Развитие методов принятия решений в автоматизированных системах мониторинга и диагностики объектов инфраструктуры железнодорожного транспорта тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат наук Лила, Владимир Борисович

• Лила, Владимир Борисович
• кандидат наук
• 2013

Оглавление диссертации кандидат наук Лила, Владимир Борисович

СОДЕРЖАНИЕ

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ

ВВЕДЕНИЕ

1 АВТОМАТИЗИРОВАННЫЕ СИСТЕМЫ И СРЕДСТВА КОНТРОЛЯ, МОНИТОРИНГА И ПРОГНОЗИРОВАНИЯ СОСТОЯНИЯ ОБЪЕКТОВ ИНФРАСТРУКТУРЫ ЖЕЛЕЗНОДОРОЖНОГО ТРАНСПОРТА

1.1 Технические объекты инфраструктуры железнодорожного транспорта и задачи их диагностики, контроля и мониторинга

1.2 Единая корпоративная автоматизированная система управления инфраструктурой ОАО «РЖД»: обзор архитектуры построения

1.3 Современное состояние и функциональные возможности автоматизированных систем управления объектами инфраструктуры ОАО «РЖД»

1.4 Методы определения остаточного ресурса объектов инфраструктуры железнодорожного транспорта

1.5 Постановка задачи исследования

1.6 Выводы

2 РАЗРАБОТКА НЕЙРОСЕТЕВЫХ МЕТОДОВ ПРОГНОЗИРОВАНИЯ ОСТАТОЧНОГО РЕСУРСА

2.1 Математическая модель и обучение искусственных нейронных сетей

2.2 Адаптивный алгоритм обучения искусственных нейронных сетей, основанный на градиентных методах

2.3 Генетический алгоритм обучения искусственных нейронных сетей

2.4 Гибридный алгоритм обучения искусственных нейронных сетей, основанный на адаптивном и генетическом алгоритмах

2.5 Прогнозирование временных рядов с помощью искусственных нейронных сетей

2.7 Разработка методологии обучения рекуррентных искусственных нейронных сетей

2.7 Выводы

3 СИНТЕЗ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ АВТОМАТИЗИРОВАННОЙ НЕЙРОСЕТЕВОЙ СИСТЕМЫ ПРОГНОЗИРОВАНИЯ ОСТАТОЧНОГО РЕСУРСА

3.1 Общие сведения, инструментальные средства разработки

3.2 Универсальная объектно-ориентированная модель нейросетевой системы

3.3 Реализация графического интерфейса

3.4 Прогнозирование временных рядов с помощью разработанной нейросетевой системы

3.5 Выводы

4 РЕАЛИЗАЦИЯ И ВНЕДРЕНИЕ НЕЙРОСЕТЕВЫХ МЕТОДОВ ОЦЕНКИ ОСТАТОЧНОГО РЕСУРСА ТЕХНИЧЕСКИХ ОБЪЕКТОВ ИНФРАСТРУКТУРЫ ЖЕЛЕЗНОДОРОЖНОГО ТРАНСПОРТА

4.1 Алгоритм принятия решений при прогнозировании неисправности и определении остаточного ресурса технических объектов инфраструктуры железнодорожного транспорта

4.2 Определение показателей и критериев предельного технического состояния силовых трансформаторов тяговых подстанций на основе газохроматографического анализа

4.3 Обработка данных газохроматографического анализа трансформаторного масла программным комплексом «Диагностика»

4.4 Описание компонентов разрабатываемой системы

4.5 Интеграция разработанной нейросетевой системы с ЕК АСУИ ОАО «РЖД»

4.6 Примеры результатов

4.7 Выводы

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

ПРИЛОЖЕНИЕ 1. ФРАГМЕНТЫ ИСХОДНОГО КОДА УНИВЕРСАЛЬНОЙ ОБЪЕКТНО-ОРИЕНТИРОВАННОЙ МОДЕЛИ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ

ПРИЛОЖЕНИЕ 2. СВИДЕТЕЛЬСТВО О ГОСУДАРСТВЕННОЙ РЕГИСТРАЦИИ ПРОГРАММЫ ДЛЯ ЭВМ «АВТОМАТИЗИРОВАННАЯ СИСТЕМА ПРОЕКТИРОВАНИЯ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ МЕШХЖАОЗ»

ПРИЛОЖЕНИЕ 3. АКТ О ВНЕДРЕНИИ НЕЙРОСЕТЕВОЙ СИСТЕМЫ ПРОГНОЗИРОВАНИЯ ОСТАТОЧНОГО РЕСУРСА СИЛОВЫХ ТРАНСФОРМАТОРОВ ТЯГОВЫХ ПОДСТАНЦИИ ОАО «РЖД» В РОСТОВСКОЙ ДИСТАНЦИИ ЭЛЕКТРОСНАБЖЕНИЯ

ПРИЛОЖЕНИЕ 4. АКТ ОБ ИСПОЛЬЗОВАНИИ РЕЗУЛЬТАТОВ РАБОТЫ ДИССЕРТАЦИОННОГО ИССЛЕДОВАНИЯ В РОСТОВСКОМ ГОСУДАРСТВЕННОМ СТРОИТЕЛЬНОМ УНИВЕРСИТЕТЕ

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ

BP — backpropagation (обратное распространение ошибки).

MSE — meansquareerror (средняя квадратичная ошибка).

АСППР - автоматизированная система поддержки принятия решений.

АОРО - алгоритм обратного распространения ошибки.

АРГ - хроматографический метод анализа растворенных газов.

АРМ - автоматизированное рабочее место.

АРМ УП - АРМ удаленного пользователя.

АСТМУ - автоматизированная система телемеханического управления. АСУ — автоматизированная система управления. БД - база данных. БЗ - база знаний.

ГЛОНАСС — глобальная навигационная спутниковая система ДЭЛ - дорожная электротехническая лаборатория. ЕК АСУИ - единая корпоративная автоматизированная система управления инфраструктурой.

ЕСМД - единая система мониторинга и диагностирования объектов инфраструктуры.

ЕТБ - единая технологическая база объектов инфраструктуры.

ИИ - искусственный интеллект.

ИНС - искусственная нейронная сеть.

МП - многослойный персептрон.

НППР — нейросетевая подсистема принятия решений.

НЭ - нейроэмулятор.

ОА - объект автоматизации.

ОЗ - операторское звено.

ОМ - обучающее множество.

ПИ - подсистема информатизации.

ПК - промышленный компьютер.

ПО - программное обеспечение.

1111 - программный продукт.

ПТС — параметры технического состояния.

СКОДИ - система корпоративной отчетности Дирекции инфраструктуры.

СОПС - система оценки и прогнозирования состояния объектов инфраструктуры.

СУБД — система управления баз данных.

ТС-2 — типовая система управления текущим содержанием инфраструктуры.

ТСИ - типовая система управления инцидентами на объектах инфраструктуры.

ЭЧ - дистанция электроснабжения.

Введение диссертации (часть автореферата) на тему «Развитие методов принятия решений в автоматизированных системах мониторинга и диагностики объектов инфраструктуры железнодорожного транспорта»

ВВЕДЕНИЕ

Актуальность темы

Современные темпы и масштабы модернизации и развития автоматизированных систем управления на железнодорожном транспорте чрезвычайно высоки. Они направлены на достижение главной корпоративной цели ОАО «РЖД», которая состоит в обеспечении полного освоения возрастающих объемов грузовых и пассажирских перевозок в условиях сокращения затрат и выполнения требований безопасности и качества предоставления транспортных услуг. Модернизация автоматизированных систем управления на железнодорожном транспорте проводится на трех уровнях: уровни линейных предприятий и дистанций, уровни дорожных центров управления, уровни центральной и территориальной дирекции инфраструктуры ОАО «РЖД». На первом из названных уровней основное внимание уделяется техническому переоснащению автоматизированных систем управления технологическими процессами на базе микропроцессорных информационно-управляющих комплексов на станциях, перегонах и сортировочных горках. На уровне дорожных центров управления внедряется множество новых информационно-управляющих систем для эффективной организации грузовых и пассажирских перевозок, управления финансами и ресурсами. К таким системам относятся в частности модернизированные модули для систем ЭТРАН, АСУ • «Экспресс 3», ЕК АСУФР и другие. Для централизованного управления всей инфраструктурой ОАО «РЖД» на третьем уровне управления внедряется новейший комплекс Единой корпоративной автоматизированной системы управления инфраструктурой (ЕК АСУИ). Одной из важнейших целей внедрения данной системы является повышения эффективности планирования и реализации текущей деятельности предприятий железнодорожного транспорта на основе совершенствования бизнес-процессов в хозяйствах железнодорожного

транспорта таких, как вагонное хозяйство, хозяйство пути, автоматики и телемеханики, электрификации и электроснабжения.

В настоящее время ключевым направлением развития АСУ является их интеллектуализация. При разработке АСУ применяются новые технологии, основанные на использовании баз знаний, экспертных систем с интеллектуальной поддержкой принятия решений. В частности, на сортировочных горках применяются нечетко-стохастические модели, продукционные модели, нечетко-логические модели и другие модели описания слабо формализованных объектов [82]. Для решения задач управления технологическими процессами в реальном времени на железнодорожном транспорте можно применять нейросетевые технологии. Искусственные нейронные сети (ИНС) достаточно справляются с задачами принятия решений, классификации, распознавания образов и прогнозирования.

Совершенствование бизнес-процессов в деятельности подразделений ОАО «РЖД» согласно концепции создания ЕК АСУИ ведется в пяти основных направлениях: стратегическое управление содержанием инфраструктурой; управление мониторингом и диагностированием объектов инфраструктуры; управление текущим содержанием и планово-предупредительными ремонтами; управление инцидентами; управление содержанием специального подвижного состава, машин и оборудования предприятий. В рамках улучшения мониторинга и диагностирования объектов инфраструктуры внимание должно быть уделено регистрации, учету и своевременному принятию решений. Для этого в функциональные блоки рассматриваемой АСУ необходимо встраивать новые программные модули. В частности в хозяйстве электрификации и электроснабжения есть примеры внедрения проектов Горьковской и Октябрьской железных дорог, реализующие рассматриваемые требования. При разработке комплексов подобного назначения должна быть предусмотрена возможность сбора и

хранения измеренных данных с объектов инфраструктуры с последующей их передачей для обработки и анализа. Одной из наиболее приоритетных задач, ведущих к повышению эффективности функционирования и снижению затрат на обслуживание технических объектов инфраструктуры является определение развития их дефектов на ранней стадии и прогнозирование остаточного ресурса. Таким образом, предлагается создание автоматизированного программного комплекса для решения задач определения остаточного ресурса и выявления дефектов на ранней стадии технических объектов инфраструктуры железнодорожного транспорта.

Актуальность научных исследований подтверждается поддержкой РФФИ проекта №13-01-00325 «Гибридные модели интеллектуального управления и принятия диагностических решений в контролируемых динамических и дискретных системах».

Степень разработанности проблемы

Диссертационное исследование основано на работах отечественных и зарубежных ученых в области нейросетевых технологий и автоматизированных систем управления. В настоящее время аппарат ИНС и методы его использования постоянно развиваются и совершенствуются. Активные разработки и исследования в области создания систем проектирования ИНС связаны с деятельностью таких организаций как NeuroProject (Москва), BaseGroup Labs (Москва) и других. Следует выделить частный проект В.Г. Царегородцева - NeuroPro (Красноярск).

Различные фундаментальные и прикладные аспекты интеллектуальных систем управления нашли отражение в работах МГУ, МГТУ им. Н.Э. Баумана, Южного федерального университета, ФГБОУ ВПО РГУПС, КНУ им. Тараса Шевченко и других в лице таких ученых, как JI.C. Берштейн, В.М. Глушков, Д.И. Дубровский, С.М. Ковалев, A.A. Ляпунов, Д.А. Поспелов, В.Б. Тарасов, А.Н. Шабельников и других.

III I IIIIII i

10

Методы и принципы построения автоматизированных систем управления сложными организационно-технологическими объектами рассмотрены в работах В.П. Авдеева, A.A. Ашимова, А.Н. Гуды, В.Н. Иванченко, В.М. Лисенкова, H.H. Лябаха и других.

Наиболее известными трудами в области автоматизации систем диагностирования на железнодорожном транспорте являются работы ученых ОАО «НИИАС», ОАО «ВНИИЖТ» и других.

Цель и задачи исследования

Цель настоящей диссертационной работы - развитие методов принятия решений в автоматизированных системах мониторинга и диагностики технических объектов инфраструктуры железнодорожного транспорта.

Для достижения поставленной цели реализуется следующая последовательность задач диссертационного исследования:

1. Анализ существующих автоматизированных систем контроля, мониторинга и диагностики ОАО «РЖД» и методов принятия решений при диагностировании технических объектов инфраструктуры железнодорожного транспорта.

2. Разработка универсальной модели рекуррентной ИНС, качественно повышающей решение задач прогнозирования временных рядов.

3. Разработка алгоритма обучения ИНС, позволяющего повысить скорость и качество обучения.

4. Разработка программного комплекса с открытой архитектурой, позволяющего осуществлять нейросетевой анализ с различными архитектурами ИНС, алгоритмами обучения и другими параметрами.

5. Практическая апробация нейросетевого вычислительного ядра при решении задачи прогнозирования параметров состояния технических объектов инфраструктуры железнодорожного транспорта на примере силовых трансформаторов тяговых подстанций с помощью разработанной

автоматизированной системы поддержки принятия решений для Ростовской дистанции электроснабжения ЭЧ-1 ОАО «РЖД». Объекты и методы исследования

Объектами исследования выступают автоматизированные системы диагностики технических объектов инфраструктуры железнодорожного транспорта, поддержка принятий решений при определении остаточного ресурса и методы определения остаточного ресурса технических объектов инфраструктуры на железнодорожном транспорте. Предметом исследования является математическое, алгоритмическое и программное обеспечение процесса построения, обучения и использования ИНС персептронного типа в задачах классификации и прогнозирования, возникающих при принятии решений по диагностированию и определению остаточного ресурса объектов инфраструктуры железнодорожного транспорта. Методы исследования, применяемые в диссертационной работе, основаны на использовании нейросетевых технологий, численных методов, методов оптимизации и компьютерного моделирования. При разработке программного комплекса использовались объектно-ориентированное программирование, клиент-серверные технологии и теория баз данных.

Выполненная диссертационная работа соответствует следующим пунктам паспорта специальности 05.13.06 «Автоматизация и управление технологическими процессами и производствами (на транспорте)»:

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

п. 14. Теоретические основы, методы и алгоритмы диагностирования, (определения работоспособности, поиск неисправностей и прогнозирования) АСУТП, АСУП, АСТПП и другие.

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

Научная новизна содержится в следующих результатах диссертационного исследования:

1. Предложена универсальная модель рекуррентной ИНС с динамической памятью, применяемая для прогнозирования остаточного ресурса технических объектов инфраструктуры железнодорожного транспорта.

2. Предложен метод обучения разработанной модели искусственной рекуррентной ИНС, основанный на трансформации обучающей выборки.

3. Предложены новые алгоритмы обучения ИНС: адаптивный, генетический и гибридный, основанный на совместном использовании адаптивного и генетического алгоритмов, демонстрирующие большую скорость обучения ИНС по сравнению с классическими алгоритмами.

4. Разработана универсальная объектно-ориентированная модель нейросетевой системы с расширяемой архитектурой и динамической базой данных для накопления информации по решаемым задачам, позволяющая использовать сохраненную информацию для подбора ИНС при решении новых задач.

5. Предложена структура и набор функциональных модулей для автоматизации процесса определения развития дефекта на ранней стадии и прогнозирования остаточного ресурса объектов инфраструктуры железнодорожного транспорта.

Положения диссертации, выносимые на защиту

1. Универсальная модель рекуррентной ИНС с динамической стековой памятью, применяемая для прогнозирования остаточного ресурса технических объектов инфраструктуры железнодорожного транспорта.

2. Обобщающий метод обучения рекуррентной ИНС с динамической памятью, основанный на трансформации обучающей выборки.

3. Методика принятия решений, повышающая качество, оперативность и эффективность диагностических решений, позволяющая выполнять прогнозирование и планирование необходимых ресурсов для обеспечения бездефектной эксплуатации технических систем.

4. Новые алгоритмы обучения ИНС: адаптивный, генетический и гибридный, основанный на совместном использовании адаптивного и генетического алгоритмов, которые показали на проводимых экспериментах большую скорость по сравнению с классическими алгоритмами.

5. Универсальная автоматизированная объектно-ориентированная модель нейросетевой системы с расширяемой архитектурой и динамической базой данных для накопления информации по решаемым задачам, позволяющая использовать сохраненную информацию для подбора ИНС при решении новых задач.

Практическая значимость диссертационной работы заключается в следующем:

1. Разработанный гибридный алгоритм обучения ИНС, основанный на новых методах оптимизации, применим при поиске многоэкстремальных сложных функций в многомерных измерениях.

2. Программный модуль нейросетевой системы прогнозирования остаточного ресурса технических объектов инфраструктуры железнодорожного транспорта с использованием новой предлагаемой универсальной модели рекуррентной ИНС повышает качество и скорость решения задачи, а также позволяет выявить развитие дефекта на ранней стадии и определить срок бездефектной работы оборудования.

3. Программный модуль, основанный на разработках программного комплекса «ЫеигоИАИБ», позволяет эмулировать работу ИНС и решать широкий круг задач классификации и прогнозирования с использованием

различных нейросетевых архитектур и алгоритмов обучения, а также автоматизировать решений задачи и процесс обучения.

Достоверность и обоснованность диссертации подтверждается результатами вычислительных экспериментов и обработки реальных данных, публикациями и апробацией работы на международных, всероссийских и региональных научных и научно-технических конференциях, а также актами внедрения результатов работы.

Апробация работы

Основные положения диссертационной работы докладывались на Всероссийской научно-практической конференции студентов, аспирантов и молодых ученых ЮФУ (Ростов-на-Дону, 2009), на Всероссийской научной конференция «Нечеткие системы и мягкие вычисления» (Волгоград, 2009), на международных научно-практических конференциях «Строительство» (Ростов-на-Дону, 2009-2011), на Второй научно-технической конференции «Интеллектуальные системы управления на железнодорожном транспорте (Москва, ИСУЖТ-2013). Разработан интернет-портал «Я-Интеллект» [150]. На портале можно получить доступ к наиболее интересным статьям по тематике ИНС и загрузить ранее созданный нейросетевой программный комплекс «NeuroNADS», а также получить возможность проводить исследования в режиме реального времени на эмуляторе [150], использующего все описанные в данной работе новые алгоритмы обучения и архитектуры ИНС. На данный момент разработка представлена в общероссийской программе Федерального агентства по делам молодежи «Зворыкинский проект» [44].

Публикации

По теме исследования опубликовано 9 печатных работ, общим объемом 2,21 пл., из них 5 в изданиях, входящих в «Перечень ведущих научных журналов и изданий, выпускаемых в Российской Федерации»,

утвержденный ВАК РФ, и получено 1 свидетельство о государственной регистрации программы на ЭВМ РФ.

Внедрение результатов работы

Результаты диссертационного исследования внедрены и используются в Ростовской дистанции электроснабжения ЭЧ-1 ОАО «РЖД». Нейросетевой программный комплекс используется в учебном процессе на кафедре «Прикладной математики и вычислительной техники» Ростовского государственного строительного университета с целью обучения студентов методам нейросетевого анализа по дисциплине «Интеллектуальные информационные системы». Все внедрения дали положительный результат, что подтверждено соответствующими документами.

Структура и объем работы

Диссертационная работа состоит из перечня сокращений, введения, четырех глав, заключения, списка литературы и приложений. Содержание диссертации изложено на 163 страницах, включая 56 рисунков, 13 таблиц, 8 страниц приложений и актов о внедрениях. В список использованных источников включено 150 наименований отечественной и зарубежной литературы (в том числе 38 ссылок на ресурсы Internet).

1 АВТОМАТИЗИРОВАННЫЕ СИСТЕМЫ И СРЕДСТВА КОНТРОЛЯ, МОНИТОРИНГА И ПРОГНОЗИРОВАНИЯ СОСТОЯНИЯ ОБЪЕКТОВ ИНФРАСТРУКТУРЫ ЖЕЛЕЗНОДОРОЖНОГО ТРАНСПОРТА

1.1 Технические объекты инфраструктуры железнодорожного транспорта и задачи их диагностики, контроля и мониторинга

Железнодорожный транспорт является системообразующим элементом нашего государства и обеспечивает развитие и успешное функционирование многих других отраслей и промышленного производства. АСУ на железнодорожном транспорте состоят из сложной совокупности технического программного, организационного, административного и других видов обеспечения функционирования. В процессе эксплуатации любой технический объект подвержен изменению состояния, которое связано не только со штатным функционированием, но и с различными факторами, которые обусловлены ошибками, сбоями и другими неисправностями. Вследствие этого, актуальной и значимой является задача определения технического состояния объекта, его остаточного ресурса и вытекающая из этого задача поддержки принятия решения при проведении плановых диагностик, ремонтов, замен оборудования и других.

Любая подсистема АСУ в той или иной мере содержит подсистемы контроля и мониторинга состояния объектов, а также его диагностирования. Данные задачи являются существенно различными: при контроле и мониторинге определяются количественные и качественные характеристики параметров объекта, нарушение допустимых границ которых сигнализирует о том, что объект неисправен; задача диагностирования заключается не только в определении допустимых параметров объектов, но и в определении вида и места неисправности. Результатом первого подхода является вывод о том, что объект находится в исправном либо в неисправном состоянии и

далее требует или не требует вмешательства с целью приведения его в функциональное рабочее состояние. Во втором случае, результатом является вывод о техническом состоянии объекта с указанием места, вида и причины неисправности - технический диагноз. И в первом и во втором случае в зависимости от результата необходимо принимать некоторые решения либо основываясь на знаниях эксперта, либо с помощью АСППР. Таким образом, и система контроля и мониторинга, и система диагностирования имеет смысл, когда в ней существует система поддержки принятия решений. В целом обобщенная структура системы технического диагностирования, контроля и мониторинга имеет структуру, показанную на рисунке 1.1.

к ч о н

Ее ч о с

о

К

Рис. 1.1. Обобщенная структура системы диагностирования, контроля и

мониторинга

Но на наш взгляд часто возникают задачи, связанные с граничными состояниями объекта, которые можно считать предотказными, но при которых объект функционирует, имея ряд параметров, близких или вышедших за пределы установленных норм. В некоторых случаях предотказное состояние объекта может длиться достаточно долго, а в некоторых сразу же переходить в состояние отказа. В случае длительного функционирования объекта в предотказном состоянии очень актуальной является задача определения остаточного ресурса, которая может рассматриваться, по крайней мере, с двух точек зрения. Во-первых, если это

дорогостоящее оборудование, и оно еще функционирует, то имеется естественное желание продлить срок его эксплуатации. С другой стороны, предельные режимы функционирования могут за собой повлечь не только отказ исследуемого оборудования, но и вызвать реакцию отказа и других технических объектов. В данной работе будет предложен метод определения остаточного ресурса оборудования (в четвертой главе на примере силовых трансформаторов тяговых подстанций). Однако, предлагаемую во второй главе методику прогнозирования можно применять к любым видам технических объектов инфраструктуры железнодорожного транспорта при условии параметров, рассмотренных в параграфе 1.4.

Рассмотрим основные подходы к контролю и диагностике технических объектов инфраструктуры железнодорожного транспорта. В соответствие с имеющейся системой организации перевозочного процесса на железнодорожном транспорте выделяются 4 основных хозяйства, обслуживающих эти объекты:

- хозяйство пути;

- вагонное хозяйство;

- хозяйство автоматики и темеханики;

- хозяйство электрификации и электроснабжения.

Число реализованных в указанных хозяйствах автоматизированных систем управления технологическими и транспортными процессами превышает несколько тысяч. Контроль и диагностика в хозяйстве пути относится к обеспечению безопасности движения подвижного состава. Железнодорожный путь и его строение являются объектом непрерывного диагностирования с помощью дефектоскопических вагонов-лабораторий. Технические средства вагонов-лабораторий в значительной мере сложны и подробное описание как средств так и мероприятий верхнего строения пути выходят за рамки диссертационной работы.

В вагонном хозяйстве основное внимание уделяется обнаружению неисправности, старению и износу узлов подвижного состава. В задаче контроля и диагностики узлов подвижного состава выделяются диагностика ходовой части, кузова, рамы, тормозного оборудования и ударно-тяговых сцепных устройств. Для контроля и диагностики подвижного состава во время движения используются технические средства, построенные на базе температурных и инфракрасных датчиков. Система обнаружения дефектов торможения колес регистрирует и обрабатывает данные сигнала, вырабатывая команды тревоги, требующие остановки поезда на перегоне или станции.

Наиболее автоматизированными являются процессы, связанные с контролем и диагностикой объектов инфраструктуры в хозяйстве автоматики и телемеханики. Основными объектами являются устройства, называемые системами централизации и блокировки. К ним относятся как исполнительные устройства (стрелки, светофоры, шлагбаумы, тормозные замедлители на сортировочных станциях и другие), так и специализированные комплексы: СТДМ, АСДК, АПК-ДК, АДК-СЦБ. Данные комплексы построены на базе программно-аппаратных средств промышленных компьютеров, микропроцессоров и микроконтроллеров, и предназначены для сбора, передачи информации в реальном времени о поездных передвижениях на станциях и перегонах в состоянии рельсовых цепей, стрелок и сигналов на станциях, блок-участках и переездах. Перечисленные аппаратно-программные комплексы образуют изолированную информационную сеть и обеспечивают абонентов сети диагностической информацией о техническом состоянии устройств железнодорожной автоматики и телемеханики в реальном времени.

При автоматизации сортировочных горок также значительное внимание уделяется комплексам технической диагностики. Отметим, что применяемый на сортировочных горках контрольно-диагностический

комплекс в составе системы управления сортировочной горкой (КДК СУ ГАЦ) имеет в своем составе подсистему поддержки принятия решений, которая служит для повышения эффективности и безопасности работы сортировочной горки, повышению оперативности и качества принимаемых дежурным по горке решений при одновременном снижении эксплуатационных расходов и повышении пропускной способности горки.

В хозяйстве электрификации и электроснабжения основными объектами инфраструктуры являются контактная сеть, тяговые подстанции, системы автоматизации электроснабжения. Подсистемы автоматики и диагностики электроэнергетических объектов на транспорте можно считать одними из наиболее распространенных: МСТ-95, AMT, АСТМУ-А и другие.

В результате приведенного обзора существующих средств можно сделать следующий вывод: методы контроля, мониторинга и технической диагностики объектов на железнодорожном транспорте достаточно развиты и постоянно совершенствуются, однако в составе технических комплексов зачастую отсутствуют средства автоматизированной поддержки принятия решений в оперативных режимах функционирования и практически отсутствуют автоматизированные системы для определения остаточного ресурса оборудования и технических объектов инфраструктуры железнодорожного транспорта. Данное обстоятельство обуславливает общую цель диссертационного исследования: разработка методов автоматизированной поддержки принятия решений при выполнении задач прогнозирования остаточного ресурса дорогостоящего оборудования. Одной из основных задач, возникающих при практической реализации данной методики является интеграция разработанных методов поддержки принятия решений в виде специализированного программного комплекса, обеспечивающего современные способы встраивания в новую концепцию. ЕКАСУИ. Основные подсистемы и задачи ЕК АСУИ рассмотрены в следующем параграфе.

1.2 Единая корпоративная автоматизированная система управления инфраструктурой ОАО «РЖД»: обзор архитектуры построения

Анализ существующей архитектуры комплекса систем для инфраструктуры с одной стороны и реструктуризация ОАО «РЖД», а как следствие, ре-инжиниринг бизнес-процессов в хозяйствах по содержанию инфраструктуры, с другой, создают ряд предпосылок к созданию комплексной системы автоматизации управления инфраструктурой.

Существующие бизнес-процессы в инфраструктурных хозяйствах достаточно тесно взаимодействуют между собой на уровне самих хозяйств. На ряде дорог применяются методы координирующие действия разных хозяйств при осмотрах, при проведении планово-предупредительных ремонтов и так далее. Кроме того, сами бизнес процессы подобны в разных хозяйствах и подходы к их технологическому, материально-техническому, организационному и информационному обеспечению достаточно схожи. Это позволяет утверждать о необходимости комплексной автоматизации бизнес-процессов во всех инфраструктурных хозяйствах.

В существующих АСУ инфраструктурных хозяйств отсутствует экономическая составляющая, которая в современных условиях работы компании играет определяющую роль. Для эффективного управления инфраструктурой необходимо решать не только технические задачи, но также и ряд экономических задач различных классов - учетных, плановых, прогнозно-аналитических и задач экономического моделирования. При безусловном выполнении требований безопасности движения экономические критерии при принятии решений должны стать основополагающими.

Список литературы диссертационного исследования кандидат наук Лила, Владимир Борисович, 2013 год

СПИСОК ИСПОЛЬЗОВАННЫХ источников

1. «NeuroNADS» [Электронный ресурс]: техническое описание —Режим доступа: http://www.i-intellect.rii/neuronads/blog.html, свободный.

2. Barron A. Predicted squared error: a criterion for automatic model selection. In: Farlow S. (ed), Self-Organizing Methods in Modeling, NY: Marcel Dekker -1984

3. Bernard Widrow, Michael A. Lehr, 30 Years of Adaptive NeuralNetworks: Perceptron, Madaline, and Backpropagation Artificial Neural Networks: Concepts and Theory, IEEE Computer Society Press,1992, pp.327-354.

4. Bielajew A.F. Fundamentals of the Monte Carlo method for neutral and charged particle transport. Ann Arbor: The University of Michigan, 2001. P. 348.

5. Bothe, H.-H. Fuzzy Neural Network / H.-H. Bothe. - Prague : IFSA, 1997.

6. Brian Knight, Erik Veerman, Grant Dickinson, and Douglas Hinson Professional Microsoft SQL Server 2008 Integration Services. Indianapolis: Wiley Publishing, 2008. - p. 972

7. Cortes C., Vapnik V. Support vector network // Machine Learning. - 1995. -20. -P.129-152.

8. Data Mining Community [Электронный ресурс]. — Режим доступа: http://www.kdnuggets.com, свободный.

9. Fast Artificial Neural Network Library (FANN) [Электронный ресурс]: техническое описание — Режим доступа: http://leenissen.dk/fann, свободный.

10. Fukushima К. 1975. Cognitron: A self-organizing mult ilayered neural network. Biological Cybernetics 20:121—36.

11. Fukushima K. 1980. Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition uneffected by shift in position. Biological Cybernetics 36(4): 193-202.

12. Fukushima K., Miyake S., Takayuki I. Neocog-nitron: A neural network model for a mechanism of visual pattern recognition. IEEE Transaction on Systems, Man and Cybernetics SMC-13(5):826-34. — 1983.

13. Gorban A. N., Kegl В., Wunsch D., Zinovyev A. Y. (Eds.), Principal Manifolds for Data Visualisation and Dimension Reduction, Series: Lecture Notes in Computational Science and Engineering 58, Springer, Berlin — Heidelberg — New York, 2008, XXIV, 340 p. 82 illus.

14. Gorban A. N., Mirkes Eu. M., Tsaregorodtsev V. G. Generation of Explicit Knowledge from Empirical Data through Pruning of Trainable Neural Networks In: Proc. IJCNN'99, Washington DC, July 1999, IEEE, Vol. 6, pp. 43934398.

15. Hecht-Nielsen R. Counterpropagation network // Proc. Int. Conf. on Neural Networks. - N.Y.: IEEE, 1987. - 2. - P. 19-32.

16. Hecht-Nielsen R. Kolmogorov mapping neural network existence theorem. In IEEE First. Int. Conf. on Neural Networks. - San Diego: SOS Printing, 1987.-Vol.3-P.l 1-13.

17. Hertz J., Krogh A., Palmer R.G. Introduction to the theory of neural computation. Addison Wesley, 1991.

18. HTML Help Workshop and Documentation [Электронный ресурс]: техническое описание — Режим доступа: http://www.microsoft.com/downloads/en/details.aspx?FamilyID=00535334-c8a6-452f-9aa0-d597dl6580cc&displaylang=en, свободный.

19. Inno Setup [Электронный ресурс]: техническое описание — Режим доступа: http://www.jrsoftware.org/isinfo.php, свободный.

20. Kamimura R. Unification of information maximization and minimization / Advances in Neural Information Processing Systems 9 (1996). MIT Press, 1997.. pp.508-514.

21. Keogh E., Lonardi S., Chiu B. Finding surprising patterns in a time series database in linear time and space / Proc. SIGKDD'02, Edmonton, Alberta, Canada, 2002.. 1 lp.

22. Koza J. R. Genetic Programming. Cambridge, MA: MIT Press, 1992.

23. Kraft L.G. and Campagna D.P., "A Comparison between CMAC Neural Network Control and Two Traditional Control Systems" IEEE Control Systems Magazine, vol. 10, no. 2, pp. 36-43, 1990.

24. LeCun Y. and Y. Bengio: Convolutional Networks for Images, Speech, and Time-Series, in Arbib, M. A. (Eds), The Handbook of Brain Theory and Neural Networks, MIT Press, 1995

25. LeCun Y., J. S. Denker, S. Solla, R. E. Howard and L. D. Jackel: Optimal Brain Damage, in Touretzky, David (Eds), Advances in Neural Information Processing Systems 2 (NIPS*89), Morgan Kaufman, Denver, CO, 1990

26. LeCun Y., L. Bottou, G. Orr and K. Muller: Efficient BackProp, in Orr, G. and Muller K. (Eds), Neural Networks: Tricks of the trade, Springer, 1998

27. Lee H.-M., Huang T.-C., Chen C.-M. Learning efficiency improvement of back propagation algorithm by error saturation prevention method / Proc. IJCNN'1999, Washington, DC,US A. - 6p.

28. Li X, Ding J, Li H. Combing neural network models based on Wavelet transform. Journal of Hydraulic 1999; 2:1-4 (in Chinese).

29. Miller W.T. Ill, Glanz F.H., Ki'aft L.G. Ill, "CMAC: An Associative Neural Network Alternative to Backpropagation," Proceedings of the IEEE, vol. 78, no. 10, October 1990 pp. 1561-1567.

30. NeuroShell 2 [Электронный ресурс]: техническое описание — Режим доступа: http://neuroproject.ru/aboutproduct.php?info=ns2info, свободный.

31. NeuroSolutions Product Summary [Электронный ресурс]: техническое описание — Режим доступа: http://www.neurosolutions.com/products/ns/features.html, свободный.

32. Oh S.-H., Lee Y. A modified error function to improve the error back-propagation algorithm for multi-layer perceptrons / ETRI Journal, Vol.17, №1, April 1995.-pp.11-21.

33. Patterns of parallel programming: understanding and applying parallel patterns with the .Net Framework 4 and visual C# [Электронныйресурс] — Режимдоступа:

http://www.microsoft.com/downloads/en/details.aspx?displaylang=en&FamilyID= 86b3d32b-ad26-4bb8-аЗae-c 163 7026сЗее, свободный.

34. Railway Automation Forum [Электронный ресурс]: форум СЦБистов —Режимдоступа: http://scbist.com, свободный.

35. Ranzato Marc'Aurelio, Christopher Poultney, Sumit Chopra and Yann LeCun: Efficient Learning of Sparse Representations with an Energy-Based Model, in J. Piatt et al. (Eds), Advances in Neural Information Processing Systems (NIPS 2006), MIT Press, 2006

36. Russian software developer network [Электронный ресурс] — Режим доступа: http://www.rsdn.ru, свободный.

37. Solla S.A., Levin Е., Fleisher М. Accelerated learning in layered neural networks / Complex Systems, 1988, Vol.2. - pp.625-639.

38. STATISTICA Automated Neural Networks [Электронный ресурс]: техническое описание — Режим доступа: http://www.statsoft.eom/products/c/tabid/783/itemid/35, свободный.

39. STATISTICA Neural Networks [Электронный ресурс]: техническое описание — Режим доступа: http://statsoft.ru/statportal/tabID_32/MId_141/ModeID_0/PageID_ll/Deskto pDefault.aspx, свободный.

40. Takens, Т. Detecting Strang attractors in turbulence / Т. Takens // Lec. Notes in Math., 1981.

41. Van. Нейросимуляция [Электронный ресурс]. — Электрон.версия журн. «Компьютерра» №20, 24.05.2002 — Режим доступа к журн.: http://www.computerra.ru/2002/445/18040, свободный.

42. Weigend, A.S., Huberman, B.A., Rumelhart, D.E. Predicting the future: A connectionist approach, International Journal of Neural Systems, Vol. 1,3,- 1990- p.193-209

43. Аведьян Э.Д. Ассоциативная нейронная сеть СМАС. Часть 1.// Информационные технологии. — 1997. — № 3. — С. 6-14.

44. Автоматизированная система проектирования искусственной нейронной сети «NeuroNADS» — Режим доступа: http://www.innovaterussia.ru/project/share/vxGOTU, свободный

45. Ададуров С.Е., Гапанович В.А., Лябах H.H., Шабельников А.Н. Железнодорожный транспорт: на пути к интеллектуальному управлению. Монография. - Ростов-на-Дону: 2009. - 322 с.

46. Айвазян С. А., Бухштабер В. М., Енюков И. С., Мешалкин JI. Д. Прикладная статистика. Классификация и снижение размерности.— М.: Финансы и статистика, 1989.— 607 с.

47. Алгоритм нейронной сети (Майкрософт) [Электронный ресурс]: техническое описание — Режим доступа: http://msdn.microsoft.com/ru-ru/library/ms 174941 .aspx, свободный.

48. Афанасьев В.Н., Юзбашев H.H. Анализ временных рядов и прогнозирование. - М.: Финансы и статистика, 2001. - 288с.

49. Белявский Г.И., Пучков Е.В., Чернов A.B. Автоматизированная система проектирования искусственной нейронной сети // Программные продукты и системы: № 2. - Тверь, 2011. - с. 30 - 34. (издание, рекомендованное ВАК РФ)

50. Белявский Г.И., Лила В. Б., Пучков Е.В. Алгоритм и программная реализация гибридного метода обучения искусственных нейронных сетей. — Программные продукты и системы 2012г., выпуск №4. - с.96-100.

51. Библиотека MSDN (по-русски) [Электронный ресурс] — Режим доступа: http://msdn.microsoft.com/ru-ru/library/default.aspx, свободный.

52. Бодянский Е.В., Руденко О.Г. Искусственные нейронные сети: архитектуры, обучение, применения. - Харьков: ТЕЛЕТЕХ, 2004. - 369 с.

53. Бражников А. С., Малеева А. В. Методы оценки качества кредитного портфеля коммерческого банка. Сборник научных трудов СевКавГТУ. Серия «Экономика». 2008, № 8.

54. Вапник В. Н. Восстановление зависимостей по эмпирическим данным. — М.: Наука, 1979. — 448 с.

55. Введение в ЯВР сети [Электронный ресурс] — Режим доступа: http://www.basegroup.ru/library/analysis/neural/rbf, свободный.

56. Введение в искусственный интеллект: учеб. Пособие для студ. Высш. Учеб. Заведений / Л.Н. Ясницкий. - 2-е изд., испр. - М.: Издательский центр «Академия», 2008. - 176 с.

57. Вигерс Карл. Разработка требований к программному обеспечнию. /Пер, с англ. - М.: Издательско-торговый дом "Русская Редакция", 2004. -576с.: ил.

58. Воронцов К.В. Лекции по искусственным нейронным сетям, 2005

г.

59. Восьмирко, С. О. Разработка математического и программного обеспечения среды моделирования нейронных сетей для решения задач прогнозирования: дис. канд. тех. наук: 05.13.11: МГАПИ . — М., 2004. - 135 с. - Российская государственная библиотека [Электронный ресурс] — Электрон, дан. — М. : Рос.гос. б-ка, 2008 — . — Режим доступа: http://www.rsl.ru, свободный.

60. Галушкин А.И. Континуальные нейронные сети. // Нейрокомпьютер, 1992, №2,с.9-14.

61. Галушкин А.И. Нейрокомпьютеры. Кн. 3: Учеб.пособие для вузов / Общая ред. А. И. Галушкина. - М: ИПРЖР, 2000.-528 с: ил. (Нейрокомпьютеры и их применение).

62. Галушкин А.И. Теория нейронных сетей. Кн.1: Учеб.пособие для вузов / Общая редакция А.И. Галушкина. - Кн.1.- М.: ИПРЖР, 2000.-416 е.: ил. (Нейрокомпьютеры и их применение).

63. Главные компоненты и факторный анализ [Электронный ресурс] — Режим доступа: http://www.statsoft.ru/home/textbook/modules/stfacan.html, свободный.

64. Гладков JI.A., Курейчик В.В., Курейчик В.М. Генетические алгоритмы / Под ред. В.М. Курейчика. - 2-е изд., испр. и доп. - М.: ФИЗМАТЛИТ, 2006. - 320 с.

65. Горбань А.Н. Обучение нейронных сетей. М.: изд. СССР-США СП "ParaGraph", 1990. - 160с. (English Translation: AMSE Transaction, Scientific Siberian, A, 1993, Vol. 6. Neurocomputing, pp. 1-134).

66. Горбань A.H., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука. Сибирская издательская фирма РАН. 1996. 276 с.

67. Горбань, А. Н. Нейроинформатика / А. Н. Горбань, В. Л. Дунин-Барковский, А. Н. Кур дин и др. - Новосибирск : Наука, 1998. - 296 с.

68. ГОСТ 20243 - 74 (CT СЭВ 4493 - 84) Трансформаторы силовые. Методы испытаний на стойкость при коротком замыкании.

69. ГОСТ 52719 - 2007. Трансформаторы силовые. Общие технические условия.

70. ГОСТ 982 — 80 Масла трансформаторные. Технические условия.

71. ГОСТ Р 53685 - 2009 Электрификация и электроснабжение железных дорог. Термины и определения.

72. Гуда А.Н., Ковалев С.М., Шабельников А.Н. Интеллектуальные модели принятия решений в системах горочной автоматизации // Новые технологии управления движением технических объектов: Материалы 3-й междунар. науч.-техн. конф. Ростов н/Д: Изд-во СКНЦ ВШ , 2000. С. 24-28.

73. Гуда А.Н., Лила В.Б., Чернов A.B. Специализированный нейро-сетевой комплекс программ для автоматизации рабочих мест персонала дистанции электроснабжения ОАО «РЖД». - Научно-технический журнал «Вестник РГУПС», №4. - Ростов-на-Дону, 2013.

74. Джонс М.Т. Программирование искусственного интеллекта в приложениях / М. Тим Джонс ; Пер. с англ. Осипов А.И. - М.: ДМК Пресс, 2004.-312 с: ил.

75. Дорогов, А. Ю. Методы многоуровневого проектирования быстродействующих модульных нейронных сетей прямого распространения на основе иерархических категорных моделей: дис. докт. тех. наук: 05.13.01: СПбГЭТУ им. В.И. Ульянова (Ленина). — СПб., 2004. - 402 с. - Российская государственная библиотека [Электронный ресурс] — Электрон.дан. — М. : Рос.гос. б-ка, 2008 — . — Режим доступа: http://www.rsl.ru, ограниченный.

76. Единая корпоративная автоматизированная система управления инцидентами (ЕК АСУИ, концепция ОАО «РЖД»), 2011.

77. Ежов A.A., Шумский С.А., Нейрокомпьютинг и его применение в экономике и бизнесе.-М.:МИФИ, 1998.-224с.

78. Емельянов В. В., Курейчик В. В., Курейчик В. М. Теория и практика эволюционного моделирования. — М.: ФИЗМАТЛИТ, 2003. - 432 с.

79. Зайченко Ю.П. Нечеткие модели и методы в интеллектуальных системах. - К.: «Издательский Дом «Слово». - 2008. - 344 с.

80. Залманзон Л.А. Преобразования Фурье, Уолша, Хаара и их применение в управлении, связи и других областях. - М.: Наука. Гл. ред. Физ.-мат. Лит., 1989. - 496 с.

81. Иванченко, В.Н. Новый подход к построению интеллектуальных информационно-управляющих систем на железнодорожном транспорте / В.Н. Иванченко, А.Н. Шабельников // Известия высших учебных заведений. Северо-Кавказский регион. Технические науки. Приложение. - 2004. — № 2.

82. Иванченко, В.Н. Новые информационные технологии: интегрированная информационно-управляющая система автоматизации процессов расформирования и формирования поездов: учебник / В.Н. Иванченко, С.М. Ковалев, А.Н. Шабельников. - Ростов н/Д.: РГУПС, 2002. -276 с.

83. Интеллектуальный анализ данных (Data Mining) по версии Microsoft [Электронный ресурс] — Режим доступа: http://microsoftbi.ru/2009/08/05/data-mining, свободный.

84. Кацко И.А. Методические аспекты создания аналитических систем на железнодорожном транспорте. - Научно-технический журнал "Вестник Ростовского государственного университета путей сообщения": №3. -Ростов н/Д: Изд-во РГУПС, 2007. - 144 е., с. 33-37.

85. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одного переменного и сложения. Доклады АН СССР. - 1957. - ТЛИ - N5 - с.953-956

86. Комашинский В.И., Смирнов Д.А. Нейронные сети и их применение в системах управления и связи. - М.: Горячая линия — Телеком, 2003. - 94 с.

87. Короткий С. Нейронные сети: основные положения [Электронный ресурс] — Режим доступа: http://neuronet.alo.ru/biblioteka.html, свободный.

88. Костерев Н.В., Бардик Е.И., Вожаков Р.В., Курач Т.Ю. Нечеткие алгоритмы оценки технического состояния и прогнозирования остаточного ресурса электрооборудования. HayKOBi пращ ДонНТУ - Електротехшка i енергетика - 2008 - випуск 8.

89. Кохонен Т. Ассоциативная память. - Изд. Мир. - 1980. - 240 с.

90. Кохонен Т. Самоорганизующиеся карты. - Изд. Бином. Лаборатория знаний. - 2008. - 653 с.

91. Кричевский М. JI. Интеллектуальный анализ данных в менеджменте: Учеб. пособие / СПбГУАП. СПб., 2005. 208 е.: ил.

92. Круглов В. В. Дли М. И. Голунов Р. Ю. Нечёткая логика и искусственные нейронные сети. М.: Физматлит, 2001. 221с.

93. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. - М.: Горячая линия - Телеком, 2002. - 382с. : ил.

94. Кулажский A.B. Применение нейронных сетей на основе радиальных базисных функций в моделировании рельефа местности. -Научно-технический журнал "Вестник Ростовского государственного университета путей сообщения": №3. -Ростов н/Д: Изд-во РГУПС, 2009. — 170 е., с. 118-124

95. Купер А., Рейман Р., Кронин Д. Алан Купер об интерфейсе. Основы проектирования взаимодействия. - Пер. с англ. - СПб.: Символ-Плюс, 2009. - 688 е.. ил.

96. Лила В.Б. Адаптивный метод обучения искусственных нейронных сетей. - Научно-технический журнал «Обозрение прикладной и промышленной математики»: Том 18, выпуск 2. - Москва, 2011. — 352 с. — с. 300.

97. Лила В.Б. Алгоритм и программная реализация адаптивного метода обучения искусственных нейронных сетей. - Инженерный вестник Дона. 2012 г., выпуск №1.

98. Лила В.Б. Применение градиентных методов для обучения многослойного персептрона. — Известия Ростовского государственного строительного университета, №14, 2010г.

99. Лила В.Б., Костюков A.B. Нейро-сетевая система прогнозирования остаточного ресурса силовых трансформаторов тяговых подстанций ОАО «РЖД». - Научно-технический журнал «Вестник РГУПС», №3. - Ростов-на-Дону, 2013. - 202 с. - с. 137-141.

100. Лила В.Б., Костюков A.B. Экспертная система диагностики силовых трансформаторов. - Инженерный вестник Дона. 2013 г., выпуск №1.

101. Лукашин Ю. П. Адаптивные методы краткосрочного прогнозирования временных рядов. - М.: Финансы и статистика, 2003. - 416 с.

102. Лябах H. Н., В. А. Тартынский, А. В. Денисов Мониторинг и прогнозирование показателей работы горок // Железнодорожный транспорт. -2010.-N8.-С. 39-41.

103. Лябах H.H., Шабельников А.Н. Техническая кибернетика на железнодорожном транспорте. - Ростов н/Д.: Изд-во Северо-Кавказского научного центра высшей школы. 2002. - 232 с.

104. Малла С. Вэйвлеты в обработке изображений, Мир, 2005, 670 стр.

105. Мамаев, Э.А. Управление региональными транспортными системами в исловиях изменений: проблемы и модели: монография / Э.А. Мамаев; Рост. Гос. Ун-т путей сообщения. - Ростов н/Д, 2005. - 195 с.

106. Миркес Е.М Учебное пособие по курсу НЕЙРОИНФОРМАТИКА, Красноярск, 2002 [Электронный ресурс] — Режим доступа: http://lib.rus.ec/b/201279/read, свободный.

107. Нейрокомпьютер. Проект стандарта / Е.М. Миркес -Новосибирск: Сибирская издательская фирма РАН, 1998. - 188 с.

108. Нейронные сети. Statistica Neural Networks: Методология и технологии современного анализа данных / Под редакцией В.П. Боровикова. — 2-е изд., перераб. и доп. - М.: Горячая линия - Телеком, 2008. - 392 е., ил.

109. Нейросети в задачах отображения [Электронный ресурс] — Режим доступа: http://www.victoria.lviv.ua/html/oio/html/theme8_rus.htm, свободный.

110. Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Д.А. Поспелова. — М.: Наука. Гл. ред. Физ.-мат. Лит., 1986. — 312 с. - (Проблемы искусственного интеллекта).

111. Первозванский A.A. Курс теории автоматического управления. -М.: Наука, 1986.-616 с.

112. Первые 10 способов очистки данных [Электронный ресурс] — Режим доступа: http://office.microsoft.com/ru-ru/excel-help/HAO 10221840.aspx, свободный.

113. Поддержка новой встроенной базы данных в ASP.NET [Электронный ресурс] — Режим доступа: http://blogs.msdn.eom/b/ruscottgu/archive/2010/07/16/new-embedded-database-support-with-asp-net.aspx, свободный.

114. Почаевец, B.C. Автоматизированные системы управления электроснабжением [Текст]. - М.: Маршрут, 2003. - 318 с.

115. Прикладные нечеткие системы: Пер. с япон. / К. Асаи, Д. Ватада, С. Иваи и др.; под редакцией Т. Тэрано, К. Асам, М. Сугэно. - М.: Мир, 1993.

— 368 е., ил.

116. Приложения вейвлет-анализа [Электронный ресурс] — Режим доступа: http://www.basegroup.ru/library/cleaning/wavelet_applications, свободный.

117. Процесс нахождения нового знания [Электронный ресурс] — Режим доступа: http://www.victoria.lviv.ua/html/oio/html/theme4_rus.htm, свободный.

118. Пучков Е.В. Методы и системы поддержки принятия управленческих решений (в том числе моделирование банковских бизнес-процессов). - Новые тенденции в развитии сберегательного дела в Южном регионе России: Сборник научных трудов. Материалы VII Межрегиональной научно-практической конференции Юго-Западного банка Сбербанка России.

- Ростов н/Д: Изд-во ЮФУ, 2008. - 448 с. - с. 29-30.

119. Пучков Е.В. Применение нейросетевой технологии на железнодорожном транспорте. — «Транс ЖАТ-2010»: Сборник докладов

Пятой Международной научно-практической конференции. - Ростов н/Д, — 406 е., - с. 207-209.

120. Пучков Е.В., Лила В.Б. Исследование алгоритма обучения многослойного персептрона, в котором используются методы сопряженных градиентов. — Научно-технический журнал «Обозрение прикладной и промышленной математики»: Том 16, выпуск 5. - Москва, 2009. - 960 с. — с. 917-918. (издание, рекомендованное ВАК РФ)

121. Пучков Е.В., Лила В.Б. Прйменение градиентных методов оптимизации для обучения искусственных нейронных сетей на примере задачи прогнозирования временного ряда. - Нечеткие системы и мягкие вычисления: сб. ст. Третьей Всероссийской научной конференции: В 2.т. T. I / Волгоград.гос. техн. ун-т; редкол.: A.B. Заболеева-Зотова (отв. ред.) [и др.]. - Волгоград, 2009. - 214 с. - с.109-116.

122. РД 153-34.0-46.302-00. Методические указания по диагностике развивающихся дефектов трансформаторного оборудования по результатам хроматографического анализа газов, растворенных в масле.

123. Россиев А. А.,: Итерационное моделирование неполных данных с помощью многообразий малой размерности, Изд-во СО РАН, 2005.

124. Руденко О.Г., Бессонов A.A., Бобух В.А. Аппаратная реализация нечеткой сети СМАС и ее применение для задач сжатия изображений// Автоматика, автоматизация, электротехнические комплексы и системы. -2005. - №2(16).-С. 47-52.

125. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. И.Д. Рудинского. - М.: Горячая линия - Телеком, 2006. - 452 е.: ил.

126. Сидоров, С. Г. Разработка ускоренных алгоритмов обучения нейронных сетей и их применение в задачах автоматизации проектирования : дис. канд. тех. наук: 05.13.12: ИГЭУ. - Иваново, 2003. - 161 с. - Российская

государственная библиотека [Электронный ресурс] — Электрон.дан. — М. : Рос.гос. б-ка, 2008 —. — Режим доступа: http://www.rsl.ru, ограниченный.

127. Современные методы комплексной диагностики силовых трансформаторов 35 кВ и выше [Электронный ресурс] // Информационно-справочное издание «Новости электротехники» - 2006 - №2(38). - Режим доступа к журн.: http://www.news.elteh.ru/arh/2006/38/16.php.

128. Солодовиков, В. И. Использование методов принятия решения при проектирвоании нейросетевых структур обработки данных: дис. канд. тех. наук: 05.13.12: МГИЭМ. — М., 2004. - 134 с. - Российская государственная библиотека [Электронный ресурс] — Электрон.дан. — М. : Рос.гос. б-ка, 2008 —. — Режим доступа: http://www.rsl.ru, ограниченный.

129. Статические и динамические экспертные системы: Учеб.пособие/Э.В. Попов, И.Б. Фоминых, Е.Б. Кисель, М.Д. Шапот. - М.: Финансы и статистика, 1996. - 320с.: ил.

130. СТО РЖД 1.12.001-2007 Устройства электрификации и электроснабжение. Техническое обслуживание и ремонт. Общие требования.

131. Сухопрудский, Н.Д. Автоматизация систем электроснабжения [Текст] / Сухопрудский Н.Д., Жарков Ю.И., Овласюк Н.Г., Сергеев Н.Д.; учеб. Для вузов ж.-д. трансп./ под ред. Сухопрудского Н.Д. - М.: Транспорт, 1990.-359 с.

132. Тарасик В.П. Математическое моделирование технических систем: Учебник для вузов. - Мн.: ДизайнПРО, 2004. - 640 е.: ил.

133. Тархов Д.А. Нейронные сети. Модели и алгоритмы. Кн.18. Справочное издание. (Серия 'Нейрокомпьютеры и их применение') : - М. : Радиотехника, 2005. - 256 с.

134. Терехов С.А. Вейвлеты и нейронные сети. Лекция для школы-семинара "Современные проблемы нейроинформатики". МИФИ, Москва, 2426 января 2001 г.

135. Терехов С.А. Лекции по теории и приложениям искусственных нейронных сетей. Лаборатория Искусственных Нейронных Сетей НТО-2, ВНИИТФ, Снежинск. 1998, электронная версия

136. Троелсен. Э. С# и платформа .NET. Библиотека программиста. — СПб.: Питер, 2007. —796 е.: ил.

137. Уоссерман Ф. Нейрокомпьютерная техника, -М.:Мир,1992. - 127

с.

138. Федеральная службы государственной статистики [Электронный ресурс] — Режим доступа: http://www.gks.ru, свободный.

139. Федорчук, А.Е. Развитие средств системы микропроцессорной ГАД / А.Е. Федорчук, A.A. Сепетый // АСИ. - 2007. - № 5.

140. Фоминых И.Б. Принципы построения гибридных интеллектуальных систем реального времени// Труды Международного конгресса «Искусственный интеллект в XXI-м веке».— М.: Физматлит, 2001. — Т.2.-С.570-583.

141. Фролов, Б. А. Система планирования в интегрированной структуре на основе нейронных сетей: автореф. дис. канд. тех. наук: 08.00.05: МГУЭТ. - М., 2005. - 169 с. - Российская государственная библиотека [Электронный ресурс] — Электрон.дан. — М. : Рос.гос. б-ка, 2008 — . — Режим доступа: http://www.rsl.ru, ограниченный.

142. Хайкин С. Нейронные сети: полный курс, 2-е издание. : Пер. с англ. - М. : Издательский дом «Вильяме», 2006. - 1104 с. : ил. - Парал. тит. англ.

143. Хафизов, А. Ф. Нейросетевая система обнаружения атак на WWW-сервер: дис. канд. тех. наук: 05.13.11: УГАТУ. — Уфа., 2004. - 172 с. -Российская государственная библиотека [Электронный ресурс] — Электрон.дан. — М. : Рос.гос. б-ка, 2008 — . — Режим доступа: http://www.rsl.ru, ограниченный.

144. Царегородцев В.Г. Взгляд на архитектуру и требования к нейроимитатору для решения современных индустриальных задач // Материалы XI Всеросс. семинара "Нейроинформатика и ее приложения", Красноярск, 2003. - 215с. - С.171-175.

145. Царегородцев В.Г. Общая неэффективность использования суммарного градиента выборки при обучении нейронной сети // Материалы XII Всеросс. семинара "Нейроинформатика и ее приложения", Красноярск, 2004.- 196с.-С.145-151.

146. Царегородцев В.Г. Оптимизация экспертов Ьооз^п§-коллектива по их кривым обучения // Материалы XII Всеросс. семинара "Нейроинформатика и ее приложения", Красноярск, 2004. - 196с. - С.152-157.

147. Царегородцев В.Г. Робастная целевая функция с допуском на точность решения для нейросети-предиктора // Нейрокомпьютеры: разработка, применение. 2003, №12.

148. Ширяев, В. И. Финансовые рынки и нейронные сети / В. И. Ширяев-М.: Издательство ЖИ, 2007. -224 с.

149. Эйгин Ю.А. Методика формирования искусственной нейронной сети для актуальных задач железнодорожного транспорта. — Научно-технический журнал "Наука и техника транспорта": №4. - Москва: Изд-во МГУПС, 2006. - 94 е., с. 35-36.

150. Я-Интеллект [Электронный ресурс] — Режим доступа: Ьйр:/Л-intellect.ru, свободный.

ПРИЛОЖЕНИЕ 1. ФРАГМЕНТЫ ИСХОДНОГО КОДА УНИВЕРСАЛЬНОЙ ОБЪЕКТНО-ОРИЕНТИРОВАННОЙ МОДЕЛИ

ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ.

/**

* Класс нейронной сети (многослойный персептрон) */

class Net { / * *

* Массив слоев */

public $Layers = array(); / * *

* Вычисленная средняя квадратичная ошибка */

public $Е2 = 0; / * *

* Конструктор, которым была создана сеть */

public $Constructor = null;

function _construct() {

}

/**

* Возвращает результат сети.

* Считывает результат нейронов выходного слоя */

public function result() { $result = array();

$LayerY = $this->Layers[count($this->Layers) - 1]; foreach ($LayerY->Neurons as $Neuron) { $result[] = $Neuron->out;

}

return $result;

}

/ * *

* ПРОХОД ВПЕРЕД

* x - входной вектор */

public function goForward($х) {

// идем по порядку по всем слоям foreach ($this->Layers as $Layer) {

// формируем в цикле новый входной вектор для следующего слоя $xLayer = array();

foreach ($Layer->Neurons as $Neuron) {

// в xLayer теперь накапливаем новые входные параметры для

следующего слоя

$xLayer[] = $Neuron->query($х);

}

$х = $xLayer;

}

return $this->result();

/**

* Возвращает входной слой */

public function getLayerXO { return $this->Layers[0];

}

I * *

* Возвращает выходной слой */

public function getLayerY() {

return $this->Layers[count($this->Layers) - 1];

}

/* *

* Спрашивает сеть

* x - входной вектор */

public function query($x) {

return $this->goForward($x);

}

I * *

* Вычисляет и запоминает среднюю квадратичную ошибку */

public function countE2($dataX, $dataTarget) { $this->E2 = 0;

for ($i = 0; $i < count($dataX); $i++) { $out = $this->query($dataX[$i]); $target = $dataTarget[$i]; $error = 0;

for ($k = 0; $k < count($target); $k++) {

$error += pow($target[$k] - $out[$k], 2);

}

$error = $error / count($target); $this->E2 += $error;

}

return $this->E2 = $this->E2 / count($dataX);

}

}

* Класс Генетический метод обучения */

class MethodGA extends Method {

* Вероятность мутации */

const P_MUTATION = 0.5; /**

* Границы коэффициента мутации гена */

public $rangeMutation = 0.5; / * *

* Размер популяции */

public $nPopulation = 12; j * *

* Популяция

public $population = arrayO; /*

* В 1 такт обучения входит рождение одной популяции и выявление лучших

особей

*/

public function next($tact) {

// текущую сеть добавляем в начало популяции, если это первое

поколение

$this->population[0] = $this->Net; // создадим членов популяции

while (count($this->population) < $this->nPopulation) { $this->population[] = $this->_createPerson();

}

/ * +

* СКРЕЩИВАНИЕ */

$children = array();

$rangePopulation = range(0, $this->nPopulation - 1); shuffle($rangePopulation);

$i = 0;

while (count($children) < $this->nPopulation) { // первый ребенок пары $children[] = $this->_createChild(

$this->population[$rangePopulation[$i]], $this->population[$rangePopulation[$i+l]]);

// второй ребенок пары

$children[] = $this->_createChild(

$this->population[$rangePopulation[$i]], $this->population[$rangePopulation[$i+l]]);

$i = $i+2;

}

// новорожденных добавляем к популяции foreach ($children as $child) {

$this->population[] = $child;

}

j * *

* МУТАЦИЯ */

foreach ($this->population as $i=>$person) {

if ($i > 0 && (double)rand(1, 10000) / 10000 <= self::P_MUTATION) {

$this->_mutatePerson($person);

}

/ * *

* СЧИТАЕМ ЗДОРОВЬЕ ОСОБЕЙ */

// посчитаем уровень заболевания(ошибки) каждой особи foreach ($this->population as $i=>$person) {

$person->countE2($this->dataX, $this->dataTarget);

}

// отсортируем особей в порядке увеличения их заболевания for ($i = 0; $i < count($this->population); $i++) {

for ($k = 0; $k < count($this->population); $k++) {

if ($this->population[$i]->E2 < $this->population[$k]-

>E2) {

$buffer = $this->population[$i]; $this->population[$i] = $this->population[$k]; $this->population[$k] = $buffer;

}

}

}

// удаляем самых больных особей

$this->population = array_slice($this->population, 0, $this->nPopulation) ;

// выявляем лучшую особь $this->Net = $this->population[0];

}

/ -k-k

* Генерирует новую особь */

protected function _createPerson() {

$Constructor = $this->Net->Constructor; return $Constructor->getNet();

}

/ * *

* Порождает ребенка от мамы и папы */

protected function _createChild($Mama, $Papa) {

$Constructor = $this->Net->Constructor; $Child = $Constructor->getNet();

for ($1 = 0; $1 < count($Mama->Layers); $1++) {

for ($n = 0; $n < count($Mama->Layers[$1]->Neurons); $n++) { for ($w = 0; $w < count($Mama->Layers[$1]->Neurons[$n]->w); $w++) {

$wMama = $Mama->Layers[$1]->Neurons[$n]->w[$w]; $wPapa = $Papa->Layers[$1]->Neurons[$n]->w[$w];

// определим чей ген взять, мамин или- папин $Child->Layers[$1]->Neurons[$n]->w[$w] = : $wPapa;

(rand(l, 10) <= 5) ? $wMama

}

}

return $Child;

/**

* Мутирует особь */

protected function _mutatePerson($Person) {

for ($1 = 0; $1 < count($Person->Layers); $1++) {

for ($n = 0; $n < count($Person->Layers[$1]->Neurons); $n++)

{

for ($w = 0; $w < count($Person->Layers[$1]->Neurons[$n]->w); $w++) {

$Person->Layers[$1]->Neurons[$n]->w[$w] += ((double)rand(-$this-

>rangeMutation*1000000, $this->rangeMutation*1000000) / 1000000);

}

}

}

}

}

ПРИЛОЖЕНИЕ 2. СВИДЕТЕЛЬСТВО О ГОСУДАРСТВЕННОЙ РЕГИСТРАЦИИ ПРОГРАММЫ ДЛЯ ЭВМ «АВТОМАТИЗИРОВАННАЯ СИСТЕМА ПРОЕКТИРОВАНИЯ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ ЫЕШШКАБЗ»

ШШШШШАШ 'ФНДШРАЩШЩ

*

•Й т ш

&

ш

«к

т

ш

ш

СВИДЕТЕЛЬСТВО

о государственной регистрации программы для ЭВМ

№ 2010615498

Автоматизированная система проектирования искусственной нейронной сети №игоКАО$

Правообладатель);ли): Пучков Евгений Владимирович (1111), Лила Владимир Борисович (ЯЧ)

Автор(ы): Пучков Евгений Владимирович, Лила Владимир Борисович (Ш7)

ЛНММы!

* ш

Ш

Заявка № 2010613886

Дата поступления 1 ИЮЛЯ 2010 Г. Зарегистрировано в Реестре программ для ЭВМ

27 августа 2010 г.

¡руководитель Федеральной службы по интеллектуальной собственности, патентам и товарным таком

Б.П. Симонов

и-

ПРИЛОЖЕНИЕ 3. АКТ О ВНЕДРЕНИИ НЕЙРОСЕТЕВОЙ СИСТЕМЫ ПРОГНОЗИРОВАНИЯ ОСТАТОЧНОГО РЕСУРСА СИЛОВЫХ ТРАНСФОРМАТОРОВ ТЯГОВЫХ ПОДСТАНЦИИ ОАО «РЖД» В РОСТОВСКОЙ ДИСТАНЦИИ ЭЛЕКТРОСНАБЖЕНИЯ

р/д

ФИЛИАЛ ОАО «РЖД» ЦЕНТРАЛЬНАЯ ДИРЕКЦИЯ ИНФРАСТРУКТУРЫ СЕВЕРО-КАВКАЗСКАЯ ДИРЕКЦИЯ ИНФРАСТРУКТУРЫ РОСТОВСКАЯ ДИСТАНЦИЯ ЭЛЕКТРОСНАБЖЕНИЯ

у я, Никитина, г. РостоякаДаиу, 344001, Теял (863) 238-28-1*, факс-. [phone] мшпм*1кг<Я.гх4иги

«9» сентября 2013 г. На И« _от_

АКТ

о внедрении ре1)лыаюв диссертационной работы Лила Владимира Борисовича

Настоящим актом под!верждается. «по результаты диссертационной работы по применению нейро-сегевых моделей и алгоритмов ноддеряоеи принятия решений Лила Владимира Борисовича были апробированы в задачах диагностирования текущею сосгояния и определения остаточного ресурса силовых трансформаторов (ятвых подстанции ОАО «РЖД» на Ростовской дистанции хтекгроснаблсения Рафаботанная автоматизированная система была протестирована сотрудниками 04 в качестве системы, определяющей текущее состояние объекта и развитие конкретной группы дефектов. Разработанная система испол&зуег данные программы «Диагностика» {разработана в ГУП «Уральском отделении ВНИИЖТ»), работающей с хроматографом Кристалл 2000м. Применение разработок позволяет, повысить качество принимаемою решения, автоматшроватъ принятие решения о следующей дате проверки, определил» труппу дефектов по текущему и прогнозируемому состоянию силового трансформатора, а 1акже при своевременном реагировании сохранить работоспособность оборудования и нродтшь срок его эксплуатации.

•I

II ■

1

ПРИЛОЖЕНИЕ 4. АКТ ОБ ИСПОЛЬЗОВАНИИ РЕЗУЛЬТАТОВ РАБОТЫ ДИССЕРТАЦИОННОГО ИССЛЕДОВАНИЯ В РОСТОВСКОМ ГОСУДАРСТВЕННОМ СТРОИТЕЛЬНОМ УНИВЕРСИТЕТЕ

Настоящим актом подтверждается, что результаты диссертационной работы по применению пейросетевых моделей и алгоритмов Лила В. Б. используются в учебном процессе на кафедре «Прикладной математики и вычислительной техники» с иелыо обучения студентов методам нейросетевого анализа.

В процессе работы на кандидатской диссертацией Лила В. Б. были разработаны: программный эмулятор искусственной нейронной сета, позволяющий моделировать нейросети с различными архитектурами, а также использованием разработанных методов обучения; интернет-ресурс онлайн версии эм>лятора 1тр://ьегуюеЛ-}Ш:е11ес1:.ги.

Использование разработок в образовательном процессе кафедры повысило качество знаний студентов в области технологии искусственных нейронных се!ей при решении прикладных задач классификации и прогнозирования.

«УТВЕРЖДАЮ»

АКТ

о внедрении результатов диссертационной работы Лила Владимира Борисовича

Д.т.н., профессор

Белявский Г. И.