссертации подтверждается обоснованием постановок задач, исследованием и сравнительным анализом существующих подходов к их решению, имитационным моделированием, промышленной эксплуатацией ДЦ Юг с РКП и техникоэкономической оценкой разработок.

Научная новизна диссертации заключается в разработке нового научного направления в области автоматизации технологических процессов на железнодорожном транспорте, связанного с созданием нового класса интеллектуальных интегрированных систем диспетчерского управления. К наиболее существенным научным результатам работы относятся следующие.

1. На основе исследования объекта автоматизации и сравнительного анализа существующих подходов к построению автоматизированных систем на железнодорожном транспорте сделан вывод о необходимости разработки нового класса интеллектуальных систем диспетчерской централизации с функциями экспертной поддержки принятия решений, выявлены основные классы решаемых задач, сформулированы принципы и подходы к построению нового класса интегрированных систем.

2. В рамках разработки специализированного математического обеспечения ИСДЦ предложен комплекс гибридных нейро-стохастических моделей и моделей на основе интеллектуальных фильтров, ориентированных на обработку первичной информации, получаемой от датчиков напольного оборудования и устройств ЖАТ, обладающих по сравнению с традиционными моделями более высокой точностью идентификации данных, инвариантных к плотности распределения вероятности шумовых процессов и допускающих возможность адаптации к экспериментальным данным.

3. Разработан теоретический аппарат построения продукционных моделей под держки процессов принятия решений в контрольно-диагностических подсистемах ИСДЦ, открытый для включения в него новых типов продукционных правил, обеспечивающих определение различных классов неисправностей без отключения аппаратуры от источников первичной информации и использования дополнительных тестовых сообщений.

4. Разработан новый класс интеллектуальных гибридных моделей поддержки процессов логического контроля аппаратуры ИСДЦ, основанный на объединении трех типов продукционных правил, обладающий адаптационными свойствами и позволяющий, в отличие от известных типов моделей, учитывать динамические особенности контролируемых процессов.

5. Разработан новый подход к формированию, обучению и адаптации баз знаний для ИСДЦ, основанный на использовании адаптивных сетевых моделей, оперирующих разнородными признаками, допускающий возможность применения в гибридных системах, обладающий низкими полиномиальными оценками алгоритмической сложности и позволяющий получать более компактные модели представления знаний по сравнению с известными аналогичными подходами.

6. В рамках развития инновационных технологий сбора и обработки информации в системах ЖАТ предложена новая технология создания оптических и волноводно-оптических систем первичного сбора информации, а также разработаны математические модели протекающих в них процессов, позволяющие решать задачи оптимального статистического приема и оценивания параметров сигналов в условиях помех.

7. На основе разработанного подхода к построению ИСДЦ создана и внедрена на сети дорог новая интегрированная система распределенного типа «ДЦ Юг с РКП» с интеллектуальными функциями поддержки процессов принятия решений в контрольно-диагностических подсистемах, подсистемах сбора и обработки первичной информации и имеющая высокие эксплуатационно-

технические параметры, отвечающие современным требованиям к уровню надежности и безопасности.

8. Разработаны методики и инженерные рекомендации по подготовке информационного, программно-алгоритмического, технического и диагностического обеспечения «ДЦ Юг с РКП», отвечающие требованиям нормативных документов и позволяющие тиражировать систему на сети российских железных дорог.

Основные результаты, выносимые на защиту.

1. Комплекс гибридных нейро-стохастических моделей и интеллектуальных фильтров, ориентированных на обработку первичной информации, получаемой от датчиков напольного оборудования и устройств СЦБ.

2. Теоретический аппарат для разработки интеллектуальных продукционных моделей поддержки процессов логического контроля и диагностирования

3. Новый класс интеллектуальных гибридных моделей поддержки процессов принятия решений в контрольно диагностических подсистемах ИСДЦ, основанный на продукционных правилах логического вывода.

4. Постановка задачи идентификации динамической системы, моделирующей процессы порождения первичной информации в подсистемах нижнего уровня ИСДЦ, и общий метод ее решения.

5. Метод обучения и адаптации баз знаний для ИСДЦ, основанный на использовании адаптивных сетевых моделей.

6. Интегрированная система распределенного типа «ДЦ Юг с РКП» с интеллектуальными функциями поддержки принятия решений, структура комплекса технических средств, информационное и программно-алгоритмическое обеспечение «ДЦ Юг с РКП».

7. Методология разработки информационного, программноалгоритмического, технического и диагностического обеспечения интегрированных систем класса ИСДЦ.

Практическая ценность и значимость результатов диссертации работы состоит в создании и внедрении на сети дорог интегрированной системы «ДЦ Юг с РКП» с интеллектуальными функциями поддержки принятия решений. При создании системы получены следующие практические результаты.

1. Разработан и практически реализован комплекс алгоритмов и программ, реализующих методы первичной обработки информации в подсистемах нижнего уровня ИСДЦ.

2. Разработан и практически реализован комплекс алгоритмов и программ для поддержки принятия решений в контрольно-диагностических подсистемах ИСДЦ.

3. Разработано и внедрено техническое и программно-алгоритмическое обеспечение, предназначенное для поддержки процессов принятия решений в обеспечивающих подсистемах «ДЦ Юг с РКП».

4. Технология создания оптических и волноводно-оптических систем первичного сбора информации.

5. Разработаны методики и инженерные рекомендации по подготовке информационного, программно-алгоритмического, технического и диагностического обеспечения «ДЦ Юг с РКП».

Результаты диссертации реализованы в автоматизированной системе «ДЦ Юг с РКП», внедренной в эксплуатацию на сети железных дорог РФ (более 2000 км, в том числе объекты 0лимпиады-2014 г.) и республики Казахстан.

«ДЦ-ЮГ с РКП» сертифицирована в системе Госстандарта России (№ РОСС 1Ш.ЖА02.Н00028, РОСС 1Ш.ЖА02.Н00038), Регистре по сертификации на федеральном железнодорожном транспорте (№ ССЖТ 1Ш.Ц1П08.Г.00383), системе сертификации средств защиты информации (№ 1832).

Разработанные автором технические и программные решения зарегистрированы в соответствующих отраслевых фондах, а на аппаратные решения и ряд технических устройств получены патенты.

В период 2002 - 2011 гг. под руководством соискателя подготовлены и успешно защищены 6 диссертаций на соискание ученой степени кандидата технических наук.

Научные результаты работы используются в учебном процессе Ростовского государственного университета путей сообщения.

Апробация работы. Основные положения и результаты диссертационной работы докладывались и обсуждались на международных, всероссийских и отраслевых научно-технических конференциях, в том числе: Международной научно-технической конференции «Инфотранс» (Сочи, 2001 г.); Международном конгрессе «Механика и трибология транспортных систем» (Ростов-на-Дону, 2003 г.); Всероссийской научно-практической конференции профессорско-преподавательского состава «Транспорт» (Ростов-на-Дону, 2004 г., 2005 г.); Международной научно-практической конференции «ТрансЖАТ» (Санкт-Петербург, 2004 г., 2006 г., Ростов-на-Дону, 2008 г., Сочи, 2005 г.); Международной научно-практической конференции «ТелеКомТранс» (Ростов-на-Дону, 2005 г., 2007 г.); Международной научно-практической конференции «Автоматика, телемеханика и связь на железнодорожном транспорте» Астана, Казахстан, 2006 г.; Конгрессе по интеллектуальным системам и информационным технологиям «IS&IT'll» (Дивноморск, 2011 г.),

Международной научно-технической конференции «Технологии разработки информационных систем ТРИС-2011» (Геленджик, 2011 г.) и др.

Публикации. Полученные в диссертации теоретические и практические результаты нашли свое отражение в 42 печатных работах, в том числе монографии и 16 изданиях, рекомендованных ВАК РФ.

Структура и объем работы. Диссертация состоит из введения, 5 глав, заключения, списка литературных источников из 150 наименований. Общий объем диссертации составляет 280 стр., из которых объем основного текста составляет 256 стр.

СОДЕРЖАНИЕ РАБОТЫ

Во введении показана актуальность темы диссертации, определена цель работы, изложена научная новизна, теоретическая и практическая значимость

полученных результатов, сформулированы основные положения, выносимые на защиту, представлены апробация и внедрение результатов работы.

В первой главе дано теоретическое обобщение состояния проблемы автоматизации процессов диспетчерского управления на зарубежных и отечественных железных дорогах.

Отмечен многолетний положительный опыт эксплуатации нескольких вариантов отечественных микропроцессорных систем диспетчерской централизации, в число которых входят ДЦ-МПК, Диалог, Тракт, Сетунь, «ДЦ-ЮГ с РКП» и др.

На зарубежных железных дорогах США, Канады, Японии, Великобритании, Швеции, Италии, Германии и Австрии особое распространение получили компьютерные системы управления движением поездов. Здесь созданы автоматизированные системы диспетчерского управления движением поездов и мощные диспетчерские центры управления. Установлена тенденция развития интеллектуальных систем ДЦ и АРМов диспетчерского персонала. Наблюдается стремление к созданию саморегулирующихся и самонастраивающихся систем на базе моделирования движения поездов, ведения графиков исполненного движения, применения экспертных систем с учетом опыта работы диспетчеров.

В контексте данного диссертационного исследования предусмотрено формирование теоретических основ построения ИСДЦ на базе интеллектуальных технологий.

Достижение цели создания ИСДЦ предусматривает:

-разработку нового подхода и программной платформы, обеспечивающей автоматизацию процессов построения современных ИСДЦ на основе использования информационных интеллектуальных технологий;

- выбор адекватного математического аппарата и разработку на его базе новых классов математических моделей для ИСДЦ с функциями интеллектуальной поддержки принятия решений;

- разработку новых методов и алгоритмов реализации интеллектуальных моделей в ИСДЦ, обеспечивающих их согласованное взаимодействие в процессе принятия решений.

Исследованы особенности и установлены факторы, характеризующие особые условия диспетчерского управления и предопределившие постановку новых задач функционального и интеллектуального развития вновь создаваемой системы.

В их число входят:

использование новой волноводно-оптической технологии сбора информации и разработка математической модели ее представления;

построение адекватной порождающей модели в виде нелинейной динамической системы (НДС) и разработке подходов к ее решению;

разработка метода идентификации НДС при известных параметрах шумовых процессов;

разработка нового класса гибридных интеллектуальных моделей и адаптивных методов обработки информации;

о

создание интеллектуальных продукционных моделей и гибридных нейро-темпоральных моделей, ориентированных на поддержку процессов логического контроля аппаратуры ИСДЦ;

разработка нового подхода к формированию баз знаний на основе адаптивных сетевых моделей.

В главе предложены принципы функциональной и структурной децентрализации распределенных контролируемых пунктов (РКП), обеспечивающие возможность использования ИСДЦ на полигонах железный дорог любой конфигурации (линейной, радиальной, сетевой и их сочетаний).

Открытая системная архитектура ЛВС, простота ее конфигурации, стандартные протоколы обмена данными позволяют использовать кольцевые и радиальные структуры линий связи, а также физические линии, ВЧ - каналы, а также волоконно-оптические линии и сети передачи данных TCP/IP.

С учетом вышеизложенного в главе определены шесть основных функциональных подсистем ИСДЦ: контроля и управления; диалоговая; моделирования; прогноза и отображения; нормативно-справочной информации; протоколирования; самоконтроля и диагностики.

Особое место в первой главе занимает структура методологических этапов и направлений диссертационных исследований (рис. 1). В ней концепция исследований и разработки ИСДЦ нового третьего поколения предусматривает использование гибридных информационных технологий и принципов синергетического резонанса на основе интеграции БД и БЗ.

В методологии особое внимание уделено разработке гибридных интеллектуальных моделей поддержки принятия решений, адаптивным сетевым моделям, методам реализации процессов диагностирования и волноводнооптической технологии, а также интеллектуальным методам обработки информации. Особое внимание уделено разработке методов обеспечения безопасности движения поездов.

В первой главе разработана техническая структура системы ИСДЦ и структура локальной вычислительной сети, обеспечившая открытую системную архитектуру, простоту конфигурации ЛВС, возможность объединения (разъединения) диспетчерских кругов, организацию удаленных АРМов в режиме реального времени и создание единого информационного пространства.

Определены задачи, решаемые ЦПУ и РКП, установлен состав технических средств и сформулированы требования к АРМу ДНЦ и электромеханика ИСДЦ.

Рис. 1. Структура методологических этапов и направлений исследований

11

Во второй главе в рамках развития технического и математического обеспечения ИСДЦ разрабатываются базовые элементы волноводно-оптической технологии сбора первичной информации в ИСДЦ и методы ее обработки.

Обосновывается перспективность использования в системах сбора первичной информации волноводно-оптических технологий, работающих на принципах распределенной томографии. На основе этих принципов разрабатывается распределенный волноводно-оптический датчик (ВОД), имеющий широкую область практических приложений. ’

Метод контроля заключается в регистрации и измерении длительности и амплитуды принятого сканирующего импульса на входе фотоприемника ВОД. Электрические сигналы, появляющиеся на выходе ВОД, образуются в результате сложного взаимодействия ряда физических процессов при воздействии помех. Для извлечения из них полезной информации и упрощения дальнейшей обработки осуществляется препроцессинг выходной информации, который сводится к ее фильтрации, очищению от шумов, обобщению и структурированию с целью формирования локальных баз знаний, на основе которых осуществляется адаптация алгоритмов препроцессинга к изменяющимся условиям. В основе препроцессинга лежат математические модели порождения первичной информации, в качестве которых используется модель НДС, заданная в виде дискретного отображения:

~ >

где Д...) - известная нелинейная вектор-функция с компонентами, допускающими обращение; хк., - И-мерный вектор переменных состояния на (Ы)-м шаге времени; е - Л^-мерный вектор шума с известной М-мерной плотностью распределения вероятности, Ак., - вектор (или матрица) параметров объекта соответствующей размерности.

Реконструкция модели НДС по экспериментальным данным осуществляется на основе методов параметрической идентификации. Рассматривается общая постановка задачи идентификации для одномерного случая, допускающая обобщение на многомерный случай. Исходные данные представлены числовым временным рядом (ВР) Z=(zk\k=l,2,...,n), характеризующим наблюдаемые значения системы ^ на дискретном временном интервале [/&/„]. Предполагаются известными, помимо модели НДС, функциональная зависимость г=Б(х), описывающая модель «наблюдателя-измерителя», параметры шумовых процессов е и 5, протекающих в системе и измерителе. Задан обобщенный вероятностный критерий £ на основе которого осуществляется идентификация нелинейной системы, имеющий произвольную нелинейную зависимость от апостериорной плотности вероятности (АПВ) р\хк\г^,Ак_,) переменной состояния X. Задача идентификации НДС

формулируется как задача поиска параметров нелинейной системы 7? удовлетворяющих обобщенному вероятностному критерию: ’

‘/=И И**К;4-,)К=и1А-,),

А' '

где Ф - известная нелинейная аналитическая функция; X - заданная область пространства состояний.

Многомерная АПВ вектора состояния х для к-го момента времени р{хк^-,Ак_1) определяется выражением:

.)=;

г,1-'; j ■р{хк|хіч;Ак_,• р{гк|х4)

^ Ш ’

і-" \-^к-гуР^к\Хк~\'^к-\)^ХкА ' РІ?к |*1г >

, - определенная на (£-1)-м, шаге АПВ вектора

где р\ х,

состояния объекта; Ак-г — полученная на (к-1)-м шаге оценка искомого вектора параметров объекта; р{хк\хк^;Ак_,) - определяемая на текущем шаге алгоритма Ы-мерная условная плотность вероятности вектора х/, р(г^хк) - определяемая на текущем шаге алгоритма функция правдоподобия для многомерного наблюдения.

Многомерная условная плотность р{хк\хк_]',Ак_1) получается из исходного уравнения объекта (1) при известном виде плотности распределения вероятности шума д(п) следующим образом :

Р(х* | х*-]! А *_,) = #(1(х4, х*_1; А*_,)) ■ У, ^

где

А,.,) ^(1) (Х* > А*-і)

^*(1) дхцг/)

'(И^і.^ніАн)

^(Л')(Х*’ХЫ ;АМ) ;АН) 1(х4,х*.,;Аы) =

А4_!)

где У) - якобиан преобразования от вектора переменных п к вектору хк; ^(хьХк-ьАы): г=1..■Л'' - полученные в результате обратного преобразования соответствующих компонентов ґ(...) - однозначно определенные функции; хед, і=1.. .Ы, — компоненты текущего вектора состояния объекта х*.

Аналогичным образом из уравнения измерителя можно определить функцию правдоподобия для многомерного наблюдения:

>

где якобиан преобразования от вектора переменных V/ к вектору г*; й^(гк,хк), 7=1 ...М - полученные в результате обратного преобразования соответствующих компонентов б(...) однозначно определенные функции; ]=\...М -

компоненты вектора наблюдения г*.

Так как АПВ р\ хк\г*~'-, Ак-і на к-м шаге является известной функцией,

определенной на предыдущем к-\ шаге, рекуррентный алгоритм определения

апостериорной плотности вероятности переменной состояния для к-то момента времени при наличии текущей последовательности дискретных отсчетов сигнала наблюдения г? принимает вид:

Обобщенный вероятностный критерий идентификации J параметров НДС , окончательно представляется выражением:

Идентификация параметров А*.] осуществляется с использованием известных методов оптимизации функций многих переменных.

В развитие методов параметрической идентификации разрабатывается новый подход к оптимизации параметров НДС, базирующийся на идее использования в качестве средства идентификации гибридной адаптивной нейро-стохастической сети (ГОСС). В основу построения ГНСС положен процесс порождения наблюдаемых состояний на дискретном временном интервале Мп] В предположении, что структура и параметры моделируемой системы F являются полностью известными. Предположим, что в момент времени (Л-1), система Р находилась в состоянии х^.\, которому соответствовал наблюдаемый сигнал на выходе системы Имея информацию о 1, используя модель наблюдателя г=Б(х), можно определить состояние системы в момент времени г*-1—5 (^м). Располагая значением х^.\, используя модель НДС, можно определить состояние системы В момент времени Хх=Р(Хк.\). Имея информацию о статистических параметрах шума системы 8, можно определить вероятностное распределение текущих состояний системы р(хк\с,). На основе информации о распределении вероятностей р{хк\г), используя модель наблюдателя г=8(л:), можно определить распределение вероятностей наблюдаемых состояний системы р(гк) к моменту времени к без учета шума измерителя. На основе информации о статистических параметрах шума измерителя 6, можно определить вероятностное распределение наблюдаемых состояний системы к текущему моменту времени р(*к15) с учетом шума измерителя. Распределение р(г*|5) является АПВ наблюдаемых состояний НДС р(2*|г*.]), на основе которого осуществляется оптимизация параметров системы. Цепочка описанных преобразований отображается в следующей структуре ГНСС (рис. 2).

где

Л'(А*-1)= /•■•|л(х„А*.1)Л*

текущие СОСТОЯНИЯ

прогнозируемые состояния

7

наблюдаемое

внутреннее

внутреннее

внешнее с шумом

г(М) х(М) с* ад е Х(0 £ 2(0 1 6 г\г)

О

Рис. 2. Укрупненная структура ГНСС

Элементы ГНСС реализуют следующие преобразования.

1. Первый элемент реализует преобразование числового значения наблюдаемой переменной 2к-\ в числовое значение состояния системы хк.\ на основе выражения хы^’^г/н)-

2. Второй элемент сети, реализованный в виде ИНС, преобразует значение СОСТОЯНИЯ системы Хк-1 в текущее состояние Хк, путем прямого распространения сигнала хы и выполнения соответствующих локальных преобразований сигнала нейронами сети.

3. Третий элемент сети имитирует воздействие шума на текущее состояние системы хк и преобразует его в вероятностное распределение текущих состояний Р{х\ к ) на основе выражения:

1

ехр

(х1-хк-те)2

2Д

где х‘ - зашумленное значение состояния системы; />(с) = -д==ехр

2Д

плотность распределения шума е с математическим ожиданием тъ и дисперсией

А-

4. Четвертый элемент реализует модель наблюдателя и преобразует вероятностное распределение текущих состояний системы в вероятностное распределение наблюдаемых состояний путем подстановки в выражение Р(х1\хк) вместо значений х‘ и значений

(х1 -х„ -т$

А

5. Пятый элемент имитирует воздействие шума 8 с условной плотностью распределения на вероятностное распределение наблюдаемых состояний

Р{г1\хк} и преобразует их в апостериорную плотность распределения вероятностей на основе композиции (свертки):

р{*1\хк)=р{4\ъ)-р{Щ=И#*)'р№Це ■

г*

6. Шестой элемент сети вычисляет значение вероятностного критерия

В ГНСС основные функции по обучению и адаптации НДС возлагаются на элемент 2, реализованный в виде ИНС.

В третьей главе разрабатываются основы гибридного подхода к построению поддерживающих моделей для подсистем верхнего уровня ИСДЦ и новый класс гибридных моделей подцерэкки процессов принятия решений в контрольно-диагностических подсистемах ИСДЦ.

Излагается принцип синергетического резонанса, в соответствии с которым выработка решений в гибридной системе осуществляется путем непрерывной генерации целевых фактов, полученных на основе взаимодействия разнородных моделей, в результате чего возникает новая информация об исследуемом объекте, используемая в процессе принятия решений. Принцип синергетического резонанса рассматривается на примере задачи, связанной с контролем управления маршрутными заданиями в одной из подсистем ИСДЦ. Управление маршрутным заданием осуществляется на основе комплекса моделей, описывающих функционирование аппаратуры телесигнализации в процессе проследования поезда по станции или участку железной дороги. Комгшекс моделей включает: детерминированную автоматную модель

А-<Б,К,Р,и>, описывающую причинно-следственные связи между состояниями релейных ячеек К^К и обуславливающими их состояниями напольного оборудования стохастическую модель ^ = <{&(*А*,)}>ф,ф**,К)>,

описывающую вероятностную связь между маршрутами следования М, и временными сценариями телесигналов, появляющихся на выходе контролируемых элементов; нейросетевую модель А’ЕТ = {Л/,} X } -> {^},

описывающую причинно-следственную связь между структурно-временными отношениями на множестве телесигналов и контролируемыми состояниями технологического процесса. Весь перечисленный комплекс моделей реализован в рамках гибридной поддерживающей системы:

где д - база данных, П - база продукционных правил; Я ~ механизм генерации решений.

Механизм генерации решений реализует смешанный вывод по всем трем типам моделей. Вывод начинается с генерации в каждый из дискретных моментов времени Г е Т на основе автоматной модели нового состояния системы

- • Дзлее на основе вероятностной модели формируется временной сценарий смены состояний релейных ячеек, который, взаимодействуя с новыми состояниями, сгенерированными моделью, генерирует новые данные, представляющие собой комбинированные событийно-временные факты,

поступающие на вход нейро-сетевой модели, предварительно обученной на распознавание типовых классов событийно-временных фактов. На выходе модели формируются новые факты о возможной принадлежности событийновременных ситуаций типовым классам, которые используются в качестве новых данных для вывода по модели. В результате нескольких итераций смешанного вывода на выходе системы генерируется решение о том, в каком конкретном состоянии находится тот или иной элемент аппаратуры ТС и сам процесс в целом, а также какой вид действия должен быть предпринят системой в последующий момент времени.

Разрабатывается новый класс интеллектуальных моделей, основанный на продукционных правилах и предназначенный для поддержки процессов диагностирования технических средств контроля подвижного состава (ТСКПС). Модель знаний в антецеденте продукции представляется на основе формальной системы КБ: :

КБ = ЩР, Д,Е>,

где Ч1 - множество базовых элементов системы КЗ, Р - синтаксические правила построения формул в системе КБ, й - множество аксиом, £ - множество правил вывода.

Многосортное базовое множество К$ = ('¥,Р,А,Е) включает: £ = {5,., 5С, , Бггг 5.0.} - элементы, интерпретируемые как типы

информационных сообщений; ЛГ = {х,,х2,...,х10} - элементы, интерпретируемые как поля контролируемого сообщения; Я - сорт «Количество»; Г- «темпоральные объекты»; С - «вспомогательные переменные»; И. - «отношения», включающие

- непосредственное следование, т3 — следование, т£ — одновременность.

Синтаксис системы КБ включает правила образования атомарных формул и производных от них. Примерами синтаксических правил являются выражения интерпретируемые как события, связанные с появлением следующих сообщений: 5 - появление сообщения 5, х, - появление г'-го поля сообщения, I/, - нахождение линии Ь, в состоянии логической единицы, 10, -нахождение линии в состоянии логического нуля.

Если 7- атомарная формула, определяемая согласно п. 1, то правильными считаются формулы вида У(/() и интерпретируемые как факты

появления события У в момент времени /, и в течение интервала времени [/„,/„,] соответственно.

Правило вывода Е включает в себя набор стандартных правил вывода точечной темпоральной логики и набор частных правил вывода, образующих основной механизм генерации решений в ИМ. Разработанная система частных правил включает четыре класса продукций, соответствующих четырем основным классам решаемых задач, связанных с контролем правильности сообщений. Первый класс правил обеспечивает поддержку принятия решений о типе сообщений, принимаемых от устройств ТСКПС. Примером правила этого класса является следующая продукция:

. (*, = /К(*2 = /К(° ^2)тя(01 *59)т„

' (х,=т)тл(01<хб<59)т„(01<х7<59)тл(х,=р)т„

(01<х,<59)т„(01<х10<59)^5г З^-тап сообщения время; х1,х2,...,хы -10 полей сообщения; и р —— разделители из вспомогательного сорта элементов С.

Второй класс частных правил вывода ИМП предназначен для поддержки процессов контроля логической непротиворечивости последовательности сообщений в принимаемом потоке данных, третий — для проверки правильности следования номеров в цепочки сообщений, четвертый - для поддержки процессов диагностирования аппаратуры приемо-передающего тракта.

В главе ^разрабатывается новый класс гибридных нейро-темпоральных моделей (ГНТМП), ориентированных на поддержку процессов логического контроля аппаратуры ИСДЦ, основанный на использовании структурновременной информации о контролируемых объектах, представленной в виде продукционных правил, и методах ее обработки на основе технологий искусственных нейронных сетей (ИНС). ГНТМП заявляется в виде тройки:

ш=<е,я,л>,

где б - база данных, представляющая собой множество фактов вида }У = &(х,т.х,), х1 - события, связанные с переключением /-го релейного элемента; т. -временные отношения точечной темпоральной логики Аллена, П - база правил, -представленная тремя типами правил П], П2, П3. П] - продукции вида ©,=>/;, где

0, - структурно-временные описания, г - контрольно-диагностические решения. Примером продукционного правила П) является продукция )=>*,,

имеющая смысл: “Если релейная ячейка х, замыкается одновременно с размыканием ячейки х2, а размыканию х2 предшествует размыканию ячейки х3, то должно быть замкнуто реле х4”. Пг - продукции вида ЬКЕТ[ => (V =у), где ЬШТ,: 3 -> [0,1] - линейные ИНС, реализующие функции нечетких

классификаторов. Входными данными классификатора являются бинарные значения (х|т.дг^б{0,1}, характеризующие наличие временных отношений между переключениями ^ релейных ^элементов, выходами — нечетко-истинностные значения У(г,)е|рд], характеризующие возможности появления контролируемых событий.

П3 - продукции вида ЫШТ =?> £?(/). Данные отображения моделируются ИНС МНЕТ, на вход которого поступают предшествующие состояния процесса м(г-1),й(/-2)...й(г-Л?), а на выходе генерируются прогнозируемые состояния

«(О- '

Рассматривается задача формирования БЗ для ГНТМП, для решения которой предлагается несколько подходов, основным из которых является подход .с использованием специального класса адаптивных сетевых моделей (АСМ) и ориентированный на обобщение динамических описаний. Модель

контролируемого процесса представлена ВР 5 = (5(г1М'Д---.*(0Х*(06б)» д в

- множество событий, соотнесенных с фиксированными моментами времени I еТ. Элементами БЗ ГНТМП являются ассоциативные продукционные правила вида (?=>г, устанавливающие причинно-следственные связи между характерными сочетаниями признаков, входящими в контролируемый процесс в, и соответствующими им решениями, в качестве которых обычно выступают сам признаки *6 0, именуемые в данном случае целевыми признаками. Продукционные правила оперируют тремя типами признаков: количественными качественными и временными. Временной признак задан отношением специального вида т*, определяемым относительно момента ^ ^ как

£т‘=(3/(6:г)(£(г,_,)б5)

и имеющим смысл выражения «В предшествии к тактов £»•

Логическая формула Ф, описывающая антецедент продукционного

правила, имеет вид:

Ф = ф(^ & (-чф,, &-&-'Ф|1 ),

где ф, ,ф,()ф,. -темпоральные отношения вида .

' Конъюнктивная группа (&д) в Ф характеризует обобщающие свойства контролируемого образа и выступает в качестве его «грубого» описания, а группа инверсных признаков ) описывает отличительные свойства «чужих»

образов и выполняет роль исключающих признаков для исходного обобщенного описания. Само продукционное правило имеет вид выражения:

|&;ф,^&(-|ф|_ )=><}■

Задача заключается в том, чтобы для каждого из решений, представленного целевым символом ч е б, на основе анализа ВР 5 сформировать минимальную систему прогнозирующих продукций, позволяющих

предсказывать появление символа в ВР Б для любого момента времени Г,. Для ее решения предлагается АСМ, представляющая собой вариант растущей пирамидальной сети (РПС), ориентированной на формирование обобщенных

временных описаний. „

Пусть 5 - ВР и д = з(0 - целевой символ ВР, Ь - параметр, обозначающий

ширину окна анализа, в пределах которого выявляется причинная связь между символами в Для символа д = «(0 выпишем 1еЬ предшествующих ему символов 8 = = = Вектор описывает временной

сценарий, предшествующий вхождению символа q в ВР Б в момент , однозначно представленный неупорядоченным множеством отношений: е,(5,д) = 6 = 1.2,—/}.

называемым /-окном ВР 5 относительно символа я = *{1,)е8. Обозначим через Е = {е /(' = /,/ + 1,-,п] множество всех /-окон ВР 5 относительно всех символов Множество Е является множеством описании всех

временных сценариев, на основании которых формируются АСМ. Разобьем множество Е на две группы положительных Е* и отрицательных. Е~ примеров так, что:

£+ = {ф(0)е 5/5(0ЕГ ={еШ)/*{0*д} .

АСМ представим в виде сетевого ациклического графа Н = (Х,Г), содержащего три слоя вершин X =Ги£и£>. Слой Т соответствует входному множеству первичных признаков - отношений = gxk, слой С - множеству

обобщающих признаков, слой £) - множеству детализирующих признаков. Отображение Г задает структуру межслойных связей таким образом, что вершины входного слоя Т связаны исходящими дугами с вершинами второго и третьего слоя, образуя соответственно конъюнктивные группы обобщающих и детализирующих признаков, входящих в АСМ описаний. Вершины второго слоя дугами заходят в вершины третьего слоя, устанавливая связь между обобщающими и детализирующими признаками. Входной слой АСМ для заданного 1 определяется однозначно, а вершины второго и третьего слоя вместе с отображением Г могут быть сформированы различными способами, однако должны удовлетворять двум условиям, для формализации которых вводится ряд обозначений.

Пусть geG, с1еО, Г(§)= Г"1 (я), Т{<})= Г~1(с!)пТ. Для обобщающей вершины g в множестве положительных примеров Е* выделим подмножество Е*(8)={ееЕ*/Т^)^е} положительных примеров относительно я, а в множестве отрицательных примеров Е~ - подмножество {ее£'/7’(я)се}

отрицательных примеров. Условие полноты, которое должно обеспечиваться вершинами обобщающего слоя, имеет вид:

(УееЯ+3£еС)(Т(Я)се).

Вершины детализирующего слоя должны удовлетворять отсекающему условию

УgeGЖeE'(g),ЗdsГ{g)

Ve'6£ГЫЗ-^ф. ес/ф, ее"

' ' 9 р 4

'Т'^ф, £ Л. ее* .

7> 1Р

Вышеописанная модель АСМ является сетевой моделью, в структуре которой объединены образы всех сценариев, предшествующих вхождению символа ^ в ВР С практической точки зрения интерес представляют минимальные АСМ. Предлагается полиномиальный алгоритм формирования минимальных АСМ, основанный на анализе ряда количественных характеристик, отражающих потенциальную полезность использования той или иной группы отношений в качестве обобщающих или детализирующих признаков.

Практическое использование АСМ для обобщения диагностической информации рассматривается на примере диагностирования стрелочных электроприводов. Рассматриваются четыре класса неисправностей гарнитуры: затягивание корневого болта (КВ); повышенный ток при работе на фрикцию

(РТРУ неприлегание остряков к башмакам (N0); зазор в пятке пера на одном остряке (г01). На рассмотрение экспертов предлагаются графические протоколы функции измерения контролируемого параметра (ФИКП).

Рис. 3. Графики ФИКП для четырех типов неисправностей

В основе ACM лежит структурно-логическая аппроксимации ФИКП Вводится множество качественных признаков Q = {M,Z,S,..}, описывающих тренд ФИКП на ее отдельных временных интервалах. Конкретно для функции F графика тока перевода стрелки вводятся следующие признаки: нарастание функции <N>; постоянное значение функции <Z>; спад функции <S>. Кроме того, для признаков <N> и <S> вводятся модификации: быстрое (fast) <£>; среднее (middle) <m>; медленное (slow) <s>. Для вычисления качественных признаков используются предикаты Рд: -> {ОД}, сопоставляющие

последовательностям дискретных отсчетов, описывающих фрагменты AF, ФИКП F, значения качественных признаков тренда q на этих фрагментах. Структурнологической аппроксимацией ФИКП fj называется ее разбиение на конечное число интервалов 5j[AF(1>при котором каждому из фрагментов AF е X сопоставляется конкретный признак q е Q. В результате анализа

различных вариантов ФИКП экспертами было выявлено 5 основных временных интервалов разбиения ФИКП, условно названных: ВКЛЮЧЕНИЕ СП (Начальная стадия); ВКЛЮЧЕНИЕ СП (Конечная стадия); РАБОЧИЙ ХОД (Начальная стадия); РАБОЧИЙ ХОД (Конечная стадия); ВЫКЛЮЧЕНИЕ. Динамическая структура ФИКП, заданная в виде последовательности значений признаков тренда >••■>9/, > представляется с использованием временных отношений хк в виде выражения:

Каждой реализации ФИКП, представленной в виде 64 дискретных отсчетов тока перевода стрелки, в результате структурно-логической аппроксимации сопоставляется подмножество отношений, которое является обучающим примером для АСМ. В результате обучения АСМ были сформированы обобщенные описания для четырех типов неисправностей КВ, РТР, N0, ZOl. Ниже, на рисунке 4а, в качестве примера приведена АСМ для наиболее сложного, с точки зрения распознавания, типа неисправности КВ.

Рис. 4а. Адаптивная сетевая модель распознавания неисправности КВ

Полная система правил для распознавания типа неисправности КВ, выявленная на основе данной АСМ, имеет вид: ’

л^т5 &8/г‘ &гт5 => кв

=> КВ

Л^х5 &8/т‘ &57Т3 => КВ

Nfїs&S/x,&S^■l,&Nlll^;'г8tS/^:'=>KB

Минимизированная формула для данного типа неисправности имеет вид: N/x^&S/x*&\zvS/)x=>АВ .

В результате оптимизации АСМ, благодаря использованию в ней исключающих признаков, была получена следующая минимальная структура сети.

Рис. 46. Минимальная структура сети, полученная в результате оптимизации АСМ

Эксперименты над моделями показали, что предложенная автором АСМ на основе отношений позволяет получать более компактные представления обобщенных описаний для классов неисправностей нежели известные

аналогичные модели на основе РПС. ^

Четвертая глава посвящена разработке методов, моделей и алгоритмов обеспечения безопасности движения поездов в системе ИСДЦ. Гарантированное обеспечение безопасности движения поездов - это основное требование к вновь

создаваемой системе ИСДЦ.

Функциональная и структурная децентрализация системы на основе локальной сетевой архитектуры распределенных контролируемых пунктов - это концепция, направленная на достижение высокой надежности технических Средств двух иерархических уровней, объединенных основным и резервным каналами связи: поста управления ЦПУ и РКП.

Решающим в обеспечении надежности управления стрелками и сигналами на РКП является специальный способ организации станционных локальных сетей взаимодействия РКП-Ц с устройствами ЭЦ.

Для обеспечения 100%-го резервирования аппаратура РКП дублирована. Один комплект является основным, а другой — резервным.

Одним из ключевых вопросов достижения безопасности движения поездов является обеспечение передачи информации в условиях высокого уровня помех в каналах связи.

При отсутствии положительного подтверждения правильного приема в течение заданного интервала времени используется принцип повторной передачи

сообщения до 5 раз.

В системе ИСДЦ используется адаптивный алгоритм определения максимально допустимого числа повторных передач для уменьшения трафика в аварийных ситуациях, когда при повреждении канала связи передача ТС возможна, а передача подтверждения - нет.

Для построения на экспертной основе продукционных правил оценки ситуаций передачи информации введем условные обозначения:

- 5), 62, й - различные ситуации передачи данных;

- К“ - канал связи исправлен;

- Птах - коэффициент повторных передач;

- К°с -в канале связи обрыв;

- О]6 - отсутствие подтверждения 16 переданных сообщений;

-Пс- повторное сообщение;

- Т2тах- задержка подтвержденного сообщения (1,2 с);

- НЦ - наличие подтверждения передачи.

Тогда продукционные правила принимают вид:

К*; -> пт = 5) V {к; -+<%-+ я. = 4)}

Б2{(Пс->0';)^(Т2мах = \,2с)}

53 Ы: ^ят„> \ед)8с (я;: -> Ят8Х > кд)} =>

=> и т.д. до значения Ята1=5.

Представленные продукционные правила позволили разработать блок-схему адаптированного алгоритма, которая изображена на рис. 5.

Рис. 5. Блок-схема адаптивного алгоритма уменьшения трафика в аварийных

ситуациях

24

Адаптивность алгоритма заключается в том, что при отсутствии обрывов в канале связи коэффициент повторных передач Птах = 5. При постоянном ухудшении качества связи (нет подтверждения на 16 подряд переданных сообщений) происходит уменьшение числа повторных передач на единицу до Птах = 4. Повторное сообщение посылается в случае отсутствия получения подтвержденного сообщения в течение 72пмх = Пщах + 0,027 — 1,2 с. (0,027 с. необходимые временные зазоры между кадрами). При улучшении качества канала связи число повторных передач увеличивается, но не скачком сразу до пяти, а постепенно. После каждых шестнадцати подтвержденных передач МахПрд увеличивается на единицу. Максимальная задержка доставки сообщения в условиях помех при пятикратном повторе будет равна 73тах= 5*Пшах = 5*1,2 —

6 с, что подтверждает выполнение норматива времени доставки и обработки сигналов ТС.

В третьей главе, был изложен ; гибридный подход к построению диагностических моделей ИСДЦ, основанный на использовании двух различных технологий обработки информации, опирающихся на продукционные и нейросетевые модели. С целью придания системе синергетических свойств, существенно повышающих ее эффективность при поддержке процессов обеспечения безопасности и надежности, предлагается дополнить систему новым классом адаптивных сетевых моделей (АСМ), рассмотренных во второй главе диссертации. Выбор АСМ в качестве поддерживающих моделей ИСДЦ обусловлен тем, что данные системы, обладая мощными базами данных, способны накапливать большие объемы разнородной диагностической информации. Это требует использования специальных методов агрегирования информации с целью извлечения из нее структурированных знаний для поддержки принятия решений. Данные функции в ИСДЦ реализуют АСМ.

В качестве АСМ в четвертой главе предлагается использовать ранее обозначенные (РПС) и новый тип адаптивных сетевых моделей.

Аналитические выражения АСМ положены в основу продукционных Правил модели поддержки принятия решений при установке поездных и маневровых маршрутов. Следует отметить, что применение механизма РПС для решения задач оперативной диагностики устройств железнодорожной автоматики и телемеханики выявляет ряд их достоинств, основными их которых являются: получение результата в виде простых формул булевой алгебры, простота внесения изменений в РПС и возможность учета априорных знаний экспертов при формировании сетевой модели.

Отдельная задача касается проблемы обеспечения информационной безопасности локальной сети ИСДЦ. Речь идет об отражении некоторых видов информационных атак.

В главе предложен эффективный способ борьбы с таким типом атаки с помощью контроля рабочего трафика между узлами.

Следующей составляющей достижения целей безопасности является реализация ответственных команд и обеспечение безопасного функционирования программно-аппаратных средств.

Это касается требований безопасного подключения модулей РКП к локальной сети.

Здесь исполнительные схемы ответственных команд построены с использованием принципа помехозащищенного кодирования на реле первого класса надежности, реализующих работу шифраторов и дешифраторов, функционирование матрицы ответственного управления ОТУ, схем восприятия и исполнения команд управления стрелками и сигналами. Для этого предложена специальная схема подключения модулей РКП к локальной сети (рис. 6).

м/д

м/д

РКП-Ц

РК П ОТУ 0

' >

ркпту м

* ркпту і

эц

4 4 4

0 0 0 0 1 1 1 1

1 0 0 1 0 1 1 0

0 0 1 1 0 0 1 1

1 0 0 1 1 0 0 1

1 0 0 0 0 1 1

1 0 0 0 1 0 1

0 1 0 1 0 1 0 1

РКП тс N

РКП ТС 1 <-

эц

1 0 1 0 1 0 1 0

0 0 1 0 1 0 1 0

0 0 1 1 1 1 0 0

0 1 1 0 0 1 1 0

1 1 0 0 1 1 0 0

0 1 1 0 1 0 0 1

1 1 1 1 0 0 0 0

■<—> РКПОТУ 1

т І Ї I

У

о,

о

о

о

о

О

О

О

О

О

О

О

О

О

Рис. 6. Схема подключения модулей РКП к локальной сети

Комплект, который в данный момент времени обменивается с ЦПУ и реализует команды управления, считается «активным» (основным), а другой -«пассивным» (резервным). .

«Активный» комплект РКП-Ц в каждом цикле опрашивает все блоки ввода РКП-ТС, определяет наличие новой информации и проверяет работоспособность очередного блока вывода РКП-ТУ, РКП-ОТУ. В следующем цикле опроса проверяется следующий блок вывода. При выявлении новой информации формируется сообщение и передается по каналам связи в центр.

«Пассивный» комплект РКП-Ц получает все ответные сообщения, проходящие по локальной сети РКП, и формирует внутреннюю БД, но сообщения в центр не передает. Этим достигается быстрое «безударное» переключение режимов работы комплектов с «активного» на «пассивный» и наоборот.

В случае одиночного обрыва локальной сети оба комплекта РКП-Ц становятся «активными», каждый из которых контролирует свою часть блоков, размещенных на участке локальной сети.

Данный алгоритм позволяет постоянно контролировать работоспособность блоков РКП-ТС, РКП-ТУ и РКП-ОТУ.

Особое место в обеспечении безопасного исполнения команд ОТУ занимает реализация принципа «безопасного выхода», а также применение

двухтактного управления блоком РКП-ОТУ. Такие схемные решения гарантированно исключают возможность появления рабочего сигнала на выходе

самого ответственного блока.

Это нашло свое подтверждение в результатах испытаний выходного 1 каскада для различных вариантов «провокации» опасных выходов в цепи возбуждения реле. Ниспадающая форма осциллограмм, представленная на рис. 7а, 76, наглядно иллюстрирует отсутствие подпитки обмоток реле при разрыве различных цепей или коротком в них замыкании.

Рис. 7. Иллюстрация отсутствия «опасного выхода» в цепи возбуждения реле

Система ИСДЦ, являясь «человеко-машинной», предъявляет особые требования к профессиональному уровню ДНЦ при реализации функций управления, контроля и принятия решений. Особенно это касается ответственных команд, когда безопасность движения поездов предопределяется «человеческим фактором».

Процедура реализации команд ОТУ с участием двух агентов движения (ДНЦ и ДНЦО) исключает влияние «человеческого фактора» от одного лица. Для | этих целей АРМы территориально разнесены.

В главе выполнена интегральная оценка показателя безопасности.

В качестве показателя безопасности в системе ИСДЦ берется интенсивность опасных отказов, заключающихся в появлении опасного воздействия со стороны устройств РКП на исполнительные устройства ЭЦ при формировании и реализаций ответственных команд, а также при искажениях в телемеханическом канале.

Суммарная интенсивность опасного отказа в системе равна 5.36642-10 141/ч.

Полученная интенсивность опасного отказа со стороны устройств РКП на I исполнительные устройства ЭЦ при формировании и реализации ответственных команд соответствует требованиям отраслевого стандарта ОСТЗ2.112-98 по нормам интенсивности опасных отказов аппаратуры передачи и реализации ответственных команд, которая должна быть не более Х=3-10~ 1/ч на одну

| команду.

В диссертации нашли свое решение вопросы информационной безопасности на основе биометрической идентификации пользователей ИСДЦ. Применение биометрических методов идентификации решает проблему

разграничения доступа, когда одно и то же лицо на разных рабочих местах имеет разные права и, наоборот, на одном и том же рабочем месте разные лица пользуются разными привилегиями. Например, с АРМа ДНЦ различного рода информацию (фрагменты схематических планов станций, график исполненного движения, технико-распорядительные акты (ТРА) и др.) имеют право получать и поездной диспетчер, и электромеханик поста ДЦ, но управлять участком, посылать ответственные команды телеуправления может только первый из них.

В пятой главе дано описание технической реализации ИСДЦ. На центральном посту размещены АРМы поездного диспетчера и электромеханика, а также технические средства увязки с контролируемыми пунктами.

Максимальное число блоков ТУ и ТС не более 126. Количество РКП: до 31 на одно кольцо связи. Число двухпозиционных объектов управления — до 1008, объектов контроля - 2520. Цикл опроса - не более 5 с.

В системе функционирует 18 программных модулей. Одним из основных модулей является «График исполненного движения» (ГИД). Подсистема ГИД обеспечивает: автоматическое ведение ГИД; анализ качества работы диспетчера; моделирование и прогноз развития поездной ситуации, связь с другими информационными системами.

Как следует из структуры технических средств, важную роль играет АРМ ШН, который является инструментом контроля функционирования оборудования ЦПУ со стороны дежурного персонала и поддерживает следующие функции:

- прием оперативной информации и ее отображение о состоянии устройств СЦБ с локальной сети ЦПУ ИСДЦ;

- контроль событий, определенных совокупностью телесигналов о состоянии устройств СЦБ, и запись их в архиве;

- фиксирование этапов прохождения команд в системе и результатов их выполнения;

- архивирование в сетевой системе управления БД поступающих со всех РКП сигналов ТС с возможностью их последующего воспроизведения;

- оперативную сигнализацию электромеханику о событиях, требующих его немедленного вмешательства.

Особое место в реализации системы ИСДЦ занимает протоколирование технологических событий и оперативное диагностирование технических средств.

Для этих целей создан программный пакет «ЫаскЬох». Такой пакет является самостоятельным программным продуктом, расширяющим функциональные возможности системы для анализа сбойных и аварийных ситуаций как на ЦПУ, так и на линейных РКП.

Пакет «ЫаскЬох» (черный ящик) обеспечивает:

- быстрое обнаружение сбоев и неисправностей, возникающих в работе линейных пунктов и систем ЭЦ на станциях;

- контроль качества работы каналов связи, используемых в системе ИСДЦ;

- просмотр последовательности действий поездного диспетчера и дежурных по станции при аварийной или любой другой ситуации;

- воспроизведение в любом масштабе времени (реально, замедленно, ускоренно и пошагово) аварийных ситуаций, возникающих на участке;

- просмотр обобщенного протокола работы системы ИСДД с заданного времени с указанием времени возникновения аварийных и сбойных ситуаций (перекрытие светофора, ложная занятость секции, взрез стрелки, отсутствие напряжения на фидерах, запуск ДГА, отсутствие канала связи и

т.д.); „ , _

- вывод протокола событий на печатающее устройство или в файл,

- использование фильтра - по станциям и по типам сигналов.

Для работы такой подсистемы используются технологические окна,

1 содержащие графическое и текстовое изображение состояния объекта.

К таким окнам относятся: «Структура участка»; «Трасса участка»,

«Матрица ТС» и др. .

Наиболее часто используемым является «Окно для вывода сообщении оо

I изменении объектов». „

Это окно (рис. 8) предназначено для вывода системных сообщении в режиме воспроизведения протокола работы системы. В нем выводятся сообщения от РКП-Ц станций диспетчерского участка (изменения состоянии

Рис. 8. Технологическое окно изменения объектов

Диагностическое программное обеспечение с^п или программа «Диагностика РКП» является самостоятельным программным продуктом, расширяющим функциональные возможности ИСДЦ.

Программа с1§п предназначена для осуществления контроля и управления со стороны электромеханика состоянием РКП, осуществления реконфигурации линии связи, управления активностью комплектов РКП, а также дистанционного диагностирования модулей РКП. Она позволяет наглядно отображать текущее состояние контролируемого участка, а также производить управление системой в рамках диагностики. Интерфейс программы обеспечивает легкий доступ к различным объектам РКП и контролируемых им блоков.

ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ

В результате проведенных исследований разработаны научнотеоретические и практические основы создания нового класса интегрированных систем диспетчерского управления и централизации. Основные выводы заключаются в следующем.

1. Обоснована необходимость разработки нового класса интегрированных систем диспетчерского управления и централизации с интеллектуальными функциями экспертной поддержки принятия решений, выявлены основные классы решаемых задач, сформулированы принципы и подходы к построению данного класса интегрированных систем.

2. Разработан комплекс гибридных интеллектуальных моделей для подсистем нижнего уровня ИСДЦ, ориентированных на обработку первичной информации, получаемой от датчиков напольного оборудования и устройств ЖАТ, обладающих высокой точностью идентификации при любых параметрах шумовых процессов.

3. Разработан теоретический аппарат и на его основе новый класс продукционных моделей, ориентированных на поддержку процессов принятия решений в контрольно-диагностических подсистемах верхнего уровня ИСДЦ, открытый для включения в него новых типов продукционных правил и обеспечивающих определение различных классов неисправностей без отключения аппаратуры от источников первичной информации и использования дополнительных тестовых сообщений.

4. Разработаны новые методы формирования, обучения и адаптации баз знаний для ИСДЦ, обладающие низкими полиномиальными оценками алгоритмической сложности и допускающие возможность использования в режимах реального и жесткого реального времени.

5. На основе разработанного подхода к построению ИСДЦ создана и внедрена на сети дорог новая интегрированная система распределенного типа ДЦ Юг с РКП с интеллектуальными функциями поддержки процессов принятия

решений в контрольно диагностических подсистемах, подсистемах сбора и обработки первичной информации и имеющая высокие эксплуатационнотехнические параметры, отвечающие современным требованиям к уровню надежности и безопасности.

Основные результаты диссертации опубликованы в работах:

Публикации в периодических изданиях., рекомендованных ВАК РФ для изложения результатов докторских диссертаций

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

2. Долгий И.Д., Кулькин А.Г., Кузнецов Л.П. Классификация и описание эргатических систем управления // Обозрение прикладной и промышленной математики. Москва -2002. - Т. 9. - Вып. 2. С. 366 - 367.

3. Долгий И.Д., Кулькин А.Г., Кузнецов Л.П. Принципы и пути совершенствования эргатических систем управления на транспорте // Научная мысль Кавказа. - 2002. -№14. С. 65-73.

4. Долгий И.Д., Кулькин А.Г., Скопин А.А. Реализация ответственных команд в системе ДЦ-ЮГ с РКП // Автоматика, связь, информатика. - 2003. - № 2. С. 9 - 13.

5. Долгий ИД, Прокопенко С.А. Системы координатного регулирования движения поездов на основе оптических технологий // Автоматика, связь, информатика. - 2004. - № 7. С. -20-21.

6. Долгий И.Д., Кулькин А.Г. Комплекс программно-аппаратных средств диспетчерского управления движением поездов // Вестник РГУПС. - 2004. - № 3. С. 67 - 69.

7. Долгий ИД, Ковалев С.М. Нечетко-логическая аппроксимация многомерных временных процессов в слабоформализованных задачах принятия решения // Обозрение прикладной и промышленной математики. - Т.12. - Вып. 2. - 2005. С. - 351.

8. Долгий И.Д., Прокопенко С.А. Опыт СКЖД по внедрению ДЦ // «Железнодорожный транспорт». - 2006. - № 8. С. 26 - 29.

9. Долгий И.Д., Кулькин А.Г., Пономарев Ю.Э. Процедуры обмена сообщениями в ДЦ-ЮГ с РКП // Автоматика, связь, информатика. - 2008. - Ха 5. С. 13 - 17.

10.Долгий И.Д., Кулькин А.Г., Обеспечение информационной безопасности систем ДЦ // Автоматика, связь, информатика. -2009. -№ 4. С. 10 - 12.

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

12. Долгий ИД. Волноводно-оптические технологии сбора информации и математические модели ее представления в интегрированных системах диспетчерского управления и централизации // Вестник РГУПС. 2011. - Ха 2. С. 58 — 65.

13.Долгий ИД. Методы, модели и алгоритмы обеспечения безопасности движения поездов в системе «ДЦ-ЮГ с РКП» // Информатизация и связь. 2011 .-№ 3. С. 83 - 89.

14. Долгий И.Д, Кулькин С.А. Методы повышения защиты информационного и программного обеспечения системы ДЦ-Юг с РКП // Известия Волгоградского государственного технического университета. 2011. - №3. С. 129 - 132.

15. Долгий И.Д., Долгий А.И., Ковалев B.C., Ковалев С.М. Гибридные нейро-стохастические модели обработки первичной информации в системах железнодорожной автоматики // Известия Волгоградского государственного технического университета. 2011. - № 9 С 58-63.

16.Долгий И.Д, Долгий А.И., Ковалев B.C., Ковалев С.М. Интеллектуальные модели нелинейной фильтрации данных в волноводно-оптических системах сбора и обработки первичной информации // Известия Волгоградского государственного технического университета. 2011. - № 9. С. 63 - 68.

Монографии и патенты

V. Долгий И.Д, Кулькин А.Г., Пономарев Ю.Э., Криволапое С.В., Скопин А.А., Радзиковская JI.H. Система диспетчерского контроля и управления движением поездов ДЦ-ЮГ с РКП; Монография. - Ростов-на-Дону, РГУПС, 2010. - 468 с.

18.Долгий И.Д., Кузнецов Л.П, Кулькин А.Г., Пономарев Ю.Э. Централизованная

диспетчерская система с распределенными контролируемыми пунктами (свидетельство на полезную модель № 27370) // Заявка № 2002116577; приоритет от 25 июня 2002 г -ФИПС,-2003. -Бюл.№3. '

19.Долгий И.Д., Кузнецов Л.П, Кулькин А.Р., Пономарев Ю.Э. Централизованная

диспетчерская система с распределенными контролируемыми пунктами (свидетельство на полезную модель № 27371) // Заявка № 2002126158; приоритет от 11 июля 2002 г -ФИПС.-2003,-Бюл. №3. '

20.Долгий И.Д, Кузнецов Л.П, Кулькин А.Г., Пономарев Ю.Э., Новиков В.Н., Торшин ДА. Централизованная диспетчерская система с распределенными контролируемыми пунктами (патент на полезную модель № 34482) // Приоритет от 6 августа 2002 г.

21 .Долгий И.Д,, Кузнецов Л.П, Кулькин А.П., Пономарев Ю.Э. Централизованная

диспетчерская система с распределенными контролируемыми пунктами (патент на изобретение № 34482) // Заявка № 2003103504; приоритет изобретения 07 февраля 2003 г.

22.Долгий И.Д., Соколов С.В., Каменский В.В., Прокопенко С.А. Волноводно-оптический датчик мониторинга железнодорожного пути (патент на изобретение № 2346839). // Заявка №2006130928; приоритет изобретения 28 августа 2006 г.; опубл. 20.02.2009 Бюл. № 5. ...

23.Долгий И.Д., Соколов С.В., Каменский В.В., Прокопенко С.А. Оптическое вычитающее устройство (патент на изобретение №2310897) // Опубликовано 2007, бюл. 32.

24. Долгий И.Д., Розенберг Е.Н., Абрамов А.А., Лысиков М.Г., Яриков И.М. Способ создания транспортных коридоров на однопутной железной дороге с двухнитевыми вставками (патент на изобретение № 2391242) // Приоритет от 13 апреля 2009 г.

Другие работы, в которых опубликованы результаты диссертации

25. Долгий И Д., Кулькин А.Г. Реализация ответственных команд в системе «ДЦМ-ДОН» // Применение современных технических средств в системах железнодорожной

автоматики и телемеханики: Международный межвузовский сборник научных трудов. -Ростов н/Д: РГУПС, 1998. С. 150 - 157.

26. Долгий ИД. Кулькин А.Г. Диспетчерская централизация «ДЦ-Юг с распределенными контролируемыми пунктами» // Перспективные технологии и технические средства управления перевозками на железнодорожном транспорте: Международный

межвузовский сборник научных трудов - Ростов н/Д: РГУПС, 2001. С. 4 -11.

П. Долгий И.Д, Кулькин А.Г., Пономарев Ю.Э. Структура и алгоритм передачи сообщений по магистральным линиям связи в системе «ДЦ-ЮГ с РКП» // Актуальные проблемы развития технических средств и технологий железнодорожной автоматики и телемеханики: Международный межвузовский сборник научных трудов - Ростов н/Д: РГУПС, 2003. С. 6-11.

2%. Долгий ИД, Кулькин А.Г. Перспективы развития системы ДЦ-ЮГ с распределенными контролируемыми пунктами // Актуальные проблемы развития средств железнодорожной автоматики и телемеханики и технологий управления движением поездов: Международный межвузовский сборник научные труды. - Ростов н/Д: РГУПС, 2004. С. 3 - 5.

29. Долгий И.Д, Прокопенко С.А. Оптические системы регулирования движения поездов // Труды Всероссийской научно-практической конференции профессорско-преподавательского состава «Транспорт-2004». Ч. 1. — Ростов н/Д: РГУПС, 2004. С. — 3.

30 .Долгий ИД, Хатламаджиян А.Е. Гибридные интеллектуальные технологии в системах

железнодорожной автоматики и телемеханики // Перспективные информационные технологии и информационные системы. - Таганрог: изд-во ТРТУ, 2004. - № 3 (19). С. 82-87.

31 .Долгий И.Д., Хатламаджиян А.Е. Подсистема логического контроля устройств СЦБ в

составе микропроцессорных систем ДЦ // Труды Всероссийской научно-практической конференции профессорско-преподавательского состава «Транспорт-2004». Ч. 1. -Ростов н/Д: РГУПС, 2004. С. - 4 - 5.

32.Долгий И.Д, Ковалев СМ, Кулькин А.Г. К вопросу об идентификации личности в системе диспетчерской централизации // Перспективные информационные технологии и интеллектуальные системы. - Таганрог: Изд-во ТРТУ, 2005. - № 4 (24).

33. Долгий И.Д, Ковалев С.М., Кулькин А.Г. Перспективы создания сверхнадежных систем на транспорте. Принцип синергетического резонанса как теоретический базис разработки сверхнадежных систем // Труды РГУПС. - 2005. - № 1. С. 14-20.

34. Долгий И.Д, Кулькин А.Г., Кулькин С.А. Идентификация диспетчерского персонала по отпечатку пальца: выявление характерных рловых элементов II Труды РГУПС. - 2005. -№ 1. С. 57-63.

35. Долгий И.Д., Хатламаджиян А.Е. Методы автоматизации процессов логического контроля устройств СЦБ в системах диспетчерского управления на основе гибридных моделей и генетических алгоритмов // Труды Всероссийской научно-практической конференции «Транспорт-2005». - Ростов-на-Дону: РГУПС, 2005. - Ч. 1. С. — 14.

36 .Долгий И.Д, Кулькин А.Г. Критерии реализации перспективных систем управления движением // Сборник докладов Международной научно-практической конференции «Современные тенденции развития средств управления на железнодорожном транспорте» -Звенигород-Москва, 2006.

37. Долгий И.Д, Кулькин А.Г. Перспективы развития ДЦ-Юг с РКП с распределенными контролируемыми пунктами // Сборник докладов Международной научно-практической

конференции «Автоматика, телемеханика и связь на железнодорожном транспорте» -Астана-Казахстан, 2006. С. 82-83.

38. Долгий ИД, Кулъкин А.Г., Кулъкин С.А. Контроль доступа к информационным ресурсам системы ДЦ-Юг с РКП // Труды РГУПС. - 2007. - № 1. С. 5 - 8.

39.Долгий И.Д., Кулъкин А.Г., Кулъкин С.А. Информационная безопасность в системах

диспетчерского контроля и управления движением поездов // Пятая Юбилейная Международная научно-практическая конференция «ТелеКомТранс-2007»: сб.

докладов. - Ростов н/Д: РГУПС, 2007. С. 250 - 253.

40.Долгий И.Д., Ковалев С.М., Кулъкин А.Г., Кулъкин С.А. Применение растущих

пирамидальных сетей для решения задач классификации, прогнозирования и диагностики в системах диспетчерского контроля и управления // Труды РГУПС -2008.-№2. С. 5-11. '

41 .Долгий И.Д. Интеллектуальные диагностические модели в системах диспетчерского управления и централизации II Труды Конгресса по интеллектуальным системам и информационным технологиям «ІБ&ІТ’11». 2011.-Т. 1. С.38-49.

42. Долгий И.Д. Продукционные модели поддержки процессов контроля правильности сообщений в интегрированных системах диспетчерского управления И Труды Конгресса по интеллектуальным системам и информационным технологиям «В&ГГ’П» 2011 -Т. 1. С. 465-475. '

Долгий Игорь Давидович

ТЕОРЕТИЧЕСКИЕ ОСНОВЫ, МЕТОДЫ И СРЕДСТВА РАЗРАБОТКИ ИНТЕГРИРОВАННЫХ СИСТЕМ ДИСПЕТЧЕРСКОГО УПРАВЛЕНИЯ НА БАЗЕ ИНТЕЛЛЕКТУАЛЬНЫХ ТЕХНОЛОГИЙ

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

Автореферат диссертации на соискание ученой степени доктора технических наук

Подписано к печати 09.12.2011. Формат 60x84/16. Бумага офсетная. Печать офсетная. Уел. печ. л. 2,6.

Уч.- изд. л. 1,66. Тираж 100 экз. Заказ №59^Ь.

Ростовский государственный университет путей сообщения. Ризография ФГБОУ ВПО РГУПС

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

Введение.

ГЛАВА 1. НОВЫЙ ПОДХОД К СОЗДАНИЮ ИНТЕГРИРОВАННЫЙ СИСТЕМЫ ДИСПЕТЧЕРСКОЙ ЦЕНТРАЛИЗАЦИИ НА ОСНОВЕ ГИБРИДНЫХ И ИНТЕЛЛЕКТУАЛЬНЫХ ТЕХНОЛОГИЙ.

1.1 Анализ и тенденции развития интегрированных систем диспетчерского контроля и управления движением поездов.

1.2 Постановка задач построения интегрированной системы диспетчерский централизации (ИСДЦ).

1.3 Особенности объектов диспетчерского управления и концептуальная модель структуры автоматизации.

1.4 Принципы построения и структурная децентрализация распределенных контролируемых пунктов.

1.5 Современные структуры каналов передачи данных в цифровой сети оперативно-технологического назначения ОТН.

1.6 Структура методологических этапов и направлений исследований: гибридные и интеллектуальные технологии.

1.7 Выводы.

ГЛАВА 2. ВОЛНОВОДНО-ОПТИЧЕСКИЕ СРЕДСТВА

И ИНТЕЛЛЕКТУАЛЬНЫЕ МЕТОДЫ ОБРАБОТКИ ИНФОРМАЦИИ В ИСДЦ.

2.1 Волноводно-оптические технологии сбора информации и математические модели ее представления в ИСДЦ.

2.2 Общая постановка задачи первичной обработки информации на основе идентификации нелинейных динамических систем.

2.3 Разработка общего метода стохастической идентификации нелинейных динамических систем при известных параметрах шумовых процессов в ВОД.

2.4 Экспериментальная оценка эффективности общего метода идентификации нелинейной динамической системы на основе обобщенного вероятностного критерия.

2.5 Адаптивные методы обработки первичной информации на основе интеллектуальных фильтров и гибридных нейро-стохастических моделей.

2.6 Выводы.

ГЛАВА 3. ГИБРИДНЫЕ ИНТЕЛЛЕКТУАЛЬНЫЕ МОДЕЛИ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В КОНТРОЛЬНО-ДИАГНОСТИЧЕСКИХ ПОДСИСТЕМАХ ИСДЦ.

3.1 Гибридный подход к построению поддерживающих моделей для интегрированных систем диспетчерского управления и централизации.

3.2 Интеллектуальные модели поддержки процессов логического контроля подвижного состава на основе продукционных правил.

3.3 Гибридные нейро-продукционные модели поддержки процессов логического контроля в ИСДЦ.

3.4 Методы формирования баз знаний для интеллектуальных контрольно-диагностических подсистем ИСДЦ на основе сетевых моделей.

3.5 Сетевые модели формирования обобщенных описаний для баз знаний контрольно-диагностических систем.

3.6 Выводы.

ГЛАВА 4. МЕТОДЫ, МОДЕЛИ И АЛГОРИТМЫ ОБЕСПЕЧЕНИЯ БЕЗОПАСНОСТИ ДВИЖЕНИЯ ПОЕЗДОВ.

4.1 Методы и способы защиты каналов передачи данных.

4.2 Методы обеспечения безопасной реализации ответственных команд.

4.3 Интегральная оценка показателя безопасности ответственных команд.

4.4 Информационная безопасность и биометрическая идентификация в системе ИСДЦ.

4.5 Сетевые модели поддержки процессов обеспечения безопасности и контролепригодности ИСДЦ.

4.6 Выводы.

ГЛАВА 5. ТЕХНИЧЕСКАЯ РЕАЛИЗАЦИЯ СИСТЕМЫ ИСДЦ.

5.1 Структура и состав технических средств ЦПУ и РКП.

5.2 Состав, назначение и структура взаимодействия программных модулей.

5.3 Состав аппаратных средств и программное обеспечение АРМа поездного диспетчера и АРМа электромеханика.

5.4 Технические решения реализации ответственных команд.

5.5 Подсистема протоколирования технологических событий и оперативного диагностирования технических средств.

5.6 Выводы.

Актуальность темы. В рамках VI Международного бизнес-форума «Стратегическое Партнерство 1520» в числе приоритетных задач ОАО «РЖД» среди прочих названы: равномерное распределение объемов перевозок, максимальное использование пропускной способности железнодорожной инфраструктуры и организация грузового движения по расписанию. Решение подобных задач может быть осуществлено путем создания технологически интегрированных систем управления перевозочными процессами, основанных на современных информационных технологиях, среди которых важнейшими являются технологии искусственного интеллекта. Тенденция создания интегрированных систем управления на основе интеллектуальных технологий становится преобладающей в мировой практике. В связи с этим, актуальной для железнодорожного транспорта является разработка новых классов интегрированных интеллектуальных систем диспетчерского управления и централизации (ИСДЦ).

В настоящее время основу автоматизации диспетчерского управления составляют системы, разработанные 20-30 лет назад, модернизация которых не эффективна, а часто и невозможна в силу ряда причин. Во-первых, существующие системы диспетчерского управления и централизации (ДЦУ), являясь в основном информационными системами, не содержат средств поддержки принятия решений, позволяющих контролировать и управлять технологическими процессами в реальном времени, моделировать и прогнозировать развитие ситуаций в нештатных технологических ситуациях. Во-вторых, существующие ДЦУ, реализованные по принципу хранилища данных, не имея средств их структурирования для извлечения новой полезной информации, не способны адаптироваться к изменяющимся условиям функционирования и возрастающим требованиям к уровню обеспечения их надежности и безопасности. В - третьих, для ДЦУ отсутствуют методы и средства, обеспечивающие их интеграцию и согласованную работу с другими автоматизированными системами, число которых исчисляется десятками, что приводит к эффекту «лоскутной автоматизации», дублированию систем, их несогласованности и разрывам информационного пространства. В-четвертых, существующие ДЦУ не рассчитаны на работу в условиях неполноты, противоречивости и низкой оперативности первичной информации, что создает принципиальные трудности обеспечения надежности функционирования ДЦУ при появлении неожиданных сбоев или непредвиденных отказов в работе аппаратуры.

Перечисленные особенности требуют разработки и внедрения современных методов и средств автоматизации процессов диспетчерского управления на основе использования новых классов ИСДЦ, что обуславливает актуальность темы исследования.

Исследованиям в области создания автоматизированных систем диспетчерской централизации и управления, развитию теории и практики диагностирования средств ЖАТ, обеспечению надежности и безопасности СЖАТ и АСУ посвящены работы Лисенкова В.М., Сапожникова Вл. В., Сапожникова В.В., Кравцова Ю.А., Козлова П.А., Тишкина Е.М., Шарова В.А., Шалягина Д.В. Красковского А.Е., Тулупова Л.П., Шаманова В.И., Пенкина Н.Ф. Иванченко В.Н. и др.

Предлагаемый в диссертации гибридный подход к разработке нового класса ИСДЦ на основе использования методов стохастической идентификации нелинейных динамических систем, интеллектуальных продукционных, нейро-сетевых и структурно-временных моделей является дальнейшим развитием интеллектуальных методов обработки информации и их применением к моделированию сложных систем железнодорожной автоматики и телемеханики. При его разработке использовались результаты основополагающих работ в области искусственного интеллекта, а именно, Берштейна Л.С., Вагина В.И., Еремеева А.П., Фоминых И.Б., Поспелова Д.А., Каркищенко А.Н., Дулина С.К., Осипова Г.С., Ярушкиной Н.Г., Лябаха H.H., Гуды А.Н., Белявского Г.И., Соколова C.B., Курейчика В.М. и др.

Актуальность тематики подтверждается также тем фактом, что работа поддержана многочисленными грантами РФФИ, отраслевыми программами, постановлениями и решениями коллегий и ведомств МПС и ОАО РЖД.

Диссертация представляет собой обобщение результатов многолетней работы автора в области создания систем железнодорожной автоматики и телемеханики.

Целью исследования является повышение эффективности управления технологическими процессами движения поездов на станциях и перегонах за счет использования нового класса автоматизированных ИСДЦ с интегрированными средствами технического контроля, диагностирования, обеспечения безопасности и экспертной поддержки принятия решений.

Объектом исследования являются технологические процессы контроля и управления движением поездов на станциях и перегонах, автоматизированные интегрированные системы диспетчерского управления и централизации.

Предметом исследования являются элементы теории, математические модели и методы построения нового класса интегрированных ИСДЦ на основе использования интеллектуальных технологий.

Постановка задач. Реализация целевой функции исследования требует решения следующих теоретических и практических задач.

1. Разработка нового подхода, математической, информационной и программно-алгоритмической платформы, обеспечивающей создание нового класса автоматизированных ИСДЦ на основе использования интеллектуальных технологий.

2. Выбор адекватного математического аппарата и разработка на его базе новых классов интеллектуальных математических моделей, ориентированных на поддержку процессов принятия решений, контроля, диагностирования и обеспечения безопасности ИСДЦ.

3. Разработка методов обобщения и структурирования информации, получаемой от напольного оборудования и устройств первичного сбора информации с целью извлечения из них знаний, формирования и адаптации баз знаний для интеллектуальных подсистем ИСДЦ.

4. Разработка нового класса высоконадежных, помехоустойчивых устройств первичного сбора информации, а также адекватных математических моделей ее обработки в подсистемах нижнего уровня ИСДЦ.

5. Разработка на основе предложенного подхода архитектуры, состава технических средств, информационного и программного обеспечения ИСДЦ с интегрированными средствами технического контроля, диагностирования, обеспечения безопасности и экспертной поддержки принятия решений.

6. Разработка методологии внедрения, эксплуатации и сопровождения ИСДЦ на примере системы «ДЦ Юг с РКП».

В первой главе дано теоретическое обобщение состояния проблемы автоматизации процессов диспетчерского управления на зарубежных и отечественных железных дорогах.

Во второй главе в рамках развития технического и математического обеспечения ИСДЦ разрабатываются базовые элементы волноводно-оптической технологии сбора первичной информации в ИСДЦ и методы ее обработки.

В третьей главе разрабатываются основы гибридного подхода к построению поддерживающих моделей для подсистем верхнего уровня ИСДЦ и новый класс гибридных моделей поддержки процессов принятия решений в контрольно-диагностических подсистемах ИСДЦ.

Четвертая глава посвящена разработке методов, моделей и алгоритмов обеспечения безопасности движения поездов в системе ИСДЦ. Гарантированное обеспечение безопасности движения поездов - это основное требование к вновь создаваемой системе ИСДЦ.

В пятой главе дано описание технической реализации ИСДЦ. На центральном посту размещены АРМы поездного диспетчера и электромеханика, а также технические средства увязки с контролируемыми пунктами.

5.6 Выводы

1. Предложена двухуровневая структура системы ИСДЦ, основанное на использовании локальных сетей, которые обеспечивают следующие технологические достоинства:

- возможность объединения (разъединения) диспетчерских кругов в оперативном режиме;

- организация удаленных АРМов в режиме реального времени;

- создание единого информационного пространства, в том числе при объединении локальных сетей различного типа;

- использование симметричного «классического кольца» и возможность реконфигурации линий связи.

2. Разработана структура взаимодействия программных модулей, содержащая четыре уровня:

- файловый доступ;

- протоколы ОСРВ QNX;

- SQL запросы;

- Обеспечение технологии TCP/IP.

Основополагающим этапом разработки ПО является создание и редактирование информационных фрагментов схематических планов диспетчерских участков и станций. Для этого создан программный пакет SUPRINE. Он функционирует в ОСРВ QNX и представляет собой САПР создаваемой ИСДЦ.

3. Определены состав аппаратных средств и ПО АРМов поездного диспетчера и электромеханика. Сформулированы управляющие и информационные функции АРМа ДНЦ. Из всех подсистем АРМа ДНЦ определяющее значение для функционирования ИСДЦ имеет подсистема «График исполненного движения - ГИД». АРМ ШН является инструментом контроля функционирования ЦПУ и поддерживает следующие функции: прием оперативной информации и ее отображение; контроль телесигналов; прохождение управляющих команд; оперативная сигнализация о событиях, требующих немедленного вмешательства.

4. Разработана технология выполнения «ответственных» команд ОТУ с участием двух агентов (ДНЦ и ДНЦО), что исключает риск «человеческого фактора». Аппаратно структура подключения РКП-ОТУ к локальной сети обеспечивает дублирование центрального процессорного модуля РКП-Ц и модемов М/Д.

Предложенные и реализованные принципы «безопасного выхода», а также двухтактного управления блоком РКП-ОТУ являются гарантией обеспечения безопасности исполнения ответственных команд.

5. Обязательной функцией ИСДЦ является ведение протоколов технологических событий, а также действий персонала с возможностью просмотра в графическом и текстовом виде. Для этого создан программный пакет «ЫаскЬох» («черный ящик»). Кроме этого разработана программа с^п («Диагностика РКП»), осуществляющая контроль и управление со стороны ШН состоянием РКП, реконфигурацию линии связи, а также дистанционное диагностирование модулей РКП.

Заключение

В результате проведенных исследований разработаны научно-практические основы создания нового класса интегрированных систем диспетчерского управления и централизации. Основные выводы заключаются в следующем.

1. Обоснована необходимость разработки нового класса интегрированных систем диспетчерского управления и централизации с интеллектуальными функциями экспертной поддержки принятия решений, выявлены основные классы решаемых задач, сформулированы принципы и подходы к построению данного класса интегрированных систем.

2. Разработан комплекс гибридных интеллектуальных моделей для подсистем нижнего уровня ИСДЦ, ориентированных на обработку первичной информации, получаемой от датчиков напольного оборудования и устройств ЖАТ, обладающих высокой точностью идентификации и инвариантных к параметрам шумовых процессов.

3. Разработан теоретический аппарат и на его основе новый класс продукционных моделей, ориентированных на поддержку процессов принятия решений контрольно-диагностических подсистемах верхнего уровня ИСДЦ, открытый для включения в него новых типов продукционных правил и обеспечивающих определение различных классов неисправностей без отключения аппаратуры от источников первичной информации и использования дополнительных тестовых сообщений.

4. Разработаны новые методы формирования, обучения и адаптации баз знаний для ИСДЦ, обладающие низкими полиномиальными оценками алгоритмической сложности и допускающие возможность использования в режиме жесткого реального времени.

5. На основе разработанного подхода к построению ИСДЦ создана и внедрена на сети дорог новая интегрированная система распределенного типа ДЦ Юг с РКП с интеллектуальными функциями поддержки процессов принятия решений в контрольно диагностических подсистемах, подсистемах сбора и обработки первичной информации и имеющая высокие эксплуатационно-технические параметры, отвечающие современным требованиям к уровню надежности и безопасности

1. Ададуров Е.Е., Гапанович В.А., Лябах H.H., Шабельников А.Н. Железнодорожной транспорт: на пути к интеллектуальному управлению. // Монография. - Ростов н/Д, 2009. - 322 с.

2. Анищенко B.C. Знакомство с нелинейной динамикой //Учебное .пособие. М.: Изд-во ЛКИ, 2008. - 224 с.

3. Богуславский И. А., Щербаков В. И. Об идентификации параметров нелинейных динамических систем // ТиСУ. 2001. №6. 14-21.

4. Банди Б. Методы оптимизации: Вводный курс. // М.: Радио и связь, 1988. ,

5. Вавилов В.Д., Поздяев В.И. Конструирование интегральных датчиков. // М.: Изд-во МАИ, 1993. - 68 с.

6. Вагин В.Н., Викторова Н.П. Вопросы структурного обобщения и классификации в системах принятия решений. Изв. АН СССР: Техническая кибернетика, 1982, №5 с. 64-73.

7. Васильев Ф.П. Методы оптимизации. // М.: Факториал, 2002.

8. Введенский Б. Волоконно-оптические сенсоры в системах охраны периметра // Мир и безопасность. 2006. - № 4-5.

9. Волоконно-оптическая техника: история, достижения, перспективы // под ред. С.А. Дмитриева, H.H. Слепова. М. : Изд-во «Connect», 2000. -376 с.

10. Волноводно-оптический датчик мониторинга железнодорожного пути (патент на изобретение № 2346839). Заявка №2006130928; приоритет изобретения 28 августа 2006 года.; опубл. 20.02.2009г. Бюл.№5.

11. Гавзов Д.В. и др. Системы диспетчерской централизации: Учебник для вузов железнодорожного трнаспорта. Под общей редакцией проф. Вл.В. Сапожникова. М.: Издательство «Маршрут», 2002. - 407 с.

12. Гапанович В.А. и др. Системы автоматизации и информационные технологии управления перевозками на железных дорогах: Учебник для ВУЗов железнодорожного транспорта. Маршрут, - 2006. 544 с.

13. Гладун В.П. Планирование решений. Киев: Наукова думка. 1987. Б.

14. Гладун В.П. Растущие пирамидальные сети // Новости искусственного интеллекта, 2004. №11. С. 30-40.

15. Гроп Д. Методы идентификации систем. М.: Мир, 1979.

16. Гуда А.Н., Калинин Т.С., Чернов A.B. Реализация надежного программного обеспечения задач технической диагностики информационно-управляющих систем // Известия высших учебных заведений. СевероКавказский регион. Технические науки. №4, 2011.

17. Дейкин Дж., Калшо. Б. Оптоволоконные сенсоры: принципы и компоненты. Вып. 1. -М.: Мир, 1992.-438 с.

18. Долгий И.Д., Хуршман В.Н., Селютин Ю.В. Исследование и разработка принципов функционирования микропроцессорной системы идентификации номеров поездов: Межвузовский тематический сборник научных трудов, выпуск 172. Ростов н/Д: РИИЖТ, 1983.

19. Долгий И.Д., Ерошенко А.И., Явна A.A., Кулькин А.Г., Мирный B.C. Диспетчерская централизация на микропроцессорных средствах: Межвузовский тематический сборник, выпуск 178. Ростов н/Д: РИИЖТ, 1984.

20. Долгий И.Д., Кулькин А.Г., Мирный B.C. Диспетчерская централизация «ДЦМ-ДОН»: Сер. «Автоматика и связь». № 3. - М.: ЦНИИТЭИ, 1989.

21. Долгий И. Д., Кулькин А.Г., Пономарев Ю.Э., Кузнецов Л.П. Диспетчерская централизация «ДЦ-ЮГ с распределенными контролируемыми пунктами»: Автоматика, связь, информатика. 2002, -№8.

22. Долгий И.Д., Кулькин А.Г., Скопин A.A. Реализация ответственных команд в системе «ДЦ-ЮГ с РКП»: Автоматика, связь, информатика. 2003. Г-№ 2. Б

23. Долгий И.Д. Алгоритмы обеспечения безопасности в системах диспетчерского управления движением поездов: Сборник докладов Международного конгресса «Механика и трибология транспортных систем -2003» А. Т.1. - Ростов н/Д: РГУПС, 2003. В.

24. Долгий И.Д., Хатламаджиян А.Е. Гибридные интеллектуальные технологии в системах железнодорожной автоматики: Перспективные информационные системы. Таганрог: издательство ТРТУ, 2004. -№3(19). А.

25. Долгий И.Д., Кулькин А.Г. ДЦ-ЮГ с РКП: опыт внедрения и эксплуатации, перспективы развития: Труды Первой международной научно-практической конференции «ТрансЖАТ-2004» СПб, 2004. Б.

26. Долгий И.Д., Прокопенко С.А. Системы координатного регулирования движения поездов на основе оптических технологий: Автоматика, связь, информатика. 2004. - № 7. В.

27. Долгий И.Д., Прокопенко С.А. Оптические системы регулирования движения поездов: Труды Всероссийской научно-практической конференции проф.-преп. состава «Транспорт-2004». 4.1. Ростов н/Д: РГУПС, 2004. Г.

28. Долгий И.Д., Хатламаджиян А.Е. Подсистема логического контроля устройств СЦБ в системах микропроцессорных систем ДЦ: Труды Всероссийской научно-практической конференции проф.-преп. состава «Транспорт-2004». 4.1. Ростов н/Д: РГУПС, 2004. Д.

29. Долгий И.Д., Ковалев С.М. Нечетко-логическая аппроксимация многомерных временных процессов в слабоформализованных задачах принятия решения: Обозрение прикладной и промышленной математики. -Т.12.-Вып. 2.-2005. А.

30. Долгий И.Д., Кузнецов Л.П. Опыт внедрения ДЦ-ЮГ с распределенными контролируемыми пунктами на СКЖД: Труды Всероссийской научно-практической конференции «Транспорт-2005» 4.1. -Ростов н/Д: РГУПС, 2005. В.

31. Долгий И.Д., Ковалев С.М., Кулькин А.Г. К вопросу об идентификации личности в системе диспетчерской централизации: Перспективные информационные технологии и интеллектуальные системы. Таганрог: Издательство ТРТУ, 2005. - №4 (24). Г.

32. Долгий И.Д. Синтез и анализ дискретных устройств: учебное пособие. Ростов н/Д. РГУПС, 2005. - 107 с. Д.

33. Долгий И.Д., Ковалев С.М., Кулькин А.Г. Перспективы создания сверхнадежных систем на транспорте. Принцип синергетического резонанса как теоретический базис разработки сверхнадежных систем: Труды РГУПС. 2006. - № I.A.

34. Долгий И.Д., Прокопенко A.B. Опыт СКЖД по внедрению ДЦ: «Железнодорожный транспорт». 2006. № 8. В.

35. Долгий И.Д., Ковалев С.М., Кулькин А.Г. Идентификация диспетчерского персонала по отпечаткам пальца: выявление характерных узловых элементов: Труды РГУПС. 2006. - № 1. Г.

36. Долгий И.Д., Каменев А.И., Кулькин А.Г. Система управления малыми станциями РПЦ-ДОН: «Автоматика, связь, информатика». 2007 - № 5. А.

37. Долгий И.Д., Кулькин А.Г., Кулькин С.А. Контроль доступа к информационным ресурсам системы ДЦ-ЮГ с РКП: Труды РГУПС 2007. № 1.В.

38. Долгий И.Д. и др. Программное обеспечение пункта управления системы «ДЦ-ЮГ с РКП»: учебное пособие; Ростовский государственный университет путей сообщения, Ростов н/Д. 2007. 170 с. Г.

39. Долгий И.Д., Кулькин А.Г., Пономарев Ю.Э. Процедуры обмена сообщениями в ДЦ-ЮГ с РКП: Автоматика, связь, информатика. 2008. -№5.

40. Долгий И.Д., Кулькин А.Г., Кулькин С.А. Обеспечение информационной безопасности систем ДЦ: Автоматика, связь, информатика. 2009. - № 4 . А.

41. Долгий И.Д. и др. Система диспетчерского контроля и управления движением поездов «ДЦ-ЮГ с РКП»: Монография: Под общей ред. к.т.н., профессора Долгого И.Д. и к.т.н. Кулькина А.Г. Ростов н/Д, 2010. А.

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

43. Долгий И.Д. Волноводно-оптические технологии сбора информации и математические модели ее представления в интегрированных системах диспетчерского управления и централизации. Вестник РГУПС, № 2, 2011. А.

44. Долгий И.Д. Методы, модели и алгоритмы обеспечения безопасности движения поездов в системе «ДЦ-ЮГ с РКП». Информатизация и связь, № 3, 2011.Б.

45. Долгий И.Д., Кулькин С.А. Методы повышения защиты информационного и программного обеспечения системы «ДЦ-ЮГ с РКП»: Вестник ВолгГТУ, 2011. В.

46. Евланов Л.Г., Константинов В.М. Системы со случайными параметрами. М.: Наука, 1976.

47. Егоренков Н.Г., Кононов В. А. Устройства телеуправления диспетчерской централизации системы «Луч». М.: Транспорт, 1988. - 301 с.

48. Емельянов В. В., Ясиновский СИ. Введение в интеллектуальное имитационное моделирование сложных дискретных систем и процессов. — М.: Анвик, 1998.

49. Иванченко В.Н. Микропроцессорные системы централизации и диспетчерского управления движением поездов на зарубежных железных дорогах: Методические указания. Ростовский институт инженеров железнодорожного транспорта. Ростов н/Д, 1989.

50. Измаилов А.Ф., Солодов М.В. Численные методы оптимизации. М.: Физматлит, 2003.

51. Казаков И.Е. Статистическая теория систем управления в пространстве состояний. М. : Наука, 1975.

52. Каргин A.B., Фатуев В. А. Об одном методе структурно-параметрической идентификации динамических систем // Автоматика и телемеханика. 2006. №4. 116-125.

53. Ковалев С.М. Аллее М.В. Оптоэлектронные средства обработки нечеткой информации // Вестник РГУПС. Научно-технический журнал. 2009 г., №3, С.42-47.

54. Ковалев С.М. Гибридная модель Сугено для реализации процедур нечетко-темпорального вывода в базах данных временных рядов // Известия ЮФУ. Технические науки. Тематический выпуск "Интеллектуальные САПР", №2, 2007. С. 82-85.

55. Ковалев С.М., Кулькин С.А., Терновой В.П. Формирование темпоральных сетевых моделей на основе графовых покрытий // Известия ЮФУ. Технические науки. Тематический выпуск "Интеллектуальные САПР", № 12, 2010. С. 71-76.

56. Красовский A.A. Справочник по теории автоматического управления. М.: Наука, 1987.

57. Кофман А., Анри-Лабордер А. Методы и модели исследования операций. Т 3. Целочисленное программирование. М.:Мир 1996.

58. Кулькин С.А. Идентификация аномальных процессов в устройствах железнодорожной автоматики и телемеханики на основе адаптивных сетевых моделей. Диссертация. РГУПС, 2011.

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

60. Левин Б. Р. Теоретические основы статистической радиотехники. М.: Радио и связь, 1989.

61. Льюнг Л. Идентификация систем. Теория для пользователя. М.: Наука, 1991.

62. Малинецкий Г.Г., Потапов А.Б. Русла и джокеры: о новых методах прогноза поведения сложных систем // Препринт ИМП ИИ. М.В. Келдыша РАН. 2001.

63. Мамай В.И., Сотников В. И., Щербань О. Г. Субоптимальная параметрическая идентификация нелинейных динамических систем // Известия ВУЗов. Радиоэлектроника. 2005. №3. 15-23.

64. Минаев Ю.Н. и др. Методы и алгоритмы идентификации и прогнозирования в условиях неопределенности в нейросетевом логическом базисе.

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

66. Пенкин Н.Ф., Карвацкий С.Б., Егоренков Н.Г. Диспетчерская централизация системы «Нева». М.: Транспорт, 1973. - 216 с.

67. Пенкин Н.Ф., Павлов H.A. Диспетчерская централизация системы «Луч». -М.: транспорт, 1982. 303 с.

68. Петров Б.Н., Уланов Г.М., Гольденблат И.И. и др. Теория моделей в процессах управления. М.: Наука, 1978.

69. Поспелов Д.А. Ситуационное управление: Теория и практика. М.: Наука. 1986.

70. Поспелов Д.А. Моделирование рассуждений. М.: Радио и связь, 1989. 184 с.

71. Прокопенко С.А. Перспективные датчики на основе волоконной оптики для устройств железнодорожной автоматики и телемеханики // Сб. науч. трудов РГУПС. Ростов н/Д : РГУПС, 2005.

72. Прокопенко С.А. Автоматизация процессов контроля и диагностики в системах железнодорожной автоматики и телемеханики на основе волноводно-оптических технологий // Автореферат канд. диссертации. РГУ ПС, 2009 г.

73. Пугачев B.C., Казаков И.Е., Евланов Л.Г. Основы статистической теории автоматических систем. М.: Машиностроение, 1974.

74. Розенблатт Ф. Принципы нейродинамики. Персептрон и теория механизмов мозга. М.: Мир, 1965. 320с.

75. Сапожников В.В., Гавзов Д.В., Никитин А.Б. Концентрация и централизация оперативного управления движением поездов. М.: Транспорт, 2002. - 102 с.

76. Сейдж Э., Мелса Дж. Идентификация систем управления. М.: Мир, 1974.

77. Сейдж Э., Меле Дж. Теория оценивания и ее применение в связи и управлении. М. : Связь, 1976.

78. Сейдж Э.П., Уайт Ч.С.Ш. Оптимальное управление системами. -М.: Радио и связь, 1982.

79. Сирадзединов Т.К. Оптимизация систем с распределенными параметрами. -М. : Наука, 1977.

80. Соколов C.B. и др. Синтез оптимального управления наблюдениями нелинейных стохастических процессов // Автоматика и телемеханика. 1997. - № 6., 1987.

81. Соколов C.B. Оптимальное оценивание возмущений процесса калмановской фильтрации // Автоматика и телемеханика. 1999. - № 4.

82. Соколов C.B., Оленев С.А. Синтез алгоритмов идентификации волновых возмущений при нелинейных измерениях // Автоматика и телемеханика. 2000. - № 10. А.

83. Соколов C.B., Оленев С.А. Метод структурной оптимальной идентификации волновых случайных возмущений // Автоматика и телемеханика. 2000. - № 11. Б.

84. Сапожников В.В. и др., Станционные системы автоматики и телемеханики: Учеб. для вузов ж-д тр-та. М.: Транспорт, 1997, 432 с.

85. Эйкхофф П. Основы идентификации систем управления. М.: Мир, 1975.

86. Тарасов В. Б. Нетрадиционные и гибридные логики в моделировании интеллектуальных агентов. I. Искусственные деятели, интенциональные характеристики и пути их моделирования // Известия РАН: Теория и системы управлении. 2000. № 5. С. 5-17.

87. Тарасов В. Б. Синергетические проблемы в искусственном интеллекте // Труды Международной научно-практической конференции «Знание-диалог-рещение». Т. 2 (Санкт-Петербург, 19-22 июня 2001 г.). — СПб: Лань, 2001.-С. 594-602.

88. Сапожников В л. В. Станционные системы автоматики и телемеханики: учебник для вузов ж-д транспорта / Вл.В. Сапожников и др. Под ред. Вл.В Сапожникова М.: Транспорт, 1997. 432 с.

89. Сирадзединов Т.К. Оптимизация систем с распределенными параметрами. -М. : Наука, 1977

90. Тарасов В.Б. От мультиагентных систем к нктеллектузльным организациям: философия, психология, информатика. М.: 2002.

91. Тихонов В.И., Харисов В.Н.Статистический анализ и синтез радиотехнических устройств и систем. М.: Радио и связь, 1991.

92. Тихонов, А.Н., Арсенин В.Я. Методы решения некорректных задач. М: Наука. 1986.-288с.

93. Федорчук А.Е., Сепетый A.A., Иванченко В.Н. Новые информационные технологии: Автоматизация технического диагностирования и мониторинга устройств ЖАТ (система АДК-СЦБ):

94. Учебник для вузов железнодорожного транспорта. РГУПС, Ростов н/Д. 2008. 444 с.

95. 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.

96. Хатламаджиян А.Е. Методы автоматизации процессов логического контроля в транспортных системах диспетчерского управления на основе гибридных моделей и генетических алгоритмов // Кандидатская диссертация. Ростов-на-Дону 2005.

97. Хуторцев В.В., Соколов С.В., Шевчук П.С. Современные принципы управления и фильтрации в стохастических системах. М. : Радио и связь,2001.-808 с.

98. Шахтарин Б.И. Нелинейная оптимальная фильтрация в примерах и задачах // Гелиос АРВ. 2008. - 344 с.

99. Штейнберг Ш.Е. Идентификация в системах управления. М.: Энергоатомиздат.113. Швалов Д.В. Диссертация.

100. Ярушкина Н. Г. Гибридные системы, основанные на мягких вычислениях, определение, архитектура, теоретические возможности и опыт практического использования // Программные продукты и системы, № 3,2002, С. 19-22.

101. Narayanan М., Narayanan S. Parametric identification of nonlinear systems using multiple trials // Nonlinear Dynamics. 2007. №4. 341-360.

102. Blasco X., Herrero J.M., Martinez M. Nonlinear parametric model identification with Genetic Algorithms. Application to a Thermal Process // Lecture Notes in Computer Science. 2001. vol. 2084. 466-512.

103. Ljung, L. System Identification. Theory for the User. 2nd edition. PrenticeHall, 1999.

104. J.F. Allen. Maintaining knowledge about temporal intervals. Communications of the ACM, 26 (ll):832-843, 1983.

105. Gramss, T. WorterkennungmiteinemkunsílichenneuronalenNetzwerk. Dissertation, Universität Gottingen. 1992.