Россия
Россия
Россия
Россия
Прогнозирование случайных возмущений позволяет улучшить качество управления в интеллектуальных транспортных системах, а также обеспечить эффективную работу диагностических систем. Известен ряд работ, в которых приведены модели экстраполяторов на базе многочленов Чебышева, ортогональных на множестве равноотстоящих точек с прогнозирующим многочленом, коэффициенты которого вычисляются по критерию наименьших квадратов, а также проведен анализ погрешностей прогноза случайных стационарных входных сигналов. Вместе с тем в случае нестационарных входных сигналов возможны единичные возмущения, воздействие которых на экстраполятор приводит к значительным погрешностям прогноза. В данной статье приведен пример возникновения аддитивных возмущений, появляющихся в системах автоматического управления движения поездов; получено аналитическое выражение и проведен расчет величин погрешностей прогноза при единичных возмущениях. Анализ результатов расчета позволяет определить влияние параметров экстраполятора на величину погрешности прогноза, показать необходимость детектирования единичных возмущений и исключить их влияние на величину погрешностей прогноза. В статье рассмотрен алгоритм детектирования единичных возмущений и их исключения в процессе прогноза; сделан вывод об эффективности использования экстраполяторов случайных возмущений с исключением влияния единичных возмущений в интеллектуальных системах автоматического управления движением поездов метрополитена.
прогнозирование, экстраполяторы, погрешности прогноза, случайные возмущения, единичные возмущения, детектирование единичных возмущений, алгоритм, интеллектуальная система, автоматическое управление, поезда метрополитена
1. Petropoulos F. Forecasting: Theory and practice / F. Petropoulos, Ya. Kang, F. Li et al. // International Journal of Forecasting. - 2022. - Vol. 38. - Iss. 3, July - September. - Pp. 705-871. - DOI:https://doi.org/10.1016/j.ijforecast.2021.11.001.
2. Silitonga S. Survey on damage mechanics models for fatigue life prediction / S. Silitonga, J. Maljaars, F. Soetens et al. // Heron. - 2013. - Vol. 58. - Iss. 1. - Pp. 25-60.
3. Kim Y. Introduction to Kalman Filter and Its Applications / Y. Kim, H. Bang // IntechOpen. - 2018. - DOI:https://doi.org/10.5772/intechopen.80600.
4. Grewal M. S. Kalman Filtering: Theory and Practice with MATLAB / M. S. Grewal, A. P. Andrews // John Wiley & Sons. - 2015. - P. 640.
5. Asadi F. Adaptive Kalman Filter for Noise Estimation and Identification with Bayesian Approach / F. Asadi, S. H. Sadati // World Academy of Science, Engineering and Technology International Journal of Mathematical and Computational Sciences. - 2021. - Vol. 15. - Iss. 10.
6. Serradilla O. Deep learning models for predictive maintenance: a survey, comparison, challenges and prospects / O. Serradilla, E. Zugasti, J. Rodriguez et al. // Applied Intelligence. - 2022. - DOI:https://doi.org/10.1007/s10489-021-03004-y.
7. Mosavi A. Structural Damage Diagnosis and Prediction Using Machine Learning and Deep Learning Models: Comprehensive Review of Advances / A. Mosavi. - Preprints.org 2019, 2019120149. - DOI:https://doi.org/10.20944/preprints201912.0149.v1.
8. Byington Carl S. Handbook of Multisensor Data Fusion / S. Byington Carl, K. Garga Amulya // Ch. 23. Data Fusion for Developing Predictive Diagnostics for Electromechanical Systems // CRC Press, 2009.
9. Bezerra A. The use of artificial intelligence for assessing an overpass affected by Alkali-Silica Reaction (ASR) / A. Bezerra, C. Trottier, L. F. M. Sanchez // Ch. 40. Data Fusion for Developing Predictive Diagnostics for Electromechanical Systems // CRC Press. - 2022. - Pp. 354-361. - DOI:https://doi.org/10.1201/9781003322641-40.
10. Smit N. Guide for the Monitoring, Diagnosis and Prognosis of Large Motors / N. Smit, Convener, S. Bhumiwat et al. // Cigre Working Group A1.26. - December 2013. - P. 53.
11. Gulgec N. S. Structural Damage Detection Using Convolutional Neural Networks / N. S. Gulgec, M. Takác, S. Pakzad // Model Validation and Uncertainty Quantification. - 2022. - Vol. 3. - Pp. 331-337. - DOI:https://doi.org/10.1007/978-3-319-54858-6_33.
12. Kashevarova G. G. Technical diagnostics of reinforced concrete structures using intelligent systems / G. G. Kashevarova, Yu. L. Tonkov // Magazine of Civil Engineering. - 2020. - Iss. 1(93). - Pp. 13-26. - DOI:https://doi.org/10.18720/MCE.93.2.
13. Bulgakov A. Cyber-physical System for Diagnosing and Predicting Technical Condition of Servo-drives of Mechatronic Sliding Complex during Construction of High-rise Monolithic Buildings / A. Bulgakov, T. Bock, T. Kruglova // 2020 Proceedings of the 37th ISARC, Kitakyushu, Japan. - Pp. 339-346.
14. Масалимов К. А. Применение двунаправленных сетей долгой краткосрочной памяти для определения износа режущего инструмента станков с числовым программным управлением в процессе эксплуатации / К. А. Масалимов // Моделирование, оптимизация и информационные технологии. - 2021. - Т. 9, № 4(35). - DOI:https://doi.org/10.26102/2310-6018/2021.35.4.014.
15. Byington C. S. Handbook of Multisensor Data Fusion / C. S. Byington, A. K. Garga // Ch. 17. Studies and Analyses within Project Correlation: An In-Depth Assessment of Correlation Problems and Solution Techniques // CRC Press, 2009.
16. Баранов Л. А. Централизованное управление движением поездов городских железных дорог современного мегаполиса / Л. А. Баранов, Е. П. Балакина, С. Е. Иконников и др. // Наука и техника транспорта. - 2020. - № 1. - С. 30-38.
17. Баранов Л. А. Влияние прогноза рассогласования на качество управления в замкнутых автоматических системах / Л. А. Баранов, О. Е. Пудовиков, Е. П. Балакина // Электротехника. - 2022. - № 9. - C. 8-15.
18. Баранов Л. А. Метрополитен Мехико. Алгоритм движения / Л. А. Баранов, П. Ю. Воробьев // Мир транспорта. - 2012. - № 4. - C. 106-113.
19. Баранов Л. А. Квантование по уровню и временная дискретизация в цифровых системах управления / Л. А. Баранов. - М.: Энергоатомиздат, 1990. - C. 304.
20. Березин И. С. Методы вычислений / И. С. Березин, И. П. Жидков. - М.: Физматгиз, 1959. - Т. 1. - C. 464.
21. Цыпкин Я. З. Теория линейных импульсных систем / Я. З. Цыпкин. - М.: Физматиздат, 1963. - C. 968.
22. Баранов Л. А. Прогнозирование случайных процессов на базе многочленов, ортогональных на множестве равноотстоящих точек / Л. А. Баранов, Е. П. Балакина // Электротехника. - 2020. - № 9. - C. 39-46.
23. Милн В. Э. Численный анализ / В. Э. Милн. - М.: ИЛ, 1951. - 292 с.
