Бакалавр
Дипломные и курсовые на заказ

Автоматизация технологического процесса производства полиэтилена на базе нейросетевой идентификации индекса расплава

Диссертация: Автоматизация технологического процесса производства полиэтилена на базе нейросетевой идентификации индекса расплава
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

На основе анализа существующих технологических процессов производства полиэтилена и методов и средств определения индекса расплава сформулированы цель и задачи работы. В частности, показано, что для повышения качества выпускаемых полимеров и осуществления возможности построения автоматизированной системы управления необходимо решить задачу автоматизации процесса идентификации ИР в реальном… Читать ещё >

Содержание

  • 1. Анализ существующих методов идентификации индекса расплава полиэтилена
    • 1. 1. Проблема автоматизации управления технологическим процессом производства полиэтилена
    • 1. 2. Лабораторные методы определения индекса расплава полиэтилена
    • 1. 3. Метод определения индекса расплава полиэтилена в реальном масштабе времени
    • 1. 4. Анализ методов и средств искусственного интеллекта применительно к задаче идентификации индекса расплава полиэтилена
      • 1. 4. 1. Экспертные системы
      • 1. 4. 2. Виды нейронных сетей
    • 1. 5. Цель и задачи исследования
  • Выводы
  • 2. Анализ параметров, характеризующих технологический процесс идентификации индекса расплава полиэтилена
    • 2. 1. Составление базы данных для анализа параметров технологического процесса производства полиэтилена
    • 2. 2. Анализ частотных характеристик измеряемых параметров
    • 2. 3. Методика построения фильтров сигналов с датчиков параметров технологического процесса
      • 2. 3. 1. Эмпирическое определение структуры и параметров фильтра
      • 2. 3. 2. Анализ погрешности, вносимой фильтрацией в исходный сигнал
    • 2. 4. Анализ временных характеристик сигналов и их представление в виде полиномиальных моделей
    • 2. 5. Обоснование требований к точности нейросетевого идентификатора ИР
  • Выводы
  • 3. Исследование возможности применения НС для идентификации индекса расплава полиэтилена
    • 3. 1. Выбор архитектуры сети
    • 3. 2. Выбор структуры НС
    • 3. 3. Способ определения ИР
    • 3. 4. Оптимизация параметров фильтров
    • 3. 5. Результаты обучения
  • Выводы
  • 4. Техническая реализация микропроцессорного устройства для идентификации индекса расплава полиэтилена и перспективы автоматизации процесса управления производством полиэтилена
    • 4. 1. Разработка функциональной схемы устройства
    • 4. 2. Особенности реализации устройства
    • 4. 3. Программное обеспечение процесса определения ИР и внедрение результатов исследований
      • 4. 3. 1. ПО высокого уровня для сбора данных
      • 4. 3. 2. ПО высокого уровня для моделирования работы НС
      • 4. 3. 3. ПО микроконтроллера
    • 4. 4. Внедрение результатов исследований
    • 4. 5. Перспективы применения полученных в работе результатов для автоматизации процесса управления производством полиэтилена
  • Выводы

Автоматизация технологического процесса производства полиэтилена на базе нейросетевой идентификации индекса расплава (реферат, курсовая, диплом, контрольная)

Актуальность темы

.

В последние годы мировой рост цен на нефть и другие энергоресурсы вызывает все более бережное отношение к своим национальным богатствам и более рациональному их использованию. В частности, это связано с более глубокой переработкой нефти, газа, угля и других энергоносителей, а не просто использование их в качестве топлива.

Высокие темпы развития нефтехимической промышленности во многом обусловлены растущими потребностями мировой экономики в различных пластмассах и полимерных материалах, производство которых во всем мире за 2004 достигло 185 млн. т, причем около 65 млн. т составляет полиэтилен [6].

Получение пластмасс и полимеров с заданными свойствами требует сложного технологического оборудования с многосвязными и многоуровневыми системами автоматического управления технологическим процессом (АСУ ТП). Большой вклад в развитие теории таких систем внесли отечественные ученые И. В. Анисимов, B.C. Балакирев, Т. А. Бережинский, А. Р. Беляева, А. И. Бояринов,.

A.П. Веревкин, В. М. Володин, О. В. Голованов, В. А. Голубятников,.

B.В. Кафаров, В. П. Кривошеев, В. П. Мешалкин, Г. М. Островский, A.M. Цирлин, и др.

Если системы автоматического управления первого уровня обеспечивают сбор информации, поддержание технологических параметров на заданных значениях (уставках), сигнализируют о превышении предельно допустимых значений и т. д., то основным требованием сегодняшнего дня при проектировании АСУТП является управление по показателям качества и технико-экономической эффективности, что обеспечивается системами второго и третьего уровней (SCADA — системы) [114]. Существуют универсальные комплексные системы, позволяющие моделировать и оптимизировать весь процесс производства, например системы фирм SIMSCI, Shell Global Solutions, Combustion Engineering Simeon, SETPOINT, ChemShare, ELF и др., однако исчерпывающей информации по организации автоматического управления производством полиэтилена по показаниям индекса расплава в литературе не приводится.

Сегодня в мире выпускается несколько видов полиэтилена и сополимеров: полиэтилен низкой плотности (ПЭНП), полиэтилен высокой плотности (ПЭВП), линейный полиэтилен (ЛПЭНП), металлоценовый полиэтилен и СЭВИЛЕН. В России видовая структура этого полимера ограничена только ПЭНП, ПЭВП и СЭВИЛЕНом.

Ведущими фирмами на российском рынке ПЭНП являются «Казаньоргситез», «Томский нефтехимический комбинат», «Уфаорг-синтез», «Ангарский завод полимеров», «Салаватнефтеоргсинтез», «Нефтехимсевилен». Безусловный лидер отрасли — «Казаньорсинтез», который выпускает как ПЭНП, так и ПЭВП. По видовой структуре и объему выпуска полиэтилена это самое крупное предприятие в России. Кроме того, ПЭНД выпускает завод «Ставролен» (г. Буденновск), входящий в группу «Лукойл-Нефтехим».

Получение пластмасс и полимеров с заданными свойствами требует сложного технологического оборудования с многосвязными и многоуровневыми системами управления технологическим процессом, причем, часто невозможно учесть все факторы и обстоятельства, влияющие на конечное качество продукции.

Основными показателями качества физико-химических свойств полимеров являются реологические характеристики, такие как индекс расплава (показатель текучести расплава), растяжение расплавов полимеров, теплофизические свойства расплавов термопластов и т. д.

На этапе производства полимеров важнейшей задачей является контроль индекса расплава (ИР), который характеризует их вязкость (задается международными стандартами DIN 53 735, 54 811 и ISO 1133). В России определение ИР осуществляется в соответствии с ГОСТ 11 645–73, что требует времени около 20 минут на один цикл определения и производится, в основном, лабораторным способом. В частности, при производстве полиэтилена запаздывание на прохождение полиэтилена от выхода из реактора до отбора на анализ и определения ИР составляет около 40 минут, что при производительности установки 2 тонны/час может привести к получению значительного количества полиэтилена другого качества. Кроме того, истинное значение ИР во многом определяется параметрами технологического процесса в реакторе, а время прохождения продукта от реактора до фильеры составляет несколько часов. Таким образом, управление технологическим процессом по показателю качества (ИР), осуществляемое по данным лаборатории, реализуется не в реальном масштабе времени и не автоматически, а через оператора.

Задачу определения ИР в реальном масштабе времени можно трактовать как задачу идентификации одного из показателей качества технологического процесса. Сложность задачи обусловлена тем, что расплав полиэтилена не является ньютоновской жидкостью и количественная оценка ИР зависит от способа его измерения. Многие существующие модели определения ИР носят, в основном, эмпирический и полуэмпирический характер [89] и не обеспечивают требуемой точности из-за большого числа переменных и трудно учитываемых факторов. Кроме того, используемые для вычисления ИР сигналы подвержены сильному влиянию помех, что резко снижает эффективность этих моделей. Созданные по принципу лабораторных установок на ряде предприятий [1,48] приборы контроля ИР непосредственно на технологических линиях производства полимеров также вносят существенное запаздывание и обладают низкой надежностью из-за периодического загрязнения калибровочного отверстия. Особенно важно поддержание заданного значения ИР в реальном масштабе времени при производстве полимеров высшего сорта. Использование технологического процесса с замкнутой обратной связью по показателю качества — ИР, позволит повысить долю полиэтилена высшего сорта в общем объеме выпускаемой продукции.

Учитывая, что потребности в полиэтилене постоянно возрастают (по прогнозам департамента аналитики компании «Креон», на российском рынке к 2010 году объем потребления полиэтилена достигнет 1490 тыс. тонн [6]), а также возрастающей конкуренции на рынке производителей полимеров, повышение качества выпускаемой продукции за счет контроля ИР в реальном масштабе времени представляется особенно актуальным.

Перспективным для определения ИР в реальном масштабе времени представляется использование моделей на базе нейронных сетей, позволяющих учитывать транспортное запаздывание и максимальное количество факторов, влияющих на ИР, а также допускающих сравнительно простую реализацию с использованием средств современной микропроцессорной техники.

Цель работы.

Целью работы является повышение качества производства полиэтилена за счет автоматизации технологического процесса идентификации индекса расплава в реальном масштабе времени на основе нейросетевых моделей.

Основные задачи исследования.

1. Разработка структуры автоматизированной системы управления технологическим процессом производства полиэтилена на основе автоматической идентификации ИР.

2. Разработка способа автоматической идентификации ИР в реальном масштабе времени.

3. Анализ сигналов и решение задачи фильтрации сигналов с датчиков параметров технологического процесса и организация БД.

4. Исследование архитектур НС для идентификации ИР в реальном масштабе времени.

5. Разработка структуры и ПО микропроцессорного устройства для идентификации ИР и экспериментальные исследования полученных теоретических результатов.

Методы исследования.

При решении поставленных в работе задач использовались: теория построения АСУ ТП, методы системного анализа, идентификации, теория и методы искусственного интеллекта, статистический анализ данных, теория баз данных, микросхемотехника, а также методы программирования.

Научная новизна.

1. Предложен способ идентификации индекса расплава полиэтилена, основанный на использовании нейросетевой модели, позволяющей полностью автоматизировать процесс идентификации ИР в реальном масштабе времени.

2. Предложена методика подготовки данных, основанная на результатах анализа фактических характеристик технологического процесса и оценке качества обучения нейронной сети.

3. Предложена нейросетевая модель ИР, построенная на трехслойном персептроне, обеспечивающая заданную точность и позволившая реализовать способ идентификации ИР. и.

Практическая ценность.

1. Предложена структура автоматизированной системы управления технологическим процессом производства полиэтилена, позволяющая повысить качество выпускаемой продукции.

2. Предложенный способ идентификации ИР позволяет осуществлять управление технологическим процессом в реальном масштабе времени, что, в свою очередь, обеспечивает возможность увеличения выпуска полиэтилена заданного качества на 8−10%.

3. Разработанное микропроцессорное устройство и ПО к нему позволило внедрить предложенный способ в технологический процесс производства полиэтилена.

Результаты, выносимые на защиту.

1. Структура автоматизированной системы управления производства полиэтилена.

2. Способ определения индекса расплава (ИР) полиэтилена, позволивший с высокой точностью и в реальном масштабе времени оценивать его численное значение, заключающийся в том, что обучение НС осуществляется по сигналам с выходов датчиков параметров технологического процесса на основе лабораторных измерений ИР с учетом запаздывания, а после окончания обучения получают значение ИР с выхода обученной НС.

3. Методика подготовки данных для обучающей базы данных, основанная на результатах анализа фактических характеристик технологического процесса, состоящая в том, что характеристики фильтров сигналов с датчиков оптимизируются по критерию качества обучения нейросетевой модели.

4. Нейросетевая модель индекса расплава, реализующая на основе НС способ определения индекса расплава и представляющая собой трехслойный персептрон, обученный по составленной базе данных характеристик технологического процесса.

5. Результаты внедрения в виде микропроцессорного устройства ИР-1 и ПО для автоматической идентификации индекса расплава.

Апробация работы.

Основные положения и результаты работы докладывались на следующих научно-технических конференциях:

• 5-ая Международная конференция по вычислительной технике и информационным технологиям, г. Уфа, 2003 г.

• Гагаринские Международные молодежные конференции «XXVII-XXX Гагаринские чтения», Москва 2001; 2004гг.

• Международная молодежная конференция «XXII Туполевские чтения», г. Казань, 2004 г.

• Всероссийская научно-техническая конференция «Создание и внедрение корпоративных информационных систем на промышленных предприятиях Российской Федерации», г. Магнитогорск, 2005 г.

Публикации.

Основные материалы диссертационной работы опубликованы в 5 статьях и 5 тезисах докладов, получен патент на изобретение № 2 213 955 (приоритет от 11.04.2001 г.).

Реализация и внедрение результатов.

Полученные результаты внедрены в разработанном и изготовленном устройстве идентификации индекса расплава ИР-1 в ОАО «Уфаоргсинтез» на установке производства полиэтилена. Работа выполнялась в рамках договорной работы УГАТУ и Уфаоргсинтез № БНТ/У/3−¼/3601/00/ТЕХ (ИФВТ-01−00-ХГ) «Определение индекса расплава ПВД для объектов 500−504,202−205». Имеется акт внедрения (ПРИЛОЖЕНИЕ 4).

Это позволило повысить качество управления процессом производства полиэтилена и с большей точностью выдерживать заданную марку в ходе существующего технологического процесса. Полученный результат позволяет построить автоматизированную систему производства полиэтилена непосредственно по ИР.

Результаты, также, внедрены в учебном процессе УГАТУ. Имеется акт внедрения (ПРИЛОЖЕНИЕ 4).

Структура и содержание работы.

Диссертационная работа состоит из 103 страниц машинописного текста и включает в себя введение, четыре главы, заключение, список литературы из 152 наименований и 4 приложения.

Выводы.

1. Предложена функциональная и разработана электрическая принципиальная схемы микропроцессорного устройства, реализующего вычисление ИР на базе НС в реальном масштабе времени.

2. Разработано ПО для организации процесса сбора, подготовки и обработки информации в соответствии с предложенным способом определения ИР в реальном масштабе времени и аппаратурой для реализации алгоритма.

3. Способ определения ИР в реальном масштабе времени, разработанные алгоритм подготовки данных, функциональная и электрическая принципиальные схемы и ПО реализованы в приборе ИР-1, применение которого позволило полностью автоматизировать процесс определения ИР. Прибор нашел применение в технологическом процессе производства полиэтилена на заводе ОАО «Уфаоргсинтез».

4. Прибор, реализующий определение ИР в реальном масштабе времени, является основой для построения автоматизированной системы управления процессом производства полиэтилена с повышенным качеством выпускаемой продукции.

Заключение

.

В диссертационной работе поставлена и решена важная для производства полиэтилена задача — полной автоматизации процесса определения одной из важнейших реологических характеристик — индекса расплава. Этот результат позволяет обеспечить увеличение доли выпуска полимеров высшего сорта. По результатам работы можно заключить следующее:

1. На основе анализа существующих технологических процессов производства полиэтилена и методов и средств определения индекса расплава сформулированы цель и задачи работы. В частности, показано, что для повышения качества выпускаемых полимеров и осуществления возможности построения автоматизированной системы управления необходимо решить задачу автоматизации процесса идентификации ИР в реальном масштабе времени. Предложена структура автоматизированной системы управления производством полиэтилена.

2. Предложен способ идентификации ИР в реальном масштабе времени, заключающийся в том, что сигналы с выходов датчиков подают на вход нейросети, лабораторным путем определяют ИР, причем пробы для их определения совмещают во времени с моментами измерения входных параметров нейросети таким образом, чтобы получить наборы данных по срезам времени, и по которым обучают нейросеть, после чего прекращают определять ИР лабораторным путем, а получают их с выхода обученной нейросети. Способ защищен патентом РФ № 2 213 955.

3. Предложена методика подготовки БД для обучения НС, позволяющая произвести автоматический подбор параметров цифрового фильтра по критерию качества обучения НС.

4. Проведен анализ точности предложенного метода идентификации ИР, на основании которого сформулированы требования к точности обучения нейросетевого идентификатора. Обоснована структура НС-идентификатора на основе классификатора и алгоритмы фильтрации. Проведено моделирование и обучение нейронной сети.

5. Способ идентификации ИР в реальном масштабе времени, разработанные алгоритм подготовки данных, функциональная и электрическая принципиальные схемы и ПО реализованы в приборе ИР-1, применение которого позволяет полностью автоматизировать процесс идентификации ИР. Показано, что погрешность определения индекса расплава полиэтилена в реальном масштабе времени составляет не более ±0,07 единицы ИР, что укладывается в трубку точности ГОСТ 11 645–73. Прибор нашел применение в технологическом процессе производства полиэтилена на заводе ОАО «Уфаоргсинтез».

6. Прибор, реализующий идентификацию ИР в реальном масштабе времени, является основой для построения автоматизированной системы управления процессом производства полиэтилена с повышенным качеством выпускаемой продукции. Эффективность автоматизации может составить до 8−10% от объема выпускаемого продукта.

Показать весь текст

Список литературы

  1. -я Московская международная конференция «Полиэтилен 2005» ф http://www.polymerindustrv.ru/practics/section89/article2919.html.
  2. Р.Г., Алиев Р. А., Алиев P.P. Синтез САУ с обучаемым на нейронной сети нечетким контроллером // Изв. РАН. Техническая кибернетика. — № 2—1994. — С. 192−197.
  3. Э.Д., Левин И. К., Цыпкин Я. З. Нейронные сети для идентификации нелинейных систем при случайных кусочно-полиномиальных и низкочастотных возмущениях // Нейрокомпьютеры и их применение. Тез. докл. 2-й Всеросс. конф. — М.: МОП РФ, 1996. — С. 61.
  4. А.Н., и др. Нечеткие множества в моделях управления иискусственного интеллекта- под ред. Д. А Поспелова. — М.: Наука, 1986. —312 с.
  5. Р.А. и др. Производственные системы с искусственным интеллектом. — М.: Радио и связь, 1990. — 264 с.
  6. Аналитическое подразделение компании RCC Group RCC Intelligence Unit http://intelligence.rccnews.ru/iu/poly.htm.
  7. .Р., Фрадков A.JI. Избранные главы теории автоматического управления с примерами на языке Matlab. — СПб.: Наука, 1999.—467 с.
  8. B.C., Володин В. М., Цирлин A.M. Оптимальноеуправление процессов химической технологии (экстремальные задачи в АСУ). — М.: Химия, 1978. — 384 с.
  9. B.C., Барский JI.A., Бугров А. В. и др. Технические средства автоматизации химических производств: справ, изд. — М.: Химия, 1991. —272 с.
  10. М.И. и др. Цифровые интегральные микросхемы: справочник. — Мн.: Беларусь, Полымя, 1996. — 156 с.
  11. И. Бояринов А. И., Кафаров В. В. Методы оптимизации в химической технологии. — М.: Химия, 1969. — 563 с.
  12. А.Н. Архитектурно-технологический облик интеллектуальных нейронных сетей на кремниевых пластинах и трехмерных нейрокомпьютеров // Зарубежная радиоэлектроника. Успехи современной радиоэлектроники. — № 1. —1998. — С. 34—51.
  13. Е.И., Абдуллаев Ю. Г. Монтаж, обслуживание и ремонт нефтепромыслового оборудования: учебник для учащихся профтехобразования и рабочих на производстве. — Изд. 2-е, перераб. и доп. — М.: Недра, 1985.— 391 с.
  14. В.И., Валеев С. С., Шилоносов А. А. К выбору структуры нейрорегулятора в системе управления динамическим объектом // Нейрокомпьютеры: разработка и применение. — № 4−5. — 2001. — С.52−60.
  15. В.И., Ильясов Б. Г. Интеллектуальные системы управления с использованием генетических алгоритмов: учеб. пособие. — Уфа: УГАТУ, 1999.—105 с.
  16. В.И., Ильясов Б. Г. Интеллектуальные системы управления с использованием нечеткой логики: учеб. пособие. — Уфа: УГАТУ, 1995, —80 с.
  17. В.И., Ильясов Б. Г., Валеев С. С., Жернаков С. В. Интеллектуальные системы управления с использованием нейронных сетей: учеб. пособие. — Уфа: УГАТУ, 1997. — 92 с.
  18. В.И., Фрид А. И., Деев И. А., Кудрявцев М. А., Кудрявцева Р. Т. Математические модели отказоустойчивых информационно-управляющих систем. // Институт механики УНЦ РАН — Уфа: УГАТУ, 2001. — С.50−51.
  19. А.П., Дадаян Л. Г. Анализ и синтез автоматических систем регулирования сложных объектов нефтепереработки и нефтехимии: учеб. пособие. — Уфа: УГНТУ, 1989. —94 с.
  20. А.П., Денисов С. В. Современные технологии управления процессами: учеб. пособие. —Уфа: УГНТУ, 2001. — 86 с.
  21. А.П., Кирюшин О. В. Разработка алгоритмов управления для целей реализации на микроконтроллерах // Приборы и системы. Управление, контроль, диагностики. — № 11. — 2001.— С. 5−9.
  22. А.П., Муртазин Т. М. Моделирование процессов принятия решений в сложных системах управления // Проблемы нефтегазовогокомплекса России. Материалы международной конференции. — Уфа: УГНТУ, 1998. — С. 85−88.
  23. А.И. Нейросетевая реализация процедуры идентификации динамических систем // Автоматизация и современные технологии.3. — 2002. — С. 22−25.
  24. Т.А., Хорошевский В. Ф. Базы знаний интеллектуальных систем. — СПб.: Питер, 2000.— 384 с.
  25. А.И. Нейрокомпьютеры в разработках военной техники США: Обзор по материалам открытой печати // Научный центр нейрокомпьютеров. — М.:РАН, 1995.—152 с.
  26. А.И. Нейрокомпьютеры. кн. З: учеб. пособие для вузов. — М.: ИПРЖР, 2000. — 528с.
  27. А.И. Перспективные проблемы теории нейронных сетей. // Нейрокомпьютеры: разработка и применение.— № 3. — 2000. — С. 3−12.
  28. А.И. Синтез многослойных систем распознавания образов. М: Энергия, 1974. —123 с.
  29. А.И. Современные направления развития нейрокомпьютерных технологий в России // Открытые Системы.— № 4,—1997. —С. 25−28.
  30. А.И. Теория нейронных сетей, кн.1: учеб. пособие для вузов. — М.: ИПРЖР, 2000. — 416 с.
  31. А.И., Иванов В. В., Картамышев М. Г., Симоров С. Н., Черевков К. В. Некоторые концептуальные вопросы развития нейрокомпьютеров // Успехи современной радиоэлектроники.— № 2.1997. —С. 3−10.
  32. А.И., Крысанов А. И. Оценка производительности нейрокомпьютеров // Успехи современной радиоэлектроники. — № 1.1998. —С. 22−33.
  33. В.А. Нейронные сети: обучение, организация и применение, кн. 4: учеб. пособие для вузов- под общей ред. А. И. Галушкина. — М.: ИПРЖР, 2002. — 256 с.
  34. В.А., Шувалов В. В. Автоматизация производственных процессов и АСУП в химической промышленности. — М.: Химия, 1978. —376 с.
  35. А. Нейроинформатика и ее приложения // Открытые системы.-№ 4−5. 1998. —С. 36−41.
  36. А.Н., Россиев Д. А. Нейронные сети на персональном компьютере. — Новосибирск: Сибирская издательская фирма РАН, 1996. —276 с.
  37. Е.К., Лукьяница А. А. Искусственные нейронные сети. Основные определения и модели // Изв. РАН. Техническая кибернетика. — № 5. — 1994.— С. 79 92.
  38. Г. С., Деменков Н. П. Программный комплекс для проектирования нечеткого логического регулятора // Приборы и системы управления. —№ 8.— 1997.— С. 19−21.
  39. А.Ю., Алексеев А. А. Структурные модели быстрых нейронных сетей // Интеллектуальные системы. Труды П-го Международного симпозиума, т.2- под ред. К. А. Пупкова. — М.:ПАИМС, 1996.—С. 138−143.
  40. А.Ю. Модульные нейронные сети http://www.user.cityline.ru-/~alphasys/pnteor.html.
  41. В.П. Круглов В. Matlab. Анализ, идентификация и моделирование систем- специальный справочник. — СПб.: Питер, 2002. —448 с.
  42. В. П. Круглов В. Математические пакеты расширения Matlab. Специальный справочник. — СПб.: Питер, 2002. — 480 с.
  43. Д.М., Мадыгулов Р. У. Определение параметров нейроподобных сетей, используемых при управлениидинамическими объектами // Вопросы кибернетики, устройства и системы: Межвуз. сб. науч. тр. — М.: МИРЭА, 1995. — С. 25−30.
  44. А.А. Современный взгляд на ОС реального времени // Мир компьютерной автоматизации. — № 1. — 1999.— С. 54 60.
  45. Журнал http://rcc.ru/Rus/Plastics
  46. В.Н. Интеллектуальные системы управления: основные понятия и определения // Известия РАН. Теория и системы управления — № 3. — 1997.— С. 13 8−145.
  47. А. И. Интеллектуальные информационные системы.— Минск: НТООО «ТетраСистемс», 1997. — 367 с.
  48. Ю.И. Интеллектуальные нейросистемы. кн. 12- под ред.
  49. A.И. Галушкина — М.: Радиотехника, 2003.— 144 с.
  50. Ю.И. Интеллектуальные системы обработки информации на основе нейросетевых технологий: учеб. пособие — Уфа: УГНТУ, 2000. — 138 с.
  51. Искусственный интеллект: в 3-х кн. Справочник- под ред.
  52. B.Н.Захарова, В. Ф. Хорошевского. — М.: Радио и связь, 1990. кн. 1 — 426 е.- кн. 2 — 304 е.- кн. 3 — 368 с.
  53. К вопросу моделирования и управления непрерывными технологическими процессами с помощью нейронных сетей // Теоретические основы химической технологии, т. 29. — № 2. — 1995. —С. 205−212.
  54. В.В., Мешалкин В. П. Анализ и синтез химико-технологических систем. — М.: Химия, 1991. — 432 с.
  55. С.А., Хорев И. В. Мультипроцессорная система вычисления вязкости расплава, диаметра провода и коэффициента усадки его изоляции // Приборы и системы управления. — № 2. — 1994.—1. C. 23−25.
  56. И., Понтон Д. В. Анализ эффективности использования нейронных сетей для моделирования процессов дистилляции //
  57. Теоретические основы химической технологии, т. 26. — № 3. — 1992. —С. 412−424.
  58. Г. М., Кривошеее В. П., Графов А.А, Связь индекса расплава полиэтилена низкой плотности с крутящим моментом шнека гранулятора // Пластические массы. — № 9. —1972. — С. 3032.
  59. В.В., Греев А. Ф., Васютин С. В., Райх В. В. Базы данных. Интеллектуальная обработка информации. — М.: Нолидж, 2000. — 352 с.
  60. С.Г. Нейронные сети: алгоритм обратного распространения // BYTE/Россия. — № 5. — 2000. — С. 26−29.
  61. С.Г. Нейронные сети: основные положения // BYTE/Россия. — № 5. — 2000. — С. 18−21.
  62. А. Алуха X. Хил. Введение теории нечетких множеств в управление предприятием. — Минск: Высшая школа, 1992. — 223 с.
  63. М., Вошни Э. Измерительные информационные системы. — М.: МИР, 1975. —310 с.
  64. В.В., Борисов В. В. Искусственные нейронные сети. Теория и практика.— М.: Горячая линия-Телеком, 2001. — 382 с.
  65. В.В., Дли М.И. Нечеткая логика и искусственные нейронные сети. — М.:ФИЗМАТЛИТ, 2001. — 224 с.
  66. В.К., Бурлов В. В., Паниматченко А. Д., Крыжановская Ю. В. Технические свойства полимерных материалов. — М.: Профессия, 2003. — 240 с.
  67. А.И. СБИС L-Neuro базовый нейрочип для создания современных нейрокомпьютеров // Успехи современной радиоэлектроники. — № 1.— 1998. — С. 18−21.
  68. А.В., Кудрявцев М. А. Микроконтроллеры семейства МС68НС16 фирмы Motorola. Методические указания. — Уфа: УГАТУ, 2004. — 134 с.
  69. М.А., Фрид А. И. Использование нейросети для определения индекса расплава полиэтилена // XXVII Гагаринские чтения, Мат. междунар. молодеж. конф. — М.: МАИ, 2001. — С. 65.
  70. М.А., Фрид А. И. Микропроцессорное устройство определения реологических характеристик полимеров для авиационной техники // XXX Гагаринские чтения, Мат. междунар. молодеж. конф. — М.:МАИ, 2004. — С. 89−90.
  71. М.А., Фрид А. И. Определение качества полимеров с использованием нейронных сетей // XXVIII Гагаринские чтения, Мат. междунар. молодеж. конф. — М.:МАИ, 2002. — С. 71−72.
  72. М.А., Фрид А. И. Особенности технической реализации нейронной сети для контроля характеристик полимеров в процессе производства // XXII Туполевские чтения: сб. тр. междунар. молодеж. конф. — Казань: КГАТУ, 2004. —т.З. — С. 116−117.
  73. М.А., Фрид А. И. Повышение точности нейронных сетей в условиях действия измерительных помех // XXIX Гагаринские чтения, Мат. междунар. молодеж. конф. — М.:МАИ, 2003. — С. 82−83.
  74. М.А., Фрид А. И., Деев И. А. Интеллектуальная система управления производством бетона на основе когнитивных карт // Вычислительная техника и новые информационные технологии. Межвуз. научн. сб. — Уфа: УГАТУ, 2001. — С 17−25.
  75. М.А., Фрид А. И., Кудрявцев А. В. Оценка качества полимеров на основе нейронных сетей (статья на англ. яз.)// Тр. 5-й
  76. Междунар. конф. по вычислительной технике и информационным технологиям. — Уфа: УГАТУ, 2003. — С. 183−185
  77. М.А., Фрид А. И., Малафеев Г. А., Ханов В. В. Определение индекса расплава полиэтилена на основе использования нейросетевой модели // Нейрокомпьютеры: разработка, применение. М.:ИПРЖР — № 4−5. —2001. — С. 70−74.
  78. Н.Т. Динамика систем автоматического управления. — М.: Машиностроение, 1968. — 428с.
  79. Г. Г., Брейкин Т. В., Арьков В. Ю. Интеллектуальные информационные системы: учеб. пособие. — Уфа: УГАТУ, 1999. — 129 с.
  80. Г. Г., Набатов А. Н., Речкалов А. В. и др. Автоматическое проектирование информационно-управляющих систем. Проектирование экспертных систем на основе системного моделирования. — Уфа: УГАТУ, 1999 — 233 с.
  81. А.С. Технология ПЛИС и ее применение для создания нейрочипов // Открытые системы — № 10. — 2000. — С. 19−23.
  82. И.М., Лохин В. М. и др. Новое поколение интеллектуальных регуляторов // Приборы и системы управления. — № 3. —1997. — С. 2−6.
  83. B.C., Потемкин В. Г. Нейронные сети. MATLAB 6. Пакеты прикладных программ- кн.4- под общ. ред. к.т.н. В. Г. Потемкина. — М.: Диалог-МИФИ, 2002 — 496 с.
  84. Методы классической и современной теории автоматического управления- учебник в 3-х томах. Т. 3: Методы современной теорииавтоматического управления- под ред. Н. Д. Егупова. — М.: МГТУ им. Н. Э. Баумана, 2000. — 748 с.
  85. В.П. Экспертные системы в химической технологии. Основы теории, опыт разработки и применения. — М.: Химия, 1995.368 с.
  86. Ю.Н., Филимонова О. Ю., Бенамеур Лиес. Методы и алгоритмы идентификации и прогнозирования в условиях неопределенности в нейросетевом базисе. — М.: Горячая линия-Телеком, 2003. — 205 с.
  87. М. Л., Пейперт С. Персептроны. — М. Мир, 1971. — 123 с.
  88. А.Х., Хасанов М. М., Бахтизин Р.Н.- АН РБ. Этюды о моделировании сложных систем нефтедобычи. Нелинейность, неравновестность, неоднородность — Уфа: Гилем, 1999. — 464с.
  89. Ю.И., Ланда П. С. Стохастические и хаотические колебания.1. М.: Наука, 1987. — 562 с.
  90. П.П. Автоматические измерения и приборы. — Киев, Вища школа, 1980. — 558 с.
  91. .Н., Александров А. Д., Андреев В. П. и др. Многорежимные и нестационарные системы автоматического управления- под ред. академика Б. Н. Петрова. — М.: Машиностроение, 1978. — 240 с.
  92. Полиэтилен высокого давления. Технические условия. ГОСТ 16 337–77. — М.: Издательство стандартов, 1984. — 61 с.
  93. Е.П. Теория линейных систем автоматического регулирования и управления: учеб. пособие для втузов. — М.: Наука, 1989. —304 с.
  94. Э.В. Экспертные системы реального времени // Открытые системы. — № 2. — 1995. — С. 43−45.
  95. Э.В. Экспертные системы. (Решение неформализованных задач в диалоге с ЭВМ) // Техническая кибернетика. — № 5.— 1987. — С. 5−18.
  96. Э.В., Фоминых И. Б., Кисель Е. Б. Статические и динамические экспертные системы (классификация, состояние, тенденции) — методические материалы. — М.: Центральный росс, дом знаний, 1995. — 126 с.
  97. Прикладные нечеткие системы- под ред. Т. Тэрано, К. Асаи, М. Сзтэно. — М.: Мир, 1993. — 368 с.
  98. Рей У. Методы управления технологическими процессами. — М.: Мир, 1983. —368 с.
  99. Роберт Хехт-Нильсен. Нейрокомпьютинг: история, состояние, перспективы // Открытые системы. — № 4−5. — 1998. — С. 23 28.
  100. Ф. Принципы нейродинамики. Персептроны и теория механизмов мозга. — М.: Мир, 1965. — 480 с.
  101. Г. В., Абрамов В. В., Кулезнева В. Н., Власов С. В. Справочник по технологии изделий из пластмасс. — М.: Химия, 2000. —424 с.
  102. С.В., Шквар A.M. Нейротехнические системы обработки информации. — Киев: Наукова думка, 1983. — 222 с.
  103. Г. Парадоксы в теории вероятности и математической статистике. — М.: Мир, 1990. — 240 с.
  104. Системы диспетчерского управления и сбора данных (SCADA-системы) // Мир компьютерной автоматизации. — № 3. —1999. — С. 4−9.
  105. Системы искусственного интеллекта http://www.mari-el.ru/ mmlab/home/AI/.
  106. B.C. Программное обеспечение современных систем сбора и обработки измерительной информации // Приборы и системы управления. — № 1. — 1998. — С. 55.
  107. В.В. и др. Проектирование цифровых устройств на однокристальных микроконтроллерах. — М.: Энергоатомиздат, 1990. —224 с.
  108. Теория нейронных сетей. http://www.91 .ru/Edu/Books/Neural Net/.
  109. В.А., Ефимов Д. В., Тюкин И. Ю. Нейросетевые системы управления, кн. 8: учеб. пособие для вузов- под общей ред. А. И. Галушкина. — М.: ИПРЖР, 2002 — 480 с.
  110. С.А. Нейросетевые информационные модели сложных инженерных систем. — Новосибирск: Наука, Сибирское предпр-ие РАН, 1998. —296 с.
  111. Технология, экономика и автоматизация процессов переработки нефти и газа: учеб. пособие / Ахметов С. А., Ишмияров М. Х., Веревкин А. П., Докучаев Е. С., Малышев Ю.М.- под ред. Ахметов С. А. — М.: Химия, 2005. — 736с.
  112. Э.А. Компьютерная поддержка принятия решений. — М.: СИНТЕГ, 1998. — 376 с.
  113. Ф. Нейрокомпьютерная техника. — М.: Мир, 1992.— 240 с.
  114. С.Т. Выполнение электрических схем по ЕСКД: Справочник. — М.: Издательство стандартов, 1989. — 325 с.
  115. А.А., Бутковский А. Г. Методы теории автоматического управления. — М.: Наука, 1971. —744с.
  116. П.Д. Расчет и конструирование радиоаппаратуры. — М.: Высш. школа, 1989. — 283 с.
  117. Дж. Бартос. Искусственный интеллект: принятие решений в сложных системах управления // Мир компьютерной автоматизации.4. — 1997. — С. 22−27.
  118. В.Д. Нейрокомпьютер и мозг. — М.: Синтег, 2001. — 248 с.
  119. В.А., Власов А. И., Кузнецов А. С., Поляков Ю. А. Нейрокомпьютеры архитектура и реализация, http://iu4.bmstu.ru.
  120. П.А., Фомин Д. В., Черников В. М., Виксне П. Е. Архитектура нейропроцессора NeuroMatrix NM6403 // Труды V Всероссийской конференции «Нейрокомпьютеры и их применение»
  121. М.: МОП РФ, 1999. — с.70−90.
  122. В.В. и др. Автоматизация производственных процессов в химической промышленности. — М.: Химия, 1991. — 480 с.
  123. Г. Детерминированный хаос. — М.: Мир, 1990. —312 с.
  124. П. Основы идентификации систем управления. — М.: Мир, 1975. —687с.
  125. Электронный учебник по статистике. Москва, StatSoft, Inc., 2001. WEB: http://www.statsoft.ru/home/textbook/default.htm.
  126. Д.Ж. Реализация нейрокомпьютеров на базе ПЛИС XILINX // Труды V Всероссийской конференции «Нейрокомпьютеры и их применение» — М.:МОП РФ, 1999. — с.94−95.
  127. Cibenko G. Approximation by Superposition of Sigmoidal Function.-Urbana: University of Illinois, 1989.-280p.
  128. Deev I.A., Frid A.I. The high-performance computing system based on cognitive map // Proceedings of the 2-nd International Workshop on CSIT'2000, Ufa, Russia, September pp. 18−23 (2000).131 132 133 134 135,136,137,138.139,140,141.142.143.144.
  129. Handbook of Intelligent Control: Neural, Fuzzy and Adaptive Approaches/(Ed.: David A. Write. Donald A. Sofge): Van Nostrand Reinbrold, N.Y., 1992.-558p.
  130. Hornik K.M., Stinchcombe M., White H., Multilayer Feedforward Networks are Universal Approximators // Neural Networks, Vol.2, № 5, 1989, pp. 359−366.
  131. Jain A.K., Mao Janchang, Mohiuddin K.M., Artifical Neural Networks: A
  132. Tutorial // Computer, Vol.29, No.3, March, 1996, pp. 31−44.
  133. Korb Т., Zell A. A declarative neural network description language //
  134. Microprocess and Microprogramm, 1989, 27, # 1−5, pp. 181−188.
  135. Kosko B. Fuzzy Cognitive Maps. International Journal of Man-Machine
  136. Studies, Vol. 24, pp. 65−75 (1986).
  137. Omatu S., Khalid M., Yusof R., Neuro-control and its Applications, Springer Verlag, London Ltd, 1996.
  138. Poggio T.G. Networks for Approximation and Learning, Proceedings of IEEE, Vol.78, 1990, -pp. 1481−1497.
  139. Puskorius G.V., Feldkamp L.A., Davis L.I., Dynamic Network Methods Applied to On-Vehicle Idle Speed Control, Proceedings of the IEEE, Vol.84, No. 10, October, 1996, pp. 1407−1419.
  140. Rape R. A novel approach to indirect measurements // Measurement, 1992, 10, # 4, 148−156. (Опубликовано в Экспресс-Информации КИТ № 24/1995 «Новый метод косвенных измерений»).
  141. Schwarta D.G. Application of fuzzy sets and approximate reasoning // Proc. of the IEEE, 1994, 82, # 4,482−498.
  142. Shell Global Solutions http://www.shellglobalsolutions.com.
  143. Simulations Sciences http://www.simsci.com.
  144. Stylios D, Groumpos P, Appling Fuzzy Cognitive Maps in Supervisory Control System, Proceedings of European Symposium on Intelligent, Bari, Italy, pp 131−134 (1995).
  145. Stylios D, Groumpos P, The challenge of modeling supervisory system using fuzzy cognitive maps, Journal of Intelligent Manufacturing, pp. 339−345 (1998).
  146. The Programmable Logic Data Book. Xilinx Inc. 2000.
  147. Warren Henry S., Hacker’s Delight, Addison-Wesley Publishing Company, Inc. 2002, 288 p.
Заполнить форму текущей работой

Сдать сессию!