автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Алгоритмы и комплексы программ нейронно-сетевого моделирования отделений ректификации многокомпонентных смесей

Введение

Глава 1. Аналитический обзор современных методов математического моделирования и оптимизации массообменных процессов химической технологии

1.1. Использование аппарата искусственных нейронных сетей в химической технологии

1.2. Математические модели процессов ректификации многокомпонентных смесей

1.3. Алгоритмы оптимизации параметров непрерывных химико-технологических процессов и систем

1.3.1. Алгоритмы минимизации одномерной унимодальной функции

1.3.2. Алгоритм поочередного изменения переменных

1.3.3. Алгоритм скользящего допуска

1.3.4. Алгоритм Дэвидона— Флетчера — Пауэлла

1.3.5. Алгоритмы штрафных-и барьерных функций 1.4. Цели и задачи диссертации

Глава 2. Разработка и исследование быстродействующего алгоритма обучения искусственных нейронных сетей

2.1. Разработка алгоритма комбинированного обучения искусственных нейронных сетей

2.1.1. Основные предпосылки к разработке алгоритма на основе комбинированного метода обучения нейронных сетей

2.1.2. Сущность алгоритма на основе комбинированного метода обучения нейронных сетей

2.2. Анализ влияния количества входов и выходов нейронной сети на время обучения сети

2.3. Исследование влияния величины диапазона нормировки обучающих примеров на время обучения нейронной сети

2.4. Методика синтеза структуры нейронной сети для моделирования химико-технологических процессов

2.5. Методика использования нейронной сети для математического моделирования процессов ректификации многокомпонентных смесей 2.6. Выводы

Глава 3. Разработка нейронно-сетевой модели отделения ректификации многокомпонентных смесей в крупнотоннажном производстве метанола

3.1. Краткий анализ крупнотоннажных производств метанола как объекта математического моделирования

3.1.1. Характеристика совместного производства аммиака и метанола

3.1.2. Особенности крупнотоннажного производства метанола М

3.1.3. Характеристика крупнотоннажного производства метанола М

3.1.4. Анализ источников образования примесей метанола-сырца

3.2. Анализ функционирования отделения ректификации многокомпонентных смесей в условиях изменяющейся нагрузки и концентрации сырья

3.3. Моделирование процессов ректификации азеотропных многокомпонентных смесей с использованием нейронных сетей

3.4. Алгоритмы расчета теплообменного оборудования колонн ректификации

3.4.1. Алгоритм расчета кипятильника

3.4.2. Алгоритм расчета конденсатора с воздушным охлаждением

3.4.3. Алгоритм расчета теплообменников для подогрева метанола-сырца

3.4.4. Алгоритмы расчета холодильника флегмы метанола

3.5. Обоснование структуры нейронной сети для моделирования отделения ректификации азеотропных многокомпонентных смесей

3.6. Архитектура комплекса программ нейронно-сетевого моделирования процесса ректификации азеотропных многокомпонентных смесей метанола-сырца

3.7. Архитектура комплекса программ оптимизации процесса ректификации азеотропных многокомпонентных смесей метанола-сырца 3.8. Выводы

Глава 4. Структурно-параметрическая оптимизация отделения ректификации крупнотоннажного производства метанола

4.1. Разработка структуры и обучение нейронных сетей для решения задачи структурно-параметрической оптимизации отделения ректификации

4.2. Выбор вида критерия и математическая постановка задачи оптимизации

4.3. Оптимизация структуры технологической схемы отделения ректификации метанола-сырца

4.4. Оптимизация параметров технологических режимов отделения ректификации при переменной нагрузке

4.5. Рекомендации по реализации предложенных научно-обоснованных оптимальных решений диссертационной работы

4.6. Выводы

Выводы и основные результаты диссертационной работы

Актуальность темы. В настоящее время в химической технологии появились принципиально новые задачи математического моделирования химико-технологических процессов (ХТП) при переменных входных воздействиях. Возникла потребность в разработке и применении новой методологии решения задач математического моделирования сложных ХТП, основанной на использовании теории искусственного интеллекта, в том числе теории искусственных нейронных сетей (НС).

Большой класс ХТП составляют процессы ректификации многокомпонентных смесей (МКС), совокупность которых образует сложные отделения ректификации МКС химических производств, обеспечивающих выпуск продуктов высокого качества. Сложность задачи математического моделирования процессов ректификации и отделений ректификации азеотропных МКС состоит в том, что разделяемые МКС являются сложными неидеальными гетерогенными физико-химическими системами. Традиционные методы математического моделирования и итерационные методы расчета сложных технологических схем отделений ректификации МКС, которые имеют обратные технологические потоки, сходятся медленно или вообще не могут быть применены [1]. Действующие отделения ректификации МКС, входящие в структуру крупнотоннажных химических производств, проектировались и были построены на постоянную нагрузку по сырью.

В современных условиях рыночной экономики необходимо обеспечивать способность отделений ректификаций МКС с минимальными затратами оптимально функционировать при изменении составов сырья, изменении параметров ХТП, изменении спроса на продукцию, неритмичности поставок сырья и отгрузки готовой продукции.

В настоящее время в России существует ряд крупнотоннажных производств метанола М-300 спроектированных на работу при постоянных нагрузках. Эти крупнотоннажные производства метанола М-300 принципиально не могут оптимально функционировать при переменных нагрузках и изменении спроса на продукцию. Важнейшими функциональными подсистемами крупнотоннажного производства метанола М-300 являются отделение ректификации азеотропных МКС метанола-сырца, которое 7 обеспечивает выпуск высококачественного метанола-ректификата.

В связи с выше изложенным задача разработки быстродействующих алгоритмов и комплексов программ нейронно-сетевого моделирования отделений ректификации азеотропных МКС при изменениях нагрузки на колонны ректификации имеет актуальное научное и народно-хозяйственное значение для повышения эффективности химических производств в условиях рыночной экономики.

Цель работы. Обобщить и развить методику применения аппарата искусственных нейронных сетей для математического моделирования процессов ректификации азеотропных многокомпонентных смесей.

Разработать быстродействующие алгоритмы и комплексы программ нейронно-сетевого моделирования и оптимизации отделений ректификации азеотропных многокомпонентных смесей при изменениях нагрузки на колонны ректификации.

Применить разработанные быстродействующие алгоритмы и комплексы программ нейронно-сетевого моделирования для решения задачи структурно-параметрической оптимизации отделения ректификации крупнотоннажного производства метанола при переменных нагрузках по метанолу-сырцу.

Разработать научно-обоснованные рекомендации по оптимизации структуры технологической схемы и технологических режимов отделения ректификации многокомпонентных смесей крупнотоннажного производства метанола М-300 Новомосковской акционерной компании (НАК) «Азот» при переменных нагрузках по метанолу-сырцу.

Научная новизна работы состоит в следующем:

- обобщена и развита методика применения аппарата искусственных нейронных сетей для решения задач математического моделирования процессов ректификации азеотропных МКС;

- предложен быстродействующий алгоритм комбинированного обучения нейронной сети, который за счет совместного использования метода обратного распространения ошибок и стохастического обучения Коши, позволяет сократить процедуру обучения на 15-20% в сравнении с раздельным использованием каждого из указанных методов;

- предложен алгоритм декомпозиции нейронных сетей со многими 8 входами и выходами, который позволяет привести исходную многомерную нейронную сеть к совокупности параллельных нейронных сетей с одним выходом, что обеспечивает уменьшение времени обучения нейронных сетей;

- предложен новый алгоритм сжатия диапазона нормировки обучающих примеров для нейронной сети с сигмоидальной функцией переноса, который позволяет сократить время обучения нейронной сети и увеличить прогнозирующую способность сети;

- предложена инверсная процедура обучения искусственной нейронной сети, позволяющая при известных значениях возмущающих входных переменных и требуемых значений выходных переменных определять значения управляющих входных переменных, что необходимо при решении задач оптимального управления процессами ректификации; разработаны алгоритмы поверочного расчета теплообменного оборудования колонн ректификации;

- сформулирована содержательная постановка задачи анализа и оптимизации отделения ректификации крупнотоннажного производства метанола при переменных нагрузках;

- обоснован выбор вида экономической целевой функции и предложена математическая постановка задачи оптимизации отделения ректификации МКС крупнотоннажного производства при изменении нагрузки по метанолу-сырцу.

- разработана математическая модель с использованием аппарата искусственных нейронных сетей и систем билинейных алгебраических уравнений математическая модель отделения ректификации МКС со многими рециклами крупнотоннажного производства метанола при изменении нагрузки по метанолу-сырцу, которая необходима для расчета и оптимизации параметров технологических режимов колонн ректификации и теплообменников, входящих в отделение ректификации.

Практическая ценность и реализация результатов работы.

Разработаны с использованием среды визуального программирования BORLAND DELPHI 5.0: - комплекс программ нейронно-сетевого моделирования процесса ректификации МКС, - комплекс программ расчета и оптимизации параметров технологических режимов многоконтурного отделения ректификации азеотропных МКС крупнотоннажного производства 9 метанола М-300.

Разработанные комплексы программ могут быть использованы для моделирования и оптимизации технологических схем различных отделений ректификации МКС.

Проведена серия вычислительных экспериментов для исследования способности нейронной сети с сигмоидальной функцией переноса при использовании предложенного алгоритма нормировки обучающих примеров: - уменьшать время обучения нейронной сети, - предсказывать выходные значения, расположенные за пределами обучающих примеров, - увеличивать прогнозирующую способность нейронной сети при достижении в ходе ее обучения одинаковой погрешности.

С применением предложенных алгоритмов и комплексов программ нейронно-сетевого моделирования и оптимизации отделения ректификации азеотропных МКС решены задачи расчета и структурно-параметрической оптимизации отделения ректификации МКС производства М-300. Полученные результаты решения задачи оптимизации позволяют увеличить выход метанола-ректификата производства метанола М-300 и повысить прибыльность производства.

Разработаны научно-обоснованные рекомендации по реализации результатов оптимизации, которые позволили увеличить выход метанола-ректификата на 11%. Указанные научно-обоснованные рекомендации практически использованы для повышения эффективности действующих отделений ректификации производства М-300 по разделению метанола-сырца производства аммиака и метанола (ПАМ) и производства М-100 НАК «Азот».

Апробация работы. Основные результаты работы докладывались на следующих международных конференциях: "Математические методы в технике и технологиях" (ММТТ-11) (г. Владимир, 1998); "Математические методы в технике и технологиях" (ММТТ-12) (г. Великий Новгород, 1999); "Методы кибернетики химико-технологических процессов" (КХТП-У-99); (г. Уфа, 1999); ММТТ-2000 (г. Санкт-Петербург, 2000), а также на научных конференциях Российского химико-технологического университета (г. Москва, 1997) и Новомосковского института РХТУ (г. Новомосковск, 1997 и 1996).

Публикации. Результаты, отражающие основное содержание

10 диссертационной работы, изложены в 20 публикациях.

В первой главе диссертации рассматриваются способы применения искусственных нейронных сетей для математического моделирования и оптимального управления объектами химической технологии, и их достоинства и недостатки. Наиболее трудоемкая часть нейросетевого моделирования -обучение нейронной сети. Так как время обучения нейронной сети может быть существенным для математического моделирования непрерывного процесса, то актуально строить топологию нейронной сети таким образом, чтобы уменьшить время обучения и целесообразно проводить исследования направленные на разработку более быстрых и точных методов обучения нейронных сетей.

Проведен анализ недостатков математических моделей МКС. Сложность задачи математического моделирования процессов ректификации и отделений ректификации азеотропных МКС состоит в том, что разделяемые МКС являются сложными неидеальными гетерогенными физико-химическими системами. Так как отделения ректификации МКС имеют обратные потоки, то традиционные методы математического моделирования итерационные методы расчета этих сложных технологических схем ректификации МКС сходятся медленно или вообще не могут быть применены. Это обусловило необходимость разработки таких методов, которые обеспечивали бы сходимость для всех колонн взаимосвязанной системы.

Рассматривая методы оптимизации, их достоинства и недостатки можно сделать вывод, что метод скользящего допуска наиболее полно отвечает требованиям задачи оптимизации нелинейного объекта с ограничениями.

Во второй главе изложена разработка и исследование быстродействующего алгоритма обучения искусственных нейронных сетей. В работе предложен быстродействующий алгоритм комбинированного обучения НС на основе обратного распространения второго порядка и обучения Коши с использованием метода искусственной теплоемкости. В работе используется алгоритм обучения НС на основе обратного распространения второго порядка, так как этот алгоритм оптимален в том смысле, что невозможно улучшить оценку, используя производные более высокого порядка. В работе используются нейроны с обучаемым смещением. Это позволяет сдвигать

11 начало отсчета функции нейрона и приводит к ускорению процесса обучения.

Далее проведен анализ влияния параметров НС на время ее обучения. Рассмотрено влияние количества входов и выходов нейронной сети время обучения сети.

В ходе исследования сделан вывод, что следует использовать нейронные сети с одним выходом и уменьшать входов, отбрасывая входы НС, не влияющие на данный выход, для уменьшения времени обучения сети.

Для нормировки обучающих примеров предлагается новый алгоритм, основанный на сжатии диапазона нормировки. Данный вид зависимости нормировки обучающих примеров способствует значительному уменьшению времени обучения НС и расширяет возможности метода обратного распространения ошибок. Расширение возможностей метода обратного распространения ошибок происходит за счет использования при обучении НС максимальных и минимальных значений обучающих примеров. Предложенная зависимость для нормировки исходных данных дает возможность получать их на выходе сети. На выходе НС могут быть также получены значения, лежащие за пределами обучающих примеров. При использовании предложенной зависимости нормировки исходных данных увеличивается прогнозирующая способность НС при достижении в ходе ее обучения одинаковой погрешности.

В диссертационной работе проработана методика синтеза структуры и использования НС для моделирования ХТП. Методика использования НС для математического моделирования процессов ректификации. Предложенная методика использования НС с нормировкой исходных данных дает возможность использовать математическое описание объектов, если его выходные значения лежат за пределами диапазона обучающих примеров.

В третьей главе изложена разработка нейронно-сетевой модели отделения ректификации МКС крупнотоннажного производства метанола. Дан краткий характеристик крупнотоннажных производств метанола НАК «Азот» как объекта математического моделирования. Проведен анализ текущих технологических параметров процесса получения метанола-ректификата в рассмотренных производствах.

Далее рассматриваются возможные варианты загрузки крупнотоннажного оборудования в условиях изменяющей нагрузки и состава сырья и варианты

12 работы колонн отделения ректификации.

В диссертации разработана математическая модель отделения ректификации с использованием НС и систем билинейных алгебраических уравнений. Предложена декомпозиция колонн ректификации на три зоны. При таком алгоритме устанавливается связь между отдельными частями моделируемого объекта, то есть имеется связь между выходными параметрами при нейронно-сетевом моделировании. Для каждой области ректификационной колонны строим НС, при этом входные параметры, не влияющие на выход данной НС сети, исключаются.

В работе предложена инверсная процедура обучения искусственной НС, позволяющая при известных значениях возмущающих входных переменных и требуемых значений выходных переменных определять значения управляющих входных переменных, что необходимо при решении задач оптимального управления процессами ректификации. При построении структуры НС приводим исходную многомерную НС к совокупности параллельных НС с одним выходом, который соответствует одному из выходов исходной сети, а входы устанавливаются только те, которые влияют на выход что обеспечивает уменьшение времени обучения НС. Для обучения каждой из НС используем отдельный компьютер.

После проведения успешной процедуры обучения НС используем итерационный алгоритм расчета разомкнутой схемы для получения выходных значений при заданных входных значениях.

Для полного описания отделения ректификации необходимо провести расчет теплообменного оборудования колонн ректификации.

Для определения структуры множества образующихся НС, с одним выходом и множеством входов, предлагается использовать НС с одним промежуточным уровнем.

В работе разработаны комплексы программ нейронно-сетевого моделирования процесса ректификации МКС, расчета и оптимизации параметров технологических режимов многоконтурного отделения ректификации азеотропных МКС крупнотоннажного производства метанола М-300.

В четвертой главе проведена структурно-параметрическая оптимизация

13 отделения ректификации крупнотоннажного производства метанола М-300 HAK «Азот». Предложено для загрузки отделения ректификации производства метанола М-300 использовать в качестве сырья метанол-сырец, вырабатываемый в ПАМ. При этом увеличивается также загрузка цеха ПАМ.

При использовании НС для задачи оптимизации отделения ректификации предлагается использовать в качестве входов сети величины, соответствующие переменным управления ходом процесса, нагрузки и состава сырья. Выходами НС являются расход и состав метанола-ректификата, температурный режим и состав отбираемых фракций.

Оптимизация параметров технологических режимов отделения ректификации с двумя колоннами проведена для получения максимального количества продукта - метанола-ректификата заданного качества при заданном качестве и расходе метанола-сырца. Это позволило увеличить выход метанола в среднем на 11%.

После проведения процедуры структурно-параметрической оптимизации технологической схемы отделения ректификации на основе данных оптимизации составлена математическая модель с использованием НС.

Моделирование технологической схемы отделения ректификации с инверсной процедурой обучения НС позволило определить значения оптимизирующих переменных.

Согласно критерию Фишера, с доверительной вероятностью 0,95 установлено, что полученная нейронно-сетевая модель адекватна эксперименту.

В результате работы преданы и практически реализованы в цехе производства М-300 HAK «Азот»: технологические схемы отделения ректификации крупнотоннажного производства метанола М-300 для разделения метанола-сырца ПАМ и производства М-100; использованы при неполной нагрузке отделения ректификации М-300 разработанные структурные технологические схемы; применены предложенные технологические параметры для оптимального управления процессом ректификации. Для оптимизации отделения ректификации крупнотоннажного производства метанола при переменных нагрузках использованы разработанные комплексы программ и алгоритмы.

14

Объем работы. Диссертационная работа состоит из введения, четырех глав, выводов и списка использованной литературы. Работа изложена на 163 страницах текста, включает 74 рисунка и 16 таблиц; имеются 6 приложений: Приложение-1. «Листинг комплекса программ нейронно-сетевого моделирования процесса ректификации многокомпонентных смесей»; Приложение-2. «Листинг комплекса программ расчета и оптимизации параметров технологических режимов многоконтурного отделения ректификации азеотропных МКС крупнотоннажного производства метанола М-300»; Приложение-3. «Таблицы коэффициентов нейронно-сетевой модели отделения ректификации»; Приложение-4.1. «Акт внедрения комплексов программ моделирования и оптимизации технологических схем отделения ректификации производства метанола М-300 HAK «Азот»; Приложение-4.2. «Акт внедрения двухколонной технологической схемы отделения ректификации производства метанола М-300 для разделения метанола-сырца производства аммиака и метанола HAK «Азот»; Приложение-4.3. «Акт опытно-промышленных испытаний технологической схемы отделения ректификации производства метанола М-300 для разделения метанола-сырца производства аммиака и метанола и производства метанола М-100». Список использованной литературы содержит 146 наименований.

Выводы и основные результаты работы

1. Обобщена и развита методика применения аппарата искусственных нейронных сетей для решения задач математического моделирования и оптимизации процессов ректификации азеотропных МКС.

2. Предложен быстродействующий алгоритм комбинированного обучения нейронной сети, который за счет совместного использования метода обратного распространения ошибок и стохастического обучения Коши позволяет сократить процедуру обучения на 15-20% в сравнении с раздельным использованием каждого из указанных методов обучения.

3. Предложен алгоритм декомпозиции нейронных сетей со многими входами и выходами, который позволяет привести исходную многомерную нейронную сеть к совокупности параллельных нейронных сетей с одним выходом, что обеспечивает уменьшение времени обучения нейронных сетей.

4. Предложены: - новый алгоритм сжатия диапазона нормировки обучающих примеров для нейронной сети с сигмоидальной функцией переноса, который позволяет сократить время обучения нейронной сети и увеличить прогнозирующую способность сети; - инверсная процедура обучения искусственной нейронной сети, позволяющая при известных значениях возмущающих входных переменных и требуемых значений выходных переменных определять значения управляющих входных переменных, что необходимо при решении задач оптимального управления процессами ректификации.

5. Разработана с использованием аппарата искусственных нейронных сетей и систем билинейных алгебраических уравнений математическая модель отделения ректификации МКС со многими рециклами крупнотоннажного производства метанола при изменении нагрузки по метанолу-сырцу, которая необходима для расчета и оптимизации параметров технологических режимов колонн ректификации и теплообменников, входящих в отделение ректификации.

6. Проведена серия вычислительных экспериментов для исследования способности нейронной сети с сигмоидальной функцией переноса при использовании предложенной нормировки обучающих примеров: - уменьшать время обучения нейронной сети, предсказывать выходные значения, расположенные за пределами обучающих примеров: - увеличивать прогнозирующую способность нейронной сети при достижении в ходе ее обучения одинаковой погрешности.

7. Сформулированы содержательная и математическая постановки задачи анализа и оптимизации отделения ректификации крупнотоннажного производства метанола при переменных нагрузках.

8. Разработаны с использованием среды визуального программирования BORLAND DELPHI 5.0 комплекс программ нейронно-сетевого моделирования процесса ректификации МКС, комплекс программ расчета и оптимизации параметров технологических режимов многоконтурного отделения ректификации азеотропных МКС крупнотоннажного производства метанола М-300. Разработанные комплексы программ могут быть использованы для моделирования и оптимизации технологических схем различных отделений ректификации МКС.

9. С применением предложенных алгоритмов и комплексов программ нейронно-сетевого моделирования и оптимизации отделения ректификации азеотропных МКС выполнены расчет и структурно-параметрическая оптимизация отделения ректификации МКС в производстве М-300. Полученные результаты оптимизации позволяют увеличить выход метанола-ректификата производства метанола М-300 и повысить прибыльность производства НАК «Азот».

164

1. Комиссаров Ю.А., Гордеев JI.C., Вент Д.П. Основы конструирования и проектирования промышленных аппаратов. М.: Химия, 1997. - 366 с.

2. Мешалкин В.П. Экспертные системы в химической технологии. Основы теории, опыт разработки и применения. М.: Химия, 1985. - 368 с.

3. АпП К. Jain, Jianchang Мао, К.М. Mohiuddin. Artificial neural networks: A tutorialn // Computer. 1996, v. 29, N3. - p.31-44.

4. Уоссермен Ф. Нейрокомпьютерная техника. Теория и практика. М.: Мир, 1992.-376 с.

5. Lippmann R.P. An introduction to computing with neural nets// IEEE ASSP Mag. 1987.-v.4.-N2.-p.4.

6. Клемеш И., Понтон Д.В. Анализ эффективности использования нейронных сетей для моделирования процессов дистилляции // Теор. основы химич. технологии. 1992 г. - Т. 26, № 3. - с. 412-424.

7. Иванов В.А., Халепа Н.В., Кудрина И.А. Использование искусственных нейронных сетей в задачах математического моделирования процессов химико-технологических систем // Вестник РАДСИ. М.:РХТУ, 1999. - Т.З. - С. 141-145.

8. Нейрокомпьютер как основа мыслящих ЭВМ. М.: Наука, 1993. - 358с.

9. Гордеев JI.C., Глебов М.Б. Применение искусственных нейронных сетей в задачах химической технологии // М.: РХТУ им. Д.И. Менделеева. 1998. -120 с.

10. Schuppert A. Prozepmodellierung mit Hybridmodellen // Chem.-Ing.-Techn. 1998. - b.70, N 9. - p.1090-1091.165

11. Zaldivar J.M., Galvan I. Nonlinear neural predictive contril system. Заявка 0907117 ЕПВ, МПК6 G 05 В 13/04 Communnaitu Europeenne; N 97500154.6; Заявл, 5.09.97, Опубл. 7.04.99.

12. Yeo Y.K., Kwon T.-I. A newral PID controller for the pH neutralization process // Ind. and Eng. Chem. Res. 1999. - v. 38, N3. - p.978-987.

13. Кафаров В.В., Мешалкин В.П. Анализ и синтез химико-технологических систем. М.: Химия, 1991. 432 с.

14. Stephanopoulos G. CACHE Monograph Series. Artificial Intelligence in Process Systems Engineering. V. 1. Brief Overview of AI and its Role in Process Systems Engineering. Texas: CACHE Austin. 1990.

15. Watanabe K., Matsura I., Masahiro A. et al. Incipient Fault Diagnosis of Chemical Processes via Artificial Neural Networks // AIChE Journal. V. 35, №11. -P. 1803.

16. Montague G.A. Artificial Neural Networks for On-Line Estimation Process Variables // In Book: Simulation and Calculation of Biochemical Processes. — Edinburh, Scotland. 1990.

17. Chen S., Billings S.A., Grant P.M. Non-linear System Identification Using Neural Networks // Intern. J. Control. 1990. - V. 51, N 6. - P. 1191.

18. Ydstie B.E. Forecasting and Control Using Adaptive Connectionist Networks // Сотр. Chem. Engng. 1990. - V. 14, N 4/5. - P. 583—589.

19. Ungar L.H., Powell B.A., Kamnes S.N. Adaptive Networks for Fault Diagnosis and Process Control // Сотр. and Chem. Engng. 1990. - V. 14. N 4/5. -P. 561.

20. Bhat N., McAvoy T.J. Use of Neural Nets for Dynamic Modeling and Control of Chemical Process Systems // Comput. and Chem. Engng. 1990. - V. 14. -P. 573-582.

21. Gallanti M., Guida G, e. a. Representing Procedural Knowledge in Expert Systems. An Application to Progress Control // Proc. of the 9—th Intern. Joint Conf. onAl. 1985. - V. l.-P. 345-352.

22. Моделирование, распределенный контроль и управление процессами ректификации/Н.Д. Демиденко, Н.П. Ушатинская; под ред. Б.Н. Девятова. -Новосибирск: Наука, Сибирское отделение, 1978. 286 с.166

23. Анисимов И.В. Комплексное исследование и решение проблемы статической оптимизации управления процессом ректификации: Дис. докт. тех. наук. М.: МИХМ, 1969. - 467 с.

24. Анисимов И.В., Бодров В.И., Покровский В.Б. Математическое моделирование и оптимизация ректификационных установок. М.: Химия, 1975.- 215 с.

25. Анисимов И.В. О решении задачи максимизации выхода дистиллята при ректификации в тарельчатых колоннах // ТОХТ. 1963. - т. 2, № 2, - С. 86—91.

26. Анисимов И.В. Оптимизация статических режимов процесса ректификации по критерию "доходов" // ТОХТ. 1969. - т. 3, № 4, - С. 599606.

27. Анисимов И.В. Исследование статических и динамических характеристик процесса ректификации // Кн. Труды II конгресса ИФАК. М.: Наука, 1965. - С. 265—274.

28. Барский Б.М., Плаксин И.Н. Критерии оптимизации разделительных процессов. -М.: Наука, 1967. 83 с.

29. Демиденко Н.Д., Ушанов C.B. Моделирование, распределенный контроль и распределенное управление процессами ректификации // Изв. Сиб. отд. АН СССР, № 8. Сер. техн. наук. 1975. - вып. 2. - С. 103—109.167

30. Демиденко Н.Д. Распределенный контроль и управление сложными технологическими системами: Автореф. дис. канд. тех. наук. Новосибирск, ИМ СО АН СССР, 1972. - 22 с.

31. Демиденко Н.Д., Бытев В.О., Ушанов C.B. Анализ модели нестационарных режимов массопередачи в ректификационных колоннах // Изв. Сиб. отд. АН СССР, № 3. Сер. техн. наук. 1975. - вып. 3. - С. 134—139.

32. Холланд Ч.Д. Многокомпонентная ректификация. М.: Химия, 1969. -351 с.

33. Багатуров С.А. Основы теории и расчета перегонки и ректификации. -М.: Химия, 1974. 439 с.

34. Платонов В.М., Берго Б.Т. Разделение многокомпонентных смесей. -М.: Химия, 1965.-368 с.

35. Сверчинский Б.С. Разработка и внедрение элементов проектирования на ЭЦВМ многокомпонентной ректификации: Дис. канд. тех. наук. М.: МИХМ и ГП, 1971.- 130 с.

36. Скориков И.Е. Оптимизация процесса экстрактивной ректификации методом математического моделирования: Дис. канд. тех. наук. М.: МХТИ, 1971.- 140 с.

37. Бриль Ж.А., Мозжухин A.C., Першина JI.A., Серафимов JI.A. Проектно-проверочный расчет гетероазеотропной ректификации // Теор. Основы хим. технологии 1985.- т. 19, N6. - С.723-728.

38. Петлюк Ф.Б., Серафимов JI.A. Многокомпонентная ректификация: Теория и расчет. М.: Химия, 1983. - 302 с.

39. Бояринов А.И. Новые принципы расчета колонн ректификации и их комплексов: Дис. докт. техн. наук. М., 1972. - 320 с.

40. Дорохов И.Н., Семенов Г.Н., Кафаров В.В., Комиссаров Ю.А., Яковенко М.М. Применение системного подхода к моделированию и расчету процесса ректификации // Теор. основы хим. технологии 1983. - т. 17, N6. - С.814-822.168

41. Александров И.А. Ректификационные и абсорбционные аппараты. Методы расчета и основы конструирования. М.: Химия, 1978. - 288 с.

42. Кафаров В.В., Бельков В.П. Математические модели и алгоритмы расчета массообменных и тепловых процессов. М.: МХТИ, 1985. - 320 с.50.3акгейм А.Ю. Введение в моделирование химико-технологических процессов. М.: Химия, 1982. -352 с.

43. Праузниц Дж. М. Машинный расчет парожидкостного равновесия. — М.: Химия, 1971.-304 с.

44. Таганов И.Н. Моделирование процессов массо- и энергопереноса: нелинейные системы. JL: Химия, 1979. - 288 с.

45. Фрэнке Р. Математическое моделирование в химической технологии. -М.: Химия, 1971.-440 с.

46. Шестопалов В.В. Математические модели химико-технологических процессов и систем. Ч. 1. М.: МХТИ, 1977. - 368 с.

47. Сафонова Н.П., Мишустин А.Н., Онопко JT.B., Касаткин В.П., Федотенкова Т.Д., Петриченко Н.Н. К вопросу получения математической модели колонны сверхчеткой ректификации многокомпонентной смеси // Труды КФ СКВ АНН. 1970. - Вып. 1. - С. 15—18.

48. Amundson N.R., Pontinen A.J. and Tietney J.W. Multicomponent Distillation on a Large Digital Computer: II. Generalization with Side-Stream Stripping // AIChE J. 1959. - V. 5. - P. 295.

49. Dickey B.R., Holland C.D. and Cecchetti R. Figure Separations this New Way: Part 8 Distillation with Side - Strippers // Hydrocarbon Processing and Petroleum Refiner. - 1962. - V. 41. N 2. - P 143.

50. Tomme W.J. and Holland C.D. Figure Separations this New Way: Part 11-When Several Columns are Operated as a Unit // Hydrocarbon Processing and Petroleum Refiner. 1962. - V. 41. N 6. - P. 139.

51. Nartker T.A., Skrygley J.M. and Holland C.D. Solution of Problems Involving Systems of Distillation Columns // Can. J. Chem. Eng. 1966. - V. 44. - P. 217.

52. Johnson A.I., Aizawa M. and Petryschuk W.F. Simulation of a Synthetic Rubber Plant // Brit. Chem. Engrg. 1968. - V. 13. - P. 1432.

53. Petryschuk W.F. and Johnson A.I. The Mathematical Representation of a Light Hydrocarbon Refining Network // Can. J. Chem. Eng. 1968. - V. 46. - P. 348169

54. Harclerode H. and Gentry J.W. A General Matrix Method for the Steady State Solution of Complex Distillation Assemblies // Can. J. Chem. Eng. 1972. - V. 50.-P. 253.

55. Harris R.E. Distillation Designs Using FLOWTRAN // Chem. Eng. Progress.- 1972.-V. 68. N10.-P. 56.

56. Jelinek J., Hiavacek V. and Krivsky Z. Calculation of Countercurrent Separation Processes III. Computation of Two Interlinked Columns // Chem. Eng. Sri. - 1973.-V. 28.-P. 1833.

57. Hutchison H.P. and Shewchuk C.F. A Computational Method for Multiple Distillation Towers // Trans. Insth. Chem. Engrs. 1974. - V. 52. - P. 3215.

58. Kubicek M., Hiavacek V. and Prochaska F. Global Modular Newton-Raphson Technique for Simulation of an Interconnected Plant Applied to Complex Rectification Columns // Chem. Eng. Sci. 1976. - V. 31. - P. 277.

59. Hess F.E., Holland. C.D., McDaniel R. and Tetlow N.J. Solve More Distillation Problems: Part 7 Absorber - Type Pipestills // Hydrocarbon Processing.- 1977.-V. 56. N5.-P. 241.

60. Hess F.E., Galium S.E., Bentzen G.W., Holland C.D., McDaniel R. and Tetlow N. J. Solve More Distillation Problems: Part 8 Which Method to Use // Hydrocarbon Processing. - 1977. - V. 56. N 6. - P. 181.

61. Browne D.W., Ishii Y. and Otto F.D. Solving Multicolumn Equilibrium Stage Operations by Total Linearization // Can. J. Chem. Eng. 1977. - V. 55. - P. 307.

62. Hofeling B.S. and Seader J.D. A Modified Naphtali-Sandholm Method for General Systems of Interlinked, Multistaged Separators // AIChE J. 1978. - V. 24. -P. 1131.

63. Ketchum R.G. A Combined Relaxation-Newton Method as a New Global Approach to the Computation of Thermal Separation Processes // Chemical Engineering Science. 1979. - V. 34. - P. 387.

64. Holland C.D., Gallun S.E. and Lockett M. J. Modeling Azeotropic and Extractive Distillations // Chem. Eng. 1981. - V. 88. N 6. - P. 185.

65. Buzzi Ferraris G. Interlinked, Multistaged Separators Nonstandard Specification Solved by he Newton-Raphson Method // AIChE J. 1981. - V 27. - P. 163.170

66. Holland C.D. Multicomponent distillation // Prentice-Hall, Inc., Engelwood Cliffs. New Jersey. - 1963.

67. Haas J.R., Holland C.D., F. Doninguez S. and Gomez M. Solution of Systems of Columns with Energy Exchange Between Recycle Streams // Computers and Chemical Engineering. 1981. - V 5. - P. 41.

68. Ценев B.A., Ветохин B.H., Комиссаров Ю.А. Решение задачи линеаризации для моделирования системы сложных взаимосвязанных колонн разделения/Моск. хим.-технол. ин-т. М., 1990. - 18 с. Деп. в ВИНИТИ 16.04.90, № 2057-90.

69. Кафаров В.В., Глебов М.Б. Математическое моделирование основных процессов химических производств. М.: Высш. шк., 1991. - 400 с.

70. Болнокин B.C., Чинаев П.И. Анализ и синтез систем автоматического управления на ЭВМ: алгоритмы и программы. -М.: Радио и связь, 1986. 248 с.

71. Полак Э. Численные методы оптимизации. М.: Мир, 1974. - 376 с.

72. РойтенбергЯ.Н. Автоматическое управление. -М.: Наука, 1978. 552 с. 81 .Черноусько Ф.Л., Баничук Н.В. Вариационные задачи механики иуправления. М.: Наука, 1973. - 252 с.

73. Моисеев H.H. Элементы теории оптимальных систем. М.: Наука, 1975. -318с.

74. Руководство по проектированию систем автоматического управления / Под ред. Бесекерского В.А. М.: Высшая школа, 1983. - 296 с.

75. Форсайт Дж., Малькольм М., Моулер К. Машинные методы математических вычислений. М.: Мир, 1980. - 280 с.

76. Растригин J1.A. Системы экстремального управления. М.: Наука, 1974.- 632 с.

77. Карманов В.Г. Математическое программирование. М.: Наука, 1980. -256 с.

78. Милин И.М. Методы поиска экстремума функции многих переменных.- М.: Воениздат, 1971.-204 с.

79. Химмельблау Д. Прикладное линейное программирование. М.: Мир, 1975.-534 с.

80. Базара М., Шести К. Нелинейное программирование: теория и алгоритмы. М.: Мир, 1982. - 584 с.171

81. Фиакко А., Мак-Кормик Г. Нелинейное программирование: методы последовательной безусловной минимизации. М.: Мир, 1972. - 240 с.

82. Гроссман К., Каплан А.А. Нелинейное программирование на основе безусловной минимизации. Новосибирск: Наука, 1981. - 240 с.

83. Werbos P.J. Building and understanding adaptive systems: a statistical/numerical approach to factory automation and brain research // IEEE Trans.on Systems, Man, and Cyber. 1987 - N1. - p. 7-20.

84. Bryson A.E., Ho Yu-Chi. Applied optimal control. New York: Blaisdell, 1969.

85. Werbos PJ. Beyond regression: New tools for prediction and analysis in the behavioral sciences // Masters thesis, Harward University. 1974.

86. Parker D.B. A comparision of algorithms for neuron-like cell // Proc. Second Annual Conference on Newral Networks for Computing. New York: American Institute of Physics, 1986. - v. 151. - p.327-332.

87. Parker D.B. Learning logic // Invention Report S81-64, File 1, Office of Technology Licensing, Stanford University, Stanford, CA. 1982.

88. Anderson J.A., Rosenfeld E. Neurocomputing: foundation of research // Cambrige, Massachusetts: MIT Press, 1988.

89. Rumelhart D.E., Hinton G.E., Williams R.J. Learning representations by back-propagation errors //Nature. 1986. - v.343. - p.533-536.

90. Jacobs R.A. Increased rate of convergence through learning rate adaptation // Neral Netwirks. 1988. - v. 1. - N4. - p.295

91. Williams R.J. Unit activation rules for cognitive network models // ICS Report 8303, Institute of Cognitive Science, University California at San Diego. -1983.

92. Carter J.P. Successfully using peak learning rates of 10 ( and grater) in back-propagation networks with the heuristic learning algorithm // Proc. 1987 IEEE International Conference on Neral Networks, IEEE Press, New York. 1987. - v.II. -p.645-651.172

93. Hush D.R., Salas J.M. Improving the learning rate of back-propagation with the gradient reuse algorithm // Proc.1988 IEEE International Conference on Newral Networks, IEEE Press, New York. 1998. - v.I. - p.441-446.

94. Глебов М.Б. Интенсификация процессов разделения азеотропных и химически взаимодействующих смесей на основе метода математического моделирования и аппарата искусственных нейронных сетей: Автореф. дис. докт. техн. наук. М.: РХТУ, 1996. - 32 с.

95. Windrow В., Stearns S.D. Adaptive signal Processing. Prentice-Hall, 1985.

96. Rumelhart D.E., Mc Clelland J.L., James L. Parallel distributed processing: explorations in the microstructure of cognition. MIT Press. 1987. - v.III.

97. Sejnowski T.J., Rosenberg C.R. Parallel networks that learn to pronounce English text// Complex Systems. 1987. - v.I. -p. 145-168.

98. Parker D.B. Second order back propagation: Implementing an optimal O(n) approximation to Newton's method as an artificial newral network // Manuscript submitted for publication. 1987.

99. Stornetta W.S., Huberman B.A. An improwed three-layer, backpropagation algorithm // In Proceedings of the IEEE First International Conference on Newral Networks, Eds. M. Caudill and C. Butler. San Diego, CA: SOS Printing, 1987.

100. O.Pineda F.J. Generalization of backpropagation to recurrent and higher order networks/In Newral information processing systems/Ed. Dana Z. Anderson. New York: American Institute of Phisycs, 1988. - p. 602-611.

101. Almeida L.B. Neural computaters // Proceedings of NATO ARW on Neural Computers, Dusseldorf. Heidelberg: Springer-Verlag. 1987.

102. Ricotti L.P., Ragazzini S., Martinelli G. Learning of word stress in a suboptimal second order back-propagation neural networks // Proc. 1988 IEEE International Conference on neural networks, IEEE Press, New York. 1988. -v.I. -p.355-361.

103. Watrous R.L. Learning algorithms for connectionist networks: applied gradient methods of nonlinear optimization // Proc. 1987 IEEE International Conference on Neural Networks, IEEE Press, New York. 1987. - v.II. - p.619-627.

104. Shepanski J.F. Fast learning in artificial neural systems: multilayer perceptron training using optimal estimation // Proc. 1988 IEEE International Conference on Neural Networks, IEEE Press, New York. 1988. - v.I. - p.465-472.173

105. Williams R.J. A class of gradient-estimating algorithms for reinforcement learning in neural networks // Proc. 1987 IEEE International Conference on Neural Networks, IEEE Press, New York. 1987. - v.II. - p.601-608.

106. Carpenter G.A., Grossberg S. A massively parallel arhitecture for self organizing neural patten recognition machine // Computer Vision, Graphics and Image Processing. 1987. - v.37. - p.54-115.

107. Carpenter G.A., Grossberg S. ARTZ: self-organization of stable category recognition codes for analog input pattens // Applied Optics. 1987. - v.26, N23. -p.4919-4930.

108. Fukushima K. Neocognitron: a hierarchical neural networks capable of visial patten recognition // Neural Networks. 1988. - v.l. - p.l 19-130.

109. Fukushima K., Miyake S. Neocognitron: a new algorithm for patter recognition tolerant of deformations and shifts in position // Pattern Recognition. -1984. v.15, N6. - p.455-469.

110. Geman S., Geman D. Stohastic relaxation, Gibbs distribution and Baysian restoration of images // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1984. - v. 6. -p.721-741.

111. Szu H., Hartley R. Fast Simulated annealing // Physics Letters. 1987. - v. 1222(3,4).-p. 157-162.

112. Wassermann P.D. Combined backpropagation/Cauchi machine. Neural Networks // Abstracts of the First INNS Meeting, Boston. Elmsford, NY. Pergamon Press, 1988. - v.l. -p.556.

113. Кафаров B.B., Гордеев JI.C., Глебов М.Б., Го Цзинбяо. К вопросу моделирования и управления непрерывными технологическими процессами с помощью нейронных сетей // Теор. основы хим. техн. 1995, т.29, N 2.- С. 6266.

114. Комиссаров Ю.А., Тукманов Д.Г., Теляков Э.Ш., Бикмурзин А.Р., Закиров М.А. Программная реализация математической модели ректификационных объектов химической технологии // Вестник РАДСИ. -М.:РХТУ, 1998. Т.2. - С. 29-38.

115. Дарахвелидзе П.Г., Марков Е.П. Delphi среда визуального программирования. - СПб.: BHV-Санкт-Петербург, 1996. - 352 с.

116. Регламент цеха производства аммиака и метанола. Северодонецк.: НИИХИММАШ, 1966. - 380 с.174

117. Караваев М.М., Мастеров А.П. Производство метанола. М.: Химия, 1973.-160 с.

118. Технология синтетического метанола/М.М. Караваев, В.Е. Леонов, И.Г. Попов, Е.Т. Шепелев; под ред. М.М. Караваева. М.: Химия, 1984. - 240 с.

119. Регламент цеха синтеза метанола М-100. Северодонецк.: НИИХИММАШ, 1976. - 520 с.

120. Регламент цеха синтеза метанола М-300. Северодонецк.: НИИХИММАШ, 1988. - 620 с.131 .Островский Г.М., Волин Ю.М. Методы оптимизации сложных химико-технологических схем. М.: Химия, 1970. - 328 с.

121. Островский Г.М., Волин Ю.М. Моделирование сложных химических схем. М.: Химия, 1975. - 311 с.

122. Кафаров В.В. Основы массопередачи. М.: Высшая школа, 1979. - 439с.

123. Павлов К.Ф., Романков П.Г., Носков A.A. Примеры и задачи по курсу процессов и аппаратов химической технологии. JL: Химия, 1981. - 560 с.

124. Дытнерский Ю.И. Основные процессы и аппараты химической технологии. М.: Химия, 1991. - 496 с.

125. Бояринов А.И., Кафаров В.В. Методы оптимизации в химической технологии. М.: Высшая школа, 1975. - 576с.

126. Касаткин А.Г. Основные процессы и аппараты химической технологии. 9-е изд., пер. и доп. М.: Химия, 1973. - 754 с.

127. Каневец Г.Е. Обобщенные методы расчета теплообменников. Киев, 1979.-352 с.

128. Кутателадзе С.С. Основы теории теплообмена. М. Высш. шк., 1962. -512 с.

129. Справочник по теплообменникам. Т. 2. М.: Энергоатомиздат., 1987. -352 с.

130. Кафаров В.В. Методы кибернетики в химии и химической технологии. — М.: Химия, 1985.-448 с.

131. Романков П.Г., Фролов В Ф. Теплообменные процессы химической технологии. Л.: Химия, 1982. - 540 с.

132. Михеев М.А., Михеева И.М. Основы массопередачи. М.: Энергия, 1973.-319 с.175

133. Марчук Г.И. Методы вычислительной математики. — М.: Наука, 1977. 360 с.

134. Плановский А.Н., Рамм В.М., Каган С.З. Процессы и аппараты химической технологии 5-е изд., пер. и доп. М.: Химия, 1968. - 847 с.

135. Бронштейн И.Н., Семендяев К.А. Справочник по математике для инженеров и учащихся ВУЗов. М.: Наука, 1986. - 376 с.