Автоматизация процессов идентификации железнодорожных подвижных единиц на основе гибридных нейроиммунных моделей тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат наук Артемьев Илья Сергеевич

• Артемьев Илья Сергеевич
• кандидат наук
• 2017

Оглавление диссертации кандидат наук Артемьев Илья Сергеевич

ВВЕДЕНИЕ

ГЛАВА 1 СОСТОЯНИЕ СОВРЕМЕННЫХ ТЕХНОЛОГИЙ ИДЕНТИФИКАЦИИ ПОДВИЖНЫХ ЕДИНИЦ НА ЖЕЛЕЗНОДОРОЖНОМ ТРАНСПОРТЕ

1.1 Анализ вопроса идентификации железнодорожных подвижных единиц в существующих автоматизированных системах

1.1.1 Системы диагностики подвижного состава

1.1.2 Интеллектуальные системы обеспечения безопасности

1.2 Обзор существующих систем идентификации железнодорожных подвижных единиц

1.2.1 Радиочастотная идентификация

1.2.2 Спутниковое трекирование

1.2.3 Оптическое распознавание

1.3 Пути повышения уровня достоверности и точности идентификации в системах автоматического распознавания номеров вагонов

1.4 Выводы по главе

ГЛАВА 2 РАЗРАБОТКА ГИБРИДНОЙ МОДЕЛИ АВТОМАТИЧЕСКОГО РАСПОЗНАВАНИЯ ИНВЕНТАРНЫХ НОМЕРОВ ЖЕЛЕЗНОДОРОЖНЫХ ПОДВИЖНЫХ ЕДИНИЦ

2.1 Прогностическая модель сегментации трафаретных цифр инвентарных номеров железнодорожных подвижных единиц

2.2 Нейроиммунная модель классификации в задачах идентификации на транспорте

2.3 Гибридная модель блочного распознавания инвентарных номеров железнодорожных подвижных единиц

2.4 Выводы по главе

ГЛАВА 3 РАЗРАБОТКА ГИБРИДНОЙ МОДЕЛИ ОПТИЧЕСКОЙ ИДЕНТИФИКАЦИИ ЖЕЛЕЗНОДОРОЖНЫХ ПОДВИЖНЫХ ЕДИНИЦ

3.1 Метод оптической идентификации железнодорожных подвижных единиц на основе выделения устойчивых интегральных признаков

3.2 Гибридная модель оптической идентификации железнодорожных подвижных единиц на основе базы данных устойчивых интегральных признаков

3.3 Нейроиммунная модель словаря «визуальных слов» в задачах идентификации железнодорожных подвижных единиц

3.4 Выводы по главе

ГЛАВА 4 РАЗРАБОТКА ГИБРИДНЫХ МОДЕЛЕЙ АВТОМАТИЗАЦИИ ПРОЦЕССОВ ИДЕНТИФИКАЦИИ ЖЕЛЕЗНОДОРОЖНЫХ ПОДВИЖНЫХ ЕДИНИЦ

4.1 Гибридный метод автоматической локализации подвижных единиц в железнодорожном составе на основе иммунной системы отрицательного отбора

4.2 Вероятностная продукционная модель автоматической идентификации подвижных единиц на основе сопроводительной документации и матрицы смежности поезда

4.3 Экспериментальное исследование предложенных в работе моделей и методов

4.3.1 Вычислительные эксперименты. Нейроиммунная модель классификации

4.3.2 Вычислительные эксперименты. Метод идентификации на основе интегральных устойчивых признаков

4.3.3 Вычислительные эксперименты. Модель автоматического распознавания автосцепки

4.4 Выводы по главе

ГЛАВА 5 ПРОГРАММНО-АППАРАТНАЯ РЕАЛИЗАЦИЯ УНИВЕРСАЛЬНОЙ СИСТЕМЫ ТЕХНИЧЕСКОГО ЗРЕНИЯ АВТОМАТИЧЕСКОГО РАСПОЗНАВАНИЯ НОМЕРОВ ВАГОНОВ

5.1 Проектирование архитектуры и разработка программно-аппаратного обеспечения распределенной системы технического зрения автоматического распознавания номеров вагонов

5.1.1 Выбор системы искусственного освещения

5.1.2 Разработка энергоэффективной системы удаленной локализации подвижных единиц в железнодорожном составе

5.1.3 Использование разнородных признаков подвижных единиц в задачах автоматической идентификации

5.2 Результаты внедрения универсальной системы технического зрения автоматического распознавания номеров вагонов в составе систем диагностики

подвижных единиц

5.3 Оценка экономической эффективности внедрения системы технического зрения автоматического распознавания номеров вагонов на крупной сортировочной станции

5.3.1 Финансовый план проекта

5.3.2 Оценка эффективности проекта

5.3.3 Анализ рисков проекта

5.4 Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

ПРИЛОЖЕНИЯ

Введение диссертации (часть автореферата) на тему «Автоматизация процессов идентификации железнодорожных подвижных единиц на основе гибридных нейроиммунных моделей»

ВВЕДЕНИЕ

Актуальность темы исследования. Одним из показателей уровня технологичности, безопасности и рентабельности на железнодорожном транспорте, является развитость систем автоматического управления процессами перевозок. Активно развивающиеся микропроцессорные системы -диспетчерской централизации, релейно-процессорной централизации, микропроцессорной централизации, автоблокировки являются основными инструментами автоматизированного регулирования и управления перевозочным процессом для диспетчера или дежурного, при оперативной поездной или станционной работе. Но при этом, информация о подвижном составе: количестве, инвентарных номерах и других характеристиках вагонов поступает в аппарат управления опосредованно, от систем верхнего уровня -автоматизированной системы оперативного управления перевозками, автоматизированной системы управления сортировочной станцией и др., которые являются системами с «ручным» вводом данных и как следствие зачастую искажают фактическую обстановку на полигоне.

Принципиальный переход от систем с «ручным» вводом данных к среде автоматического формирования модели поездной и повагонной ситуации на сети дорог, открывает новые возможности перед персоналом дирекции движения для существенного повышения эффективности от грузовой и коммерческой деятельности в ОАО «РЖД».

Как зарубежный, так и отечественный опыт демонстрирует распространение следующих основных технологий идентификации подвижных единиц на железнодорожном транспорте:

- ведение спутниковых треков;

- радиочастотное считывание пассивных датчиков;

- видеосчитывание инвентарных номеров.

Первые две технологии нуждаются в размещении дополнительных бортовых технических средств на всем парке грузовым вагонов сети железных

дорог. Для внедрения подходов такого рода потребуются принципиальные организационные решения и значительные экономические затраты, напрямую относящиеся к отечественным и зарубежным собственникам парка грузовых вагонов. Что нельзя сказать о технологии видеосчитывания инвентарных номеров, которая не только не требует дополнительного оборудования подвижных единиц, но и обладает такими конкурентными преимуществами, как: возможность коммерческого осмотра, возможность визуальной проверки результатов идентификации, возможность автоматизации обнаружения коммерческих неисправностей.

В связи с этим очевидна актуальность темы диссертации и целесообразность развития функциональности и достоверности идентификации подвижных единиц, основанной на принципе оптического распознавания.

Актуальность темы отмечена на заседании Объединенного ученого совета ОАО «РЖД» (протокол №48, от 24.04.2014), а также поддержана грантами РФФИ, проект № 13-07-00226а, проект № 13-07-13109 офи_м_РЖД и ФГБОУ ВО РГУПС, договор № 625/3.

Степень разработанности проблемы. Большой вклад в развитие интеллектуальных технологий для автоматизации сложных технологических процессов на железнодорожном транспорте внесли такие ученые как С.Е. Ададуров, Л.А. Баранов, В.А. Гапанович, И.Д. Долгий, А.М. Замышляев,

B.Н. Иванченко, В.М. Лисенков, Э.А. Мамаев, А.Б. Никитин, Е.Н. Розенберг, И.Н. Розенберг, В.В. Сапожников, Вл.В. Сапожников, В.Н. Таран и др.

Большой вклад в развитие технологий искусственного интеллекта в исследуемой сфере внесли такие ученые как Г.И. Белявский, Л.С. Берштейн, М.А. Бутакова, К.В. Воронцов, А.Н. Гуда, Д. Дасгупта, А.Н. Каркищенко,

C.М. Ковалев, С. Осовский, Д.А. Поспелов, Ф. Розенблатт, С.В. Соколов, В.Б. Тарасов, А.Е. Хатламаджиян, Э. Ын, Н.Г. Ярушкина и др.

Исследованиям в области создания автоматизированных систем технического зрения посвящены работы таких ученых как Ю.В. Визильтер,

Р. Вудс, Р. Гонсалес, Н.Л. Казанский, Ю.А. Косилов, А.А. Лукьяница, В.А. Сойфер, Дж. Стокман, Л. Шапиро, А.Г. Шишкин, и др.

Цель работы. Целью диссертационной работы является разработка интеллектуальных методов и средств функционирования систем технического зрения (СТЗ) для идентификации подвижных единиц, позволяющих существенно повысить уровень достоверности результатов и автоматизации функционирования систем управления процессами перевозок на железнодорожном транспорте.

Для достижения поставленной цели требуется решение следующих задач:

1. Разработать метод автоматического распознавания инвентарных номеров подвижных единиц, устойчивый к различным видам помех, искажающих инвентарные номера, путем интеллектуализации основных этапов распознавания.

2. Разработать новый принцип оптической идентификации подвижных единиц в условиях влияния внешних факторов, ухудшающих процесс идентификации по инвентарному номеру, использующий набор альтернативных индивидуальных признаков, характеризующих подвижных единиц.

3. Разработать гибридный метод автоматической локализации подвижных единиц в железнодорожном составе на основе объединения информации, полученной от датчиков прохождения колеса и графического представления конструктивных элементов подвижных единиц для повышения достоверности разделения состава на вагоны.

4. Разработать продукционную модель автоматической идентификации подвижных единиц, основанную на использовании экспертной базы знаний технологических ситуаций при операциях с вагонами и статистической вероятности их проявления.

5. Реализация результатов диссертационной работы в научно-практической разработке СТЗ идентификации подвижных единиц.

Объектом исследования являются технологические процессы идентификации подвижных единиц, системы технического зрения и системы автоматического распознавания номеров вагонов (АРНВ).

Предметом исследования являются: математические модели и интеллектуальные методы идентификации подвижных единиц, их алгоритмическое, программно-аппаратное и информационное обеспечение. Работа выполнена в рамках следующих пунктов паспорта специальности 05.13.06 - автоматизация и управление технологическими процессами и производствами (транспорт):

П.8. Формализованные методы анализа, синтеза, исследования и оптимизация модульных структур систем сбора и обработки данных в АСУТП, АСУП, АСТПП и др.

П.9. Методы эффективной организации и ведения специализированного информационного и программного обеспечения АСУТП, АСУП, АСТПП и др., включая базы и банки данных и методы их оптимизации.

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

П.12. Методы контроля, обеспечения достоверности, защиты и резервирования информационного и программного обеспечения АСУТП, АСУП, АСТПП и др.

П.15. Теоретические основы, методы и алгоритмы интеллектуализации решения прикладных задач при построении АСУ широкого назначения (АСУТП, АСУП, АСТПП и др.).

П.16. Теоретические основы, методы и алгоритмы построения экспертных и диалоговых подсистем, включенных в АСУТП, АСУП, АСТПП и др.

Методы исследования. Для решения поставленных задач использовался инструментарно-методологический аппарат, включающий методологию формализованного анализа, инструменты и средства системного анализа, а именно: теорию распознавания образов, методы анализа временных рядов,

элементы теории эволюционного моделирования, теорию искусственных нейронных сетей, методы цифровой обработки сигналов, методы машинного обучения, теорию искусственных иммунных систем, алгоритмы обработки изображений и пр. Программно-математическое обеспечение выполнено на языках программирования С/С++/С# и Python.

Научная новизна. Научная новизна диссертационной работы заключается в следующем:

1. Разработан метод автоматического распознавания инвентарных номеров подвижных единиц на основе прогностической модели сегментации трафаретных цифр и метода блочного распознавания инвентарных номеров вагонов на базе нейроиммунной модели классификации, обладающий повышенной устойчивостью к сильно искаженным номерам, не соответствующим требованиям написания ПКБ ЦВ №632-2006.

2. Предложен новый подход и разработана модель идентификации подвижных единиц на основе формирования базы данных устойчивых интегральных признаков, обобщающих все индивидуальные конструктивные особенности и графические обозначения на подвижной единице, позволяющая повысить эффективность применения метода автоматического распознавания инвентарных номеров подвижных единиц в сложных условиях влияния внешних факторов.

3. Разработан гибридный метод автоматической локализации подвижных единиц в железнодорожном составе, включающий в себя двухэтапный темпоральный алгоритм на базе датчиков прохождения колеса и метод распознавания автосцепки на базе искусственной иммунной системы отрицательного отбора, позволяющий повысить достоверность локализации.

4. Разработана вероятностная продукционная модель автоматической идентификации подвижных единиц, основанная на использовании предварительных результатов работы систем автоматической идентификации подвижных единиц, данных сопроводительной технологической документации о составе поезда и экспертной базы знаний о технологических ситуациях при

операциях с вагонами, позволяющая повысить достоверность работы методов идентификации подвижных единиц на железнодорожном транспорте.

Практическая значимость диссертационной работы определена реальным внедрением универсальной СТЗ АРНВ на объекте промышленного транспорта, а также на сети дорог ОАО «РЖД». Результаты диссертации отмечены призовыми местами Второго всероссийского конкурса научных работ среди студентов и аспирантов транспортных ВУЗов, проведенного Объединенным ученым советом ОАО «РЖД», и Городского конкурса практико-ориентированных научно-исследовательских работ студентов, аспирантов и молодых ученых, проведенного администрацией г. Ростова-на-Дону в 2014 г.

Достоверность и обоснованность научных выводов и положений, сформулированных в диссертационной работе, подтверждается результатами вычислительных экспериментов на практических и модельных задачах, публикациями и докладами на научно-практических конференциях, а также актами внедрения результатов работы.

Реализация результатов работы. Предложенные алгоритмы и методы оптической идентификации подвижных единиц были реализованы в программно-аппаратном обеспечении универсальной СТЗ АРНВ, а также использовались в качестве инструментария при выполнении ряда научных исследований по грантам РФФИ и ФГБОУ ВО РГУПС.

Основные положения, выносимые на защиту.

1. Метод автоматического распознавания инвентарных номеров подвижных единиц на основе прогностической модели сегментации трафаретных цифр и метода блочного распознавания инвентарных номеров вагонов на базе нейроиммунной модели классификации, обладающий повышенной устойчивостью к номерам сильно искаженным и не соответствующим требованиям написания ПКБ ЦВ №632-2006

2. Подход к оптической идентификации подвижных единиц в условиях влияния внешних, усложняющих процесс распознавания, факторов и имеющих инвентарные номера, не соответствующие требованиям написания ПКБ ЦВ

№632-2006, на основе базы данных устойчивых интегральных признаков, характеризующих их индивидуальные конструктивные особенности.

3. Гибридный метод автоматической локализации подвижных единиц в железнодорожном составе, включающий в себя двухэтапный темпоральный алгоритм на базе датчиков прохождения колеса и метод распознавания автосцепки на базе искусственной иммунной системы отрицательного отбора, повышающий стабильность и достоверность локализации.

4. Вероятностная продукционная модель автоматической идентификации подвижных единиц, основанная на использовании предварительных результатов работы систем автоматической идентификации подвижных единиц, данных сопроводительной технологической документации и экспертной базы знаний технологических ситуаций при операциях с вагонами, позволяющая повысить устойчивость идентификации за счет гибридизации разнородных источников информации о подвижной единице.

Апробация результатов работы. Апробация основных теоретических и практических результатов работы проводилась на научных семинарах (с 2010 по 2014 гг., РГУПС), Международной научной конференции «Механика и трибология транспортных систем» (г. Ростов-на-Дону, 2011 г.), Международной научно-практической конференции «Интегрированные модели и мягкие вычисления в искусственном интеллекте» (г. Коломна, 2013 г.), Всероссийских научно-практических конференциях и симпозиумах «Транспорт» (г. Ростов-на-Дону, 2012 - 2014 гг.), Объединенном ученом совете ОАО «РЖД» (г. Москва, 2014 г.), Молодежном инновационном конвенте Ростовской области (г. Ростов-на-Дону, 2014 г.).

Публикации. По теме диссертационной работы опубликовано 13 печатных работ, в том числе 7 опубликованы в изданиях, входящих в перечень ведущих рецензируемых научных журналов и изданий ВАК.

Структура и объем работы. Диссертационная работа состоит из введения, пяти глав, общих выводов, заключения, списка использованных источников и приложений. Общий объем работы составляет 179 страниц машинописного

текста, 65 рисунков, 12 таблиц. Список использованных источников включает 79 наименований отечественных и зарубежных авторов.

ГЛАВА 1 СОСТОЯНИЕ СОВРЕМЕННЫХ ТЕХНОЛОГИЙ ИДЕНТИФИКАЦИИ ПОДВИЖНЫХ ЕДИНИЦ НА

ЖЕЛЕЗНОДОРОЖНОМ ТРАНСПОРТЕ

В высокотехнологичных областях народного хозяйства все более заметна тенденция к интеграции технического и технологического функционала в единое информационное пространство, как ключ решения комплексных задач управления. Железнодорожный транспорт не является исключением, практически все стороны отрасли охвачены информатизацией, ей уделена особая роль в повышении качества и эффективности работы, увеличении объема перевозок и конкурентоспособности в сфере транспортных услуг.

Как известно, функционирование в настоящий момент на железнодорожном транспорте программно-технических комплексов и информационно-управляющих систем в рамках проекта автоматизированной системы управления железнодорожным транспортом (АСУЖТ) вызвало необходимость формирования тенденции перехода в единое «бесшовное» информационное пространство функционирования управляющих систем -переход к интеллектуальной системе управления на железнодорожном транспорте (ИСУЖТ) [1].

Создание технологически интегрированной системы, осуществляющей управление перевозочным процессом, инфраструктурой и тяговыми ресурсами, подразумевает объединение существующих автоматизированных систем: диспетчерской централизации, контроля подвижного состава, спутниковой навигации и других на основе сетецентрического подхода, мультиагентных и интеллектуальных технологий.

Острая необходимостью достоверной повагонной идентификации в перечисленных выше системах [2], как логического и ключевого звена интеграции, делает очевидным тот факт, что реализация проекта ИСУЖТ возможна только в условиях автоматического, оперативного и достоверного получения информации о подвижных единицах в реальном масштабе времени.

1.1 Анализ вопроса идентификации железнодорожных подвижных единиц в существующих автоматизированных системах

Как известно [6], на сети железных дорог Российской Федерации показатели средней участковой скорости фиксируют негативную динамику при постоянном увеличении грузооборота (рисунок 1).

Рисунок 1 - Отрицательная динамика участковой скорости

Здесь, кроме всего прочего, весомым фактором является отсутствие комплексного инструмента автоматической идентификации железнодорожных подвижных единиц в увязке с технологическим процессом управления перевозками.

Активно развивающиеся микропроцессорные системы аккумулируют в себе целый ряд функций ДЦ, РПЦ (МПЦ), АБ, СТДМ и счета осей. При этом информация о подвижных единицах поступает к ним из информационно-управляющих систем с «ручным» внесением информации о проследовании составов, таких как АСОУП, АСУ СС и пр. Задачи подобных информационно -управляющих систем функционально связаны с системами автоматической идентификации подвижных единиц в рамках автоматизации информационного обеспечения АСУ как дорожного, так и линейного уровня.

1.1.1 Системы диагностики подвижного состава

«Пост акустического контроля» (ПАК). Автоматическая диагностика буксовых узлов методом акустического анализа вибраций дефектных подшипников (рисунок 2).

Рисунок 2 - Пост акустического контроля Измерения проводятся при скоростях движения поезда - от 30 км/ч. Дифференцирование результатов измерений по 3-м уровням. Исполнение антивандальное с термостабилизацией.

Комплекс технических средств многофункциональный для диагностики подвижных единиц КТСМ - 02. В автоматическом режиме осуществляется диагностика буксовых узлов методом теплового контроля (рисунок 3).

Рисунок 3 - Диагностика буксовых узлов методом теплового контроля

В настоящее время по показаниям приборов КТСМ, расположенных на промежуточных станциях, в среднем в месяц останавливается 2300 грузовых поездов.

Автоматизированная система обнаружения отрицательной динамики подвижных единиц (АСООД). В автоматическом режиме осуществляется локализация вагонов с отрицательной динамикой путем построения траектории его движения (рисунок 4).

Рисунок 4 - Общий вид оборудования «АСООД» и комплект наружных

датчиков и видеокамер

Автоматизированная система контроля геометрических характеристик колесных пар. В автоматическом режиме осуществляется диагностика колесных пар подвижных единиц методом анализа геометрических характеристик колеса (КТИ) (рисунок 5).

Рисунок 5 - Диагностическая система КТИ на подходе к ПТО ст. Инская 1.1.2 Интеллектуальные системы обеспечения безопасности

Система диспетчерского контроля и управления движением поездов ДЦ-ЮГ с распределенными контролируемыми пунктами. Развитие дорожных центров управления движением поездов требует использования современных технических средств обеспечения диспетчерского руководства и информационного взаимодействия со смежными системами обработки и хранения данных. При этом на железнодорожном транспорте особое внимание традиционно уделяется организационно-техническим методам обеспечения безопасности движения. К таким новым средствам относится созданная в научно-исследовательской лаборатории систем диспетчерского контроля (НИЛ СДКУ) Ростовского государственного университета путей сообщения (РГУПС) новая система ДЦ-ЮГ с распределенными контролируемыми пунктами (РКП) (рисунок 6).

Рисунок 6 - Адлерский региональный центр управления (ЦУП-Адлер) Приведенные выше системы технической диагностики вагонного парка и интеллектуальные системы, обеспечивающие безопасность движения поездов, оснащаются доступом к информационной системе верхнего уровня - АСОУП для получения идентификационной и диагностической информации о проследовавших подвижных единицах, которая, по известным причинам [2], не обеспечивает требуемого уровня ее достоверности. В связи с этим, в перечисленных системах остро стоит вопрос однозначной, достоверной и полностью автоматической идентификации подвижных единиц, т.к. работа специального оператора в них не предусматривается.

Помимо этого, по мнению автора, в ближайшие годы на отечественном рынке основным приложением систем идентификации подвижных единиц должно стать их внедрение в процесс формирования/расформирования составов на сортировочных станциях. И как логичное продолжение темы -принципиальный переход от АСУ с «ручным» вводом данных к созданию оперативной автоматизированной повагонной модели полигона.

Рассмотрим существующие системы идентификации железнодорожных подвижных единиц с учетом перечисленных выше характеристик.

1.2 Обзор существующих систем идентификации железнодорожных подвижных единиц

Как известно, начиная с 60-х годов [7] развитие вопроса идентификации подвижных единиц дало толчок разработке самых разнообразных подходов: спутниковое трекирование, считывание пассивных индуктивных меток, считывание акустического отражения, магнитных полей, радиоактивного, радиочастотного и светового излучения.

Рассмотрим технологии, получившие наибольшее распространение.

1.2.1 Радиочастотная идентификация

Радиочастотная идентификация (Radio Frequency Identification, RFID) — метод автоматической идентификации объектов, в котором посредством радиосигналов считываются или записываются данные, хранящиеся в так называемых транспондерах, или RFID-метках [9] (рисунок 7).

Рисунок 7 - ЯТЮ-система автоматической идентификации железнодорожных

подвижных единиц

Согласно [7], основополагающей КТГО-системой автоматической идентификации, внедрившей свои разработки в государственном отраслевом

масштабе, на сети дорог США, является система «Amtech», компании «Amtech Systems Division».

Что касается европейских стран [7], для идентификации железнодорожных подвижных единиц используется модификация системы «Amtech», отличающейся не только по характеристикам работы, но и по структурному размещению оборудования. Расположение RFID-считывателя предполагается под проходящими подвижными единицами, соответственно RFID-метка крепится к бортам подвижных единиц снизу.

На отечественном рынке представлены следующие RFID-системы идентификации железнодорожных подвижных единиц: САИ ПС «Пальма», САИД «ЦКЖТ», система «РЧИД-ПАВ-ШАХТА». Рассмотрим их характеристики более подробно.

Система автоматической идентификации подвижного состава «Пальма» [8]. Система «Пальма» является RFID-системой автоматической идентификации подвижных единиц. Кратко об основных принципах ее работы:

1. Осуществляется оборудование подвижного состава кодовыми бортовыми датчиками КБД-2М, содержащими информацию об оборудованной подвижной единице.

2. В контрольных точках (депо, вход/выход станции) устанавливаются пункты автоматического считывания информации из прошедших датчиков.

3. Получаемая со всех пунктов считывания данного железнодорожного узла концентрируется на линейном уровне, проходит предварительную обработку и передается в концентратор дорожного уровня.

4. В концентраторе дорожного уровня осуществляется формирование конечного результата идентификации, содержащего идентификационные 8-значные данные подвижных единиц, а также информацию о составе, в котором они проследовали пункт считывания.

Система автоматической идентификации «ЦКЖТ» [9]. САИД «ЦКЖТ» так же является RFID-системой идентификации подвижных единиц.

Принцип работы системы описывается следующим образом: при занятии поездом рельсовой цепи, в пределах которой расположено считывающее устройство, контроллер посылает пакет запроса и ожидает ответа. Пакет ответа устройства считывания содержит идентификационные данные проследовавшей подвижной единицы. В информационные пакеты запроса и ответа входят байты контрольной суммы, которые проверяются на контроллере линейного пункта и микроконтроллере устройства считывания, обеспечивая защиту от искажений при передаче. Принятые контроллером линейного пункта идентификационные данные, побитно сохраняются в группе ТЗК ТС и передаются на центральный пост. Для каждого считывающего устройства выделяется отдельная группа в ТЗК ТС.

1.2.2 Спутниковое трекирование

Согласно [10], был выполнен комплекс работ по внедрению на сети дорог ОАО «РЖД», спутниковых технологий (рисунок 8): систем ГЛОНАСС/ОРБ и информационных сервисов, с помощью которых была предоставлена гарантированная возможность высокоточного определения дислокации и параметров таких объектов, как:

• пассажирские и грузовые поезда;

• пожарные поезда;

• специальные самоходные подвижные средства;

• комплексы путевых машин;

• передвижные средства диагностики и мониторинга;

• тяговый и моторный подвижной состав.

Рисунок 8 - Внедрение спутниковых технологий в ОАО «РЖД»

Помимо внедрения инновационных спутниковых технологий, усилия ОАО «НИИАС» нацелены на создание и интеграцию комплексных информационно -управляющих систем контроля поездной и станционной работой, новых поколений информационных систем моделирования и анализа перевозочного процесса. Использование нового поколения локомотивных устройств безопасности, спутниковых технологий и радиоканала, на пути создания таких систем, как: комплексные многоуровневые системы безопасности движения, системы интервального регулирования движения поездов, принципиально новые комплексные системы диагностики и мониторинга объектов инфраструктуры и подвижного состава, а также системы контроля перевозки опасных грузов, -позволяет повысить плотность поездопотока и пропускной способности железных дорог, осуществить реализацию целей ресурсосбережения, оптимизировать работу инфраструктурных хозяйств и путевой ремонтной техники в «окнах» в увязке с управлением поездной работой, а также обеспечить высокоточными координатными и планово-картографическими данными для снижения затрат и трудоемкости проведения инженерно-геодезических изысканий при проектировании и строительстве.

1.2.3 Оптическое распознавание

В последние десятилетия, благодаря достижениям в развитии информационных и компьютерных технологий были разработаны новые методы анализа и обработки изображений, благодаря которым стало возможным создание промышленных систем оптического распознавания символов (Optical character recognition, OCR). Созданием искусственных систем, получающих информацию из изображений, занимается научная дисциплина - компьютерное зрение. OCR-системы на сегодняшний день широко используются в различных областях народного хозяйства, позволяя автоматизировать разнообразные задачи:

Список литературы диссертационного исследования кандидат наук Артемьев Илья Сергеевич, 2017 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Якунин, В.И. Приветствие президента ОАО «РЖД» / Якунин В.И. // Интеллектуальные системы управления на железнодорожном транспорте (ИСУЖТ-2013): Вторая научно-техническая конференция (21-22 октября 2013 г., Москва, Россия). - ОАО «НИИАС». - 2013 г. - С. 3.

2. Долгий, А.И. Новые подходы к разработке систем автоматической идентификации номеров вагонов / А.И. Долгий, А.Е. Хатламаджиян, И.С. Артемьев, В.В. Кудюкин, А.И. Лебедев, А.В. Суханов // Бюллетень Объединенного ученого совета ОАО «РЖД». - №3. - 2014. - С. 23-40.

3. Артемьев, И.С. Метод блочного оптического распознавания инвентарных номеров железнодорожных подвижных единиц на основе комитетной нейроиммунной модели классификации [Электронный ресурс] / И.С. Артемьев, А.И. Лебедев, А.И. Долгий, А.Е. Хатламаджиян, В.Д. Меерович // «Инженерный вестник Дона», 2014, №1, URL: http://www.ivdon.ru/ru/magazine/archive/n1y2014/2259 (дата обращения: 01.10.2016).

4. Суханов, А.В. Метод оптической идентификации железнодорожных подвижных единиц на основе интегральных устойчивых признаков [Электронный ресурс] / А.В. Суханов, И.С. Артемьев, А.И. Долгий, А.Е. Хатламаджиян // «Инженерный вестник Дона», 2013, №4, URL: http://www.ivdon.ru/magazine/archive/n4y2013/2217 или http://ivdon.ru/uploads/article/pdf/IVD_99A_Sukhanov.pdf_2217.pdf (дата обращения: 01.10.2016).

5. Артемьев, И.С. Модель оптической локализации железнодорожных подвижных единиц на основе искусственной иммунной системы отрицательного отбора [Электронный ресурс] / И.С. Артемьев, А.И. Лебедев, А.И. Долгий, А.Е. Хатламаджиян // «Инженерный вестник Дона», 2014, №4, URL: http: //www.ivdon.ru/ru/magazine/archive/n4y2014/2700 или http://cyberleninka.ru/article/n/model-opticheskoy-lokalizatsii-zheleznodorozhnyh-

роёу17ЬпуЬ-её1п118-па-08поуе-18ки881уеппоу-1тшиппоу-8181ешу-о1г118а1е1по§о-оШога (дата обращения: 01.10.2016).

6. Годовой отчет ОАО «РЖД» за 2013 год [Электронный ресурс] // Режим доступа: http://ar2013.rzd.ru/ru/ (дата обращения: 13.10.2016).

7. Котлецов, Д.С. Контроль дислокации железнодорожного подвижного состава в реальном времени: дис. ... канд. техн. наук: 05.22.07 / Котлецов Денис Сергеевич. - М., 2004. - 4 с.

8. Пункт считывания системы автоматической идентификации «Пальма». КНГМ.466452.001-01 РЭ [Электронный ресурс]. - М.: Руководство по эксплуатации, 2002. - Режим доступа: https://yadi.Sk/i/1X3RpHRTwmVkZ (дата обращения: 13.10.2016).

9. Гавзов, Д.В. Система автоматической идентификации подвижных единиц / Д.В. Гавзов, А.Б. Никитин, В.В. Комаров, Р.Ш. Валиев // Конструирование, сертификация и техническая эксплуатация устройств и систем железнодорожной автоматики и телемеханики: Сб. науч. трудов. - СПб.: ПГУПС. - 2003. - С. 29-33.

10. Годовой отчет ОАО «НИИАС» за 2011 год [Электронный ресурс] // Режим доступа: https://e-disc1osuгe.azipi.гu/oгganizatioп/1972910/ (дата обращения: 13.10.2016).

11. Косилов, Р.А. Устройство для считывания информации с подвижных объектов / Р.А. Косилов, В.В. Орихивский, Ф.П. Сардыко // Авторское свидетельство №753705, заявлено 04.04.1978 г.

12. Дмитренко, И.Е. Исследование телевизионных автоматов считывания информации с подвижного состава / И.Е. Дмитренко, Р.А. Косилов // ЦИОНТ. ПИК ВИНИТИ. - № 37. - 1982.

13. Волков, В.М. Технологическая телефонная связь на железнодорожном транспорте: учеб. для вузов ж.-д. трансп. / В.М. Волков, А.П. Зорько, В.А. Прокофьев; под ред.: В. М. Волкова; утв. Упр. учеб. завед. ГУКУЗа МПС. - М.: Транспорт. - 1990. - 294 с.

14. Петров, И.И. Телевидение на железнодорожном транспорте: учеб. для вузов ж.-д. трансп. / И.И. Петров, Р.А. Косилов. - М.: Транспорт. - 1991. -294 с.

15. Якимович, Е.А. Новая технология учета ж/д вагонов с использованием системы технического зрения на основе нейронной сети / Е.А. Якимович, А.Н. Дмитриев // Вторая региональная научная конференция студентов и молодых специалистов «Радиотехнические и информационные системы и устройства». - Томск: ТУСУР. - 1997. - с. 138-139.

16. Якимович, Е.А. Система технического зрения для распознавания номеров вагонов. Обработка изображения в задаче нейросетевого распознавания образов / Е.А. Якимович, Н.В. Замятин // Сборник научных статей «Нейроинформатика-99». - Томск: ТУСУР. - 1999. - с. 171-177.

17. AEI/OCR system verification. Technical Report TP14143E // DTI Telecommunications, 2003.

18. Казанский, Н.Л. Система технического зрения для определения количества гель-частиц в растворе полимера / Н.Л. Казанский, С.Б. Попов // Компьютерная оптика. - 2009. - Т. 33. - №3. - с. 325-331.

19. Казанский, Н.Л. Сравнение объекта и эталона по отклонению контуров / Н.Л. Казанский, Р.В. Хмелев // Компьютерная оптика. - 2000. - В.20. - с. 134-139.

20. Казанский, Н.Л. Алгоритмы поиска расстояний до объектных пикселов на бинарных изображениях / Н.Л. Казанский, В.В. Мясников, Р.В. Хмелев // Компьютерная оптика. - 2000. - В.20. - с. 128-133.

21. Казанский, Н.Л. Распределённая система технического зрения регистрации железнодорожных составов / Н.Л. Казанский // Компьютерная оптика. - 2012. - Т.36. - №3 - С. 419-428.

22. Знаки и надписи на вагонах грузового парка колеи 1520: №2 632-2011 ПКБ ЦВ ОАО «РЖД»: альбом-справочник. - [Б. м.], 2012. - 62 с.

23. J. Sauvola, M. Pietikainen, Adaptive document image binarization, Pattern Recognition, Volume 33, Issue 2, February 2000, Pages 225-236.

24. Lu, Y. Machine printed character segmentation / Y. Lu // Pattern Recognition, vol. 28, n.1, pp 67-80, Elsevier Science Ltd, UK, 1995.

25. Matheron, G. Random Sets and Integral Geometry / G. Matheron // J.Wiley & Sons, New York.

26. Грачева, М.В. Количественные методы в экономических исследованиях: учебник для вузов / М.В. Грачева, Л.Н. Фадеева, Ю.Н. Черемных.

- М.: ЮНИТИ ДАНА, 2004. - 791 с.

27. Watkins, A., AIRS: A Resource Limited Artificial Immune Classifier. Master Thesis, Mississippi State University, 2001.

28. Watkins, A., Exploiting Immunological Metaphors in the Development of Serial, Parallel, and Distributed Learning Algorithms. PhD Thesis, Mississippi State University, 2005.

29. Breiman, L. Bagging predictors. Univ. California Technical Report No. 421, September 1994 - 20 p.

30. Aslam, Javed A., Popa, Raluca A., Rivest, Ronald L., On Estimating the Size and Confidence of a Statistical Audit. Proceedings of the Electronic Voting Technology Workshop (EVT '07), Boston, 2007.

31. Артемьев, И.С. Нейроиммунная модель классификации в задачах идентификации на транспорте / И.С. Артемьев, А.И. Долгий, А.В. Суханов, А.Е. Хатламаджиян // Интегрированные модели и мягкие вычисления в искусственном интеллекте. Сборник научных трудов VII-й Международной научно-технической конференции (Коломна, 20-22 мая 2013 г.). В 3-х томах. -Т.3. - М.: Физматлит. 2013. - С. 980-987.

32. Артемьев, И.С. Модель автоматического распознавания номеров вагонов с применением сложных морфологических преобразований / И.С. Артемьев, А.И. Лебедев // Труды Международной научно-практической конференции «Транспорт-2012». - Ч.1. - Ростов-на-Дону: Изд-во РГУПС, 2012.

- С. 3-5.

33. Романов, Д.Е. Нейронные сети обратного распространения ошибки [Электронный ресурс] / Д.Е. Романов // «Инженерный вестник Дона», 2009, №3.

- Режим доступа: http://www.ivdon.ru/magazine/archive/n3y2009/143 (доступ свободный) - Загл. с экрана. - Яз.рус.

34. Лила, В.Б. Алгоритм и программная реализация адаптивного метода обучения искусственных нейронных сетей [Электронный ресурс] / В.Б. Лила // «Инженерный вестник Дона», 2012, №1. - Режим доступа: http://www.ivdon.ru/magazine/archive/n1y2012/626 (доступ свободный) - Загл. с экрана. - Яз.рус.

35. Marinai, S.Artificial neural networks for document analysis and recognition / S. Marinai, M. Gori, G. Soda // Pattern analysis and machine intelligence, pages 23-35, 2005.

36. Lee, SW. Integrated segmentation and recognition of handwritten numerals with cascade neural network / SW Lee, SY Kim // Systems, Man, and Cybernetics, Part C: Applications and Reviews, pages 285-290, 1999.

37. Y. LeCun, P. Haffner, L. Bottou and Y. Bengio. Object Recognition with Gradient-Based Learning. In Forsyth, D., FeatureGrouping, Springer, 1999. - 28 p.

38. Ifeachor, E.C. Digital Signal Processing: A Practical Approach / E.C. Ifeachor, B.W. Jervis // Prentice-Hall, Inc., Cliffs, 2002 - 933 p.

39. Bay H., Ess A., Tuytelaars T., Gool L.V. SURF: Speeded Up Robust Features // Computer Vision and Image Understanding (CVIU) - 2008 - Vol. 110, № 3, pp. 346-359.

40. Mahalanobis P. C. On the generalised distance in statistics // Proceedings of the National Institute of Sciences of India 2 (1) - 1936 - pp. 49-55.

41. Lowe, David G. Object recognition from local scale-invariant features. Proceedings of the International Conference on Computer Vision. pp. 1150-1157.

42. Ethan Rublee, Vincent Rabaud, Kurt Konolige, Gary R. Bradski: ORB: An efficient alternative to SIFT or SURF. ICCV 2011: 2564-2571.

43. E. Rosten and T. Drummond. Machine learning for highspeed corner detection. In European Conference on Computer Vision, volume 1, 2006. 1.

44. E. Rosten, R. Porter, and T. Drummond. Faster and better: A machine learning approach to corner detection. IEEE Trans. Pattern Analysis and Machine Intelligence, 32:105-119, 2010. 1.

45. M. Calonder, V. Lepetit, C. Strecha, and P. Fua. Brief: Binary robust independent elementary features. In In European Conference on Computer Vision, 2010.

46. Блейхут, Р. Теория и практика кодов, контролирующих ошибки // Блейхут Р. - М.: Книга по Требованию, 2013. - 566 с.

47. Годовой отчет ОАО «РЖД» за 2014 год [Электронный ресурс] // Режим доступа: http://ar2014.rzd.ru/ru/ (дата обращения: 13.10.2016).

48. Y. Rui, T.S. Huang, and S.-F. Chang, Image Retrieval: Current Techniques, Promising Directions and Open Issues, Journal of Visual Communication and Image Representation, 10(4):39-62, 1999.

49. A. W. Smeulders, M. Worring, S. Santini, A. Gupta, and R. Jain, Content-Based Image Retrieval at the End of the Early Years, IEEE Trans. Pattern Analysis and Machine Intelligence, 22(12):1349-1380, 2000.

50. Babenko A. V., Lempitsky V. The inverted multi-index - IEEE Transactions on Pattern Analysis and Machine Intelligence. 2015. Vol. 37. No. 6. P. 1247-1260.

51. J. Philbin, O. Chum, M. Isard, J. Sivic, and A. Zisserman. Object retrieval with large vocabularies and fast spatial matching. In CVPR, 2007

52. J. Sivic and A. Zisserman. Video google: a text retrieval approach to object matching in videos. In ICCV, 2003.

53. James Philbin Josef Sivic Andrew Zisserman Geometric Latent Dirichlet Allocation on a Matching Graph for Large-scale Image Datasets (Items 3.1, 3.2).

54. Jones K. S. A statistical interpretation of term specificity and its application in retrieval // Journal of Documentation: MCB University: MCB University Press, 2004. — Т. 60, № 5. — С. 493-502.

55. Salton, G. and McGill, M. J. 1983 Introduction to modern information retrieval. McGraw-Hill, ISBN 0-07-054484-0.

56. Robertson, S. Understanding inverse document frequency: On theoretical arguments for IDF. Journal of Documentation. 60 (5): 503-520.

57. Hough, P. V. C. Method and means for recognizing complex patterns. U. S. Patent 3, 069 654, December 18, 1962.

58. Martin A. Fischler and Robert C. Bolles (June 1981). «Random Sample Consensus: A Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography». Comm. Of the ACM 24: 381-395.

59. Ромкин, М. В. Система автоматической идентификации типов подвижных единиц железнодорожного транспорта / М. В. Ромкин, В. А. Засов // Труды XIV Международной конференции (19-22 июня 2012 г. Самара, Россия). - Самара: Самарский научный центр РАН, 2012. - 820 с.

60. Sivic, J.; Russell, B.C.; Efros, A.A.; Zisserman, A.; Freeman, W.T. Discovering objects and their location in images. Tenth IEEE International Conference on Computer Vision (ICCV'05) Volume 1 (PDF). p. 370.

61. Steinhaus H. (1956). Sur la division des corps materiels en parties. Bull. Acad. Polon. Sci., C1. III vol IV: 801—804.

62. Загоруйко, Н.Г. Прикладные методы анализа данных и знаний / Н.Г. Загоруйко. — Новосибирск: Изд-во Ин-та математики, 1999. - 270 с.

63. Литвиненко, В.И. Искусственные иммунные системы как средство индуктивного построения оптимальных моделей сложных объектов / В.И. Литвиненко // Проблемы управления и информатики, 2008. - № 3. - с. 43-61.

64. Литвиненко, В.И. Иммунный классификатор для решения задач бинарной классификации (теоретические основы) / В.И. Литвиненко // Системш технологи. Регюнальний мiжвузiвський збiрник наукових праць. -Дншропетровськ, 2006. - Випуск 1 (42). - С.114-130.

65. De Castro, L.N. Timmis, J.I. Artificial Immune Systems: A New Computational Intelligence Approach, London: Springer-Verlag 2000, 357 p.

66. De Castro, L.N and Von Zuben, F. aiNET: An Artificial Immune Network for Data Analysis, in Data Mining: A Heuristic Approach. Abbas, H, Sarker, R and Newton, C (Eds). Idea Group Publishing.

67. George B. Bezerra, Tiago V. Barra, Leandro N. de Castro, Fernando J. Von Zuben Adaptive Radius Immune Algorithm for Data Clustering

68. Andrew WatkinsJon TimmisLois Boggess Artificial Immune Recognition System (AIRS): An Immune-Inspired Supervised Learning Algorithm

69. Timmis, Jon (2000) On Parameter Adjustment of the Immune Inspired Machine Learning Algorithm AINE. Technical report. Kent University, Canterbury, Kent. CT2 7NF.

70. Pettie, Seth; Ramachandran, Vijaya An optimal minimum spanning tree algorithm, Journal of the Association for Computing Machinery, 49 (1): 16-34,

71. S. Forrest, A.S. Perelson, L. Allen, R. Cherukuri. Self-Nonself Discrimination in a Computer. In Proc. of the 1994 IEEE Symposium on Research in Security and Privacy. IEEE Computer Society Press, 1994. - pp. 202-212.

72. Ma J., Perkins S. Time-series novelty detection using one-class support vector machines // Proceedings of the International Joint Conference on Neural Networks. - July 2003. - Vol. 3. - P. 1741-1745.

73. Freitas A.A., Timmis J. Revisiting the foundation of artificial immune systems: A problem-oriented perspective // Second International Conference on Artificial Immune System (ICARIS 2003): Proceedings. - Berlin-Heidelberg: Springer-Verlag, 2003. - Ser. LNCS 3239. - pp. 229-241.

74. Ji Z., Dasgupta D. Real-valued negative selection algorithm with variablesized detectors // Genetic and Evolutionary Computation (GECCO 2004): Proceedings. - Berlin-Heidelberg: Springer-Verlag, 2004. - Ser. LNCS 3102. - Part I. - pp. 287-298.

75. F. Gonzalez, D. Dasgupta, and R. Kozma. Combining negative selection and classification techniques for anomaly detection. In Congress on Evolutionary Computation, pages 705-710. IEEE, May 2002.

76. F.A. Gonzalez, D. Dasgupta, and L.F. Ni~no. A Randomized Real-Valued Negative Selection Algorithm. In Proc. of the 2nd Int. Conf. on Artificial Immune Systems (ICARIS), volume 2787 of LNCS, pages 261-272, Edinburgh, UK, 2003. Springer-Verlag.

77. Z. Ji and D. Dasgupta. Real-valued negative selection algorithm with variable-sized detectors. In Genetic and Evolutionary Computation - GECCO- 2004, Part I, volume 3102 of LNCS, pages 287-298, Seattle, WA, USA, 26-30 June 2004. Springer-Verlag.

78. K. Pearson. On Lines and Planes of Closest Fit to Systems of Points in Space. Philosophical Magazine, vol. 2, pp. 559-572, 1901.

79. Hastie T., Tibshirani R., Friedman J., The elements of statistical learning: Data mining, inference, and prediction. Springer, 2001. - p. 533.

80. Айзенберг, Ю.Б. Справочная книга по светотехнике / под ред. Ю.Б. Айзенберга. 3-е изд. перераб. и доп. — М.: Знак. 2006. — 972 с.

81. ГОСТ 17677-82. Светильники. Общие технические условия. - М.: Госстандарт, 1982.

82. Долгий, И.Д. Перспективы создания сверхнадежных систем на транспорте. Принцип синергетического резонанса как теоретический базис разработки сверхнадежных систем / С.М. Ковалев, А.Г. Кулькин // Труды РГУПС. - 2005. - № 1. - C. 4-14.

ПРИЛОЖЕНИЯ

Документы, подтверждающие внедрение

О I К1*Ы I «И ЛКЦИОМММК)!

ОБЩЕСТВО

М И М УДОЫ'Е II И >1

у;| Хнч (аволская. 2, г. Россошь

Воронежская область. Россия. 396657 Тел.[phone], Факс [phone]

PUBLIC JOINT STOCK COMPANY

MINUDOBR E IN I V A

2 Himiavodskaya Sir., Rossosh,396657. Voronezh Region. RUSSIA

Tel: [phone], Fax [phone] e-mail: oao^rninudo.ru

c-mail: uao ¿iminudo ru

на №

от

ОАО «Минудобрсния» г. Россошь является крупным предприятием химической промышленности России и имеет суточный вагонооборот до 500 единиц подвижного состава.

Для автоматизации выполнения приемо-отправочных работ на ж.д. станции «Калита» было принято решение о внедрении автоматизированной системы распознавания номеров вагонов (АРНВ), обеспечивающей повышение скорости приема и отправления поездов, уменьшение влияния человеческого фактора при списывании инвентарных номеров вагонов, оптимизацию оперативного получения информации о процессе управления железнодорожным транспортом.

В период с 15.10.2011 г. по 01.08.2012 г. проходила опытная эксплуатация системы АРНВ с установкой одной точки контроля, расположенной на входном пути станции и работающей в круглосуточном режиме. За указанный отрезок времени через точку контроля прошло 8367 вагонов в обоих направлениях. Из них были распознаны правильно 7840, что составляет 93.7%. При этом дли инвентарных номеров, соответствующих требованиям ПКЬ ЦВ -№>632-2006 процент правильного распознавания составил 96,58%.

За время опытной эксплуатации система АРНВ показала стабильность выдаваемых результатов в условиях плохой освещенности и высокой скорости проследования состава. Функциональность системы соответствует заявленным характеристикам и позволяет рекомендовать ее к использованию на объектах промышленного транспорта.

И.о. начальника железнодорожного цеха

*В.Е.Демьяненко

Н-СУ

ф TAMTRDN*5 systems Oy

Tamtron Group включает в себя компании Tamtron, расположенные в Финляндии, Швеции, Польше, Чехии, Словакии, Германии, Китае и Эстонии. Мы экспортируем наши системы более чем в 50 стран, около 25 ООО поставок по всему миру. Наша специализация - это весовое оборудование и программное обеспечение для требуемых условий.

Для автоматизированного заполнения поля инвентарного номера в системе Scalex Wild на объекте нашего заказчика (ОАО «РЖД») было принято решение использовать Универсальную систему автоматизированного распознавания номеров вагонов (УС АРНВ, разработчик ЗАО «ИнтехГеоТранс-Юг»),

В феврале-марте 2015 года проходили приемочные испытания нашей системы расположенной в горловине ст. Инская Западно-Сибирской ж.д. Система УС АРНВ показала свою высокую эффективность, обеспечивая выдачу корректных инвентарных номеров вагонов вне зависимости от отсутствия натурных листов проходящих поездов, или наличия ошибок в них. По нашей статистической информации за указанный период системой Scalex Wild было обработано 106 133 вагонов, при этом, процент переданных в систему достоверных инвентарных номеров составил 99,57 от общего количества вагонов. Данный показатель позволяет рекомендовать УС АРНВ для применения в комплексе с системами диагностики и взвешивания железнодорожных вагонов, как на объектах промышленного транспорта, так и на сети дорог ОАО «РЖД».

(Käärmesaarentie 3 В) FI-02171 Espoo Finland

Tamtron Systems Oy

(former Pivotex Oy) Tel. [phone]

Home of the company: Tampere. Finland

Bank:

Nordea Bank of Finland Pic. SWIFT code (BIC): NDEAFIHH Bank account Nr.: 218518-2363 IBAN: FI86 21851800002363

P.O. Box 8

Fax. -358-9-452 3104

FIN -02171 Espoo Trade reg. Nr: 751.261 www.tamtronsystems.com firstname.lastname@tamtronJ___

VAT reg.Nr: Fl 15063223

н

су

ООО «СпецМонтажПровкт>

г

СТР<

л

Российская Федерация

Общество с ограниченной ответственностью «СпецМонтажПроект»

ИНН/КПП 7733761048/773301001, ОРГН 1 1 17746172488. Адрес: 125367, г.Москва, Врачебный проезд, д. 10. оф.1. телефон: [phone], факс [phone]шр[e-mail]; [e-mail]

Ис х.Н°35-ПРот 12.05.2015 г.

Компания ООО "СпецМонтажПроект" является системным интегратором, выполняющим строительство различных инфраструктурных объектов для ОАО «РЖД» и ОАО «НИИАС».

На одном из объектов внедрения для передачи фактического инвентарного номера вагона в систему диагностики подвижного состава ПАК (Пост акустического контроля) используется Универсальная система автоматизированного распознавания номеров вагонов (УС АРНВ. разработки ЗАО «ИнтехГеоТранс-Юг» г. Ростов-на-Дону).

В январе 2015 года на ст. Веймарн Октябрьской железной дороги прошли приемочные испытания комплекса ПАК с УС АРНВ. Обеспечивая автоматизированное заполнение полей инвентарных номеров вагонов, УС АРНВ, вне зависимости от наличия или отсутствия натурных листов проходящих поездов или ошибок в них, продемонстрировала высокую результативность. В соответствии со статистикой, предоставленной ОАО «РЖД», за указанный промежуток времени УС АРНВ было обработано 48 242 вагона, при этом 99.6 процентов инвентарных номеров были достоверно распознаны. Указанный результат позволяет рекомендовать УС АРНВ для комплексного применения с системами диагностики подвижного состава и взвешивания железнодорожных вагонов на сети дорог ОАО «РЖД».

Ю В Прилинскы 8-Ч15-2М-12-20

С уважением.

Генеральный ООО «СпецМ