Методы и средства автоматизированного анализа технологических процессов на железнодорожном транспорте

• Автор: Осокин, Олег Викторович
• Шифр специальности: 05.02.22
• Научная степень: Кандидатская
• Год защиты: 2006
• Место защиты: Москва
• Количество страниц: 223 с. : ил.

Глава 1. Состояние теории и практики интеллектуального

анализа

1.1. Задачи интеллектуального анализа данных

1.2. Методы интеллектуального анализа данных

1.2.1. Статистические методы

1.2.2. Нейронные сети

1.2.3. Системы рассуждений на основе аналогичных случаев

1.2.4. Деревья решений

1.2.5. Эволюционное программирование

1.2.6. Генетические алгоритмы

1.2.7. Алгоритмы ограниченного перебора

1.3. Построение интеллектуальной информационной среды в системе управления
1.4. Существующая организация анализа на железнодорожном транспорте
1.4.1. Погрузка
1.4.2. Выгрузка
1.4.3. Передача
1.4.4. Использование подвижного состава
1.4.5. Статнагрузка
1.4.6. Оборот грузового вагона
1.4.7. Анализ использования локомотивов
1.5. Разрабатываемые системы автоматизации анализа и планирования
1.5.1. Назначение и функциональные задачи
1.5.2. Структура
Выводы к главе
Глава 2. Теоретические основы автоматизированного анализа

2.1. Необходимость перехода к автоматизированному анализу
2.2. Преимущества автоматизированного анализа
2.3. Автоматизированная аналитическая система как аппарат для
новых видов анализа
2.4. Надёжность информационно-аналитических систем
2.4.1. Определение функциональной надёжности НАС
2.4.2. Отказы, сбои, ошибки в информационно - аналитических системах
2.4.3. Определение функционального отказа НАС
2.4.4. Показатели правильности выполнения вычислительных процессов
2.4.5. Показатели правильности выполнения информационных процессов
2.4.6. Комплексные показатели функциональной надёжности НАС
2.4.7. Расчёт показателей функциональной надёжности информационных процессов
Выводы к главе
Глава 3. Построение теоретической модели транспортной системы
для интерпретации результатов анализа
3.1. Теоретические аспекты интерпретации результатов
3.2. Теоретическая модель транспортной системы - элементы и их взаимодействие
3.3. Теоретическая модель - управление и динамические резервы
3.4. Теоретическая модель - взаимодействие подсистем
3.5. Устойчивое состояние транспортной системы и её поддержание
Выводы к главе
Глава 4. Организация автоматизированного углублённого анализа
4.1. Расчёт глубокого прогноза с помощью информационного
хранилища
4.1.1. Принципы построения информационного хранилища

4.1.2. Архитектура информационного хранилища
4.2. Построение глубокого прогноза методом имитационного моделирования
4.3. Примеры расчёта глубоких прогнозов для углублённого анализа
4.3.1. Расчёт прогноза образования порожних вагонов и выгрузки с помощью информационного хранилища
4.3.2. Глубокий прогноз подвода грузов к порту с помощью информационного хранилища
Выводы к главе
Глава 5. Интеллектуальный анализ на базе сравнения с
«идеальным процессом»
5.1. Сущность и задачи интеллектуального анализа
5.2. Модели оптимальной организации транспортных потоков (класс моделей ДТЗЗ)
5.2.1. Постановка динамической транспортной задачи с задержками
5.2.2. Динамическая транспортная задача с управляемыми задержками
5.2.3. Многопродуктовая динамическая транспортная задача с задержками (триаксиальная)
5.3. Модели оптимального взаимодействия поставщиков и потребителей (класс моделей МДС)
5.4. Модели «идеальных» технологических процессов на станциях и
узлах («имитационный спуск» ИСТРА)
5.5. Примеры построения «идеальных процессов» для интеллектуального анализа
5.5.1. Оптимальная динамическая структура потоков порожняка (модель ДТЗЗ)
5.5.2. Оптимальная организация подвода сырья с нескольких дорог
к металлургическому комбинату (класс моделей МДС)

разными методами
Рис. 2.16.
Для локальных (но сложных) систем, таких как железнодорожные станции и узлы, следует применять аппарат имитационного моделирования [5, 40, 50, 68, 77, 79, 97]. Если модель достаточно подробная и построена профессионально, то результат прогноза ещё точнее. Ибо здесь воспроизводится полностью технологический процесс с учётом и случайных факторов, и диспетчерского управления (см. рис. 2.16). Таким образом, автоматизированная система может выполнять новый вид анализа - углублённый, как сравнение результатов мониторинга с глубоким прогнозом (рис. 2.17).
Однако и этого недостаточно. Дело в том, что в глубоком прогнозе мы сравниваем действия одного диспетчера с решениями другого, т.е. эталоном служит среднестатистические параметры существующей технологии. Необ-