автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Автоматизированная система управления процессом шахтного обжига известняка с применением нейросетевых алгоритмов

и

004603365

КОТЕЛЕВА Наталья Ивановна

СИСТЕМА УПРАВЛЕНИЯ ПРОЦЕССОМ ШАХТНОГО ОБЖИГА ИЗВЕСТНЯКА С ПРИМЕНЕНИЕМ НЕЙРОСЕТЕВЫХ АЛГОРИТМОВ

Специальность 05.13.06 - Автоматизация и управление

технологическими процессами и производствами (металлургия)

Автореферат диссертации на соискание ученой степени кандидата технических наук

1 О ИЮН 2010

САНКТ-ПЕТЕРБУРГ 2010

004603865

Работа выполнена в государственном образовательном учреждении высшего профессионального образования Санкт-Петербургском государственном горном институте имени Г.В.Плеханова (техническом университете).

Научный руководитель -

доктор технических наук, профессор

Белоглазое Илья Никитич

Официальные оппоненты:

доктор технических наук, профессор

Кондрашкова Галина Анатольевна,

кандидат технических наук

Блинов Валерий Анатольевич

Ведущая организация - ЗАО «Концерн «Струйные технологии».

Защита диссертации состоится 24 июня 2010 г. в 14 ч 30 мин на заседании диссертационного совета Д 212.224.03 при Санкт-Петербургском государственном горном институте имени Г.В.Плеханова (техническом университете) по адресу: 199106 Санкт-Петербург, 21-я линия, д.2, ауд.2203.

С диссертацией можно ознакомиться в библиотеке Санкт-Петербургского государственного горного института.

Автореферат разослан 24 мая 2010 г.

УЧЕНЫЙ СЕКРЕТАРЬ диссертационного совета д-р техн. наук

В.Н.БРИЧКИН

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. В настоящее время в практике работы металлургических комбинатов при управлении процессами шахтного обжига известняка используются так называемые локальные автоматизированные системы. Такие системы позволяют успешно решать задачи стабилизации одного (реже двух-трех) параметра процесса. При использовании такого рода систем эффективность управления объектом в целом очень сильно зависит от действий оператора. При этом различные проведенные исследования работы операторов показывают, что управление часто ведется ими нерационально ввиду ограниченных возможностей человека, который не в состоянии контролировать и анализировать одновременно большое количество переменных факторов.

Существенный вклад в развитие и усовершенствование процесса шахтного обжига известняка и алгоритмов управления им внесли отечественные ученые: A.B. Монастырев, Н.П. Табунщиков, И.Н. Белоглазов, В.Д. Науменко и другие, в развитие теории нейронных сетей и нейроуправления: А.И. Галушкин, В.В. Круглов, В.А. Терехов, В.А. Крисилов, В.Г. Царегородцев и другие.

В классической теории управления, на которой основываются современные автоматизированные системы управления технологическим процессом шахтного обжига известняка, обозначенные проблемы решаются с помощью математических моделей, реализуемых на основе предположений о линейности систем. Однако эти модели адекватны лишь в некоторой ограниченной области и в полной мере не могут отражать действительные физические свойства таких сложных объектов, к которым относится шахтная печь для обжига известняка, ввиду наличия в реальной системе нелинейных характеристик, множественных обратных связей, неконтролируемых внешних факторов, сложных для моделирования динамических элементов и других факторов, затрудняющих реализацию управления.

В связи с этим возникает необходимость усовершенствования существующих или поиска новых способов создания алгоритмов управления процессом шахтного обжига известняка, что будет способствовать росту эффективности управления и снижению влияния оператора на ход технологического процесса.

Исследования выполнялись в соответствии с госбюджетной тематикой НИР СПГГИ (ТУ) по теме 6.30.020. «Разработка систем управления сложными техническими объектами с использованием математических моделей в контуре управления» (I кв. 2008 - IV кв. 2010 гг.), а также с грантом СПГГИ(ТУ) «Подготовка диссертации на соискание ученой степени кандидата наук» (2007 год).

Цель диссертационной работы. Повышение качества управления процессом шахтного обжига известняка с получением извести для сталеплавильного производства. Задачи исследований:

• анализ процесса шахтного обжига известняка как объекта управления;

• анализ основных методов нейросетевого управления технологическими процессами;

• разработка нейросетевой модели процесса шахтного обжига известняка на основе данных оперативного контроля по работе печи;

• разработка структуры нейросетевого регулятора для управления процессом шахтного обжига известняка;

• синтез нейросетевых алгоритмов для системы управления процессом шахтного обжига известняка;

• оценка эффективности предложенной системы и выработка рекомендаций по ее применению.

Идея работы. Усовершенствование автоматизированной системы управления процессом обжига известняка в шахтных печах путем введения в вычислительные блоки системы нейросетевых алгоритмов, позволяющих повысить ее адаптационные свойства. Научная новизна работы.

Установлено, что применение в системе управления нейросетевой модели процесса шахтного обжига известняка, способной воспроизводить нелинейную динамику объекта на основании данных оперативного контроля печи в режиме реального времени, позволяет осуществлять корректировку управляющих воздействий и повышать качество управления.

Обосновано, что повышение качества управления процессом шахтного обжига известняка обеспечивается введением нейросете-

вых алгоритмов в вычислительные блоки автоматизированной системы управления.

Обоснована структура нейросетевого регулятора для управления процессом обжига известняка в печах шахтного типа, полученная путем реструктуризации параллельной схемы нейронного управления и введения в нее дополнительных блоков истории работы системы, интеллектуального классификатора и выбора способа управления.

Практическое значение работы.

1. Выявлены наиболее эффективные методы предварительной обработки данных и модели нейронных сетей для решения задач идентификации процесса шахтного обжига известняка, что позволяет их использовать для большого класса подобных объектов.

2. Разработана модель на основе нейронных сетей, способная осуществлять прогноз основных параметров процесса на основании данных оперативного контроля печи в режиме реального времени, пригодная для использования в структуре системы управления процессом шахтного обжига известняка и для настройки нейросетевого регулятора.

3. Разработана структура нейросетевого регулятора и нейро-сетевые алгоритмы для системы управления процессом шахтного обжига известняка, позволяющие осуществлять адаптивное управление.

Основные положения, выносимые на защиту:

1. Модель процесса шахтного обжига известняка, разработанная на основе нейросетевых алгоритмов, обеспечивает осуществление прогнозирования значений основных параметров процесса (температур в зоне подогрева, в нижней и верхней частях зоны обжига, в зоне охлаждения, а также суммарного содержания оксидов кальция и магния) на основании данных оперативного контроля печи со значением относительной ошибки моделирования не более 6%.

2. Введение в структуру автоматизированной системы управления процессом шахтного обжига известняка нейросетевого регулятора, схема которого получена путем реструктуризации параллельной схемы нейронного управления и добавления в нее дополнительных блоков истории работы системы, интеллектуального

классификатора и выбора способа управления, обеспечивает повышение качества управления по величине перерегулирования, времени переходного процесса, плотности вероятности внутри границ допустимых пределов изменения параметра и среднеквадратическому отклонению ошибки регулирования.

Методика исследований.

При исследованиях применялись классические и специальные методы теории автоматического управления, методы теории нейронных сетей и нейроуправления, а также методы статистического анализа. Проверка полученных в ходе работы теоретических результатов выполнялась в среде МАТЬАВ и подтверждалась результатами опытно-промышленных испытаний.

Достоверность научных результатов. Достоверность основных научных положений, выводов и рекомендаций обоснована совпадением полученных результатов с промышленными данными и результатами исследования промышленного объекта.

Апробация работы. Содержание и основные положения работы докладывались на семинаре «Инновационные технологии, моделирование и автоматизация в металлургии» (ВО «РЕСТЭК», Санкт-Петербург, 2009); научно-технических конференциях молодых ученых Санкт-Петербургского государственного горного института (Санкт-Петербург, 2007, 2008, 2009, 2010) и семинарах кафедры автоматизации технологических процессов и производств СПГГИ(ТУ).

По теме диссертации опубликовано 5 научных работ, из них 2 в изданиях, рекомендованных ВАК Минобрнауки России. Подана заявка на патент.

Личный вклад автора.

Автор самостоятельно выполнил:

• анализ процесса шахтного обжига известняка как объекта управления;

• синтез модели на основе нейронных сетей, способной осуществлять прогноз основных параметров процесса;

• разработку структуры нейросетевого регулятора процесса шахтного обжига известняка;

• разработку алгоритмов для автоматизированной системы процесса шахтного обжига известняка.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка. Содержит 140 страниц машинописного текста, 25 рисунков, 9 таблиц и список литературы из 110 наименований.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

В первой главе выполнен анализ технологического процесса шахтного обжига известняка как объекта управления, специальных методов теории автоматического управления, а также рассмотрены общие вопросы теории нейронных сетей. Описана актуальность применения нейросетевых алгоритмов в системе управления процессом шахтного обжига известняка. Также приведены и проанализированы наиболее распространенные способы применения нейронных сетей для решения задач автоматического управления.

Вторая глава посвящена разработке нейросетевой модели процесса. Исследована эффективность применения различных методов предварительной обработки данных, приведено обоснование выбора структуры и модели сети, алгоритма оптимизации параметров сети. Разработана схема алгоритма работы нейросетевой модели процесса шахтного обжига известняка, приведена оценка результатов моделирования.

Третья глава посвящена разработке нейросетевой системы управления процессом шахтного обжига известняка. Выполнен анализ и оценка качества текущего управления объектом. Разработана новая структура системы с применением нейросетевых алгоритмов, приведено подробное описание предлагаемых алгоритмов управления, а также проведено тестирование созданной системы управления на данных оперативного контроля по работе шахтной печи обжига известняка и представлена оценка эффективности ее работы.

В четвертой главе представлено описание возможных мероприятий по внедрению автоматизированной системы управления процессом шахтного обжига известняка с применением нейросетевых алгоритмов, а также приведена оценка возможного экономического эффекта от внедрения.

Заключение отражает обобщенные выводы по результатам исследований в соответствии с целью и решенными задачами.

ОСНОВНЫЕ ПОЛОЖЕНИЯ, ВЫНОСИМЫЕ НА ЗАЩИТУ

1. Модель процесса шахтного обжига известняка, разработанная на основе нейросетевых алгоритмов, обеспечивает осуществление адекватного прогнозирования значений основных параметров процесса (температур в зоне подогрева, в нижней и верхней частях зоны обжига, в зоне охлаждепия, а также суммарного содержания оксидов кальция и магния) на основании данных оперативного контроля печи со значением относительной ошибки моделирования не более 6%.

Качественное управление процессом шахтного обжига известняка обусловлено стабилизацией температур в нескольких зонах печи, обеспечиваемой оптимальным распределением газа, воздуха и рециркулята к горелкам этих зон.

Предлагается подход к управлению на основе нейросетевой модели процесса, прогнозирующей значения температур в пяти зонах по высоте шахтной печи.

В качестве исходных данных для построения нейросетевой модели были взяты данные с действующей шахтной печи за период ее работы один месяц с интервалом одна минута. На основании этих данных для построения нейросетевой модели были сформированы обучающие и тестовые выборки.

Перед построением модели на основе мнения экспертов были определены 14 входных и 5 выходных параметров нейросетевой модели. Однако после проведения анализа значимости входных факторов (корреляционным методом и методом главных компонент) два входных параметра были отброшены. Таким образом, всего было определено 12 входных и 5 выходных параметров. В качестве входных были выбраны следующие параметры: XI - расход газа на верхний пояс (Рвп), Х2 - расход газа на нижний пояс (Рнп), ХЗ - расход газа на центральное устройство ввода топлива (Бр), Х4 - уровень материала в печи (Ь), Х5 - производительность печи (Бм), Х6 - расход воздуха на нижний пояс (Рвнп), Х7 - расход воздуха на верхний пояс (РввпХ Х8 - расход воздуха на охлаждение (Рвохл), Х9 - температура рециркулята (ТРЕц), Х10 - расход рециркулята на нижний по-

яс (Ррнп), XII - расход рециркулята на верхний пояс (РрВп), Х12 -расход рециркулята на центральное устройство ввода топлива (Рцувт)-

В качестве выходных были выбраны следующие параметры: У1 - температура в зоне подогрева (Тзп), У2 - температура в нижней части зоны обжига (Тшо)> УЗ - температура в верхней части зоны обжига (ТВзо), У4 - температура в зоне охлаждения (Тзохл)» У5 -суммарное содержание СаО и М^О в извести (МСаомго)- На рисунке 1 представлена схема моделирования процесса шахтного обжига металлургического известняка.

Рис. 1 Схема моделирования процесса шахтного обжига известняка.

Для повышения вычислительной способности нейронной сети, лежащей в основе нейросетевой модели процесса, и повышения точности получаемого результата была проведена предварительная обработка данных. Для этого было проведено исследование, в ходе которого выявлено наиболее эффективное сочетание известных методов предварительной обработки данных для рассматриваемого процесса. Исследование проводилось в пять этапов. На первом этапе использовались данные без предварительной обработки, на втором этапе - данные после проведения процедуры масштабирования, на третьем - данные после удаления выбросов сигналов и масштабирования, на четвертом - данные после удаления выбросов сигналов,

масштабирования и удаления избыточных значений и на пятом -данные после масштабирования и удаления избыточных значений. В процессе исследования использовалась упрощенная структура нейронной сети типа многослойный персептрон с двумя скрытыми слоями. Результаты проведенного исследования представлены в таблице 1.

Таблица 1

Результаты применения различных методов предобработки данных

Номер выхода нейронной сети Номер этапа 1 2 3 4 5

Первый выход нейронной сети Коэффициент корреляции на обучающей выборке 0.54 0.49 0.66 0.73 0.89

Коэффициент корреляции на тестовой выборке 0.43 0.41 0.54 0.70 0.81

Второй выход нейронной сети Коэффициент корреляции на обучающей выборке 0.62 0.65 0.67 0.83 0.85

Коэффициент корреляции на тестовой выборке 0.59 0.61 0.65 0.79 0.82

Лучший результат показали методы, используемые на пятом этапе. Таким образом, предварительная обработка данных для ней-росетевой модели проводилась двумя методами - масштабированием и удалением избыточных значений. В результате предобработки было получено множество данных (значение константы Липшица -136, стационарности - 0,81) для обучения и тестирования нейросе-тевой модели:

г" = {"('Ы')}' = 1,9728), где

"(О = [^ВЯ » ^НП > ^Г, РМ > ^ВНП > ^ВВП ' ЯВОХЛ > Трщ , Ррцп > Ррвп > Рцувт ] и

У(0 ~ [Тщ > ^шеЛзо >Т3оха>^СаомхаГ

Выполнение этапа структурно-параметрического синтеза нейросетевой модели показало эффективность применения нейронной сети для решения поставленной задачи моделирования типа КЫАЛХ (модель нелинейной авторегрессии с экзогенными входами) с десятью нейронами в скрытом слое. В качестве функции активации во внутренних слоях использовался гиперболический тангенс, во входном и выходном слоях сети использовались линейные функции активации. Для обучения нейронной сети был выбран алгоритм

Левенберга-Маркардта. На рисунке 2 представлены результаты обучения нейронной сети для четырех выходов модели.

вую выборки входных сигналов по выходам модели. Верхний график: 1 -значения обучающей выборки, 2 - результат отклика нейронной сети на обучающую выборку. Нижний график: 1 - значения тестовой выборки, 2 -результат отклика нейронной сети на тестовую выборку

Оценка адекватности работы сети проводилась статистическими методами. Результаты представлены в таблице 2.

Таблица 2

Проверка адекватности нейросетевой модели

3 » Номер выхода нейронной сети 1 2 3 4 5

3 СО Э о Коэффициент корреляции 0.993 0.995 0.995 0.991 0.982

81» & о Среднеквадратическое отклонение 0.0082 0.0045 0.0043 0.0118 0.0390

Критерий Фишера 0.83 1.043 1.086 0.51 1.054

1 2 Коэффициент корреляции 0.985 0.986 0.987 0.982 0.954

стовая в борка Среднеквадратическое отклонение 0.0250 0.0163 0.0353 0.0304 0.1502

Критерий Фишера 1.121 1.232 1.246 1.064 1.216

£ Относительная ошибка моделирования, % 2.24 1.22 4.16 3.7 5.8

Полученные значения коэффициентов корреляции, средне-квадратического отклонения и критерия Фишера для обучающей и тестовой выборки доказывают адекватность разработанной нейросетевой модели, что делает возможным применение ее в системе управления процессом шахтного обжига известняка, в том числе и для настройки нейросетевого регулятора. Значение относительной ошибки моделирования при этом не превышает 6%.

2. Введение в структуру автоматизированной системы управления процессом шахтного обжига известняка нейросетевого регулятора, схема которого получена путем реструктуризации параллельной схемы нейронного управления н добавления в нее дополнительных блоков истории работы системы, интеллектуального классификатора и выбора способа управления, обеспечивает повышение качества управления по величине перерегулирования, времени переходного процесса, плотности вероятности внутри границ допустимых пределов изменения параметра и среднеквадратическому отклонению ошибки регулирования.

Получение качественно обожженной извести напрямую связано с правильным выбором температурного режима работы шахтной печи. Основными причинами отклонения температуры от за-

данных значений являются изменение качества известняка и нарушение распределения материалов и газов по сечению печи. Компенсация колебаний температуры осуществляется, в основном, за счет изменения количества топлива, подводимого к горелкам, а также за счет изменения производительности по извести. Целью управления процессом шахтного обжига известняка является стабилизация температурного режима работы печи. При этом шахтная печь как объект управления обладает большой инерционностью по отдельным каналам воздействий и запаздыванием, и традиционные системы управления на основе ПИД-регуляторов не всегда способны достигать заданной цели управления. Для улучшения качества управления процессом шахтного обжига известняка предлагается использовать структуру автоматизированной системы управления на основе ней-росетевых алгоритмов, представленную на рисунке 3.

Объект 1

управления

! Блок первичной обработки данных

4 Задание

12 Блок выбора способа управления

11 Лабораторные данные

Елок 3 ввода/вывода данных

7 Блок истории работы системы

5 Блок ПИД-регулировання

8 Интеллектуальный классификатор

б Блок многопарамстричсского

управления

10 Блок управления

9 Блок моделирования

Рис. 3 Структурная схема автоматизированной системы управления процессом шахтного обжига известняка с применением нейросетевых

алгоритмов.

Автоматизированная система управления процессом шахтного обжига известняка с применением нейросетевых алгоритмов выполнена в виде информационно-вычислительного комплекса и

состоит из следующих основных блоков (рис. 3): объект управления 1; блок первичной обработки данных 2, осуществляющий преобразование данных, полученных с объекта управления в форму определенную пользователем; блок ввода/вывода данных 3 или другими словами графический интерфейс пользователя, осуществляющий взаимодействие пользователя и системы, на который приходит задание 4; блок реализации алгоритмов ПИД-регулирования 5, где на основе показаний одного или нескольких датчиков формируется единичное управляющее воздействие на исполнительный механизм; блок многопараметрического управления 6, состоящий из четырех основных блоков: блока истории работы системы 7, осуществляющего сбор основных параметров системы и формирование различных выборок данных для отдельных блоков системы, а также осуществляющего расчет коэффициента эффективности работы системы, интеллектуального классификатора 8, осуществляющего выбор оптимального режима работы системы, блока моделирования 9, выполняющего оценку состояния объекта с точки зрения изменения тактики и стратегии поведения и блока управления 10, выдающего управляющие воздействия; блока выбора способа управления 12, который, используя оценку, полученную от блока моделирования 9, выбирает на основании некоторого критерия способ управления для каждого управляемого параметра системы.

На рисунке 4 представлена блок-схема алгоритма работы предлагаемой автоматизированной системы управления процессом шахтного обжига известняка.

Для проверки эффективности работы системы был проведен вычислительный эксперимент, в ходе которого получена оценка качества управления по пяти параметрам: выход 1 - температура в зоне подогрева, выход 2 - температура в нижней части зоны обжига, выход 3 - температура в верхней части зоны обжига, выход 4 - температура в зоне охлаждения, выход 5 - суммарное содержание СаО и М§0 в извести. Для проведения эксперимента были взяты данные с действующей шахтной печи за период ее работы один месяц с интервалом одна минута.

Рис. 4 Блок-схема алгоритма работы автоматизированной системы управления процессом шахтного обжига известняка.

На рисунке 5 представлены результаты работы автоматизированной системы управления по двум параметрам - температурам в зоне обжига и в зоне охлаждения.

1

Ч 0.6

0.9 0.4 1 1 73

0.8

0.2 ■>________ДоС

0.7 1

0.6 0

0 500 1000 2500 3000 3500 1100 1200 1300 1400 1500 1600

Вых.2-Темп. в зоне обжига Вых.4- Темп, в зоне охлаждения

Рис. 5 Результаты работы системы управления. 1 - сигнал задания, 2 - расчетные значения (реакция разработанной системы на задание), 3 - фактические значения (реакция существующей системы на задание).

Качество управления оценивалось по величине перерегулирования (О), времени переходного процесса (1р), плотности вероятности внутри границ допустимых пределов изменения параметра (Р) и среднеквадратическому отклонению ошибки регулирования (СКО). Результаты оценки качества управления представлены в таблице 3.

Таблица 3

Оценка качества управления_

Номер выхода нейронной сети 0,% 1р, мин Р СКО

Выход 1 Фактические значения 3.993 4.9 0.993 0.0082

Расчетные значения 1.208 3.4 0.995 0.0039

Оценка изменения показателей, % 69.75 30.61 0.2 52.44

Выход 2 Фактические значения 15 8.32 0.671 0.2046

Расчетные значения 8 5.14 0.817 0.158

Оценка изменения показателей, % 46.67 38.22 17.87 22.78

Выход 3 Фактические значения 2.225 4.7 0.753 0.1502

Расчетные значения 1.83 3.3 0.861 0.0716

Оценка изменения показателей, % 17.75 29.79 12.54 52.33

Выход 4 Фактические значения 8.56 1.7 0.922 0.1126

Расчетные значения 4.11 1.2 0.987 0.0885

Оценка изменения показателей, % 51,99 29.41 6.58 21.4

Выход 5 Фактические значения 1.5 0.3 0.853 0.1341

Расчетные значения 0.7 0.21 0.932 0.0654

Оценка изменения показателей, % 53.33 30 8.48 51.23

Полученные значения подтверждают повышение качества по величине перерегулирования не менее чем на 15%, времени переходного процесса не менее чем на 25%, плотности вероятности внутри границ допустимых пределов изменения параметра не менее чем на 0.2 % и среднеквадратическому отклонению ошибки регулирования не менее чем на 20%.

ЗАКЛЮЧЕНИЕ

Диссертация представляет собой законченную научно-квалификационную работу, в которой содержится новое решение актуальной для металлургии задачи управления процессом обжига известняка в печах шахтного типа с применением нейросетевых алгоритмов.

Основные результаты выполненных исследований сводятся к следующему:

1. Для повышения эффективности управления и снижения влияния оператора на ход технологического процесса целесообразно применение нейросетевых алгоритмов в структуре автоматизированной системы управления процессом шахтного обжига известняка.

2. Использование методов масштабирования и удаления избыточных значений на этапе предварительной обработки данных при построении нейросетевой модели процесса шахтного обжига известняка повышает вычислительную способность нейронных сетей, используемых в структуре модели, и точность получаемых результатов.

3. Прогнозирование значений основных параметров процесса шахтного обжига известняка с достаточной точностью осуществляется предложенной в работе нейросетевой моделью, значение относительной ошибки моделирования при этом не превышает 6%.

4. Повышение качества управления обеспечивается введением предложенных нейросетевых алгоритмов в структуру автоматизированной системы управления процессом шахтного обжига известняка, эффективность которых доказана проведенным вычислительным экспериментом с использованием данных оперативного контроля по работе печи.

ОСНОВНЫЕ ПОЛОЖЕНИЯ ДИССЕРТАЦИИ ОПУБЛИКОВАНЫ В СЛЕДУЮЩИХ РАБОТАХ:

1. Котелева Н.И. Усовершенствование системы управления процессом обжига известняка в печах шахтного типа//3аписки Горного Института. Полезные ископаемые России и их освоение. СПГГИ(ТУ), Санкт-Петербург, 2010. Т.186, с. 181-184.

2. Котелева Н.И. Применение нейросетевых алгоритмов в системе управления процессом шахтного обжига металлургического известняка/ Н.И. Котелева, И.Н. Белоглазов, В.О. Голу-бев//Металлург, 2010. №4, с. 34-36.

3. Кадыров Э.Д. Представление исходных данных для нейронной сети в системе управления процессом шахтного обжига металлургического известняка/ Э.Д. Кадыров, Н.И. Котелева //Автоматизация в промышленности, 2010. №5, с. 56-58.

4.KoteIeva N.I.. Metallurgical limestone shaft kilning neural network model development/ N.I. Koteleva, I.N. Beloglazov, I.S. Lebedeva, A.I. Mikheyev// "Ore and Metals" publishing house, "CIS Iron & Steel Review", 2009, pp. 9-11.

5. Белоглазов И.Н. Применение специальных методов для создания систем управления пирометаллургическими процессами/ И.Н. Белоглазов, Н.В. Данилова, Н.И. Котелева //Изд. СПбГУ, Санкт-Петербург, 2009. - 98 с.

РИЦ СПГГИ. 19.05.2010.3.272 Т.100 экз. 199106 Санкт-Петербург, 21-я линия, д.2

ВВЕДЕНИЕ.

1. АНАЛИТИЧЕСКИЙ ОБЗОР И ПОСТАНОВКА ЗАДАЧ ИССЛЕДОВАНИЯ.

1.1. Анализ процесса шахтного обжига известняка как объекта управления.

1.1.1 Физико-химические основы процесса обжига известняка в шахтных печах.

1.1.2 Технологические особенности протекания процесса обжига известняка в шахтных печах.

1.1.3 Особенности управления технологическим процессом обжига известняка в шахтных печах.

1.1.4 Шахтная печь для обжига известняка как объект управления.

1.2. Применение специальных методов теории автоматического управления в задачах управления металлургическими процессами.

1.2.1. Теоретические основы специальных систем управления.

1.2.2. Нейросетевые системы управления.

1.2.3 Основные приемы и схемы нейросетевого управления.

1.3 Постановка задач исследования.

2. РАЗРАБОТКА НЕЙРОСЕТЕВОЙ МОДЕЛИ ПРОЦЕССА ШАХТНОГО ОБЖИГА ИЗВЕСТНЯКА.

2.1. Определение входных и выходных параметров модели, постановка задач моделирования.

2.2. Предварительная обработка данных.

2.2.1. Теоретические основы и обзор основных методов предварительной обработки данных.

2.2.2. Исследование эффективности использования различных методов предобработки данных для нейросетевой модели процесса шахтного обжига известняка.

2.3. Синтез нейросетевой модели процесса шахтного обжига известняка.

2.3.1 Определение структуры сети.

2.3.2 Обоснование выбора модели сети.

2.3.3. Оптимизация параметров сети.

2.3.4. Разработка нейросетевой модели процесса шахтного обжига известняка.

2.4. Оценка критериев адекватности нейросетевой модели процесса шахтного обжига известняка реальному объекту.

2.5. Выводы по главе.

3. РАЗРАБОТКА АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ УПРАВЛЕНИЯ ТЕХНОЛОГИЧЕСКИМ ПРОЦЕССОМ ШАХТНОГО ОБЖИГА ИЗВЕСТНЯКА.

3.1 Постановка задач управления.

3.2 Структурный синтез системы управления процессом шахтного обжига известняка с применением нейросетевых алгоритмов.

3.3 Разработка алгоритма работы системы управления процессом шахтного обжига известняка с применением нейросетевых алгоритмов.

3.4 Синтез нейросетевого регулятора, используемого в структуре системы управления процессом шахтного обжига известняка с применением нейросетевых алгоритмов.

3.5 Анализ результатов тестирования системы и оценка качества ее работы

3.6 Выводы по главе.

4. АВТОМАТИЗИРОВАННАЯ СИСТЕМА УПРАВЛЕНИЯ С ПРИМЕНЕНИЕМ НЕЙРОСЕТЕВЫХ АЛГОРИТМОВ В РЕАЛЬНЫХ ПРОИЗВОДСТВЕННО-ТЕХНОЛОГИЧЕСКИХ УСЛОВИЯХ ПРОЦЕССА ШАХТНОГО ОБЖИГА ИЗВЕСТНЯКА.

4.1 Разработка программно-технического комплекса для внедрения автоматизированной системы управления процессом шахтного обжига известняка с применением нейросетевых алгоритмов.

4.2 Описание возможных мероприятий по внедрению автоматизированной системы управления с применением нейросетевых алгоритмов.

4.3 Оценка возможного экономического эффекта от внедрения автоматизированной системы управления процессом шахтного обжига известняка с применением нейросетевых алгоритмов.

4.4 Выводы по главе.

Актуальность работы. В настоящее время в практике работы металлургических комбинатов при управлении процессами шахтного обжига известняка используются так называемые локальные автоматизированные системы. Такие системы позволяют успешно решать задачи стабилизации одного (реже двух-трех) параметра процесса. При использовании такого рода систем эффективность управления объектом в целом очень сильно зависит от действий оператора. При этом различные проведенные исследования работы операторов показывают, что управление часто ведется ими нерационально ввиду ограниченных возможностей человека, который не в состоянии контролировать и анализировать одновременно большое количество переменных факторов.

Существенный вклад в развитие и усовершенствование процесса шахтног го обжига известняка и алгоритмов управления им внесли отечественные ученые: А.В. Монастырев, Н.П. Табунщиков, И.Н. Белоглазов, В.Д. Науменко и другие, в развитие теории нейронных сетей и нейроу правления: А.И. Галушкин, В.В. Круглов, В.А. Терехов, В.А. Крисилов, В.Г. Царегородцев и другие.

В классической теории управления, на которой основываются современные автоматизированные системы управления технологическим процессом шахтного обжига известняка, обозначенные проблемы решаются с помощью математических моделей, реализуемых на основе предположений о линейности систем. Однако эти модели адекватны лишь в некоторой ограниченной области и в полной мере не могут отражать действительные физические свойства таких сложных объектов, к которым относится шахтная печь для обжига известняка, ввиду наличия в реальной системе нелинейных характеристик, множественных обратных связей, неконтролируемых внешних факторов, сложных для моделирования динамических элементов и других факторов, затрудняющих реализацию управления.

В связи с этим возникает необходимость усовершенствования существующих или поиска новых способов создания алгоритмов управления процессом шахтного обжига известняка, что будет способствовать росту эффективности управления и снижению влияния оператора на ход технологического процесса.

Исследования выполнялись в соответствии с госбюджетной тематикой НИР СПГГИ (ТУ) по теме 6.30.020. «Разработка систем управления сложными техническими объектами с использованием математических моделей в контуре управления» (I кв. 2008 - IV кв. 2010 гг.), а также с грантом СПГГИ (ТУ) «Подготовка диссертации на соискание ученой степени кандидата наук» (2007 год).

Цель работы. Повышение качества управления процессом шахтного обжига известняка с получением извести для сталеплавильного производства.

Основные положения, выносимые на защиту

1. Модель процесса шахтного обжига известняка, разработанная на основе нейросетевых алгоритмов, обеспечивает осуществление прогнозирования значений основных параметров процесса (температур в зоне подогрева, в нижней и верхней частях зоны обжига, в зоне охлаждения, а также суммарного содержания оксидов кальция и магния) на основании данных оперативного контроля печи со значением относительной ошибки моделирования не более 6%.

2. Введение в структуру автоматизированной системы управления процессом шахтного обжига известняка нейросетевого регулятора, схема которого получена путем реструктуризации параллельной схемы нейронного управления и добавления в нее дополнительных блоков истории работы системы, интеллектуального классификатора и выбора способа управления, обеспечивает повышение качества управления по величине перерегулирования, времени переходного процесса, плотности вероятности внутри границ допустимых пределов изменения параметра и среднеквадратическому отклонению ошибки регулирования.

Методы исследований.

При исследованиях применялись классические и специальные методы теории автоматического управления, методы теории нейронных сетей и нейро-управления, а также методы статистического анализа. Проверка полученных в ходе работы теоретических результатов выполнялась в среде MATLAB и подтверждалась результатами опытно-промышленных испытаний.

Научная новизна работы:

Установлено, что применение в системе управления нейросетевой модели процесса шахтного обжига известняка, способной воспроизводить нелинейную динамику объекта на основании данных оперативного контроля печи в режиме реального времени, позволяет осуществлять корректировку управляющих воздействий и повышать качество управления.

Обосновано, что повышение качества управления процессом шахтного обжига известняка обеспечивается введением нейросетевых алгоритмов в вычислительные блоки автоматизированной системы управления.

Обоснована структура нейросетевого регулятора для управления процессом обжига известняка в печах шахтного типа, полученная путем реструктуризации параллельной схемы нейронного управления и введения в нее дополнительных блоков истории работы системы, интеллектуального классификатора и выбора способа управления.

Практическая значимость работы:

1. Выявлены наиболее эффективные методы предварительной обработки данных и модели нейронных сетей для решения задач идентификации процесса шахтного обжига известняка, что позволяет их использовать для большого класса подобных объектов.

2. Разработана модель на основе нейронных сетей, способная осуществлять прогноз основных параметров процесса на основании данных оперативного контроля печи в режиме реального времени, пригодная для использования в структуре системы управления процессом шахтного обжига известняка и для настройки нейросетевого регулятора.

3. Разработана структура нейросетевого регулятора и нейросетевые алгоритмы для системы управления процессом шахтного обжига известняка, позволяющие осуществлять адаптивное управление.

Достоверность результатов работы.

Достоверность основных научных положений, выводов и рекомендаций обоснована совпадением полученных результатов с промышленными данными и результатами исследования промышленного объекта.

Апробация работы.

Содержание и основные положения работы докладывались на семинаре «Инновационные технологии, моделирование и автоматизация в металлургии» (ВО «РЕСТЭК», Санкт-Петербург, 2009); научно-технических конференциях молодых ученых Санкт-Петербургского государственного горного института (Санкт-Петербург, 2007, 2008, 2009, 2010) и семинарах кафедры автоматизации технологических процессов и производств СПГГИ (ТУ).

Публикации. По теме диссертации опубликовано 5 научных работ, из них 2 в изданиях, рекомендованных ВАК Минобрнауки России. Подана заявка на патент.

Структура и объем диссертации.

В первой главе выполнен анализ технологического процесса шахтного обжига известняка как объекта управления, специальных методов теории автоматического управления, а также рассмотрены общие вопросы теории нейронных сетей. Описана актуальность применения нейросетевых алгоритмов в системе управления процессом шахтного обжига известняка. Также приведены и проанализированы наиболее распространенные способы применения нейронных сетей для решения задач автоматического управления.

Вторая глава посвящена разработке нейросетевой модели процесса. Исследована эффективность применения различных методов предварительной обработки данных, приведено обоснование выбора структуры и модели сети, алгоритма оптимизации параметров сети. Разработана схема алгоритма работы нейросетевой модели процесса шахтного обжига известняка, приведена оценка результатов моделирования.

Третья глава посвящена разработке нейросетевой системы управления процессом шахтного обжига известняка. Выполнен анализ и оценка качества текущего управления объектом. Разработана новая структура системы с применением нейросетевых алгоритмов, приведено подробное описание предлагаемых алгоритмов управления, а также проведено тестирование созданной системы управления на данных оперативного контроля по работе шахтной печи обжига известняка и представлена оценка эффективности ее работы.

В четвертой главе представлено описание возможных мероприятий по внедрению автоматизированной системы управления процессом шахтного обжига известняка с применением нейросетевых алгоритмов, а также приведена оценка возможного экономического эффекта от внедрения.

Заключение отражает обобщенные выводы по результатам исследований в соответствии с целью и решенными задачами.

Личный вклад автора.

Автор самостоятельно выполнил:

• анализ процесса шахтного обжига известняка как объекта управления;

• синтез модели на основе нейронных сетей, способной осуществлять прогноз основных параметров процесса;

• разработку структуры нейросетевого регулятора процесса шахтного обжига известняка;

• разработку алгоритмов для автоматизированной системы процесса шахтного обжига известняка.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка. Содержит 140 страниц машинописного текста, 25 рисунков, 9 таблиц и список литературы из 110 наименований.

Основные результаты выполненных исследований сводятся к следующему:

1. Для повышения эффективности управления и снижения влияния оператора на ход технологического процесса целесообразно применение нейросетевых алгоритмов в структуре автоматизированной системы управления процессом шахтного обжига известняка

2. Использование методов масштабирования и удаления избыточных значений на этапе предварительной обработки данных при построении нейросетевой модели процесса шахтного обжига известняка повышает вычислительную способность нейронных сетей, используемых в структуре модели, и точность получаемых результатов.

3. Прогнозирование значений основных параметров процесса шахтного обжига известняка с достаточной точностью осуществляется предложенной в работе нейросетевой моделью, значение ошибки моделирования при этом не превышает 6%.

4. Обоснована структура нейросетевого регулятора для управления процессом обжига известняка в печах шахтного типа, полученная путем реструктуризации параллельной схемы нейронного управления и введением в нее дополнительных блоков истории работы системы, интеллектуального классификатора и выбора способа управления и определены функции для каждого блока регулятора.

5. Повышение качества управления обеспечивается введением предложенных нейросетевых алгоритмов в структуру автоматизированной системы управления процессом шахтного обжига известняка, эффективность которых доказана проведенным вычислительным экспериментом с использованием данных оперативного контроля по работе печи.

ЗАКЛЮЧЕНИЕ

Диссертация представляет собой законченную научно-квалификационную работу, в которой содержится новое решение актуальной для металлургии задачи управления процессом обжига известняка в печах шахтного типа с применением нейросетевых алгоритмов.

1. Александров В. М. Последовательный синтез оптимального по быстродействию управления линейными системами с возмущениями//Сибирский журнал вычислительной математики, № 11, 2008, с. 251—270.

2. Андриевский Б.Р. Избранные главы теории автоматического управления с примерами на языке MATLAB/ Б.Р.Андриевский, А.Л.Фрадков//СПб.: Наука, 2000. 475 с.

3. Андрющенко В .А. Теория систем автоматического управления: Учеб. пособие. Л., Издательство Ленинградского университета, 1990. — 256 с.

4. Анхимюк В.Л. Теория автоматического управления./ В.Л.Анхимюк, О.Ф.Опейко, Н.Н.Михеев//Мн.: Дизайн ПРО, 2000. 352 с.

5. Аоки М. Введение в методы оптимизации// Пер. с англ., Главная редакция физико-математической литературы издательства «Наука», М., 1977. -344 с.

6. Ахназарова Л.С. Методы оптимизации эксперимента в химической технологии/ Л.С.Ахназарова, В.В.Кафаров//Учеб. Пособие для хим.-технол. спец. Вузов. 2-е изд., перераб. и доп. М.: Высшая школа, 1985.- 327 с.

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

8. Бесекерский В.А. Теория систем автоматического управления/ В.А.Бесекерский, Е.П. Попов// Изд. 4-е перераб; и доп. Спб, Изд-во «Профессия», 2003. - 752 с.

9. Вдовиченко И.Н. Об экспертном управлении технологическими объектами/ url: http://www.nbuv.gov.ua/portal/natural/NewTech/20084/articles/2-17.pdf.

10. Винер Н. Человек управляющий. Питер, 2001 .-288 с.

11. Власов К.П. Теория автоматического управления. Учебное пособие. X.: Издательство «Гуманитарный центр», 2006.- 342 с.

12. Вороновский Г.К. Проблемы и перспективы использования искусственных нейронных сетей в энергетике. Часть 1. Моделирова-ние/Г.К.Вороновский, К.В. Махотило, С.А. Сергеев./ДТроблеми загальноТ енер-гетики, №14, 2006, с. 50-61.

13. Вороновский Г.К. Проблемы и перспективы использования искусственных нейронных сетей в энергетике. Часть 2. Управле-ние/Г.К.Вороновский, К.В. Махотило, С.А. Сергеев.// Проблеми загальноТ енер-гетики, №16, 2007, с. 54-67.

14. Галушкин А.И. Теория нейронных сетей. Кн. 1: Учеб. пособие для вузов/ Общая ред. А.И. Галушкина-М.: ИПРЖР, 2000. 416с.

15. Гартман Т.Н. Основы компьютерного моделирования химико-технологических процессов: Учеб. пособие для вузов М: ИКЦ "Академкнига", 2006.-416 с.

16. Глинков Г.М. АСУ ТП в черной металлургии/ Г.М.Глинков, В.А.Маковский // Учебник для вузов. 2-е изд. перераб. и доп. М: «Металлургия», 1999.-310 с.

17. Голубятников В.А. Автоматизация производственных процессов в химической промышленности/В.А.Голубятников, В.В.Шувалов // Учебн. Для техникумов. — 2-е изд., перераб. и доп. — М: Химия, 1985 — 352 с.

18. Демин А.В. Логическая модель адаптивной системы управления/ А.В.Демин, Е.Е.Витяев//Нейроинформатика, том 3, №1, 2008, с. 79-108.

19. Ежов А.А. Нейрокомпьютинг и его применение в экономике и бизнесе/А.А.Ежов, С.А.Шумский.//Москва, 1998. 216 с.

20. Елизаров И.А. Самонастраивающаяся нейросетевая система управления многосвязными динамическими объектами/ И.А.Елизаров, М.Н. Солуда-нов//Информационные процессы и управление, № 1, 2006, с. 30-44.

21. Еременко Ю.И. Автоматизация управления шахтными печами цеха металлизации с использованием динамической экспертной системы/ Мехатро-ника, автоматизация, управление, № 4, 2004, с. 44-49.

22. Еремин E.JI. Адаптивно-робастные алгоритмы следящей системы для объекта с запаздыванием по управлению/ Е.Л.Еремин, JI.В.Черпак //Дальневосточный математический журнал, 2003, Том 4, № 1, с. 141-150.

23. Еремин E.JI. Адаптивные системы с динамическим упредитель-компенсатором для объектов с запаздыванием по управлению/ Е.Л.Еремин, Л.В. Ильина//ИСУ, Адаптивные и робастные системы, №1(3), 2002, с. 97-102.

24. Еремин Е.Л. Имитационное моделирование технически эквивалентных гибридных систем управления/ Е.Л.Еремин, Д.Г.Шевко//ИСУ, Моделирование систем, №2, 2001, с. 36-42.

25. Еремин Е.Л. Прямое адаптивное управление с настройкой компенсаторов/ Е.Л.Еремин, С.Г.Самохвалова//ИСУ, Адаптивные и робастные системы, №1(3), 2002, с. 103-111

26. Заенцев И. В. Нейронные сети. Основные модели. Воронеж: Изд-во Воронежского государственного университета. — 1999.- 76с.

27. Зайцев Г.Ф. Теория автоматического управления и регулирования.-2-е изд., перераб. и доп. — Киев, Высшая школа. 1989. — 431 с.

28. Закарюкин В.П. Моделирование и прогнозирование процессов электропотребления на железнодорожном транспорте./ В.П. Закарюкин, А.В.Крюков, Н.В.Раевский и др.//Под ред. Проф. А.В. Крюкова: Иркутск -2007.-115с.

29. Замятин Н.В. Методика нейросетевого моделирования сложных систем/ Н.В.Замятин, Д.В. Медянцев// Известия Томского политехнического университета, т. 309, № 8, 2006.С. 100-106.

30. Земенкова М.Ю. Методы системного анализа в решении задач управления сложными техническими системами/ М.Ю.Земенкова, Д.А.Бабичев, Ю.Д Земенков// Нефтегазовое дело, 2007, url: http ://www. ogbus .ru/authors/Zemenkova/Zemenkoval .pdf.

31. Иберла К. Факторный анализ/Пер. с нем. В.М.Ивановой; Предисл. A.M. Дуброва. М: Статистика, 1980.- 398с.

32. Ивахненко А.Г. Долгосрочное прогнозирование и управление сложными системами. — Киев: «Техника», 1975.- 312 с.

33. Информационные системы в металлургии: Конспект лекций (отдельные главы из учебника для вузов)/ Н.А.Спирин, В.В.Лавров. Екатеринбург: Уральский государственный технический университет УПИ, 2004. — 495с.

34. Исаев Е.А. Теория управления окомкованием сыпучих материалов: Монография/ Е.А.Исаев, И.Е.Чернецкая и др.//Старый Оскол: ООО «ТНТ», 2004.-384 с.

35. Казанович Я.Б. Нейросетевая модель слежения за несколькими объектами/ Я.Б.Казанович, Р.М.Борисюк //Нейроинформатика, том 1, №1, 2006, с. 4-33.

36. Калан Р. Основные концепции нейронных сетей: Пер. с англ. — М.: Издательский дом «Вильяме», 2001— 287с.

37. Комашинский В.И. Нейронные сети и их применение в системах управления и связи/ В.И.Комашинский, Д.А.Смирнов // М: Горячая линия Телеком, 2003 .-94с.

38. Компьютерные методы моделирования доменного процесса/ Под ред. Н.А. Спирина. Екатеринбург: УГТУ УПИ, 2005. - 301 с.

39. Кравченко М.Л. Моделирование экономических систем с применением нейронных сетей/ М.Л.Кравченко, Т.И. Грекова// url: http://sun.tsu.ru/mminfo/000063105/290/image/290-169.pdf.

40. Крисилов В.А. Представление исходных данных в задачах нейросетевого прогнозирования/ В.А.Крисилов, К.В.Чумичкин,

41. A.В.Кондратюк//Научная сессия МИФИ -2003. V Всероссийская научно-техническая конференция "Нейроинформатика 2003": Сборник научных трудов в 2-х четях. 4.1. М: МИФИ, 2003, с. 184-191.

42. Крисилов В.А. Преобразование входных данных нейросети с целью улучшения их различимости/ В.А.Крисилов, А.В. Кондратюк// url: http://neuroschool.narod.ru/pub/krikon.pdf.

43. Кричевский M.JI. Интеллектуальный анализ данных в менеджменте: Учеб. пособие/ СПбГУАП. Спб., 2005. 208 с.

44. Круг П.Г.Нейронные сети и нейрокомпьютеры: Учебное пособие по курсу «Микропроцессоры». М.: Издательство МЭИ, 2002. - 176 с.

45. Круглов В.В. Искуственные нейронные сети. Теория и практика.-2-е изд., стереотип/ В.В.Круглов, В.В.Борисов// М.: Горячая линия Телеком, 2002.-382 с.

46. Круглов В.В., Нечеткая логика и искусственные нейронные сети/

47. B.В.Круглов, М.И. Дли, Р.Ю. Годунов// Учеб.пособие.- М: Издательство Физико-математической литературы, 2001.-224с.

48. Кудашкин С.В. Применение искусственных нейронных сетей для моделирования многокомпонентных систем/ С.В.Кудашкин, В.Д.Черкасов и др.//Информационные технологии моделирования и управления, 2007, №9(43), с. 1041-1045.

49. Лю Б. Теория и практика неопределенного программирования. /Пер. с англ. Москва: БИНОМ. Лаборатория знаний, 2005.-416 с.

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

51. Методы исследований и организация- экспериментов / под ред. проф. К.П. Власова X.: Издательство «Гуманитарный центр», 2002. - 256 с.

52. Методы робастного, нейро-нечеткого и адаптивного управления: учебник/Под ред. Н.Д. Егупова; издание 2-ое, стереотипное.- М.: Изд-во МГТУ им. Н.Э. Баумана, 2002.-744с.

53. Минаев Ю.Н. Методы и алгоритмы идентификации и прогнозирования в условиях неопределенности в нейросетевом логическом базисе/ Ю.Н.Минаев, О.Ю.Филимонова, Лиес Бенамеур//М.: Горячая линия — Телеком, 2003 .-205с.

54. Минский М. Пресептроны/ М.Минский, С. Пейперт// Пер. с англ -Г.Л. Гиммельфарба, В.М. Шарыпанова: М.: «Мир», 1971.-262с.

55. Мирекс Е.М. Нейрокомпьютер: проект стандарта. Новосибирск: Наука, 1999.-337с.

56. Монастырев А.В. Производство извести. Учебник для подготовки рабочих на производстве. М., «Высш. школа», 1971. - 272с.

57. Науменко В.Д. Производство извести, известкового молока и сату-рационного газа на сахарных заводах/ В.Д.Науменко, И.В.Науменко, А.В Нау-менко/ЛСиев, 2004 220 с.

58. Научная сессия МИФИ-2007. VIII Всероссийская научно-техническая конференция «Нейроинформатика-2007»: Лекции по нейроинфор-матике. Часть 1. -М.: МИФИ, 2007. 178с.

59. Нейроинформатика/ А.Н.Горбань, В.Л.Дунин-Барковский, А.Н.Кирдин и др. Новосибирск: Наука. Сибирское предприятие РАН, 1998. -296с.

60. Нейронные сети. STATISTICA Neural Networks: Методология и технологии современного анализа данных/ Под редакцией В.П. Боровикова. -2-е изд., перераб. и доп. — М.: Горячая линия — Телеком, 2008. — 392 с.

61. Нейросетевые системы управления/ В.А. Терехов, Д.В. Ефимов, И.Ю. Тюкин и др. — СПб: Изд-во С.-Петербургского университета, 2004. — 264с.

62. Нейроуправляемые конструкции и системы/Под ред. Абовского Н.П. Кн. 13: Учеб. Пособие для вузов. М.: Радиотехника, 2003 - 368 с.

63. Нехлебаева Ю.П. Экономия топлива при производстве извести (Экономия топлива и электроэнергии) М.: Металлургия, 1987 - 136 с.

64. Никульчев Е.В. Многокритериальные системы для принятий решений для задач управления/ Автоматизация в промышленности, № 6, 2005, с. 4546.

65. Никульчев Е.В. Моделирование и идентификация динамически-сложных систем на основе методов группового анализа/ Механотроника, Автоматизация, Управление, №10, 2004, с.2-7.

66. Никульчев Е.В. Моделирование систем с нелинейной динамикой по экспериментальным данным/ Механотроника, Автоматизация, Управление, №5, 2006, с.7-14.

67. Олешко Д.Н. Повышение качества и скорости обучения нейронных сетей в задаче прогнозирования поведения временных рядов/ Д.Н.Олешко, В.А.Крисилов // url: http://neuroschool.narod.ru/pub/dn01.html.

68. Омату С. Нейроуправление и его приложения/С.Омату, М.Халид, Р.Юсоф/М.: ИПРЖР, 2000. 272с.

69. Оптимизация системы управления процессом подготовки нефти/ А.П. Веревкин, И.Д. Ельцов, О.В. Кирюшин// Вклад науки Республики Башкортостан в реальные секторы экономики : тр. науч.-практ. конф. Уфа : ТРАНСТЭК, 2003. с. 50-52.

70. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2002.-344с.

71. Пат. РФ. Интеллектуальный контроллер с нейронной сетью и правилами самомодификации / В.И. Ключко и др.. № 2266558; опубл. 20.12.2005.

72. Пат. РФ. Нейросетевой регулятор для управления курсом судна / Н.А. Седова и др.. -№ 2359308; опубл. 20.06.2009.

73. Передерий, И.А. Технология производства минеральных вяжущих / И.А. Передерий. М,: Высшая школа, 1972. — 322 с.

74. Поляков Б.Н. Сравнительная статистическая оценка параметров функции отклика при планировании эксперимента/ Нефтегазовое дело, 2007, url: http://www.ogbus.ru/authors/Poliakov/Poliakovl .pdf.

75. Прокопенко М.Н. Постановка и решение задачи оптимизации технологического регламента сушки керамического кирпича// Вестник Воронежского государственного технического университета, т.2, №8, 2006, с. 146-153.

76. Птичкин В.А. Исследование искусственных нейронных сетей методами линеаризации и полиномиальной аппроксимации/ Доклады БГУИР, №1, 2004, с. 5-18.

77. Пятковский О.И. Разработка системы автоматического конструирования нейросетевой модели прогнозирования спроса/О.И.Пятковский, А.С.Авдеев//Ползуновский вестник № 1, 2006, с. 4-8.

78. Растригин Л. А. Адаптация сложных систем. Рига: Зинатне, 1981.375 с.

79. Рудакова Т.А. Анализ моделей нейросетевого управления в условиях параметрической неопределенности /Материалы X региональной научно-технической конференции «Вузовская наука — Северо-Кавказскому региону». СевКавГТУ, 2006.

80. Руденко О.Г. Нейроуправление нелинейными объектами на основе радиально-базисных сетей/ О.Г.Руденко, А.А.Бессонов // Вестник ХГТУ, №2 (18), 2003, с.42-47.1. I »

81. Руководство по эксплуатации печи обжига известняка. Санкт-Петербург: ОАО «ОМЗ-Спецсталь».

82. Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткие системы/ Д.Рутковская, М.Пилиньский, Л.Рутковский // Пер. с польск. И.Д. Ру-динского.- М.: Горячая линия — Телеком, 2007.-452с.

83. Советов Б. Я. Моделирование систем/ Б. Я.Советов, С.А.Яковлев// Учеб. для вузов 3-е изд., перераб. и доп. - М.: Высш. шк., 2001. - 343 с.

84. Спесивцев. Металлургический процесс как объект изучения: новые концепции, системность, практика. СПб.: Изд-во Политехи, ун-та, 2004. 307 с.

85. Степанов С.В. Нейронная интерпретация выборки для структурного статистического моделирования совокупностей предприятий/ Вопросы статистики, № 6, 2004, с. 21 -33.

86. Тарасенко Р.А. Выбор размера описания ситуации при формировании обучающей выборки для нейронных сетей в задачах прогнозирования временных рядов/ Р.А.Тарасенко, В.А. Крисилов// url: http://neuroschool.narod.ru/pub/rtov02.html.

87. Тархов, Д. А. Нейронные сети. Модели и алгоритмы. Кн. 18. М.: Радиотехника, 2005. - 256 с.

88. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. Перевод на русский язык, Ю. А. Зуев, В. А. Точенов, 1992. 102 с.

89. Управление производством при нечеткой исходной информации/ Р.А. Алиев, А.Э. Церковный, Г.А. Мамедова. М.: Энергоатомиздат, 1991. -240с.

90. Фазылова М.В. Алгоритм обучения нейронных сетей для задач диагностики состояния оборудования нефтегазовой отрасли/ Нефтегазовое дело, 2007, url: http://www.ogbus.ru/authors/Fazylova/Fazyloval.pdf,-< I -I

91. Филатова T.B. Применение нейронных сетей для аппроксимации данных// Кибернетика и системный анализ, №6, 2004, с. 121-125.

92. Хайкин, Саймон. Нейронные сети: полный курс, 2-е издание.: Пер. с англ. М.: Издательский дом «Вильяме», 2008.-1104с.

93. Хлытчиев С.М. Основы автоматики и автоматизации производственных процессов: Учебник для вузов связи/ С.М. Хлытчиев, А.С. Ворожцов, И.А. Захаров. -М.: Радио и связь, 1985. — 288 с.

94. Царегородцев В.Г. Оптимизация предобработки данных для обучаемой нейросети: критерий оптимальности предобработки//Материалы XIV Международной конференции по нейрокибернетике, Ростов-на-Дону, т.2, 2005, с.64-67.

95. Чен К. MATLAB в математических исследованиях/ К.Чен, П.Джиблин, А.Ирвинг //Пер. с англ.-М.: Мир, 2001.-346с.

96. Ченцов А.В. Балансовая логико-статистическая модель доменного процесса/ А.В .Ченцов, Ю.А.Чесноков, С.В.Шаврин// Издание второе, дополнительное и переработанное. Екатеринбург: УрО РАН, 2003. 163 с.

97. Черкасов В.Ю. Оптимизация управления процессом измельчения и классификации в условиях ГМЗ-2/ В.Ю.Черкасов, И.Н.Гуцев, З.Я. Клиневски // Горный вестник Узбекистана, №2(21), 2005, с. 85-91.

98. Черный А.А. Исследования тепловых процессов с применением моделирования: учебное пособие / А.А. Черный. Пенза: Пензенский государственный университет, 2008. — 48с.

99. Черный А.А. Системный анализ результатов расчетов по математическим моделям: учебное пособие / А.А. Черный. Пенза: Пензенский государственный университет, 2007. — 143 с.

100. Яхъяева Г.Э. Нечеткие множества и нейронные.сети: Учебное пособие/ Г.Э. Яхъяева. М.: Интернет-Университет Информационных Технологий; БИНОМ. Лаборатория знаний, 2006. - 316 с.V

101. Barto A.G. Connectionist learning for control in Neural Networks for Control// MIT Press, Cambridge, Massachusetts, 1990, pp. 5-58.

102. Gordon Y.M. New technolodgy and shaft furnace for high quality metallurgical lime production, pp. 1-4.

103. Hunt K.J. Neural networks for control system a survey/ K.J. Hunt, D. Sbarbaro, R. Zbikowski, P.J. Gawthrop// Automatica, Vol. 28, 1992, pp. 1083-1112.

104. Miller W.T. Neural Networks for Control/ W.T. Miller, R.S. Sutton, P J. Werbos// MIT Press, Cambridge, MA, 1990.

105. Werbos P.J. Owerview of designs and capabilities in Neural Networks for Control// MIT Press, Cambridge, MA, 1990, pp. 59-65.

106. Xiaohong Wang Distributed control for cement production of vertical shaft kiln/ Xiaohong Wang, Qingjin Meng, Hongliang Yu, Zhugang Yuan, Xinhe Xu//International journal of informaton and systems sciences, volume 1, number 3-4, pp 264-274.