vrgupВестник Ростовского государственного университета путей сообщенияVestnik Rostovskogo Gosudarstvennogo Universiteta Putej Soobshcheniya0201-727XРостовский государственный университет путей сообщения10.46973/0201-727X_2023_2_240vrgup-115Research ArticleИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ, АВТОМАТИКА И ТЕЛЕКОММУНИКАЦИИINFORMATION TECHNOLOGIES, AUTOMATION AND TELECOMMUNICATIONSИнтеллектуальный мониторинг перевозочных процессов на основе динамического метода главных компонентIntelligent monitoring of the transportation processes based on the dynamic method of principal componentsДолгийА. И.DolgiyA. I.

Долгий Александр Игоревич - кандидат технических наук, доцент, генеральный директор

Dolgiy Alexander Igorevich - Candidate of Engineering Sciences, Associate Professor, General Manager

info@vniias.ruКовалевС. М.KovalevS. M.

Ковалев Сергей Михайлович - РГУПС, кафедра «Автоматика и телемеханика на железнодорожном транспорте», профессор, РостФ НИИАС, главный научный сотрудник, док тор технических наук, профессор

Kovalev Sergey Mikhaylovich - RSTU, Chair «Automatics and Remote Control on Railway Transport», Professor, JSC «NIIAS», Rostov Branch, Chief Scientific Researcher, Doctor of Engineering Sciences, Professor

ksm@rfniias.ruГудаА. Н.GudaA. N.

Гуда Александр Николаевич - кафедра «Информатика», доктор технических наук, профессор, заведующий кафедрой, проректор по научной работе

Guda Alexander Nikolayevich - Chair «Informatics», Doctor of Engineering Sciences, Professor, Head of the Chair, Vice Rector for Scientific Research

guda@rgups.ruАО «Научно-исследовательский и проектно-конструкторский институт информатизации, автоматизации и связи на железнодорожном транспорте» (НИИАС)JSC «NIIAS»Ростовский государственный университет путей сообщения (РГУПС); Ростовский филиал АО «Научно-исследовательский и проектно-конструкторский институт информатизации, автоматизации и связи на железнодорожном транспорте» (РостФ НИИАС)Rostov State Transport University (RSTU); JSC «NIIAS», Rostov BranchРостовский государственный университет путей сообщения (РГУПС)Rostov State Transport University (RSTU)20233006202302240251Copyright © Долгий А.И., Ковалев С.М., Гуда А.Н., 20232023Долгий А.И., Ковалев С.М., Гуда А.Н.Dolgiy A.I., Kovalev S.M., Guda A.N.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.rgups.ru/jour/article/view/115

Рассматривается новая технология интеллектуального мониторинга процессов железнодорожных перевозок с использованием динамического метода главных компонент. Она включает рекурсивный алгоритм вычисления главных признаков и три статистических критерия, используемых в механизме принятия решений. Применение предложенной схемы демонстрирует реализуемость и эффективность рекурсивных алгоритмов адаптивного мониторинга сложных слабоформализованных процессов в онлайн-режиме.

Поскольку в большинстве технологических процессов происходят медленные, эволюционирующие изменения, такие как старение напольного оборудования, дрейфы датчиков, периодическое обслуживание и модернизация технических средств, ожидается, что предложенная в статье схема адаптивного мониторинга найдет широкое применение на железнодорожном транспорте.

The paper considers a new technology for intelligent monitoring of the railway transportation processes using the dynamic method of principal components. It includes a recursive principal feature calculation algorithm and three statistical criteria used in the decision engine. The application of the proposed scheme demonstrates the feasibility and efficiency of recursive algorithms for adaptive monitoring of complex poorly formalized processes in online mode.

Whereas the most technological processes undergo slow, evolving changes, such as aging of floor equipment, sensor drifts, periodic maintenance and modernization of technical equipment, it is expected that the adaptive monitoring scheme proposed in the article will be widely used in railway transport.

интеллектуальный мониторингрекурсивный алгоритм вычисленияпотоковые данныеслабоформализованные процессысортировочные станцииинтеллектуальный анализмашинное обучениеобъем перевозокпропускная способностьintelligent monitoringrecursive calculation algorithmstreaming datapoorly formalized processesmarshalling yardsintelligent analysismachine learningtraffic volumethroughputReferencesАналитический обзор трудов конференции IITI’19 / С. М. Ковалев, В. Снашел, А. Н. Гуда [и др.] // Вестник Ростовского государственного университета путей сообщения. – 2020. – № 3. – С. 86–105. – DOI: 10.46973/0201– 727X_2020_3_86.Analytical review of the proceedings of the IITI’19 conference / S. M. Kovalev, V. Snashel, A. N. Guda [et al.] // Vestnik Rostovskogo Gosudarstvennogo Universiteta Putey Soobshcheniya. – 2020. – No. 3. – P. 86–105. – DOI: 10.46973/0201–727X_2020_3_86.Dolgiy, A. Intelligent Models for State Assessment and Behavior Prediction in Railway Processes Based on Descriptive Analytics and Soft Computing / A. Dolgiy, A. Khramtsov, S. Kovalev // Proceedings of the Sixth International Scientific Conference “Intelligent Information Technologies for Industry”(IITI’22). – Cham : Springer International Publishing, 2022. – P. 358–368. – ISBN 978-3-031-19619-5.Dolgiy, A. Intelligent Models for State Assessment and Behavior Prediction in Railway Processes Based on Descriptive Analytics and Soft Computing / A. Dolgiy, A. Khramtsov, S. Kovalev // Proceedings of the Sixth International Scientific Conference “Intelligent Information Technologies for Industry”(IITI’22). – Cham: Springer International Publishing, 2022. – P. 358–368. – ISBN 978-3-031-19619-5.Khatlamadzhiyan, A. E. Cognitive Measurements and Predictive Analytics for Railway Infrastructure Components / A. E. Khatlamadzhiyan, S. M. Kovalev, V. B. Tarassov // International Conference on Intelligent Information Technologies for Industry. – Springer, Cham, 2021. – P. 513–526. – ISSN 2367-3370.Khatlamadzhiyan, A. E. Cognitive Measurements and Predictive Analytics for Railway Infrastructure Components / A. E. Khatlamadzhiyan, S. M. Kovalev, V. B. Tarassov // International Conference on Intelligent Information Technologies for Industry. – Springer, Cham, 2021. – P. 513–526. – ISSN 2367-3370.Laiton-Bonadiez, C. Industry 4.0 technologies applied to the rail transportation industry : A systematic review / C. Laiton-Bonadiez // Sensors. – 2022. – Т. 22. – No. 7. – P. 2491. – DOI: 10.3390/s22072491.Laiton-Bonadiez, C. Industry 4.0 technologies applied to the rail transportation industry: A systematic review / C. Laiton-Bonadiez // Sensors. – 2022. – Т. 22. – No. 7. – P. 2491. – DOI: 10.3390/s22072491.Levin, D. Yu. Dispatch control of car flows / D. Yu. Levin // Intelligent control systems in railway transport. Computer and mathematical modeling (ISUZhT–2019). – 2019. – P. 51–58. – ISSN 1992-3252.Levin, D. Yu. Dispatch control of car flows / D. Yu. Levin // Intelligent control systems in railway transport. Computer and mathematical modeling (ISUZhT–2019). – 2019. – P. 51–58. – ISSN 1992-3252.PCA-SVM-based automated fault detection and diagnosis (AFDD) for vapor-compression refrigeration systems / H. Han, Z. Cao, B. Gu, N. Ren // HVAC&R Res. 16 (2010). – P. 295–313. – DOI: 10.1080/10789669.2010.10390906.PCA-SVM-based automated fault detection and diagnosis (AFDD) for vapor-compression refrigeration systems / H. Han, Z. Cao, B. Gu, N. Ren // HVAC&R Res. 16 (2010). – P. 295–313. – DOI: 10.1080/10789669.2010.10390906.Wang, J. A new subspace identification approach based on principle component analysis / J. Wang and S. J. Qin // Journal of Process Control. – 2002. – Vol. 12, No. 8. – P. 841–855. – DOI: 10.1016/S0959-1524(02)00016-1.Wang, J. A new subspace identification approach based on principle component analysis / J. Wang and S. J. Qin // Journal of Process Control. – 2002. – Vol. 12, No. 8. – P. 841–855. – DOI: 10.1016/S0959-1524(02)00016-1.Moving window kernel PCA for adaptive monitoring of nonlinear processes / X. Liu, U. Kruger, T. Littler [et al.] // Chemometrics and Intelligent Laboratory Systems. – 2009. – Vol. 96, No. 2. – P. 132–143. – DOI: 10.1016/j.chemolab.2009.01.002.Moving window kernel PCA for adaptive monitoring of nonlinear processes / X. Liu, U. Kruger, T. Littler [et al.] // Chemometrics and Intelligent Laboratory Systems. – 2009. – Vol. 96, No. 2. – P. 132–143. – DOI: 10.1016/j.chemolab.2009.01.002.Rannar, S. Adaptive batch monitoring using hierarchical PCA / S. Rannar, J. MacGregor and S. Wold // Chemometrics and Intelligent Laboratory Systems. – 1998. – Vol. 41, No. 1. – P. 73–81. – DOI: 10.1002/cem.678.Rannar, S. Adaptive batch monitoring using hierarchical PCA / S. Rannar, J. MacGregor and S. Wold // Chemometrics and Intelligent Laboratory Systems. – 1998. – Vol. 41, No. 1. – P. 73–81. – DOI: 10.1002/cem.678.Qin, S. J. Recursive PLS algorithms for adaptive data modeling / S. J. Qin // Computers & Chemical Engineering. – 1998. – Vol. 22, No. 4–5. – P. 503–514. – DOI: 10.1016/S00981354(97)00262-7.Qin, S. J. Recursive PLS algorithms for adaptive data modeling / S. J. Qin // Computers & Chemical Engineering. – 1998. – Vol. 22, No. 4–5. – P. 503–514. – DOI: 10.1016/S00981354(97)00262-7.Recursive PCA for adaptive process monitoring / W. Li, H. Yue, S. Valle-Cervantes and S. Qin. Journal of Process Control. – 2000. – Vol. 10, No. 5. – P. 471–486. – DOI: 10.1016/S09591524(00)00022-6.Recursive PCA for adaptive process monitoring / W. Li, H. Yue, S. Valle-Cervantes and S. Qin. Journal of Process Control. – 2000. – Vol. 10, No. 5. – P. 471–486. – DOI: 10.1016/S09591524(00)00022-6.Efficient recursive PCA algorithms for process monitoring / L. Elshenawy, S. Yin, A. Naik and S. Ding // Industrial Engineering Research. – 2010. – Vol. 49, No. 1. – P. 252–259. – DOI: 10.1021/ie900720w.Efficient recursive PCA algorithms for process monitoring / L. Elshenawy, S. Yin, A. Naik and S. Ding // Industrial Engineering Research. – 2010. – Vol. 49, No. 1. – P. 252–259. – DOI: 10.1021/ie900720w.A simplified recursive dynamic PCA based monitoring scheme for imperial smelting process / Z. Hu [et al.] // International Journal of Innovative Computing, Information and Control. – 2012. – V. 8, No. 4. – P. 2551–2561 – ISSN 1349-4198.A simplified recursive dynamic PCA based monitoring scheme for imperial smelting process / Z. Hu [et al.] // International Journal of Innovative Computing, Information and Control. – 2012. – V. 8, No. 4. – P. 2551–2561 – ISSN 1349-4198.Kovalev, S. Incremental Structure-Evolving Intelligent Systems with Advanced Interpretational Properties / S. Kovalev, A. Kolodenkova, A. Sukhanov // Artificial Intelligence. RCAI 2020. Lecture Notes in Computer Science, Vol 12412. – 2020. – Springer, Cham. – ISSN 0302-9743.Kovalev, S. Incremental Structure-Evolving Intelligent Systems with Advanced Interpretational Properties / S. Kovalev, A. Kolodenkova, A. Sukhanov // Artificial Intelligence. RCAI 2020. Lecture Notes in Computer Science, Vol 12412. – 2020. – Springer, Cham. – ISSN 0302-9743.

The authors declare that there are no conflicts of interest present.