автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Автоматизация технологического процесса производства полиэтилена на базе нейросетевой идентификации индекса расплава

КУДРЯВЦЕВ Максим Алексеевич

АВТОМАТИЗАЦИЯ ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА ПРОИЗВОДСТВА ПОЛИЭТИЛЕНА НА БАЗЕ НЕЙРОСЕТЕВОЙ ИДЕНТИФИКАЦИИ ИНДЕКСА РАСПЛАВА

Специальность 05.13.06 - Автоматизация и управление технологическими процессами и производствами

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Уфа 2005

Работа выполнена на кафедре вычислительной техники и защиты информации Уфимского государственного авиационного технического университета

Научный руководитель

д-р техн. наук, проф. Фрид Аркадий Исаакович

Официальные оппоненты:

д-р техн. наук, проф. Веревкин Александр Павлович канд. техн. наук, доц. Алимбеков Роберт Ибрагимович

Ведущее предприятие:

Государственное унитарное предприятие Институт «Нефтехимпереработки»

Защита диссертации состоится «2Х » 72- 2005 г. в часов на заседании диссертационного совета Д-212.288.03 в Уфимском государственном авиационном техническом университете по адресу: 450000,г.Уфа, ул.К.Маркса, 12

С диссертацией можно ознакомиться в библиотеке университета

Автореферат разослан «21 » 11 2005 г.

Ученый секретарь диссертационного совета д-р техн. наук, проф.

Лоб-Ч 21M~4Z

pMéQlf 1

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы. 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.

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,

A.Р. Беляева, А.И. Бояринов, А.П. Веревкин, В.М. Володин, О.В. Голованов,

B.А. Голубятников, В.В. Кафаров, В.П. Кривошеее, В.П. Мешалкин, Г.М. Островский, А.М. 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). Существуют универсальные комплексные системы, позволяющие моделировать и оптимизировать весь процесс производства, например, системы фирм SIMSCI, Shell Global Solutions, 1 Combustion Engineering Simeon, SETPOINT, ChemShare, ELF и др.

Одним из таких важнейших показателей качества физико-химических свойств полимеров является индекс расплава ИР (показатель текучести расплава), который характеризует их вязкость (задается международными стандартами DIN 53735, 54811 и ISO 1133). В России определение ИР осуществляется аналогично в соответствии с ГОСТ 11645-73, 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

РОС. НАЦИОНАЛЬНАЯ 1 БИБЛИОТЕКА !

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 характер 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 приборы контроля ИР непосредственно на технологических линиях производства полимеров также вносят существенное запаздывание и обладают низкой надежностью из-за периодического загрязнения калибровочного отверстая. 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.

Перспективным для идентификации 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.

Таким образом, автоматизация технологического процесса на базе идентификации ИР в реальном масштабе времени является актуальной задачей.

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

Задачи исследования. Для достижения цели работы поставлены и решены следующие задачи:

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.

На защиту выносятся:

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.

Научная новизна решения поставленных задач:

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.

Практическая ценность работы:

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.

Внедрение результатов. Основные результаты диссертационной работы внедрены на ОАО «Уфаогсинтез» и в учебном процессе УГЛТУ.

Апробация работы. Основные положения и результаты работы докладывались на 7 научно-технических конференциях, в том числе:

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

• Гагаринские Международные молодежные конференции «ХХУ11-ХХХ Гагаринские чтения», Москва 2001-2004гг.

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

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

Публикации. Список публикаций по теме диссертации содержит работ 11, в том числе 10 статей и материалов научно-практических конференций, один патент.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы, четырех приложений, содержит 164 листа и включает 75 рисунков, 21 таблицу, 152 наименования использованной литературы.

СОДЕРЖАНИЕ РАБОТЫ

Во введении приводится общая характеристика работы: показана актуальность проблемы, сформулированы цели и задачи исследования, приведены научные и практические результаты работы.

Первая глава посвящена анализу структуры системы управления технологическим процессом производства полиэтилена и существующих методов идентификации индекса расплава.

В настоящее время усилия многих ученых направлены на разработку новых автоматизированных или автоматических методов управления технологическими процессами производства в нефтехимической промышленности на основе анализа качества выпускаемой продукции. Переход на новые методы управления направлен на то, чтобы в реальном масштабе времени оценивать основные параметры технологического процесса, определяющие качество продукции, и замыкать управление на автоматические исполнительные устройства, тем самым либо полностью, либо частично исключить человеческий фактор. При этом для построения АСУ'ПТ обычно используется трехуровневая схема управления: контроль и обеспечение заданных значений технологических параметров, на основе которых производится управление процессами (автоматические системы контроля и управления); вычисление (оценка) и поддержание заданных показателей качества продуктов производства, расчет и оптимизация отдельных технико-экономических показателей; расчет балансов по продуктам и энергии, расчет удельных энерго- и материалозатрат на единицу продукции и т.д. Первый уровень на сегодняшний день технически достаточно отработан. В существующих производствах широко используются локальные подсистемы автоматического или с участием оператора поддержания необходимых значений параметров в определенных пределах (температуры, давления, уровни и т.д.), однако это не гарантирует заданного качества готового продукта. Основная проблема при построении подсистем второго уровня связана с трудностью получения оперативной информации о показателях качества и технико-экономических показателях. Поточные анализаторы качества, как

правило, для целей оперативного управления не годятся, т.к. обладают неприемлемо большим запаздыванием, большой погрешностью, низкой надежностью и дороги в эксплуатации.

Одним из важнейших показателей качества полиэтилена является индекс расплава (ИР), характеризующий показатель текучести полиэтилена и определяемый в соответствии с ГОСТ 11645-73. В существующем технологическом процессе производства полиэтилена определение ИР осуществляется лабораторией и контролируется несколько раз за смену. Информация о значении ИР передается оператору, корректирующему техпроцесс, с большим запаздыванием.

Дана оценка погрешности лабораторного метода определения ИР, которая составляет ±2%. В соответствии с ГОСТ 16338-85, разброс ИР для высшего сорта в пределах одной партии не должен превышать ±5%. Анализ реального поведения ИР в процессе производства полиэтилена одной марки показывает отклонение ИР относительно среднего значения до ±25%, что для получения полиэтилена заданного качества требует промежуточной сортировки и его перемешивания с полиэтиленом с различными ИР, полученными в разные моменты времени. Оперативное управление по этому показателю качества позволило бы существенно увеличить выпуск продукции высшего сорта. Однако, проведенный анализ приборного оборудования и расчетно-аналитических методов для идентификации ИР в реальном масштабе времени показывает, что удовлетворительного решения, обеспечивающего заданную точность и быстродействие, на сегодняшней день нет. Это обуславливается сложностью задачи идентификации ИР из-за влияния на него большого количества переменных и трудно учитываемых в процессе производства факторов.

Анализ расчетно-аналитических методов идентификации ИР показал, что наиболее перспективным для решения данной задачи представляется использование средств искусственного интеллекта в виде нейронных сетей (НС), обученных по результатам лабораторного анализа с учетом транспортного запаздывания. Предложен процесс идентификации ИР, заключающийся в самонастройке нейросетевой модели ИР по значениям ИР, полученным в лаборатории. Процесс инвариантен по отношению к способу определения ИР в лаборатории.

Использование нейросетевого идентификатора ИР с блоком принятия решений позволит полностью автоматизировать процесс производства

полиэтилена по показателю качества - ИР. На рис.1 представлена предлагаемая АСУ ТП производства полиэтилена (темным выделены вновь вводимые блоки)

Рис.1. - Предлагаемая АСУ ТП производства полиэтилена

Проанализирована эффективность использования автоматизированной системы управления. Показана возможность увеличения выпуска полиэтилена заданного качества на 8-10%. В главе сформулированы цель работы и основные задачи исследования.

Во второй главе проведен анализ сигналов, характеризующих индекс расплава на конечной стадии производства полиэтилена, определены коэффициенты влияния параметров техпроцесса па ИР, произведена оценка погрешности и сформулированы требования к точности нейросетевого идентификатора ИР.

В качестве входной информации для нейросетевого идентификатора ИР использовались следующие сигналы: уровень жидкой фракции расплавленного полиэтилена в отделителе низкого давления ¿онд>; частотота вращения экструдера N (экструдер регулирует 10НД1 и подает жидкую массу на фильеру, на выходе которой находятся ножи, гранулирующие полиэтилен); температура фильеры 7ф; давление в отделителе низкого давления Ронл, потребляемая мощность электродвигателя экструдера А/эд; давление перед фильерой

Проведенный спектральный анализ сигналов показывает, что основной информативный диапазон лежит в области инфранизких и низких частот (0-10 Гц), что является основой для выбора структуры и параметров фильтров.

Для синтеза параметров фильтров используется двухшаговая процедура: на первом шаге эмпирически подбирается время осреднения каждого каскада, на втором - эти значения используются как начальные условия для оптимизации по критерию точности настройки НС. Использование цифрового фильтра позволяет уменьшить влияние помех и случайных выбросов, но, как следствие, искажается информационная составляющая сигнала. Подбор оптимальных коэффициентов фильтра осуществляется экспериментальным путем для каждого сигнала. Вывод о качестве фильтра делается на основе НС, обученной по отфильтрованному сигналу и сверенному с эталонными значениями. Критерий оптимизации фильтра имеет вид:

J = ¿[ЯРзгМ-ЙРлрМГ => roin>

1=1

где N - число отсчетов за время наблюдения; At - интервал наблюдений.

Разработан алгоритм машинного синтеза параметров фильтра Подобранные таким образом фильтры позволяют повысить точность работы НС в реальном масштабе времени.

Для эффективной фильтрации предложено использовать двухкаскадное осреднение Каждое решение первого осреднителя можно представить в виде

~_J_ V х' ~ 120

ji-W

где х,— среднее значение отсчета, отнесенное к моменту времени г; 120 - количество отсчетов временного окна (2 мин).

Отсчеты на выходе второго осреднителя можно представить в виде

~ _L v~

Ук ~ 900 „П5и''

где yt- среднее значение отсчета, отнесенное к моменту времени t, 900 - количество отсчетов временного окна (15 мин). Для анализа погрешности, вносимой фильтрацией в исходный сигнал, проведено сравнение характеристик исходных сигналов и сигналов, полученных после фильтрации (рис.2). Из сравнения спектральных характеристик видно, что низкочастотная часть сигналов практически не искажается, а происходит подавление высокочастотной составляющей. Из рис. 3 видно, что динамическое запаздывание составляет около 8 мин. Для данного процесса, протекающего часами, это можно считать реальным временем.

Рис.2. Спектральная плотность мощности сигнала Хонд (сплошной линией - до фильтра, пунктиром - после фильтра)

!

•а 11» -44—

„ -Л^Л^ АЛ - ЛГ .г^

и

\

1 <3 а* «7 41 ат п т п«1»1йм<1|11«1г ш м)17»»1Ж»х*м«1 Л*ИП7М»11Пи1УТМв14ЯМ««4М<Г«П 1

г. ______ _ __ _.___--

>• ■ • / 1 —1,1 ~ 1 ------ ■ --

ч-г-

-

1 11 25 ** 4* *1 п м 1«1>1 ШШШШМ! ш м> и; а м Ж М Ш Ш «1 1 |11вМ7Ш||1тШаГ4М««4414|Г«|М1«

Рис.3. Вид нефильтрованного и фильтрованного сигналов Ьат Учитывая, что информация о параметрах технологического процесса заключена, в основном, в низкочастотной части спектра, проведен анализ возможности аппроксимации поведения параметров полиномиальными моделями. В качестве примера на рис.4 показан сигнал с датчика уровня ¿щщ и его аппроксимация полиномиальными моделями различного порядка.

Использование в качестве математической модели сигналов аппроксимирующих полиномов 16-й степени дает достаточно высокую точность на фиксированных интервалах времени, однако для других интервалов времени весовые коэффициенты имеют существенные различия, что затрудняет использование аналигических моделей сигналов для идентификации ИР. Делается вывод о целесообразности использования нейронной сети как универсального аппроксиматора в качестве модели для идентификации ИР.

Рис.4. Сигнал с датчика уровня 1онд и его аппроксимация полиномиальными моделями различного порядка.

Проведена оценка точности всего тракта идентификации ИР, включая влияние погрешностей датчиков, фильтров, лаборатории. Для этого проведен анализ базы данных (около 6000 точек замеров по каждому параметру, включая и лабораторные замеры ИР), который позволил получить средние значения контролируемых параметров для различных значений ИР (табл. 1).

На основании полученных значений были рассчитаны коэффициенты влияния различных параметров на ИР (таблица 2), что позволило сформулировать требования к погрешности нейросетевой идентификации ИР

Таблица 1 - Осреднениые значения параметров технологического процесса

7ф(°С) Лшд (кг/см2) ¿онд (см) N (об/мин) Яф (кг/см2) Мд (Вт) ИР

248,0849 1,2406 25,5324 67,3070 98,6786 66734,5 1,9

247,9011 1,2337 23,9380 67,2781 96,3230 61370,6 2,0

247,2712 1,2252 22,3196 67Д308 93,2954 60730,7 2,1

246,4995 1,2259 21,1797 67,1647 89,3491 73248,1 2,2

249,3042 1,2291 20,8167 65,1275 90,8392 53426,8 2,3

248,8114 1,2042 27,7757 63,0081 91,3157 66764,2 2,4

248,8417 1,2168 28,6483 68,4550 94,3100 45362,2 2,5

Таблица 2 - Коэффициенты влияния параметров технологического процесса на ИР

0,1767

\_кг/см

-2,38713

49

-0,0691

\_об/мин J

(ЩП

крф

ИР ]

кг! с.\Г |

-0,0052

"Мэй

[«и]

3,27-10

Учитывая случайный характер ошибок и в первом приближении их независимость друг от друга, получим:

ШР = ^М1АБг + ЛЯС2 + ет, (1)

где АЛАБ - погрешность эталонных значений (составляет 2%); ЛЯС -погрешность обучения НС; е - суммарная погрешность от ошибок измерения сигналов технологического процесса, определяемая как

^ — 12)

где ЛГ^, .., АМ*» погрешности датчиков параметров технологического процесса; ДЕТф, ~ погрешности соответствующих фильтров; ¿ШР -

общая погрешность определения ИР (5%).

Подставляя в (2) значение погрешностей датчиков и фильтров, получим е«2,6%. Тогда максимально допустимая погрешность АЯС составляет ±3,7%, или в абсолютных значениях 0,07 при заданном значении ИР=2.

Следует отметить, что на точность идентификации ИР погрешности, обуславливающие величину е, не влияют, поскольку обучение НС осуществляется совместно с этим же комплектом датчиков. Реальный вклад в погрешность е может внести лишь нестабильность датчиков, однако, учитывая, что база данных собирается в течение длительного времени (около одного года), их нестабильность также осреднена. Если в процессе эксплуатации

происходит замена датчика, то погрешность, вносимая им, не превысит рассчитанную величину е.

В третьей главе проводится выбор структуры НС, способной решить задачу идентификации ИР полиэтилена.

Проведенный анализ различных структур НС (многослойные сети, сети с обратными связями и различным числом нейронов, классификаторов на основе НС) показал, что сделать однозначного выбора в пользу той или иной структуры нельзя, т.к. при соответствующем количестве нейронов НС способны обучиться и давать правильное решение с заданной точностью. Конкретный выбор структуры НС был основан только на сложности (число нейронов) самой НС, времени ее обучения и простоте реализации.

Для получения текущего значения ИР было предложено использовать классификатор, построенный на НС (рис. 5), т.к. результаты его работы укладываются в трубку точности, построенную на основе анализа погрешностей измерения, а сама реализация является оптимальной по критерию точности и сложности.

Рис. 5. Классификатор и структура НС

Для этого весь диапазон изменения ИР разбивается на группы. На каждую группу обучается отдельная НС. Это сделано потому, что в обучающей БД число элементов, соответствующих каждой группе, не одинаково. Если обучать все вместе, то НС, в основном, обучится на выход, для которого число элементов в обучающей БД максимально. Крайние выходные элементы группы пересекаются с соседней группой.

Каждая НС построена на трехслойном персептроне, входной слой которого не участвует в преобразовании информации, а выполняет функцию

распределения входных сигналов между нейронами скрытого слоя Число нейронов во входном слое равно числу измеряемых параметров В скрытом слое число нейронов подбирается опытным путем для каждой НС.

Как было показано в главе 2, допустимая погрешность обучения НС составляет ±3,7%. Для этой погрешности можно построить «трубку точности» для лабораторных значений ИР и проверять качество обучения НС на заданной БД (Рис. 6). Из рисунка видно, что нейросеть обучилась с достаточно высокой точностью, но существуют участки, где показания НС выходят за пределы трубки точности. Такие участки возникают каждые 8 часов, и это связано с тем, что в эти интервалы времени производят контрольные тесты оборудования и переключаются на ручной режим. Это вводит погрешность в показания НС, которая может быть устранена за счет нелинейной фильтрации.

Рис. 6. Трубка точности ИР и показания, выдаваемые НС.

В четвертой главе рассмотрена реализация микропроцессорного устройства идентификации ИР полиэтилена и перспективы использования результатов работы.

Разработаны функциональная и принципиальная электрические схемы устройства на базе микроконтроллера фирмы Atmel ATmega 32, разработана конструкция и выполнена реализация прибора для идентификации индекса расплава ИР-1. При этом прибор работал в двух режимах: на первом этапе (около года) с помощью ИР-1 осуществлялся ввод параметров технологического процесса по RS-232 в персональный компьютер типа IBM PC для формирования базы данных (БД); на втором этапе полученные в результате диссертационной работы алгоритмы нейросетевой идентификации ИР были

запрограммированы в микроконтроллер ИР-1 и прибор перешел в режим индикации ИР в реальном масштабе времени без участия IBM PC.

Для обеспечения этих режимов разработано программное обеспечение (ПО) микроконтроллера и ПО высокого уровня для IBM PC, работающего с операционной системой Windows 2000.

Обсуждаются перспективы использования предложенного способа и устройства идентификации ИР в автоматизированной системе управления, а также проблемы, которые необходимо решить для реализации блока принятия решений, работающего по результатам идентификации ИР в реальном масштабе времени.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ

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 № 2213955.

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 11645—73. Прибор нашел применение в технологическом процессе производства полиэтилена на заводе ОАО «У фаоргсинтез».

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 810% от объема выпускаемого продукта.

ПУБЛИКАЦИИ, ОТРАЖАЮЩИЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Пат. 2213955 РФ, МКИ 7в 01 N 11/02. Способ определения реологических характеристик полимерных материалов / М.А. Кудрявцев, А.И. Фрид, Г.А. Малафеев, А.В. Кудрявцев; Уфимск. гос. техн. ун. (РФ). № 2001109813/28; Заявл. 11.04.01; Опубл. 10.10.03. Бюл. № 28.

2. Кудрявцев М.А., Фрвд А.И., Малафеев Г.А., Ханов В.В. Определение индекса расплава полиэтилена на основе использования нейросетевой модели // Нейрокомпьютеры: разработка, применение. М.:ИПРЖР, 2001. № 4-5. С. 7074.

3. Кудрявцев М.А., Фрид А.И. Использование нейросети для определения индекса расплава полиэтилена // XXVII Гагаринские чтения, Мат. междунар. молодеж. конф., М.: МАИ, 2001. С. 65.

4. Кудрявцев М.А., ФридА.И., ДеевИ.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.

5. Кудрявцев М.А., ФридА.И. Определение качества полимеров с использованием нейронных сетей // XXVIII Гагаринские чтения, Мат. междунар. молодеж. конф., М.:МАИ, 2002. С. 71-72.

6. Кудрявцев М.А., Фрид А.И., Кудрявцев A.B. Оценка качества полимеров на основе нейронных сетей // Тр. 5-й Междунар. конф. по вычислительной технике и информационным технологиям. Уфа: УГАТУ, 2003. С. 183-185. (статья на англ. яз.).

7. Кудрявцев 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.

8. КудрявцевМ.А., ФридА.И. Микропроцессорное устройство определения реологических характеристик полимеров для авиационной техники // XXX Гагаринские чтения, Мат. междунар. молодеж. конф., М.:МАИ, 2004. С. 89-90.

9. Кудрявцев A.B., Кудрявцев М.А. Микроконтроллеры семейства МС68НС16 фирмы Motorola. Методические указания — Уфа: УГАТУ, 2004. 134 с.

10. Кудрявцев М.А., Фрид А.И. Особенности технической реализации нейронной сети для контроля характеристик полимеров в процессе произвелства // XXII Туполевские чтения: сб. тр. междунар. молодеж. конф., Казань:КГАТУ, 2004. Т.З. С.116-117.

11. КудрявцевМ.А., ФридА.И. Анализ сигналов, характеризующих технологический процесс // Создание и внедрение корпоративных информационных систем на промышленных предприятиях Российской Федерации. Матер. Всерос. науч.-техн. конференция, Магнитогорск: Магн. гос. техн. ун., 2005. С. 51-56.

Соискатель

М.А. Кудрявцев

КУДРЯВЦЕВ Максим Алексеевич

АВТОМАТИЗАЦИЯ ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА

ПРОИЗВОДСТВА ПОЛИЭТИЛЕНА НА БАЗЕ НЕЙРОСЕТЕВОЙ ИДЕНТИФИКАЦИИ ИНДЕКСА РАСПЛАВА

Специальность 05.13.06 - Автоматизация и управление технологическими процессами

и производствами

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Подписано к печати 11.11.2005. Формат печати 60x84 1/16. Бумага офсетная. Печать плоская. Гарнитура Times New Roman Суг. Усл. пен.-л. 1,0. Усл. кр.-отт. 1,0. Уч.-изд. л. 0,9. Тираж 100 экз. Заказ №511.

ГОУВПО «Уфимский Государственный авиационный технический университет» Центр оперативной полиграфии 450000, Уфа-центр, ул. К.Маркса, 12

р 23 4 1 1

РНБ Русский фонд

2006-4 27694

Введение.

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.

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 53735, 54811 и ISO 1133). В России определение ИР осуществляется в соответствии с ГОСТ 11645-73, 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, 2003г.

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

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

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

Публикации

Основные материалы диссертационной работы опубликованы в 5 статьях и 5 тезисах докладов, получен патент на изобретение № 2213955 (приоритет от 11.04.2001г.).

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/3-1/4/3601/00/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 № 2213955.

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 11645—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.

1. 2-я Московская международная конференция "Полиэтилен 2005" ф http://www.polymerindustrv.ru/practics/section89/article2919.html.

2. Абиев 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. Аведьян 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. Аверин А.Н., и др. Нечеткие множества в моделях управления иискусственного интеллекта; под ред. Д. А Поспелова. — М.: Наука,1986. —312 с.

5. Алиев 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. Андриевский Б.Р., Фрадков A.JI. Избранные главы теории автоматического управления с примерами на языке Matlab. — СПб.: Наука, 1999.—467 с.

8. Балакерев B.C., Володин В.М., Цирлин A.M. Оптимальноеуправление процессов химической технологии (экстремальные задачи в АСУ). — М.: Химия, 1978. — 384 с.

9. Балакирев B.C., Барский JI.A., Бугров А.В. и др. Технические средства автоматизации химических производств: справ, изд. — М.: Химия, 1991. —272 с.

10. Богданович 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. Бубенчиков 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. Бухаленко 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. Васильев 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. Васильев В.И., Ильясов Б.Г. Интеллектуальные системы управления с использованием генетических алгоритмов: учеб. пособие. — Уфа: УГАТУ, 1999.—105 с.

16. Васильев В.И., Ильясов Б.Г. Интеллектуальные системы управления с использованием нечеткой логики: учеб. пособие. — Уфа: УГАТУ, 1995, —80 с.

17. Васильев 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. Васильев 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. Веревкин А.П., Дадаян Л.Г. Анализ и синтез автоматических систем регулирования сложных объектов нефтепереработки и нефтехимии: учеб. пособие. — Уфа: УГНТУ, 1989. —94 с.

20. Веревкин А.П., Денисов С.В. Современные технологии управления процессами: учеб. пособие. —Уфа: УГНТУ, 2001. — 86 с.

21. Веревкин 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. Веревкин 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. Гаврилов А.И. Нейросетевая реализация процедуры идентификации динамических систем // Автоматизация и современные технологии.3. — 2002. — С. 22-25.

24. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. — СПб.: Питер, 2000.— 384 с.

25. Галушкин А.И. Нейрокомпьютеры в разработках военной техники США: Обзор по материалам открытой печати // Научный центр нейрокомпьютеров. — М.:РАН, 1995.—152 с.

26. Галушкин А.И. Нейрокомпьютеры. кн.З: учеб. пособие для вузов. — М.: ИПРЖР, 2000. — 528с.

27. Галушкин А.И. Перспективные проблемы теории нейронных сетей. // Нейрокомпьютеры: разработка и применение.— №3. — 2000. — С. 3-12.

28. Галушкин А.И. Синтез многослойных систем распознавания образов. М: Энергия, 1974. —123 с.

29. Галушкин А.И. Современные направления развития нейрокомпьютерных технологий в России // Открытые Системы.— №4,—1997. —С. 25-28.

30. Галушкин А.И. Теория нейронных сетей, кн.1: учеб. пособие для вузов. — М.: ИПРЖР, 2000. — 416 с.

31. Галушкин 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. Галушкин А.И., Крысанов А.И. Оценка производительности нейрокомпьютеров // Успехи современной радиоэлектроники. — №1.1998. —С. 22-33.

33. Головко 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. Голубятников В.А., Шувалов В.В. Автоматизация производственных процессов и АСУП в химической промышленности. — М.: Химия, 1978. —376 с.

35. Горбань А. Нейроинформатика и ее приложения // Открытые системы.-№4-5. 1998. —С. 36-41.

36. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. — Новосибирск: Сибирская издательская фирма РАН, 1996. —276 с.

37. Гордиенко Е.К., Лукьяница А.А. Искусственные нейронные сети. Основные определения и модели // Изв. РАН. Техническая кибернетика. — № 5. — 1994.— С. 79 92.

38. Грунина Г.С., Деменков Н.П. Программный комплекс для проектирования нечеткого логического регулятора // Приборы и системы управления. —№ 8.— 1997.— С. 19-21.

39. Дорогов 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. Дорогов А.Ю. Модульные нейронные сети http://www.user.cityline.ru-/~alphasys/pnteor.html.

41. Дьяконов В.П. Круглов В. Matlab. Анализ, идентификация и моделирование систем; специальный справочник. — СПб.: Питер, 2002. —448 с.

42. Дьяконов В.П. Круглов В. Математические пакеты расширения Matlab. Специальный справочник. — СПб.: Питер, 2002. — 480 с.

43. Еремин 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. Жданов А.А. Современный взгляд на ОС реального времени // Мир компьютерной автоматизации. — № 1. — 1999.— С. 54 60.

45. Журнал http://rcc.ru/Rus/Plastics

46. Захаров В.Н. Интеллектуальные системы управления: основные понятия и определения // Известия РАН. Теория и системы управления — №3. — 1997.— С. 13 8-145.

47. Змитрович А. И. Интеллектуальные информационные системы.— Минск: НТООО "ТетраСистемс", 1997. — 367 с.

48. Зозуля Ю.И. Интеллектуальные нейросистемы. кн. 12; под ред.

49. A.И. Галушкина — М.: Радиотехника, 2003.— 144 с.

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

55. Кижаев 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. Клемеш 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. Коновалов 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. Корнеев В.В., Греев А.Ф., Васютин С.В., Райх В.В. Базы данных. Интеллектуальная обработка информации. — М.: Нолидж, 2000. — 352 с.

60. Короткий С.Г. Нейронные сети: алгоритм обратного распространения // BYTE/Россия. — № 5. — 2000. — С. 26-29.

61. Короткий С.Г. Нейронные сети: основные положения // BYTE/Россия. — № 5. — 2000. — С. 18-21.

62. Кофман А. Алуха X. Хил. Введение теории нечетких множеств в управление предприятием. — Минск: Высшая школа, 1992. — 223 с.

63. Краус М., Вошни Э. Измерительные информационные системы. — М.: МИР, 1975. —310 с.

64. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика.— М.: Горячая линия-Телеком, 2001. — 382 с.

65. Круглов В.В., Дли М.И. Нечеткая логика и искусственные нейронные сети. — М.:ФИЗМАТЛИТ, 2001. — 224 с.

66. Крыжановский В.К., Бурлов В.В., Паниматченко А.Д., Крыжановская Ю.В. Технические свойства полимерных материалов. — М.: Профессия, 2003. — 240 с.

67. Крысанов А.И. СБИС L-Neuro базовый нейрочип для создания современных нейрокомпьютеров // Успехи современной радиоэлектроники. — №1.— 1998. — С. 18-21.

68. Кудрявцев А.В., Кудрявцев М.А. Микроконтроллеры семейства МС68НС16 фирмы Motorola. Методические указания. — Уфа: УГАТУ, 2004. — 134 с.

69. Кудрявцев 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. Кудрявцев 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. Кудрявцев 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. Кудрявцев 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. Кудрявцев 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. Кудрявцев 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. Кудрявцев 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. Кудрявцев 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. Кузовков Н.Т. Динамика систем автоматического управления. — М.: Машиностроение, 1968. — 428с.

79. Куликов Г.Г., Брейкин Т.В., Арьков В.Ю. Интеллектуальные информационные системы: учеб. пособие. — Уфа: УГАТУ, 1999. — 129 с.

80. Куликов 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. Логовский А.С. Технология ПЛИС и ее применение для создания нейрочипов // Открытые системы — №10. — 2000. — С. 19-23.

82. Макаров И.М., Лохин В.М. и др. Новое поколение интеллектуальных регуляторов // Приборы и системы управления. — № 3. —1997. — С. 2-6.

83. Медведев 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. Мешалкин В.П. Экспертные системы в химической технологии. Основы теории, опыт разработки и применения. — М.: Химия, 1995.368 с.

86. Минаев 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. Минский М. Л., Пейперт С. Персептроны. — М. Мир, 1971. — 123 с.

88. Мирзаджанзаде А.Х., Хасанов М.М., Бахтизин Р.Н.; АН РБ. Этюды о моделировании сложных систем нефтедобычи. Нелинейность, неравновестность, неоднородность — Уфа: Гилем, 1999. — 464с.

89. Неймарк Ю.И., Ланда П.С. Стохастические и хаотические колебания.1. М.: Наука, 1987. — 562 с.

90. Орнатский П.П. Автоматические измерения и приборы. — Киев, Вища школа, 1980. — 558 с.

91. Петров Б.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 16337-77. — М.: Издательство стандартов, 1984. — 61 с.

93. Попов Е.П. Теория линейных систем автоматического регулирования и управления: учеб. пособие для втузов. — М.: Наука, 1989. —304 с.

94. Попов Э.В. Экспертные системы реального времени // Открытые системы. — № 2. — 1995. — С. 43-45.

95. Попов Э.В. Экспертные системы. (Решение неформализованных задач в диалоге с ЭВМ) // Техническая кибернетика. — № 5.— 1987. — С. 5-18.

96. Попов 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. Розенблатт Ф. Принципы нейродинамики. Персептроны и теория механизмов мозга. — М.: Мир, 1965. — 480 с.

101. Сагалаев Г.В., Абрамов В.В., Кулезнева В.Н., Власов С.В. Справочник по технологии изделий из пластмасс. — М.: Химия, 2000. —424 с.

102. Свешников С.В., Шквар A.M. Нейротехнические системы обработки информации. — Киев: Наукова думка, 1983. — 222 с.

103. Секей 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. Соболев B.C. Программное обеспечение современных систем сбора и обработки измерительной информации // Приборы и системы управления. — № 1. — 1998. — С. 55.

107. Сташин 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. Терехов 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. Терехов 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. Трахтенгерц Э.А. Компьютерная поддержка принятия решений. — М.: СИНТЕГ, 1998. — 376 с.

113. Уоссермен Ф. Нейрокомпьютерная техника. — М.: Мир, 1992.— 240 с.

114. Усатенко С.Т. Выполнение электрических схем по ЕСКД: Справочник. — М.: Издательство стандартов, 1989. — 325 с.

115. Фельдбаум А.А., Бутковский А.Г. Методы теории автоматического управления. — М.: Наука, 1971. —744с.

116. Фрумкин П.Д. Расчет и конструирование радиоаппаратуры. — М.: Высш. школа, 1989. — 283 с.

117. Фрэнк Дж. Бартос. Искусственный интеллект: принятие решений в сложных системах управления // Мир компьютерной автоматизации.4. — 1997. — С. 22-27.

118. Цыганков В.Д. Нейрокомпьютер и мозг. — М.: Синтег, 2001. — 248 с.

119. Шахнов В.А., Власов А.И., Кузнецов А.С., Поляков Ю.А. Нейрокомпьютеры архитектура и реализация, http://iu4.bmstu.ru.

120. Шевченко 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. Шувалов В.В. и др. Автоматизация производственных процессов в химической промышленности. — М.: Химия, 1991. — 480 с.

123. Шустер Г. Детерминированный хаос. — М.: Мир, 1990. —312 с.

124. Эйкхофф 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. Якушев 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).131132133134135,136,137,138.139,140,141.142.143.144.

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.