Содержание к диссертации
Введение
ГЛАВА 1. Проблемы автоматизации диспетчерского управления и интеллектуализации работы поездного диспетчера 11
1.1 .Роль и место интеллектуальных прогнозирующих моделей в общей структуре интегрированной системы диспетчерского управления 11
1.2. Особенности технологии работы поездного диспетчера 11
І.З.Роль графиков движения в управлении перевозочными процессами .21
1.4.Анализ общих подходов к моделированию слабо формализованных динамических процессов и методов оптимизации графиков движения 29
1.5.Выводы 35
ГЛАВА 2. Интеллектуальные модели прогнозирования поездных ситуаций в интерактивных системах диспетчерского управления 50
2.1.Разработка нового подхода к моделированию движения поездов на основе интеллектуальных динамических моделей 50
2.2. Разработка формального языка представления знаний и данных в интеллектуальных системах диспетчерского управления 58
2.3.Разработка моделей представления знаний в интеллектуальных системах диспетчерского управления и организация баз знаний 58
2.4.Разработка методов консультирования и интерпретации решений в интеллектуальной системе диспетчерского управления 63
2.5.Выводы з
ГЛАВА 3. Методы анализа, оптимизации и корректировки графиков движения с использованием технологии мягких вычислений 82
3.1.Разработка постановочной модели задачи оптимизации графиков движения поездов 83
3.2. Разработка общего подхода к решению задачи оптимизации графиков на основе метода эволюционного моделирования 83
3.3.Нечетко-логические и нейросетевые модели анализа, обобщения и оперативной корректировки графиков движения поездов 91
ЗАВыводы 103
ГЛАВА 4. Программно - аппаратная реализация интеллектуального арм поездного диспетчера 121
4.1.Общая организация АРМ ДНЦ и состав программно-аппаратных средств 121
4.2. Общая организация программного обеспечения АРМ ДНЦ 121
4.3. Программно-алгоритмическое обеспечение подсистемы «График движения» АРМ ДНЦ 125
4.4.Выводы 133
Заключение 143
Литература
- Особенности технологии работы поездного диспетчера
- Разработка формального языка представления знаний и данных в интеллектуальных системах диспетчерского управления
- Разработка общего подхода к решению задачи оптимизации графиков на основе метода эволюционного моделирования
- Программно-алгоритмическое обеспечение подсистемы «График движения» АРМ ДНЦ
Введение к работе
Актуальность. В настоящее время развитие железнодорожного транспорта идет по пути создания новых поколений интегрированных информационно-управляющих систем на основе использования современных компьютерных и информационных технологий. К такого рода системам, в частности, относятся интегрированные системы диспетчерского управления (ИСДУ) типа ДЦ ЮГ С РКП, предназначенные для решения комплекса задач, связанных с контролем и управлением технологическими объектами и процессами на станциях и перегонах. Дальнейшее повышение уровня автоматизации и эффективности работы систем типа ИСДУ может быть достигнуто за счет создания специализированных программно-аппаратных комплексов, - автоматизированных рабочих мест (АРМ), - расширяющих функциональные возможности данных систем в части решения задач, связанных с контролем и управлением техпроцессом в сложных информационно-технологических ситуациях. К таким задачам в области диспетчерского управления относятся слабо формализованные задачи прогнозирования поездной обстановки и возникновения нештатных технологических ситуаций, оптимизации графиков движения (ГД) поездов в нечетко-определенных условиях, корректировки ГД при быстро изменяющейся поездной обстановке и ряд других.
Решения названных и других слабо формализованных задач, возлагаемые на специализированные АРМ, требуют разработки новых классов математических моделей, способных оперировать как точной, так и приблизительной, нечетко-определенной информацией о техпроцессе, обобщать и учитывать при выработке решений эвристические знания диспетчерского персонала. В этом плане особо перспективным представляется использование интеллектуальных моделей, основанных на знаниях специалистов-экспертов, разрабатываемых в рамках современной теории искусственного интеллекта.
Однако, в области железнодорожного транспорта, технологии искусственного интеллекта пока еще не нашли широкого применения и требуют своего развития с учетом конкретных особенностей и характера решаемых задач в АРМ. Поэтому, представляется актуальным разработка новых классов интеллектуальных математических моделей для АРМ ИСДУ, основанных на обобщении знаний диспетчерского персонала, с целью использования их в подсистемах экспертной поддержки принятия решений. Выше сказанное определяет актуальность исследования, цели и круг решаемых задач.
Объектом исследования являются технологические процессы управления движением поездов, технология работы поездного диспетчера (ДНЦ), автоматизированное рабочее место поездного диспетчера (АРМ ДНЦ).
Предметом исследования являются основанные на знаниях математические модели прогнозирования поездной обстановки, распознавания нештатных технологических ситуаций, оптимизации графиков движения поездов, а также математическое и программно-алгоритмическое обеспечение АРМ ДНЦ с интеллектуальными функциями поддержки принятия решений.
Целью исследования является повышение уровня автоматизации и эффективности управления технологическим процессом перевозок за счет использования специализированных АРМ, обеспечивающих экспертную поддержку принятия решений в сложных технологических ситуациях.
Постановка задач. Для достижения поставленной цели требуется решение следующих теоретических и практических задач.
-
Выявление круга слабо формализованных задач в области автоматизации процессов диспетчерского управления, требующих для своего решения разработки новых классов прикладных математических моделей на основе знаний.
-
Разработка теоретических основ формального языка представления технологических знаний для АРМ ДНЦ, способного адекватно представлять в базах знаний пространственно-временные описания поездных ситуаций, складывающихся на моделируемом участке движения.
-
Разработка интеллектуальных моделей прогнозирования поездной обстановки и нештатных технологических ситуаций для подсистем моделирования, экспертной поддержки и интерпретации решений АРМ ДНЦ.
-
Разработка постановочной модели и метода решения задач оптимизации и корректировки графиков движения поездов, обладающего низкими оценками алгоритмической сложности с целью его использования в режиме реального времени.
-
Разработка структуры и прикладного программно-математического обеспечения АРМ ДНЦ с функциями поддержки принятия решений при прогнозировании поездной обстановки, обнаружении нештатных ситуаций и оптимизации графиков движения в нечетко-определенных условиях.
Степень разработанности проблемы. Исследованиям в области создания автоматизированных систем диспетчерского управления и АРМ, развитию теории и практики управления процессами перевозок посвящены работы Баранова Л.А., ГавзоваД.В., Горелик А.В., Долгого И.Д., Иванченко В.H., Козлова П.А., Кравцова Ю.А., Красковского А.Е., Лнсенкова В.М., Никитина А.Б., ПенкинаН.Ф., Розенберга Е.Н., Сапожникова Вл.В., Сапожникова В.В., ТишкинаЕ.М., Тулупова Л.П., Шарова В.А., Шалягина Д.В., Шаманова В.И., Явна А.А. и др.
Разрабатываемые в диссертации интеллектуальные модели на основе продукционных и нечетко-логических систем, искусственных нейронных сетей и эволюционных алгоритмов являются развитием интеллектуальных методов обработки информации в области мягких вычислений. При их разработке использовались результаты основополагающих работ в области искусственного интеллекта, а именно, Берштейна Л.С., Белявского Г.И., Вагина В.H., ГудыА.Н., Дулина С.К., Каркищенко А.Н., Курейчика В.М., ЛябахаН.Н., ОсиповаГ.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 интеллектуальных методов анализа слабо структурированных динамических процессов, в развитие которых значительный вклад внесли российские ученые Батыршин И.З., Еремеев А.П., Ковалев С.М., Тарасов В.Б., Ярушкина Н.Г. и др.
Методы исследования основываются на использовании фундаментальных исследований в области искусственного интеллекта, математического программирования и исследования операций.
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: 3. - Методология, научные основы и формализованные методы построения автоматизированных систем управления технологическими процессами (АСУТП) и производствами (АСУП), а также технической подготовкой производства (АСТПП) и т.д.; 6. - Научные основы, модели и методы идентификации производственных процессов, комплексов и интегрированных систем управления; 15. - Теоретические основы, методы и алгоритмы интеллектуализации решения прикладных задач при построении АСУ широкого назначения (АСУТП, АСУП, АСТПП и др.); 16. - Теоретические основы, методы и алгоритмы построения экспертных и диалоговых подсистем, включенных в АСУТП, АСУП, АСТПП и др.
Достоверность и обоснованность результатов диссертации подтверждается обоснованием постановок задач, теоремами и утверждениями, имитационным моделированием на этапе разработки алгоритмов и программ, результатами эксплуатации АРМ ДНЦ в рамках ДЦ ЮГ с РКП.
Научная новизна диссертации заключается в разработке новых моделей, методов и алгоритмов для интеллектуализации работы поездного диспетчера и автоматизации управления процессами перевозок. К наиболее существенным научным результатам работы относятся следующие:
-
-
Разработана формальная модель языка представления технологических знаний о динамике процесса перевозок, приближенная к естественному языку поездного диспетчера и позволяющая адекватно представлять пространственно-временные описания поездных ситуаций в базах знаний АРМ ДНЦ.
-
Разработан новый класс интеллектуальных моделей прогнозирования поездных ситуаций на основе динамических продукционных правил, обладающих свойствами полноты, непротиворечивости и минимальности представления, что обеспечивает возможность их использования, как для целей прогнозирования и принятия решений, так и для пополнения баз данных и знаний АРМ ДНЦ.
-
Разработана новая интеллектуальная модель контроля технологической корректности поездных ситуаций и корректировки графиков движения, основанная на нечетких продукционных правилах, позволяющих в отличие от традиционных математических моделей учитывать эвристические знания диспетчера при выработке решений.
-
Предложена оригинальная постановка и разработан новый метод решения задачи оптимизации графиков движения, основанный на принципах эволюционного моделирования с использованием сокращенного поискового пространства, что позволяет ускорить процессы поиска оптимальных решений по сравнению с известными генетическими алгоритмами.
-
Разработан новый класс иерархических нейросетевых моделей, предназначенный для выявления и прогнозирования нештатных технологических ситуаций, отличающийся от известных типов нейронных сетей меньшим количеством элементов, а также возможностью обрабатывать гетерогенную информацию, характеризующую временные параметры поездных ситуаций, особенности путевого развития и категорию подвижного состава.
Основные результаты, выносимые на защиту.
1. Формальная модель языка представления технологических знаний о динамике процессов в базах данных и знаний АРМ ДНЦ.
-
-
-
Интеллектуальная модель прогнозирования поездных ситуаций на основе динамических продукционных правил.
-
Класс продукционных правил, обеспечивающих контроль технологической корректности поездных ситуаций и прогнозирование технологических сбоев в подсистеме поддержки и интерпретации решений АРМ ДНЦ.
-
Метод решения задачи оптимизации графиков движения поездов на основе принципов эволюционного моделирования.
-
Интеллектуальная модель на основе системы нечетких продукционных правил, обеспечивающая поддержку принятия решений при оптимизации и корректировке графиков движения с нечетко-определенными параметрами.
-
Иерархическая нейросетевая модель обнаружения и прогнозирования нештатных технологических ситуаций в АРМ ДНЦ.
-
Архитектура, программно-математическое и алгоритмическое обеспечение интеллектуального АРМ ДНЦ с функциями экспертной поддержки принятия решений при управлении процессами перевозок.
Практическая ценность и значимость результатов диссертации работы состоит в разработке АРМ ДНЦ с функциями экспертной поддержки принятия решений. Практические результаты исследования заключаются в следующем:
-
-
-
-
Предложена новая архитектура интерактивной системы диспетчерского управления с АРМ ДНЦ, содержащая модули интерпретации и консультирования для облегчения работы диспетчера с системой.
-
Разработана общая структура, программно-математическое и алгоритмическое обеспечение АРМ ДНЦ с функциями контроля и поддержки принятия решений при управлении процессами перевозок.
-
Теоретические результаты диссертации частично реализованы в интегрированных системах «ДЦ ЮГ с РКП» и «РПЦ ДОН», внедренных в постоянную эксплуатацию на сети железных дорог.
Апробация работы. Основные положения и результаты диссертационной работы докладывались и обсуждались на международных, всероссийских и отраслевых научно-технических конференциях, в том числе: Всероссийской научно-практической конференции профессорско- преподавательского состава «Транспорт» (Ростов-на-Дону, 2005 г., 2007 г., 2010 г., 2011 г., 2012 г., 2013 г.); Международной научно-практической конференции «ТелеКомТранс» (Сочи, 2005 г.); VII-й Международной научно- практической конференции «Интегрированные модели и мягкие вычисления» (Коломна, 2013 г.) и др.
Публикации. Полученные в диссертации теоретические и практические результаты нашли свое отражение в 18 печатных работах, в том числе 2 монографиях и 4 изданиях, рекомендованных ВАК РФ.
Структура и объем работы. Диссертация состоит из введения, 4 глав, заключения, списка литературных источников из 83 наименований. Общий объем диссертации составляет 153 стр., из которых объем основного текста составляет 145 стр.
Особенности технологии работы поездного диспетчера
В основе организации перевозочных процессов на ж.д. транспорте лежит график движения поездов, который отражает план эксплуатационной работы железной дороги. Реализация плана эксплуатационной работы возлагается на поездного диспетчера, который, руководствуясь действующим графиком движения, фактическим движением находящихся на участке поездов, планом формирования поездов, а также рядом нормативных правил и положений, осуществляет оперативное управление перевозками. Основные правила, которыми руководствуется диспетчер в своей работе, сформулированы в ПТЭ [7] и имеют эвристический характер, предписывая действия, которые ДНЦ и дежурные по станциям должны выполнять в различных технологических ситуациях.
Поездной диспетчер, осуществляя руководство движением поездов на участке, осуществляет мониторинг поездной обстановки и прогнозирует по графику исполненного движения план прибытия и отправления поездов по основным станциям участка на ближайшие 4-6 ч. Однако, часто выполнить точный оперативный прогноз развития поездной обстановки вручную, учитывая многочисленные ограничения и аспекты организации движения ж.д. транспорта, невозможно, особенно в условиях ограниченности времени на анализ ситуации и принятие решения. Поэтому, современные интегрированные системы ДУ должны располагать автоматизированными средствами оперативного прогнозирования, которые позволяли бы диспетчеру адекватно оценивать текущую ситуацию и принимать обоснованные решения. В системе «ДЦ-ЮГ с РКП» таким средством является автоматизированное рабочее место поездного диспетчера.
Математическое обеспечение АРМа ДНЦ составляет разрабатываемый в настоящей диссертации новый класс интеллектуальных моделей, на основе которых осуществляется прогнозирование технологического процесса и обеспечиваются «подсказки» диспетчеру о развитии поездной обстановки на несколько часов вперед.
Разработка математического обеспечения АРМа ДНЦ и его интеграция в структуру автоматизированной системы ДУ должны осуществляться с учетом специфики архитектуры системы ДУ, условий ее функционирования и эксплуатации, а также с учетом эксплуатационно-технологических требований, предъявляемых к системе. В настоящем подразделе приводятся основные требования к создаваемому АРМу ДНЦ и общая архитектура интегрированной системы ДУ, в рамках которой предполагается функционирование интеллектуальных прогнозирующих моделей. Общая структура интегрированной системы диспетчерского управления «ДЦ-ЮГ с РКП» организована по иерархическому принципу с выделением двух уровней [6]: центрального пункта управления (ЦПУ) и распределенных контролируемых пунктов (РКП).
Основные задачи, решаемые на верхнем уровне ИСДУ, включают в себя: - непрерывный контроль поездной ситуации на участке в автоматическом режиме; - автоматическое ведение, документирование и анализ графика исполненного движения (ГИД), создание приложений и расчет основных показателей ГИД; - расчет и отображение нормативного, прогнозного и исполненного графиков движения поездов; - трансляция, индикация и корректировка номеров поездов; - прием, анализ и отображение данных об объектах ТС; - предоставление оперативной и нормативно-справочной информации; - протоколирование сообщений, контроль работоспособности РКП, регистрация и локализация отказов аппаратуры; - прием управляющих команд ДНЦ, их анализ и передача на РКП; - передача ответственных команд на РКП; - телемеханический контроль состояния технологических объектов (РЦ, стрелок, сигналов, переездов, устройств обнаружения перегретых букс и т.д.); - ведение динамической поездной модели, контроль поездного положения на участке, отслеживание передвижений подвижных единиц на участке с учетом номеров и индексов поездов; - ведение БД по поездам и обеспечение простого доступа к ним; - регистрация «окон», предупреждений и приказов диспетчера; - связь с АСОУП и информационными системами верхнего уровня ЦУП дороги. Функции РКП включают в себя решение следующих задач: - прием, анализ и реализация команд ТУ, в том числе «ответственных»; - программное выполнение логики маршрутного набора; - передачу на ЦПУ данных о состоянии объектов контроля в спорадическом и циклическом режимах или по запросу; - диагностирование аппаратных средств и передача результатов на ЦПУ; - контроль технического состояния устройств СЦБ. Требования к составу технических средств «ДЦ-ЮГ с РКП». В состав технических средств входят: - АРМ ДНЦ - автоматизированное рабочее место поездного диспетчера; - ФК - функциональная клавиатура, обеспечивающая ввод и формирование команд ТУ при взаимодействии ЦПУ с РКП; - РЛС - расширитель локальной сети, позволяющий подключить к локальной сети несколько пользователей; - Модем - устройство приема-передачи данных по линиям связи; - АРМ ШН - автоматизированное рабочее место электромеханика ДЦ, выполняющее функции организации связи ЦПУ и РКП по основному и резервному каналам, контроль и диагностирование аппаратуры ДЦ; - РКП-ТУ, РКП-ТС - блоки телеуправления и телесигнализации, обеспечивающие сопряжение аппаратуры РКП с устройствами ЭЦ; - РКП-Ц - центральный блок управления контролируемого пункта, обеспечивающий взаимодействие РКП с ЦПУ и с соседними РКП, а также блоками РКП-ТУ и РКП-ТС; - ЛС - локальная сеть.
Агрегатный принцип построения системы на базе РКП обеспечивает высокую унификацию, технологичность в серийном производстве, а функциональная и структурная децентрализация системы на основе локальной сетевой архитектуры РКП обеспечивает ее высокую надежность.
Разработка формального языка представления знаний и данных в интеллектуальных системах диспетчерского управления
На основе приведенных правил и оперативных данных о поездной ситуации в текущий момент времени t механизм вывода ИСДУ способен прогнозировать ее развитие на любой из последующих моментов времени Г + At.
Разработка любой продукционной системы всегда предполагает ее анализ на полноту и непротиворечивость. Такой анализ позволяет с формальных позиций обосновать и оценить эффективность выбора тех или иных операций и отношений в прогнозирующих и моделирующих правилах БЗ ИСДУ. В классических логических системах свойства полноты и непротиворечивости формулируются следующим образом. Для множества формул с заданными свойствами система аксиом и правил вывода является полной, если она обеспечивает вывод всех формул, входящих в данное множество. Свойство непротиворечивости заключается в том, чтобы исходная система аксиом и правил вывода не давала возможность выводить неверные формулы или формулы, не входящие во множество с заданными свойствами.
Однако для использования в прикладных интеллектуальных системах вышеприведенные логико-алгебраические определения полноты и непротиворечивости являются не совсем удобными в силу их общности и не привязанности к предметной области. Более предпочтительными в практическом плане являются определения, приближенные к рассматриваемой области моделирования поездных ситуаций.
Система моделирующих продукционных правил, входящих в БЗ ИСДУ, является полной, если на их основе путем логического вывода можно прогнозировать развитие любой поездной ситуации на любой период времени в предположении отсутствия форс-мажорных обстоятельств, связанных с непредвиденными технологическими нарушениями и сбоями.
Более строгому определению полноты предпошлем ряд определений. Обозначим через V - множество переменных, характеризующих поездные единицы, через 5 - множество переменных, характеризующих станции, расположенные на моделируемом участке движения, через D -множество переменных, характеризующих перегоны, принадлежащие участку движения. Обозначим через FS:V х 5 - N и FD:V X D - N отображения, характеризующие временные параметры объектов моделирования, таким образом, что для каждой пары (v,s) EV X S отображение Fs сопоставляет время стоянки поезда v на станции s, а отображение FD для каждой пары (у, сї) Є V X D сопоставляет время движения поезда v по перегону d. Введем в рассмотрение множество элементарных поездных ситуаций Q, представленных множеством отношений Q = {(v 6o) (t ) о Є 5 U D,W Є {Tn,Tfc,T()}}, каждое из которых характеризует место нахождения некоторой поездной единицы на некотором объекте (станции или перегоне). Пусть П. — {л-;} - множество продукционных правил вида ( ), q f(t) - поездная ситуация, определенная на момент времени t (q Є Q,4 Є {тп, zk, TQ}). Результатом применения продукции щ к ситуации q f(t) является новая поездная ситуация q lf/(t ). Обозначим этот результат через ( (t)). К ситуации q Ct ) также возможно применение одного из продукционных правил Ttj Є 12, в результате чего выводится ситуация 7 /(t ) = пу( ? ( )) = яДл Сд СО)).
Определение 1. Продукционным выводом для ситуации qVit) называется любая последовательность продукционных правил (л лу ...7Tfc), последовательно применяемых к ситуации q ii). Результатом вывода, обозначаемым через ni(nj(...nk(q4 (t)) ...)), является новая ситуация q , определенная в новый момент времени t t. Определение 2. Продукционная система П = {п{), представленная продукционными правилами вида ( ), называется полной, если для любой поездной ситуации q4 (t), наблюдаемой в момент времени t, и любого
Доказательство. Доказательство проведем конструктивным путем, используя принцип индуктивного обобщения. На первой итерации предположим, что исходная поездная ситуация q = ivcp&o{)Tn(j:{) характеризует месторасположение подвижной единицы v на некотором объекте о1 (станции или перегоне) в некоторый момент времени tj_. Тогда на основе продукции 7ГІ1 (правило (2) если ох - перегон или правило (4) если ог - станция), зная время нахождения I поезда v на объекте (станции или перегоне), определяемом на основе отображений FS:V XS - N или FD:V X D -» N, можно вывести время окончания стоянки поезда или движения по перегону t± = fik(V(Pe0i) на первой итерации. Если это время tt t , то на основании правила (5) выводится факт нахождения поезда на прогнозируемый момент времени t на объекте ох. При этом последовательность (7Г1і) является искомым выводом. Если это время tx t то на основе продукции пІ2 (правила (1) или (3)) выводится время начала движения поезда по перегону к следующей станции или начала стоянки на следующей станции. Далее по индукции. Пусть на некотором шаге і построена цепочка продукций (тгі27г1і ...щгщ ), на основе которых выводится место нахождения поезда на объекте Oj, а значение функтора Ч = fik(.v Ped указывает на время окончания стоянки на станции или движения по перегону. Тогда вновь проверяется условие ti . Если оно выполнено, то на основании правила (5) выводится факт нахождения поезда v на момент tj на перегоне или станции, а последовательность ( іг іі пІ2Пі\) является искомым выводом. В противном случае вывод продолжается на последующем шаге і = і +1. В силу монотонного возрастания значений tlt...ti, очевидно, на некотором шаге і условие tt t будет выполнено и искомый вывод будет найден.
Выводы данной теоремы являются обоснованием корректности использования разработанной продукционной системы в качестве прогнозирующей модели поездных ситуаций и одновременно подтверждают ее алгоритмическую эффективность.
Разработка общего подхода к решению задачи оптимизации графиков на основе метода эволюционного моделирования
Отображение нечеткого входа х в нечеткий выход у Следует отметить, что используя принцип обобщения, можно также определить и другие арифметические операции над нечеткими числами. В частности, при моделировании процессов движения поездов на основе продукционных правил прогнозирования поездных ситуаций, рассмотренных в п.п.2.2-2.3, вывод прогнозируемых темпоральных параметров при нечетких входных значениях антецедента осуществляется на основе операции нечеткого сложения «+», реализованной в соответствии с выражением: где символ V соответствует оператору объединения множеств, а символ Л - оператору пересечения.
Нечетко-продукционная система (2) положена в основу разработки нечетких правил БЗ ИСДУ, на основе которых осуществляется поддержка процессов оперативно-диспетчерского управления. Следует также отметить, что динамические продукции, разработанные во 2 главе, для моделирования процессов движения поездов, путем замены используемых в них арифметических операций на соответствующие операторы нечеткой арифметики естественным образом модифицируются для работы с нечеткими параметрами графиков расписаний. Это дает возможность осуществлять прогнозирование поездных ситуаций в нечетко-определенных условиях, максимально приближенным к реальным условиям технологического процесса.
Как было ранее отмечено, логика перевозочного процесса на участке движения не всегда подчиняется четким инструкциям и регламентирующим документам, что приводит к возникновению сложных информационно-технологических и нештатных ситуаций, в которых диспетчер действует самостоятельно, принимая решения по корректировке расписания и нормализации техпроцесса, опираясь на свой опыт и интуицию, При этом исключительно важной является способность человека-диспетчера прогнозировать и своевременно распознать возможность появления нештатных ситуаций и технологических сбоев с целью принятия эффективных упреждающих решений. Прогнозирование развития технологического процесса на участке движения традиционными методами теории вероятности является чрезвычайно сложной задачей из-за наличия известного множества «НЕ-факторов» [81]. С целью решения подобных задач в рамках ИИ интенсивное развитие получили методы непосредственного моделирования принятия решений человеком-экспертом на основе специального класса интеллектуальных имитирующих моделей, опирающихся на парадигму обучения [82]. В нашем случае она заключается в идее формирования на основе наблюдений за работой эксперта множества обобщенных типовых классов ситуаций, являющихся «предвестниками» появления возможных технологических сбоев и аномалий в развитии техпроцесса, и использовании эталонных ситуаций в прогнозирующей модели. В качестве средства обобщения экспериментальных данных в типовые классы ситуаций используются искусственные нейронные сети (ИНС) [83].
ИНС - класс математических моделей, построенных по принципу организации и функционирования биологических нейронных сетей. ИНС представляют собой сеть соединённых и взаимодействующих между собой искусственных нейронов (элементарных вычислителей), выполняющих функции нелинейного преобразования входных сигналов в выходные. Главным преимуществом ИНС перед традиционными аналитическими моделями является возможность их построения на основе экспериментальных данных путем обучения. В результате обучения, которое сводится к настройке весовых коэффициентов, ИНС оказывается способной выявлять скрытые от наблюдателя зависимости между входными и выходными данными, которые из-за их сложности аналитическим путем выявить не удается.
Конструируя ИНС для решения того или иного класса задач необходимо в первую очередь выбрать архитектуру сети и способ представления входной информации, значимой для принятия решений в рассматриваемой предметной области. В нашем случае исходная информация представлена в виде графика с подразумеваемой системой координат: горизонтально — время, вертикально — расстояние между пунктами следования. Процесс движения каждого поезда на графике представлен в виде наклонной линии с переменным углом наклона в зависимости от скорости движения так, что большим скоростям соответствуют большие углы наклона. Стоянкам поезда соответствуют горизонтальные линии с нулевым наклоном. На Рис. 24 показан пример графика движения поездов на однопутном перегоне. Здесь кривая 1 соответствует скорому поезду, кривые 2 и 3 - двум сквозным поездам, следующим в одном направлении из пункта А. Кривая 4 соответствует сборному поезду, следующему, как и поезд 1, в противоположном направлении из пункта Е.
Пример графического представления поездной ситуации Таким образом, график движения поездов, представленный на координатной плоскости ВРЕМЯ-РАССТОЯНИЕ в виде «картинок» из ломаных линий, является наглядной динамической моделью поездной ситуации. Любая ситуация движения нескольких поездов на участке однозначно порождает соответствующую «картинку» динамической ситуации на графике движения.
Представление поездных ситуаций в виде графических «картинок» дает возможность построения интеллектуальной модели, имитирующей ассоциативное мышление человека-диспетчера в процессе принятия решений, в виде ИНС, оперирующей «картинками» поездных ситуаций. Основная функция такого «нейросетевого диспетчера» заключается в выявлении типовых классов поездных ситуаций на основе наблюдений за работой эксперта-диспетчера, автоматическое распознавание и прогнозирование нештатных, критических поездных ситуаций. Рассмотрим построение нейросетевого диспетчера.
Разработка ИНС включает следующие основные этапы: выбор способа представления и кодирования входной информации, выбор типа и структуры ИНС, выбор метода обучения. Отображение поездных ситуаций на входе разрабатываемой нейросетевой модели осуществляется с использованием графических образов в виде «картинок» графика движения. Для их кодирования и обработки, в принципе, можно использовать традиционные нейросетевые модели в виде персептронов, на вход которых подаются бинарные изображения графика исполненного движения, дополненные информацией о категориях поездных единиц и направлении их движения. Однако в этом случае объем входной информации ИНС будет весьма значительным, а количество нейронов в ИНС - очень большим. Специфика рассматриваемой задачи позволяет предложить более экономный способ представления входных данных и более эффективную структуру нейронной сети для их обработки.
Программно-алгоритмическое обеспечение подсистемы «График движения» АРМ ДНЦ
Каждая станция в поле графика может иметь вид одиночной линии и вид станции с раскрытыми путями. При этом отображается занятость приемо-отправочных путей этой станции.
Изображение в поле графика можно перемещать по вертикали (для просмотра всех станций участка) с помощью «мыши» и по горизонтали (по оси времени) с помощью кнопки на панели управляющих кнопок.
Номера поездов на ГИД отображаются вдоль соответствующей «нитки» поезда. Перемещение графика влево автоматически производится каждый час. При выходе поезда с контролируемого участка слежение за ним прекращается.
Процесс построения ГИД определен получаемыми от подсистемы «Канал» временными отметками прибытия и отправления, упорядоченными в последовательности проследования поездом станций участка. Такой принцип слежения обеспечивает упрощенный учет возвратных перемещений подвижных единиц.
Порядок пользования основным и другими полями окна ГИД, их состав и выполняемые функции подробно описаны в монографии [6]. Там же раскрываются информационные возможности следующих технологических окон:
В деятельности ДНЦ важную роль играет нормативно-справочная информация (НСИ), которой он пользуется в течение всей смены. Для оперативного получения НСИ необходимо выбрать на панели задач (в нижней всплывающей строке экрана) пункт АРМ ДНЦ. Для этого нужно переместить указатель «мыши» в нижнюю часть экрана и щелкнуть по данному пункту, после чего раскроется основное окно, в котором дан перечень НСИ (Рис. 41). Это окно называется «Информационные страницы».
«Информационные страницы АРМ ДНЦ» В верхней строке экрана расположена панель управления, которая состоит из набора функциональных кнопок и используется для оперативных действий по поиску нужной информации. Для задания функций, выполняемых с помощью панели управления, достаточно установить указатель «мыши» на соответствующую кнопку и щелкнуть по ней. В центре экрана расположено основное окно «Информационных страниц», в котором выделены следующие зоны:
В каждой зоне дан перечень полей выводимой информации. После установки курсора на нужное поле и щелчка по нему «мышью» раскроется соответствующее окно. Поля зоны оперативной информации можно разделить по содержанию на три вида: - запросы в АСОУП (одно поле); - приказы ДНЦ (одно поле); - справки о составе и движении поездов (остальные 12 полей). Отражаемые виды информации в определяющей степени обеспечивают эффективность работы ДНЦ в течение смены. Особенно это касается задач планирования, взаимодействия с ДНЦ смежных участков (кругов), принятия решений в нештатных (опасных) ситуациях и др.
Алгоритмическое обеспечение АРМ включает комплекс алгоритмов, осуществляющих обработку и отображение на терминале АРМ информации о поездном положении на участке движения, автоматическое ведение ГИД, анализ и протоколирование работы диспетчера, ведение информационных баз данных, моделирование и прогнозирование развития поездной обстановки, оптимизация графиков движения и ряд др.
Среди названных задач особо важную роль в интеллектуальном АРМ играют задачи по обеспечению интеллектуальной поддержки принятия решений. К ним, в частности, относятся задачи динамического моделирования движения поездов, контроля поездной обстановки на участке движения, и оптимизации графиков движения. Ниже приводится алгоритмическое представление для данных задач.
Укрупненная блок-схема основного моделирующего алгоритма приведена ниже на Рис. 42. Алгоритм представляет собой рекуррентную процедуру вычисления для каждого поезда v Є V прогнозируемых моментов времени его прибытия на станцию и отправления со станции по всему маршруту следования на моделируемом участке движения, включающего п 139 станций slf... sn и n перегонов d%,... dn. Исходной информацией является время отправления поезда с начальной станции tfcCsj) и вектор темпоральных параметров Рдс = (At(s1),At(d1), ...At(sn),At(dn)), характеризующий нормативное время стоянки поезда на станциях и время следования по перегонам. Выходом алгоритма является вектор темпоральных значений fl0ut(tn(si), tkOi), -. tn(sn) fk(sn)). характеризующий прогнозируемые моменты времени проследования поезда по всем станциям моделируемого участка движения. Блок-схема моделирующего алгоритма Особенностью алгоритма является возможность его работы, как с детерминированными данными, так и с нечетко-стохастической информацией, что отражено в характере представления темпоральных параметров алгоритма. Темпоральные параметры могут быть заданы как в виде детерминированных числовых значений M(Si),At(di), в случае полностью определенной поездной обстановки, так и в виде нечетких лингвистических значений At(s ), At(dj), в случае неполной информации либо нечетко-определенной поездной обстановки. Операторную основу алгоритма составляет система динамических продукций и модифицированных нечетко-динамических продукций, разработанная в п.п. 2.1, 2.2 диссертации.
Алгоритм, приведенный выше, встроен в подсистему контроля корректности развития поездных ситуаций и оптимизации ГИД. В качестве вспомогательной для данного алгоритма используется алгоритмическая процедура прогнозирования факта нагона путем определения истинностного значения предиката коллизии PHT{yi, Vj, t ) и вычисления числовых и лингвистических значений критерия сложности коллизии /, приведенная ниже на Рис. 43. Входом процедуры являются значения t и tJn, характеризующие время начала движения поездов vt и Vj по перегону, значения At1 и At; - времена хода по перегону, L(d) - длина перегона. Выходом процедуры является истинностное значение предиката коллизии Рцгіуи Vj, t ), числовое J и лингвистические значения а-р а2,а3 Щ ш&р\ я сложности коллизии /нг.
Похожие диссертации на Автоматизация управления движением поездов на основе интеллектуальных моделей процессов принятия решений поездным диспетчером
-
-
-
-
-
-
