Содержание к диссертации
Введение
ГЛАВА 1. Новый подход к созданию интегрированный системы диспетчерской централизации на основе гибридных и интеллектуальных технологий 10
1.1 Анализ и тенденции развития интегрированных систем диспетчерского контроля и управления движением поездов 10
1.2 Постановка задач построения интегрированной системы диспетчерский централизации (ИСДЦ) 29
1.3 Особенности объектов диспетчерского управления и концептуальная модель структуры автоматизации 35
1.4 Принципы построения и структурная децентрализация распределенных контролируемых пунктов 50
1.5 Современные структуры каналов передачи данных в цифровой сети оперативно-технологического назначения ОТН 56
1.6 Структура методологических этапов и направлений исследований: гибридные и интеллектуальные технологии 59
1.7 Выводы 63
ГЛАВА 2. Волноводно-оптические средства и интеллектуальные методы обработки информации в исдц 65
2.1 Волноводно-оптические технологии сбора информации и математические модели ее представления в ИСДЦ 66
2.2 Общая постановка задачи первичной обработки информации на основе идентификации нелинейных динамических систем 78
2.3 Разработка общего метода стохастической идентификации нелинейных динамических систем при известных параметрах шумовых процессов в ВОД 88
2.4 Экспериментальная оценка эффективности общего метода идентификации нелинейной динамической системы на основе обобщенного вероятностного критерия 96
2.5 Адаптивные методы обработки первичной информации на основе интеллектуальных фильтров и гибридных нейро-стохастических моделей.. 102
2.6 Выводы 115
ГЛАВА 3. Гибридные интеллектуальные модели поддержки принятия решений в контрольно-диагностических подсистемах исдц 117
3.1 Гибридный подход к построению поддерживающих моделей для интегрированных систем диспетчерского управления и централизации 118
3.2 Интеллектуальные модели поддержки процессов логического контроля подвижного состава на основе продукционных правил 130
3.3 Гибридные нейро-продукционные модели поддержки процессов логического контроля в ИСДЦ 146
3.4 Методы формирования баз знаний для интеллектуальных контрольно-диагностических подсистем ИСДЦ на основе сетевых моделей 164
3.5 Сетевые модели формирования обобщенных описаний для баз знаний контрольно-диагностических систем 178
3.6 Выводы 187
ГЛАВА 4. Методы, модели и алгоритмы обеспечения безопасности движения поездов 189
4.1 Методы и способы защиты каналов передачи данных 189
4.2 Методы обеспечения безопасной реализации ответственных команд 194
4.3 Интегральная оценка показателя безопасности ответственных команд...201
4.4 Информационная безопасность и биометрическая идентификация в системе ИСДЦ 210
4.5 Сетевые модели поддержки процессов обеспечения безопасности и контролепригодности ИСДЦ 216
4.6 Выводы 231
ГЛАВА 5. Техническая реализация системы исдц 233
5.1 Структура и состав технических средств ЦПУ и РКП 233
5.2 Состав, назначение и структура взаимодействия программных модулей 241
5.3 Состав аппаратных средств и программное обеспечение АРМа поездного диспетчера и АРМа электромеханика 244
5.4 Технические решения реализации ответственных команд 258
5.5 Подсистема протоколирования технологических событий и оперативного диагностирования технических средств 264
5.6 Выводы 270
Заключение 273
Приложение 1 275
Литература 287
- Постановка задач построения интегрированной системы диспетчерский централизации (ИСДЦ)
- Общая постановка задачи первичной обработки информации на основе идентификации нелинейных динамических систем
- Гибридные нейро-продукционные модели поддержки процессов логического контроля в ИСДЦ
- Информационная безопасность и биометрическая идентификация в системе ИСДЦ
Введение к работе
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 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 Баранова Л.А., Гавзова Д.В., Горелик 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., Шарова В.А., Шалягина Д.В. 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., Дулина С.К., Каркищенко А.Н., Курейчика В.М., Лябаха Н.Н., Осипова Г.С., Поспелова Д.А., Петровского А.Б., Розенберг 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 и 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.
-
Разработка нового подхода, математической, информационной и программно-алгоритмической платформы, обеспечивающей создание нового класса автоматизированных ИСДЦ на основе использования интеллектуальных технологий.
-
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.
-
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.
-
Разработка нового класса высоконадежных, помехоустойчивых устройств первичного сбора информации, а также адекватных математических моделей ее обработки в подсистемах нижнего уровня ИСДЦ.
-
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.
-
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 технико-экономической 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.
-
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.
-
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.
-
Разработан теоретический аппарат построения продукционных моделей поддержки 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.
-
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.
-
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.
-
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.
-
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.
-
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.
-
Комплекс гибридных нейро-стохастических моделей и интеллектуальных фильтров, ориентированных на обработку первичной информации, получаемой от датчиков напольного оборудования и устройств СЦБ.
-
Теоретический аппарат для разработки интеллектуальных продукционных моделей поддержки процессов логического контроля и диагностирования
-
Новый класс интеллектуальных гибридных моделей поддержки процессов принятия решений в контрольно диагностических подсистемах ИСДЦ, основанный на продукционных правилах логического вывода.
-
Постановка задачи идентификации динамической системы, моделирующей процессы порождения первичной информации в подсистемах нижнего уровня ИСДЦ, и общий метод ее решения.
-
Метод обучения и адаптации баз знаний для ИСДЦ, основанный на использовании адаптивных сетевых моделей.
-
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».
-
Методология разработки информационного, программно-алгоритмического, 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.
-
Разработан и практически реализован комплекс алгоритмов и программ, реализующих методы первичной обработки информации в подсистемах нижнего уровня ИСДЦ.
-
Разработан и практически реализован комплекс алгоритмов и программ для поддержки принятия решений в контрольно-диагностических подсистемах ИСДЦ.
-
Разработано и внедрено техническое и программно-алгоритмическое обеспечение, предназначенное для поддержки процессов принятия решений в обеспечивающих подсистемах «ДЦ Юг с РКП».
-
Технология создания оптических и волноводно-оптических систем первичного сбора информации.
-
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.
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 г.г. 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, 2005 г., Сочи, 2008 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'11» (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.
Постановка задач построения интегрированной системы диспетчерский централизации (ИСДЦ)
Выполненный в предыдущем разделе 1.1 обзор и анализ состояния отечественных и зарубежных систем диспетчерского управления (систем диспетчерской централизации и автоматизированных центров управления перевозками) преследовал цель оценки уровня разработок и соответствия современному развитию науки и техники XXI века.
Истекшее десятилетие 2000-2010 г.г. можно отнести к периоду бурного развития современных компьютерных технических средств, позволяющих создание новых систем железнодорожной автоматики и телемеханики нового поколения, использующих информационные интеллектуальные технологии [Долгий, 2004. А].
В первую очередь это касается создания интегрированной системы диспетчерского управления и централизации.
В число анализируемых отечественных систем диспетчерсокй централизации вошли ДЦ-МПК, «Сетунь» и «ДЦ-ЮГ с РКП». Обзору подверглись системы ДЦ, функционирующие во Франции, США, Италии, Канаде, Японии, Великобритании, Швеции, Германии и Австрии.
Перечисленные отечественные системы ДЦ решают задачи контроля и управления движением поездов в соответствии с утвержденными эксплуатационно-техническими требованиями. Следует при этом отметить их крайне ограниченные интеллектуальные возможности, кроме прогнозирования графика движения поездов. В отличие от отечественных ДЦ на зарубежных железных дорогах наметилась тенденция использования автоматов-советчиков, принимающих решения в реальном режиме времени. Это касается автоматической поддержки принятия решений на этапе прогнозирования графиков движения, выбора вариантов обгона и скрещения поездов и др.
Многолетний опыт внедрения и эксплуатации микропроцессорной «ДЦ-ЮГ с РКП» [Долгий, 2004. Б.] позволяет в диссертации сформулировать перечень новых постановочных задач, решение которых принципиально повысит функциональные и интеллектуальные возможности ДІД уже в рамках вновь создаваемой ИСДЦ.
Достижение цели создания ИСДЦ нового поколения в теоретическом плане предполагает:
- 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.
Ниже сделана попытка сформулировать перечень задач, решаемых в диссертации в определенной последовательности.
Излагаемые ниже постановочные задачи должны использовать:
- новый гибридный подход к построению ИСДЦ на основе использования методов стохастической идентификации нелинейных динамических систем, интеллектуальных продукционных, нейро сетевых и структурно-временных моделей; - новые классы гибридных интеллектуальных моделей для
ИСДЦ, обеспечивающих функции контроля, диагностики и поддержки процессов принятия решений;
- методы и алгоритмы реализации контрольно-диагностических моделей в ИСДЦ, механизмы их обучения и совместного взаимодействия на основе гибридной схемы вывода.
Ниже формулируется перечень задач, решаемых с использованием перечисленных выше методов, моделей и подходов.
1. Создание систем диспетчерского управления и централизации невозможно без разработки эффективных средств сбора, обработки и передачи информации, получаемой от напольного оборудования и устройств ЖАТ. В первую очередь это касается создании развитой сети нового поколения датчиков, сенсоров и измерительных систем, предоставляющих оперативную информацию о состоянии станционных и перегонных устройствах ЖАТ в обеспечивающие подсистемы ИСДЦ. Для создания таких устройств в настоящее время используются различные технологии, основанные на разных принципах съема и обработки первичной информации. [Долгий, 2011. А.]. Наиболее перспективными для использования в интегрированных системах ЖАТ в настоящее время представляются оптические и волноводно-оптические технологии (ВОТ), поскольку они позволяют создавать высоконадежные, помехоустойчивые устройства, имеющие низкое энергопотребление, высокую надежность, долговечность, стабильность, совместимость с микроэлектронными устройствами обработки информации и др. [Долгий, 2004. В].
Ставится задача построения новых типов датчиков и измерительных систем на основе оптических и ВОТ с целью использования их в подсистемах нижнего уровня ИСДЦ с привлечением интеллектуальных методов и моделей предобработки информации в условиях шумов и искажений [Долгий, 2004. Д]. Адекватным математическим аппаратом здесь могут быть использованы методы теории нелинейной фильтрации.
2. С большой степенью уверенности можно предположить, что из-за различного рода помех выходные сигналы с оптических датчиков могут быть искажены. Здесь уместна постановка задачи извлечения полезной информации за счет осуществления препроцессинга выходной информации.
Препроцессинг информации в интегрированных системах с развитыми средствами сбора и первичной обработки данных, полученных от датчиков, сводится не только к ее фильтрации и очищению от шумов, но также и к обобщению первичной информации, формированию агрегированных баз данных (БД) и локальных баз знаний (БЗ), на основе которых осуществляется корректировка алгоритмов препроцессинга при изменении внешних условий.
В основе препроцессинга информации может быть приемлемым математический аппарат, использующий детерминированную или стохастическую модели нелинейной динамической системы.
Решение задачи идентификации такой динамической системы, моделирующей процессы порождения первичной информации в ВОД, позволит перейти к задаче стохастической оптимальной параметрической идентификации.
Общая постановка задачи первичной обработки информации на основе идентификации нелинейных динамических систем
Электрические сигналы, появляющиеся на выходе датчиков различного рода физических сигналов, сенсорных и измерительных устройств, возникают в результате сложного взаимодействия физических процессов. Это и процессы, протекающие в окружающей среде (ОУ), и электромагнитные процессы в измерительной аппаратуре, и возмущающие процессы-различного рода помехи, искажающие выходные сигналы. Для извлечения из сигналов полезной информации и упрощения дальнейшей обработки осуществляется препроцессинг выходной информации. Препроцессинг информации в интегрированных системах с развитыми средствами сбора и первичной обработки данных, полученных от датчиков, сводится не только к ее фильтрации и очищению от шумов, но также и к обобщению первичной информации, формированию агрегированных баз данных и локальных баз знаний, на основе которых осуществляется корректировка алгоритмов препроцессинга при изменении внешних условий.
В основе препроцессинга информации лежат математические модели скрытых от наблюдателя физических процессов, порождающих эту информацию на выходе датчиков. В качестве такой модели используется детерминированная или стохастическая модель нелинейной динамической системы.
Под динамической системой понимается математическая модель, для которой однозначно определено понятие состояния, как совокупности переменных величин х в текущий момент времени /, и задан закон эволюции этого состояния с течением времени. Этот закон позволяет по начальному состоянию прогнозировать будущее состояние динамической системы в любой последующий момент времени t + \. Оператором эволюции в математической модели динамической системы обычно являются дифференциальные уравнения, показывающие, как связаны производные dxldt и сами величины х между собой. На практике в качестве динамической системы часто выступает ее дискретное представление в виде разностного уравнения, называемого, отображением. Отображение представляет собой зависимость, связывающую значения переменных величин х в два последовательных момента дискретного времени: где хп - переменная величина, характеризующая состояние системы в п-й момент дискретного времени; f(x) - оператор эволюции, который позволяет по известному состоянию системы в п-й момент дискретного времени однозначно определить (предсказать) ее состояние в следующий (п + \)-й момент дискретного времени. Наличие математических моделей процессов, лежащих в основе порождения сигналов на выходе датчиков, сенсорных и измерительных устройств в технических системах, открывает возможности для эффективного препроцессинга первичной информации, получаемой от напольного оборудования технических систем, заключающегося в очищении ее от различного рода помех и шумов, обобщению и формированию агрегированных баз данных и знаний.
Однако, построение адекватных математических моделей оказывается возможным лишь для весьма ограниченного круга относительно простых физических процессов при наличии ряда ограничений, таких как стационарность процесса, нормальность законов распределения помех, простая зависимость критерия идентификации от помех и др. На практике чаще приходится сталкиваться со сложными нестационарными процессами, для которых детальные сведения об их структуре и параметрах либо отсутствуют вовсе, либо явно недостаточны для построения его точной математической модели. Такие процессы называются слабо формализованными. К классу слабо формализованных процессов относятся сигналы, появляющиеся на выходе сложных сенсорных и измерительных устройств в интегрированных системах управления со встроенными средствами сбора и первичной обработки внешней информации.
Проблема моделирования слабо формализованных процессов заключается в том, что доступная для них объективная информация содержится лишь в экспериментальных данных, дополненная субъективной качественной информацией о характере поведения неизвестного процесса, особенностях внешней среды и свойствах воздействующих на него помех, полученной от экспертов. Построение математических моделей слабо формализованных процессов на основе экспериментально полученных данных, относится к классу обратных задач математического моделирования, не имеющих однозначного решения. і
Реконструкция модели неизвестного процесса по экспериментальным данным возможна путем его идентификации при наличии критерия идентификации, характеризующего меру близости теоретических данных экспериментальным, а также информации о структуре динамической системы, описывающей моделируемый процесс. В этом случае можно воспользоваться существующими методами теории идентификации. Однако, известные на сегодняшний день в теории идентификации подходы к решению этой проблемы, как правило, основаны на использовании методов, изначально разработанных для детерминированных систем, что огрубляет результаты и снижает точность моделирования. Существующие же методы стохастической идентификации разработаны, как правило, для стационарных процессов и простых форм вероятностного критерия.
Гибридные нейро-продукционные модели поддержки процессов логического контроля в ИСДЦ
Современные системы диспетчерского управления и централизации в качестве обязательного компонента содержат подсистемы логического контроля и диагностики, обеспечивающие достоверность и надежность функционирования аппаратуры ИСДЦ [Долгий, 2004 Д]. В основу разработки таких подсистем, как правило, закладывают методы, базирующиеся на использовании автоматных или алгебраических моделей и позволяющие получать аналитические описания контролируемых процессов в виде систем логических уравнений. Однако традиционные аналитические методы контроля и диагностики обладают рядом недостатков, ограничивающих область их практического использования при разработке новых и модернизации действующих систем ДЦ. Во-первых, в силу различных причин (разнообразия применяемых схемотехнических решений, постоянного изменения проектных решений, внесения избыточности в схемные решения, использования новых типов напольных устройств и др.) не всегда удается для ранее разработанных и действующих систем получить их аналитические описания, что препятствует расширению контрольно-диагностических функций при модернизации систем. Во-вторых, даже располагая полными аналитическим описаниями контролируемых объектов, сформированные на их основе логические зависимости между всеми типами возможных неисправностей и классами состояний релейных элементов оказываются чрезвычайно громоздкими для их практической реализации в контрольно-диагностических системах. И, в-третьих, серьезной проблемой является отсутствие полной достоверной информации о состоянии контролируемых объектов в каждый из моментов времени в силу ограниченного пространства измерений и наличия различного рода сбоев в работе аппаратуры. В связи с этим при создании ИСДЦ возникает потребность в разработке новых технологий логического контроля, полностью или частично свободных от указанных недостатков. Перспективными в этом плане являются гибридные технологии, основанные на объединении традиционных аналитических моделей логического контроля и интеллектуальных моделей, основанных на знаниях [Долгий, 2004 А].
В настоящем подразделе разрабатывается новый класс гибридных нейро-темпоральных моделей, ориентированных на поддержку процессов логического контроля аппаратуры ИСДЦ, основанных на использовании структурно-временной информации о контролируемых объектах, представленной в виде продукционных правил, и методах ее обработки на основе технологий искусственных нейронных сетей. Выбор продукционных, структурно-временных и нейросетевых моделей в качестве базовых компонент для гибридной контрольно-диагностической системы обусловлен теми соображениями, что временные соотношения между телесигналами, являясь достаточно информативными признаками для выработки диагностирующих решений,, в то же время, в наименьшей степени подвержены искажениям, а математические модели на основе искусственных нейронных сетей (ИНС), обладая свойствами адаптации и самообучения, позволяют оперировать неполной или частично искаженной информацией, что характерно для реальных условий функционирования аппаратуры ДЦ.
Гибридную продукционную модель, оперирующую структурно-временной информацией о работе контролируемых устройств, заявим в виде тройки [Долгий, 2005 Е]:
где Q - база данных, представляющая собой множество фактов вида «ПРИЗНАК = СТРУКТУРНО-ВРЕМЕННОЕ ОПИСАНИЕ»;
П - база продукционных правил вида «Если ПРИЗНАК, то РЕШЕНИЕ = СОСТОЯНИЕ реле или процесса»;
R - решающий модуль, реализующий процедуры логического вывода в базе правил (генерации решений).
Дадим интерпретацию всем входящим в гибридную модель компонентам.
Базу фактов или данных Q составляют структурно-временные описания событий, наблюдаемых в контролируемом процессе или системе, и представленных в виде следующей высказывательной формы:
В выражении (3.17) переменные %i используются для обозначения событий, связанных с переключением /-го релейного элемента (х — замыкание, х -размыкание). Через т, обозначены временные отношения темпоральной логики Аллена для точечных событий, включающей в качестве базисных следующие три типа временных зависимостей:
Информационная безопасность и биометрическая идентификация в системе ИСДЦ
Управление движением поездов - это сложный процесс, требующий высокой квалификации диспетчерского персонала и наличия высокотехнологической интеллектуальной системы диспетчерской централизации, обладающей надежной информационной защитой от несанкционированного доступа [Долгий, 2007 Г]. ИСДЦ информационно взаимодействует со смежными автоматизированными системами управления через сеть СПД ОАО «РЖД», поэтому обеспечение информационной безопасности является важнейшим этапом при разработке подобных систем [Долгий, 2009 А].
Современные системы ДІД не могут относиться к группе, объединяющей системы с одним работающим пользователем. Это, безусловно, многоуровневые, многопользовательские системы (рис. 4.9). На верхнем уровне расположен центральный диспетчерский пост, а на нижнем -контролируемые пункты.
Структура управления движением поездов на базе ИСДЦ
На центральном посту в одно и тоже время кроме поездного диспетчера (ДНЦ) может работать и старший диспетчер ДНЦО.
Применение биометрических методов идентификации позволит решить проблему разграничения доступа, когда одно и тоже 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 и др.) имеют право получать и поездной диспетчер, и электромеханик поста ДЦ, но управлять участком, посылать ответственные команды телеуправления может только первый из них.
Большинство биометрических систем работает следующим образом. В базу данных системы безопасности заносится цифровой образ отпечатка пальца, радужной оболочки глаза или голоса. Сотрудникам, имеющим доступ к информационной системе, чтобы войти в нее, необходимо с помощью технических средств ввести свой биометрический образец. Система извлекает из него данные (особые точки и их параметры), сравнивает их с теми, что хранятся в БД, определяет степень совпадения. После этого делается заключение о том, удалось ли идентифицировать человека по предъявленным данным и если да, то определяется, тот ли он, за кого себя выдает, имеет ли он право доступа к той или иной информации. При положительном решении разрешается выполнение затребованной функции, иначе в доступе будет отказано [Долгий, 2007 Г].
Процесс идентификации личности по отпечатку пальца, как биометрическая технология, вполне вероятно будет широко использоваться в будущем [Долгий, 2005 Г]. Отпечаток пальца образует так называемые папиллярные линии на гребешковых выступах кожи, разделенных бороздками. Из этих линий складываются сложные узоры (дуговые, петлевые и завитковые), которые обладают свойствами индивидуальности и неповторимости, что позволяет абсолютно надежно идентифицировать личность. Хотя процент отказа в доступе уполномоченных пользователей составляет около 3 %, доля ошибочного доступа- не более 1-Ю"6.
Процесс идентификации по отпечатку пальца достаточно прост в использовании, удобен, надежен, занимает мало времени и не требует усилий от тех, кто использует такую систему доступа [Долгий, 2006 Г]. Это наиболее удобный и самый надежный из всех биометрических методов. Кроме того, устройство идентификации не требует много места на клавиатуре или в механизме.
При работе ДНЦ существует необходимость непрерывного подтверждения его личности для исключения возможности несанкционированной посылки команды телеуправления или «ответственной» команды в момент его временного отсутствия по какой-то причине на своем рабочем месте. Метод «единого входа в сеть» применять нельзя, а вводить пароль после каждой команды обременительно.
Для автоматизированных систем, таких как микропроцессорные системы ДЦ, работающие в реальном времени, распознавание должно занимать минимум времени и происходить естественно и незаметно для диспетчера. Сейчас существует много алгоритмов распознавания личности по отпечаткам пальцев, которые, как правило, состоят из следующих этапов:
- считывание изображения с устройства ввода;
- фильтрация изображения;
- преобразование изображения в монохромное и его утоньшение;
- нахождение узловых элементов изображения и составление графа по ним;
- выделение признаков, сравнение их с эталонными и выдача результатов сравнения.
Благодаря эргономичности и малым размерам сканирующие устройства могут быть интегрированы в компьютерную мышь или клавиатуру. В системе ИСДЦ основным устройством задания команд является функциональная клавиатура. В настоящее время много фирм производят так называемые «программируемые функциональные клавиатуры» (ПФК), имеющие очень большой ресурс (до 50 млн. нажатий). Они позволяют запрограммировать индивидуально каждую клавишу на выдачу определенного кода, как при ее нажатии, так и при отпускании. Индивидуально программируется и длительность звукового сигнала.
Большинство ПФК имеют выходной интерфейс PS/2 и включаются в разрыв между алфавитно-цифровой клавиатурой и компьютером. При таком подключении ее «горячая» замена требует перезагрузки компьютера, к тому же невозможно использовать ПФК со встроенным сканером отпечатка пальца.
