40
Современные технологии - транспорту
данский проспект", "Ленинский проспект", "Проспект Просвещения", "Сенная площадь".
В настоящее время на базе накопленного опыта производится дальнейшая работа по совершенствованию методов обследования, выявления технического состояния подземных объектов и оценки влияния наземного строительства на их напряженно-деформированное состояние.
Библиографический список
1. Метрополитен. Долговечность тоннельных конструкций в условиях эксплуатации и городского строительства / В. А. Гарбер. - М. : ВНИИТС, 1998. - 172 с.
2. Обследование технического состояния подземных сооружений метрополитена, попадающих в зону влияния здания МФКК у станции метро "Ломоносовская". Техническое решение разгрузочных мостов и ростверков над участком наклонного хода станции метро «Ломоносовская». Поверочные расчеты влияния на сооружения метрополитена. Анализ влияния фундаментной плиты МФКК на деформированное состояние наклонного хода: отчет НИР (заключ.): 16 / Петербургский гос. ун-т путей сообщения ; рук. Коньков А. Н. ; исполн.: Кавказский В. Н. [и др.]. - СПб., 2008. - 40 с. - Биб-лиогр. : с. 4-37. - Рег. № 5012-1.
3. Обследование технического состояния подземных сооружений метрополитена, попадающих в зону влияния зданий МКК у станции метро «Ломоносовская»: отчет НИР (заключ.): 16 / Петербургский гос. ун-т путей сообщения ; рук. Коньков А. Н. ; ис-полн.: Кавказский В. Н. [и др.]. - СПб., 2008. - 99 с. - Библиогр. : с. 10-29. - Рег. № 5012.
Статья поступила в редакцию 18.05.2009; представлена к публикации членом редколлегии Т. А. Белаш.
УДК 656.2:681
Н. Н. Лябах, А. С. Сарьян
РАЗРАБОТКА И ВНЕДРЕНИЕ АВТОМАТОВ-СОВЕТЧИКОВ НА СОРТИРОВОЧНЫХ ГОРКАХ
Дан анализ развития систем интеллектуального функционирования на сортировочных горках. Выявлены проблемы математического моделирования автоматов-советчиков. Определены основные направления и механизмы совершенствования алгоритмов машинного принятия решений.
управление сортировочными процессами; управление сложными объектами на железнодорожном транспорте; автоматизация; автоматическое управление; автомат-советчик; информационно-логические устройства; алгоритмы обучения принятию решений. 40
40
Современные технологии - транспорту
41
Введение
Актуальность задачи управления сортировочными процессами на станциях не вызывает сомнений. Не случайно сортировочные станции называют «сердцем» транспортного конвейера страны. Именно здесь зарождаются и поглощаются грузовые транспортные потоки. Насколько точно и энергично работает это «сердце», настолько эффективен транспортный конвейер в целом.
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, регулировщиков скорости на путях подгорочного парка и др. 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.
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 (сортировочная горка, станция) принципиально исключает возможность полного автоматического режима.
Согласно новой парадигме управления, исповедуемой 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 трехуровнего функционирования системы, включающего: обучение (в том числе коррекция моделей по результатам скатывания отцепов), расчет оптимального режима, управление [1];
- совокупностью автоматов-советчиков, «впитавших» естественный интеллект опытных операторов сортировочной горки и генерирующих машинный интеллект.
Вопрос разработки автоматов-советчиков на железнодорожном транспорте весьма актуален. Их внедрение в системы автоматизации транспорт-
42
Современные технологии - транспорту
ных процессов 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.
В данной работе систематизируется опыт развития исследуемой темы, обозначаются проблемы и формулируются пути их решения.
1 Историческая справка
Еще в 60-ые годы прошлого столетия стало очевидно, что интеллект человека, несмотря на его физио-психологические и эмоциональные ограничения, предоставляет некоторые преимущества оператору-горочнику перед машинными процедурами принятия решений. Человек обладает нечетким мышлением, оперирует переменными качественного характера (лингвистическими). Эти свойства более соответствуют существующей логике процесса роспуска и процедур принятия соответствующих решений. Классическая теория множеств, функциональный анализ не позволяют формализовать сложные процессы роспуска и процедуры принятия решений. Нужен был принципиально новый подход к моделированию и анализу сортировочных процессов.
Основы такого видения на железнодорожном транспорте заложены Н. М. Фонаревым задолго до появления фундаментального труда Л. Заде о природе и математическом использовании понятий теории нечетких множеств [2]. Проф. Н. М. Фонарев ввел в научный оборот лингвистические переменные, классифицирующие тип бегуна, его ходовые свойства.
Позднее усилиями двух научных школ разработан подход, использующий принцип моделирования исследуемых процессов. Суть новой технологии управления состоит в упреждающем управлении: система реагирует не только на сложившиеся обстоятельства, а также на ее возможные состояния в будущем, которые прогнозируются уравнениями, построенными по статистическим данным о скатывании отцепов с горки.
Значительный вклад в развитие этого направления внесли ученые Днепропетровского Института Инженеров Тронспорта. В частности коллективом сотрудников под руководством Ю. А. Мухи предложено строить регрессионные модели процесса скатывания отцепов с горки, на основе активного экспериментирования с помощью специально созданной вагонлаборатории [3]. Здесь предложено также для автоматизации сортировочных процессов использовать существующую вычислительную технику (СМ4) и специализированные устройства связи с объектом. Однако отсутствие адекватного математического аппарата, соответствующих вычислительных средств и ПО не позволили реализовать на реальном объекте эффективно работающую систему прогноза результатов скатывания. 42
42
Современные технологии - транспорту
43
Более плодотворной (в части выбора технических средств) для практики оказалась идея использования микропроцессорных средств, высказанная Иванченко В. Н. в 197 г. На основе микропроцессорных агрегатных средств «МикроДАТ» группой молодых сотрудников кафедры «Автоматика и телемеханика на железнодорожном транспорте» была создана имитационная модель процесса расформирования составов и обоснована принципиальная возможность использования микропроцессоров для низовых уровней управления сортировочными горками (СГ). Однако, интеллектуальные функции этим системам были естественно недоступны.
Попытку построения моделей скатывания отцепов с горки по данным пассивного эксперимента осуществил Самойленко Ю. А., которая по тем же причинам, что и идеи Украинской школы (использование активного эксперимента) не реализована [4].
Новый подход в этом направлении предложен в Ростовском Институте Инженеров Железнодорожного Транспорта [5]. В этой работе исследовались возможности построения математических моделей скатывания отцепов по участкам свободного скатывания на основе Метода Группового Учета Аргументов (МГУА), разработанного Ивахненко А. Г., снимающие ряд ограничений методов пассивного и активного экспериментов при построении регрессионных моделей (неизвестность вида искомой модели, мультиколлинеарность входных переменных, их зашумленность.
Теоретические разработки необходимого математического аппарата управления продолжались в различных направлениях.
В 80-е годы прошлого столетия в работах Иванченко В. Н. предложена разработка информационно-логических устройств для сортировочной горки (ИЛУГ) и станции (ИЛУС), предназначенных для оказания помощи соответствующим операторам, управляющим сортировочным процессом на горке и станции [6]. Исследуемые в этом случае процессы (по предположению автора) обладали весьма простыми свойствами: детерминированность, высокая степень определенности управляемого процесса. В действительности к этому еще надо прийти на основе декомпозиции задачи на простые, обозримые человеком ситуации. В противном случае модель может оказаться не адекватной реальным ситуациям и эффект внедрения ав-томатов-советчиков пропадет. Отсутствие необходимого технического и программно-математического обеспечения не позволило довести в тот период эту очень полезную идею до практического внедрения.
В Ростовской научной школе разрабатывались также современные схемы обучения машины, основанные на вероятностном поведении системы и учителя в отличие от детерминированных советчиков, оформленных в виде ИЛУГ, ИЛУС.
В частности, адаптированы существующие подходы и методы теории распознавания образов для реализации идеи упреждающего управления. Появилась возможность предсказать ходовые свойства отцепа до начала
44
Современные технологии - транспорту
движения по анализу его характеристик: весу, подшипнику, роду вагона, температуре окружающей среды и т.д. Эта теория адекватно проявляет себя и при решении иных задач управления сортировочным процессом: выбор ступени и времени торможения отцепов, задание дискретной скорости надвига состава на СГ [7].
Пироговым А. Е. разработан устойчивый к ошибкам данных алгоритм распознавания классов решений. Суть алгоритма состоит в выделении зоны нечувствительности модели к ограниченным по величине и единичным выбросам значений [7].
Позднее была предложена общая концепция построения автоматов-советчиков, расширяющая круг исследуемых задач, как в предметном (управление надвигом, торможением, маневровыми передвижениями и т. д.), так и методологическом (исследование нелинейных, стохастических, неопределенных процессов, размытых понятий) плане [8, 9]. Она предполагала использовать процедуру обучения и переобучения машинного советчика в автоматическом режиме и применять разнообразный математический аппарат: теорию вероятностей и математическую статистику, теорию нечетких множеств (ТНМ) [10], теорию игр (ТИ), теорию оптимального управления (ТОУ), основанную на принципах Понтрягина и Беллмана и др.
На основе этой концепции уже разработаны три практически значимых советчика:
- по определению ходовых свойств отцепов [7];
- по прогнозу скорости выхода отцепа из тормозной позиции (ТП) (используется аппарат регрессионного анализа) [11];
- по реализации заданной скорости выхода с ТП (базируется на применении теории распознавания образов) [12].
В процессе доработки находятся еще два советчика:
- по учету природно-климатических условий функционирования;
- по организации прицельного торможения вагонов на третьей тормозной позиции.
В первом случае Ольгейзе И. А. стратифицирует все возможное для конкретной территории множество погодных ситуаций на дискретные и различимые случаи с точки зрения управления ситуации. Для каждой из них на основе статистических данных прошлого функционирования рассчитываются наиболее приемлемые реакции системы. Предполагается дообучение системы в процессе ее функционирования.
При организации прицельного торможения вагонов Честой А. В. учитываются требования наилучшего сцепления отцепов в ПФ, необходимость минимизации размеров «окон», минимизации потерь от боя вагонов и грузов. Здесь реализована игровая стратегия принятия решений.
Заслуживают особого внимания работы РостФ НИИАС, осуществляемые по применению беспроводных сенсорных систем (БСС) (разра- 44
44
Современные технологии - транспорту
45
ботчики Ковалев С. М., Шабельников В. А.). Целый спектр важнейших транспортных задач будет освоен данной технологией. Это и мониторинг положения подвижных единиц, и обеспечение безопасности транспортных процессов (устойчивость сложных конструкций: мостов, эстакад и пр., загазованность тоннелей, подвижки грунтов и многое другое).
2 Проблемы разработки и механизмы совершенствования автоматов-советчиков
Используемый в рассматриваемых автоматах-советчиках инструментарий обладает рядом недостатков и допускает значительное усовершенствование, повышающее его адекватность. Рассмотрим некоторые из них.
1. Определение оптимального перечня влияющих на принятие решений факторов. Так в задаче определения скорости выхода отцепа из тормозной позиции учитываются факторы: х} - вес К-го отцепа, х2 - длина К-го отцепа в вагонах, х3 - ходовые свойства К-го отцепа, х4 - длина участка свободного пробега К-го отцепа до соударения с накапливаемым составом [11].
Возникает два вопроса: все ли они равноценно влияют на точность предсказания скорости, или некоторые можно исключить из рассмотрения без ущерба точности модели? И, второй вопрос: нет ли иных факторов, влияющих на скорость выхода отцепа? Например: учет параметров погодных условий.
Избыточная совокупность учитываемых факторов снижает точность предсказания за счет включения несуществующих связей и погрешностей измерения (назначения) лишних факторов в процедуру расчета, недостаточная - не раскрывает смысла процесса и приводит к аналогичному результату. Методы отбора информативных факторов в функциональном анализе исследованы достаточно подробно: корреляционный анализ, метод главных компонент, дискриминантный анализ, методы теории распознавания образов и пр. [8, 9]. Это позволяет нам не останавливаться подробно на указанных процедурах.
2. Выбор структуры зависимости, связывающей назначенные факторы. В обоих приведеннных в [11] и [12] автоматах-советчиках это была линейная, аддитивная зависимость. Этот факт следует дополнительно обосновывать. Как правило, априорной информации у разработчика на этот счет нет и нужны специальные машинные механизмы определения оптимальной структуры.
Следует при этом помнить, что даже если такая зависимость известна - не всегда ею целесообразно воспользоваться. Зашумленность данных может потребовать упрощения вида зависимости в ущерб ее соответствия физике явления. Вот пример: истинная зависимость у = х . При х = 4, у = 64. Если приближенное х равно 5 (25% ошибки), то у уже равно 125 (почти 100%). Если бы мы исходную (верную) зависимость поменяли на линей-
46
Современные технологии - транспорту
ную, не отражающую физический смысл, то в результате расчетов с неточными данными ошибка транслировалась бы на величину меньшую, чем 25%.
Аналитическим механизмом, решающим поставленную проблему, является метод индуктивной самоорганизации, разработанный А. Г. Ивах-ненко [5]. Машина осуществляет специальным образом организованную процедуру перебора моделей-претендентов и отбирает из них модель оптимальной сложности, адекватно описывающую исследуемый процесс принятия решений в условиях шумов данных. Отбор осуществляется по внешнему по отношению к процедуре расчета коэффициентов модели критерию. Результирующий вид модели при этом может быть нелинейным.
Перспективны в этом направлении механизмы нейронечеткого моделирования, базирующиеся на применении ТНМ [10]. Аналитический вид модели при этом, как правило, отсутствует. Модель принятия решений формируется в виде набора автоматически подстраиваемых коэффициентов.
3. Очисление и масштабирование исследуемых переменных, учитывающее их значимость для исследуемых процессов. В практике управления сортировочными процессами операторы, как правило, используют, так называемые, лингвистические переменные («хороший бегун», «тяжелый отцеп», «незначительное время торможения» и т. д.). В этой связи возникает задача очисления этих переменных. Для этой цели можно использовать различные экспертные процедуры и наработки ТНМ.
Второй, рассматриваемый в этом пункте аспект, хорошо иллюстрируется рис. 1, на котором представлены точки, моделирующие некоторые состояния объекта исследования в заданном признаковом пространстве. В нашем случае это отцепы, характеризуемые скоростью V и весом P, координаты которых заданы таблицей 1.
ТАБЛИЦА 1. Данные модельного примера
N 1 2 3 4
V(xW4) 7,2 3,6 7,2 3,6
Р(100т) 1 1 2 2
ТАБЛИЦА 2. Данные модельного примера
N 1 2 3 4
V(W^ 2 1 2 1
Р(10т) 10 10 20 20
На схеме визуально точки Оі и О3, обозначенные крестиками (согласно таблице 1 скорость в этом случае измеряется в км/ч, а вес в сотнях тонн), «ближе» друг к другу, чем точки Оі и О2. То есть «между процессами Оі и О3 больше сходства, чем между процессами Оі и О2». Изменим масштаб переменнных V и P, измеряя скорость в м/с, а вес в десятках тонн 46
46
Современные технологии - транспорту
47
(таблица 2), теперь, очевидно, видимое соотношение расстояний между теми же исследуемыми точками поменялось на противоположное и, если измерять расстояния евклидовой мерой, то «между процессами Оі и О3 меньше сходства, чем между процессами О1 и О2». Таким образом, если бы к совокупности представленных точек применить некоторую схему классификации, то ее результат существенным образом зависел бы от выбора масштаба переменных. В первом случае (крестики) классы представлены точками О1, О3 (первый класс) и О2, О4 (второй класс), во втором (кружочки) О1, О2 и О3, О4 соответственно.
а)случай 1
Скорость,
м/с
7,2 _
О1 °3
х х
3,6 _
О2
х
О
х
3
1 2 Вес, Т
б)случай 2
О1
о
2 _
1 _
О2
о
10
О3
о
О4
о
20
-----------►
Вес,
десятки тонн
Рис. 1. Иллюстративный пример по таблицам 1 и 2
Решение данной проблемы видится в переводе данных, используемых для моделирования, в безразмерный вид с помощью операций масштабирования (все данные изменяются на отрезке от 0 до 1, или от -1 до 1) или нормирования. Первая процедура имеет, например, вид:
x
н
(х Xmax xmin),
(1)
где хн - вновь сформированная переменная, xmax - максимальное значение исходной переменной х, xmin - ее минимальное значение.
Нормирование данных проводиться по соотношению
Хн = (х - хСр)/8, (2)
где хср - среднее значение наблюдаемой переменной х, а 8 ее среднеквадратичное отклонение. В этом случае новая переменная имеет единичную дисперсию, а математическое ожидание равно 0.
4. Выбор меры сравнения исследуемых объектов в сформированном признаковом пространстве. Неверный выбор меры подменяет задачу ис-
48
Современные технологии - транспорту
следования, так как мера определяет логику исследуемого процесса. Например, процессы, характеризуемые энергией должны использовать «евклидо подобные» меры, а процессы релейного типа меру пространства непрерывных функций.
В [9] разработан алгоритм построения меры близости между сравниваемыми ситуациями (объектами) включающий следующие этапы: предъявление эксперту совокупности эталонных исследуемых ситуаций, назначение экспертом численного значения мер близости между заданными ситуациями, аппроксимация одним из известных методов (регрессионным анализом, с помощью МГУА и др.) полученных данных аналитическим соотношением.
5. Формирование выборки данных, используемых для построения модели, заключающееся в отборе наблюдений из общей совокупности данных, полученных статистическим путем или с помощью экспертов, регу-ляризирующее вычислительную процедуру расчета решающего правила. Суть метода заключается в исключении из обучающей выборки коррелированных данных, чувствительных к ошибкам наблюдений [9].
6. Разделение выборки данных на обучающую и проверочную составляющие. Проблема состоит в том, что по одной выборке невозможно определить оптимальную структуру модели (см. проблему 2): чем будет выше степень аппроксимирующего полинома (больше параметров модели), тем меньше будет ошибка аппроксимации, но не выше точность модели. Различные механизмы разделения выборки данных на обучающую и проверочную предложены в [5].
7. Разработка специальных процедур, совершенствующих механизмы принятия решения. Например, в задаче распознавания образов у А.Е. Пирогова - это выделение коридора нечувствительности [7]. Нами, например, в этой же задаче классификации предлагается смещение разделяющей границы в сторону эталона одного из классов, учитывающее разброс объектов распознаваемых классов.
8. Обеспечение устойчивости вычислительных процедур к ошибкам в данных. Важнейшей проблемой синтеза советчиков является неустойчивость вычислительных процедур построения моделей и процедур принятия решений. Часто это связано с неверным выбором меры сравнения объектов (проблема 4). Решение этой проблемы осуществляется разработкой робастных вычислительных алгоритмов моделирования [9] (проблема 5).
9. Разработка мер и математического аппарата оперирования в интеллектуальных системах с неустранимой нечеткостью используемых понятий. Для этой цели разрабатываются в теории управления сортировочными процессами нечетко-логические и нейро-сетевые методы и алгоритмы [10], моделирующие логику принятия решений горочным оператором. 48
48
Современные технологии - транспорту
49
10. Многокритериальность задачи принятия решений. Важным разделом исследований в данной сфере являются механизмы учета нескольких критериев качества сортировочной работы. Здесь заслуживают внимания метод выделения главного критерия, методы свертки критериев (мультипликативные и аддитивные), метод Парето, метод максимальной алгоритмической надежности и др.
Заключение
Президент ОАО РЖД В. И. Якунин, комментируя роль инноваций в «Стратегии развития железнодорожного транспорта в Российской Федерации до 2030 года», заключил: «Конечной целью является создание интеллектуальных поездов со встроенной системой автоведения и самодиагностики, а также интеллектуальных грузовых станций, которые позволят обеспечить безаварийное движение поездов и перемещение грузов» [13]. Развитию интеллектуальных систем на железнодорожном транспорте посвящена уже обширная литература [14], [15], [16]. Однако категориальный аппарат исследования еще не сформировался. Под интеллектуальными технологиями часто понимают современные информационные технологии автоматизации технологических процессов и соответствующих вычислительных процедур. Это неверно. Интеллектуальность функционирования технического комплекса возникает тогда, когда из данных (статистических и/или экспертных) машина извлекает новые знания.
В нашем случае интеллектуальность работы сортировочной станции определяется совокупностью интеллектуально функционирующих элементов и подсистем, каковыми и являются разрабатываемые в данной статье автоматы-советчики для оперативно-диспетчерского персонала АСУ СС. Статья раскрывает смысл проблем и формирует направления совершенствования математического обеспечения автоматов-советчиков на железнодорожном транспорте.
Особое место в исследовании занимают алгоритмы обучения принятию решений, учитывающие недостаточность данных, нестационарность и нелинейность функционирования, некорректность математической постановки задачи.
Библиографический список
1. Интеллектуальные системы управления на железнодорожном транспорте: монография / А. Н. Шабельников. - Ростов н/Д : Северо-Кавказский научн. центр высшей школы, 2004. - 214 с.
2. Основы нового подхода к анализу сложных систем и процессов принятия решений / Л. А. Заде. - В кн. : Математика сегодня. - М. : Знание, 1974. - С. 5-49.
3. Описание процесса скатывания отцепов с горки при помощи метода планирования эксперимента / Ю. А. Муха. - Днепропетровск: ДИИТ, 1975. - Вып. 168/9. - С. 319.
4. Принятие решений на основе самоорганизации / А. Г. Ивахненко, Ю. П. Зайченко, В. Д. Димитров. - М.: Советское радио, 1976. - 280 с.
50
Современные технологии - транспорту
5. Исследование и разработка алгоритмов функционирования информационнологической системы автоматизированной сортировочной горки / В. Н. Иванченко // Труды РИИЖТа. - Вып. 133. - Ростов н/Д, 1976. - С. 18-24.
6. Автоматизация технологических процессов на железнодорожном транспорте на основе микропроцессоров с применением методов распознавания: учеб. пособие / Н. Н. Лябах, А. Е. Пирогов. - Ростов н/Д : РИИЖТ, 1984. - 76 с.
7. Математические основы разработки и использования машинного интеллекта / Н. Н. Лябах. - Ростов н/Д : СКНЦ ВШ, 1989. - 112 с.
8. Техническая кибернетика на железнодорожном транспорте : учеб. пособие / Н. Н. Лябах, А. Н. Шабельников. - Ростов н/Д : РГУПС, СКНЦ ВШ, 2002. - 283 с.
9. Модели представления и выявления нечетких темпоральных знаний в базах данных временных рядов / С. М. Ковалев // Нечеткие системы и мягкие вычисления : сб. науч. тр. II всероссийской научной конференции с международным участием. Т. 1. -Ульяновск : УлГТУ. - С. 3-13.
10. Совершенствование системы прицельного торможения отцепов на сортировочных горках / А. Н. Шабельников, В. Р. Одикадзе // Известия вузов СевероКавказского региона. - 2008. - № 2.
11. Импульсное управление торможением отцепов с помощью автомата - советчика / А. Н. Шабельников, В. Н. Соколов, А. С. Сарьян // Вестник РГУПС. - № 2. -2008. - С. 62-64.
12. Спутниковая стратегия ОАО «РЖД»: локомотивом развития железнодорожного транспорта станут инновационные технологии / О. Фомина (интервью с президентом ОАО РЖД В. Якуниным) // Известия. - № 239. 22 декабря 2008.
13. Локомотивы с интеллектом: на железные дороги выходит «думающая» техника / Р. Мартынов (интервью со страшим вице-президентом ОАО РЖД В. Гапановичем) // Гудок. - № 45. 17 марта 2009.
14. Интеллектуальные транспортные системы управления / В. С. Воронин // Железнодорожный транспорт. - № 3. - 2009.
15. Удаленный доступ: ученые создали интеллектуальные системы управления движением поездов / Р. Мартынов (интервью с заместителем генерального директора ОАО НИИАС И. Розенбергом) // Гудок. - № 68. 17 апреля 2009.
Статья поступила в редакцию 28.04.2009;
представлена к публикации членом редколлегии Ю. И. Ефименко.
УДК 528.486:625.11
В. И. Полетаев, С. В. Шкурников, В.А. Г олубцов
ПОДГОТОВКА ЖЕЛЕЗНОДОРОЖНОГО ПУТИ К РАБОТЕ ПУТЕВЫХ МАШИН
Рассмотрены способы работы путевых машин при выправке железнодорожного пути. Показывается роль реперной системы при контроле положения пути и выполнении подготовительных работ при его постановке в проектное положение. Приводятся 50
50