Диагностика и мониторинг реального технического состояния железнодорожной транспортной инфраструктуры (мостов, тоннелей, рельсового пути, земляного полотна (насыпей) и др.) – одна из наиболее актуальных задач в нашей стране и одно из важнейших направлений диагностики техносферы. Сложившаяся практика эпизодических наземных обследований, инспекций, осмотров, выборочных проверок не может обеспечить оперативное получение достоверных и достаточных данных о реальном техническом состоянии таких пространственно протяжённых уникальных сооружений и конструкций, какими являются объекты железнодорожного транспорта. Для полноценного контроля над такими объектами необходимо использовать систему, которая смогла бы спрогнозировать дальнейшее изменение состояния конструкции под влиянием внешних воздействий. Такой системой является «Интеллектуальная система контроля напряженно-деформированных состояний» (ИСКНДС), которая разрабатывается в Ростовском филиале ОАО НИИАС[1]. Система состоит из автономных узлов, соединенных в сеть по радиоканалу. Собранные данные помещаются на сервер хранения информации.Узлы могут быть оснащены разными датчиками в зависимости от объекта, на котором они установлены. Это могут быть: датчики вибрации, датчики потока газа, датчики температуры, освещенности, влажности и т.д. Для обработки и дальнейшего заключения о сложившейся ситуации на объекте используютсязнания эксперта. Как правило, данные задачи решаются экспертом на основе анализа всей доступной информации. Решения, принимаемые при этом, носят интуитивный, субъективный характер. С другой стороны, эксперт в ходе собеседования способен сформировать те интуитивные правила и алгоритмы, которые он использует при принятии решений. Проблема состоит в том, что эти правила и алгоритмы будут обладать большой степенью размытости и нечеткости, а знания, полученные от различных экспертов, будут, зачастую, противоречивы. Задачу управления такого рода знаниями, полученными от специалистов, призваны решать экспертные системы.
В настоящее время большую актуальность приобретает использование экспертных систем для решения объемных, трудно формализуемых задач в различных предметных областях. Эти задачи характеризуются, как правило, отсутствием или сложностью формальных алгоритмов решения, неполнотой и нечеткостью исходной информации, нечеткостью достигаемых целей. Данные особенности приводят к необходимости использования в процессе решения данных задач знаний, полученных от человека-эксперта в предметной области, и разработки экспертных систем, осуществляющих сбор и управление этими знаниями, принимающими решения об оптимальном способе достижения целей в условиях неполноты и нечеткости.Знания человека-эксперта о решении задач в таких условиях, также имеют нечеткий характер. Для их формализации в настоящее время успешно применяется аппарат теории нечетких множеств и нечеткой логики [2]. Нечеткие понятия в данном случае формализуются в виде нечетких и лингвистических переменных, а нечеткость действий в процессе принятия решения – в виде нечетких алгоритмов. Экспертные системы, способные формализовывать нечеткую информацию и обрабатывать ее в рамках нечетких алгоритмов, получили название нечетких экспертных систем [3].
Особенно актуально использовать в настоящее время нечеткие экспертные системы для решения задач моделирования в области предупреждения опасных ситуаций на железнодорожном транспорте. Основной характерной чертой задач, решаемых в данной предметной области, является неопределенность, нечеткость и неполнота знаний о том, где и в какой промежуток времени произойдет аварийная ситуация. В общей сложности, наблюдаемый объект, представляет собой сложную систему, характеризующуюся множеством взаимосвязанных и взаимно влияющих друг на друга свойств. Учесть все эти взаимосвязи в некоторой жесткой математической модели нереально. Например, на оценку состояния железнодорожного тоннеля влияют множество факторов: минимальные смещения породы, изменение собственной частоты конструкции, температура окружающей среды и т.д.
Экспертная система включает в себя два модуля - модуль накопления и управления знаниями экспертов и модуль нечеткого вывода (рисунок 1).
 |
Рисунок 1. Схема работы экспертной системы.
Основное требование к модулю накопления и управления знаниями экспертов - возможность его легкого практического использования специалистом, не знакомым с языками программирования. В то же время, данный модуль должен обеспечить возможность качественного формирования базы знаний в соответствии с потребностями решаемой задачи.
Для работы модуля нечеткого вывода необходимо разработать систему метрических оценок состояния конструкции. Вначале выбираются метрики состояний, которые предлагается использовать для оценки состояния конструкции объекта. Каждой метрике ставится в соответствие лингвистическая переменная (ЛП). Например, при мониторинге участков подверженных селевым сходам,в качестве входной лингвистической переменной можно принять «Влажность почвы».Для каждой ЛП определяется базовое терм множество, которое будет состоять из нечетких перемен ых:«Невысокая», «Средняя», «Высокая». Затем для каждого терма находится числовое значение или диапазон значений, наилучшим образом характеризующих данный терм(рисунок 2)[4]. Также в качестве выходной ЛП определим «Возможность схода сели» с термами: «Минимальная», «Средняя», «Высокая» (рисунок 3).
Рисунок 2 - Описание лингвистической переменной "Влажность почвы".
Рисунок 3 - Описание лингвистической переменной "Возможность схода сели ".
Основой для проведения операции нечеткого логического вывода является база правил, содержащая нечеткие высказывания в форме "Если-то" и функции принадлежности для соответствующих лингвистических термов. При этом должны соблюдаться следующие условия:
1. Существует хотя бы одно правило для каждого лингвистического терма выходной переменной.
2. Для любого терма входной переменной имеется хотя бы одно правило, в котором этот терм используется в качестве предпосылки (левая часть правила).
Если обозначить термы ЛП «Влажность почвы» как А1, А2, А3 соответственно, добавить ЛП «Сдвиг породы» с термами В1– «Минимальный», В2– «Средний», В3– «Критический», а выходные функции принадлежности обозначить как С1, С2 и С3, то характерными будут являться следующие правила:
R1: ЕСЛИ x1 это A11…И… xn это A1n И ЕСЛИ x1 это В11 …И… xn это В1n, ТО y это С1
R2: ЕСЛИ x1 это A11…И… xn это A1n И ЕСЛИ x1 это В21 …И… xn это В2n, ТО y это С2
R3: ЕСЛИ x1 это A11…И… xn это A1n И ЕСЛИ x1 это В31 …И… xn это В3n, ТО y это С3
R4: ЕСЛИ x1 это A21…И… xn это A2n И ЕСЛИ x1 это В11 …И… xn это В1n, ТО y это С1
R5: ЕСЛИ x1 это A21…И… xn это A2n И ЕСЛИ x1 это В21 …И… xn это В2n, ТО y это С2
R6: ЕСЛИ x1 это A21…И… xn это A2n И ЕСЛИ x1 это В31 …И… xn это В3n, ТО y это С3
R7: ЕСЛИ x1 это A31…И… xn это A3n И ЕСЛИ x1 это В11 …И… xn это В1n, ТО y это С2
R8: ЕСЛИ x1 это A31…И… xn это A3n И ЕСЛИ x1 это В21 …И… xn это В2n, ТО y это С3
R9: ЕСЛИ x1 это A31…И… xn это A3n И ЕСЛИ x1 это В31 …И… xn это В3n, ТО y это С3,
где xk , k=1,...,n – входные переменные; y – выходная переменная.
При выводе данных правил учитывалась проверка на полноту, т.е. описываются все возможные ситуации, которые возможно предсказать с помощью данных входных переменных.
Также была принята во внимание проверка на непротиворечивость - одно из правил не может повлиять на выполнение какого-либо другого правила.
Механизм логического вывода включает четыре этапа(рисунок 4):
- введение нечеткости (фазификация);
- нечеткий вывод;
- композиция;
- приведение к четкости, или дефазификация.
Рисунок 4. Система нечеткого логического вывода.
Результатом нечеткого вывода является четкое значение переменной y* на основе заданных четких значений xk , k=1,...,n.
В случае, где необходим мониторинг участков подверженных селевым сходам, y*показывает вероятность схода сели при текущих параметрах влажности почвы. Таким образом, данная система позволяет не только делать выводы, основываясь на статичных четко выраженных данных, но и оперировать непрерывно изменяющимися во времени значениями, которые невозможно задать однозначно.
В настоящее время применение элементов нечеткой логики можно найти в десятках промышленных изделий - от систем управления электропоездами и боевыми вертолетами до пылесосов и стиральных машин. Без применения систем с использованием нечеткой логики немыслимы современные ситуационные центры руководителей западных стран, где принимаются ключевые политические решения и моделируются разные кризисные ситуации. Проведения быстрого моделирования сложных динамических систем и их сравнительный анализ с заданной степенью точности, делает возможным использование нечетких алгоритмов в экспертных системах для мониторинга объектов железнодорожного транспорта.
Литература:
1. Шабельников А.Н., Шабельников В.А., Ковалев С.М. Интеллектуальные системы распределенного мониторинга на основе беспроводных сенсорных сетей с использованием системы мобильных объектов //Сб. науч. трудов V-ой междунар. науч.-практ. конф. «Интегрированные модели и мягкие вычисления в искусственном интеллекте», 2009. - Т.2.
2. Заде Л.А. - Основы нового подхода к анализу сложных систем и процессов принятия решений // Математика сегодня. М: Знание, 1974.
3. ФроловЮ.В. - Интеллектуальные системы и управленческие решения // М.: 2000.
4. Джарратано, Д., Райтли.Г. Экспертные системы: принципы разработки и программирование // М. ООО «И.Д. Вильямс», 2007.
