автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Автоматизированная подсистема поддержки принятия решений по управлению процессом формования ленты стекла в флоат-ванне

На правах рукописи

Левковский Дмитрий Иванович

АВТОМАТИЗИРОВАННАЯ ПОДСИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПО УПРАВЛЕНИЮ ПРОЦЕССОМ ФОРМОВАНИЯ ЛЕНТЫ СТЕКЛА В ФЛОАТ-ВАННЕ

Специальность 05.13.06 -«Автоматизация и управление технологическими процессами и производствами (промышленность)»

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Владимир 2009

003472809

Работа выполнена во Владимирском государственном университете

Научный руководитель доктор технических наук, профессор

. Макаров Руслан Ильич

Официальные оппоненты доктор технических наук, профессор

Талицкий Евгений Николаевич

доктор технических наук, профессор Луконин Вадим Павлович

Ведущая организация ОАО Эй Джи Си «Борский стекольный завод»

Защита диссертации состоится « 2009 г. в 14 часов на

заседании диссертационного совета Д.212.025.01 Владимирского государственного университета по адресу: 600000, г. Владимир, ул. Горького, 87, ауд.211-1

С диссертацией можно ознакомиться в библиотеке Владимирского государственного университета.

Автореферат разослан <Д> М^-Я 2009 г.

Ученый секретарь диссертационного совета доктор технических наук, профессор

Р.И. Макаров

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. В условиях современных рыночных отношений один из главных критериев успеха производственного предприятия -высокое качество выпускаемой продукции. В данной работе проведен анализ технологического процесса формования ленты стекла на расплаве олова, разработаны математические модели, описывающие показатели качества вырабатываемой продукции, разработаны алгоритмы управления, составляющие основу математического обеспечения системы поддержки принятия решений технолога производства. Имитационным моделированием показана возможность дальнейшего повышения качества вырабатываемого листового стекла на действующей технологической линии.

Процесс производства стекла недостаточно формализован. В нем преобладают ручные приемы управления по показателям качества стекла, основанные на опыте и интуиции практиков-технологов. Бывают случаи разладки технологического процесса, когда опыт технологов не позволяет оперативно выявить и устранить причину. И лишь эмпирически, методом проб и ошибок, удается восстановить нормальное протекания технологического процесса, что приводит к большим потерям, вызываемым постановкой эксперимента на действующем оборудовании. Использование математических моделей процесса и постановка машинного эксперимента в режиме диалога ЭВМ-технолог позволяет оперативно выявить и принять эффективное решение по коррекции режима работы технологической линии. Подобные задачи решались в работах проф. Макарова Р.И. и его учеников [1,2].

Цель работы и задачи исследования. Целью диссертационной работы является повышения качества вырабатываемой продукции за счет автоматизации процесса формования ленты стекла с использованием моделей нейронных сетей.

Для достижения поставленной цели в диссертации решены следующие научно-технические задачи:

• сформулирована задача управления процессом формования ленты стекла на расплаве олова;

• проведен анализ существующих систем управления формованием листового стекла на расплаве олова и определены направления их совершенствования;

• созданы математические модели нейронных сетей, описывающие процесс формования;

• предложена структурная схема системы ППР;

• разработан алгоритм поддержки принятия решений по коррекции технологического режима формования ленты стекла на расплаве олова.

Использование разработанных имитационных моделей для управления флоат-ванной позволило улучшить качество вырабатываемого листового стекла.

Методы исследования. При решении поставленных задач использовались методы статистического анализа, теории нейронных сетей, теории принятия решений, теории управления, методы имитационного моделирования.

Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной:

1) созданы математические модели нейронных сетей для анализа и предсказания значений показателей качества вырабатываемой ленты стекла, а также мощности ее повторного нагрева;

2) предложен алгоритм поддержки принятия решений по управлению флоат-ванной при сохранении высокого качества вырабатываемой продукции.

3) показана эффективность, адекватность и переносимость разработанного алгоритма поддержки принятия решений.

Практическая ценность работы. В результате проведенного исследования разработана подсистема поддержки принятия решений по управлению флоат-ванной. Применение предложенных моделей позволило повысить качество стекла за счет уменьшения дефектов. Разработано программное обеспечение на базе программного комплекса МаНаЬ, реализующее предложенные модели и алгоритмы.

Реализация и внедрение результатов работы. Основные результаты работы вошли в состав ряда курсов для магистрантов направления 230200 - «Информационные системы». Получено заключение о полезности работы в ОАО Эй Джи Си «Борский стекольный завод».

Публикации. По теме диссертационной работы опубликовано 7 печатных работ, в том числе 1 статья из перечня изданий, рекомендованных ВАК. Проведена апробация результатов работы на 3 научных конференциях.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка использованной литературы из 54 наименований. Основная часть работы изложена на 144 страницах машинописного текста, содержит 27 рисунков, 38 таблиц и 1 приложение.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность темы диссертационной работы, формулируется цель, задачи, научная новизна и практическая значимость полученных результатов.

В первой главе постановлена задача управления процессом формования ленты стекла на расплаве олова. Рассмотрен технологический процесс производства листового стекла, а также место в нем стадии формования ленты стекла на расплаве олова и задачи управления флоат-ванной. На рис. 1 показана схема технологического процесса производства листового стекла. Флоат-ванна является одной из ключевых стадий производства стекла и входит в состав цеха горячего стекла.

Также в работе описаны особенности процесса формования как объекта управления. Флоат-ванна является стационарным объектом. Процесс формования характеризуется непрерывностью. Вся стекломасса, поступающая на вход флоат-ванны из стекловаренной печи, должна быть отформована и передана далее, на вход печи отжига. Качество вырабатываемой ленты стекла зависит как от соблюдения технологического режима формования, так и от качества исходных материалов, используемых для стекловарения.

Проведен анализ использования математического моделирования при автоматизации процесса формования ленты стекла. Перечислены наиболее распространенные пороки стекла и показано, что при регулировании режимных переменных флоат-ванны можно улучшить качество вырабатываемой продукции.

Цех приготовления шихш Це х горячего пмп Цех кдоансго стеки) Скгал готовой продукции Шшща Лита сгявлла нгготовхи

Рис. 1. Структурная схема производства полированного стекла В настоящее время усилия многих ученых направлены на разработку новых автоматизированных или автоматических методов управления технологическими процессами производства. Системы поддержки принятия решений позволяют 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 АСУТП 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 матерйалозатрат на единицу продукции и т.д. Первый уровень на сегодняшний день технически отработан. В существующих производствах широко используются локальные системы автоматического регулирования, поддерживающие необходимые значения параметров в заданных пределах (температуры, давления, уровней, и т.д.). На втором уровне управления предлагается использовать нейронные сети, чтобы более точно предсказывать качество производимой продукции на основании анализа режимных переменных флоат-ванны. В качестве критерия управления предложена минимизация затрат на повторный элеюгроподогрев ленты стекла в флоат-ванне при выполнении ограничений на качество вырабатываемой продукции.

Вторая глава посвящена разработке математического описания процесса формования ленты стекла на расплаве олова. Здесь рассматриваются нейронные сети, классификация, предпосылки их создания и обучения, возможности применения.

На рис. 2 приведена структурная схема флоат-ванны.

Проведен корреляционный анализ, который выявил влияние режимных переменных друг на друга. Это позволило упростить структуру модели путем исключения взаимно коррелированных факторов.

Для моделирования были выбраны следующие пороки ленты стекла, полностью описывающие ее качество согласно ГОСТ [3]:

1) оптические искажения, определяемые в проходящем свете («зебра»);

2) оптические искажения, определяемые в отраженном свете (растр);

3) разнотолщипность ленты стекла, разность между ее максимальной и минимальной толщинами в различных точках по ширине ленты.

В таблице 1 приведены требования к качеству листового стекла.

Во второй главе также были определены требования к исходной информации и организации ее сбора. Показано, что если в исходных данных присутствует заведомо неверная информация, она должна быть скорректирована.

8л

Рис. 2. Структурная схема объекта управления

©м - температура олова в пролетах флоат-ванны, ©в - сводовая температура флоат-ванны, Р - давление защитной атмосферы, - температура летгш стекла на выходе из флоат-ванны Сш - содержание водорода в защитой атмосфере (%), CN2- содержание азота в запцптюй атмосфере (%), Vb®m ■ скорость бортоформующих машин, @вк - температура входного канала, Рдн - мощность повторного нагрева ленты стекла, QHi - расход азота, Qh2 - расход водорода, N, - количество погруженных холодильников;

Бл - степень диффузии олова в поверхность стекла (блюм), Рг - разнотолтцинностъ. 36 - оптические искажения, измеряемые по методу «зебра», Ра - оптические искажения (метод растра), MT - микротвердость, Пр - прочность, Ken - коэффицие1ГГ светопропускания, О - отходы, Вс - водостойкость стекла;

5 - толщина ленты стекла, b - ширина ленты стекла, v - скорость ленты стекла, Вл - влажность защитной атмосферы, ("а1 - содержание кислорода в защитней атмосфере (%),©DOIU - точка росы защ. атмосферы.

Таблица 1

Наименование показателя Толщина стекла, мм Требования для стёкол марок Ед. гам

М, Mj М3 М<

«Зебра» 2,0; 2,5 >40 >30 >20 - град.

3,0-6,0 >50 >40 >20 -

Растр 2,0-6,0 <4 <7 <15 - мм

Разнотожцшпюсть 2,0; 3,5 <0,1 <0,1 <0,1 <0,2 мм

4,0 - 6,0 <0,2 <01,2 <0,2 <0,3

Методика предварительного анализа и подготовки данных для синтеза моделей включает следующие этапы:

• сбор среднесуточной информации о ходе технологического процесса;

• восстановление недостающих данных с применением линейной интерполяции;

• коррекция одиночных выбросов;

• фильтрация шумов линейным сглаживающим фильтром по методу скользящей средней;

• прогнозирование по тренду недостающих данных на концах интервала.

Критерием адекватности разработанных моделей была выбрана дисперсия погрешности. Данный критерий обеспечивает необходимую точность описания показателей. Кроме того, адекватность моделей оценивалась при помощи коэффициента парной корреляции IV между смоделированными значениями и реальными данными, полученными с технологической линии.

Показано, что для моделирования свойств ленты стекла можно использовать как одну общую нейронную сеть, так и несколько, на каждое свойство. В этом случае упрощается структура модели, а все нейронные сети унифицируются и состоят из одинакового количества слоев и нейронов в скрытом слое. Эти выводы подтверждены вычислительным экспериментом.

Для построения моделей свойств ленты стекла были выбраны следующие входные переменные:

о температура стекломассы в выходном канале; о температура олова, 1-й пролет, слева; о температура олова, 1-й пролет, справа; о температура олова, 12-й пролет, справа; о температура ленты стекла на выходе флоат-ванны, слева; о температура ленты стекла на выходе флоат-ванны, справа;

. о температура ленты стекла на выходе флоат-ванны, центр;

. о скорость ленты стекла;

о скорость 1-й бортоформующей машины; о мощность повторного нагрева; о толщина ленты стекла.

Эксперимент проводился с использованием среднесуточных значений показателей входных и выходных данных работы технологической линии в течение года. Выборка в 365 измерений является репрезентативной, так как учитывает годовые колебания температур, влажности и давления окружающей среды.

Вычисления показали, что увеличение количества нейронов в скрытом слое более 35 не приводит к значительным изменениям точности моделирования, а уменьшение - приводит к возрастанию дисперсии погрешности. Было установлено, что выбор увеличение отношения длины обучающей выборки к тестируемой больше 1,5 является нецелесообразным, поскольку это не приводит к значимому уменьшению дисперсии погрешности.

Были синтезированы нейросетевые модели, описывающие следующие зависимости:

- оптические искажения, видимые в проходящем свете («зебра»), угл. градусы:

36 (/) = 36 (0,(/), 012(0. '-м-.мМ, Со2(о, ¿(0);

- оптические искажения, видимые в отраженном свете (растр), мм:

. Ра,(/) = Ра,(©12(О,6>2О(О,0вых(О,'5(О);

- разнотолщинность ленты стекла, мм:

РтДО - РтД0 ,(0,0,2(0, Утм(1), ¿т где ©1,<9]2,©го- температура олова в 1-м, 12-м и 20-м пролетах, °С; 0ВЦХ - температура ленты стекла на выходе флоат-ванны, °С; ^бфм - скорость первой бортоформующей мапшны, об/мин; Со2 - содержание кислорода в защитной атмосфере флоат-ванны, %; д - толщина лепты стекла, мм;

Ра, - значения показателей растра в двух точках по ширине ленты стекла с правого края по ходу выработки, мм; Рт, - значения показателей разнотолщинности в трех точках по ширине ленты стекла с правого края по ходу выработки, мм; 1 - время, сутки.

На рис. 3 представлены графики зависимости дисперсии погрешности нейронной сети от длины обучающей выборки при количестве нейронов в скрытом слое п = 35 и различных значениях отношения длин обучающей выборки к длине тестируемой. В данном случае оценивается моделирование растра. Эти же результаты приводятся в таблице 2. Моделирование других свойств ленты стекла и мощности повторного нагрева приводит к аналогичным результатам. Критерии оценки адекватности приведены в таблице 3.

Для унификации нейронных сетей были выбраны следующие параметры:

1) количество нейронов в скрытом слое п = 35;

2) длина обучающей выборки равна 30 дням;

3) отношение длины обучающей выборки к тестируемой равно единице.

Трегья глава посвящена разработке алгоритмов управления процессом формования ленты стекла. Производится обоснование и выбор метода решения задачи управления, разработка алгоритмов управления, оценка адекватности моделирования мощности повторного нагрева, а также имитационное моделирование алгоритма управления.

При разработке автоматизированных систем важным является обоснование выбора алгоритмов управления. Для решения этой задачи в работе используется имитационное моделирование. В третьей главе решается задача исследования и выбора алгоритмов управления технологическим процессом формования ленты стекла, а также оценка влияния параметров

Ялта ебучамщяй выборе»

Рис. 3. Зависимость дисперсии погрешности от длины обучающей выборки к - отношение длины обучающей выборки к длине тестируемой, алгоритма на эффективность работы системы. Сравнение результатов имитационного моделирования алгоритмов с ручным управлением проводится с использованием реальных данных, собранных с линий 1ЛПС и 2ЛПС ОАО Эй Джи Си «Борский стекольный завод» в режиме промышленной эксплуатации (см. далее, табл. 5).

Таблица 2

Длина обучающей выборки 15 20 25 30 60* 90"

к=1 0,89 0,29 0,26 0,25 0,25 0,26

к=0,5 0,72 0,25 0,24 0,22 0,2 0,2

к=1,5 1,12 0,74 0,52 0,49 0,37 0,4

Таблица 3

Значения критериев оценки адекватности моделей_

Критерий Нормированные значения

Дисперсия погрешности моделирования Дня растра: 0 - 0,25 - сеть пригодна для моделирования, качество моделирования высокое 0,26 и выше - сеть непригодна для моделирования, требуется переобучение

Для «зебры»: 0 - 6,25 - сеть пригодна доя моделирования, качество моделирования высокое 6,26 и выше - сеть непригодна для моделирования, требуется переобучение

Для разнотолщинносш: 0 - 0,000025 - сеть пригодна для моделирования, качество моделирования высокое 0,000026 и выше - сеть непригодна для моделирования, требуется переобучение

Для мощности повторного нагрева: 0 - 30 - сеть пригодна для моделирования, качество моделирования высокое 31 и выше - сеть непригодна для моделирования, требуется переобучение

Коэффицие1гг парной корреляции Гуу. 0 - 0,9 - сеть непригодна для моделирования, требуется переобучение 0,91 - 0,95 - сеть пригодна для моделировании, качество моделирования среднее 0,96 -1,0 - сеть пригодна для моделирования, качество моделирования высокое

Критерием оценки работы стекольных заводов, как и любого предприятия, является прибыль, получаемая на временном интервале управления. При имеющемся портфеле заказов на листовое стекло в качестве критерия управления производством используется цеховая себестоимость готовой продукции, которая складывается из переменных и условно-постоянных затрат [1].

Компонентом, определяющим переменные затраты на стадии формования ленты стекла, является расход электрической энергии на повторный нагрев Рт. Среднее значение потребляемой электроэнергии на повторный нагрев составляет около 80 кВт*я. В некоторых случаях этот показатель может достигать величины более 600 кВт*ч (по данным статистики ОАО Эй Джи Си «Борский стекольный завод»), К переменным затратам относятся также потери олова Ол, вызванные налипанием к вырабатываемой ленте стекла в процессе формования. В работе рассматривается алгоритм управления мощностью повторного нагрева при учете ограничений на показатели качества вырабатываемой продукции. На рис. 4 приведена структурная схема системы управления флоат-ванной.

С объекта (1) снимаются входные и выходные переменные, которые проходят через фильтр (2), корректирующий недостоверные данные и передаются в адаптивную модель (3). В блоке 3 строятся модели свойств ленты стекла, а также Рт. Модели используются как датчик объекта управления и используются для выработки управляющих воздействий (4). Управляющие воздействия (режимные переменные) в виде совета передаются технологу производства. Технолог может принять совет или внести в него коррективы. Принятые решения реализуются на объекте управления.

Мощность повторного нагрева описывается следующим уравнением, кВт:

Рп„(0 = Рпн(б>1(0, б>12(0, ©20(0. & вых(0);

где 6>1,©12,®2о~ температура олова в 1-м, 12-м и 20-м пролетах, °С;

(9ВЬК - температура ленты стекла на выходе флоат-ванны, °С;

г-время, сутки.

Управление процессом формования ленты стекла рассматривается как задача повышения качества стекла за счет выбора режима формования при минимальных затратах электроэнергии на повторный нагрев.

Управляющими воздействиями являются температура олова в пролетах и температура ленты стекла на выходе флоат-ванны. Температурный режим формования ленты стекла выбирается имитационным моделированием - планированием вычислительного эксперимента с моделями нейронных сетей с использованием симплекс-метода оптимизации. Решалась следующая задача (см. блок 4 на рис. 4) - на каждом шаге управления

Рис. 4. Структурная схема системы управления.

x - входные переменные, у - выходные переменные, и»>д - советы по управлению, предлагаемые технологу, и,ет - пришлые решения по управлению

(1 сутки) необходимо минимизировать затраты:

3 = min Рт (©,. еи, 02О, ©ж, , 8)

Öl>e«>Ö20»eeut

где 3 - затраты на повторный нагрев ленты стекла, руб, при выполнении ограничений, накладываемых на показатели качества стекла:

36 (0 i(i), 012(0, Vsm(t), Со2(0. <5(0) а 50 угл. градусов; Ра/ (012(0. ©2о(0. © b*x(0. 5(0) s 4 мм, / = 1,2; Рт,(0,(О, 012(0, Убфм(0. 5(0) s 0.1 мм, ./=1,2,3; Поиск температурного режима проводился в области ограничений, указанной в таблице 4.

На рис. 5 приведена блок-схема разработанной подсистемы поддержки принятия решений. В блоке 2 производится задание начальных условий. Предполагается, что модель уже построена. Далее, в блоке 3, происходит сбор данных и их фильтрация. В случае если при проверке точности модели будет выявлена значительная погрешность, то модель проходит процедуру адаптации в блоке 4. Наибольший интерес представляет блок минимизации затрат под номером 5. Функция отклика модели P„h не является линейной и непрерывной, так как модель построена на основе нейронной сети. Поэтому выбран метод оптимизации, не требующий вычисления производных, т.е. - метод нулевого порядка. В данной работе

для процедуры минимизации мощности повторного нагрева использовался симплекс-метод.

Таблица 4

Наименование показателя ЕД. изм Минимум Максимум Шаг изменения

средний Максимальный

Температура олова, 1 пролет правый борт °с 970 1050 3,71 63,51

Температура олова, 12 пролет правый борг °С 760 830 9,65 59,77

Температура олова, 20 пролет правый борт °С 560 650 2,3 14,053

Температура ленты стекла на выходе ФВ "С 570 640 2,19 29,11

Разность температуры олова 1-12 пролет -с 208 222 5,23 16,79

Разность температуры олова 12-20 пролет - 180 196. 4,67 15,88

Разность температура олова 20 пролет - температура ленты на выходе °с 3 14 1,57 10,56

Далее в блоке 6 происходит выдача технологу совета по управлению. Технолог, может согласиться с ним и провести коррекцию режима формования ленты стекла, либо попытаться скорректировать задачу управления, внеся изменения в блоке 7. На следующем шаге модель проходит проверку на адекватность с учетом внесенных изменений, и алгоритм повторяется. Количество циклов корректировки/проверки может быть произвольным.

Технолог может на основании своего опыта проигнорировать советы, не внеся изменений в задачу управления.

Как уже отмечалось, в данной работе при минимизации мощности повторного нагрева был использован симплекс-метод. Недостаток симплекс-метода заключается в том, что если поверхность функции отклика имеет более одного экстремума, то есть вероятность того, что алгоритм найдет не глобальный, а локальный минимум. Однако проведенные исследования не выявили многоэкстремальность поверхности отклика.

В проведенной серии из 365 экспериментов было установлено, что при длине ребра симплекса равной одному градусу Цельсия (столь малая величина была выбрана для повышения точности имитационного эксперимента), экстремум функции отклика находился не более чем за 35 итераций. Координатами точек экстремума являются температура олова в пролетах, а также ленты стекла на выходе флоаг-ванны. Эти данные выводятся в диалоговом окне на экране по запросу технолога.

В таблице 5 приведен сравнительный анализ алгоритма управления мощностью повторного нагрева с ручным ведением процесса.

Использование разработанного алгоритма позволяет:

• уменьшить среднее значение мощности повторного нагрева на 23%;

• стабилизировать температурный режим флоат-ванны;

• повысить качество вырабатываемого стекла за счет уменьшения

и

среднеквадратичного отклонения оптических искажений, видимых в проходящем и отраженном свете; • повысить качество вырабатываемого стекла за счет уменьшения среднего значения величины растра и разнотолщинности и увеличения среднего значения величины «зебры».

Рис. 5. Блок-схема работы системы управления

Таблица 5

Сравнительный анализ разработанного алгоритма и ручного управления Р|

Показатель Норма по ГОСТ и СТП Ручной режим Алгоритм управления

Среднее СКО Среднее СКО

Р™> кВт 0...450 66,3 94 51,2 40,1

Опт. исках. «Зебра», град. 50...90 52,9 6,2 54,9 4,5

Опт. лекаж, растр 1, мм. 0...4 4,36 1,5 4,35 1,5

Опт. искаж. растр 2, мм. 0...4 6,5 3,1 4,2 1,5

Разного лщшогость 1, мм. 0...0,2 0,04 0,01 0,039 0,02

Разнотолщинность 2, мм. 0..Д2 0,0212 0,008 0,0206 0,013

Разнотолщинность 3, мм. 0..Д2 0,01 0,004 0,01 0,007

Температура олова в 1-м пролете, 'С 970.. .1050 1005 16,7 1003 13,9

Температура олова в 12-м пролете, ЧС 760...830 798,6 18,7 803,7 9,9

Температура олова в 20-м пролете, "С 580...650 616 5,8 617,5 3,3

Температура лента стекла на выходе флоат-вапны, "С 570...640 602,9 5,0 602,1 3,9

В четвертой главе описаны результаты внедрения проведенных исследований. Показано место подсистемы управления флоат-ванной в структуре АСУ производством листового стекла. Описана программная реализация подсистемы поддержки принятия решений по управлению флоат-ванной. Проведены испытания моделей и алгоритмов управления. Показана переносимость моделей на другие периоды времени для того же объекта управления.

Информационная система производства полированного стекла имеет многоуровневую структуру (см. рис. 6).

На нижнем уровне управления располагаются датчики, контроллеры, операторские и лабораторные системы. Они обеспечивают управление технологическим процессом, мониторинг которого в реальном масштабе времени осуществляет PI System. Сигналы, поступающие в систему мониторинга подразделяются на:

• показания датчиков,

• результаты лабораторных анализов и данные КИС.

Данные, получаемые в реальном времени, отображаются на мнемосхемах, экранах операторов рабочих станций и используются операторами и технологами при управлении стекловаренной печью, флоат-ванной и печью отжига.

Оперативные данные аккумулируются в БД PI-сервера. Здесь производится их архивация и длительное хранение. Отсюда информация передается по запросу потребителям: KISFloat, Glazer, АСУТП «Шихта» и СППР «Технолог стекольного производства» через открытый интерфейс ODBC. Кроме того, существует АРМы технологов, состоящие из приложений: PI Data Link, PI Process Book и PI Profile.

Разработанная подсистема получает данные из СППР «Технолог стекольного производства».

На рис. 7 представлено главное окно разработанной подсистемы.

Первоначально в разработанной подсистеме присутствуют нейронные сети, обученные на данных за прошедший год. В процессе работы сети переобучаются, чтобы соответствовать текущему режиму формования.

В процессе работы подсистема периодически (раз в сутки) сравнивает результаты своих вычислений с реальными данными и выводит результаты моделирования в виде графиков на экране монитора.

Далее представлен диалог, который отображает результаты процедуры минимизации функции мощности повторного нагрева, описанной в главе 3. Здесь отображены следующие данные:

• значения показателей качества листового стекла («зебра», растр, разно-толщинность) при текущем технологическом режиме формования;

Рис. 6. Структура ИС производства полированного стекла

Выберите действие и период

„1 | ...........,,, | Дета начала:

а Растр Ь Рлэиото/1ци»-мосте) с Зебра 2 МПН а Мощность повторного нагрева Ь МжимизгцияМПН | 01 01 2005 Лага конца | 31.12 2005

А Построить |

Рис. 7, Главное окно разработанной СППР значения температурных показателей (температура олова в 1-м, 12-м и 20-м пролетах флоат-ванны, а также температура ленты стекла на выходе флоат-ванны) при текущем режиме формования; значение мощности повторного нагрева при текущем технологическом режиме формования;

значения показателей качества листового стекла («зебра», растр, разно-толщинность) полученные в результате имитационного моделирования алгоритма управления флоат-ванны при минимизации мощности повторного нагрева;

значения температурного режима (температура олова в 1-м, 12-м и 20-м пролетах флоат-ванны, а также температура ленты стекла на выходе флоат-ванны) полученные в результате имитационного моделирования при управлении;

• значение мощности повторного нагрева полученное в результате моделирования при минимизации;

В четвертой главе была исследована возможность переноса разработанной подсистемы на аналогичный объект управления. В качестве объекта переноса была выбрана линия производства листового стекла 2ЛПС ОАО Эй Джи Си «Борский стекольный завод». Линия 2ЛПС имеет следующие отличия от линии 1 ЛПС, на которой производилось имитационное моделирование и на которой были обучены нейронные сети:

1) большие габариты (55/7.2 против 61/7.2 - длина/ширина);

2) меньший диапазон толщин вырабатываемого стекла (4-6 мм против 2-10 мм);

3) более редкие переходы между толщинами вырабатываемой ленты стекла (стационарный режим работы);

4) плавные скачки производительности линии (вытекает из п. 3);

5) сниженный расход электроэнергии на нагрев ленты стекла (вытекает из п.2).

В процессе переноса моделей потребовалось переобучить их на данных, полученных с линии 2ЛПС. В начале процесса адаптации, точность моделей оказалась невысокой (коэффициент корреляции между модельными и реальными данными не более 0,75), однако, по мере накопления статистического материала (примерно через 15 наблюдений), точность увеличилась (коэффициент корреляции стал более 0,93).

Подобные результаты были получены при моделировании оптических свойств листового стекла и мощности повторного нагрева.

В таблице 6 приведены расчетные значения дисперсий погрешностей моделей, полученных на линии 2ЛПС.

В процессе моделирования было установлено, что параметры нейронных сетей, которые были выведены в главе 2, адекватно отражают поведение линии 2ЛПС (см. табл. 7).

В таблице 7 приведены сравнительные данные по реальным показателям производства ленты стекла и их значениями, полученными в результате работы алгоритма управления линией 2ЛПС.

Годовая экономия электроэнергии на повторный нагрев ленты стекла при использовании разработанного алгоритма управления составляет около 11%. Кроме того, были достигнуты следующие результаты (табл. 7):

• стабилизация температурного режима флоат-ванны;

• повышение качества вырабатываемого стекла за счет уменьшения

среднеквадратичного отклонения оптических искажений, видимых в

проходящем и отраженном свете;

• повышение качества вырабатываемого стекла за счет уменьшения

среднего значения величины растра и разнотолщинности.

Таблица б

Дисперсия погрешности при моделировании свойств листового стекла, а

также мощности повторного нагрева. _Количество нейронов в скрытом слое равно 35_

Наименование показателя Дисперсия погрешности Коэффициент парной корреляции

Растр на 1-м участке 0,25 0,94

Растр на 2-м участке 0,23 0,97

Разного лщинность 0,00002 0,98

«Зебра» 6,2 0,95

Мощность повторного нагрева 28,2 0,95

Таблица 7

Сравнительные показатели для ручного режима ведения технологического процесса формирования ленты стекла и разработанного алгоритма управления на

линии 2ЛПС

Показатель Норма по ГОСТи СТП Ручной режим Автоматическое управление

Среднее значение Среднее квад-рат-кое отклонение Среднее значение Среднее квад-рат-кое отклонение

Мощность повт. нагрева, кВт 0...450 162,7 103,79 145,2 35,3

«Зебра», град. 50...90 67,32 7,05 66,2 5,6

Растр на 1-м участке, мм. 0...4 3,7 1,45 3,57 1,34

Растр на 2-м участке, мм. 0...4 2,0 0,72 3,3 1,38

Разнотолщинность, мм. 0..Д2 0,048 0,03 0,059 0,01

Температура олова в 1-м пролете, °С 970...1050 1007,86 20,36 1006,3 15,3

Температура олова в 12-м пролете, 'С 760... 830 781,71 19,09 810,3 13,7

Температура олова в 20-м пролете, 'С 580...650 602,59 16,33 622,0 6,7

Температура ленш стекла на выходе ФВ, °С 570...640 613,57 3,68 610,1 4,0

ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ РАБОТЫ

• Проведен анализ существующих систем управления формованием листового стекла на расплаве олова и определены направления их совершенствования. Показана зависимость показателей качества готовой продукции от режима формования.

• Сформулирована задача управления процессом формования ленты стекла на расплаве олова. Показано место задачи управления флоат-ванной в технологическом процессе производства листового стекла. В качестве критерия управления предложена минимизация затрат на повторный электроподогрев ленты стекла при выполнении ограничений на качество вырабатываемой продукции.

• Созданы математические модели нейронных сетей, описывающие процесс формования с заданной точностью. Модели унифицированы — каждая сеть состоит из 3 слоев, количество нейронов в скрытом слое

одинаково для всех моделей.

• Разработаны алгоритмы поддержки принятия решений по коррекции технологического режима формования ленты стекла на расплаве олова. В алгоритмах реализована технологическая обратная связь и обучение нейронных сетей в процессе эксплуатации системы.

• Разработано программное обеспечение подсистемы управления флоат-ванной, представляющее собой модификацию программного комплекса СППР «Технолог стекольного производства» за счет использования нейронных сетей для описания показателей качества формования листового стекла.

• Показана переносимость разработанных моделей и алгоритмов управления на подобные технологические процессы формования ленты стекла.

• Вычислительным экспериментом показана эффективность разработанной системы управления флоат-ванной. Внедрение разработанной системы управления формованием ленты стекла позволяет уменьшить расход электроэнергии на технологический процесс формования на 11% при обеспечении высокого качества вырабатываемого стекла.

Основные положения диссертации опубликованы в работах Издания, включенные в перечень ВАК:

1. Левковский Д.Н., Макаров P.Ii Автоматизированная подсистема поддержки принятия решений по управлению процессом формования ленты стекла в флоат-ванне / М.: Автоматизация в промышленности. №2,2009

Остальные издания:

2. Левковский Д.И. Описание процесса формовашш лети стекла с использованием нейронных сетей. Вестник КГУ им. II А. Некрасова, 2006 т. 12. с. 48-50

3. Левковский Д.И. О применении нейронных моделей для оценки качества производства листового стекла флоат-способом. Математические методы в технике и технологиях — MMTT-19. [Текст]: сб. трудов XIX Международ, науч. конф. В 10-и т. Т. 6. Секции 6,12 / под общ. Ред. B.C. Балакирева. - Воронеж, Воронеж, гос. технол. акад., 2006. - 244 с. 27-29

4. Левковский Д.И. К вопросу применения искусственных нейронных сетей в управлении технологическими процессами производства стекла. Обработка информации: системы и методы: Сборник научных статей / Под ред. С.С. Садыкова. Д.Е. Андрианова —М.: Горячая линих — Телеком, 2003. - 231 с. 156160

5. Левковский Д.И., Макаров Р.И. Разработка и исследование алгоритма управления процессом формования ленты стекла на расплаве олова. Математические методы в технике и технологиях — ММТГ-20. [Текст]: сб. трудов XX Международ, науч. конф., в 10 т, т.Ю. Международный научно-методический симпозиум «Современные проблемы многоуровневого образования», Школа молодых ученых/под ред. B.C. Балакирева - Ростов-на-Дону: Донской гос. техн. ун-т, 2007, - 334 с.99-100.

6. Левковский Д.И., Макаров Р.И. Использовашге моделей нейронных сетей для статистического анализа и регулирования процесса формования ленты стекла на расплаве олова / М: Стекло и керамика №6, 2008 с. 15-17

7. Levkovskiy D.I. and Makarov R.I. Using of neural net models for statistic analisys and control of glass ribbon formation on the tin melt. Glass and Ceramics. #6, 2008. - p. 15-17

Список литературы

1. Макаров Р.И. Хорошева Е.Р., Лукашкнн С. А. Автоматзация производства листового стекла. Учебное пособие. М: АСВ, 2005 - 192 с. ISBN: 5-93093-116-Х

2. Макаров Р.И., Тарбеев В.В., Молодкии A.B., Чуплыгин В.Н. Математические модели для статистического анализа и регулирования процесса формования ленты стекла на расплаве олова / Под общ. ред. Макарова Р.И. Стекло и керамика. - 2004. - № 5. - с. 3-5

3. ГОСТ 111-2001 Межгосударственный стандарт. Стекло листовое. Технические условия

Подписано в печать 15.05.09 Формат 60x84/16. Усл. печ. л. 1,16. Тираж 100 экз. Заказ Издательство Владимирского государственного университета. 600000, Владимир, ул. Горького, 87

Введение.

1. Постановка задачи управления процессом формования ленты стекла на расплаве олова.

1.1. Особенности процесса формования ленты стекла как объекта управления.

1.2. Анализ зависимости свойств и пороков стекла от режима формования.

1.3. Анализ системы управления процессом формования ленты стекла.

1.4. Анализ использования математического моделирования при автоматизации процесса формования ленты стекла.

1.5. Определение места задачи управления флоат-ванной в технологическом процессе производства листового стекла.

Выводы по главе 1.

2. Математическое описание процесса формования ленты стекла на расплаве олова.

2.1. Анализ задачи построения модели.

2.2. Классификация нейронных сетей, сравнительный анализ существующих методов и алгоритмов обучения нейронных сетей.

2.3. Определение структуры модели.

2.4. Определение требований к исходной информации и организация ее сбора.

2.5. Разработка моделей, описывающих свойства и пороки ленты стекла в процессе формования.

Выводы по главе 2.

3.Разработка алгоритмов управления процессом формования ленты стекла.

3.1. Обоснование и выбор метода решения задачи управления.

3.2. Разработка алгоритмов управления.

3.3. Оценка адекватности моделирования мощности повторного нагрева.

3.4. Имитационное моделирование алгоритма управления.

Выводы по главе 3.

4. Внедрение результатов исследований.

4.1. Место подсистемы управления флоат-ванной в структуре АСУТП производства листового стекла.

4.2. Программная реализация подсистемы управления флоат-ванной.

4.3. Испытания моделей и алгоритмов управления.

Выводы по главе 4.

Конкурентная среда в условиях рынка обязывает руководителей стекольных производств уделять большое внимание проблемам качества. Между качеством и эффективностью производства существует прямая зависимость. Повышение качества способствует повышению эффективности производства, приводя к снижению затрат и увеличению доли рынка. В связи с этим возникла необходимость выработки объективных показателей для оценки способности фирмы производить продукцию с необходимыми качественными характеристиками. Эти характеристики подтверждаются сертификатом соответствия на продукцию. Многие фирмы, производители продукции, имеют системы управления качеством. На различных предприятиях они индивидуальны. Тем не менее мировая наука и практика выработали общие принципы построения таких систем; они изложены в стандартах ИСО серии 9000 и в отечественном аналоге - ГОСТ Р ИСО 9001 : 2001 «Системы менеджмента качества. Требования».

В настоящее время сертификат, подтверждающий соответствие системы управления производством международным стандартам на систему менеджмента качества, служит решающим фактором для заключения контракта на поставку продукции. История многих зарубежных компаний - яркое подтверждение этому. С помощью современных методов управления качеством, использования передовых информационных технологий многие зарубежные фирмы добились лидирующих позиций на различных рынках.

Вопросам управления качеством продукции посвящены исследования ученых разных стран, накоплен значительный опыт и в области менеджмента качества.

Вместе с тем, в российской прессе слишком мало глубоких аналитических статей о практике создания и совершенствования систем управления качеством производства листового стекла. Серия научных работ, изданных учеными Владимирского государственного университета совместно с работниками ОАО Эй Джи Си «Борский стекольный завод» (напр. [24, 25, 35]) является ярким исключением. Однако, большинство российских стекольных заводов еще отстают в области применения современных методов управления качеством продукции.

Листовое стекло представляет важнейший вид продукции, вырабатываемы стекольной промышленностью. Тенденция развития производства в мире такова, что флоат-процесс, как новейший и более прогрессивный, вытесняет остальные способы выработки стекла.

Одной из стадий производства листового стекла флоат-способом является процесс формования ленты стекла на расплаве олова.

Значительная часть дефектов готовой продукции вызывается нарушениями заданного режима формования. За 2006 год доля брака в производстве листового стекла на стадии формования на ОАО Эй Джи Си Бор«ский стекольный завод» составляла 0 - 4.25% за месяц, в зависимости от толщины изготавливаемой продукции (по данным внутреннего аудита).

До недавнего времени считалось, что качеством должны заниматься специальные подразделения организации. Однако опыт ведущих компаний мира показывает, что на достижение качества должны быть направлены усилия всех служб. Важное значение имеет лидерство руководства и применение процессного подхода. Ключевую роль в повышении качества играют оценки и требования потребителей, информация о неисправностях, просчетах и ошибках. Систематически проводимые внутренние аудиты способствуют повышению эффективности системы качества (СК). Управление качеством является» если не интегрирующей, идеей для системы управления предприятием, то хотя бы одним из тех видов управления, которое заслуживает внимания высших руководителей. Исследования, проведенные в ряде стран, показали, что в компаниях, мало уделяющих внимания качеству, до 60% времени может уходить на исправление брака [5]. : .

В настоящее время качество играет важную роль. Для современного рынка характерна устойчивая тенденция к4 повышению роли не ценовых форм конкуренции, а конкуренции качества.

Управление качеством началось с контроля готовой продукции. Вплоть до середины 1960-х годов главная роль отводилась отбраковке дефектной продукции. Такой подход требовал большого числа квалифицированных контролеров. В крупных промышленных компаниях США численность контролеров стала соизмерима с производственным персоналом. Большую помощь в контроле качества оказали методы математической: статистики, которые позволили с заданной вероятностью оценивать качество изделий с применением выборочного метода.

Работы российских ученых П.Л.Чебышева, A.M. Ляпунова послужили теоретической основой выборочного контроля качества.

На совершенствование методов обеспечения качества оказали влияние исследование операций, кибернетика, системотехника и общая теория систем. Кибернетический подход послужил основой появления концепции управления качеством, которая пришла на смену концепции контроля. Неоценимый вклад в развитие концепции управления качеством внесли работы россиян И.Г. Венецкого, A.M. Длина, американцев В. Шухарта, Э. Деминга, А. Фейгенбаума. и др. [5].

Современная теория управления качеством исходит из положения, что деятельность по управлению качеством не может быть эффективной после того, как продукция произведена. Эта деятельность должна осуществляться в ходе производства продукции. Важна также деятельность по обеспечению качества, которая предшествует процессу производства. Качество определяется действием многих случайных, местных и субъективных факторов. Для предупреждения влияния этих факторов на качество необходима система управления качеством, которая оказывает постоянное воздействие на процесс создания продукта с целью поддержания соответствующего уровня качества.

Большой симпатией во всем мире пользуется японская система управления качеством, ориентированная на предотвращение возможности допущения дефектов. Японская модель устанавливает четыре уровня иерархии качества: соответствие еще не осознанным потребностям; соответствие требованиям рынка; соответствие назначению; ^ соответствие стандарту.

После 1970-х годов опыт Японии по управлению качеством изучается во многих странах мира, в том числе и в России. Однако надо помнить, что японская система не может быть реализована в России, т.к. она тесно связана с японскими национальными традициями и социально-экономическими особенностями развития японской промышленности.

Российский опыт управления качеством связан с советским периодом развития экономики и промышленности. В середине 1950-х годов в СССР возникла Саратовская система БИП (бездефектного изготовления продукции и сдача ее с первого предъявления). Она предусматривала постоянное внимание коллектива предприятия к качеству продукции. Позже появились

Горьковская система КАНАРСПИ (качество, надежность, ресурс с первых изделий), Ярославская НОРМ (научная организация работ по увеличению моторесурса), Рыбинская НОТПУ (научная организация труда, производства и управления) и др.

Проблемой повышения качества продукции в настоящее время занимаются во всех странах мира, о чем свидетельствуют многочисленные публикации. Исследования в данной области показывают, что решение проблемных вопросов обеспечения повышения качества продукции во многих странах стало национальным движением. Например, в США, Великобритании, Франции, Германии, Италии, Японии управление качеством продукции выведено на государственный уровень. Во многих странах созданы национальные советы по качеству и надежности, ассоциации стандартов и другие организации.

К сожалению, в настоящее время Россия находится в числе отстающих стран в области решения задач управления качеством. Немногие российские товары выдерживают конкуренцию на мировом рынке. Это касается и большинства товаров стекольной отрасли. Однако активное использование собственного и зарубежного опыта в области управления качеством, стимулирование научных исследований в этой области может дать позитивные результаты в ближайшем будущем. Выполненные в диссертации исследования направлены на решения стоящих перед стекольной отраслью задач в области управления качеством производства листового стекла.

Целью диссертационной работы является повышение качества вырабатываемого листового стекла за счет автоматизации управления процессом формования ленты стекла с использованием моделей нейронных сетей.

Подобная задача исследовалась в работе Шорикова А.В. [44], однако в ней модель управления строилась на основе регрессионных уравнений.

Поставленная в работе цель достигнута за счет решения следующих задач:

1) сформулирована задача управления процессом формования ленты стекла на расплаве олова;

2) проведен анализ существующих систем управления формованием листового стекла на расплаве олова и определены направления их совершенствования; '

3) созданы математические модели нейронных сетей, описывающие процесс формования;

4) предложена структурная схема системы ППР;

5) Разработан алгоритм поддержки принятия решений по коррекции технологического режима формования ленты стекла на расплаве олова.

Выводы по главе 4

1) Создана подсистема поддержки принятия решений по коррекции режима работы флоат-ванны с использованием разработанных моделей и алгоритмов управления. Подсистема опробована на реальных данных, полученных с технологической линии1ЛПС ПО «Полированное стекло» ОАО Эй Джи Си «Борский стекольный завод».

2) Показана переносимость разработанных моделей и алгоритмов на аналогичную технологическую линию 2ЛПС. Разработанная подсистема показала эффективность управления процессом формования ленты стекла.

3) Вычислительным экспериментом показана эффективность использования подсистемы при выработке корректирующих действий по управлению флоат-ванной.

4) Достигается экономия расхода электроэнергии на ведение технологического процесса на 11% при сохранении высокого качества вырабатываемой продукции.

Заключение

1. Проведен анализ существующих систем управления формованием листового стекла на расплаве олова и определены направления их совершенствования. Показана зависимость показателей качества готовой продукции от режима формования.

2. Сформулирована задача управления процессом формования ленты стекла на расплаве олова. Показано место задачи управления флоат-ванной в технологическом процессе производства листового стекла. В качестве критерия управления предложена минимизация затрат на повторный электроподогрев ленты стекла при выполнении ограничений на качество вырабатываемой продукции.

3. Созданы математические модели нейронных сетей, описывающие процесс формования с заданной точностью. Модели унифицированы — каждая сеть состоит из 3 слоев, количество нейронов в скрытом слое одинаково для всех моделей.

4. Разработаны алгоритмы поддержки принятия решений по коррекции технологического режима формования ленты стекла на расплаве олова. В алгоритмах реализована технологическая обратная связь и обучение нейронных сетей в процессе эксплуатации системы.

5. Разработано программное обеспечение подсистемы управления флоат-ванной, представляющее собой модификацию программного комплекса СППР «Технолог стекольного производства» за счет использования нейронных сетей для описания качества листового стекла.

6. Показана переносимость разработанных моделей и алгоритмов управления на подобные технологические процессы формования ленты стекла.

7. Вычислительным экспериментом показана эффективность разработанной системы управления флоат-ванной. Внедрение разработанной системы управления формованием ленты стекла позволяет уменьшить расход электроэнергии на технологический процесс формования на 11% при обеспечении высокого качества вырабатываемого стекла.

1. Антонов А.В. Системный анализ. Учеб. для ВУЗов/ А.В. Антонов. М.гВысш. шк., 2004. - 454 е.: ил.

2. Базара М., Шетти К. Нелинейное программирование. Теория и алгоритмы. М.: Мир, 1982.

3. Барский А.Б. Нейронные сети: распознавание, управление, принятие решений. -М.: Финансы и статистика, 2004. 176 с

4. Бендат Дж., Пирсол А.М. Прикладной анализ случайных данных: Пер. с англ. М.: Мир, 1989. -540 с.,: ил.

5. Браунли К.А.Статистические исследования в производстве. М.: Изд-во иностранной литературы, 1949

6. Величко О.Н. Достоинства и недостатки метода скользящих средних. М.: Высш. шк., 2002 www.bestreferat.ru/referat-34701.html

7. Герасимов О.В. Коллективная разработка функциональной модели информационной системы. «ИНФОРМАТИКА И ОБРАЗОВАНИЕ» №7, 2005

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

9. ГОСТ 111-2001 Межгосударственный стандарт. Стекло листовое.Технические условия

10. Емельянов А.А, Власова Е.А., Дума Р.В. Имитационное моделирование экономических процессов. Учеб. пособие /Под ред. А.А. Емельянова. М.: Финансы и статистика, 2002. - 368 с: ил.

11. Жукова С.В., Золотухин Ю.Н., Рахманова JI.A. Генетический подход и нечеткие оценки в оптимизации параметров пид регулятора. http://www.idisys.iae.nsk.su/ref98/folder3/docll.html

12. Квакернаак X., Сиван Р. Линейные оптимальные системы управления. М.: Мир 1977г. 650 с.

13. Комарцова Л.Г. Двухэтапный алгоритм обучения нейронной сети на основе генетического поиска // Нейрокомпьютеры. Разработка и применение. М: Радиотехника. 2000. № I.e. 3-9.

14. Короткий С.К. Нейронные сети: обучение без учителя, http ://1 i i. newmai 1 .ru/ko rnn4 .htm

15. Круглов B.B., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети 2001. М.:Высш. шк., 2001. 224 с. УДК: 681.322

16. Левковский Д.И., Макаров Р.И. Автоматизированная подсистема поддержки принятия решений по управлению процессом формования ленты стекла в флоат-ванне / М.: Автоматизация в промышленности. №2, 2009

17. Левковский Д.И. Описание процесса формования ленты стекла с использованием нейронных сетей. Вестник КГУ им. Н.А. Некрасова, 2006 т. 12. с. 48-50

18. Левковский Д.И., Макаров Р.И. Использование моделей нейронных сетей для статистического анализа и регулирования процесса формования ленты стекла на расплаве олова / М.: Стекло и керамика №6, 2008 с. 15-17

19. Макаров Г. Н. Обучаемый нейросетевой регулятор системы управления динамическим объектом. «Нейрокомпьютеры», №7, 2007 г.

20. Макаров Р.И. Автоматизация технологического процесса производства листового стекла на основе математических моделей. А/р дис-и д-ра техн. наук : 05.13.07 Владимир, 1998

21. Макаров Р.И., Тарбеев В.В., Молодкин А.В., Чуплыгин В.Н. Математические модели для статистического анализа и регулирования процесса формования ленты стекла на расплаве олова / Под общ. ред. Макарова Р.И. Стекло и керамика. 2004. - № 5. - с. 3-5

22. Макаров Р.И.,Хорошева Е.Р.,Лукашин С.А. Автоматизация производства листового стекла.Флоат-способ:Учеб.пособие/Ред. Макаров Р.И.-М.:Изд-во Ассоциации Строительных Вузов,2002.-191 с.-Библиогр.:с. 187-191.-ISBN 5-93093-116-Х.

23. Медведев B.C., Потемкин В.Г. Нейронные сети. MATLAB 6 /Под общ. ред. к.т.н. В.Г. Потемкина М.:ДИАЛОГ-МИФИ, 2002. - 496 с

24. Неймарк Ю.И., Коган Н.Я., Савельев В.П. Динамические модели теории управления. М., Наука, 1985

25. Лезнов А.Н. Савельев М.В. Групповые методы интегрирования нелинейных динамических систем. М., Наука, 1985

26. Позин Н.В. Моделирование нейронных структур / Позин Н.В. М.: Нау-ка, 1980 — 260 с.

27. Потемкин В.Г. Система инженерных и научных расчетов MATLAB 5.x: В 2-х т. -М.: ДИАЛОГ-МИФИ, 1999

28. Прахова М.В. Общая методика решения задач финансового прогнозирования с использованием алгоритма обратного распространения ошибки. XV Международная конференция «Применение новых технологий в образовании»

29. Розанов М. С., Корсунов Н. И. Модифицированный метод обучения нейронных сетей с радиальным базисом. «Нейрокомпьютеры», №7, 2007 г.

30. Соловьев Т.О., Тертычный А.И. Программная система моделирования нейронной сети. Издательство "СевГТУ", 2001

31. Соломка Ю.И. Федяев О.И. Обучение нейронной сети с помощью генетических алгоритмов. ДонНТУ, г. Донецк.masters.donntu.edu.ua/2004/fvti/solomka/library/article2.htm

32. СППР Технолог стекольного производства. Программная документация

33. Тархов Д.А. Математическое моделирование физико-технических объектов на основе структурной и параметрической адаптации искусственных нейронных сетей. А/р дис-и к.т.н., С-Пб, 2006

34. Тархов Д.А. Нетрадиционные генетические алгоритмы декомпозиции ираспределения при решении задач математической физики с помощью нейронных сетей / Тархов Д.А. // Нейрокомпьютеры: разработка, применение. — 2006. — № 7

35. Тюкин И.Ю. Адаптивное управление нелинейными динамическими объектами с применением нейронных сетей / Тюкин И.Ю., Терехов В.А. // Нейрокомпьютеры: разработка, применение. — 2006. — № 6

36. Федорова Н.Н., Терехов С.А. Параллельная реализация алгоритмов обучения нейронных сетей прямого распространения с использованием стандарта MPI. www.aconts.com/pub/archive/ijcnn99p423rus.pdf

37. Фёрстер Э., Рёнц Б. Методы корреляционного и регрессионного анализа. Руководство для экономистов / Пер. с нем. и предисл. В.М. Ивановой. М.: Финансы и статистика, 1983. - 304 с.

38. Царицын М.А., Солинов В.Ф. Технология строительного и технического стекла и шлакоситаллов. М.: Стройиздат, 1983.

39. Четыркин Е.М. Статистические методы прогнозирования. М.: Статистика, 1979.

40. Шепелев Д.Н. Борское стекло: Из истории технического развития Борского стекольного завода. Н. Новгород: ГИПП «Нижполиграф», 2000. - 224 е.: ил.

41. Шориков А.В. Автоматизация технологического процесса формования ленты стекла на расплаве олова: Автореф. дис. Владимир, 2003. - 16 с.