Интеллектуальный мониторинг перевозочных процессов на основе динамического метода главных компонент

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.

1. Аналитический 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.

2. 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.

3. 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.

4. 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.

5. 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.

6. 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.

7. 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.

8. 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.

9. 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.

10. 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.

11. 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.

12. 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.

13. 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.

14. 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.