Введение к работе
Актуальность темы исследования. Массовое вовлечение за последнее десятилетие в сферу автоматизации сложных технологических процессов и производств привело к появлению новых классов, так называемых, слабо формализованных или информационно-сложных задач. Не исключением являются задачи, возникающие на железнодорожном транспорте, в частности, на сортировочной горке (СГ)- Прежде всего, это связано с невозможностью полного автоматического режима функционирования транспортных объектов с применением традиционного подхода к их управлению. Для решения таких слабо формализованных задач необходима интеграция практического опыта и теоретических знаний в алгоритмы управления в качестве самостоятельных моделей, то есть построение интеллектуальных систем. Одной из наиболее динамично развивающихся областей искусственного интеллекта является нейросетевая технология. Ее популярность связана с успешным применением в различных промышленных, технических и научных областях.
Для решения прикладных задач с помощью нейросетевой технологии возможны два способа. Первый - это аппаратная реализация нейросетевой модели, которая связана с большими финансовыми затратами. Второй - это программная эмуляция искусственной нейронной сети (ИНС). В любом случае необходимо разработать нейросетевую модель с помощью соответствующего программного обеспечения (ПО). В настоящее время ПО, позволяющее осуществлять проектирование ИНС и решать с помощью построенных моделей прикладные задачи, можно разделить на пять категорий: универсальные нейроэмуляторы, нейросетевые компоненты для статистических пакетов, нейросетевые алгоритмы в системах бизнес-аналитики, предметно-ориентированные нейросетевые решения, нейросетевые библиотеки.
Процесс нейросетевого анализа состоит из большого количества этапов и предполагает использование различных методов для построения ИНС и применения ее в дальнейшем. Поэтому современный нейроэмулятор должен обладать достоинствами, которые характерны для существующих категорий нейросетевого ПО. Среди таких достоинств можно выделить: развитые средства проектирования ИНС; инструменты для анализа и подготовки данных; внутренний источник данных; возможности решения задач специфического характера прикладной области; открытая архитектура и программная масштабируемость; высокая степень автоматизации.
Реализация такого нейроэмулятора позволит решить следующие проблемы: длительное время построения и выбор оптимальной модели ИНС; оценка необходимости использования нейросетевого подхода; низкая оперативность применения нейросетевой технологии; сложность проектирования ИНС для неспециалиста; необходимость внедрения в консолидированные прикладные системы учетного и аналитического характера.
В связи с вышеизложенным, представляется актуальным определение методологии проектирования ИНС, разработка универсальной нейросетевой
системы и создание на ее основе программного комплекса, который сохранит достоинства указанных категорий нейросетевого ПО и позволит решить существующие проблемы. Программный комплекс должен быть ориентирован на построение в автоматизированном режиме нейросетевых моделей прикладных задач классификации и прогнозирования, возникающих на СГ, а разработанные нейромодели - использованы при создании информационно-логических устройств (ИЛУ) для автоматизированного рабочего места (АРМ) оператора.
Степень разработанности проблемы. Диссертационное исследование основано на работах отечественных и зарубежных ученых в области нейросетевых технологий и автоматизированных систем управления. В настоящее время аппарат ИНС и методы его использования постоянно развиваются и совершенствуются. Активные разработки и исследования в области создания систем проектирования ИНС связаны с деятельностью таких организаций как NeuroProject (Москва), BaseGroup Labs (Москва). Следует выделить частный проект В. Царегородцева - NeuroPro (Красноярск). В последнее время наиболее авторитетными и часто цитируемыми российскими работами в области теории и практики применения ИНС считаются труды А.И Галушкина, А.Н. Горбань, А.А. Ежова, С.А. Терехова, С.А. Шуйского и др. За рубежом большой вклад в развитие нейроинформатики внесли R. Hecht-Nielsen, J.J. Hopfield, Т. Kohonen, F. Rosenblatt, D.A. Rummerlhart и др. Методы и принципы построения автоматизированных систем управления сложными организационно-технологическими объектами рассмотрены в работах В.П. Авдеева, А.А. Ашимова, А.Н. Гуды, В.Н. Иванченко, В.М. Лисенкова, Н.Н. Лябаха и др. Различные фундаментальные и прикладные аспекты интеллектуальных систем управления нашли отражение в работах таких ученых как Л.С. Бер-штейн, Н. Винер, В.М. Глушко, Д.И. Дубровский, СМ. Ковалев, А.А. Ляпунов, Д.А. Поспелов, В.Б. Тарасов, А.Н. Шабелышков и др.
Цель и задачи исследования. Цель настоящей диссертационной работы - разработка универсальной нейросетевой системы управления технологическими процессами на СГ.
Для достижения поставленной цели реализуется следующая последовательность задач диссертационного исследования:
-
Анализ состояния проблемы интеллектуальной поддержки принятия решений на СГ и выделение классов решаемых задач.
-
Разработка методологии решения задач классификации и прогнозирования, основанной на использовании современных методов обучения ИНС, подготовки и анализа входных данных.
-
Разработка алгоритма обучения ИНС, позволяющего повысить скорость обучения, избежать попадания в локальные минимумы функции ошибки и оптимизировать архитектуру.
-
Разработка программного комплекса с открытой архитектурой и хранилищем нейросетевых решений, обеспечивающего полный цикл обработки и нейросетевого анализа данных.
5. Внедрение и практическая апробация разработанной системы при решении прикладных задач управления технологическими процессами на СГ.
Объекты и методы исследования. Объектами исследования выступают технологические процессы на СГ и системы горочной автоматизации. Предметом исследования является математическое, алгоритмическое и программное обеспечение процесса построения, обучения и использования ИНС персептронного типа в задачах классификации и прогнозирования, возникающих на СГ. Методы исследования, применяемые в диссертационной работе, основаны на использовании нейросетевых технологий, компьютерного моделирования, математической статистики и теории оптимальных решений. При разработке программного комплекса использовались объектно-ориентированное программирование и теория баз данных.
Выполненная диссертационная работа соответствует следующим пунктам паспорта специальности 05.13.06 «Автоматизация и управление технологическими процессами производствами (на транспорте)»:
п. 15. Теоретические основы, методы и алгоритмы интеллектуализации решения прикладных задач при построении АСУ широкого назначения (АСУТП, АСУП, АСТПП и др.).
п. 17. Использование методов автоматизированного проектирования для повышения эффективности разработки и модернизации АСУ.
п.10. Методы синтеза специального математического обеспечения, пакетов прикладных программ и типовых модулей функциональных и обеспечивающих подсистему АСУТП.
Положения диссертации, выносимые на защиту.
-
Методология автоматизации процесса проектирования нейросетевых моделей для решения управленческих задач на СГ.
-
Нейросетевая система, включающая: совместный алгоритм обучения ИНС; объектно-ориентированную модель автоматизированной системы; хранилище нейросетевых решений.
-
Нейросетевые модели поддержки принятия управленческих решений в системах горочной автоматизации.
Научная новизна содержится в следующих результатах диссертационного исследования:
-
Разработана универсальная объектно-ориентированная модель нейро-сетевой системы с расширяемой архитектурой и динамической базой данных для накопления информации по решаемым задачам, позволяющая использовать сохраненную информацию для подбора ИНС при решении новых задач и повысить оперативность применения данных по сравнению с существующими методами управления технологическими процессами на СГ.
-
Разработан программный комплекс «NeuroNADS», обеспечивающий полный цикл обработки и нейросетевого анализа данных. Реализация оригинального алгоритма обучения, отсутствующего в стандартных нейропакетах, позволила сократить время построения и выбора оптимальной модели ИНС. Программный комплекс настроен для АРМ оператора и обеспечивает запоминание и прогнозирование развития технологических ситуаций в ходе
роспуска состава с целью снижения информационной загрузки оператора, повышения качества формирования поездов и безопасности роспуска.
3. Предложены новые нейросетевые модели поддержки принятия решений в системах горочной автоматизации, позволяющие повысить эффективность управления технологическим процессом роспуска составов за счет более точного решения задач по определению параметров торможения и расчета скорости выхода отцепов из тормозных позиций (ТП).
Практическая значимость диссертационной работы заключается в следующем:
-
Разработана нейросетевая система для АРМа оператора, позволяющая снизить информационную загрузку оператора и повысить качество формирования поездов.
-
Разработаны нейромодели для расчета скоростей выхода отцепа с ТП, определения ступеней торможения и времени их активации при управлении горочными замедлителями.
-
Разработан программный комплекс «NeuroNADS», позволяющий решать широкий круг задач по проектированию ИНС и организовать процесс обучения нейросетевым технологиям.
Достоверность и обоснованность диссертации подтверждается результатами вычислительных экспериментов и обработки реальных данных, публикациями и апробацией работы на международных, всероссийских и региональных научных и научно-технических конференциях, а также актами внедрения результатов работы.
Апробация работы. Основные положения диссертационной работы докладывались на межрегиональных научно-практических конференциях Юго-Западного банка Сбербанка России (Ростов-на-Дону, 2008, 2010), на всероссийской научно-практической конференции студентов, аспирантов и молодых ученых ЮФУ (Ростов-на-Дону, 2009), на всероссийской научной конференция «Нечеткие системы и мягкие вычисления» (Волгоград, 2009), на всероссийском симпозиуме по прикладной и промышленной математике (Санкт-Петербург, 2009), на международных научно-практических конференциях «Строительство» (Ростов-на-Дону, 2009, 2010), «Транс ЖАТ» (Ростов-на-Дону, 2010). Работа подавалась на различные региональные и федеральные конкурсы, где занимала призовые места: конкурс среди специалистов в сфере IT, разработки программного обеспечения и информационной безопасности «Турнир IT - интеллектуалов», номинация «Системы бизнес-аналитики (Business Intelligence)» (2008, 2009, 2010); конкурс «Инновационных идей и проектов Юга России», номинация «Инновационные проекты, направленные на развитие высокотехнологичных производств и услуг»; всероссийский конкурс информационных технологий и информационной безопасности «Интеллектуальная Россия», номинация «Системы бизнес-аналитики» (2009, 2010)». Разработан интернет-портал «Я-Интеллект» (). На портале можно получить доступ к наиболее интересным статьям по тематике ИНС и загрузить созданный нейросетевой программный комплекс «NeuroNADS». На данный момент разработка представ-
лена в общероссийской программе Федерального агентства по делам молодежи «Зворыкинский проект».
Публикации. По теме диссертации опубликовано 15 печатных работ общим объемом 4 п.л., из них 5 работ - в изданиях, входящих в «Перечень ведущих научных журналов и изданий, выпускаемых в Российской Федерации», утвержденный ВАК, 11 работ без соавторов.
Внедрение результатов работы. Результаты диссертационного исследования внедрены и используются в ростовском филиале Российского научно-исследовательского и проектно-конструкторского института информатизации, автоматизации и связи. Нейросетевой программный комплекс «NeuroNADS» используется в учебном процессе на кафедре «Прикладной математики и вычислительной техники» Ростовского государственного строительного университета с целью обучения студентов методам нейросе-тевого анализа по дисциплине «Интеллектуальные системы»; применяется в Юго-Западном банке Сбербанка России в качестве внутренней системы поддержки принятия решений. Все внедрения дали положительный результат, что подтверждено соответствующими документами.
Структура и объем работы. Диссертационная работа состоит из перечня сокращений, введения, четырех глав, заключения, списка литературы и приложений. Содержание диссертации изложено на 213 страницах, включая 56 рисунков, 13 таблиц, 25 страниц приложений и актов о внедрениях. В список использованных источников включено 146 наименований отечественной и зарубежной литературы (в том числе 36 ссылок на ресурсы Internet).
Похожие диссертации на Разработка нейросетевой системы управления технологическими процессами на сортировочных горках
