CC BY
19
Результаты расчетов показателя у = /(Рош) для исследуемых корректирующих кодов приведены на графике (рис.3.) Как следует из графика, предложенный каскадный код с параметрами [(25,8/5,12),(3,1,3)] является эффективным в соответствии с принятым критерием. Конкурирует с ним по эффективности каскадный код (4 6,8,19) при 8-ми повторах и значительно проигрывает код [(25,8/5,12),(5,5/3,7)].
Таким образом, по результатам проведенных исследований можно сделать следующие основные выводы:
1.Для обеспечения надежности передачи данных в цифровых каналах радиосвязи рекомендуется ис-
пользовать каскадный недвоичный код с параметрами [(25,8/5,12),(3,1,3)], обладающий требуемой эффективностью. Длина пакета ошибок, которые гарантированно исправит новый каскадный код [ (25,8/5,12) , (3,1,3) ] равна ТП=ТИ-п = 5-15 = 75 двоичных символов.
2. Предложенный в качестве оптимального каскадный код [(25,8/5,12),(3,1,3)] технически реализуем. Его декодирование возможно по методу максимума правдоподобия, для этого достаточно иметь запоминающее устройство на 125 и 15 двоичных символов, способных хранить в памяти 256 и 32 кодовых комбинаций.
ЛИТЕРАТУРА
1. Мак-Вильямс Ф.Дж., Слоэн Н.Дж.А. Теория кодов, исправляющих ошибки / Пер.с англ. Под ред. Л.А.Бассалыго -М.: Связь,197 9.-744с.
2. С.Шейн, Дж.Джонс. Принципы современной теории связи и их применение к передаче дискретных сообщений / Пер.с англ. Под ред. Л.М.Финка-М.: Связь,1971.-37 4с.
3. Зеленевский В.В. Принципы построения рабастных систем передачи информации .-Министерство обороны РФ, 2001.-374с
4. Зеленевский В.В. Помехоустойчивость приёма избыточных частотноманипулированных сигналов на фоне гармонических помех // Радиотехника, 2 0 02,№7,с.32-36.
5. Зеленевский В.В., Лещинский А.В., Зинкин А.А. Помехозащищённость каскадных кодов в цифровых системах радиосвязи //Известия института инженерной физики, 2009, №2, с.76-80.
6. Кукушкин А.М. Организация виртуальных каналов передачи данных в защищенных системах распределенной обработки информации. - Труды международного симпозиума надежность и качество. - 2 013 -№3 с.289-292
7. Адамов А.П., Адамова А.А., Юлдашев М.Н. Методы обеспечения надежности в беспроводных сенсорных сетях по критерию сетевой нагрузки. - Труды международного симпозиума надежность и качество. - 2016 - №1 с.197-199
УДК 004.891.3
Чистопрудов Д.А., Пахомов В.Ю., Ярыгин А.А., Петров В.В.
Военная академия РВСН имени Петра Великого (филиал в г. Серпухове Московской области), Серпухов, Россия
ИНТЕЛЛЕКТУАЛЬНЫЕ МЕТОДЫ ПОВЫШЕНИЯ КАЧЕСТВА ИДЕНТИФИКАЦИИ ПРИЧИН НЕИСПРАВНОСТЕЙ СЛОЖНЫХ ТЕХНИЧЕСКИХ СИСТЕМ
В статье описывается опыт создания экспертной системы для поиска неисправностей в дизельном двигателе на основе бинарной информации о наличии или отсутствии атрибутивных признаков, характеризующих его неисправность. Предполагается, что в такой задаче известными являются множество причин, множество признаков, проявляющихся под их воздействием и условные вероятности проявления этих признаков. В качестве исходной информации выступает только информации о наличии или отсутствии наблюдения соответствующего признака. Использование классических методов идентификации статических объектов при решении этой задачи к значимым успехам не привело. Кроме того, значительное усложнение алгоритмов распознавания ситуации также не привело к значимому приросту по эффективности поиска причин отказов, а в большинстве случаев из-за загрубения исходной информации наблюдался обратный эффект. Это натолкнуло авторов на необходимость поиска варианта синтеза эвристических и классических методов распознавания образов, основанных на ортогональном представлении исходного вектора признаков и построении дерева решений эвристических правил распознавания объектов. Проведенный статистический эксперимент показал состоятельность предложенных авторами суждений, а прирост по вероятности правильной идентификации причины неисправности двигателя для построенной экспертной системы составил от 5% и более относительно классических способов ее реализации
Ключевые слова:
интеллектуальные системы поддержки принятия решений, идентификация, расстояния бинарных векторов, пространства ортогональных признаков
Оперативный контроль технического состояния сложных технических систем и своевременное устранение возникающих неисправностей всегда являлись актуальными задачами при их эксплуатации. При этом задача диагностики и поиска неисправностей в ряде случаев сводится к задаче следующего вида [1]:
- известно конечное множество возможных причин, действие которых приводит к неисправностям сложной технической системы,
- известно конечное множество признаков, которые характеризуют исправность/неисправность системы, характер проявления которых - стохасти-чен,
- известна матрица априорных условных вероятностей проявления этих признаков, обусловленных действием конкретных причин,
- известен вектор интенсивностей проявления признаков (наблюдение) по которому необходимо решить задачу о поиске причины, породившей такое наблюдение.
В известных методах идентификации причин неисправности сложной системы наряду со стохастическими методами (метод Байеса, метод Нейлора и подобные [1,2]) широко применяются методы классификации, основанные на понятии расстояния
между объектами [3]. При этом, в силу специфики исходных данных (вероятности представлены в виде дробей), расстояния бинарной природы не рассматриваются.
Тем не менее, часто при реализации экспертных систем для поиска неисправностей в сложных технических системах в качестве исходной информации выступает именно бинарное представление наличия или отсутствия анализируемого атрибутивного признака, отличительной характеристикой которого является то, что следствием действия конкретной причины может быть проявление лишь некоторых признаков, в то время как остальные гарантированно не проявляются. Поэтому, при идентификации причины, побудившей наблюдение, правильно было бы использовать не только «сильные» признаки, но и абсолютно невозможные.
В [4] показано, что если количество признаков превосходит количество анализируемых причин, то использование бинарных расстояний позволяет значительно улучшить вероятность правильной идентификации причины неисправности, нежели использование «классических» расстояний, таких как расстояние Евклида, модульное расстояние и расстояние Крамберра. Это обусловлено тем, что рас-
стояния бинарной природы имеют эмпирическую природу и изначально не рассчитаны на работу с идеально точными исходными данными, что при робаст-ной оценке интенсивности проявления признаков позволяет достичь определенный выигрыш.
Тем не менее, если количество причин превышает количество анализируемых признаков, то требования по качеству к исходной информации резко ужесточаются. На этом фоне расстояния бинарной природы значительно уступают методам ортогонального представления образов с их последующей классификацией.
Таблица причин и призна!
Однако сама природа получения бинарной оценки позволяет вместе с классическими расстояниями синтезировать более эффективные алгоритмы идентификации причин неисправности в сложных технических системах, нежели использование только методов ортогонального анализа, что показано ниже.
Пусть рассматривается скрытая неисправность дизельного двигателя, причинами которой может выступать одна из 16 позиций, которая приводит к формированию нескольких атрибутивных признаков ее проявления. Таких признаков пусть будет 11 (см. таблицу №1).
неисправности двигателя Таблица №1
Причины неисправности Признаки неисправности
1 Подсос воздуха в топливную систему 1 Двигатель идет ..вразнос..
2 Неисправен Электромагнитный клапан 2 Двигатель не развивает обороты
3 Неисправен ТНВД 3 «Жесткая» работа дизеля
4 Засорены топливопроводы, загустело топливо 4 Повышенная дымность, сизый выхлоп
5 Забит топливный фильтр 5 Повышенная дымность, черный выхлоп
6 Загрязнен воздушный фильтр 6 Повышенный расход топлива
7 Забиты «трубопроводы обработки» 7 Падение мощности двигателя
8 Ранний впрыск топлива 8 Перебои в работе двигателя
9 Поздний впрыск топлива 9 Неустойчивый холостой ход
10 Нарушения регулировки подачи 10 Затрудненный пуск горячего двигателя
11 Неисправна форсунка(форсунки) 11 Затрудненный запуск холодного двигателя
12 Нарушены зазоры в приводе клапанов
13 Низкая компрессия. Износ ЦПГ
14 Повреждение одного цилиндра
15 Неисправен турбокомпрессор
16 Забит нейтрализатор ОГ
Пусть также известна матрица условных вероятностей проявления признаков, обусловленных действием соответствующих причин (см. таблицу №2).
Условимся в качестве исходной информации о проявлении соответствующих признаков использовать бинарную информацию, т.е. 1 - если признак скорее всего есть и 0 - если признака, скорее всего, нет.
Таблица априорных условных
Для оценки эффективности предлагаемых решений авторы использовали статистический эксперимент в рамках которого последовательно разыгрывали ситуации формирования причин неисправностей и соответствующие им бинарные вектора признаков, сформированные по правилам стохастического моделирования с учетом условных вероятностей проявления признаков. Неинформативные ситуации, т.е. те, в которых не был сформирован ни один признак, авторами не рассматривались.
ероятностей эксперимента Таблица №2
Пр 1 Пр 2 Пр 3 Пр 4 Пр 5 Пр 6 Пр 7 Пр 8 Пр 9 Пр 10 Пр 11
причина 1 0,7 0,6 0,7 0,5 0,6 0,7 0,8
причина 2 0,8 0,9
причина 3 0,7 0,8 0,7 0,6 0,7 0,8 0,7 0,8 0,9
причина 4 0,7 0,9
причина 5 0,7 0,7 0,8
причина 6 0,9 0,8 0,7
причина 7 0,8 0,7 0,9 0,8
причина 8 0,8 0,9 0,8 0,7
причина 9 0,7 0,8 0,9 0,9 0,8 0,9
причина 10 0,8 0,7 0,8 0,8
причина 11 0,9 0,8 0,8 0,9 0,9
причина 12 0,8 0,9 0,9 0,7 0,6 0,7 0,8
причина 13 0,9 0,8 0,9 0,7 0,9
причина 14 0,7 0,7 0,6 0,9 0,8
причина 15 0,8 0,9 0,7
Для оценки эффективности предлагаемых решений авторы использовали статистический эксперимент в рамках которого последовательно разыгрывали ситуации формирования причин неисправностей и соответствующие им бинарные вектора признаков, сформированные по правилам стохастического моделирования с учетом условных вероятностей проявления признаков. Неинформативные ситуации, т.е. те, в которых не был сформирован ни один признак, авторами не рассматривались.
Известно, что одной из самых распространенных мер расстояния между стохастическими векторами может выступать коэффициент корреляции, который может искаться между вектором - наблюдением и строчкой из таблицы №2 или ее округленным значением.
Проведенный эксперимент показал, что при объеме экспериментов в 3000 опытов на каждую причину разница между применением в процедуре поиска коэффициента корреляции вектора округленных и исходных значений строчек таблицы №2 является
существенной и составляет около 7.3% при абсолютных значениях вероятности правильной классификации в 82,0% и 74.7% соответственно (что при таком объеме выборки гарантирует максимальную ошибку определения приведенных оценок вероятности в 0,8%).
Использование расстояний бинарных векторов, таких как расстояние Рассела и Рао (1), Жокара и Нидмена (2), Дайса (3) [4]:
г( X, 5) = 1 -
г( X, 5) = 1 -
а + Ь + g + Н
а + g + Н
г( X, 5) = 1 --
а
(1)
(2)
(3)
2а + g + Н
где а - количество признаков находящихся и в эталоне (таблице) и в наблюдении, Ь - количество
а
а
признаков, одновременно отсутствующих и в эталоне и в наблюдении, g - количество признаков,
присутствующих только в наблюдении, к - количество признаков, присущее только эталону - показало их явной проигрыш по отношению к иным методам идентификации. Так вероятности успешной классификации причины неисправности в рамках этого же эксперимента показал значения - 39.4% для (1), 77.5 для (2) и 77.5% для (3).
Использование ортогонального представления таблицы №2 по методу собственных векторов и последующая идентификация наблюдений - также не позволили улучшить качество распознавания. Так при использовании классических расстояний результаты получились следующие (х - наблюдение, у- образ):
- 80.2% - при применении модульного расстоя-
ния, г{х,у) = х, -у\ ■ с, ,
1=1
- 7 9,6% - при применении
" |х - у,\
расстояния Крам-
берра, г(х, у) =
х.
"У
78.3
при применении расстояния Евклида,
г(Х У) = ^^с^х^у,?
,=1
Попытки выявления «сильных» признаков в новом ортогональном базисе и использование только их в решающих правилах также не увенчались успехом (дело в том, что у 6 новых ортогональных признаков значимость более 5%, а значимость 4-х самых сильных составляет 30.6, 21.3, 14.8 и 11.8% соответственно). Использование таких комбинаций лишь ухудшило эффективность распознавания и составило значение от 71.9 до 75.0%.
Качественная характеристика правильности распознавания причин неисправностей корреляционным и комплексным способами (вероятность правильной идентификации причины неисправности).
Тем не менее, наблюдения по порядку формирования причины ошибки выявили следующую закономерность. Для бинарных векторов допустимым является ситуация выбора нескольких неразличимых по расстоянию альтернатив. Это обусловлено тем, что значения аргументов, входящих в выражения
(1)- (3) дискретные числа. Поэтому определить при такой конкуренции превосходство одной альтернативы над другой - невозможно, что и приводит к ошибке распознавания. Тем не менее, такая ситуация чаще возникает при абсолютном превосходстве альтернатив по одному из точных расстояний, например по корреляционному расстоянию.
Авторы предлагают использовать иерархический вывод, а именно вначале осуществлять выбор причины по наислабейшему расстоянию Рассела и Рао
(1). Если в результате анализа будет несколько альтернатив, то использовать расстояние Жокара
(2). Если и здесь будет несколько альтернатив -принять ту, у которой превосходство по минимуму абсолютного расстояния (используется самый «сильный» критерий, основанный на коэффициенте корреляции).
Использование такой иерархической процедуры привело к следующим результатам:
- использование уровня 2 и 3, т.е. вывод по Жокару и корреляция повышают среднее значение правильности распознавания до 84.5%,
- использование всех трех уровней повышает вероятность правильной идентификации - до 86.2%, что соответствует приросту по эффективности примерно на 5% при значении плеча доверительного интервала в 0.8%.
Результаты статистического эксперимента по конкретным причинам приведены ниже в таблице №3 и на рисунке 1.
Таблица №3
Использование только коэффициента корреляции Использование сначала расстояния Жокара а потом корреляционного расстояния Использование сначала расстояния Рассела, затем - растояния Жокара, а потом -корреляционного расстояния
причина 1 78,83% 84,33% 91,67%
причина 2 82,63% 84,33% 84,33%
причина 3 81,37% 91,00% 98,00%
причина 4 100,00% 100,00% 100,00%
причина 5 81,43% 85,00% 88,00%
причина 6 78,83% 82,67% 82,67%
причина 7 48,37% 57,67% 57 , 67%
причина 8 78,63% 7 9, 00% 79,00%
причина 9 92,17% 92,33% 94,00%
причина 10 63,93% 65, 67% 65, 67%
причина 11 82,33% 80, 67% 81,00%
причина 12 77,80% 83,00% 87,33%
причина 13 99,30% 99,33% 99,33%
причина 14 92,77% 93,33% 93,33%
причина 15 81,83% 81,33% 81,33%
причина 16 92,33% 93,00% 93,00%
Среднее значение по всем причинам 82,04% 84,54% 86,02%
Средний прирост по эффективности 3,06% 4,86%
Рисунок 1 - Зависимость значения накопленной частоты правильного распознавания и доверительного коридора от используемого критерия и позиций эксперимента
Анализ полученного авторами результата позволяет говорить о существовании тенденции снижения превосходства предлагаемого метода над классическим методом распознавания с увеличением количества анализируемых причин. Т.е. предлагаемый метод анализа бинарных расстояний тем более востребован, чем меньше причин неисправностей по отношению к объему множества анализируемых признаков используется в системе технической диагностики, что и было показано ранее [4]. Тем не менее, анализ скорости изменения такого превосходства говорит о целесообразности применения
авторского правила, в том числе и при значительном увеличении количества причин (в рамках рассматриваемого примера - вплоть до 70). Поэтому авторы считают оправданным при рассмотрении вопросов идентификации причин неисправностей сложных технических систем использовать синтез точных и робастных методов классификации образов, частное существо которого является отдельной исследовательской задачей, например такой, как и приведенный пример.
ЛИТЕРАТУРА
1. Сафарбаков А.М., Лукьянов А.В., Пахомов С.В. Основы технической диагностики: учебное пособие. - Иркутск: Ир.ГУПС, 2006. - 216 с.
2. Интеллектуальные технологии диагностики оборудования промышленных предприятий, Кузьмин В.В., Косов Д.С., Новиков А.Л., Иващенко А.В.// Сборник трудов международного симпозиума «НАДЕЖНОСТЬ И КАЧЕСТВО» - 2015, том 2 , Пенза.: Пензенский ГУ, 2015, с. 28-29.
3. Формирование диагностических признаков на основе экстремальной фильтрации. Мясникова Н.В., Берестень М.П.// Сборник трудов международного симпозиума «НАДЕЖНОСТЬ И КАЧЕСТВО» - 2014, том 2 , Пенза.: Пензенский ГУ, 2014, с. 74-76.
4. Использование расстояний бинарных векторов в задачах технической диагностики, Чистопрудов Д.А., Крикунов А.А., Торопов Д.С.// Сборник трудов №4 34 Всероссийская НТК "Проблемы эффективности и безопасности функционирования сложных технических и информационных систем», Серпухов.: ФВА РВСН, 2015, с. 255 - 259.
УДК 656.13 Терентьев В.В.
ФГБОУ ВО «Тульский государственный университет», Тула, Россия
БЕЗОПАСНОСТЬ АВТОМОБИЛЬНЫХ ПЕРЕВОЗОК: ПРОБЛЕМЫ И РЕШЕНИЯ
В статье рассмотрены вопросы повышения безопасности дорожного движения на автомобильном транспорте. Отсутствие должного контроля за выполнением законодательства о безопасности дорожного движения влечет за собой не соблюдение требование к техническому состоянию подвижного состава, а также нарушения режима труда и отдыха водителей транспортных средств. Эти обстоятельства являются одними из основных причин дорожно-транспортных происшествий, влекущих за собой тяжелые последствия. В целях обеспечения безопасности дорожного движения при перевозке пассажиров и грузов представляется необходимым установление единых требований для юридических лиц, индивидуальных предпринимателей и физических лиц, эксплуатирующих автобусы или грузовые автомобили вне зависимости от организационно-правовой формы и видов перевозок. Использование навигационных спутниковых систем в целях обеспечения контроля на автомобильном транспорте также позволит повысить безопасность дорожного движения
Ключевые слова:
безопасность дорожного движения, автомобильный транспорт, дорожно-транспортное происшествие, тахограф
В настоящее время большое внимание уделяется проблемам безопасности дорожного движения. Обеспечение безопасности дорожного движения является одной из важных социально-экономических и демографических задач Российской Федерации. Аварийность на автомобильном транспорте наносит огромный материальный и моральный ущерб как обществу в целом, так и отдельным гражданам [1, с. 150]. В марте 2016 года состоялось заседание президиума Государственного совета, посвящённое вопросам безопасности дорожного движения в Российской Федерации, на котором Президент России Владимир Путин заявил: «Сохранение жизни, здоровья тысяч граждан нашей страны - важнейшее направление государственной политики. Уровень безопасности дорожного движения напрямую влияет на устойчивость социально-экономического развития, на эффективную работу всей транспортной инфраструктуры России».
Сложившаяся обстановка с аварийностью на дорогах характеризуется следующими причинами:
- постоянно возрастающая мобильность населения;
- уменьшение перевозок общественным транспортом и увеличение перевозок личным транспортом;
- несоответствие между увеличением количества автомобилей и транспортно-эксплуатационным состоянием улично-дорожной сети (УДС), не рассчитанной на современный состав и интенсивность транспортных потоков.
Современный уровень приобретения автомобилей в городах России уже превысил 200 единиц на 1 тыс. жителей, в то время как дорожно-транспортная инфраструктура рассчитана на 60 - 100 единиц на 1 тыс. жителей. Такое увеличение автотранспорта на дорогах негативно отражается на безопасности дорожного движения, так как существует большой временной интервал между увеличением
транспортных единиц и реконструкцией имеющейся сети дорог, строительством новых дорог, отвечающих современным транспортно-эксплуатационным характеристикам [2, с. 304].
В результате образовавшейся ситуации происходит ухудшение условий дорожного движения, увеличение количества заторов, нарушение экологической обстановки, расхода топлива, а также рост количества дорожно-транспортных происшествий (ДТП).
Анализ дорожно-транспортного травматизма показывает, что происходит постепенный рост количества ДТП, в результате которых пострадавшие получают травмы, характеризующиеся различной степенью тяжести. Неэффективная организация работы по оказанию медицинской помощи лицам, пострадавшим в результате ДТП, является одной из основных причин высокой смертности. Около 60 % летальных исходов при совершении дорожно-транспортных происшествий приходится на догоспитальный период, что явно указывает на необходимость скорейшего прибытия скорой помощи на место аварии и незамедлительного перемещения пострадавшего в больницу [3, с. 27].
Актуальность вопросов безопасности дорожного движения растет с каждым годом, что является закономерностью связанной с ростом количества автомобильного транспорта и увеличением интенсивности коммерческих перевозок. Одним из важных факторов, влияющих на вышеуказанную безопасность является степень профессиональной подготовки водителя, его водительского стажа работы, психоэмоционального состояния и скорость реакции водителя на изменение ситуации на дороге, зависящей от соблюдения режима труда и отдыха [4, с. 18]. Как показывает анализ, причиной подавляющего большинства происшествий при перевозках
