Реферат по теме выпускной работы
Содержание
- Введение
- 1. Актуальность темы
- 2. Цель и задачи исследования
- 3. Обзор исследований и разработок
- 4. Разработка математической модели
- 5. Методы и модели решения задачи
- Выводы
- Список источников
Введение
Локомотив — самоходный рельсовый экипаж, предназначенный для тяги несамоходных вагонов. Локомотивная бригада — группа рабочих на железнодорожном транспорте, на которую возлагается обязанность обслуживания локомотива, безопасное ведение поезда, выполнение графика движения, экономичное использование топливно-энергетических ресурсов.
1. Актуальность темы
Проблема автоматизации рабочего места локомотивной бригады является актуальной, поскольку ее решение позволит повысить безопасность ведения поездного состава, минимизировать затраты на топливно-энергетические ресурсы, минимизировать отклонение от графика движения.
2. Цель и задачи исследования
Целью магистерской работы является создание набора методов управления локомотивом с использованием правил нечеткой логики, что позволит автоматизировать принятие ряда решений по управлению локомотивом.
Устройство поддержки принятия решений будет оценивать поездную ситуацию и выдавать рекомендации относительно действий по управлению локомотивом. Окончательное решение будет принимать локомотивная бригада.
Для достижения поставленной цели необходимо выполнить следующие задачи:
- Анализ предметной области, существующих методов и моделей принятия решений;
- Получение с помощью метода экспертных оценок алгоритма действий машиниста в различных ситуациях;
- Разработка нечеткой базы знаний;
- Разработка алгоритма нечеткого логического вывода;
- Проверка точности модели и определение её эффективности.
Объектом исследования является процесс управления локомотивом.
Предметом исследования является использование правил нечеткой логики при управлении локомотивом.
3. Обзор исследований и разработок
В общем, вопросы автоматизации управления локомотивом рассмотрены в работе Никифорова Б. Д., Головина В. И., Кутыева Ю. Г. [7], а также в работе Ларионова П.С., Белого О.К. [10]. Регламент управления локомотивом рассмотрен в источнике [8].
Системы поддержки принятия решений по управлению транспортом рассмотрены в следующих работах.
Шерстюк В. Г., Бень А. П. – Гибридная интеллектуальная СППР для управления судном [12]. В работе предложена структура и принцип работы интеллектуальной системы поддержки принятия решений по управлению судном, в основе которой лежат сценарнопрецедентные модели принятия решений. ИСППР представляет собой гибридную интеллектуальную систему, имеющую подсистемы рассуждений на основе прецедентов, на основе правил и на основе моделей.
Котов О. – Автоматизированная многофункциональная система управления локомотивом [11]. В работе рассматривается многофункциональная автоматизированная система управления и обеспечения безопасности тягового подвижного состава, разработанная специалистами Научно-исследовательского института тепловозов и путевых машин.
Системы поддержки принятия решений, в основе которых лежит нечеткий логический аппарат, рассмотрены в следующих работах.
Полковникова Н. А., Курейчик В. М. – Разработка модели экспертной системы на основе нечеткой логики [13]. В работе рассмотрена модель экспертной системы для идентификации неисправностей динамического объекта в условиях эксплуатации.
Кригер Л. С. – Интеллектуальная система поддержки принятия решений при управлении движением общественного транспорта [14]. В работе предложена интеллектуальная система поддержки принятия решений при управлении движением общественного транспорта, построенная на основе метода нечеткого ситуационного моделирования.
4. Разработка математической модели
Рассматривается задача поддержки принятия решений для локомотивной бригады
где 
– полученный сигнал от некоторой i-той ситуации;
– множество дополнительных сигналов, измеряемых при i-той ситуации и необходимых для принятия решения;
f – функция, принимающая решение;
– множество выходных сигналов (решение предлагаемое системой).
Одной из типичных ситуаций является получения красного сигнала светофора (). Событиями и т.д. будут текущая скорость поезда, состояние тормозной магистрали поезда, расстояние до светофора, состояние реек, характеристика состава поезда и т.д. – решения о переводе управляющих рычагов в некоторое другое, более оптимальное, для данной ситуации положение.
Схематически система представлена на рисунке 1.
Рис. 1 – Схематическое представление системы
(анимация: 3 кадра, 11 килобайт)
5. Методы и модели решения задачи
Для реализации процесса интеллектуального управления подвижным составом основную роль играет база знаний. Представление знаний – это формализация и структурирование знаний, с помощью которых отображаются основные характерные признаки [4]: внутренняя интерпретируемость, структурированность, связность, семантическая метрика, активность.
Для формализации и представления знаний в памяти информационных систем существует ряд моделей, которые можно структурировать следующим образом:
- логические модели;
- продукционные модели;
- сетевые модели;
- фреймовые модели;
- математические модели;
- модели с нечеткими правилами логического вывода.
В основе логических моделей представления знаний лежит понятие формальной системы в виде четверки:
где T – множество базовых символов теории M (например, буквы алфавита);
P – множество синтаксических правил, посредством которых из базовых символов строятся формулы;
A – множество построенных формул, состоящих из аксиом;
F – правила вывода, определяющие множество отношений между правильно построенными формулами.
Продукционная модель – модель, позволяющая представить знания в виде предложений, называемых продукциями, типа Если (условие), то (действие)
. Под условием (антецедентом) понимается некоторое предложение-образец, по которому осуществляется поиск в базе знаний, а под действием (консеквентом) – операции, выполняемые при успешном исходе поиска (они могут быть промежуточными, выступающими далее в качестве условий и терминальными или целевыми, завершающими работу системы). Чаще всего вывод на такой базе знаний бывает прямой (от данных к поиску цели) или обратный (от цели для ее подтверждения – к данным).
Семантическая сеть – это ориентированный граф, вершины которого отображают некоторые понятия, а дуги – отношения между ними. Таким образом, семантическая сеть отражает семантику предметной области в виде понятий и отношений [6].
Фреймовая модель представляет собой систематизированную психологическую модель памяти человека и его сознания. Фрейм является структурой данных для представления стереотипной ситуации. С каждым фреймом ассоциирована информация разных видов. Одна ее часть указывает, каким образом следует использовать данный фрейм, другая - что предположительно может повлечь за собой его выполнение, третья - что следует предпринять, если эти ожидания не подтвердятся. Фрейм можно представлять себе в виде сети, состоящей из узлов и связей между ними [4].
Подход с использованием нечеткого логического вывода предполагает использование знаний экспертов об объекте управления, представляемых в виде правил, выраженных на естественном языке. При описании объекта используются лингвистические переменные, определяющие состояние объекта.
Лингвистическая переменная определяется кортежем
где 
– наименование лингвистической переменной, отражающей некоторый объект или параметр изучаемой предметной области; Т – множество ее значений или термов, представляющих собой наименования нечетких переменных, областью определения каждой из которых является множество U; G – синтаксическая процедура, описывающая процесс образования из множества Т новых, осмысленных для данной задачи принятия решений значений лингвистической переменной; М – семантическая процедура, позволяющая приписать каждому новому значению, образуемому процедурой G, некоторую семантику путем формирования соответствующего нечеткого множества, т. е. отобразить новое значение в нечеткую переменную [5].
Дальнейшие процедуры формализации направлены на получение нечетких множеств, определяющих параметры объекта управления. Дальнейший расчет управления производится с помощью применения операций над нечеткими множествами (И
, ИЛИ
, НЕ
), а также операций взятия минимума, максимума. Последним этапом является обратное преобразование управления, полученного в виде нечеткого множества, в реальное значение выхода. Базовыми алгоритмами нечеткого логического вывода являются алгоритмы Мамдани и Сугено.
Выводы
Магистерская работа посвящена актуальной задаче автоматизации рабочего места локомотивной бригады.
В рамках исследований выполнен анализ методов автоматизации управления локомотивом, обзор существующих систем поддержки принятия решений по управлению транспортом, обзор существующих моделей представления данных, и выбрана модель на основе нечетких продукционных правил. Т.к. эта модель делает возможным реализацию в системе интеллектуальных функций, основанных на анализе неполной информации о предметной области, кроме того, благодаря непрерывности функции принадлежности появляются преимущества в скорости обработки данных.
В дальнейшем предполагается разработка системы поддержки принятия решений по управлению локомотивом, которая обеспечит безопасность ведения тягового подвижного состава, минимизирует расходы топливно-энергетических ресурсов на участке пути, минимизирует отклонение от графика движения.
При написании данного реферата магистерская работа еще не завершена. Окончательное завершение: декабрь 2014 года. Полный текст работы и материалы по теме могут быть получены у автора или его руководителя после указанной даты.
Список источников
- Дробинский В.А. П.М. Егунов Как устроен и работает тепловоз – М.: Транспорт, 1980. – 370 с.
- Автоматическая локомотивная сигнализация частотного типа усиленной помехоустойчивости АЛС-ЕН/В. М. Лесяков, Д. В. Шалягин і ін. – М.: Транспорт, 1990. – 176 с.
- Фреймовая модель представления знаний // Дьяконов В. П., Борисов А. В. Основы искусственного интеллекта. Смоленск, 2007.
- Олкконен Е. А. Модели представления знаний в языковых интеллектуальных обучающих системах // Прикладная математика и информатика : труды Петрозаводского государственного университета. 1997. № 6. С. 168–182.
- Обработка нечеткой информации в системах принятия решений / А.Н. Борисов, А.В. Алексеев, Г.В. Меркурьев и др. – М.: Радио и связь, 1989. – 394 с.
- Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. Учебник. СПб.: Питер, 2001.
- Никифоров Б. Д., Головін В. И., Кутыев Ю. Г. Автоматизація керування рухом поїздів. – М.: Транспорт, 1985. – 324 с.
- Керування поїздом: рекомендації машиністові локомотива й диспетчерові по забезпеченню безпеки руху. – Ростову-на-Дону: РИИЖТ, 1998. – 184 с.
- Лисенков В.М. Безпека технічних засобів у системах керування рухом поїздів. – М.: Транспорт, 1992. – 192 с.
- Ларионов П.С., Білий О.К. Автоматизована система для ведення рухомого состава//Локомотив. 1997. №7.
- Котов О. Автоматизированная многофункциональная система управления локомотивом, СТА, 1998.
- Шерстюк В.Г., Бень А. П. Гибридная интеллектуальная СППР для управления судном, Искусственный интеллект, Херсонский государственный морской институт, 2008.
- Полковникова Н. А., Курейчик В. М. Разработка модели экспертной системы на основе нечеткой логики, Известия ЮФУ Технические науки, 2014.
- Кригер Л. С. Интеллектуальная система поддержки принятия решений при управлении движением общественного транспорта, Вестник Астраханского государственного технического университета, 2012.
- Заде Л. А. Понятие лингвистической переменной и его применение к принятию приемлимых решений: Пер. с англ. – М.: Мир, 1976.
- Леоненков А. В. Нечеткое моделирование в среде Matlab и fuzzyTech – СПб.: БХВ-Петербург, 2005 – 736 с.
- Fuzzy Logic: Четкие решения нечеткой логики [Электронный ресурс]. – Режим доступа: Ссылка.
- Нечеткая логика в системах управления [Электронный ресурс]. – Режим доступа: Ссылка.
- Решение задач с применением нечеткой логики [Электронный ресурс]. – Режим доступа: Ссылка.
- Энциклопедия ЖД [Электронный ресурс]. – Режим доступа: Ссылка.