автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Интеллектуальная система управления процессом механообработки с оперативным использованием нечеткой нейросетевой модели знаний

ОСНОВНЫЕ СОКРАЩЕНИЯ, ИСПОЛЬЗУЕМЫЕ В ТЕКСТЕ.

ОСНОВНЫЕ УСЛОВНЫЕ ОБОЗНАЧЕНИЯ, ИСПОЛЬЗУЕМЫЕ В ТЕКСТЕ.

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИЗ ВОПРОСОВ УПРАВЛЕНИЯ ПРОЦЕССОМ ОБРАБОТКИ ДЕТАЛЕЙ НА МЕТАЛЛОРЕЖУЩИХ СТАНКАХ С ЧПУ.

1.1. Пути повышения эффективности механообработки.

1.2. Содержательная постановка задачи управления процессом резания.

1.3. Проблемы математического описания процесса резания.

1.4. Проблемы управления процессом резания.

1.5. Требования к модели процесса резания и системе управления процессом резания.

1.6. Выводы и результаты по главе.

ГЛАВА 2. ФОРМАЛЬНОЕ ПРЕДСТАВЛЕНИЕ ЗНАНИЙ

О ПРОЦЕССЕ РЕЗАНИЯ.

2.1. Выбор методов формального представления знаний о процессе резания.

2.2. Структура модели знаний о процессе резания.

2.3. Структура функций принадлежности нечетких множеств и нечетких отношений.

2.4. Выполнение нечетких операций.

2.5. Учет взаимодействий неопределенностей факторов процесса резания.

Эффективность работы современного машиностроительного производства во многом определяется достигнутым уровнем его автоматизации. Высокие требования на мировом рынке к качеству выпускаемой продукции, тенденция к созданию технологического оборудования с высокими скоростями движения, многономенклатурность изделий, безопасность труда и другие социально-экономические требования современного общества обусловливают необходимость перехода к безлюдным технологиям, гибкому и автоматизированному производству. В настоящее время основная масса изделий машиностроения производится в механообрабатывающих станочных модулях и комплексах в которых основным технологическим процессом является процесс резания (ПР), а системами управления - системы числового программного управления (ЧПУ).

Практика применения систем ЧПУ показала, что их работа по "жестко" заданной программе не отвечает современным требованиям к системам управления, функционирующим в условиях малолюдного производства [5, 49]. Это обусловлено тем, что на этапе технологической подготовки производства при составлении технологии и написании управляющей программы для устройства ЧПУ невозможно учесть все возмущающие факторы, действующие на процесс, и заранее спрогнозировать возможные состояния процесса.

Как известно, наиболее информативными физическими величинами ПР являются температура и главная составляющая силы резания. Необходимо отметить, что в настоящее время существуют эффективные технические решения и программные средства, позволяющие проектировать системы управления режимами резания, в том числе, системы управления силой и температурой резания, позволяющие повысить качество выпускаемой продукции, максимально использовать возможности станка и инструмента, повысить производительность обработки и снизить ее себестоимость. При этом задающие воздействия (программа управления) для системы управления силой

12 и температурой резания определяются, как правило, на этапе технологической подготовки производства, когда имеет место проблема дефицита и недостоверности априорной информации о ПР. Поэтому задающие воздействия формируются исходя из наиболее нагруженных режимов обработки деталей, что приводит к неполному использованию возможностей технологического оборудования и инструмента. Большой вклад в решение этих вопросов внесли отечественные ученые Балакшин Б.С., Безъязычный В.Ф., Заковоротный B.JL, Зориктуев В.Ц., Макаров А.Д., Митрофанов В.Г., Невельсон М.С., Рыжкин А.А., Силин С.С., Соломенцев Ю.М., Трусов В.В. и др.

В тоже время вопросы, связанные с формированием оптимальной программы управления температурой и силой резания в оперативном режиме (в процессе обработки) не получили пока достаточного развития. Это обусловлено отсутствием или неадекватностью моделей управляемых процессов и сложностью процедур их идентификации, ограничениями на количество используемых средств измерения в производственных условиях, косвенным измерением информативных физических величин и значительной их зашумленностью.

В этой связи актуальным является построение системы управления ПР, предполагающей оперативное формирование субоптимальных значений силы и температуры резания с учетом величины нечеткости исходной информации, позволяющей повысить производительность обработки крупногабаритных деталей из труднообрабатываемых материалов при обеспечении заданных показателей точности деталей и ограничений на возможности технологического оборудования и инструмента.

Решаемые в диссертации вопросы являются составной частью исследований, проводимых кафедрой автоматизированных технологических систем Уфимского государственного авиационного технического университета (УГАТУ) в соответствии с координационными планами АТН РФ, программой «Конверсия и высокие технологии. 1997-2000 г.г.», в рамках федеральной

13 целевой программы «Государственная поддержка интеграции высшего образования и фундаментальной науки на 1997-2001 г.г.».

Целью настоящей работы является повышение эффективности механообработки путем интеллектуального управления процессом резания.

Для достижения данной цели поставлены следующие задачи.

1. Предложить и обосновать модель знаний о ПР для оперативного вычисления функций целей и ограничений при обработке деталей на металлорежущих станках с ЧПУ.

2. Разработать алгоритмы и методику обучения (идентификации) модели знаний о ПР.

3. Разработать структуру интеллектуальной системы управления процессом механообработки.

4. Синтезировать алгоритм формирования программы управления температурно-силовым режимом обработки в условиях неопределенности.

5. Оценить эффективность предложенных алгоритмов и методик для формирования субоптимального температурно-силового режима обработки.

На защиту выносятся:

1. Нечеткая нейросетевая модель знаний о ПР для оперативного определения функций целей и ограничений на управление обработкой деталей на металлорежущих станках с ЧПУ, включающая самоорганизующуюся нейронную сеть прямого распространения с нечеткими операциями, с входными сигналами в виде нечетких множеств факторов ПР и связями в виде нечетких отношений между факторами ПР.

2. Алгоритмы и методика обучения (идентификации) модели знаний о ПР для оценки и снижения неопределенности знаний, которые заключаются в построении нечетких множеств, нечетких отношений и в формировании оптимальной архитектуры нейронной сети, аппроксимирующей связи ПР с заданным уровнем неопределенности и минимальным временем вычислений.

3. Структура интеллектуальной системы управления ПР, содержащая подсистему стабилизации главной составляющей силы резания или

14 температуры резания, дискретный И-регулятор, функциональные блоки синхронизации, обучения, вычисления значений функций цели и ограничений, проверки выполнения условий ограничений, информационно-измерительную систему, базу знаний.

4. Алгоритм формирования программы управления температурно-силовым режимом обработки в условиях неопределенности во время технологического перехода, заключающийся в оперативном определении функций цели и ограничений на управление ПР с использованием информации от датчиков из зоны резания и электроприводов, а также в определении субоптимальных значений главной составляющей силы резания и термо-ЭДС.

5. Результаты оценки эффективности формирования субоптимального температурно-силового режима обработки деталей, полученные путем имитационного моделирования и внедрения в производство разработанных методик.

Научная новизна диссертационной работы: новыми являются

1. Использование нечеткой нейросетевой модели знаний для ускоренного вычисления функций целей и ограничений на управление обработкой деталей на станках с ЧПУ с возможностями самоорганизации и параметрической оценки неопределенности исходной информации.

2. Алгоритмы обучения модели знаний о ПР для формирования оптимальной архитектуры нейронной сети, для построения нечетких множеств значений факторов ПР и нечетких отношений на основе сочетания методов идентификации и искусственного интеллекта, позволяющие использовать данные, собранные в производственных условиях, когда статистические методы обработки информации не применимы.

3. Структура интеллектуальной системы управления ПР, позволяющая формировать управляющее воздействие в условиях неопределенности и строить (уточнять) модели ПР с целью снижения нечеткости знаний об управляемом процессе и возможностью тиражирования этих знаний.

15

Практическая ценность:

1. Использование модели знаний о ПР с параметризированными нечеткими множествами, нечеткими отношениями и нечеткими операциями позволяет повысить скорость вычисления функций целей и ограничений на 1-2 порядка по сравнению с использованием классических максиминных операций; отражать экспертные и экспериментальные знания.

2. Использование алгоритма формирования температурно-силового режима обработки в системах управления ПР позволяет снизить степень нечеткости вычисления значений функций целей и ограничений в оперативном режиме на 20-30% по сравнению с их вычислением на этапе технологической подготовки производства; сократить время на технологическую подготовку производства в среднем на 10-12%; сократить время операции на 30%.

16

ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ

1. Предложена и обоснована нечеткая нейросетевая модель знаний о ПР для оперативного определения функций целей и ограничений при управлении обработкой деталей на металлорежущих станках с ЧПУ, обладающая возможностями самоорганизации и параметрической оценки неопределенности используемой информации. Применение параметризированных нечетких множеств, нечетких отношений и операций позволяет повысить скорость вычислений на 1-2 порядка по сравнению с выполнением классических максиминных операций с поэлементными множествами.

2. Разработаны алгоритмы и методика обучения (идентификации) модели знаний о ПР, которые направлены на снижение неопределенности знаний и которые сводятся к построению нечетких множеств, нечетких отношений и к формированию оптимальной архитектуры нейронной сети, аппроксимирующей связи ПР с заданным уровнем неопределенности и минимальным временем вычислений. В отличие от экспертных методов построения нечетких множеств и нечетких отношений разработанные методики на основе методов идентификации и методов искусственного интеллекта позволяют отражать в модели ПР знания, полученные экспертным и экспериментальным путем, количественную и качественную информацию.

3. Разработана структура интеллектуальной системы управления ПР, содержащая подсистему стабилизации главной составляющей силы резания или температуры резания, дискретный И-регулятор, функциональные блоки синхронизации, обучения, вычисления значений функций цели и ограничений, проверки выполнения условий ограничений, информационно-измерительную систему, базу знаний. Отличительными особенностями системы с такой структурой являются: возможности моделировать и контролировать неопределенности используемых знаний; благодаря способности обучения легко перестраиваться на управление новыми процессами в других

175 технологических условиях, пополнять и уточнять знания в процессе дообучения, минимизируя при этом степень неопределенности знаний; формировать управляющее воздействие с учетом величины нечеткости исходной информации с целью повышения надежности работы оборудования и повышения гарантий изготовления качественных деталей.

4. Синтезирован алгоритм формирования программы управления температурно-силовым режимом обработки в условиях неопределенности во время технологического перехода на основе оперативного вычисления значений функций целей и ограничений, позволяющий решать технологические задачи в процессе управления. Оперативное формирование значений главной составляющей силы резания позволяет снизить степень нечеткости вычисления значений функций целей и ограничений на 20-30% по сравнению с определением значения силы резания на этапе технологической подготовки производства.

5. Исследована эффективность предложенных алгоритмов и методик для формирования программы управления температурно-силовым режимом обработки деталей. По результатам имитационного моделирования и внедрения их в производство получено сокращение времени точения в среднем для партии деталей на 30% по сравнению с традиционными подходами, сокращение времени на технологическую подготовку производства новых деталей на 1012% за счет использования ранее накопленных знаний о подобных процессах.

176

1. Абакумов A.M. Математическая модель процесса точения при управлении по каналам скорости продольной подачи и частоты вращения шпинделя // Станки и инструмент. 1976. - №5. - С. 16-17.

2. Абиев Р.Г., Алиев P.A., Алиев P.P. Синтез САУ с обучаемым на нейронной сети нечетким контроллером // Известия РАН. Техническая кибернетика. 1994. - №2. - С. 192-197.

3. Аверкин А.Н., Гаазе-Рапопорт М.Г., Поспелов Д.А. Толковый словарь по искусственному интеллекту. М.: Радио и связь, 1992. - 256 с.

4. Автоматическое регулирование процессов резания по температуре: Сб. науч. тр. №4 / Отв . ред. С.С. Силин. Ярославль.: Ярославский политехнический институт, 1976. - 169 с.

5. Адаптивное управление технологическими процессами / Ю.М. Соломенцев, В.Г. Митрофанов, С.П. Протопопов, И.М. Рыбкин, В.А. Тимирязев. М.: Машиностроение, 1980. - 536 с.

6. Алиев P.A., Абдикеев Н.М., Шахназаров М.М. Производственные системы с искусственным интеллектом. М.: Радио и связь, 1990. - 264 с.

7. Аполов О.Г. Алгоритмы интеллектуального управления и координации взаимодействия в сложных робототехнических системах: Дис. канд. техн. наук. Уфа, 1997. - 174 с.

8. Бабак В.Ф. Модели и методы конструирования интеллектуальных САПР ТП механообработки // Машиностроительное производство. Автоматизированные системы проектирования и управления. М.: ВНИИТЭМР, 1990. - 56 с.

9. Барботько А.И., Зайцев А.Г. Теория резания металлов. 4.1.Основы процесса резания: Учеб. пособие. Воронеж: Изд-во ВГУ, 1990. - 216 с.177

10. Барботько А.И., Зайцев А.Г. Теория резания металлов. 4.2. Основы системологии процессов резания: Учеб. пособие. Воронеж: Изд-во ВГУ, 1990.-176 с.

11. Башмаков А.И., Башмаков И. А. Механизмы наследования, выявления и разрешения противоречий в обобщенной модели представления предметной области // Известия РАН. Теория и системы управления. 1995. -№3. - С. 175-189.

12. Бессонов A.A., Загашвили Ю.В., Маркелов A.C. Методы и средства идентификации динамических объектов. JL: Энергоатомиздат, 1989. - 280 с.

13. Блохнин А.Г. Алгебра нечетких множеств // Известия РАН. Теория и системы управления. 1998. - №5. - С. 88-95.

14. Борисов А.Н., Крумберг O.A., Федоров И.П. Принятие решений на основе нечетких моделей: Примеры использования. Рига: Зинатне, 1990. -184с.

15. Вентцель Е.С. Овчаров JI.A. Теория вероятностей и ее инженерные приложения. М.: Наука, 1988. - 480 с.

16. Вопросы оптимального резания металлов: Труды УАИ, выпуск 29. Уфа: УАИ, 1972.-190 с.

17. Вопросы оптимального резания металлов: Труды УАИ, выпуск 34. Уфа: УАИ, 1972.-255 с.

18. Гилл Ф., Мюррей У., Райт М. Практическая оптимизация: Пер с англ. М.: Мир, 1985. - 509 с.

19. Гилмор Дж. Ф. Автоматизированное приобретение знаний с помощью нейронных сетей // Известия РАН. Техническая кибернетика. 1994. -№5. - С. 93-96.178

20. Головина Е.Ю., Чибизова H.B. О построении интеллектуальной обучающей системы // Известия РАН. Теория и системы управления. 1996. -№5. - С. 85-92.

21. Гордиенко Е.К., Лукьяница A.A. Искусственные нейронные сети. I. Основные определения и модели // Известия РАН. Техническая кибернетика. -1994.-№5.-С. 79-92.

22. Горелик A.JL, Скрипкин В.А. Методы распознавания. М.: Высш. шк, 1984.-208 с.

23. Грановский В. А, Сирая Т.Н. Методы обработки экспериментальных данных при измерениях. JL: Энергоатомиздат, 1990. -288 с.

24. Гроп Д. Методы идентификации систем / Пер. с англ. В.А. Васильева, В.И. Лопатина; Под ред. Е.И. Кринецкого. М.: Мир, 1979. - 302 с.

25. Дегтярев Ю.И. Исследование операций. М.: Высш. шк., 1986.320 с.

26. Дейч A.M. Методы идентификации динамических объектов. М.: Энергия, 1979. - 240 с.

27. Долматова Л.М. Что считать результатами обучения: интерпретация зависимостей посредством анализа топологии обученной нейронной сети // Известия РАН. Теория и системы управления. 1996. - №5. -С. 71-76.

28. Дякин М.В., Подорожный Д.А., Сапир М.В. Подход к созданию гибких обучающих систем // Известия РАН. Теория и системы управления. -1996.-№5.-С. 77-84.

29. Елисеева И.И., Рукавишников В.О. Группировка, корреляция, распознавание образов. -М.: Статистика, 1977. 144 с.

30. Журавлев В.Н., Николаева О.И. Машиностроительные стали: Справочник. М.: Машиностроение, 1992. - 480 с.179

31. Заде JI. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976. - 163 с.

32. Захаров В.Н., Ульянов C.B. Нечеткие модели интеллектуальных промышленных регуляторов и систем управления. IV. Имитационное моделирование // Известия РАН. Техническая кибернетика. 1994. - №5. - С. 168-210.

33. Зориктуев В.Ц. Повышение эффективности обработки деталей из труднообрабатываемых материалов на станках путем идентификации и автоматического управления температурно-силовым режимом точения: Дис. д-ра техн. наук. Уфа, 1989. - 480 с.

34. Зориктуев В.Ц., Лютов А.Г., Гончарова С.Г., Месягутов И.Ф. Интеллектуальное управление сложным мехатронным объектом с использованием быстрорасчетной нейро-нечеткой модели // Мехатроника. -2001.-№6.-С. 24-28.

35. Измерение электрических и неэлектрических величин: Учеб. пособие для вузов / H.H. Евтихиев, Я.А. Купершмидт, В.Ф. Папуловский, В.Н. Скугоров; Под общ. ред. H.H. Евитхиева. М.: Энергоатомиздат, 1990. - 352 с.

36. Исаев Ш.Г. Разработка системы автоматического регулирования силами резания по электрической проводимости контакта «инструмент -деталь»: Диссертация канд. техн. наук: 05.13.07. Уфа, 1987. - 235 с.

37. Искусственный интеллект. В 3-х кн. Кн.2. Модели и методы: Справочник / Под ред. Д.А. Поспелова - М.: Радио и связь, 1990. - 304 с.

38. Калинина В.Н., Панкин В.Ф. Математическая статистика. М.: Высш. шк., 1998. - 336 с.

39. Кацев П.К. Статистические методы исследования режущего инструмента. -М.: Машиностроение, 1968. 156 с.

40. Кику А.Г., Костюк В.И., Краскевич В.Е., Сильвестров А.Н., Шпит C.B. Адаптивные системы идентификации. Киев.: Техшка, 1975. - 288 с.

41. Кичко Ю.М. Исследование вопросов оптимального точения углеродистых сталей в связи с их химическим составом и свойствами: Дис. канд. техн. наук. Уфа, 1970. - 187 с.

42. Клепиков В.И., Сосонкин B.JI. Структурированные нейроподобные сети как средство моделирования дискретных процессов // Автоматика и телемеханика. 1998. - №1. С. 147-154.

43. Клышинский Э.С. Метод построения и применения интеллектуальных объектов в системах моделирования // Автоматизация и современные технологии. 1998. - №2. - С. 27-31.181

44. Коваленко А.П. Состоятельный алгоритм формирования нейронной сети для анализа кластеров высокой плотности // Известия РАН. Техническая кибернетика. 1994. - №5. - С. 97-102.

45. Конфликт сложных систем. Модели и управление / Б.К. Нартов, С.Г. Братцев, Ф.А. Мурзин, A.A. Пунтус; под ред. A.A. Пунтуса. М.: МАИ, 1995.-120 с.

46. Коровин Б.Г., Прокофьев Г.И., Рассудов JI.H. Системы программного управления промышленными установками и робототехническими комплексами. JL: Энергоатомиздат, 1990. - 352 с.

47. Корытин A.M., Шапарев Н.К. Оптимизация управления металлорежущими станками. -М.: Машиностроение, 1974. 200 с.

48. Кофман А. Введение в теорию нечетких множеств: Пер. с франц. -М.: Радио и связь, 1982. 432 с.

49. Крючков В.Г. Технологические аспекты создания систем оперативного формирования управляющих программ // Оптимальное управление мехатронными станочными системами: Сб. науч. трудов. Часть 1. - Уфа: Изд-во УГАТУ, 1999. - С. 146-152.

50. Кузнецов О.П. Псевдооптические нейронные сети -прямолинейные модели // Автоматика и телемеханика. 1996. - №12. - С. 145154.

51. Кузьмин В.Б. Построение групповых решений в пространствах четких и нечетких бинарных отношений. М.: Наука, 1982. - 168 с.

52. Ларичев О.И., Мечитов А.И., Мошкович Е.М., Фуремс Е.М. Выявление экспертных знаний. М.: Наука, 1989. - 128 с.

53. Лескин A.A., Мальцев П.А., Спиридонов A.M. Сети Петри в моделировании и управлении. Л.: Наука, 1989. - 133 с.

54. Лютов А.Г. Синтез системы управления процессом резания с использованием модифицированного интегрального критерия качества. Дисс.канд. техн. наук: 05.13.07. Уфа, 1994. - 232 с.182

55. Лютов А.Г., Гончарова С.Г. Принятие решений при оценивании состояний технологических процессов в условиях неопределенности // Автоматизированные технологические и мехатронные системы в машиностроении: Сб. науч. тр. Уфа: Изд-во УГАТУ, 1997. - С. 40-46.

56. Лютов А.Г., Гончарова С.Г. Иерархическая система управления технологическим процессом механообработки // Технология и оборудование современного машиностроения: Тезисы докладов Всероссийской молодежной науч.-техн. конф. Уфа: Изд-во УГАТУ, 1998. - С. 18.

57. Лютов А.Г., Гончарова С.Г. Нейронная реализация функций принадлежности // Оптимальное управление мехатронными станочными системами: Сб. науч. тр. Часть 1. - Уфа: Изд-во УГАТУ, 1999. - С. 74-79.

58. Макаров А. Д. Оптимизация процессов резания. М.: Машиностроение, 1976. - 278 с.

59. Малышев Н.Г., Берштейн Л.С., Боженюк A.B. Нечеткие модели для экспертных систем в САПР. -М.: Энергоатомиздат, 1991.-136с.

60. Марселлус Д. Программирование экспертных систем на Турбо Прологе: Пер. с англ./ Предисл. С.В. Трубицына. М.: Финансы и статистика, 1994. - 256 с.

61. Меламед И.И. Нейронные сети и комбинаторная оптимизация // Автоматика и телемеханика. 1994. - №11. - С. 3-40.

62. Методология IDEF0. Функциональное моделирование. М.: Метатехнология, 1993. - 117 с.

63. Методология IDEF1X. Информационное моделирование. М.: Метатехнология, 1993. - 120 с.

64. Методы параллельного микропрограммирования / П.А. Анишев, С.М. Ачасова и др.; под ред. O.JI. Бандман. Новосибирск: Наука, 1981. - 180с.

65. Мирошник И.В., Никифоров В.О., Фрадков A.JI. Нелинейное и адаптивное управление сложными динамическими системами. СПб.: Наука, 2000. - 549 с.

66. Михалюк Д.П., Суворов A.B., Ященко В.В., Ященко Н.Ю. Формирование оптимального пути в пространстве состояний сложной технической системы в условиях неполноты исходной информации // Известия РАН. Теория и системы управления. 1996. - №5. - С. 61-65.

67. Моисеев H.H. Математические задачи системного анализа. М.: Наука, 1981.-488 с.

68. Невельсон М.С. Автоматическое управление точностью обработки на металлорежущих станках. JL: Машиностроение, 1982. - 184 с.184

69. Нейрокомпьютеры и интеллектуальные роботы / Н.М. Амосов, Т.Н.Байдык, А.Д. Гольцев и др.; под ред. Н.М. Амосова. Киев: Наук. Думка, 1991.-272 с.

70. Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Д.А. Поспелова. М.: Наука, 1986. - 312 с.

71. Нечеткие множества и теория возможностей. Последние достижения: Пер. с англ./ Под ред. Ягеря P.P. М.: Радио и связь, 1986. - 408 с.

72. Никин А.Д. Адаптивная система управления температурно-силовыми режимами процесса резания металлов. Дисс.канд. техн. наук: 05.13.07.-Уфа, 1999.- 192 с.

73. Никичкин В.В., Цуканова Н.И. Обучение как многошаговый дискретный процесс управления с нечеткими параметрами // Известия РАН. Теория и системы управления. 1996. - №5. - С. 93-96.

74. Новоселов О.Н., Фомин А.Ф. Основы теории и расчёта информационно-измерительных систем. М.: Машиностроение, 1991. - 336 с.

75. Новые методы определения обрабатываемости материалов резанием и шлифованием: Сб. науч. тр. №3 / Отв . ред. С.С. Силин. -Ярославль.: Ярославский политехнический институт, 1975. 203 с.

76. Оптимизация процессов резания жаро- и особопрочных материалов: Межвузовский тематический научный сборник, выпуск IV. Уфа: УАИ, 1979.-192 с.

77. Оптимизация процессов резания жаро- и особопрочных материалов: Межвузовский тематический научный сборник, выпуск V. Уфа: УАИ, 1980.-191 с.

78. Оптимизация процессов резания жаро- и особопрочных материалов: Межвузовский тематический научный сборник, выпуск VI. Уфа: УАИ, 1981.-206 с.185

79. Оптимизация процессов резания жаро- и особопрочных материалов: Межвузовский тематический научный сборник. Уфа: УАИ, 1982. -210с.

80. Оптимизация процессов резания жаро- и особопрочных материалов: Межвузовский тематический научный сборник. Уфа: УАИ, 1985. -171с.

81. Оптимизация процессов резания жаро- и особопрочных материалов: Межвузовский тематический научный сборник. Уфа: УАИ, 1987. -159 с.

82. Оптимизация технологических условий механической обработки деталей авиационных двигателей / В.Ф. Безъязычный, Т.Д. Кожина и др. М.: МАИ, 1993.-184 с.

83. Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. М.: Наука, 1981. - 208 с.

84. Осипов Г.С. Построение баз знаний на основе взаимодействия интерактивных методов приобретения знаний. I. Концептуальные элементы модели мира // Известия РАН. Теория и системы управления. 1995. - №3. - С. 160-174.

85. Основы математического моделирования с примерами на языке MATLAB: Учебное пособие/ Д.Л. Егоренков, Ф.Л. Фрадков, В.Ю. Харламов; Под ред. А.Л. Фрадкова. СПб.: БГТУ, 1996. - 192 с.

86. Пантелеев A.B., Бортаковский A.C., Летова Т.А. Оптимальное управление в примерах и задачах: Учеб. пособие. М.: МАИ, 1996. - 212 с.

87. Пащенко Ф.Ф., Чернышев K.P. Методы построения систем управления на основе знаний // Приборы и системы управления. 1996. - №8. -С. 12.

88. Питерсон Дж. Теория сетей Петри и моделирование систем. М.: Мир, 1984. - 264 с.186

89. Планирование эксперимента в исследовании техники / В. И. Барабащук, Б.П. Креденцер, В.И. Мирошниченко; Под ред. Б.П. Креденцера. -К.: Техшка, 1984.-200 с.

90. Планирование эксперимента в исследовании технологических процессов / К. Хартман, Э.Лецкий, В.Шефер; Под ред. Лецкого. М.: Мир, 1977. - 552 с.

91. Поспелов Д.А. Логико-лингвистические модели в системах управления. М.: Энергоатомиздат, 1981. - 232 с.

92. Поспелов Д.А. Ситуационное управление: теория и практика. М.: Наука, 1986.-288 с.

93. Построение экспертных систем: Пер. с англ. / Под ред. Хейеса-Рота, Д. Уотермана, Д. Лената. М.: Мир, 1987. - 441 с.

94. Потапова Т.Б. Структурная модель управления технологическим участком непрерывного производства как база знаний для экспертной системы // Приборы и системы управления. 1996. - №9. - С. 17-22.

95. Потюпкин А.Ю. Решение задачи идентификации нечетких систем // Известия РАН. Теория и системы управления. 1996. - №4. - С. 40-46.

96. Прангишвили И.В. Проблемы управления сложными крупномасштабными процессами // Приборы и системы управления. 1996. -№6.-С. 35-40.

97. Растригин Л.А., Маджаров Н.Е. Введение в идентификацию объектов управления. М.: Энергия, 1977. - 216 с.

98. Растригин Л.А. Обучение как управление // Известия РАН. Техническая кибернетика. 1993. - №2. - С. 40-46.

99. Растригин Л.А. Системы экстремального управления. М.: Наука, 1974.-632с.

100. Ратмиров В.А. Управление станками гибких производственных систем. М.: Машиностроение, 1987. - 272 с.187

101. Режимы резания металлов. Справочник / Под ред. Ю.В. Барановского. М.: Машиностроение, 1972. - 407 с.

102. Резание труднообрабатываемых материалов. / Под ред. П. Г. Петрухи. М.: Машиностроение, 1972. - 175 с.

103. Роберте Ф.С. Дискретные математические модели с приложениями к социальным, биологическим и экологическим задачам / Пер. с англ. A.M. Раппопорта, С.И. Травкина. Под ред. А.И. Теймана. М.: Наука, 1986. - 496 с.

104. Романов В.Н., Соболев B.C., Цветков Э.И. Интеллектуальные средства измерений/ Под ред. Э.И. Цветкова. Л.: РИЦ «Татьянин день», 1994. -280 с.

105. Силин С.С. Метод подобия при резании материалов. М.: Машиностроение, 1979. - 152 с.

106. Соколов E.H., Шмелев Л.А. Нейробионика. Организация нейроподобных элементов и систем. М.: Наука, 1983. - 279 с.

107. Сосонкин В.Л., Мартинов Г.М. Концепция числового программного управления мехатронными системами: архитектура систем типа PCNC// Мехатроника. 2000. - №1. - С. 26-29.

108. Справочник технолога- машиностроителя. В 2-х т. Т. 1/ Под ред. А.Г. Косиловой и Р.К. Мещерякова. М.: Машиностроение, 1986. - 656 с.

109. Тарасов В.Б. Искусственная жизнь и нечеткие эволюционные многоагентные системы основные теоретические подходы к построению интеллектуальных организаций // Известия РАН. Теория и системы управления. - 1998. - №5. - С. 12-23.

110. Терехов В.А. Динамические алгоритмы обучения многослойных нейронных сетей в системах управления // Известия РАН. Теория и системы управления. 1996. - №3. - С. 70-79.

111. Убейко В.М. Применение экспертных систем в автоматизированных системах проектирования и управления //188

112. Машиностроительное производство. Автоматизированные системы проектирования и управления. -М.: ВНИИТЭМР, 1990.

113. Управление динамическими системами в условиях неопределенности / С.Т. Кусимов, Б.Г. Ильясов, В.И. Васильев и др. М.: Наука, 1998.-452 с.

114. Филоненко С.Н. Резание металлов. Киев.: Техшка,1975. - 232 с.

115. Фрадков A.J1. Адаптивное управление в сложных системах: беспоисковые методы. М.: Наука, 1990. - 296 с.

116. Хант Э. Искусственный интеллект: Пер с англ. М.: Мир, 1978.560 с.

117. Цой Э.В., Юдин А.Д., Юдин Д.Б. Задачи пополнения и синтеза знаний // Автоматика и телемеханика. 1994. - №7. - С. 3-36.

118. Чернышев М.К., Гаджиев М.Ю. Математическое моделирование иерархических систем с приложениями к биологии и экономике. М.: Наука, 1983.- 192 с.

119. Чичварин Н.В. Экспертные компоненты САПР. М.: Машиностроение, 1991. - 240 с.

120. Чоговадзе Г.Г. Автоматизация проектирования систем оперативного управления технологическими процессами. М.: Энергия, 1980. -288 с.

121. Шалыто A.A. SWITCH-технология. Автоматизация и программирование задач логического управления. СПб.: Наука, 1998. - 628 с.

122. Шостак В.Ф. Модели и методы управления сложными технологическими комплексами в нештатных (экстремальных) режимах работы в АСУТП // Автоматика и телемеханика. 1994. - №10. - С. 158-164.

123. Юдашкин A.A. Бифуркации стационарных решений в в синергетической нейронной сети и управление распознаванием образов // Автоматика и телемеханика. 1996. - №11. - С. 139-147.189

124. Юдин Д.Б. Алгоритмы обучения нейронных сетей. (Алгоритмы пополнения знаний) // Автоматика и телемеханика. 1996. - №11. - С. 148-154.

125. Якобе Г.Ю., Якоб Э., Кохан Д. Оптимизация резания. Параметризация способов обработки резанием с использованием технологической оптимизации. -М.: Машиностроение, 1981. 279 с.

126. Ящерицын П.И., Еременко M.JL, Фельдштейн Е.Э. Теория резания. Физические и тепловые процессы в технологических системах: Учеб. для вузов. Мн.: Выш. шк., 1990 - 512 с.

127. Goncharova S.G. Using of artificial intellect methods for the cutting process optimal control // Preprints of 7-th International Student Olympiad on Automatic Control (Baltic Olympiad). Saint-Petersburg, 1999. - P. 200 -204.

128. Goncharova S.G., Mesyagutov I.F. Technique of processing of experimental information about complex plant // Preprints of 8-th International Student Olympiad on Automatic Control (Baltic Olympiad). Saint-Petersburg, 2000.-P. 138-140.

129. MATLAB. User's Guide. The Math Works, Inc., 1999.

130. Mamdani E.H. Advances in the linguistic synthesis of fuzzy controllers // International Journal of Man-Machine Studies. 1976. - Vol. 8, pp. 669-678.

131. Mesyagutov I.F., Goncharova S.G. Formal description of cutting process for control problems solution // Preprints of 8-th International Student Olympiad on Automatic Control (Baltic Olympiad). Saint-Petersburg, 2000. - P. 41-45 .

132. Sugeno M. Industrial application of fuzzy control. Elsevier Science Pub. Co, 1985.