Модульное проектирование процесса установки ПЖД

Дальнейший этап должен проводиться на натурном объекте или его имитации. Так как натурный эксперимент затруднителен, построим имитационную модель объекта управления, в котором были бы описаны все процессы, протекающие в среде и объекте управления.

Для достижения целей субъекта необходимо построить модель, в которой  транспортный поток характеризуется соотношением в нем транспортных средств различного типа. Оценка состава транспортного потока осуществляется, в основном, по процентному составу или доле транспортных средств различных типов. Этот показатель оказывает значительное влияние на все параметры дорожного движения. Вместе с тем состав транспортного потока в значительной степени отражает общий состав парка автомобилей в данном регионе. Состав транспортного потока влияет на загрузку дорог, что объясняется, прежде всего, существенной разницей в габаритных размерах автомобилей. Если длина отечественных легковых автомобилей 4-5 м, грузовых 6-8, то длина автобусов достигает 11, а автопоездов 24 м. Сочлененный автобус имеет длину 16,5 м.

Но в нашем случае габаритные размеры автомобилей играют не существенную роль, но на загрузку дорог влияет число автотранспортных средств всех категорий на участке УДС.

Так как в программном  средстве AnyLogic имитацию ДТП произвести затруднительно, обратимся к функции вероятности возникновения ДТП, которая отражает эффективность управления транспортным потоком.

Тогда, в качестве главного ключевого показателя эффективности (или по другому, информирующей связи y) возьмем вероятность возникновения ДТП.

Покажем на имитационной модели функцию вероятности возникновения  ДТП, описав её в виде зависимых между  собой динамических переменных и  параметров (Рисунок 4).

Рисунок 4. Функция вероятности  возникновения ДТП

Где ProbabilityOccurrence = CongestionNetwork + FlatnessСovering + +Influence является вероятностью возникновения ДТП.

CongestionNetwork = QuantityCars/(Throughput*DividingLanes) – загрузка сети.

Throughput = 400 – пропускная способность одной разделительной полосы на всем участке УДС.

DividingLanes = 6 – количество разделительных полос на всем участке УДС.

QuantityCars – количество автомобилей в сети.

FlatnessСovering = RepairRoad() – ровность дорожного покрытия

Influence=WeatherInfluence() + PlantingsInfluence() + TechnicalInfluence() + + AgeInfluence() – влияние на вероятность возникновения ДТП различных факторов.

Факторы, влияющие с определенной степенью на вероятность возникновения  ДТП, описываются в виде параметров и функций (Рисунок 5).

Рисунок 5. Параметры и  функции, генерирующие влияние на возникновение ДТП и интенсивность появления АТС и пассажиров

Где sheduleLehkAvto – интенсивность прибытия индивидуального транспорта, SheduleGrus - интенсивность прибытия грузового транспорта, sheduleBus - интенсивность прибытия пассажирского транспорта, shedulePass - интенсивность прибытия пассажиров на остановочные пункты.

VidAvto = if (v<=ProbabilityOccurrence) {return 2;} else {return 1;}  – распределяет виды транспорта. Здесь два вида транспорта: 1 – не попадет в ДТП, 2 – вероятнее всего попадет в ДТП.

streamBegining – генерирует начало выхода индивидуальных и грузовых автомобилей,

Параметр beginning – принимает значение от 1 до 32 из PositionLechGruz (место входа и выхода потока) в зависимости от генерации streamBegining.

streamEnd - генерирует конец потока индивидуальных и грузовых автомобилей.

Параметр end – принимает значение от 1 до 32 из PositionLechGruz (Рисунок 6) в зависимости от генерации streamEnd.

Setcolor = if (vidAvto==1) {return green;} else {return red;} – генерирует цвет заявки в зависимости от вида. vidAvto – принимает значение 1 или 2 в зависимости от генерации VidAvto.

RepairRoad = if (CoveringRepair==0) {return 0.10;} else {return 0;} – генерирует ровность дороги и её влияние на возникновение ДТП в зависимости от ремонта дорог CoveringRepair равной 0 – не ремонт или 1 – ремонт.

Speed_avto – генерирует скорость автомобиля, зависит от вида транспорта, дорожных знаков регулируемых скорость (параметр Signs принимает значение 0 - нет, 1 – есть) и патрульного экипажа (параметр PatrolCrew принимает значение 0 - нет, 1 – есть). Параметр SpeedTraffic обозначает скорость заданную дорожным знаком ограничивающим скорость движения. Параметр avtoSpeed принимает значения генерируемые Speed_avto.

WeatherConditions и WeatherInfluence – генерируют погоду и влияние погодных условий на возникновение ДТП, зависят от параметра weather (принимает значения: 0 – хорошие погодные условия, 1- дождь, 2 – снег, 3 – туман, 4 – сильный ветер, 5 – град) (Рисунок 6).

PlantingsInfluence – генерирует влияние зеленых насаждений (параметр GreenPlantings принимает значение 1 –есть, 0 –нет) на возникновение ДТП.

TechnicalInfluence – генерирует влияние технического состояния автомобиля на функцию ProbabilityOccurrence, зависит от параметра TechnicalCondition (0 – отличное состояние, 1-удовлетворительное состояние, 2-неудовлетворительное состояние автомобиля).

AgeAvtomobile – генерирует возрастную структура парка транспортного потока. Параметр age принимает значение генерируемое AgeAvtomobile.

AgeInfluence – генерирует влияние возраста автомобиля на возникновение ДТП, зависит от age.

PositionStopplace – коллекция мест возникновения пассажиропотока.

PassengerTraffic_7_205_213_206 – генерирует пассажиропоток на маршруты 7, 205, 213 и 206 на данном участке УДС.

PositionBus_7_205_213_206 – коллекция остановочных пунктов маршрутов 7, 205, 213 и 206.

Для наглядного представления  объекта управления в программной  среде AnyLogic, воспользуемся моделированием транспортных сетей (Рисунок 7, 8).

Рисунок 6. Параметры активного класса объекта Main

Рисунок 7. Транспортная сеть

Рисунок 8. Транспортная сеть (продолжение)

Где network - задает топологию сети и управляет сетевыми ресурсами networkRPBus (пассажирский транспорт). Задав группу фигур сети  groupnetwork (Рисунок 9) перемещает ресурсы и заявки по сети.

Рисунок 9. Группа фигур сети

sourceLehk, sourceGruz, sourceBus_7_205_213_206 – генерирует заявки следующих типов: индивидуальный транспорт по таблице интенсивности sheduleLehkAvto, грузовой по SheduleGrus и пассажирский транспорт по sheduleBus.

sourcePass – генерирует пассажиров по таблице интенсивности shedulePass.

networkEnterLehk, networkEnterGruz, networkEnter, networkEnter1 – добавляет новые заявки в сеть network.

networkMoveToLehk, networkMoveToGruz, networkMoveTo – перемещает заявки или ресурсы в заданные узлы сети groupnetwork.

networkSeize – захватывает для заявки ресурсы networkRPBus.

exit = ((Bus)entity).i + +; if (((Bus)entity).i < 26) {peregon.get ( ((Bus)entity).i). enter.take(entity);} else {enter1.take(entity);} – перемещает заявку в определенное место по условию. Где Bus – класс заявки пассажирского транспорта, i = 1 … 26 – его переменная, обозначающая число перегонов между остановочными пунктами, peregon – репликационный объект активного класса объекта Peregon (Рисунок 10).

exit1 = ((Bus)entity).i=0;  peregon.get(((Bus)entity).i).enter.take(entity); – оправляет заявки в первый реплицированный объект peregon.

exit2 = if (((Passenger)entity).i==0) {peregon.get(0).enter1.take(entity);} else if (((Passenger)entity).i==1) {peregon.get(1).enter1.take(entity);} else и т.д.  – отправляет пассажиров в соответствующий Peregon.

Passenger – класс заявки с переменной i (номер остановки).

Рисунок 10. Активный класс  объекта Peregon

enter1 - вставляет уже существующие заявки и ресурсы в определенное место внутри процесса, заданного потоковой диаграммой.

networkRelease – освобождает ранее захваченные ресурсы networkRPBus.

networkExitLehk, networkExitGruz, networkExit – извлекает ранее добавленные заявки и ресурсы из сети network

sinkLehk, sinkGruz, sink – удаляет ранее добавленные заявки.

На рисунке 10 networkMT – перемещает заявки в узел get_Main().PositionBus_7_205_213_206.get(((Bus)entity).i).

queue, queue1 – очередь.

delay, delay1 – имитирует ожидание.

dropoff – освобождает ресурс  networkRPBus от ранее захваченных заявок типа Passenger.

pickup – подбирает заявки  типа Passenger.

Запустив модель, мы видим (Рисунок 11), что модель адекватна  объекту управления. Поэтому мы можем  приступить к планированию экспериментов.

Рисунок 11. Имитационная модель

На рисунке 11, красным  показаны автомобили, которые имеют  большую вероятность попадания  в ДТП, зеленным, которые имеют  нулевую вероятность попадания  в ДТП, синим – пассажиропоток.

 

4. Планирование экспериментов

Этап планирования экспериментов  с объектом связан с необходимостью определить параметры влияния на выход Y тех входов объекта, которые не варьируются при его нормальной работе, т.е. без управления.

Выделим следующие этапы  планирования экспериментов:

1. Матрица полного трехфакторного эксперимента.
2. Регрессионный анализ

Рассмотрим их подробнее.

1. Заполнение матрицы полного трехфакторного эксперимента

На этапе структурного синтеза модели была выявлена статическая  структура, которая раскрывает взаимосвязи  контролируемых, управляемых связей и параметров объекта. Поэтому далее  в качестве факторов будем подразумевать  управляемые связи.

Для заполнения матрицы полного  трехфакторного эксперимента необходимо определить диапазон изменений факторов:

 

что подразумевает: 0 – нет  зеленых насаждений, 1 – есть зеленые  насаждения.

 

здесь 0 – нет дорожных знаков ограничивающих скорость движения, 1 – есть дорожные знаки ограничивающие скорость движения.

 

где 0 – убрать патрульный экипаж с участка УДС, 1 – выставить патрульный экипаж на участке УДС.

 

здесь 0 – ремонт не планируется, 1 – ремонт производиться.

 

здесь 6, 8 – количество разделительных полос движения.

Для каждого из факторов определены граничные значения (диапазоны  изменения факторов), которые в  совокупности задают область определения  функции.

Для полного трехфакторного эксперимента, т.е. полного факторного эксперимента (ПФЭ) 2³ число уровней фиксирования факторов равно 2, число факторов равно трем (n=3), поэтому возьмем три фактора наиболее предпочтительных, по мнению экспертов, Значения кодированных факторов выбираются в виде +1 и –1. Полное число возможных сочетаний значений n факторов (число опытов, а значит и число строк плана) U=2³=8. Составляется план, в котором число столбцов факторов и их сочетаний равняется числу членов уравнения.

Поскольку полный трехфакторный  эксперимент, возьмем три

Поскольку число сочетаний  в плане ПФЭ меньше, чем полное возможное число сочетаний: , необходимо произвести масштабирование факторов. Это достигается путем кодирования факторов, в результате которого факторы принимают всего два значения: -1 и +1. Данный процесс выполняется согласно формуле:

, тогда 

, тогда 

, тогда 

 

 

 

Тогда функция отклика  выражается через кодированные факторы  следующим образом:

Так, уравнение

Преобразуется в уравнение

План ПФЭ 2³ для этого уравнения представлен в таблице 10.

Элементы столбцов соответствующих  произведениям факторов получаются путем перемножения элементов предыдущих столбцов. Такое правило позволяет  гарантировать, что не пропущено  ни одного возможного сочетания факторов в опытах и в то же время не будет повторений одинаковых сочетаний. Столбцы, обведенные утолщенной рамкой, образуют план эксперимента. Столбцы  х₁х₂, х₁х₃, х₂х₃, х₁х₂х₃, не обведенные утолщенной рамкой, при проведении опытов носят вспомогательный характер.

Таким образом, построен полный факторный эксперимент 2³. Он имеет восемь опытов и включает все возможные комбинации уровней трех факторов.

При выполнении серии экспериментов  на имитационной модели были получены данные для каждого сочетания  факторов согласно плану полного  факторного эксперимента, где в качестве значений факторов выбирались граничные  значения их диапазонов. Значения целевой функции при проведении серии экспериментов показаны в таблице 10.

Таблица 10.

Полный факторный эксперимент  для трех факторов

i	0	1	2	3	4	5	6	7	8
U	x0	x1	x2	x3	x1x2	x1x3	x2x3	x1x2x3	Y
1	1	1	1	1	1	1	1	1	0,522
2	1	-1	-1	-1	1	1	1	-1	0,477
3	1	1	-1	1	-1	1	-1	-1	0,386
4	1	-1	1	1	-1	-1	1	-1	0,525
5	1	-1	1	-1	-1	1	-1	1	0,489
6	1	1	1	-1	1	-1	-1	-1	0,444
7	1	1	-1	-1	-1	-1	1	1	0,306
8	1	-1	-1	1	1	-1	-1	1	0,386
	8	0	0	0	0	0	0	0