автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Диагностика информационной подсистемы АСУТП ТЭЦ с использованием технологий искусственного интеллекта

На правах рукописи

РЕПИН Андрей Иванович

ДИАГНОСТИКА ИНФОРМАЦИОННОЙ ПОДСИСТЕМЫ АСУТП ТЭЦ С ИСПОЛЬЗОВАНИЕМ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Специальность 05 И 06 Автоматизация и управление те\гслогичсс::ими процессами и производствами (по отраслям- энер! етика)

АФТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Москва, 2006 г.

Работа выпотаена на кафедре «Автоматизированные системы управтения тепловыми процессами» Московского энергетического института (технического университета)

Научный руководитель-

кандидат технических наук, доцент Сабанин Владимир Романович

Официальные оппоненты:

доктор технических наук, профессор Давыдов Наум Ильич кандидат технических наук, Катковский Евгений Александрович

Вед\шая организация- ОАО «ЭлектроЦентроНаладка»

Зашита диссертации состоится "о ''(л^реЛЯ 2006 г. в ^ в аудитории Б-205 на заседании диссертационного совета Д 212 157 14 при Московском энергетическом институте (техническом университете) по адресу 11)250 г Москва, Красноказарменная ул., дом 17.

Отзывы в двух экземплярах, заверенные печатью организации, просим присылать по адресу: 111250, Москва, Красноказарменная ул., дом 14, Ученый совет МЭИ (1 У).

С диссертацией можно ознакомится в библиотеке МЭИ (ТУ)

Автореферат разослан " Ъ " МйрЮ 2006 г.

Ученый секретарь

диссертационного совета Д212.157.14

к. г и . тоцент , /

iOObA

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы.

Важнейшей задачей АСУТП энергетических производств в условиях рыночной экономики является попечение достоверной информации для расчета технико-экономических показатетей (ТЭП) В связи с этим, необходимым условием повышения достоверности расчетов ТЭП является качественное измерение технологических параметров и своевременное диагностирование отказов измерительных каналов и технологического оборудования

В последнее время для решения диагностических задач широко применяются современные интеллектуальные технологии, включающие в себя нейросетевое моделирование, эволюционные атгоритмы оптимизации, теорию нечетких множеств, экспертные системы и т.п.

Однако разработка интелтектуальных компонент систем чиамюстики связана с рядом тр\ тяпстеи До >'ор не см"есв\ет етн^й мстпдиьг вибора с г р\ к i у ры диагностических ненросетей Требует дсчальных исстедовапии метод обработки и анализа архивных данных Не решен вопрос формирования обучающих выборок, эффективного обучения и тестирования ^nai ностчеа.их нейросегей

Исходя из вышесказанного, можно сформулировать пели и залачи диссертационной работы.

Целью диссертационной работы является разрабо1ка методики диагностирования частичных отказов информационно-измеритетьных каналов (ИИК) АСУТП ТЭЦ Методика испытана на теплогенерирующем оборудовании ГЭЦ-27 ОАО "МОСЭНЕРГО".

Для достижения поставленной цепи необходимо решшь следующие задачи:

1 Исследовать технологическую схему ТЭЦ-27 и выбрать источники информационной избыточности;

2 Разработать алгоритм и создать программное обеспечение для

коррекции результатов

к

теплогенерирующей структуре ТЭЦ-27.

3. Провести анализ массива измеренных параметров для одного из паровых котлов за определенный промежуток времени.

4. Разработать методику сведения задачи диагностики к задаче нечеткой классификации.

5. Исследовать возможности искусственных нейросетей для решения задачи нечеткой классификации.

6. Разработать алгоритм и создать программное обеспечение для обучения диагностических нейросетей.

7. Сгенерировать таблицу обучающих выборок, обучить и протестировать диагностические нейросети.

Научная новизна диссертационной работы состоит в следующем:

разработан и исстедован формализованный метод эволюционного и нейросетевого моделирования для диагностики частичных отказов информационных подсистем АСУТП в теплоэнергетике; предложена методика представления обработанных архивных данных в виде многомерного "облака";

решена задача синтеза нейросетевых компонент системы диагностики;

разработан и исследован алгоритм оптимизации многопараметрических и многоэкстремальных задач; представлена методика тестирования и сравнения эволюционных алгоритмов оптимизации.

Практическая ценность диссертационной работы состоит в том, что.

- Разработана и официально зарегистрирована программа для ЭВМ "Эффект" (коррекция измеряемых параметров для расчета технико-экономических показателей на ТЭЦ). Программа передана в ПТО ТЭЦ-27;

- Разработана и официально зарегистрировала программа для ЭВМ "Optim-MGA" (оптимизация многоэкстремальных и

многопараметрических задач).

Достоверность научных положений и результатов проведенных исследований обеспечивается применением современных методов нейросетевого и эволюционного моделирования. При разработке методики диагностирования использовалась авторская версия алгоритма многоэкстремальной оптимизации, реализованного в официачьно зарегистрированной программе для ЭВМ "Optim-MGA", которая успешно используется для решения различных прикладных задач оптимизации.

Апробация работы. Результаты научных исследований по теме диссертации локпа давались и обсуждачись на заседании кафедры АСУТП МЭИ (ТУ), на международной научно-практической конференции Control 2005 "Теория и практика построения и функционирования АСУ ГП" (г Москва 2005 г), на одиннадцатой международной научно-технической конференции сгудентов и аспирантов "Радиоэлектроника, электротехника и энергетика" (г Москва 2005 г.), на всероссийской конференции "ИММОД-2003" (г Санкч-Петербург 2003 г.) и на всероссийской научно-технической интернет-конференции для студентов и аспирантов "Информатика в измерительных и управляющих системах", декабрь 2004 г.

Публикации. По результатам научных исследований опубтиковано 13 работ.

Объем и структура работы. Диссертация состоит из введения, пяти глав, заключения, основных выводов по работе, библиографического списка использованной литературы и приложений Изложена на 170 страницах машинописного текста, включает 47 рисунков, 19 таблиц, 95 наименований использованных литературных источников, 5 приложений.

Результаты научных исследований использованы при подготовке и

5

выполнении в Московском энергетическом институте научно-исследовательской работы 2360040 " Диагностика информационных подсистем АСУТП и оборудования ТЭЦ с использованием технологий искусственного интеллекта", осуществляемой в рамках гранта 2004 года для поддержки научно-исследовательских работ аспирантов вузов Федеральною агентства по образованию.

Основное содержание работы

Во введении обосновывается актуальность работы, определены задачи исследований, отмечается новизна, научная и практическая ценность работы.

В первой главе сделана постановка задачи диагностирования отказов информационных подсистем АСУТП. Проведен обзор существующих алгоритмов диагностики полных и частичных отказов информационно-измерительных каналов В каче' тве одного из этапов диагностирования частичных отказов предложено использовать алгоритм коррекции результатов измерений, использующий в качестве информационной избыточности функциональные связи между параметрами - систему нелинейных балансовых соотношений

,х„) = 0; je\,m; / е 1 ,п, (1)

где X = (.X], ,х,,...,х„) - вектор оценок истинных значений технологических параметров; т- число уравнений балансов; п - размерность вектора.

На практике балансы, как правило, не сходятся. Возникающие небалансы AFJ могут быть устранены целевым сдвигом значений измеряемых величин

внутри диапазонов их неопределенности, обусловленных погрешностью измерения.

Уравнения системы балансовых соотношений (1) выполняются только при подстановке в них оценок истинных значений технологических параметров:

X, + Лхг (?)

Значения Л.г(, способные скорректировать уравнения балансов, могут

6

быть найдены из решения задачи оптимального распределения корректир>ющих поправок при ограничениях на нелинейные балансовые соотношения в соответствии с критерием

п

Ха /=i

max \xi

mm,

(3)

где х™х - верхний предел диапазона измерения, р,-весовые коэффициенты.

Поставленная задача оптимального распределения в настоящей pa6oie решена итерационным методом с использованием неопределенных множителей Лагранжа.

В работе показано, что задачу диагностирования частичных отказов ИИК с использованием алгоритма коррекции результатов измерений можно свести к задаче классификации и распознавания образов.

На основании анализа литературных источников показано, чго компоненты вектора диагностируемых параметров можно представить тремя нечеткими термами (рис 1) относительно значений начального сбалансированно! о режима

• L (low) - если значение параметра занижается относительно ¡начения в начальном сбалансированном режиме;

. N (normal) - если отклонение параметра не выходит за пределы доп> ciumoi o диапазона относительно начального сбалансированного режима,

• Н (high) — если значение параметра завышается относительно значения в начальном сбалансированном режиме.

1 ittjXi

mm К Х°-,Ь V® V°+,/r

max X

Рис.1. Графическое представление символьной нечеткой переменной с треугольной функцией принадлежности

Проведенные исследования показали, что по результатам работы алгоритма коррекции представляется возможным сформировать многомерное факторное пространство, осями которого являются значения корректирующих поправок Ах,( /е 1 ,п) и значения небалансов Л/^(у е1,я7). Каждая точка в факторном пространстве представляется вектором Е = (Дх1,...,Лхп,Д^,..,АЕт). По результатам множественной обработки данных, полученных за определенный промежуток времени, образуется "облако" точек Ек =(А.Т|д,.. ,Ах{ ^Л/"] (квО,К, К- число измерений за заданный

промежуток времени). В качестве примера на рис.2,г показана проекция "облака" на плоскость с координатами- ЛК, (корректирующая поправка по расходу газа) -ЛР„,( небаланс по теплу), полученная по центрированным данным для парового котла ЛЧ ТЭ1Д-27 Источником информационной г-'б'лточности для анализируемою котла приняты уравнения тепювою л материального балансов.

Измеряемые данные записывались в архив с интервалом 1 5 мин в течение месяца. На рис. 2, а,б и в показаны соответствующие реализации расхода газа на котел , корректирующей поправки расхода газа ЛЕг и теплового небаланса Д/-п1 во времени. Полученная двумерная проекция реализаций (рис 2, г) качественно иллюстрирует характер связей множества значений корректирующих поправок со значениями небалансов

Как показали проведенные в работе исследования, в случае отсутствия частичных отказов средств измерений и при наличии точной балансовой модели производства, ядро "облака" располагается в начале координат. При этом разброс "облака" обусловлен случайной составляющей погрешности измерений, а сдвиг "облака" относительно начала координат систематической составляющей. В случае отсутствия систематических и случайных погрешностей "облако" трансформируется в точку, расположенную в начале координат.

Рагжод! ата на коте! тИ' м^ ч

Тихло в ой небаланс д *•

1 2 10 1 « 1С

б)

Л/7, тыс мЗ ч

в)

г)

Рис.2 Реализации расхода газа, теплового небаланса, корректирующей поправки расхода газа и соответствующее им "облако"

При возникновении частичного отказа какого-либо ИИК, то есть сети значение измеряемого параметра будет систематически завышаться или занижаться относительно сбалансированного режима, появятся небалансы

и соответствующие им корректирующие поправки Аг,. Это вызовет смещение многомерного "облака" в факторном пространстве. На рис. 3 показаны проекции "облака", соответствующие функциям принадлежности термов /.. Н и N для символьной нечеткой переменной "расход газа" парового котла №1 ТЭЦ-

27, которые образуют множества , Ь"} и с нечеткими границами

Рис 3 Влияние частичного отказа средств измерений на положение "облака" в факторном пространстве

Таким образом, задача диагностики частичных отказов сводится к задаче чечеткой классификации Анализ величин небалансов и значений корректирующих поправок позволяет говорить о степени принадлежности чем opa измеренных параметров к какому-либо классу-множеству

В диссертационной работе проведен аналитический обзор методов к шесифнкапии Выделены экстенсиональные, интенсиональные методы и распознавание образов с помощью систем искусственного интеиекта.

Для диагностики частичных отказов ИИК предложено использовать искусственные нейронные сети с нечетким выводом, обученные с помощью авторской версии модифицированною генетического алгоритма оптимизации

Во второй главе диссертации представлена математическая модель процесса получения тепловой энергии на паровых и водогрейных котлах ТЭЦ-27 Модель используется для расчета корректирующих поправок измеряемых ветчин Приведено описание теплогенерирующей технологической схемы ТГ)Ц Задача расчета корректирующих поправок решена с использованием системы следующих балансовых соотношений:

1. уравнение материального баланса распределения природного газа

между котлами ТЭЦ; 2 уравнения тептового баланса для паровых ТГМЕ-464А и водогрейных КВГМ-180-150 котлов (число уравнений равно числу работающих

паровых котлов^;

3 уравнения материального батанса для паровых котлов (число уравнений равно числу работающих котлов);

В диссертационной работе разработано и классифицировано информационное обеспечение балансовых соотношений. Приведены резуаьтаты расчета корректирующих поправок к измеренным параметрам для парового котла №1, водогрейного котла №1 и ГРП ТЭЦ-27.

Для реализации алгоритма расчета корректирующих поправок на действующем производстве разработана программа для ЭВМ, официально зарегистрированная под коммерческим именем "Эффект" Программа передана на ТЭЦ и используется в архитектуре АСУ ТЭЦ, как промежуточное звено между технологической базой данных и АРМ ПТО. Программа предназначена для обработки пакета разовых измерений, а также для целевой комплексной обработки пакета результатов множественных отновремснных измерений

В третьей главе приведены основные понятия нейросетевою модечлрования Проведен краткий обзор видов существующих нейросетеи и способов их обучения Показаны области применения нейросетевых технологий и возможные топологии нейросетей применяемые для решения задачи классификации.

Для решения поставленной задачи нечеткой классификации предложено использовать прямонаправленные нейросети. выполненные в виде трехслойных персептронов. В качестве активационной функции нейронов выходного слоя сети выбрана ешмоидальная функция вида:

/(*) = —Ч- (4)

Выходное значение нейрона с активационной функцией (4) лежит в диапазоне [0,1]. В этом случае выходное значение нейрона будет показывать степень принадлежности входного вектора Е^ = (А*] /с, , Дх/ , ДГ] ^ , АГт ^) какому-либо нечеткому множеству 4п. Значение активационной функции

И -1„ (Е-к)=' будет означать, чго вектор Е^ определенно принадлежит нечеткому множеству Ап, а значение ¡ял (Е^) = 0, что вектор определенно не принадлежит нечеткому множеству Ап.

В диссертации для распознавания каждого класса предложено использовать отдельный трехслойный персептрон, для обучения которого генерируется собственная обучающая выборка. Число нейронов промежуточного слоя равно полусумме числа входных и выходных нейронов сети Общий вид такой нейросети показан на рис. 4, а. Структура полной диагностирующей нейросети для решения задачи классификации отказов ИИК представлена на рис. 4, б.

•е^ « -в— -в-

Рис.4. Структура диашосшческой нейросети

Обучение диагностической нейросети производится методом обучения с учителем. В ходе обучения выбираются такие значения синаптических коэффициентов и-, ^ для каждого нейрона, которые минимизируют

среднеквадратичную ошибку сети между выходным и эталонными векторами

Е='£\1.1ук,р-у1рп. (5)

к=\{р=\ )

где V - общее число примеров в обучающей выборке, М - число выходов сети, *

г к р - выход сети, у^ р - известное значение выходных нейронов сети для

примеров обучающей выборки.

В диссертационной работе показано, что задача минимизации выражения

(5) при обучении нейросети является многопараметрической и многоэкстремальной Известные классические методы оптимизации, основанные на градиенте целевой функции не гарантируют нахождение наилучшего решения.

Поэтому для повышения качества распознавания классов предложено использовать алгоритмы глобальной оптимизации. Самыми известными и эффективными из них являются генетические алгоритмы оптимизации (ГА) и их модификации Для настройки диагностической нейросети использовалась авторская версия модифицированного генетического алгоритма оптимизации (МГА).

В четвертой главе приводится описание и анализ классической версии генетического алгоритма и авторской версии модифицированного генетического алгоритма.

Цечью модификации существующих версий ГА является разработка алгоритма, способного с требуемой вероятностью достигнуть глобального экстремума с наименьшим числом обращений к функции цели

Разработанный алгоритм предназначен дтя решения многоэкстремальных задач оптимизации в управлении и диагностике, а также может быть использован в других прикладных задачах. Алгоритм испытан на различных тестовых задачах. При тестировании алгоритма сделано сравнение с результатами работы диплоидной версии генетического алгоритма. Показано, что алгоритм способен с большей вероятностью и с меньшим числом обращения к функции цели достигать глобального экстремума, чем диплоидная версия генетического алгоритма.

МГА реализован в пользовательской программе для Mathcad и универсальной программе для ЭВМ. Программа для Mathcad установлена в сети Internet. Универсальная программа под именем «Optim-MGA» зарегистрирована в Российском Агентстве по патентам и товарным знакам. Она позволяет находить наилучшее значение функций, значения которых могут быть вычислены в пользовательских программах, представленных в виде

динамически присоединяемых библиотек ((111-файлов).

В пятой главе разработанная методика проиллюстрирована на примере диагностирования частичных отказов ИИК парового котла №1 ТЭЦ-27. В качестве источника информационной избыточности приняты уравнения материального и теплового балансов:

°пв -Спр-С>пе 100-*, ~ЧЬ = А|?> (6)

где С?,«,,<7соответственно, расходы питательной

воды, продувки, перегретого пара, т/ч; доля тепла, полезно используемого в котле, теряемого с уходящими газами, от химического недожога и в окружающую среду, %; АС7- материальный небаланс, т/ч; А^-тепловой небаланс, %.

В главе приводятся результаты множественной обработки измеренных параметров алгоритмом коррекции за промежуток времени в один месяц. Величины корректирующих поправок представлены в виде их реализаций во времени, а также в виде "облака" в факторном пространстве.

Показано, что на величину корректирующих поправок Ах, и соответствующее им положение "облака" в факторном пространстве оказывают влияние те параметры, которые имеют наибольший вес в ба тачсовых уравнениях В связи с этим диагностированию поддаются не все параметры, входящие в используемые расчетные формулы балансовых соотношений Веса измеряемых параметров в балансовых соотношениях найдены в результате анализа чувствительности уравнений небалансов к вариациям результатов измерений.

Наибольшие веса в уравнении материального баланса котла имеют расходы питательной воды Сив и пара Опе. Результат анализа чу вствительности теплового баланса котла к вариациям измеряемых параметров, представлен на рис.5.

Наибольшее влияние на тепловой небаланс оказывают расходы газа, воды и пара Остальные параметры практически не оказывают влияния на величину

теплового небаланса и их вариации не приводят к сдвигу "облака".

р. А» С^ р„ОфСсо I,, !•* I™"Р6, Рп Ре

Рис.5. Чувствительность теплового небаланса котла к вариациям измеряемых

параметров

Таким образом, в соответствии с используемыми выражениями расчета балансовых соотношений, диагностируемыми параметрами принимаются расходы пара, питательной воды и топлива, что реально отображает сущность технологического процесса парообразования в котле. Для диагностирования параметров, имеющих малые веса, необходимо вводить дополнительные соотношения, в которые эти параметры входят с достаточным весом.

Для формирования обучающих выборок определены диапазоны вариаций параметров, соответствующие термам N и Н. В основу выбора положен экспертный подход, учитывающий метрологические характеристики ИИК и опыт их эксплуатации. Выбранные диапазоны вариаций параметров приведены в табл 1.

Таблица 1.

Параметр Размерность Диапазоны вариаций параметров

1 N н

Гг тыс мЗ/ч -0.3 -1 -0 3 . +0 3 ^0.3 +1

£>пе т/ч -3 ..-10 -3.. +3 +3...+ 10

спв т/ч -3 -10 -1 +3 +3 +10

% -1 . -5 -1 +1 + 1 +5

т/ч -3.. -10 -3 . +3 +3. +10

Ниже показан синтез нейросети, формирование тренировочных шаблонов

и тестирование обученной нейросети для диагностирования информационно-

15

измерительного канала расхода газа Структура диагностической нейросети представлена на рис 6

Лг

Рис.6. Топология нейросети для диагностики частичных отказов информационно-измерительного канала расхода газа.

Входами нейросети являются величины корректирующих поправок для расходов и лччепия чебалансов, а выходами значения функций принадлежности

При формировании обучающих выборок число тренировочных шаблонов оиредедя.юсь как полный перебор всех сочетаний переменных. В случае диагностики канала измерения расхода газа производился полный перебор

сочетаний (Н, N ,Ь) трех переменных (.Р,, Бпе и С пв). Тренировочные шаблоны для обучения сети формировались путем целенаправленной последовательной вариации параметров в соответствии с выбранными диапазонами (габл.1).

Значения выходов обученной нейросети при вариациях расхода газа относительно сбалансированного режима показаны на рис. 7. Исходя из вида полученных функций принадлежности порог принятия решения о частичном отказе (т.е. минимальное значение выхода сети, при котором наблюдение будет считаться принадпежащим классу Н или /,) принимается в точках пересечения термов Значение функций принадлежности // //(¿'¿)>0.43 или

/'у /„(£*)> 0 42 будет говорить о частичном отказе канала измерения расхода газа.

Рис. 7. Результат тестирования диагностической нейросети расхода газа

Подобным образом были сформированы тренировочные шаблоны, построены, обучены и протестированы нейросети для диагностирования

измерительных каналов расходов питательной воды Ст и пара Опс

Обработка выборки измеренных параметров с помощью созданной диагностической системы показала, что каналы измерения расход газа, питательной воды и пара в течение рассматриваемого промежутка времени работали в пределах основной допускаемой погрешности (принадлежали классу V) Полученный результат позволил сделать вывод об отсутствии частичных отказов анализируемых ИИК.

Основные выводы по работе:

1. Исследована теплогенерирующая технологическая схема ТЭЦ-27. В качестве источника информационной избыточности для диагностирования частичных отказов ИИК выбраны уравнения теплового балансов паровых и водогрейных котлов, уравнения материального баланса паровых котлов и материальный баланс распределения топлива между котлами ТЭЦ.

2. Разработан алгоритм коррекции результатов измерений применительно

к теплогенерирующей структуре ТЭЦ-27. Для ре&чизации алгоритма коррекции

на действующем производстве разработана и официально зарегистрирована в

Российском Агентстве по патентам и товарным знакам программа для ЭВМ

17

"Эффект" Программа передана в ПТО ГЭЦ-27

3 С помощью алгоритма коррекции обработана выборка измеряемых параметров парового котла №1 ТЭЦ-27 за месяц. Показано, что полученные реализации корректирующих поправок имеют вид случайных процессов, состоящих из случайной и систематической составляющих, и практически не зависят от изменения нагрузок котла.

4 Разработана методика сведения задачи диагностики частичных отказов к задаче нечеткой классификации Произведен аналитический обзор методов распознавания образов. Для решения задачи нечеткой классификации предложено использовать искусственные нейросети, обучаемые с помощью эволюционных алгоритмов оптимизации

<5 Исследованы возможности искусственных нейросетей для решения задач нечеткой классификации и сделаны рекомендации по выбору их стру кту pv

6. ,|ля обучения диагностических нейросетей разработан алгоритм многопараметричсской много жстремальпой оптимизации \лгоршм pea лисели в виде официально v.pei парированной в Российском Агентстве по патентам и товарным знакам программе для ЭВМ "Optim-MGA". Произведено сравнение разработанного алгоритма с известными версиями генетических алторитмов и показано, что алгоритм способен с большей вероятностью и с меньшим числом обращения к функции цели достигать глобального экстрему ма, чем классические версии генетических ал1 оритмов

7. Получены тренировочные шаблоны и обучены нейросети для диагностики частичных отказов каналов измерения расходов газа, питательной воды и пара Сделаны рекомендации по формированию обучающих и тестирующих выборок

8 Обученные диагностические нейросети протестированы и сделаны рекомендации по определению порога принятия решения о частичном отказе. Произведена оценка минимальной разрешающей способности, с которой можно зафиксировать частичные отказы рассматриваемых ИИК.

Основное содержание диссертации отражено в следующих публикациях:

1 Репин А.И., Сабаиин В Р., Смирнов Н И. Технологии искусственного интеллекта в задачах диагностики информационных подсистем АСУТП // Тр междунар. научн. конф. "Теория и практика построения и функционирования АСУ ТП Control 2005": - М., 2005. - С. 19-25.

2 Репин А.И., Сабанин В.Р., Смирнов Н.И. Технологии искусственного интеллекта в задачах диагностики частичных отказов измерительных каналов АСУТП // Тр. ун-та / Иван. гос. энерг. ун-т,- 2005.-С. 103-128.

3. Сабанин В.Р., Смирнов Н И., Репин А.И. К вопросу о параметрической оптимизации алгоритмов управления и диагностики // Промышленные АСУ и контроллеры. -2004 - Xsl2. - С. 27-31.

4 Сабанин В.Р, Смирнов Н.И., Репин А.И. Модифицированный f с-нсмический а^п ори im для задач оптимизации и управления /, Exponenta Pro. Математика в приложениях. - 2004. - №3-4. -С. 78-85.

5. Репин А.И., Сабанин В.Р., Смирнов Н.И. Диагностика информационных подсистем АСУТП и оборудования ТЭЦ с использованием технологий искусственного интеллекта // Одиннадцатая междунар научн.-техн. конф. студ. и асп. "Радиоэлектроника, электротехника и энергетика": Тез докл.-Москва,- 2005.- С.198-199.

6 Математическое и программное обеспечение алгоритма коррекции измеряемых параметров для расчета технико-экономических показателей на ТЭЦ. Сабанин В.Р., Смирнов Н И , Репин А.И. и др. // Вестник МЭИ,-2003.-№1,- С. 21-27.

7. Сабанин В.Р., Смирнов Н.И., Репин А И. Оптимизация настроечных параметров автоматических систем регулирования с дифференциатором // Теплоэнергетика. - 2004. - № 10. - С 10-16.

8. Смирнов Н.И., Сабанин В.Р., Репин А.И Оптимизация одноконтурных

ш « лось А Ю- 42 9 в -Щ96

ЛСР с многопараметрическими регуляторами // Промышленные АСУ и контроллеры. - 2005. - №7. -С. 24-28.

9. Репин А.И., Сабанин В.Р., Смирнов Н.И. Технологии искусственного интеллекта в задачах диагностики // Тр. двенадцатого "Фаззи-коллоквиума": - Циггау (Германия), 21-23 Сентября 2005 г. - С. 122-127. - На англ. яз.

Ю.Репин А.И., Сабанин В.Р., Смирнов Н.И. Диагностика информационной подсистемы АСУТП с использованием технологий искусственного интеллекта // Информатика в измерительных и управляющих системах: Докл. на всероссийской науч.-техн. интернет-конф. для студентов и аспирантов. - 7 декабря 2004 г. (http://conf.\olpi.ru/upload/Repin.doc ).

11 Репин А И., Сабанин В Р , Смирнов Н И. Оптимальный синтез АСР методом имитационного моделирования с использованием генетических алгоритмов оптимизации // Тр. междунар паучн. конф. "ИММОД 2003"' - Санкт-Петербург, 2003 - С. 55-59.

12.Сабанин В.Р., Смирнов Н.И., Репин А.И., Аракелян Э.К. Программа для ЭВМ "Коррекция измеряемых параметров для расчета технико-экономических показателей на ТЭЦ (Эффект)" // Свидетельство об официальной регистрации программ для ЭВМ № 2003610441 от 18 февраля 2003 г.

13 Репин А.И, Сабанин В.Р., Смирнов Н.И. Программа для ЭВМ "Универсальная программа для оптимизации многоэкстремальных задач (Optim-MGA)" // Свидетельство об официальной регистрации программы № 2004610862 от 8 апреля 2004 г.

Подписано в печать*?/.«'- Зак. 6$ Тир. fCC'U .л. 5 Полиграфический центр МЭИ(ТУ) Красноказарменная ул., д. 13

ВВЕДЕНИЕ.

ГЛАВА 1 ОБЗОР МЕТОДОВ ДИАГНОСТИРОВАНИЯ ОТКАЗОВ ИЗМЕРИТЕЛЬНЫХ КАНАЛОВ И ПОСТАНОВКА ЗАДАЧИ.

1.1. Алгоритмы обнаружения полных отказов ИИК.

1.1.1. Алгоритмы допускового контроля параметра.

1.1.2 Алгоритм допускового контроля скорости изменения сигнала измерительной информации.

1.2. Алгоритмы обнаружения частичных отказов.

1.2.1. Алгоритмы, применяемые при аппаратном резервировании

1.2.2. Метод тестовых сигналов.

1.2.3. Алгоритмы, использующие связи между измеряемыми величинами.

1.3. Экспертные системы.

1.4. Диагностика частичных отказов ИИК как задача классификации и распознавания образов.

1.4.1. Постановка задачи классификации.

1.4.2. Аналитический обзор методов распознавания образов.

1.4. Выводы.

ГЛАВА 2 МАТЕМЕТИЧЕСКАЯ МОДЕЛЬ ПОЛУЧЕНИЯ ТЕПЛОВОЙ

ЭНЕРГИИ НА ПАРОВЫХ И ВОДОГРЕЙНЫХ КОТЛАХ ТЭЦ.

2.1. Описание теплогенерирующей технологической схемы ТЭЦ-27.

2.2 Материальный баланс потребления топлива.

2.2.1 Результаты расчета ГРП.

2.3 Балансовые уравнения для парового котла ТГМЕ-464.

2.3.1 Информационное обеспечение.

2.3.2 Расчёт составляющих теплового баланса для парового котла ТГМЕ-464 (на примере котла №1).

2.3.3 Расчёт составляющих материального баланса по воде и пару для парового котла ТГМЕ-464 (на примере котла №1)

2.3.4 Результаты расчета для парового котла №1.

2.4 Балансовое уравнение для водогрейного котла КВГМ-180-150.

2.4.1 Информационное обеспечение.

2.4.2 Расчёт составляющих теплового баланса для водогрейного котла КВГМ-180-150 (на примере котла №1).

2.4.3 Результаты расчета для водогрейного котла №1.

2.5 Оценка погрешностей расчета.

2.6 Программная реализация алгоритма коррекции результатов измерений.

2.7 Выводы.

ГЛАВА 3 РАЗРАБОТКА НЕЙРОСЕТЕВЫХ КОМПОНЕНТ

СИСТЕМЫ ДИАГНОСТИКИ.

3.1. Основные положения теории нейросетевою моделирования.

3.1.1. Модель нейрона.

3.1.2. Топологии нейросетей.

3.1.3. Обучение искусственных нейросетей.

3.2. Примеры практического применения нейронных сетей.

3.2.1. Прогнозирование.

3.2.2. Распознавание образов и классификация.

3.2.3. Кластеризация и поиск закономерностей. ф 3.2.4. Оптимальное управление и моделирование.

3.3. Обзор различных архитектур нейронных сетей, предназначенных для задач классификации.

3.3.1. Нейрон-классификатор.

3.3.2. Многослойный персептрон. ф 3.3.3. Сети Ворда.

3.3.4. Сети Кохонена

3.4. Решение задач классификации с использованием искусственных нейросетей с нечетким выводом.

3.4.1. Синтез нейросетей для решения задачи классификации.

3.5. Выводы.

ГЛАВА 4 РАЗРАБОТКА АЛГОРИТМА ОБУЧЕНИЯ

ДИАГНОСТИЧЕСКОЙ НЕЙРОСЕТИ.

4.1. Классический генетический алгоритм оптимизации. ф 4.1.1. Генетическое представление информации.

4.1.2. Генетические операторы.

4.1.3. Оптимизация с помощью генетического алгоритма.

4.2. Модифицированный генетический алгоритм.

4.3. Описание методики и результаты тестирования МГА. ф 4.4. Программная реализация МГА.

4.4.1. Реализация МГА для пакета MathCAD.

4.4.2. Реализация МГА в программе "Optim-MGA".

4.5. Выводы.

ГЛАВА 5 ДИАГНОСТИРОВАНИЕ ЧАСТИЧНЫХ ОТКАЗОВ ИЗМЕРИТЕЛЬНЫХ КАНАЛОВ ПАРОВОГО КОТЛА.

5.1. Множественная обработка результатов измерений технологических параметров с использованием алгоритма коррекции.

5.2. Модель "идеального" производства. ф 5.3. Отбор наиболее информативных параметров.

5.4. Формирование обучающих выборок и синтез структуры диагностических нейросетей.

5.5. Тестирование диагностических нейросетей.

5.6. Выводы.

Важнейшей задачей АСУТП энергетических производств в условиях рыночной экономики является получение достоверной информации для расчета технико-экономических показателей (ТЭП). В связи с этим, необходимым условием повышения достоверности расчетов ТЭП является качественное измерение технологических параметров и своевременное диагностирование отказов измерительных каналов и технологического оборудования.

В настоящее время для диагностики частичных отказов используются алгоритмы, основанные на информационной избыточности. Информационная избыточность может быть создана искусственно за счет аппаратного резервирования. Кроме того, в качестве информационной избыточности часто используются вероятностные и функциональные связи между измеряемыми величинами.

В диссертационной работе предлагается методика диагностирования частичных отказов информационно-измерительных каналов (ИИК) и оборудования ТЭЦ, использующая в качестве информационной избыточности функциональные связи между измеряемыми параметрами -уравнения материального и теплового балансов котлов.

В диссертационной работе показано, что при использовании такого вида информационной избыточности задачу диагностики можно свести к задаче классификации и распознавания образов. В настоящее время существует довольно много алгоритмов распознавания образов. Самым перспективным и многообещающим методом в теории распознавания образов является парадигма искусственного интеллекта, включающая технологии нейросетевого моделирования, эволюционные алгоритмы оптимизации, нечеткую логику, экспертные системы и т.п. Системы диагностики, использующие подобный подход обладают свойствами гибкости, адаптивности и интеллектуальности.

Разработка нейросетевых систем диагностики связана с рядом трудностей. До сих пор не существует единой методики выбора структуры нейросетей и их обучения.

Целью диссертационной работы является разработка методики диагностирования частичных отказов информационно-измерительных каналов (ИИК) АСУТП ТЭЦ.

Разработанная методика испытана на теплогенерирующем оборудовании ТЭЦ-27 ОАО "МОСЭНЕРГО".

Для достижения поставленной цели необходимо решить следующие задачи:

1. Исследовать технологическую схему ТЭЦ-27 и выбрать источники информационной избыточности;

2. Разработать алгоритм и создать программное обеспечение для коррекции результатов измерений применительно к теплогенерирующей структуре ТЭЦ-27.

3. Провести анализ массива измеренных параметров для одного из паровых котлов за определенный промежуток времени.

4. Разработать методику сведения задачи диагностики к задаче нечеткой классификации.

5. Исследовать возможности искусственных нейросетей для решения задачи нечеткой классификации.

6. Разработать алгоритм и создать программное обеспечение для обучения диагностических нейросетей.

7. Сгенерировать таблицу обучающих выборок, обучить и протестировать диагностические нейросети.

Научная новизна диссертационной работы состоит в следующем: разработан и исследован формализованный метод эволюционного и нейросетевого моделирования для диагностики частичных отказов информационных подсистем АСУТП в теплоэнергетике; предложена методика представления обработанных архивных данных в виде многомерного "облака"; решена задача синтеза нейросетевых компонент системы диагностики; разработан и исследован алгоритм оптимизации многопараметрических и многоэкстремальных задач; представлена методика тестирования и сравнения эволюционных алгоритмов оптимизации.

Практическая ценность диссертационной работы состоит в том, что: Разработана и официально зарегистрирована программа для ЭВМ "Эффект" (коррекция измеряемых параметров для расчета технико-экономических показателей на ТЭЦ). Программа передана в ПТО ТЭЦ-27;

Разработана и официально зарегистрирована программа для ЭВМ "Optim-MGA" (оптимизация многоэкстремальных и многопараметрических задач).

Достоверность научных положений и результатов проведенных исследований обеспечивается применением современных методов нейросетевого и эволюционного моделирования. При разработке методики диагностирования использовалась авторская версия алгоритма многоэкстремальной оптимизации, реализованного в официально зарегистрированной программе для ЭВМ "Optim-MGA", который успешно используется для решения других прикладных задач оптимизации.

Апробация работы. Результаты научных исследований по теме диссертации докладывались и обсуждались на заседании кафедры АСУТП МЭИ (ТУ), на международной научно-практической конференции Control 2005 "Теория и практика построения и функционирования АСУТП" (г. Москва 2005 г.), на одиннадцатой международной научно-технической конференции студентов и аспирантов "Радиоэлектроника, электротехника и энергетика" (г. Москва 2005 г.), на всероссийской конференции "ИММОД-2003" (г. Санкт-Петербург 2003 г.) и на всероссийской научно-технической интернет-конференции для студентов и аспирантов "Информатика в измерительных и управляющих системах", декабрь 2004 г.

Публикации. По результатам научных исследований опубликовано 13 работ.

Объем и структура работы. Диссертация состоит из введения, пяти глав, заключения, основных выводов по работе, библиографического списка использованной литературы и приложений. Изложена на 170 страницах машинописного текста, включает 47 рисунков, 19 таблиц, 95 наименований использованных литературных источников, 5 приложений.

ОСНОВНЫЕ ВЫВОДЫ ПО РАБОТЕ

1. Исследована теплогенерирующая технологическая схема ТЭЦ-27. В качестве источника информационной избыточности для диагностирования частичных отказов ИИК выбраны уравнения теплового балансов паровых и водогрейных котлов, уравнения материального баланса паровых котлов и материальный баланс распределения топлива между котлами ТЭЦ.

2. Разработан алгоритм коррекции результатов измерений применительно к теплогенерирующей структуре ТЭЦ-27. Для реализации алгоритма коррекции на действующем производстве разработана и официально зарегистрирована в Российском Агентстве по патентам и товарным знакам программа для ЭВМ "Эффект". Программа передана в ПТО ТЭЦ-27.

3. С помощью алгоритма коррекции обработана выборка измеряемых параметров парового котла №1 ТЭЦ-27 за месяц. Показано, что полученные реализации корректирующих поправок имеют вид случайных процессов, состоящих из случайной и систематической составляющих, и практически не зависят от изменения нагрузок котла.

4. Разработана методика сведения задачи диагностики частичных отказов к задаче нечеткой классификации. Произведен аналитический обзор методов распознавания образов. Для решения задачи нечеткой классификации предложено использовать искусственные нейросети, обучаемые с помощью эволюционных алгоритмов оптимизации.

5. Исследованы возможности искусственных нейросетей для решения задач нечеткой классификации и сделаны рекомендации по выбору их структуры.

6. Для обучения диагностических нейросетей разработан алгоритм многопараметрической многоэкстремальной оптимизации. Алгоритм реализован в виде официально зарегистрированной в Российском Агентстве по патентам и товарным знакам программе для ЭВМ "Ор11ш-МОА".

Произведено сравнение разработанного алгоритма с известными версиями генетических алгоритмов и показано, что алгоритм способен с большей вероятностью и с меньшим числом обращения к функции цели достигать глобального экстремума, чем классические версии генетических алгоритмов.

7. Получены тренировочные шаблоны и обучены нейросети для диагностики частичных отказов каналов измерения расходов газа, питательной воды и пара. Сделаны рекомендации по формированию обучающих и тестирующих выборок

8. Обученные диагностические нейросети протестированы и сделаны рекомендации по определению порога принятия решения о частичном отказе. Произведена оценка минимальной разрешающей способности, с которой можно зафиксировать частичные отказы рассматриваемых ИИК.

ЗАКЛЮЧЕНИЕ

Совершенствование вычислительной техники в последнее десятилетие позволило для решения задач диагностики применять алгоритмы классификации и распознавания образов. Использование в подобных задачах нейросетевых технологий дало возможность качественно распознавать трудноразличимые образы, классифицировать события в условиях действия помех и быстро обрабатывать большие объемы информации.

Разработанная методика диагностирования частичных отказов измерительных каналов была апробирована на паровом котле ТЭЦ-27. Источником информационной избыточности приняты уравнения материального и теплового балансов котла. Использование этой информации позволило диагностировать частичные отказы каналов измерения расходов газа, пара и питательной воды, а также оценивать состояние работы производственного оборудования. Для более глубокой диагностики остальных параметров, измеряемых на котле следует усложнять используемую математическую модель вводя дополнительные источники информационной избыточности.

Достоинство разработанной методики заключается в том, что она применима для производств, работающих на различных видах твердого и жидкого топлива или на их смесях, а также для различных структур тепломеханического оборудования. Предлагаемый подход позволяет быстро в реальном режиме времени проводить перенастройку диагностической системы без потери качества и адаптироваться к изменениям технологической ситуации. Методика диагностирования частичных отказов ИИК положена в основу разрабатываемой в настоящее время на кафедре АСУТП МЭИ экспертной интеллектуальной системы для диагностики информационных подсистем и оборудования АСУТП.

Представленная в диссертационной работе методика диагностирования состоит из следующих этапов:

1. Анализ объекта диагностирования, составление системы балансовых соотношений, оценка текущих состояний измерительных каналов и технологического оборудования.

2. Множественная обработка результатов измерений на скользящем временном интервале с помощью алгоритма коррекции и выделение значимых для балансовых соотношений технологических параметров. (Программа для ЭВМ "Эффект").

3. Синтез диагностических нейросетей и выбор диапазонов вариаций параметров для термов Н,Ы и I.

4. Составление обучающих и тестирующих выборок частичных отказов.

5. Тренировка и тестирование нейросетей. (Алгоритм оптимизации "ОрНт-МОА"). Определение порогов принятия решения о частичных отказах.

6. Контроль состояния измерительных каналов на скользящем временном интервале с помощью обученных нейростей и вывод оперативному персоналу сообщений о частичных отказах ИИК в случае их возникновения.

Разработанная методика диагностирования частичных отказов информационных подсистем и оборудования АСУТП является универсальной и может быть распространена на различные структуры тепломеханического оборудования любой сложности, как в теплоэнергетике, так и в других отраслях промышленности.

Внедрение разработанной методики на производстве повысит достоверность получаемой информации и позволит добиться более высокого качества управления.

1. Автоматическое управление в химической промышленности/Под ред. Е.Г. Дудникова. М.:Химия, 1987. 368 с.

2. Агамалов О.Н. Оценка технического состояния электрооборудования в реальном масштабе времени методом нейро-нечеткой идентификации. Exponenta Pro. Математика в приложениях. 2003. №2. С.36-44.

3. Алгоритм расчета ТЭП ТЭЦ-27 МОСЭНЕРГО для автоматизированного рабочего места производственно-технического отдела (АРМ ПТО)/ Отчет по НИР в 3-х томах, Арх. № 14777, индекс ОТ и Т 2318. М.: АОО ВТИ, 1999.

4. Анищенко В.А., Щербич В.И., Казанская Т.Н., Крамаренко В.И. Повышение достоверности используемой в АСУТП информации путем коррекции измерений // Теплоэнергетика, №7, М.-1982.

5. Барабаш Ю.Л. Коллективные статистические решения при распознавании. М.: Радио и связь, 1983. - 224 с.

6. Вайнцвайг М.Н. Алгоритм обучения распознаванию образов "Кора" // Алгоритмы обучения распознаванию образов / Под ред. В.Н. Вапника. М.: Сов. радио, 1973. С. 110-116.

7. Гамм А.З. Статистические методы оценивания состояния электроэнергетических систем. -М.: Наука, 1976. 220 с.

8. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Г.К.Вороновский, К.В. Махотило, С.Н. Петрашев, С.А. Сергеев. Харьков, Основа, 1997. Адрес в интернет: http://mahotilo.narod.ru

9. Головко В.А. Нейроинтеллект: Теория и применения. Книга 1 Организация и обучение нейронных сетей с прямыми и обратными связями. Брест: БПИ, 1999. - 260 с. Книга 2 Самоорганизация,отказоустойчивость и применение нейронных сетей Брест: БПИ, 1999. - 228 с.

10. Горбань А.Н., Дубинин-Барковский B.JL, Кирдин А.Н. "Нейроинформатика". СП "Наука". РАН. 1998.

11. Горбань А.Н., Россиев Д.А. "Нейронные сети на персональном компьютере". СП "Наука". РАН. 1996.

12. Горелик A.JL, Скрипкин В.А. Методы распознавания. М.: Высш. шк., 1984.-219 с.

13. Гурский Д.А. Вычисления в MathCAD/ Д.А. Гурский. Мн.: Новое знание, 2003.-814 е.: ил.

14. Дейтел Харви, Дейтел Пол. Как программировать на С++: Третье издание. Пер. с англ. -М.: ЗАО "Издательство БИНОМ", 2001 г.-1152 с.

15. Дуда Р., Харт П. Распознавание образов и анализ сцен: Пер.с англ. -М.: Мир, 1978.-510 с.

16. Душков В.А., Смирнов Б.А., Терехов В.А. Инженерно-психологические основы конструкторской деятельности. М.: Высш.шк., 1990.

17. Дуэль М.А. Автоматизированные системы управления энергоблоками с использованием средств вычислительной техники. М.: Энергоатомиздат, 1983.

18. Дюк В.А. Компьютерная психодиагностика. СПб: Братство, 1994. -365 с.

19. Ежов A.A., Шумский С.А. "Нейрокомпьютинг и его применение в экономике и бизнесе". 1998.

20. Журавлев Ю.И., Никифоров В.В. Алгоритмы распознавания, основанные на вычислении оценок.//Кибернетика.1971.№ 3. С. 1-11.

21. Иванова Г.М., Кузнецов Н.Д., Чистяков B.C. Теплотехнические измерения и приборы: Учебник для теплоэнергетических специальностей вузов. М. : Энергоатомиздат, 1984 . - 232 с.

22. Ицкович Э.Л. Контроль производства с помощью вычислительных машин. М., "Энергия", 1975.

23. Иыуду К.А. Надежность, контроль и диагностика вычислительных машин и систем: Учеб. пособие для вузов по спец. "Вычислительные машины, комплексы, системы и сети". -М.:Высш. шк., 1989.-216 е.: ил.

24. Каган Б.М., . Мкртумян И.Б. Основы эксплуатации ЭВМ.- М.: Энергоатомиздат, 1983.

25. Карибский В.В., Пархоменко П.П., Согомонян Е.С. и др. Основы технической диагностики. М.: Энергия, 1977.

26. Кендалл М., Стьюарт А. Статистические выводы и связи. М .: Наука, 1973.-899 с.

27. Копытов Е., Лабендик В., Кабелев Н. Особенности диагностических систем с элементами искусственного интеллекта. Computer Modelling & New Technologies, 2001, Volume 5, №1, 119-123.

28. Крохин Г. Д. Функциональная диагностика энергоустановок электростанций (Математические модели и диагностический комплекс): Автореферат дис. . канд. техн. наук. Новосибирск, НГТУ. 1997. 26 с.

29. Крохин Г.Д. Распознавание образов при диагнозе элементов и узлов турбинной установки ТЭС. Межвуз. сб. науч. тр. "Физико-технические и экологические проблемы теплоэнергетики". Новосибирск: НГТУ,1993. С. 3-7.

30. Кузнецов Н.С., Лабендик В.П. Особенности формирования диагностических матриц для контроля состояния проточной части авиационных ГТД. Изв. ВУЗОВ "Авиационная техника". №3. 89-93.

31. Луценко Е.В. Теоретические основы и технология адаптивного семантического анализа в поддержке принятия решений (На примереуниверсальной автоматизированной системы распознавания образов "ЭЙДОС-5.1"). Краснодар: ЮОИ МВД РФ, 1996. - 278 с.

32. Махотило К.В. Разработка методик эволюционного синтеза нейросетевых компонентов систем управления// Диссертация на соискание ученой степени кандидата технических наук.— Харьков, ХГПУ, 1998

33. Методические указания по составлению отчета электростанции и акционерного общества энергетики и электрификации о тепловой экономичности оборудования. РД 34.08.552-95. М.: СПО ОРГРЭС, 1995.

34. Мудров В.И., Кутко B.JI. Методы обработки измерений. -М.: Советское радио, 1976.-192 с.

35. Новицкий П.В., Зограф И.А. Оценка погрешностей результатов измерений. JL: Энергоатомиздат. Ленингр. Отд-ние, 1985.- 248 е., ил.

36. Паппас К.Х., Мюррей У.Х. Отладка в С++ М.:ЗАО "Издательство БИНОМ", 2001 г.-512 с.

37. Пархоменко П.П., Согомонян Е.С. Основы технической диагностики: Оптимизация алгоритмов диагностирования, аппаратурные средства. -М.: Энергия, 1981.

38. Плетнев Г.П. Автоматизированные системы управления объектами тепловых электростанций: Учебник для вузов,- 2-е изд., перераб. И доп. М.: Издательство МЭИ, 1995. 352 е., ил.

39. Преображенский В.П. Теплотехнические измерения и приборы: Учебник для вузов по специальности "Автоматизациятеплоэнергетических процессов". 3-е изд., перераб,- М.: "Энергия", 1978.-704 е., ил.

40. РД 34.09.101 94. Типовая инструкция по учету электроэнергии при её производстве, передаче и распределении. М.: ОРГРЭС, 1995.

41. Репин А.И., Сабанин В.Р., Смирнов Н.И. Программа для ЭВМ "Универсальная программа для оптимизации многоэкстремальных задач (Optim-MGA)". Свидетельство об официальной регистрации программы № 2004610862 от 8 апреля 2004 г.

42. Репин А.И.,Сабанин В.Р., Смирнов Н.И Автоматические системы регулирования на основе нейросетевых технологий// Сборник трудов конференции Control 2003 .М.:Издательство МЭИ, 2003.

43. РМГ 29-99. Государственная система обеспечения единства измерений. Метрология. Основные термины и определения.

44. Сабанин В.Р., Смирнов Н.И., Болгов М.А., Дорошин В.В., Костык В.И. Алгоритм коррекции результатов измерения в программах обработки балансовых испытаний энергетических котлов//Сб. научн. тр. МЭИ. М.: Издательство МЭИ, 1998. С. 106-112.

45. Сабанин В.Р., Смирнов Н.И., Репин А.И. К вопросу о параметрической оптимизации алгоритмов управления и диагностики. //Промышленные АСУ и контроллеры.2004.№ 12. С. 27-31.

46. Сабанин В.Р., Смирнов Н.И., Репин А.И. Модифицированный генетический алгоритм для задач оптимизации и управления// Exponenta Pro. Математика в приложениях. 2004. №3-4.С.78-85.

47. Сабанин В.Р., Смирнов Н.И., Репин А.И., Аракелян Э.К., Макаров О.Н., Андреев С.Н. Математическое и программное обеспечение алгоритма коррекции измеряемых параметров для расчета технико-экономических показателей на ТЭЦ//Вестник МЭИ. 2003. №1. С.21-27.

48. Симанков В. С., Луценко Е. В. Адаптивное управление сложными системами на основе теории распознавания образов: Монография (научное издание) /Техн. ун-т Кубан. гос. технол. ун-та. Краснодар, 1999. -318 с. Адрес в Интернет : http://lc.kubagro.ru.

49. Смирнов Н.И., Сабанин В.Р., Репин А.И. Оптимизация настроечных параметров регулирующий устройств в АСР // Теория и практика построения и функционирования АСУ ТП: Труды Международ, науч. конф. М.: Издательство МЭИ, 2003. С.52-57.

50. Соболенко H.A., Тягунов М.Г., Хоанг К.Т.Д., Шкурин А.Н. Представление знаний об оборудовании электростанций для автоматизированной системы диагностики его состояния // Известия РАН. Энергетика. 1993. № 4. С. 97-102.

51. Терновых Ю.П., Жамков Ю.И. Информационная избыточность и контроль достоверности в системах управления. Приборы и системы управления, 1976, № 6, с. 7-8.

52. Тихомиров Ю. В. Самоучитель MFC СПб.: БХВ-Петербург, 2000 г.-640 с.

53. Ту Дж., Гонсалес Р. Принципы распознавания образов: Пер. с англ. -М.: Мир, 1978.-410 с.

54. Уоссермен Ф. "Нейрокомпьтерная техника"- М.: Мир, 1992.

55. Фомин А.Ф., Новоселов О.Н., Плющев A.B. Методы и средства повышения достоверности измерений непрерывных процессов// Измерения, контроль, автоматизация. №4 (38). 1981.

56. Фу К. Структурные методы в распознавании образов: Пер.с англ. -М.: Мир, 1977.-320 с.

57. Цейтлин P.A., Степанов В.И., Шестов Э.Д. К вопросу о точности автоматизированного вычисления технико-экономических показателей энергоблока. Теплоэнергетика, 1975, №1, с. 8-13.

58. Цыпкин Я.З. Основы информационной теории идентификации. -М.: Наука, 1984.-520 с.

59. Шилдт Г. Полный справочник по С, 4-е издание.: Пер. с англ.-М.: Издательский дом "Вильяме", 2002.-704 с.

60. Шилдт Г. Самоучитель С++: Пер. с англ.- 3-е изд.-СПб.: БХВ-Петербург, 2002.- 688 с.

61. Шитиков В.К., Розенберг Г.С., Зинченко Т.Д. Количественная Гидроэкология: Методы Системной Идентификации. Тольятти: ИЭВБ РАН, 2003.-463 с.

62. Attia A.A.,Horacek P. Adaptation of genetic algorithms for optimization problem solving// 7th International Conference on Computing MENDEL 2001. Brno, 2001. P. 36-41.

63. Bishop C.M. "Neural networks and Pattern Recognition". Oxford Press. 1995.

64. Fausett L.V. "Fundamentals of Neural Networks: Architectures, Algorithms and Applications", Prentice Hall, 1994.

65. Goldberg D.E. Genetic Algorithms in Search Optimizations and Machine Learning.-Addison.Wesly, 1989.

66. Haykin S. Neural Networks. A comprehensive foundation.-New York, NY: Macmillan, 1994.-696 p.

67. Holland J.H. Adaptation in natural and artificial systems. An introductory analysis with application to biology, control, and artificial intelligence. -London: Bradford book edition, 1994 211 p.

68. Kohonen T. "Self-organization and Associative Memory", Berlin: SpringlerVerlag, 1989.

69. Neider J.A.,Mead R., A Simplex Method For Function Minimization, Computer J., No 7, 1964 P. 308-313.

70. Repin A., Sabsnin V., Smirnov N. Artificial intelligence technologies in problems of diagnostic // Proc. 12th Zittau Fuzzy Colloquium, Zittau, 2005 (Germany).

71. Shepherd G.M., Koch C. Introduction to synaptic circuits // The Synaptic Organization of the Brain (G.M. Shepherd, ed.). New York: Oxford University Press, 1990.-p. 3-31.

72. Werbos P.J. Backpropagation and neurocontrol: A review and prospectus//Proc. of International Joint Conf.On Neural Networks.-Vol.l.-Washington, DC.-1989.-P.209-216.

73. Zhang B.-T., Muhlenbein H. Evolving optimal neural networks using genetic algorithms with Occam's rasor//Complex systems. 1993.-№7(3). P. 199 -220.

74. Zhenyong Chen, Yongyong He, Fulei Chu, Jingyuan Huang. Evolutionary strategy for classification problems and its application in fault diagnostics// Engineering Applications of Artificial Intelligence. №16. 2003. 31-38.

75. Lehrstuhl Prof. Dr. Wolfram-M. Lippe, Institut für Informatik Westfälische Wilhelms Universität-Münster. Сайт в Интеренет http://wwwmath.uni-muenster.de/math/SoftComputing/ (на нем. яз.)

76. Сайт компании "НейроПроект" http://www.neuroproject.ru

77. On-line расчеты в Интернет на Mathcad Application Server (MAS) http ://w w w. vpu .ru/mas

78. Сайт в Интернет "Технологии искусственного интеллекта в управлении и диагностике" http://neuralnetwork.narod.ru