Транспортная газета Евразия Вести

Разделы:

 Свежий номер
 Подшивка
 Материалы
 Новости
 О газете
 Редакция
 Подписка

 Консалтинг
 Лицензирование
 Сертификация
 Юридические
 услуги

 Партнеры
 Ресурсы сети
 Реклама на сайте

Поиск:


 

ИННОВАЦИОННЫЕ ТЕХНОЛОГИИ


Версия для печати
Обсудить в форуме

Потенциал информационных технологий

Отдел информационных технологий Ростовского филиала ОАО «НИИАС» создан немногим более десяти лет назад. Большинство сотрудников отдела – талантливые выпускники кафедры АСУ и ВТ Ростовского государственного университета путей сообщения. Мы попросили трех представителей отдела ИТ познакомить с его работой читателей нашей газеты.

Потенциал информационных технологий
Потенциал информационных технологий
Потенциал информационных технологий
Потенциал информационных технологий
Сачко В.И.
Денисов А.В.
Тартынский В.А.
Наши приоритеты

Заместитель директора Ростовского филиала ОАО «НИИАС» по развитию, начальник отдела информационных технологий Владимир Иванович Сачко:

– Создание систем автоматизации бизнес-процессов в структурных подразделениях ОАО «РЖД»:

– проведение научных исследований в сфере современных инновационных технологий поддержки процесса принятия решений.

– адаптация и внедрение перспективных информационных технологий по автоматизации проектной деятельности.

– обеспечение надежной и бесперебойной работы ИТ-инфраструктуры Ростовского филиала ОАО «НИИАС».

В соответствии с сегодняшними требованиями отрасли в области обеспечения необходимой аналитической информацией управляющих работников всех уровней приоритетными направлениями деятельности отдела ИТ стали проектирование, разработка, внедрение и сопровождение комплексных информационно-управляющих систем и автоматизированных систем поддержки принятия решений, использующих методы интеллектуального анализа данных, а также разработка экспертных систем анализа технического состояния и планирования техобслуживания устройств железнодорожной автоматики.

Стоит отметить, что создание подобных систем полностью соответствует одному из главных направлений программы стратегического развития компании ОАО «РЖД» до 2030 года, стимулирующему разработку и внедрение инновационных технологий во все сферы деятельности железнодорожной отрасли.

Как обеспечить качественно новый уровень безопасности функционирования горочной техники?

Ведущий инженер отдела Валентин Анатольевич Тартынский:

– Достигнуть этой намеченной нами цели во время эксплуатации можно при использовании перспективных информационных технологий (в частности, систем поддержки принятия решений), предназначенных для автоматизации обслуживания и ремонта горочных систем и устройств, а также компьютерного анализа результатов работы оборудования и персонала. Особенно актуальна такая задача в нынешних условиях, характеризующихся серьезными кризисными явлениями в мировой экономике и, как следствие, стремлением к сбережению различных видов ресурсов.

Повышение эффективности функционирования на сортировочных горках первоначально достигалось за счет комплексной автоматизации процесса проведения роспуска и внедрения специализированных контрольно-диагностических комплексов. Как показала практика, подобные меры позволили значительно поднять эффективность функционирования сортировочных горок и ощутимо сократить общее время оборота вагона. Однако динамика развития и постоянно ужесточающиеся требования к организации технологических процессов в отрасли послужили основанием для дальнейшего совершенствования систем управления сортировочного процесса – внедрения новых информационных систем поддержки процесса принятия решений (СППР).

В большинстве случаев СППР – это интерактивная автоматизированная система, которая помогает пользователю (ЛПР) применять данные и модели для идентификации и решения задач поддержки принятия решений.

К основным задачам, решаемым с помощью СППР, можно отнести сбор, обработку и хранение необходимой для принятия решений информации, анализ информации (в частности, интеллектуальный) с выдачей рекомендаций для управляющего и обслуживающего персонала.

Очевидно, что эффективность принятого управляющим персоналом решения напрямую зависит от глубины познания сложного технологического процесса. Для решения данной задачи в сфере как железнодорожного транспорта в целом, так и сортировочных горок в частности, широкое распространение получили методы моделирования.

Каковы наиболее распространенные подходы к построению моделей?

Физическое моделирование (пример: изучение устойчивости сложных конструкций, к которым относится различное напольное оборудование сортировочной горки, под воздействием сложных силовых нагрузок); имитационное (пример: построение имитационной модели процесса роспуска, что позволяет узнать данные о состоянии горочного комплекса или отдельных его элементов в определенные моменты времени); экспертное (пример: вывод правил применения той или иной ступени торможения отцепа на основе опросов оперативно-диспетчерского персонала с последующим формированием базы знаний).

Эти подходы целесообразно применять с учетом целей моделирования и специфических характеристик исходного объекта или явления.

Таким образом, процесс моделирования есть процесс перехода из реальной области в виртуальную (модельную) посредством формализации, изучения модели (собственно моделирования) и, наконец, интерпретации результатов (как обратный переход из виртуальной области в реальную).

Этот путь заменяет прямое исследование объекта в реальной области. Поскольку в процессе моделирования создается копия реального объекта, возникает вопрос, насколько копия должна соответствовать оригиналу. Очевидно, что полная копия обеспечит максимальную точность результата моделирования, однако в этом случае либо затраты на создание такой копии стремятся к бесконечности, либо это просто не имеет смысла, исходя из задач моделирования, поскольку важны реакции объекта только на определенные возмущения. Другая крайность – модель, полностью не соответствующая исходному объекту, в таком случае затраты на создание стремятся к нулю, как и точность результатов моделирования.

Задача построения модели технологического процесса усложняется тем фактом, что пользователи СППР автоматизированной сортировочной горки могут преследовать в процессе моделирования различные цели. Так, обслуживающий персонал может интересоваться решением задачи определения природы физического процесса для осуществления корректировки и настройки оборудования, а также построения прогноза изменения параметров оборудования с целью проведения упреждающего технического обслуживания и ремонта. Оперативно-диспетчерский персонал может заинтересовать моделирование управляющего воздействия с целью принятия наиболее эффективного решения. В задаче получения корректной модели для каждого из этих случаев целесообразно использовать современный математический аппарат на основе интеллектуальных методов и алгоритмов.

Очевидно, что анализ сортировочного процесса будет проводиться на основе исторических данных, собранных за определенный промежуток времени, то есть упорядоченной по времени последовательности значений некоторой произвольной переменной величины – временного ряда. Примером такой последовательности может служить результат работы контрольно-диагностирующей аппаратуры на сортировочной горке, фиксирующей напряжение на рельсовой цепи с определенной периодичностью. Если одновременно регистрируются несколько характеристик процесса, говорят о многомерных временных рядах.

Анализ временных рядов – совокупность математико-статистических методов анализа, предназначенных для выявления структуры временных рядов и для их прогнозирования. Сюда относятся, в частности, методы регрессионного анализа. Стоит отметить, что выбор методов сбора, обработки и анализа данных наблюдений в значительной степени зависит от того, какое физическое явление представляет изучаемый процесс, и от целей, которые достигаются обработкой.

Предложенный подход получил практическую реализацию в системе поддержки принятия решений для оперативно-диспетчерского и эксплуатационного персонала автоматизированной сортировочной горки (СППР КДК СУ), созданной в Ростовском филиале ОАО «НИИАС». Она состоит из следующих подсистем: сбора и предварительной обработки информации, статистического и интеллектуального анализа, технического обслуживания и ремонта.

Технологическая и диагностическая информация, поступающая в СППР как из подсистем КГМ ПК и КДК СУ, так и из других источников, проходит предварительную обработку в подсистеме сбора и предварительной обработки информации, здесь же осуществляется загрузка готовых данных в хранилище данных.

Подсистема статистического и интеллектуального анализа позволяет пользователям проводить различные виды анализа процесса функционирования как отдельных устройств, так и сортировочной горки в целом. Процесс моделирования технологических процессов в данной подсистеме реализован с использованием элементов математического аппарата регрессионного анализа и теории нечетких множеств. К практическим задачам, которые решаются в СППР КДК СУ с помощью данной технологии, относятся выбор очередности техобслуживания устройств на основе аналитической информации, определения природы физического процесса и построение прогноза изменения контролируемого параметра устройства.

Подсистема технического обслуживания и ремонта реализует возможности по оптимизации и мониторингу процесса выполнения работ по техническому обслуживанию и ремонту горочного оборудования. Аналитические данные, получаемые из подсистемы статистического и интеллектуального анализа, используются при формировании суточного плана. Помимо этого, подсистема предоставляет возможность накопления практического опыта проведения работ по техническому обслуживанию и ремонту горочного оборудования с помощью базы знаний и выдачи рекомендаций.

Оптимальные варианты выполнения работ по техническому обслуживанию и ремонту основаны на информации, имеющейся в базе знаний подсистемы, – на опыте эксплуатационного персонала, ранее выполнявшего аналогичные работы (в масштабе сети дорог).

Интерфейс модуля обеспечивает:

– автоматизированное предоставление электромеханикам (ШНС и ШН) наиболее вероятного решения наступившего и идентифицированного события и связанной с ним работы ТОиР (предусмотрен вариант и по запросу пользователя);

– ввод нового решения – пошагово, с произвольным количеством шагов выполнения работ (возможные форматы: текст, файл, звуковой комментарий);

– доступ к справочной (нормативно-методической, технологическим картам и т.п.) информации, связанной с выполняемыми работами ТОиР;

– предоставление контактных сведений об авторе решения – электромеханике, предоставившем информацию по устранению неисправности;

– ранжирование (измерение) эффективности работы со знаниями.

Обеспечение эффективной работы сортировочных горок и станций

Ведущий инженер отдела кандидат технических наук Андрей Витальевич Денисов:

– Для формирования прогноза отказов и сбоев устройств в целях своевременного их ремонта предусмотрен модуль предотказной диагностики функционирования горочного оборудования в подсистеме статистического и интеллектуального анализа информации СППР КДК СУ. Прогноз осуществляется на основе ретроспективных данных о функционировании оборудования.

В состав напольного оборудования комплексной системы автоматизации управления сортировочным процессом, помимо прочих устройств ЖАТ, входят датчики счета осей (ДСО), радиолокационные измерители скорости (РИС), радиотехнические датчики свободности (РТДС), индуктивно-проводные датчики (ИПД). В хранилище данных СППР КДК СУ имеется статистическая информация об отказах и сбоях оборудования, на основе которой формируется прогноз его состояния. Совокупность статистических данных представляет собой набор временных рядов. Для формирования прогноза все значения были сгруппированы по периодам.

Для определения наиболее эффективного метода прогнозирования временных рядов проведено сравнительное исследование следующих подходов:

– модель авторегрессии – интегрированного скользящего среднего (АРИСС, ARIMA) в составе Microsoft SQL Server 2008 Data Mining;

– модель авторегрессионных деревьев (ARTXP) в составе Microsoft SQL Server 2008 Data Mining;

– использование аппарата нелинейного анализа динамических систем;

– нейронная сеть с линией задержки входного сигнала;

– нейронная сеть Эльмана.

По результатам проведенных исследований точность прогноза отказов и сбоев оказалась наивысшей у нейронной сети с линией задержки входного сигнала. Была разработана библиотека, реализующая данную нейронную сеть. Средой для разработки послужила Microsoft Visual Studio 2008, языком – C+. Библиотека выполнена в виде внешней хранимой процедуры, подключаемой к СУБД СППР КДК СУ.

Техническая платформа СППР КДК СУ – это СУБД SQL Server 2008 компании Майкрософт (Microsoft). Подсистема сбора и предварительной обработки информации использует службу Integration Services, а подсистема статистического и интеллектуального анализа службы Analysis Services и Data Mining для реализации функций интеллектуального анализа и поддержки многомерных баз данных.

Система реализована в виде веб-портала, что позволяет значительно сократить требования к аппаратной части пользовательского оборудования, а также обеспечивает возможность контроля и анализа сортировочного процесса не только обслуживающим персоналом непосредственно на горке, но и управленческим аппаратом дороги и сети.

СППР КДК СУ внедрена на следующих станциях: Бекасово-Сортировочное Московской железной дороги, Красноярск-Восточный Красноярской, Санкт-Петербург – Московский-Сортировочный Октябрьской, Новая Еловка Красноярской, Иркутск-четный Восточно-Сибирской, Инская-нечетная Восточно-Сибирской и Московка Западно-Сибирской дороги.

Для повышение эффективности и безопасности работы на сортировочных горках и станциях, а также оперативности и качества принимаемых решений за счет автоматизации получения и анализа исходной информации специалистами нашего отдела создается система мониторинга и прогнозирования работы автоматизированных сортировочных горок и станций (дорожный и сетевой уровень) – СМПР СС.

Перечислю типы задач, решаемых системой мониторинга и прогнозирования работы автоматизированных сортировочных горок и станций.

Аналитические задачи – СМПР СС обеспечит вычисление эксплуатационных показателей и статистических характеристик технологических процессов на основе ретроспективной информации, находящейся в хранилище данных, оперативное решение задач функционального и стратегического планирования и управления.

Визуализация данных – СМПР СС представит всю имеющуюся информацию в удобном для пользователя графическом и табличном виде.

Получение новых знаний – СМПР СС позволит определить взаимосвязи и взаимозависимости технологических процессов, выявить «узкие места» в технологических процессах работы сортировочных горок и станций.

Обеспечение же эффективной работы сортировочных горок и станций – одна из приоритетных задач для ОАО «РЖД». Ее успешное решение позволит достигнуть целевых уровней стратегических показателей развития железнодорожного транспорта Российской Федерации.

© Евразия Вести II 2011







II 2011

Евразия Вести II 2011

Повысить эффективность работы Компании

Совершенствовать технологические процессы

Инновационные технологии для комплексного решения задач

Путь к успешному выполнению поставленных задач

Совершенствование систем безопасности на сортировочных станциях

Повысить безопасность перевозочного процесса

Интеллектуальные технологии в системах горочной автоматизации

Концепция интегрированной технологии управления движением грузовых поездов по расписанию

Инновации в управлении технологическим процессом железнодорожной станции

Ростовские системы - эффективность и надежность

«Золотая колесница» выходит на мировую арену!

Новый уровень качества работы сортировочных комплексов

Интеллектуальные технологии на транспорте: сущность и развитие

Автоматизация и механизация технологических процессов на сортировочных станциях

Международный форум «Транспортная инфраструктура России - инновационный путь развития»

Рецепт автоматизации от ГК «ТВЕМА»

«НТЦ ТРАНССИСТЕМОТЕХНИКА»: на высоте сегодняшних требований

Предприятие «Автоматизированные системы и комплексы» - партнер надежный

На пути освоения производства современной станционной техники

Международный опыт для развития Российских железных дорог

Эффективность работы сортировочных станций

PDF-формат



 

Copyright © 2003-2016 "Евразия Вести"
Разработка: интернет-студия "ОРИЕНС"

Евразия Вести