CC BY
2 Библиографический список
1 Гибридная модель идентификации подвижных единиц железнодорожного транспорта / Д.С. Гвоздев, М.Д. Линденбаум, В.В. Храмов, С.М. Ковалев // Вестник РГУПС. - 2013. - № 2. - С. 92-98.
2 Смагин, В.А. Техническая синергетика. Вероятностные модели элементов сложных систем : монография / В.А. Смагин. - СПб., 2003. - Вып. 1. - 62 с.
3 Линденбаум, М.Д. Надежность информационных систем : учебник для вузов ж.-д. трансп. / М.Д. Линденбаум, Е.М. Ульяницкий. - М., 2007. - 318 с.
Bibliography
1 The hybrid model of identification of railway mobile units / D.S. Gvozdev, M.D. Lindenbaum, V.V. Khramov, S.M. Kovalev // Vestnik RGUPS. - 2013. - № 2. - P. 92-98.
2 Smagin, V.A. Technical synergy. Probabilistic models of the elements of complex systems : monograph / V.A. Smagin. - St.-Petersburg, 2003. - Vol. 1. - P. 62.
3 Lindenbaum, M.D. Reliability of information systems : textbook for railroad transport universities / M.D. Lindenbaum, E.M. Ulyanickiy. - Moscow, 2007. - 318 p.
УДК 004.032.26, 656.212.5
Е.В. Пучков, Н.Н. Лябах
ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ РАЗРАБОТКИ АВТОМАТА-СОВЕТЧИКА НА СОРТИРОВОЧНОЙ ГОРКЕ
Создание интегрированной системы информатизации сортировочных станций (СС) с интеллектуализацией процессов принятия решений является важным этапом реализации принятой ОАО «РЖД» «Программы совершенствования и развития СС железных дорог на 2006-2015 годы». Главные задачи заключительного этапа реформирования железнодорожного транспорта: повышение эффективности и безопасности перевозок, внедрение инновационных проектов, а также развитие информационных и компьютерных технологий. Самое приоритетное направление для ОАО «РЖД» -совершенствование процессов оперативного управления СС, которые являются важнейшим элементом технологического конвейера, поскольку время простоев вагонов существенно влияет на себестоимость и составляет значительную долю оборота.
В данной работе исследуется возможность применения нейроэмулятора «NeuroNADS» [1] для создания автомата-советчика по расчету скорости выхода отцепа с парковой тормозной позиции (ТП). Следует отметить, что человеку-оператору присущи такие качества, как интуиция и умение оперировать нечеткими алгоритмами управления, накапливать опыт работы. Указанные факторы математически трудно формализуются, поэтому наиболее перспективным представляется подход с использованием именно искусственных нейронных сетей (ИНС).
Создаваемая модель, которая будет лежать в основе автомата-советчика, отражает не реальные закономерности происходящих в ней процессов, а соответствие между входными и выходными данными. Модель считается удовлетворительной, если при одних и тех же входах в реальной системе значения их входов также совпадают (по некоторому критерию).
Рассмотрим систему (рис. 1), иллюстрирующую создание машинного «советчика» с использованием ИНС, обученного на основании опыта, имеющегося у оператора или группы специально отобранных экспертов [2].
На рис. 1:
БД ' - база данных, в которой хранится информация об объекте управления, характеризуемом вектором параметров Xj = (хц, X2j, ..., xnj) в j-м наблюдении;
ЛПР имающее решение yj
БПР - блок принятия решений ymj;
БС - блок сравнения ynj и ymj, выходом которого является Sj - значение ошибки рассогласования решений, принятых человеком и машиной; БК - блок коррекции алгоритма принятия решений, заложенного в МБПР.
Разрабатываемое информационно-логическое устройство (ИЛУ) должно автоматически накапливать в блоках памяти и выдавать на рабочее место оператора скорость выхода отцепа с парковой ТП. Использование ИЛУ совместно с табло оперативной информации или дисплеем позволит освободить эксплуатационный персонал станции от запоминания большого числа разнообразных ситуаций и значительно снизит его информационную нагрузку. При этом сократятся непроизводительные простои локомотивов и расформировываемых составов, повысится качество формирования поездов, а также безопасность роспуска и маневровых работ. Хранящаяся в ИЛУ информация может использоваться на последующих этапах для выбора управляющих команд непосредственно на исполнительные устройства.
Рис. 1. Блок-схема обучения советчика принятию решений
На терминалах дежурных по сортировочной горке (СГ) и операторов имеется индикация технологической информации (маршруты, состояние светофоров, рельсовая цепь и др.). Наглядное отображение всего технологического процесса обеспечивает возможность роспуска составов в условиях плохой видимости отцепов. Это достигается оптимальной компоновкой автоматизированных рабочих мест и табло коллективного пользования (рис. 2) [3]. Управляющие сигналы, получаемые от программного комплекса «NeuroNADS», могут также быть выведены на терминалы операторов ТП. Нижеизложенная технология применима к любой СГ.
Рис. 2. Размещение автоматизированных рабочих мест на горочном посту
Нейроэмулятор «NeuroNADS» может быть внедрен как подсистема в комплексную систему автоматического управления сортировочным процессом (КСАУ СП) [3]. Техническая структура КСАУ СП после внедрения «NeuroNADS» будет выглядеть, как показано на рис. 3.
Для парковой ТП с известными характеристиками мощности и быстродействия замедлителей, а также стандартным профилем пути при управлении скоростью отцепов для реализации заданной скорости соударения в сортировочном парке необходимо учитывать следующие признаки: Хі - вес отцепа, 1/20 т; Х2 - длина отцепа вагонов; Хз - ходовые свойства, идентифицируемые по пятибалльной шкале: 1 - очень плохой бегун, 2 - плохой бегун, 3 - средний бегун, 4 - хороший бегун, 5 - отличный бегун; Х4 - расстояние до точки прицеливания, м. Целевым признаком является начальная расчетная скорость (Vp). Как правило, при нахождении Vp обращаются к помощи эксперта. Он, опираясь на свой многолетний опыт работы, исходя из полученных значений xı, Х2, Хз, Х4, может определить начальную скорость, с которой необходимо выпустить отцеп, чтобы обеспечить безопасное соударение вагонов в парке.
Различные эксперты имеют разный опыт, и этим обеспечивается настройка модели под конкретного специалиста, который, в свою очередь, также субъективен в своих оценках. В процессе роспуска для различных отцепов параметры Хі, Х2, Хз, Х4 будут меняться, соответственно будет меняться и начальная скорость Vp.. В табл. 1 представлены исходные данные для моделирования автомата-советчика.
Рис. 3. Техническая структура КСАУ СП
Искусственные нейронные сети (ИНС) обладают способностью аппроксимировать сколь угодно точно непрерывные функции многих переменных. Для решения поставленной задачи будем использовать многослойный персептрон с одним скрытым слоем, в котором количество нейронов будет автоматически подбираться на основании объединенной теоремы Колмогорова - Арнольда -Хехт - Нильсена. На входы сети будем подавать Xi, Х2, Х3, Х4. Целевым признаком является начальная расчетная скорость (Vp), полученная при помощи эксперта для K разных отцепов. В нашем случае K = 20.
Выбранные признаки измеряются в разных единицах, поэтому необходимо их преобразовать к единому масштабу путем нормирования каждого признака на диапазон разброса его значений. Будем использовать линейное преобразование
х.
X,
хг =
г, min
х. — х.
г, max г.
в единичный отрезок ~ є [0,1].
Параметры нормализации рассчитывались автоматически.
Немаловажную роль в успешном обучении сети играет активационная функция нейронов. Выбрана сигмовидная функция, которая часто применяется благодаря ее преимуществу эффективно вычислять производную и ограничивать выходное значение.
Важно также проверить модель на адекватность реальным данным. Иными словами, необходимо оценить, как ИНС будет обрабатывать примеры, которые не входили в обучающую выборку. Проверка работоспособности модели на тестовом множестве осуществляется за счет использования разнообразных статистических критериев согласия. В эксперименте использована средняя квадратичная ошибка (MSE) для обоих множеств. В качестве обучающей выборки возьмем первые 15 значений, оставшиеся 5 - для тестирования. Для обучения сети будем использовать простой градиентный спуск с обратным распространением ошибки. Параметры обучения настроим следующим образом: скорость обучения - 0,3; импульс - 0,9; выбор обучающих примеров - случайно; выбор начальных весов - нормальное распределение.
Таблица 1
Исходные данные для моделирования советчика
№ п/п Х1 Х2 Х3 Х4 Vp
1 1 1 5 810 3,42
2 1 2 4 30 1,5
3 1 3 5 217 2,81
4 2 1 5 362 2,5
5 2 1 5 462 2,81
6 2 2 4,5 199 1,97
7 2 3 4 420 2,25
8 3 1 4,5 646 2,63
9 3 2 4 780 2,84
10 3 3 4 300 1,97
11 4 1 4 300 1,69
12 4 1 5 512 2,47
13 4 2 4,5 190 1,72
14 4 3 4,5 75 1,5
15 5 1 4,5 270 1,66
16 5 2 5 106 1,5
17 5 3 5 420 2,31
18 6 1 4,5 300 1,69
19 6 2 5 255 1,66
20 6 3 4,5 346 1,7
Обученная ИНС показала следующие результаты (табл. 2, 3). Параметры ИНС представлены в табл. 4. Результаты расчетов и обученная ИНС сохранены в файлы для дальнейшего использования.
Для сравнения определим погрешность вычисления Vp с применением нейроэмулятора и функции зависимости начальной расчетной скорости отцепа от признаков xb x2, x3, x4 [1]:
v = ax + ax + ax + ax, (i)
где a1, a2, a3, a4 - весовые коэффициенты, отражающие важность факторов, выравнивающие их размерность. Погрешность будем вычислять по формуле
Є =
1
к
і
у (vk
к=15
Vk.
(2)
В результате для нейроэмулятора s = 0,005, что составляет 0,2 % от среднего значения Vpэксп , взятого из табл. 2. При расчете Vp с помощью формулы (1) s = 0,107, что составляет 4,7 % от среднего значения У^жсп . Погрешность расчета Vp с помощью нейроэмулятора на тестовом множестве составила 3,8 % от среднего значения У^жсп , взятого из табл. 3, что приемлемо для практического использования.
Таблица 2
Расчетные значения скорости на обучающем множестве
№ Ошибка аппрокси¬ Ошибка
п/п Vp Vp (функция Vp (ИНС) мации (функция аппроксимации
зависимости) зависимости), % (ИНС), %
1 3,42 3,53 3,41 3,22 0,29
2 1,5 1,68 1,51 12,00 0,67
3 2,81 2,51 2,81 10,68 0,00
4 2,5 2,51 2,5 0,40 0,00
5 2,81 2,70 2,81 3,91 0,00
6 1,97 2,05 1,97 4,06 0,00
7 2,25 2,33 2,25 3,56 0,00
8 2,63 2,69 2,63 2,28 0,00
9 2,84 2,80 2,84 1,41 0,00
10 1,97 1,94 1,97 1,52 0,00
11 1,69 1,65 1,69 2,37 0,00
12 2,47 2,47 2,47 0,00 0,00
13 1,72 1,71 1,72 0,58 0,00
14 1,5 1,55 1,51 3,33 0,67
15 1,66 1,64 1,66 1,20 0,00
Средняя ошибка аппроксимации 3,37 0,11
Таблица 3
Расчетные значения скорости на тестовом множестве
№ Vp (функция Ошибка аппрокси¬ Ошибка аппрокси¬
п/п Vp зависимости) Vp (ИНС) мации (функция мации (ИНС), %
зависимости), %
1 1,5 1,59 1,53 6,00 2,00
2 2,31 2,26 2,31 2,16 0,00
3 1,69 1,54 1,59 8,88 5,92
4 1,66 1,72 1,56 3,61 6,02
5 1,7 1,75 1,65 2,94 2,94
Средняя ошибка аппроксимации 4,72 3,38
Параметры обученной ИНС
Таблица 4
№ Наименование параметра Значение
п/п
1 Время обучения, с 23
2 Количество эпох 6726
3 MSE (обучающее множество) 2,6336E-05
4 Ошибка аппроксимации (обучающее множество), % 0,17
5 MSE (тестовое множество) 4,551E-03
6 Ошибка аппроксимации (тестовое множество), % 3,3
В процессе применения технологии ИНС были получены лучшие результаты по сравнению с линейным методом на этапе начальной настройки расчета скоростей выхода отцепов из ТП. Для последующей адаптации автомата-советчика к меняющимся условиям внешней среды роспуска можно использовать коэффициент заполнения по каждому пути сортировочного парка. В случае превышения установленного значения коэффициента необходимо уточнение исходных данных и последующее дообучение ИНС [4].
Библиографический список
1 NeuroNADS : техническое описание / Я-Интеллект : сайт. [2009-2012]. - URL : http://www.i-intellect.ru/neuronads/blog.html (дата обращения 12.09.2012).
2 Лябах, Н.Н. Техническая кибернетика на железнодорожном транспорте / Н.Н. Лябах, А.Н. Шабельников. - Ростов н/Д : Изд-во Сев.-Кавк. науч. центра высш. школы, 2002. - 232 с.
3 Федорчук, А.Е. Развитие средств системы микропроцессорной ГАЦ / А.Е. Федорчук, А.А. Сепетый // Автоматика, связь, информатика. - 2007. - № 5. - С. 10-14.
4 Железнодорожный транспорт: на пути к интеллектуальному управлению : монография / С.Е. Ададуров, В.А. Гапанович, Н.Н. Лябах [и др.]. - Ростов н/Д, 2009. - 322 с.
Bibliography
1 NeuroNADS: technical specification / I-Intellect : site. [2009-2012]. - URL : http://www.i-intellect.ru/neuronads/blog.html (date accessed 12.09.2012).
2 Lyabah, N.N. Technical Cybernetics on railway transport / N.N. Lyabah, A.N. Shabelnikov.
- Rostov-on-Don : Publishing House of the North Caucasus Research Center of Higher School, 2002.
- 232 p.
3 Fedorchuk, A.E. The development of system’s facilities of the microprocessor automatic switching / A.E. Fedorchuk, A.A. Sepetiy // Automation, communication, computer science. - 2007. - № 5.
- P.10-14.
4 Railway transport: towards an intelligent management : monograph / S.E. Adadurov, V.A. Gapanovich, N.N. Lyabakh [et al.]. - Rostov-on-Don, 2009. - 322 p.
УДК 004.81
С.И. Родзин
МЕТРИКА И АЛГОРИТМЫ МЕМЕТИКИ*
Введение
Многие задачи в области транспорта и управления не имеют решения классическими методами за полиномиальное время. Для их решения широко применяются методы «мягких» вычислений [1, 2]. Общей характеристикой «мягких» вычислений является индуктивный, а не дедуктивный подход к решению проблем, включение случайности и нечеткости в описание процессов. Инструментарий технологий «мягких» вычислений наряду с нечеткими системами и нейросетями включает в себя вычисления, инспирированные природными системами и процессами [3]. Вычисления, инспирированные природными системами и процессами, являются междисциплинарным направлением и включают три взаимосвязанные области: биоинформатику, вычисления на основе молекулярных, ДНК и квантовых компьютеров, а также эволюционные вычисления, теория которых представлена в [4].
Эволюционные вычисления подразумевают использование в инженерных расчетах биологических метафор, известных из биомимикрии и биомеметики, с целью разработки математических и технических средств для решения задач, связанных с проектированием и управлением инженерными системами. Особенностью эволюционных вычислений является применение метаэвристических алгоритмов, основанных на аналогиях, «подсмотренных» в природе. Метаэвристики организуют процесс поиска субоптимальных решений, включая процедуры обучения; являются приближенными и, как правило, недетерминированными процедурами; могут использовать предметно-ориентированные знания [5]. Классические методы оптимизации с использованием производных, антиградиента, гессиана обладают гарантированной сходимостью, но практически не пригодны для решения реальных задач оптимизации. Метаэвристические алгоритмы имеют более слабые доказательства сходимости по вероятности, однако представляют больший интерес для практики, поскольку, как правило, не предъявляют повышенных требований к целевой функции, к существованию производных, непрерывности, выпуклости и др.
* Работа выполнена при финансовой поддержке РФФИ (проекты № 13-07-00204, 13-01-00475).
