Содержание к диссертации
Введение
1. Обоснование необходимости создания программно- математических средств прогнозирования остаточного ресурса рельсов 10
1.1. Характеристика верхнего стороения пути 10
1.2. Анализ программно-аппаратных средств для оценки технического состояния верхнего строения пути 20
1.3. Прогнозирование бокового износа рельсов как процедура оценки их остаточного ресурса 31
1.4. Обзор и анализ методов и моделей прогнозирования 40
1.5 Анализ и сравнение программных продуктов для прогнозирования 48
1.6. Формулировка цели и задач работы 53
2. Алгоритмическое и информационное обеспечение прогнозирования остаточного ресурса рельсов 55
2.1. Постановка задачи определения остаточного ресурса рельсов 55
2.2. Построение прогнозной модели по однородной ирформации 63
2.3. Построение прогнозной модели по разнородной информации 68
2.4. Информационное обеспечение прогнозирования БИР 76
2.5. Выводы по главе 2 84
3. Программное обеспечение прогнозирования бокового износа рельсов и его апробация 86
3.1. Общее описание 86
3.2. Программный комплекс "Прогнозирование БИР" 88
3.2.1. Модуль связи 88
3.2.2. Модуль прогнозирования 90
3.2.3. Вывод результатов 93
3.3. Экспериментальная проверка программного комплекса "Прогнозирование бокового износа рельсов" 96
3.3.1. Прогнозирование остаточного ресурса рельсов кривой пути "R=307M, 5194 КМ 677 М- 5195 км 277 м" 96
3.3.2. Прогнозирование остаточного ресурса рельсов кривой пути "R=308 м, 5236 км 634 м - 5236 км 942 м" 100
3.3.3. Прогнозирование остаточного ресурса рельсов кривой пути "R=504 м, 5270 км 544 м - 5271 км 286 м" 104
3.4. Выводы по главе 3 108
Заключение 110
Список литературы 113
- Анализ программно-аппаратных средств для оценки технического состояния верхнего строения пути
- Анализ и сравнение программных продуктов для прогнозирования
- Построение прогнозной модели по разнородной информации
- Прогнозирование остаточного ресурса рельсов кривой пути "R=307M, 5194 КМ 677 М- 5195 км 277 м"
Введение к работе
Актуальность. Железнодорожный транспорт является важнейшей инфраструктурной системой, определяющей развитие экономики страны. Технический прогресс на железнодорожном транспорте тесно связан с повышением эксплуатационной надежности основных элементов верхнего строения пути и подвижного состава - железнодорожных рельсов и колес. Их недостаточная работоспособность требует частой замены и ремонта, вызывает задержки в движении поездов, создает значительные организационные трудности. Для обеспечения безопасности движения и повышения рентабельности перевозок необходимо максимально исключить внезапные отказы в виде опасных изломов рельсов и колес, повысить износоустойчивость контактирующих поверхностей. Сегодня объем грузовых перевозок превышает 1,4 млрд т в год, а к 2030 году грузооборот увеличится в 1,7 раза, что потребует значительного повышения ресурса рельсов.
Важным направлением по повышению срока службы рельсов является мониторинг состояния пути, что позволяет внедрить систему ремонта пути по техническому состоянию. Целью мониторинга верхнего строения пути является сбор, накопление, обработка диагностической информации и оценка на ее основе технического состояния компонентов пути, включая рельсы. Одной из задач мониторинга является прогнозирование остаточного ресурса рельсов, а через этот ресурс определение периодичности контроля. Но для этого необходимо программное обеспечение по прогнозированию бокового износа рельсов с последующей оценкой их остаточного ресурса.
В большинстве случаев в программных продуктах по мониторингу объектов используются простейшие методы прогнозирования или модуль прогнозирования вообще отсутствует. Это относится и к программному обеспечению путеобследовательских станций ЦНИИ,-4 и их модификаций, включая скоростную станцию ЦНИИ-4МД.
Таким образом, развитие исследований, связанных с созданием нового алгоритмического и программного обеспечения прогнозирования остаточного ресурса рельсов, является актуальной задачей, требующей своего решения.
Целью диссертационной работы является разработка специализированного математического и программного обеспечения обработки данных мониторинга для прогнозирования остаточного ресурса рельсов по их боковому износу. Для реализации сформулированной цели в работе решаются следующие задачи:
1. Обоснование необходимости создания математических моделей и программных средств для прогнозирования бокового износа рельсов. Эта задача требует предварительного анализа предметной области, а также моделей и программных средств, используемых для прогнозирования.
2. Разработка математического и информационного обеспечения
прогнозирования остаточного ресурса рельсов. Эта задача является осно
вой для разработки программного обеспечения.
Создание программного обеспечения с дружественным интерфейсом, реализующего предложенные модели прогнозирования. Эта задача включает в себя разработку базы данных для информации мониторинга бокового износа рельсов.
Экспериментальная проверка работы программного и математического обеспечения прогнозирования остаточного ресурса рельсов на реальных данных их мониторинга.
Научную новизну диссертации представляют следующие результаты, которые выносятся на защиту:
1. Алгоритм оценки остаточного ресурса рельсов, содержащий три
показателя: средний остаточный ресурс на базе прогнозной модели; веро
ятный остаточный ресурс, использующий доверительную границу про
гнозных значений; рекомендуемую дату следующего измерения.
2. Вычислительный алгоритм прогнозирования бокового износа
рельсов, использующий либо статистические данные мониторинга, либо
статистические данные мониторинга и экспертные суждения.
Модель «Структура пути», положенная в основу базы данных по боковому износу рельсов.
Программный комплекс «Прогнозирование бокового износа рельсов», основанный на вычислительном алгоритме оценки их остаточного ресурса.
Практическая ценность работы заключается в применении программного комплекса «Прогнозирование бокового износа рельсов», который апробирован на реальных данных, полученных с путеобследователь-ской станции ЦНИИ-4. Результаты диссертационной работы внедрены в службе пути ВСЖД филиала ОАО «РЖД», о чем имеется акт внедрения.
Разработанные алгоритмы прогнозирования и созданный на их основе программный комплекс могут найти применение при решении практических задач в других отраслях промышленности.
Методы исследования и достоверность результатов. Результаты и выводы, представленные в диссертации, строго обоснованы применением методов прогнозирования, математической статистики и математического программирования. Эффективность разработанного алгоритмического и программного обеспечения проверена расчетами на компьютере по реальным экспериментальным данным.
Апробация работы. Основные положения диссертационной работы докладывались на всероссийских, международных и региональных конференциях: всероссийской НПК «Проблемы и перспективы изысканий, проектирования, строительства и эксплуатации российских железных дорог», Иркутск, 2007; 45-й международной НПК «Инновационные технологии -транспорту и промышленности», Хабаровск, 2007; 5-м Байкальском эко-
номическом форуме «Стратегические направления долгосрочного развития транспортной инфраструктуры Сибири и Дальнего востока», Иркутск, 2008; всероссийской конференции «Энергоэффективность, энергосберегающие технологии в образовательном секторе и социальной сфере», Иркутск, 2009; 2-й НПК «Безопасность регионов - основа устойчивого развития», Иркутск, 2009; 3-й международной конференции «Управление развитием крупномасштабных систем MLSD'2009», Москва, 2009.
Публикации. По результатам исследований опубликовано 9 научных работ в виде статей и докладов. Из них две публикации в изданиях, рекомендованных ВАК. Число публикаций без соавторов равно 4.
Диссертация состоит из введения, трех глав, заключения, списка используемой литературы из 102 наименований и двух приложений. Общий объем работы 127 страниц.
Анализ программно-аппаратных средств для оценки технического состояния верхнего строения пути
Существующие в настоящее время программно-аппаратные средства решают задачи мониторинга, прогнозирования и диагностирования технического состояния пути. В некоторых случаях компоненты прогноза и диагностики поставляются отдельно от основного программного продукта, решающего только задачи сбора, хранения измерений, а также мониторинга по собранным измерениям.
Специализированные системы мониторинга Мониторинг системы «колесо-рельс»
В Ростовском государственном университете путей сообщения разработана методика управления жизненным циклом системы «колесо-рельс» с использованием программного комплекса «АНАЛИТИК»: PLM (Product Lifecycle Support Management) [59].
Цель создания методики - разработка системы управления инженерными данными и жизненным циклом системы колесо-рельс на базе современных информационных технологий класса PLM.
Основная задача - создание программного ядра корпоративной системы мониторинга, имеющего открытую архитектуру баз данных и интегрированного в распределенную информационную сеть ОАО "РЖД".
Методика позволяет обеспечить хранение и управление технической документацией и информацией о структуре, вариантах системы «колесо-рельс», интеграции компонентов системы в различные подсистемы.
На этапе эксплуатации программа обеспечивает накопление данных о результатах эксплуатации колесных пар и рельсов, обмен информацией между соответствующими службами. Программа рассчитана на управление данными и организацию взаимодействия между отделами внутри предприятия (ТЧ, ПЧ) и между службами управления железной дороги, для обеспечения устойчивого взаимодействия в системе "колесо- рельс".
Одним из внедренных на Северо-Кавказской ЖД модулем программного комплекса «АНАЛИТИК» является «Электронная версия ТО-3 для локомотивных депо и служб локомотивного хозяйства». Этот модуль позволяет автоматически генерировать отчеты, прогнозировать пробег до следующей обточки колесных пар, выдавать задание на обточку. Дополнительный модуль программы позволяет проводить расчёты фактически получаемых величин снижения затрат на топливо (электроэнергию) при проведении работ по лубрикации колес и рельсов в зависимости от фактического объема перевозок и результатов текущей работы рельсосмазывающих систем.
Вибродиагностический комплекс «СМ-3001 - АРМИД» Данный комплекс предназначен для диагностики технического состояния колесно-редукторных блоков (КРБ) электропоездов переменного и постоянного тока на базе 3-х канального сборщика-анализатора вибросигналов СМ-3001 и программного обеспечения «АРМИД». Вибродиагностический комплекс предназначен для проведения безразборной диагностики колесно-редукторных блоков электропоездов переменного и постоянного тока. Перечень диагностируемых узлов КРБ: зубчатое зацепление; узел вала малой шестерни; опорный подшипник (опорный стакан) тягового редуктора; подвеска редуктора; резино-кордовая муфта; моторно-якорный подшипник. Бортовая система измерения нагрузки на колесо/бокового давления Система разработана компанией «ПромДиа» для анализа безопасности движения скоростного поезда путем автоматического измерения нагрузки на колесо и бокового давления на поезд. Это особенно важно при испытаниях сверхскоростных пассажирских экспрессов и существующих поездов. Нагрузка на колесо и боковое давление определяются в виде электронных сигналов с помощью тензодатчиков, подключенных к плоскому или спицевому колесу, которые усиливаются динамическим тензоусилителем. Усиленные сигналы передаются на ПК по высокоскоростному АЦП, а затем анализируются на ПК. Тензодатчики можно подключить двумя способами: временное подключение; непрерывное подключение. Система анализа выполняет расчет коэффициента крушения поезда в режиме реального времени и записывает результаты на жесткий диск. Для записи форм волны в режиме реального времени можно подключить дополнительно 2 записывающих устройства. Экспериментальный видеомониторинг железнодорожного пути В настоящее время существует много методов и технических средств для оценки состояния верхнего строения пути. В зарубежной практике, а сейчас и в нашей стране развивается телевизионно-цифровой метод. Отечественными разработчиками подобных систем являются ЗАО «ПИК Прогресс», группа компаний «Твема», НПЦ Инфотранс». Эти разработчики создали опытную аппаратуру - телевизионно-цифровой комплекс, позволяющую оценивать состояние скреплений, выплески балласта и многое другое [93]. По инициативе службы технической политики и при участии службы пути Московской дороги в 2007 году выполнены экспериментальные испытания телекомплекса. Опытной аппаратурой были оборудованы два типа электропоездов - междугородний экспресс ЭМ2И и пригородный электропоезд ЭД2Т. Основные цели испытаний: а) регистрация состояния скреплений, шпал, полосы отвода на макси мально разрешенной скорости движения подвижной единицы; б) привязка видеозаписи пути к путейским координатам (км, пикет), GPS-координатам и реальному времени выполнения видеозаписи. Испытания проводили на одноканальной и четырехканальной аппаратуре. Телекамеры устанавливали на головных вагонах возле узла автосцепки. Скорость движения электропоездов изменялась от 0 до 108 км/ч. Видеозапись пути вели на трех участках.
Анализ и сравнение программных продуктов для прогнозирования
Программных продуктов для статистических исследований достаточно много [11, 37, 84]. Всемирно известны статистические продукты для комплексной обработки данных: BMDP, SAS, Statgraphics.
Статистические методы анализа и прогнозирования временных рядов (сглаживание, частотная фильтрация, спектральный анализ, выделение сезонных колебаний, модели тренда, авторегрессионные модели, множественная регрессия, модель Бокса-Дженкинса ARIMA) реализованы в специализированном программном продукте анализа временных рядов МЕЗОЗАВР и в универсальных статистических пакетах SYSTAT и SPSS.
С 1995 года мировым лидером на рынке статистического программного обеспечения признаётся интегрированная система Statistica для Windows.
Новейшие нейронно-сетевые методы (многослойный персептрон, радиальная базисная функция) представлены в продукте Neural Connection.
Впервые нейронные сети благодаря усилиям StatSoft полностью переведены на русский язык и доступны самому широкому кругу пользователей в экономике, бизнесе, промышленности, медицине и других областях. Программные продукты, поддерживающие методы анализа и прогнозирования, можно разделить на следующие группы: библиотеки подпрограмм; открытые системы, допускающие настройку параметров; исследовательские программы, требующие от пользователя знаний по статистической обработке данных.
Библиотеки подпрограмм - существует большое количество библиотек, содержащих подпрограммы обработки матриц, подпрограммы, реализующие регрессионные методы и т.д. Язык программирования: ФОРТРАН, С и пр. Используя исходные тексты, можно реализовать требуемые методы, однако возникают проблемы ввода информации и отображения результатов. При использовании этих подпрограмм необходимо пользоваться средствами разработки приложений (например: Delphi, OWL, С Builder, SQL Windows и т.п.), включая в приложения и расчетные подпрограммы.
Открытые системы допускающие настройку параметров - главные вопросы: а) набор методов, которые доступны при настройках; б) сложность освоения (время на освоение) средств настройки (языка, макросов), в) способ ввода данных, г) используемые средства отображения результата. Подобные системы позволяют создавать некоторое подмножество пользовательских приложений, автоматизирующих в той или иной степени процесс принятия решений.
Исследовательские программы, требующие от пользователя определенного уровня подготовки. Подобные программы обладают богатым набором различных методов обработки данных. Однако способ управления с помощью системы меню и диалоговых панелей, который хорош в процессе исследований, не предусматривает автоматизации вызова последовательности действий. Подобные программы не ориентированы на создание специализированных пользовательских приложений. Один или несколько таких пакетов можно использовать для выбора метода или набора методов, эффективных для решения рассматриваемой задачи, а также для тестирования результатов, получаемых в результате работы самодельных программных продуктов. Примеры: StatGraph, SAS, SPSS, MathLab.
Примеры программных реализаций нескольких компаний Приведем краткие характеристики программных продуктов компаний Ward Systems Group,Inc. и НейроПроект, наиболее широко использующиеся для прогнозирования. NeuroShell 2 - программная среда с дружественным и интуитивно понятным интерфейсом, в которой реализованы наиболее распространенные и эффективные нейросетевые архитектуры. Этот программный продукт удовлетворит и новичка, и профессионала. NeuroShell сопровождает целая серия дополнений, которые могут существенно упростить решение ряда специфических задач. GeneHunter - программный продукт, использующий генетические алгоритмы для решения очень сложных комбинаторных и оптимизационных задач. GeneHunter является надстройкой Microsoft Excel, т.е. пользователь решает свои задачи непосредственно из рабочего листа, содержащего данные. Кроме того, в состав GeneHunter входит динамическая библиотека функций генетических алгоритмов, что позволяет пользователю создавать системы, использующие генетические алгоритмы. NeuroShell Trader - система, предназначенная для прогнозирования и поиска эффективных торговых стратегий на финансовых рынках. Система ориентирована на трейдеров, инвесторов и всех тех, кто зарабатывает или собирается зарабатывать на биржевой торговле. Она настолько проста в использовании, что начинающие могут быстро освоить ее и начать эффективно использовать. Однако система является настолько мощной, что дает возможность профессионалам решать широкий круг сложнейших задач. Нейросетевые архитектуры, лежащие в основе программ данной серии, являются самыми последними достижениями научного поиска, результатом которого явилось создание алгоритма "самопостроения" нейронной сети, обладающей рекордными скоростями обучения. Эти программы чрезвычайно просты в использовании. Теперь пользователь должен сосредоточиться только на формулировке задачи, все остальное программы данной серии сделают сами. В состав серии входят: NeuroShell Predictor - Предсказатель; NeuroShell Classifier - Классификатор; NeuroShell Runime Server - Средство автономного использования сетей, полученных в NeuroShell Predictor и NeuroShell Classifier. NeuroShell Predictor дает возможность с легкостью создавать системы для решения задач прогнозирования и предсказания на основе имеющейся базы данных. Это могут быть предсказания следующих значений параметров временного ряда. NeuroShell Classifier предназначен для решения задач распознавания образов, связанных с определением принадлежности предъявляемого образа (ситуации) к той или иной категории. NeuroShell Runime Server содержит ряд программ, которые позволяют использовать сети, созданные с помощью NeuroShell Predictor и NeuroShell Classifier, либо из рабочих листов Microsoft Excel либо в собственных программах. Statistica — это интегрированная система комплексного статистического анализа и обработки данных в среде Windows — занимает устойчивое лидирующее положение на рынке статистического программного обеспечения. Одной из важных возможностей является обработка данных с точки зрения построения регрессионных моделей, прогнозирования поведения системы на основе этих моделей.
Построение прогнозной модели по разнородной информации
Прогнозная модель, получаемая по статистическим данным, обладает хорошими прогностическими свойствами при двух основных условиях: а) модель является адекватной по некоторому критерию относительно исходных экспериментальных данных; б) тенденции в будущем соответствуют тенденциям предыстории. Так как адекватность прогнозной модели и тенденции в будущем на практике не всегда выполняются, то предлагается другой подход - прогнозирование остаточного ресурса по разнородной информации, когда помимо предыстории используется информация экспертов. Важным фактором применения разнородной информации при прогнозировании БИР является то, что на практике наработка рельсов измеряется в тоннаже перевозимого груза, а в нашей модели в месяцах. При относительно равномерном грузообороте это не принципиально, а при не равномерном имеются отличия. Эти отличия и могут учитываться экспертами.
Кроме того, применять прогнозирование по разнородной информации можно в тех случаях, когда сведения о значениях показателя в прошлом ограничены. Недостаточное количество данных для прогнозирования по однородной информации может быть в период начального накопления значений БИР.
В настоящее время при прогнозировании различных процессов часто используются экспертные суждения. Особое место занимает подход, основанный на совместном использовании объективных и субъективных методов прогнозирования [98], так как в этом случае наиболее полно учитывается вся информация о прогнозируемом явлении. Проводится экспертное прогнозирование и прогнозирование на основе предыстории явления одним из экстра-поляционных методов, затем выполняется комбинирование полученных прогнозов.
Немаловажен вопрос оценивания точности прогноза. Критерий точности должен быть тесно связан с результатом принятия решения на основе прогноза. Часто невозможно построить такой критерий и поэтому обычно используются статистические критерии, например, дисперсия ошибки.
Если качество статистической модели при условии корректного использования методов обработки информации определяется достоверностью статистических данных, то качество модели, основанной на разнородной информации, определяется еще и достоверностью экспертной информации, являющейся следствием уровня компетентности привлекаемых экспертов [65].
Экспертная информация представляет собой совокупность суждений экспертов о свойствах ВИР на периоде упреждения прогноза. Общая схема построения модели сводится к решению задачи минимизации критерия соответствия статистическим данным при ограничениях, полученных из экспертных суждений. При формализации данной задачи будем использовать результаты работ [17,65]. Эксперт может высказывать различные суждения о значении показателя. Например, о верхней или нижней границе возможных значений показателя, о связи будущих значений с прошлыми, о монотонном возрастании или убывании значений показателя. Далее мы будем рассматривать суждения о верхней или нижней границах возможных значений показателя. Каждое такое суждение может быть представлено в виде Параметр (3 зависит от варианта установки границы: /5 =1, если задается нижняя граница значения показателя (y(t) у); jS=-l, если задается верхняя граница значения показателя (у (t) 7 или -y(t) -7). В результате получаем систему неравенств, составленную из всех экспертных суждений где F — число экспертных суждений. Будем считать, что экспертные суждения непротиворечивы, то есть существует хотя бы один вектор параметров модели, для которого выполняются все ограничения экспертов. Постановка задачи Задача прогнозирования сводится к нахождению модели (2.3), наиболее согласованной с результатами наблюдений и экспертными суждениями (2.20). В регрессионном анализе разработано значительное количество методов оценивания параметров статистических моделей. Наиболее распространенными являются: метод наименьших квадратов (МНК) и метод наименьших модулей (МНМ). В МНК оценка коэффициентов определяется по формуле (2.16). Если на компоненты вектора параметров наложены ограничения, то оценка параметров не может быть выписана в явном виде и является решением задачи квадратичного программирования. Решение задачи поиска МНМ-оценок сводится к решению задачи линейного программирования.
Прогнозирование остаточного ресурса рельсов кривой пути "R=307M, 5194 КМ 677 М- 5195 км 277 м"
Создано программное обеспечение прогнозирования остаточного ресурса рельсов, реализующее алгоритмы, изложенные в главе 2. Программный комплекс «Прогнозирование БИР» (ПК ПрБИР) состоит из двух основных компонент: модуля связи и модуля прогнозирования. Для разработки ПК ПрБИР на основе спроектированной бызы данных, использовался пакет Microsoft Visual Basic 6.0.
Доступ к базе данных осуществляется с помощью окна «Структура пути». Модель «Структуры пути» содержит следующую информацию: а) направление, например: 13807 (Иркутск-пасс. - Чита); б) участок (начало участка, км — конец участка, км), например: Кая — Слюдянка-1 (5194-5307); в) путь 1 или 2:1— движение с Востока на Запад; 2 - движение с Запада на Восток; г) кривая пути, имеющая заданный радиус пути. Необходимо указать радиус, начало, конец. Например: R=307 м, 5194 км 677 м - 5195 км 277 м. д) рельс (левый, правый). 3. Программное обеспечение проверено на трех кривых участка пути «Кая-Слюдянка». Экспериментальная проверка программного комплекса по данным мониторинга пути с помощью станции ЦНИИ-4 показала его работоспособность и эффективность. В диссертации разработано алгоритмическое, информационное и программное обеспечение прогнозирования остаточного ресурса рельсов по данным мониторинга верхнего строения пути. Результаты работы направлены на увеличение срока службы рельсов, на внедрение страгеии их обслуживания по техническому состоянию, что, в свою очередь, увеличивает безопасность движения и повышает рентабельность перевозок. В результате проведенных исследований получены следующие результаты: 1. Обоснована необходимость прогнозирования остаточного ресурса рельсов для внедрения стратегии их обслуживания по техническому состоянию. Внедрение этой стратегии позволит увеличить срок службы рельсов и уменьшить внезапные отказы в виде их опасных изломов. 2. Остаточный ресурс рельсов предлагается оценивать тремя показателями: средним остаточным ресурсом на базе прогнозной модели; вероятным остаточным ресурсом, использующим доверительную границу прогнозных значений; рекомендуемой датой следующего измерения. Для каждого показателя разработаны вычислительные алгоритмы, объединенные в единый алгоритм прогнозирования остаточного ресурса рельсов. 3. В качестве прогнозной модели изменения БИР предложена и обоснована полиномиальная функция порядка R. При оценке ее параметров предложено два подхода: а) используется только статистическая информация, накопленная в результате мониторинга верхнего строения пути (прогнозирование по однородной информации); б) кроме статистической информации используется информация экспертов (прогнозирование по разнородной информации). В первом подходе (по однородной информации) для оценки коэффициентов полинома применяется метод наименьших квадратов. Создан алгоритм выбора наилучшей прогнозной модели при однородной информации на основе шагового регрессионного метода. Эта модель в дальнейшем используется для расчета показателей остаточного ресурса.
Разработан вычислительный алгоритм прогнозирования остаточного ресурса рельсов по разнородной информации как задача линейного программирования, использующая статистические данные мониторинга и суждения экспертов. Решая задачу линейного программирования для каждой модели, мы получаем не только оценки коэффициентов, но и значения целевой функции. Для дальнейших расчетов выбирается модель, имеющая наименьшее значение этой функции.
Разработана модель «Структура пути», положенная в основу базы данных по боковому износу рельсов. Наиболее подходящей стратегией для проектирования базы данных БИР был выбран «нисходящий» подход. На основе ранее собранной информации о пути создано концептуальное представление базы данных, включающее определение типов важнейших сущностей и существующих между ними связей. Разработана ER-диаграмма «сущность - связь». Осуществлено преобразование концептуального представления в логическую структуру базы данных. Спроектированы отношения на основе реляционной модели данных. Разработана логическая модель данных пути. Для физической реализации разработанной реляционной базы данных выбрана СУБД Microsoft Access 2000. На базе всех доступных функциональных возможностей целевой СУБД была осуществлена разработка таблиц БД и установка необходимых ограничений целостности данных.
Создано программное обеспечение прогнозирования остаточного ресурса рельсов, реализующее алгоритмы, изложенные в главе 2. Программный комплекс «Прогнозирование БИР» (ПК ПрБИР) состоит из двух основных компонент: модуля связи и модуля прогнозирования. Для разработки ПК ПрБИР на основе спроектированной бызы данных, использовался пакет Microsoft Visual Basic 6.0. Доступ к базе данных осуществляется с помощью окна «Структура пути». Модель «Структуры пути» содержит следующую информацию: а) направление, например: 13807 (Иркутск-пасс.-Чита); б) участок (начало участка, км - конец участка, км), например: Кая Слюдянка-1 (5194-5307); в) путь 1 или 2:1- движение с Востока на Запад; 2 - движение с Запада на Восток; г) кривая пути, имеющая заданный радиус пути. Необходимо указать радиус, начало, конец. Например: R=307 м, 5194 км 677 м - 5195 км 277 м. д) рельс (левый, правый). 7. Программное обеспечение проверено на трех кривых участка пути «Кая-Слюдянка». Экспериментальная проверка программного комплекса по данным мониторинга пути с помощью станции ЦНИИ-4 показала его работоспособность и эффективность. По результатам апробации ПК ПрБИР имеется акт внедрения.
