Размещено на http://www.allbest.ru/

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

АВТОРЕФЕРАТ

диссертации на соискание ученой степени

кандидата технических наук

СИСТЕМЫ ПОДДЕРЖКИ ИНТЕЛЛЕКТУАЛЬНОГО ФУНКЦИОНИРОВАНИЯ НА СОРТИРОВОЧНОЙ СТАНЦИИ: ТЕХНОЛОГИЧЕСКОЕ, МАТЕМАТИЧЕСКОЕ И МЕТОДИЧЕСКОЕ ОБЕСПЕЧЕНИЕ

Сарьян Анна Сергеевна

Ростов-на-Дону 2010

Работа выполнена на кафедре «Информатика» государственного образовательного учреждения высшего профессионального образования «Ростовский государственный университет путей сообщения» (РГУПС)

Научный руководитель доктор технических наук, профессор Лябах Николай Николаевич

Официальные оппоненты доктор технических наук, профессор Иванченко Владимир Николаевич

кандидат технических наук, доцент Гладков Леонид Анатольевич

Ведущая организация Петербургский государственный университет путей сообщения (ПГУПС)

Защита диссертации состоится на заседании диссертационного совета Д 218.010.03 при Ростовском государственном университете путей сообщения по адресу: 344038, г. Ростов-на-Дону, пл. Ростовского Стрелкового Полка Народного Ополчения, 2, конференц-зал.

Ученый секретарь диссертационного совета д.т.н., профессор Бутакова М.А.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

информационный решение интеллектуальность математический

Актуальность темы. В последнее десятилетие происходит возрастание требований отрасли к уровню автоматизации решения новых классов задач, увеличивающегося уровня сложности. К их числу относятся так называемые слабо формализованные или информационно сложные задачи, связанные с анализом, контролем и диагностированием сложных технических объектов, явлений и процессов. Не исключением в этом ряду являются объекты железнодорожного транспорта, в частности, сортировочная станция (СС) и сортировочная горка (СГ). Такие задачи возникают на транспорте при разработке автоматизированных управляющих или контролирующих систем, способных обеспечить эффективную поддержку принятия решений в сложных технических и информационно-технологических ситуациях. СС относится к сложным технологическим объектам, характеризующимся нестационарностью процессов, низкой достоверностью получаемой информации, наличием неизвестных и трудно учитываемых факторов, дефицитом времени на принятие решений в условиях высокой интенсивности технологического процесса.

Актуальность задачи управления сортировочными процессами на станциях не вызывает сомнений. Не случайно СС называют «сердцем» транспортного конвейера страны. Именно здесь зарождаются и поглощаются грузовые транспортные потоки. Насколько точно и энергично работает это СС, настолько эффективен транспортный конвейер в целом.

Концепция управления сложными объектами на железнодорожном транспорте в последнее время претерпела значительные изменения. Традиционное представление о развитии систем управления, соответствующее вектору: механизация, автоматизация, автоматическое управление, оказалось в данном случае тупиковым. Практика показала: сложность объекта (СГ, СС) принципиально исключает возможность полного автоматического режима.

Центральная дирекция управления движением ОАО «РЖД» отмечает, что анализ происшествий в хозяйстве перевозок свидетельствует о наличии системных проблем, связанных с техническим оснащением и технологическим обеспечением сортировочных горок и станций. При этом указывается, что 46 % таких проблем в 2009 году в хозяйстве перевозок допущено на сортировочных горках.

На специальном заседании Правления ОАО «РЖД», посвященном повышению надежности работы технических средств и обеспечению безопасности движения, было отмечено, что «компания должна быть ориентирована, прежде всего, не на ликвидацию последствий ЧП, а на их прогнозирование на основе анализа работы технических средств и выявления узких мест технологических процессов». В этой связи сформулирован основополагающий принцип: необходимость «внедрения методов интеллектуального управления и контроля».

Согласно новой парадигме управления, рассматриваемой в данной работе, человек «возвращается» в систему, но его роль уже качественно иная. Он одновременно задатчик цели (представляет интересы среды погружения системы), учитель (субъект, продуцирующий интеллект) и одновременно обучающийся (критически воспринимающий интеллектуальное функционирование машины). В данном случае человек - биологическая составляющая системы интеллектуального функционирования.

Интеллектуальное функционирование системы обеспечивается:

- общей логикой трехуровневого функционирования системы, включающего: обучение (в том числе коррекция моделей по результатам скатывания отцепов), расчет оптимального режима, управление;

- совокупностью автоматов-советчиков, «впитавших» естественный интеллект опытных операторов сортировочной горки и генерирующих машинный интеллект.

Разработка и внедрение в системы автоматизации транспортных процессов интеллектуально функционирующих систем и автоматов-советчиков позволит, сохранив для процедур управления опыт и интуицию операторов, включить дополнительные преимущества процедур машинного принятия решений: высокое быстродействие, оперирование значительным числом факторов (для человека оно ограниченно в среднем семью признаками), практически неограниченной памятью.

Степень разработанности проблемы.

Данной теме в научной, методической (прикладной), учебной литературе уделяется много внимания. Исследователи и разработчики сортировочных систем руководствуются понятными, взаимосвязанными критериями, предполагающими:

- облегчение труда расцепщиков, операторов горки, башмачников на путях подгорочного парка и других категорий работников станций;

- расширение состава функций, выполняемых в автоматизированном и автоматическом режиме;

- ускорение процесса роспуска (сокращение простоя вагонов на станции);

- повышение точности технологических процедур;

- сокращение расходов на бой вагонов и грузов.

В настоящее время в рамках данной темы исследования уже проделана определенная работа по следующему спектру направлений.

Значительный вклад в разрешение задач автоматизации управления перевозочным процессом, обеспечения безопасности движения поездов с помощью средств автоматики, телемеханики и связи внесли известные ученые: В.М. Алексеев, В.М. Абрамов, Л.А. Баранов, И.В. Беляков, П.Ф. Бестемьянов, А.М. Брылеев, М.Н. Василенко, А.В. Горелик, Д.В. Гавзов, И.Е. Дмитренко, И.Д. Долгий, Н.Ф. Козлов П.А., Котляренко, Ю.А. Кравцов, И.М. Кокурин, В.М. Лисенков, Б.Д. Никифоров, А.С. Переборов, Н.Ф. Пенкин,

Е.Н. Розенберг, В.В. Сапожников, Вл.В. Сапожников, Д.В. Шалягин, В.И. Шаманов, В.А. Шаров, В.И. Шелухин, и многие другие.

Вопросы автоматизации сортировочных процессов исследовались учеными и практиками Боровковым Ю.Г., Иванченко В.Н., Модиным Н.К., Мухой Ю.А., Одикадзе В.Р., Савицким А.Г., Соколовым В.Н., Фонаревым Н.М., Шелухиным В.И. и др.

Значимые для данного исследования результаты в области искусственного интеллекта (ИИ) представлены в работах Ададурова С.Е., Берштейна Л.С., Гапановича В.А., Гладкова Л.А., Денисова А.В., Заде Л., Ковалева С.М., Лябаха Н.Н., Розенберга И.Н., Уманского В.И., Шабельникова А.Н.

Вычислительные проблемы моделирования сложных объектов (в том числе и на транспорте) нашли свое отражение в исследованиях Арсентьева В.Н., Гореловой Г.В., Гуды А.Н., Ивахненко А.Г., Круга Г.К., Лаврентьева М.М., Микони С.В., Тихонова А.Н. и др.

Вместе с тем в настоящее время отсутствует системный анализ проблем синтеза интеллектуально функционирующих объектов железнодорожного транспорта, что определило цель диссертационного исследования.

Цель и задачи исследования. Целью исследования является развитие математического аппарата, совокупности информационных технологий, обеспечивающих интеллектуальность функционирования сортировочной станции. Реализация поставленной цели подразумевает решение следующих задач:

1. Провести анализ работы СС, обосновывающий необходимость внедрения интеллектуального функционирования.

2. Развить категориальный аппарат исследования.

3. Усовершенствовать ряд технологических процессов сортировки составов на СС.

4. Разработать математическое и программное обеспечение интеллектуализации ряда процессов и процедур принятия решений.

5. Разработать совокупность автоматов-советчиков, обеспечивающих прицельное регулирование скатывания отцепов на СГ.

6. Внедрить результаты исследования на полигонах железной дороги, в учебном процессе университета и на предприятиях.

Объект и предмет исследования. Основной объект исследования - механизмы функционирования СС и процедуры принятия решений персоналом станции. Предмет исследования - методы и алгоритмы интеллектуализации процессов функционирования технических и технологических систем. Для решения поставленных задач использовались общие принципы математического моделирования, математический анализ и методы оптимизации, численные методы, теория распознавания образов, теория нечетких множеств. Работа выполнена в рамках следующих пунктов паспорта специальности 05.13.06:

14. Теоретические основы, методы и алгоритмы интеллектуализации решения прикладных задач при построении АСУ широкого назначения (АСУТП, АСУП, АСТПП и др.).

10. Методы синтеза специального математического обеспечения, пакетов прикладных программ и типовых модулей функциональных и обеспечивающих подсистем АСУТП, АСУП, АСТПП и др.

Положения, выносимые на защиту:

1. В связи с тем, что совершенствование сортировочных процессов в традиционном направлении развития систем управления: механизация, автоматизация, автоматическое управление на каждом шаге требует ограничения множества рассматриваемых объектов, для которых эти условия выполняются, и многие функции СС и СГ выпадают за круг возможностей этих подходов, обусловлена необходимость интеллектуализации процессов на всех уровнях, расширяющая потенциал каждого из указанных подходов.

2. В связи со слабой определенностью, нестационарностью, стохастическими условиями функционирования объектов железнодорожного транспорта для повышения эффективности и безопасности технологических процессов развиты методы обучения лица принимающего решения (ЛПР) и машинных блоков принятия решений (МБПР).

3. Автоматизация и интеллектуализация функционирования сложных объектов не противопоставляются друг другу, как альтернативные подходы к управлению. Это различные качества систем. Интеллектуализация возможна и на уровне механизации, но естественно, что наиболее полно она проявляет себя на уровне автоматического управления. Интеллектуализация расширяет круг решаемых на СС задач.

4. Следует различать, с одной стороны, «естественный» (свойственный человеку) и «машинный» (продуцируемый машиной) интеллект и, с другой, «генетически» заложенный и генерируемый (человеком или машиной) интеллектуальный потенциал. Соответственно при автоматизации СС возникает задача сравнения эффективности, «цены», доступности, взаимного проникновения и обогащения указанных типов интеллекта. Руководящим является принцип целесообразности.

5. Комплексная интеллектуализация СС достигается решением совокупности организационных, технических, технологических, математических, программных проблем.

Научная новизна полученных результатов состоит в следующем:

1. Усовершенствован категориальный аппарат исследования раскрытием понятий в части: уточнения понятия «интеллектуальность функционирования»; уточнения взаимного соотношения категорий «автоматизация» и «интеллектуализация» сортировочных процессов; введения и дифференциации понятий естественный и машинный интеллект, «генетически» заложенный и продуцируемый интеллектуальный потенциал.

2. Предложены механизмы совершенствования естественного и генерации машинного интеллекта в сфере управления сортировкой составов, выполняемые в автоматическом режиме на внесистемном уроне и в оперативном режиме, а именно, осуществляется обучение ЛПР и МБПР.

3. Разработан ряд методов управления станционными процессами, содержащими элементы интеллектуализации: синтезирован механизм управления третьей ТП; усовершенствован метод управления ТП на основе минимизации риска последствий принятых решений (бой вагонов и грузов, образование «окон» и повторная переработка); усовершенствован механизм оценки состояний и совершенствования естественного интеллекта (в конкретной предметной области) оператора-эксперта.

4. Разработан механизм классификации управляемых ситуаций в задачах автоматизации на СС с учетом анализа компактности исследуемых классов, отличающийся адаптивным выбором положения разделяющей границы и обеспечивающий повышение точности распознавания объектов.

5. Разработано программно-математическое обеспечение устойчивости вычислительных процессов, заключающееся в следующем:

- разработан механизм определения оптимальных параметров исследуемых признаковых пространств;

- предложены процедуры выявления оптимального набора информативных признаков моделирования сложных объектов и процессов;

- развит метод отбора данных для устойчивого, с точки зрения вычислительных процедур, моделирования.

Практическая значимость и реализация результатов. Практическая значимость работы определяется возможностью использования предложенных подходов и моделей в реально функционирующих системах автоматизации сортировочных процессов, что позволяет повысить их безопасность, качество функционирования, комфортность деятельности обслуживающего персонала станции и горки.

Результаты диссертационного исследования используются в Ростовском филиале ОАО «НИИАС» при разработке систем автоматизации управления сортировочными станциями, учебном процессе РГУПС, в управлении бизнес-процессами компании ОАО «Астон».

Достоверность результатов работы подтверждается математической адекватностью моделей, основанной на корректном применении методов и доказательствах необходимых утверждений, совпадением теоретических и экспериментальных результатов.

Апробация работы. Основные положения и результаты диссертационной работы докладывались и обсуждались на семинарах кафедры «Информатика» РГУПС, на IV научно-практической конференции, посвященной 35-летию СамГУПС «Актуальные проблемы развития транспортного комплекса» (Самара, 2008), на VIII международной конференции «Информатика: проблемы, методология, технологии» (Воронеж, 2008), на Всероссийской научно-практической конференции «Транспорт-2009» (Ростов-на-Дону, 2009), на международной научно-практической конференции «Проблемы и перспективы развития транспортного комплекса: образование, наука, производство» (Ростов-на-Дону, 2009), на международной конференции «Современные направления теоретических и прикладных исследований» (Одесса, 2010), на седьмой научно-практической конференции «Телекоммуникационные информационные и логистические технологии на транспорте» (Ростов-на-Дону, 2010), на конгрессе по интеллектуальным системам и информационным технологиям AIS-IT' 10 (Дивноморск, 2010), на XI Всероссийском симпозиуме по прикладной и промышленной математике (Сочи, 2010).

Публикации. Полученные в диссертации результаты нашли свое отражение в 15 печатных работах, 4 из которых опубликованы в журналах из перечня ВАК, список которых приведен в конце автореферата.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка использованной литературы (156 наименований), приложения. Общий объем работы - 167 стр.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность исследований, формулируются цель и задачи работы, показана научная новизна результатов.

Первая глава «Предпосылки формирования и сущность новой парадигмы управления сортировочными процессами» содержит постановку задачи исследования и обоснование необходимости перехода к интеллектуальному функционированию объектов сортировочной станции. В разделе 1.1 формулируются задачи сортировочной станции как объекта исследования, рассматриваются проблемы автоматизации сортировочной работы. Проводится анализ существующих публикаций по данной теме. В разделе 1.2 приводится обоснование выбора интеллектуализации как перспективного пути совершенствования теории управления сортировочными процессами. В 1.3 систематизируется и развивается категориальный аппарат исследования, раскрытием понятий в части:

- уточнения понятия «интеллектуальность функционирования»: следует говорить о степени интеллектуальности, изменяющейся на интервале от 0 до 1 и ее относительности;

- уточнения взаимного соотношения категорий «автоматизация» и «интеллектуализация» сортировочных процессов;

- введения и дифференциации понятий естественный и машинный интеллект, «генетически» заложенный и продуцируемый интеллектуальный потенциал;

- уточнения понятия устойчивости вычислительных процедур моделирования и принятия решений (в авторской редакции формируется из приоритета эвристики специалиста над свойствами вычислительного алгоритма).

Предлагаются подходы для развития методов оценки степени интеллектуальности технических систем.

Во второй главе «Теоретические основы синтеза интеллектуальных систем на железнодорожном транспорте» классифицируются системы интеллектуального функционирования, исследуются методы обучения человека и машины, и совершенствуется метод оценки состояния и развития естественного интеллекта (в конкретной предметной области) оператора-эксперта. В разделе 2.1 вводятся и описываются схемы классификации систем интеллектуального функционирования, отличающиеся следующими критериями сравнения:

- способом получения интеллекта системой (базирующиеся на естественном интеллекте человека, генерирующие собственный (машинный) интеллект и системы смешанного типа);

- отношением к изменению внутренней и внешней среды (неадаптивные и адаптивные подходы);

- основывающиеся на используемом математическом аппарате (регрессионный анализ, теория распознавания образов, комбинаторика, теория нечетких множеств, теория игр, теория массового обслуживания, теория экспертного оценивания, теория активных систем и др.).

Приводится общая классификация подходов и методов интеллектуализации функционирования сложных транспортных систем, позволившая выявить проблемы и пути совершенствования сортировочных процессов.

В разделе 2.2 рассматриваются процедуры обучения человека и машины в интеллектуально функционирующих системах (рис.1). Разрабатываются как процедуры обучения ЛПР с помощью машины, так и обучение МБПР с помощью экспертов.

Размещено на http://www.allbest.ru/

Рис. 1. - Блок-схема обучения принятию решений

Этот процесс выполняется в лабораторных условиях. Исходные данные задачи поступают в компьютер, который, используя готовое программное обеспечение (продукт интеллектуальной деятельности человека), осуществляет просчет вариантов решения. Решение достигается путем применения аппарата, недоступного для прямого счета ЛПР. Эти варианты заносятся в специальную таблицу (см. таблицу 1). В ней обозначено: i - номер варианта, S - параметры ситуации, R - решение.

Таблица 1. Обучающие данные для ЛПР

i	1	2	…	N
S	(2,35; 1,24)	(3,20; 2,00)		(3,8; 2,50)
R	(2; 1,3)	(3, 3,5)		(4; 2,5)

Рассматривается описываемый подход на примере управления ТП. В этом случае параметрами ситуации S являются: критерии управления (минимизация боя вагонов и грузов, минимизация окон в ПФ), необходимые величины снижения: энергетическая высота ДЭ и скорость отцепа ДV за счет выбора ступени торможения СТ и времени торможения ф. Решение R, таким образом, характеризуется вектором (СТ, ф). Данные приведенные в таблице свидетельствуют, что если необходимо погасить у отцепа энергетическую высоту на 2,35 метров, а скорость снизить на величину 1,24 м/с, то следует применить вторую ступень торможения в течении 1,3 с. (см. столбец таблицы i = 1). Таким образом, ЛПР не охватывая всей процедуры, имеет рекомендательную таблицу 1, интерполирует ее значения в конкретных ситуациях.

В 2.3 формализуются механизмы автоматического самообучения систем принятия решений, основанные на методах автоматической классификации, которые позволяют выявить новые (неочевидные для исследователя и пользователя систем) свойства объекта исследования и формализовать процедуры принятия решений.

В 2.4 совершенствуется механизм оценки интеллекта (в конкретной предметной области) оператора-эксперта. Его суть заключается в следующем. Для каждого эксперта вводится показатель (вес), который корректируется после каждого акта принятия и исполнения решения. После исполнения решений оценивается эффективность экспертов. Пересмотр весового коэффициента осуществляется следующим образом. Пусть определена относительная допустимая ошибка в оценке эффекта от предложенного решения и ошибка i-го эксперта , где - заявленный эффект, - реальный эффект. Считается, что i-ый участник конкурса добросовестно оценил проект, если . Обозначается репутация i-го участника конкурса как . В качестве примера приводится следующая кусочно-линейная функция для определения репутации эксперта во время n-го цикла принятия решений:

, (1)

где .

Вводится рекуррентная функция для определения новой репутации i-го участника во время n-го цикла принятия решений (проявления интеллектуальных способностей):

. (2)

Изначально репутация всех агентов принимается равной 1.

Данный механизм вызывает ряд вопросов и допускает существенное усовершенствование.

1. Функции для определения репутации эксперта во время n-го цикла rin и новой репутации симметричны относительно ошибки эксперта . Это жесткое ограничение метода. Действительно, если, например, при управлении отцепами на ТП оператор ошибся при назначении скорости выхода из замедлителя, то последствия от занижения и завышения скорости неравнозначны. При занижении образуются «окна» в ПФ и потребуется дополнительная маневровая работа. Если оператор завысил скорость отцепа, то возникает бой вагонов и грузов и повышается вероятность нарушения безопасности. Очевидно, что «цена» этих нарушений отличается на порядок. То есть формула (1) в общем, должна допускать асимметричность.

2. Вводится дискретная (пороговая) зависимость rin от , что снижает точность разрабатываемого метода.

3. В соотношении (1) также неясно происхождение параметров 1, 0.6 и 0.5. Так значение 0.5 соответствует двукратной ошибке оператора. Например, вместо скорости выхода 3 м/сек, надо указать 6 м/сек.

В работе указывается возможный путь решения двух последних вопросов, используя понятия нечетких множеств и естественную для человека линейную логику интерполяции и экстраполяции тенденций развития. В системе координат ,r обозначаются две точки: (0, 1) - при нулевой ошибке вес эксперта равен 1, и (, 0) - вес эксперта равен нулю, если он допустил ошибку с критическим значением . Из рис. 2 а) следует уравнение линии, соединяющей эти точки . Полученный отрезок и аппроксимирует непрерывную зависимость rin от .

Учитывая первое замечание о неравнозначности ошибок, окончательная зависимость rin от будет иметь вид, представленный на рис 2 б).

Рис. 2. - Зависимость веса эксперта от ошибки принятия решения

4. Соотношение (2) для результирующей оценки , приравнивает значимость всей предыдущей интеллектуальной работы эксперта, заключенной в значении Ri n-1, и последнего акта rin. В действительности, при высокой стохастичности при принятии решения более высоким рейтингом должен обладать прошлый, интегрированный опыт эксперта. Далее предлагается уточненная формула:

= k1Rin-1 + k2 rin , (3)

где k1 + k2 =1. Выбором различных значений весовых коэффициентов k1 и k2 можно управлять процессом оценки. Соотношение (3) позволяет сохранить положительное свойство оценки (2) - сходиться к единице при стремлении ri к 1, но учесть также различную роль предыстории в накоплении знаний экспертом.

5. В данном механизме некорректно начальное условие, что репутация всех агентов равна 1. В этом случае «слабый» эксперт получит завышенную оценку, что отрицательно повлияет на результат принятия общих решений и потребуется время для коррекции этого мнения. Процедуру оценки экспертов предлагается формировать на основе следующего алгоритма:

А) При первом принятии решений все эксперты имеют одинаковый вес.

Б) Далее реализуется итерационная процедура:

R1 = r1

= k1Rin-1 + k2 rin , для всех n >1. (4)

Рассматривая временные ряды , можно для каждого эксперта оценить ряд параметров его обучаемости: скорость, стабильность, уровень компетентности и др.

В третьей главе «Формирование условий адекватного моделирования транспортных процессов и процедур принятия решений» сформулирован комплекс вычислительных проблем и представлены пути их решения при создании машинных блоков принятия решений. В 3.1 исследованы вычислительные проблемы синтеза машинных блоков принятия решений и представлены возможные пути их решения. В 3.2 представлен алгоритм и методика отбора данных для моделирования. Он основан на активно-пассивном подходе к моделированию сложных объектов. Суть подхода состоит в том, что исходные данные собираются по результатам реальной работы сортировочного комплекса (пассивно), но для моделирования процесса из этих данных отбираются (активная составляющая метода) наблюдения, обеспечивающие устойчивость и точность вычислительного процесса. В данном разделе подробно рассмотрен механизм осуществления отбора данных и построения модели.

Пусть модель объекта имеет вид

(5)

где х = (х1, х2, …, хm)T - m-мерный входной вектор некоррелированных факторов исследуемого процесса, у - выход объекта, а = (а1, а2, …, аm)T - вектор искомых весовых коэффициентов, - ошибка наблюдения величины у с математическим ожиданием М () = 0 и постоянной дисперсией.

Линейность модели (5) не является ограничивающим фактором. Если реальная зависимость имеет нелинейные члены (степени, произведения исходных факторов), то переобозначением их (введением фиктивных факторов), мы достигаем вида (5). В этом случае, а также при нарушении иных ограничений задачи (коррелированность хi , аддитивность ошибки , ее ненулевое математическое ожидание), речь идет об аппроксимации неизвестной зависимости моделью вида (5).

Для идентификации объекта моделью (5) достаточно из n>m (n - количество наблюдений, m - количество параметров) имеющихся наблюдений отобрать m штук, составить систему линейных алгебраических уравнений и решить ее:

(6)

где - матрица значений j-го фактора в i-ом наблюдении, Y = (y1,…, ym)T - наблюдения выходной величины.

Для увеличения статистической достоверности можно использовать и число уравнений количеством больше m. В этом случае переходим к обобщенному решению системы линейных алгебраических уравнений, умножив левую и правую части исходной прямоугольной системы на транспонированную матрицу левой части.

Чувствительность оценок а к небольшим изменениям вектора Y можно определить выражением:

. (7)

Элемент sji матрицы S отражает чувствительность aj к i-ому наблюдению, i-ый столбец S характеризует чувствительность всего вектора а к i-му наблюдению. Численную оценку чувствительности процедуры расчета к i-му наблюдению можно получить, вводя различные нормы столбцов матрицы S, например,

. (8)

Оценку чувствительности процедуры расчета к выборке в целом задаем нормой матрицы S, например,

. (9)

Затем наблюдения в Х перераспределяются таким образом, чтобы с увеличением номера уравнения чувствительность решения убывала, тогда наиболее чувствительное уравнение окажется на первом месте. Вводя нижней строкой новое уравнение (отражающее новое наблюдение) и выводя соответственно первую строку получим матрицу Х1, для которой вся процедура повторяется. Алгоритм заканчивается при полном переборе n - наблюдений. Различные начальные матрицы Х приводят, в общем, к различным конечным наборам наблюдений, отличающимся повышенной устойчивостью вычислительного процесса к ошибкам в данных, поэтому здесь целесообразно использовать самоорганизующиеся процедуры, обеспечивающие снижение размерности задачи.

В данной работе развит метод отбора данных для моделирования. В частности:

1. Сняты следующие ограничения:

- априорная известность и линейность идентифицируемой модели;

- некоррелированность входных факторов модели;

- нормальность распределения ошибки наблюдения выходной величины;

- требования М () = 0 и постоянной дисперсии.

Достигнуто это за счет постановки задачи аппроксимации в отличие от исходной задачи идентификации «физической» модели.

2. Разработано программное обеспечение описанного выше метода в среде программирования Delphi.

В 3.3 обоснована необходимость решения задачи выбора оптимального перечня факторов, влияющих на принятие решения; рассмотрены некоторые актуальные для сортировки составов методы решения данной задачи: корреляционный анализ, теория распознавания образов, метод главных компонент; предложена усовершенствованная процедура решения поставленной проблемы.

В 3.4. усовершенствована классификационная процедура принятия решений, а именно, метод эталона теории распознавания образов. Суть метода состоит в следующем. Задается обучающая выборка данных, представляющих два класса в многомерном признаковом пространстве Х = (х1, х2, …, хn). На рис. 3. для удобства иллюстрации представлено двумерное признаковое пространство. В каждом классе находятся эталонные точки ХЭ1 и ХЭ2, определяемые средними значениями признаков:

, (10)

где li - число объектов обучающей последовательности, принадлежащих классу Vi.

Размещено на http://www.allbest.ru/

Рис. 3. - Геометрическая иллюстрация усовершенствованного алгоритма классификации

Определяется также точка Х0 - середина отрезка [ХЭ1 ,ХЭ2].

. (11)

В соответствующем признаковом пространстве строится гиперплоскость, проходящая через Х0, ортогонально отрезку [ХЭ1 ,ХЭ2]. Направление ортогональной прямой задается вектором:

,

координаты которого

. (12)

Отсюда уравнение прямой, проходящей через заданную точку (11) с известным нормальным вектором (12), имеет вид (на рис. 3 линия а):

. (13)

В иллюстративном примере разделяющая граница имеет вид прямой линии. Точки обучающей выборки на рисунке расположены таким образом, чтобы подчеркнуть сущность анализируемой проблемы - разброс точек классов различен. Построенная разделяющая граница между классами дает систематическую ошибку, неверно распознавая принадлежность точек менее компактного класса. Такое расположение точек особенно часто характерно для задачи классификации на число классов больших двум.

Совершенствование алгоритма классификации осуществляется параллельным переносом разделяющей границы в сторону более компактного класса. С этой целью вводятся понятия коэффициента сдвига разделяющей границы л и меры компактности классов , а точка Х0 определяется соотношением:

. (14)

При л < 1 граница смещается в сторону ХЭ1, при л > 1 граница смещается в сторону ХЭ2. Соотношение для коэффициента л задается выражением:

, (15)

где среднее расстояние от всех точек класса до соответствующего эталона:

. (16)

Разделяющая граница, построенная с учетом коэффициента л, имеет вид b (см. рис. 3).

Таким образом, случай является частным случаем предложенной методики, при одинаковом разбросе классов, то есть, при =1.

В диссертации приведен конкретный пример, наглядно иллюстрирующий работу предложенной методики.

В четвертой главе «Разработка автоматов-советчиков и интеллектуального интерфейса на сортировочной станции» в 4.1 показано, что существующие советчики, предназначенные для расчета скорости выхода отцепа из ТП и реализации этой скорости, не сведены в единый комплекс, и решают важные, но не согласованные задачи. Предложен синтезированный механизм управления на ТП с помощью схемы, представленной на рис. 4.

Размещено на http://www.allbest.ru/

Рис. 4. - Увязка информационных потоков в управляющем комплексе

В этом случае советчик теряет функцию обучения эксперта и получает данные не от него, а непосредственно из работающей системы. Поступление обучающих данных обозначено на рисунке пунктирной линией, поступление управляющей информации - сплошной.

В разделе 4.2 усовершенствован метод управления ТП на основе минимизации риска последствий принятых решений (бой вагонов и грузов, «окна» и повторная переработка). В частности, рационализирована процедура использования данных, ранжированы критерии оптимизации, введен обобщенный критерий.

Раздел 4.3 содержит описание автоматизированного рабочего места (АРМ) оператора (диспетчера). Предложено рассматривать АРМ как интерфейс между интеллектуальной и исполнительной составляющими систем автоматизированного управления на сортировочных станциях. Описаны различия между программными платформами синтеза АРМов SCADA и DCS.

В заключении приведены основные результаты работы:

1. Показана необходимость перехода от идеологии детерминированного планирования и автоматизации функций принятий решений на СС к реализации интеллектуального управления.

2. Осуществлены систематизация и развитие категориального аппарата теории интеллектуальных систем. Предложены подходы для развития методов оценки степени интеллектуальности технических систем.

3. Введены и описаны схемы классификации систем интеллектуального функционирования.

4. Исследованы процедуры обучения человека и машины в интеллектуально функционирующих системах, формализованы механизмы автоматического самообучения систем принятия решений.

5. Усовершенствован механизм оценки состояния и совершенствования естественного интеллекта (в конкретной предметной области) оператора-эксперта. Механизм учитывает непрерывность изменения интеллектуального «веса» эксперта в зависимости от величины ошибок принятия решения, инерционность изменения интеллектуальных способностей респондента.

6. Исследованы вычислительные проблемы синтеза машинных блоков принятия решений, связанные с определением оптимального перечня влияющих на принятие решений факторов, выбором неизвестной структуры зависимости, очислением и масштабированием исследуемых переменных, выбором меры сравнения исследуемых объектов в сформированном признаковом пространстве, разделением выборки данных на обучающую и проверочную последовательности, неустойчивостью вычислительных процедур построения моделей и процедур принятия решений, неустранимой нечеткостью используемых понятий.

7. Развиты алгоритм и методика отбора данных для моделирования. В частности: снято ограничение линейности модели, предложен механизм увеличения статистической достоверности. Разработано соответствующее ПО в среде программирования Delphi.

8. Усовершенствован алгоритм классификации объектов методом эталона, учитывающий различную компактность разделяемых классов, за счет параллельного переноса разделяющей границы в сторону более компактного класса. Введены показатель компактности и коэффициент сдвига разделяющей границы.

9. Предложен синтезированный механизм управления на ТП, объединяющий механизмы прогноза скорости выхода отцепа из ТП и управления скоростью выхода отцепа из ТП при заданной скорости выхода.

ОСНОВНЫЕ ПОЛОЖЕНИЯ ДИССЕРТАЦИИ ОПУБЛИКОВАНЫ В РАБОТАХ

Статьи в периодических научных рецензируемых изданиях, рекомендованных ВАК:

1. Шабельников А.Н., Соколов В.Н., Сарьян А.С. Импульсное управление торможением отцепов с помощью автомата - советчика //Вестник РГУПС, 2008, №2, С. 63 - 64.

2. Лябах Н.Н., Сарьян А.С. Разработка и внедрение автоматов-советчиков на сортировочных станциях // Известия Петербургского государственного университета путей сообщения, 2009, № 3, С. 40 - 50.

3. Сарьян А.С. Алгоритм и методика отбора данных для моделирования // Вестник РГУПС, 2010, № 2, С. 79 - 84.

4. Сарьян А.С. Классификация подходов и методов интеллектуализации функционирования сложных систем // Обозрение прикладной и промышленной математики, Москва, 2010, вып. 6, том 17, С. 15.

Другие издания:

5. Сарьян А.С. Проблемы внедрения и пути развития информационно-логических устройств на железнодорожном транспорте // Сборник трудов IV науч.-практ. конф., посвященной 35-летию СамГУПС «Актуальные проблемы развития транспортного комплекса» - Самара, 2008, С. 84 - 86.

6. Сарьян А.С. Интеллектуализация управления сортировочными процессами // Сборник трудов VIII междунар. конференции «Информатика: проблемы, методология, технологии» - Воронеж, 2008, С. 207 - 209.

7. Колесников М.В., Сарьян А.С. Формализованные методы управления на основе эталонной модели // Сборник научных трудов «Стратегическое управление организациями: проблемы и возможности современной экономики» - СПб, 2009, С. 161 - 162.

8. Сарьян А.С. Разработка систем функционирования на железнодорожном транспорте: проблемы, пути развития // Сборник трудов конференции «Транспорт - 2009» - Ростов н/Д: 2009, С. 77 - 79.

9. Сарьян А.С., Шабельников В.А., Денисов А.В. Система мониторинга и анализа состояния искусственных сооружений на железнодорожном транспорте // Молодой ученый, 2009, №8, С. 34 - 38.

10. Сарьян А.С. Определение оптимального перечня факторов, влияющих на принятие решений // Сборник трудов международной научно-практической конференции «Проблемы и перспективы развития транспортного комплекса: образование, наука, производство» - Ростов н/Д: 2009, С. 330 - 331.

11. Сарьян А.С., Честа А.В. Обучающиеся алгоритмы управления на железнодорожном транспорте // Молодой ученый, 2009, №12, С. 103 - 105.

12. Сарьян А.С., Гапоненко В.Н. Интеллектуализация системы поддержки принятия решений многофункционального холдинга // Сборник трудов международной конференции «Современные направления теоретических и прикладных исследований» - Одесса, 2010, С. 3 - 8.

13. Saryan A.S. Erarbeitung von intellektuellen betriebssystemen im eisenbahnverkehr: probleme und entwicklungswege // Kybernetik@ Verlag, № 1, ISSN: 2190-4146, 2010. - Hannover, 2010, С. 41 - 49.

14. Лябах Н.Н., Сарьян А.С. Разработка интеллектуальной системы мониторинга оползневых ситуаций // Труды конгресса по интеллектуальным системам и информационным технологиям AIS-IT' 10 - Дивноморск, 2010, С. 279 - 282.

15. Лябах Н.Н., Сарьян А.С. Проблемы интеллектуализации железнодорожного транспорта // Труды седьмой междунар. науч-практ. конференции «Телеком Транс» - Ростов н/Д: 2010, С. 199 - 208.

Размещено на Allbest.ru

...