Transport automation research Transport automation research Автоматика на транспорте 2412-9186 92182 10.20295/2412-9186-2024-10-04-337-359 ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ УПРАВЛЕНИЯ INTELLIGENT CONTROL SYSTEMS ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ УПРАВЛЕНИЯ Automatic transportation process control systems with an extended data analytics circuit АВТОМАТИЧЕСКИЕ СИСТЕМЫ УПРАВЛЕНИЯ ТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ ПЕРЕВОЗОК С РАСШИРЕННЫМ КОНТУРОМ АНАЛИТИКИ ДАННЫХ Долгий Александр Игоревич Dolgiy Aleksandr Igorevich a.dolgiy@vniias.ru

кандидат технических наук;

candidate of technical sciences;

 Ковалев Сергей Михайлович Kovalev Sergey Mihaylovich ksm@rfniias.ru

доктор технических наук;

doctor of technical sciences;

 Научно-исследовательский институт информатизации, автоматизации и связи на железнодорожном транспорте (АО «НИИАС») Россия Research and Design Institute for Information Technology, Signalling and Telecommunications on Railway Transport (JSC NIIAS) Russian Federation АО «Научно-исследовательский и проектно-конструкторский институт информатизации, автоматизации и связи на железнодорожном транспорте» (АО «НИИАС») Ростов-на-Дону Россия JSC “NIIAS” Rostov-on-Don Russian Federation 19 12 2024 19 12 2024 10 4 337 359 18 12 2024 https://atjournal.ru/en/nauka/article/92182/view

Предлагается новый гибридный подход к автоматизации управления сложными технологическими процессами, протекающими на железнодорожных станциях промышленного транспорта, с привлечением технологий интеллектуального мониторинга. В основу предлагаемого подхода положена концепция эволюционирующего предиктивного моделирования в сочетании с методами многофакторного статистического анализа. В качестве метода многофакторного статистического анализа используется модификация известного метода главных компонент. Идентификация нарушений в поведении технологического процесса осуществляется на основе объединения известного метода анализа вкладов и предложенного авторами метода нечетко-динамического анализа, также базирующегося на методе главных компонент. Принципиальной особенностью гибридного подхода является отображение исходного пространства числовых параметров технологического процесса в новое пространство переменных, образованное нечеткими правилами эволюционирующей системной модели. Путем применения к новым системным переменным технологии многофакторного анализа на основе метода главных компонент образуется ряд промежуточных разносортных переменных. Наличие нескольких групп системных переменных с различной степенью детализации и интерпретируемости, описывающих поведение контролируемого процесса, обеспечивает возможность разработки на их основе математических моделей и алгоритмов решения разнообразных задач мониторинга. Рассматривается пример использования предложенного подхода для постобработки мониторинговых данных с целью выявления расхождений в показателях работы сортировочной станции и обнаружения аномалий в развитии контролируемого процесса.

A new hybrid approach has been proposed to automate the management of complex technological processes at railway stations of industrial transport using intelligent monitoring technologies. This approach is based on the concept of predictive modeling combined with methods of statistical analysis, including a modification of the principal components analysis method for multivariate statistical analysis and the identification of violations in technological processes using a combination of well-known methods such as contribution analysis and fuzzy dynamic analysis. The principal feature of the hybrid approach is mapping the initial space of numerical parameters of the technological process onto a new space formed by fuzzy rules of an evolving system model. Applying multivariate analysis to new system variables using the principal component method allows for the formation of a few intermediate variables with different degrees of granularity and interpretability, describing the behavior of the controlled process, which makes it possible to develop mathematical models and algorithms for solving various monitoring tasks An example of using this approach for post-processing monitoring data to identify performance discrepancies in a marshalling yard and anomalies in the controlled process is considered.

 интеллектуальный мониторинг эволюционирующее моделирование метод главных компонент нечетко-динамическая модель технологические процессы железнодорожных перевозок intelligent monitoring evolving modeling principal component method fuzzy dynamic model technological processes in railway transport

Стоянова Н. В. Основные этапы стратегического развития железнодорожного транспорта // Транспорт: наука, образование, производство («ТРАНСПОРТ‑2022»). 2022. С. 268–272. Stoyanova N. V. Osnovnye etapy strategicheskogo razvitiya zheleznodorozhnogo transporta // Transport: nauka, obrazovanie, proizvodstvo («TRANSPORT‑2022»). 2022. S. 268–272. Рыков Ю. Г. К вопросу развития гибридного аналитического подхода к моделированию сложных систем, содержащих как слабо структурированные, так и хорошо структурированные подсистемы // Информационные и математические технологии в науке и управлении. 2022. № 4(28). С. 234–247. Rykov Yu. G. K voprosu razvitiya gibridnogo analiticheskogo podhoda k modelirovaniyu slozhnyh sistem, soderzhaschih kak slabo strukturirovannye, tak i horosho strukturirovannye podsistemy // Informacionnye i matematicheskie tehnologii v nauke i upravlenii. 2022. № 4(28). S. 234–247. Кудрявцев Е. GPSS World. Основы имитационного моделирования различных систем. Litres, 2022. Kudryavcev E. GPSS World. Osnovy imitacionnogo modelirovaniya razlichnyh sistem. Litres, 2022. Никитин А. Б., Грошев В. А. Автоматизация контроля хода технологического процесса станции в режиме реального времени // Известия Петербургского университета путей сообщения. 2016. № 2(47). С. 229–238. Nikitin A. B., Groshev V. A. Avtomatizaciya kontrolya hoda tehnologicheskogo processa stancii v rezhime real'nogo vremeni // Izvestiya Peterburgskogo universiteta putey soobscheniya. 2016. № 2(47). S. 229–238. A review of process fault detection and diagnosis: Part I: Quantitative model-based methods / V. Venkatasubramanian [et al.] // Computers & Chemical Engineering. 2003. Т. 27. No. 3. P. 293–311. A review of process fault detection and diagnosis: Part I: Quantitative model-based methods / V. Venkatasubramanian [et al.] // Computers & Chemical Engineering. 2003. T. 27. No. 3. P. 293–311. A review of data mining technologies in building energy systems: Load prediction, pattern identification, fault detection and diagnosis / Y. Zhao [et al.] // Energy and Built Environment. 2020. Т. 1. No. 2. P. 149–164. A review of data mining technologies in building energy systems: Load prediction, pattern identification, fault detection and diagnosis / Y. Zhao [et al.] // Energy and Built Environment. 2020. T. 1. No. 2. P. 149–164. Large language models for software engineering: A systematic literature review / X. Hou [et al.] // ACM Transactions on Software Engineering and Methodology. 2023. Large language models for software engineering: A systematic literature review / X. Hou [et al.] // ACM Transactions on Software Engineering and Methodology. 2023. Zheng S. A new unsupervised data mining method based on the stacked autoencoder for chemical process fault diagnostics // Computers & Chemical Engineering. 2020. Vol. 135. P. 106755. Russian. Zheng S. A new unsupervised data mining method based on the stacked autoencoder for chemical process fault diagnostics // Computers & Chemical Engineering. 2020. Vol. 135. P. 106755. Russian. An unsupervised data mining strategy for performance evaluation of ground source heat pump systemsт X. Zhou [et al.] // Sustainable Energy Technologies and Assessments. 2021. Vol. 46. P. 01255. An unsupervised data mining strategy for performance evaluation of ground source heat pump systemst X. Zhou [et al.] // Sustainable Energy Technologies and Assessments. 2021. Vol. 46. P. 01255. Development of the intelligent monitoring system for water parameters / A. A. Bezgin [et al.] // 2020 Wave Electronics and its Application in Information and Telecommunication Systems (WECONF). IEEE, 2020. Development of the intelligent monitoring system for water parameters / A. A. Bezgin [et al.] // 2020 Wave Electronics and its Application in Information and Telecommunication Systems (WECONF). IEEE, 2020. Kasabov N., Filev D. Evolving intelligent systems: methods, learning, & applications // International symposium on evolving fuzzy systems. IEEE, 2006. P. 8–18. Kasabov N., Filev D. Evolving intelligent systems: methods, learning, & applications // International symposium on evolving fuzzy systems. IEEE, 2006. P. 8–18. Lughofer E. On-line assurance of interpretability criteria in evolving fuzzy systems — Achievements, new concepts and open issues // Information Sciences. 2013. Vol. 251. Lughofer E. On-line assurance of interpretability criteria in evolving fuzzy systems — Achievements, new concepts and open issues // Information Sciences. 2013. Vol. 251. Angelov P., Filev D. An approach to online identification of Takagi–Sugeno fuzzy models // IEEE Transactions on Systems, Man and Cybernetics, Part B: Cybernetics. 2004. Vol. 34(1). Angelov P., Filev D. An approach to online identification of Takagi–Sugeno fuzzy models // IEEE Transactions on Systems, Man and Cybernetics, Part B: Cybernetics. 2004. Vol. 34(1). Leite D., Škrjanc I., Gomide F. An overview on evolving systems and learning from stream data. URL: https:// doi.org/10.1007/s12530-020-09334-5 Leite D., Škrjanc I., Gomide F. An overview on evolving systems and learning from stream data. URL: https:// doi.org/10.1007/s12530-020-09334-5 Incremental Structure-Evolving Intelligent Systems with Advanced Interpretational Properties // Kuznetsov S. O., Panov A. I., Yakovlev K. S. (eds) Artificial Intelligence. RCAI 2020. Lecture Notes in Computer Science. Vol. 12412. Springer, Cham. Incremental Structure-Evolving Intelligent Systems with Advanced Interpretational Properties // Kuznetsov S. O., Panov A. I., Yakovlev K. S. (eds) Artificial Intelligence. RCAI 2020. Lecture Notes in Computer Science. Vol. 12412. Springer, Cham. Temporal Prediction Models for Technological Processes Based on Predictive Analytics / Dolgiy A. [et al.] // Lecture Notes in Networks and Systems / eds. S. Kovalev [et al.]. T. 777. LNNS Springer Science and Business Media Deutschland GmbH, 2023. P. 179–194. Temporal Prediction Models for Technological Processes Based on Predictive Analytics / Dolgiy A. [et al.] // Lecture Notes in Networks and Systems / eds. S. Kovalev [et al.]. T. 777. LNNS Springer Science and Business Media Deutschland GmbH, 2023. P. 179–194. Abraham W. C., Robins A. Memory retention — the synaptic stability versus plasticity dilemma // Trends in Neurosciences. 2005. Vol. 28(2). P. 73–78. Abraham W. C., Robins A. Memory retention — the synaptic stability versus plasticity dilemma // Trends in Neurosciences. 2005. Vol. 28(2). P. 73–78. Lazar N. Ockham’s razor // Wiley Interdisciplinary Reviews: Computational Statistics. 2010. Т. 2. No. 2. P. 243–246. Lazar N. Ockham’s razor // Wiley Interdisciplinary Reviews: Computational Statistics. 2010. T. 2. No. 2. P. 243–246. Angelov P., Filev D. On-line design of Takagi-Sugeno models // International fuzzy systems association world congress. Berlin, Heidelberg: Springer Berlin Heidelberg, 2003. P. 576–584. Angelov P., Filev D. On-line design of Takagi-Sugeno models // International fuzzy systems association world congress. Berlin, Heidelberg: Springer Berlin Heidelberg, 2003. P. 576–584. Chiu S. Fuzzy Model Identification Based on Cluster Estimation // Journal of Intelligent and Fuzzy Systems. 1994. Vol. 2(3). P. 267–278. Chiu S. Fuzzy Model Identification Based on Cluster Estimation // Journal of Intelligent and Fuzzy Systems. 1994. Vol. 2(3). P. 267–278. Пологов В. В. Комплексирование метода субтрактивной кластеризации и метода K-средних для сегментации изображений // Лучший исследовательский проект. 2020. С. 180–187. Pologov V. V. Kompleksirovanie metoda subtraktivnoy klasterizacii i metoda K-srednih dlya segmentacii izobrazheniy // Luchshiy issledovatel'skiy proekt. 2020. S. 180–187. Долгий А. И., Ковалев С. М., Колоденкова А. Е. Нечетко-динамический метод анализа главных компонент в системах интеллектуального мониторинга // 21-я Национальная конференция по искусственному интеллекту с международным участием (КИИ‑2023): труды конференции (Смоленск, 16–20 октября 2023 года): в 2 т. Смоленск: Принт-Экспресс, 2023. С. 66–76. Dolgiy A. I., Kovalev S. M., Kolodenkova A. E. Nechetko-dinamicheskiy metod analiza glavnyh komponent v sistemah intellektual'nogo monitoringa // 21-ya Nacional'naya konferenciya po iskusstvennomu intellektu s mezhdunarodnym uchastiem (KII‑2023): trudy konferencii (Smolensk, 16–20 oktyabrya 2023 goda): v 2 t. Smolensk: Print-Ekspress, 2023. S. 66–76. Долгий А. И., Ковалев С. М., Колоденкова А. Е. Интерпретируемость и дизайн нечетких интерпретируемых систем // Гибридные и синергетические интеллектуальные системы. 2022. С. 359–364. Dolgiy A. I., Kovalev S. M., Kolodenkova A. E. Interpretiruemost' i dizayn nechetkih interpretiruemyh sistem // Gibridnye i sinergeticheskie intellektual'nye sistemy. 2022. S. 359–364. Долгий А. И., Колоденкова А. Е., Ковалев С. М. Интерпретируемая модель классификатора на основе нечеткой логистической регрессии // Интегрированные модели и мягкие вычисления в искусственном интеллекте: сборник научных трудов XI Международной научно-практической конференции (ИММВ‑2022, Коломна, 16–19 мая 2022 г.): в 2 т. М.: РАИИ, 2022. Т. 1. С. 53–60. Dolgiy A. I., Kolodenkova A. E., Kovalev S. M. Interpretiruemaya model' klassifikatora na osnove nechetkoy logisticheskoy regressii // Integrirovannye modeli i myagkie vychisleniya v iskusstvennom intellekte: sbornik nauchnyh trudov XI Mezhdunarodnoy nauchno-prakticheskoy konferencii (IMMV‑2022, Kolomna, 16–19 maya 2022 g.): v 2 t. M.: RAII, 2022. T. 1. S. 53–60. Angelov P., Zhou X. Evolving fuzzy systems from data streams in real-time // 2006 International Symposium on Evolving Fuzzy Systems. P. 29–35. Angelov P., Zhou X. Evolving fuzzy systems from data streams in real-time // 2006 International Symposium on Evolving Fuzzy Systems. P. 29–35. Hallgrímsson Á. D., Niemann H. H., Lind M. Improved process diagnosis using fault contribution plots from sparse autoencoders // IFAC-PapersOnLine. 2020. Т. 53. No. 2. P. 730–737. Hallgrímsson Á. D., Niemann H. H., Lind M. Improved process diagnosis using fault contribution plots from sparse autoencoders // IFAC-PapersOnLine. 2020. T. 53. No. 2. P. 730–737. Формирование объективных показателей грузовой станции на основе данных «от колеса» / А. Е. Хатламаджиян [и др.] // Автоматика на транспорте. 2024. Т. 10, № 3. С. 254–268. Formirovanie ob'ektivnyh pokazateley gruzovoy stancii na osnove dannyh «ot kolesa» / A. E. Hatlamadzhiyan [i dr.] // Avtomatika na transporte. 2024. T. 10, № 3. S. 254–268.