WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

загрузка...
   Добро пожаловать!

Pages:     | 1 || 3 | 4 |

Отличительной чертой таких терминалов от обычных грузовых станций железнодорожного транспорта общего пользования будет то, что кроме перевалки груза с одного вида транспорта на другой, здесь также предусмотрено управление запасами и спектр дополнительных логистических услуг.

Не имея возможности напрямую влиять на характеристики потребности в запасе, в процессе управления материальным потоком обычно стремятся снизить риски за счет влияния на модель пополнения запаса. В большинстве случаев управление запасами происходит по классическим схемам с применением моделей с фиксированным размером заказа и с фиксированным интервалом времени между заказами, а также их различных производных и сочетаний. Чтобы оптимизировать уровень желаемого запаса в диссертации применяется модель «точно в срок». Преимуществом этой модели является то, что она позволяет минимизировать уровень запаса. Таким образом, предлагаемая модель терминала способна обслуживать достаточно большое для железнодорожных грузовых станций общего пользования количество клиентов, так как уровень запаса хранимых товаров каждого из них будет минимизирован.

Чем меньше время доставки груза, тем меньший уровень запаса потребуется хранить. Сократить общее время доставки можно за счет следующих мероприятий.

Во-первых, сократить непосредственно время транспортировки. Во-вторых, повысив надежность функционирования всех элементов логистической цепочки, можно уменьшить величину отклонения сроков доставки от среднего. То есть при более надежной работе элементов цепочки, в том числе грузовых терминалов, задержки поставок уменьшаться по длительности и частоте. Это позволит сократить размер страхового запаса.

Рис. 1 – Схема движения материального потока на терминале Рассматривая параметр – «время в пути», как внешний неуправляемый параметр для нашей системы, будем управлять параметром – «время нахождения в переработке на станции». Таким образом, допустимые пределы значения этой величины с точки зрения эффективности системы «точно в срок» являются внешним управляющим параметров для технико-технологических параметров функционирования грузовой станции.

В третьей главе произведено моделирование входящего вагонопотока на грузовую станцию железнодорожного транспорта. Входящий вагонопоток здесь принят внешним управляющим параметром для грузовой станции. Основным, применяемым в диссертации методом исследования транспортных потоков, является статистическое моделирование. При использовании стохастических методов главной задачей является определение законов распределения случайных величин, входящих в модель.

Источником статистических данных послужили «натурные листы» грузовой станции общего пользования Свердловского транспортного узла за период, равный восемнадцати месяцам с 31.12.2005 по 31.06.2007. На ее примере устанавливаются параметры вагонопотока входящего на грузовую станцию железнодорожного транспорта общего пользования. Под входящим вагонопотоком понимается поток вагонов, поступающих на грузовую станцию с сортировочной станции, в передаточных поездах.

В диссертации для описания входящего вагонопотока предлагается следующая модель X X(x), S S(s), (1) Li Li(l), (), где использованы случайные величины: X – количество вагонов в передаточном поезде, S – количество передаточных поездов, прибывающих за сутки на железнодорожную грузовую станцию общего пользования, Li – показывает, в какой период суток прибывает очередной передаточный поезд, – время прибытия поезда на станцию.

Режим прибытия поездов на станцию в течение суток не одинаков и зависит от диспетчерских смен, периода суток и общего числа поездов, прибывающих на станцию за сутки. Поэтому моменты прибытия разных передаточных поездов подчиняются в течение суток разным законам распределения Li и. Предложенная математическая модель, описывает вагонопоток, входящий на железнодорожную грузовую станцию со стороны железнодорожного транспорта с учетом его суточной неравномерности, как немарковсий случайный процесс.

Сначала теоретические законы для описания случайных величин, входящих в математическую модель вагонопотока, установлены по выборке данных за полгода в период с 31.12.2005 по 31.06.2006.

Чтобы определить суточное прибытие поездов на станцию использована дискретная случайная величиной S, из предложенной выше модели, которая принимает целые значения от 0 до максимально возможного nед.

Таблица 1 – Закон распределения случайной величины S si 1 2 wi 0,4 0,52 0,Для определения временной характеристики вагонопотока построена гистограмма случайной величины (см. рис. 2). Число интервалов разбиения k для построения вариационного ряда и гистограммы составило 24 по количеству часов в сутках.

n t Рис. 2 – Гистограмма распределения случайной величины Гистограмма, приведенная на рисунке 2, является полимодальной. Такое поведение случайной величины объясняется особенностями технологического процесса. Период с 7:00 до 18:00 часов совпадает с дневной сменой, а с 18:00 до 7:– ночной.

Учитывая различия в технологии работы железнодорожного узла и входящей в него грузовой станции днем и ночью, а также вид графика на рисунке 2, сутки условно разбиты на две части, а статистическая совокупность – на три. Период с 7:до 18:00 часов считается дневной сменой и все, значения, попавшие в данный период, – одной выборкой. Значения, попавшие в ночной период, разбиты на две выборки, ограниченные периодами времени с 18:00 до 24:00 часов и с 0:00 до 7:00 часов.

Для определения параметров законов распределения непрерывных случайных величин в диссертации предложена новая методика, являющаяся адаптированной модификацией метода «минимум хи-квадрат». В соответствии с ней, параметры законов распределения случайных величин определены по методу сгущающейся сетки путем нахождения пары чисел а и (в случае нормального закона) таких, чтобы уровень значимости критерия Пирсона для них был наилучшим из полученных. При этом уровень значимости критерия Колмогорова должен быть не менее 0,05.

Предлагаемая методика применена в диссертации в том случае, когда при определении параметров законов случайных величин метод моментов не работает. В остальных случаях параметры законов определены по методу моментов с проверкой результата с помощью критериев Пирсона, Колмогорова и Вилкоксона.

Установлено, что по используемым критериям нет оснований отвергнуть гипотезу о равномерном распределений случайной величины в период времени с 7:00 до 18:00 часов.

Случайная величина в период времени с 0:00 до 7:00 часов описана нормальным законом распределения с параметрами: a=2,72 и =1,77.

(2,72)21,f() e. (2) 1,77 В период времени с 18:00 до 24:00 часов случайная величина описана нормальным закон с параметрами равными: а=21,36 и =1,19.

(21,36)21,f() e. (3) 1,19 Далее определено, как передаточные поезда будут распределены в течение расчетных суток, т. к. в разное время суток моменты их прибытия распределены по разным законам. Для этого использованы случайные величины Li, показывающие каков закон распределения времени прибытия i-ого за сутки передаточного поезда.

Значениям L1, L2 и L3 соответствуют периоды суток соответственно с 0:00 до 7:00, с 7:00 до 18:00 и с 18:00 до 24:00 часов.

Таблица 2 – Законы распределения случайной величины Li Li L1 L2 LLwi 0,37 0,56 0,Lwi 0,77 0,23 - Lwi - 0,67 0,Lwi 0,93 0,07 - Lwi - 0,07 0,В тех случаях, когда в сутки прибывало 3 поезда, второй поезд всегда прибывал в период суток L2.

С точки зрения использованного критерия оптимальности, наилучший результат для закона распределения количества вагонов в прибывающих на станцию поездах достигается при значениях параметров нормального закона: а=33,3 и =7,31.

При разыгрывании случайной величины X область ее определения справа ограничена значением 44, т. к. это максимально возможная длина состава поезда исследуемой станции.

(x33,3)27,f(x) e. (4) 7,31 Созданная модель позволяет моделировать моменты прибытия поездов на станцию с учетом особенностей внутриузлового графика движения, режима работы сортировочной станции, формирующей передаточные поезда, и самой грузовой станции. При этом влияние перечисленных факторов отображается как воздействие внешней среды на работу станции. Внешняя по отношению к железнодорожной грузовой станции среда считается неуправляемой и представляется как «черный ящик» с выходящим потоком, имеющим стохастический характер. Реализация этой математической модели осуществляется в четвертой главе диссертации путем построения имитационной модели.

Однако для повышения точности и достоверности прогнозных оценок целесообразно использование нескольких подходов прогнозирования с применением альтернативных источников информации.

Возможность произвести аппроксимацию эмпирических данных с помощью известных теоретических законов распределения случайной величины имеется не всегда.

Распределение моментов прибытия поездов на грузовую станцию общего пользования Свердловского железнодорожного узла (рис. 2) представляет собой временную характеристику вагонопотока. Как отмечалось выше, эти данные неоднородны. Поэтому, чтобы определить аппроксимирующую функцию для эмпирических данных, потребовалось их реструктуризировать. Для этого применена методика, которую предложил немецкий ученый Г. Поттгофф (G. Potthoff). Однако в первоначальном виде применение этой методики не дало положительных результатов, так как подобрать подходящее аналитическое выражение не удалось.

С учетом предложенных в диссертации изменений данная методика получает следующий вид. Определяется процент поездов D от общего суточного поступления, прибывающих в каждый час y. Суммируя проценты каждого часа, получается количество часов за сутки, в течение которых не будет превышен процент D.

Подобрав аппроксимирующую функцию и определив ее параметры по методу наименьших квадратов, получили функцию вида:

y 24 1,519D0,591 (5).

В качестве еще одного альтернативного подхода к построению модели вагонопотока были использованы ряды Фурье. Тогда для аппроксимации эмпирических данных можно использовать не теоретическую функцию, а отрезок ряда, который служит в модели в качестве закона распределения случайной величины.

Определение коэффициентов Фурье производится с помощью вычисления определенного интеграла по методу Симпсона.

Из таблицы 3 видно, что, начиная с N=7, дальнейшее увеличение количества членов ряда не приводит к значительному уменьшению среднего квадратичного уклонения. Таким образом, время прибытия поезда на станцию описано с помощью отрезка ряда Фурье из 7 первых членов (рис. 3).

Из таблицы 3 видно, что, начиная с N=7, дальнейшее увеличение количества членов ряда не приводит к значительному уменьшению среднего квадратичного уклонения. Таким образом, время прибытия поезда на станцию описано с помощью отрезка ряда Фурье из 7 первых членов (рис. 3).

Таблица 3 – Изменение среднего квадратичного уклонения в зависимости от количества членов ряда Фурье Количество членов Среднее квадратичное Изменение приращения ряда, N уклонение, i среднего квадратичного уклонения (точность до 0,001), i 4 0,016 5 0,015 0,6 0,011 0,7 0,01 0,8 0,01 Таблица 4– Коэффициенты отрезка ряда Фурье A0 A1 B1 A2 B2 A3 B0,0842 0,0052 0,0001 0,0000 0,0000 0,0000 0,A4 B4 A5 B5 A6 B6 - --0,0115 -0,0005 -0,0015 0,0000 0,0051 -0,0014 _ n,% 0,0,0,0,0,0,0,0,t,ч Эмпирическая функция Ряд Фурье Рис. 3 – Отрезок ряда Фурье с 7-ю членами К преимуществам метода основанного на применении рядов Фурье для создания модели вагонопотока относится то, что с ростом количества членов ряда отклонение его значений от эмпирической функции уменьшается. То есть с помощью такого ряда можно аппроксимировать практически любую функцию колебательного процесса.

В четвертой главе построена имитационная модель вагонопотока и работы грузовой станции железнодорожного транспорта по выгрузке.

Реализация модели осуществлена в среде программирования Matlab. Текст программы приведен в приложении к диссертации.

Адекватность модели установлена путем проверки однородности статистических данных и моделированных вариационных рядов по критерию Вилкоксона (таблица 5). При критическом уровне значимости критерия Вилкоксона 0,05 нет оснований отвергнуть гипотезу о том, что эмпирические и смоделированные выборки однородны. Из таблицы 5 видно, что неудовлетворительное значение критерия Вилкоксона при 30 экспериментальных испытаниях встречается только один раз в опыте №15. Это значит, что гипотезы не противоречат опытным данным и их можно принять.

Таблица 5 – Уровень значимости критерия Вилкоксона для прогнозных данных имитационной модели Уровень значимости критерия Вилкоксона Период моделирования, № эксперимента дней Вагоны Время 1 Время 2 Время 1 1000 0,678 0,570 0,302 0,2 1000 0,959 0,806 0,276 0,… -/- … … … … 15 1000 0,680 0,996 0,032 0,… -/- … … … … 30 1000 0,723 0,569 0,558 0,Далее выполнена оценка влияния увеличения объема статистических данных на качество прогноза. Период отчетных данных для выборки был увеличен с 6-ти до 18ти месяцев. Качество прогноза с помощью модели по критерию Вилкоксона осталось удовлетворительным. Однако уровни значимости критерия Вилкоксона снизились для разных случайных величин в разной мере.

Дополнительный анализ показал, что качество прогноза можно улучшить путем уточнения имитационной модели. В диссертации для уточнения модели потребовалось разбить период прибытия поездов L1 на два отдельных периода.

Первый период суток с отдельным законом распределения моментов прибытия поездов при новом разбиении будет заключен в промежутке с 0 до 4,50 часов, второй – с 4,00 до 6,50 часов.

Общее количество периодов с отличным от других характером распределения моментов прибытия поездов равно четырем (рис. 4).

Законы распределения после уточнения приняли следующий вид. Для случайных величин S и Li они читаются с графа имитационной модели (рис. 4).

Для первого периода суток с 0,00 ч до 4,50 часов случайная величина описывается нормальным законом с параметрами: a=2,3 и =1,4. Во второй период суток – с 4,00 до 6,50 часов она описывается нормальным законом с параметрами:

a=5,19 и =0,54. В период времени с 6,50 до 7,00 часов – технологический перерыв и поезда не прибывают.

Количество вагонов в составе поезда представляются совокупностью двух – нормального и равномерного. К нормальному закону в интервале от 35 до 42 вагонов осуществляется добавка в виде равномерного закона.

Pages:     | 1 || 3 | 4 |






© 2011 www.dissers.ru - «Бесплатная электронная библиотека»