автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Исследование эффективности интеллектуального управления в металлургии

На правах рукописи

Еременко Юрий Иванович

ИССЛЕДОВАНИЕ ЭФФЕКТИВНОСТИ ИНТЕЛЛЕКТУАЛЬНОГО УПРАВЛЕНИЯ В МЕТАЛЛУРГИИ

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

АВТОРЕФЕРАТ

диссертации на соискание ученой степени доктора технических наук

Липецк 2005

Работа выполнена в Липецком государственном техническом университете

Научный консультант заслуженный деятель науки РФ,

доктор технических наук, профессор Л.А. Кузнецов

Официальные оппоненты:

заслуженный деятель науки РФ, доктор технических наук, профессор

заслуженный работник высшей школы РФ, доктор технических наук, профессор

доктор технических наук, профессор

Ведущая организация ОАО Новолипецкий металлургический комбинат

Защита диссертации состоится «15» декабря_ 2005 г. в 10 часов на заседании диссертационного совета Д.212.108.02 в Государственном образовательном учреждении высшего профессионального образования «Липецкий государственный технический университет» (398600, Липецк, ул. Московская, 30, ауд.601).

С диссертацией можно ознакомиться в библиотеке Липецкого государственного технического университета.

ВЛ. Бурковский

Б.В. Кучеряев Д.А. Новиков

Автореферат диссертации разослан «-£■ » 4 / 2005 г.

Ученый секретарь диссертационного совета, доктор технических наук, профессор ^^^ B.C. Зайцев

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Особенностью современной металлургии является её интеграция с горно-обогатительными производствами, приводящая к образованию единых горно-металлургических технологических территориально-промышленных комплексов. В условиях такой интеграции важной составляющей организации комплексного производства является создание эффективных интегрированных информационных и автоматизированных систем управления.

Решение этих задач в условиях рыночной экономики требует создания новых и совершенствования действующих промышленных АСУ по всем характеристикам технического, программно-информационного и организационного обеспечения с целью согласования структуры, функций и показателей систем управления (СУ) с современными требованиями и условиями функционирования.

Затраты на проведение инновационных мероприятий в АСУ составляют значительную часть общих расходов на техническое перевооружение металлургических предприятий в целом. Стратегические решения по модернизации систем приходится принимать в условиях высокой нечеткости и неопределенности (энтропии) исходной информации.

Сложность задачи управления инновационными процессами в промышленных АСУ определяется трудностью оценивания их научно-технического уровня (НТУ), который характеризуется множеством качественных и количественных показателей. Необходимо учитывать комплексный характер и разнообразие конфигураций АСУ, составов технических средств, программного и информационного обеспечения, спектр решаемых задач. На данный момент отсутствует единая концепция построения обобщенного показателя качества АСУ и методика формирования его составляющих. В результате, на целом ряде металлургических предприятий наблюдается неадекватно низкая экономическая отдача от значительных затратна внедрение новых систем управления.

Для изменения ситуации представляется актуальным:

- разработать научно-обоснованную методологию анализа и оценки качества сложных АСУ на разных стадиях эксплуатации, определения общих тенденций динамики АСУ, прогнозирования эволюции их качества, установления факта морального старения и выявления экономически перспективных научно-технических решений; на основе методологии синтезировать принципы планирования мероприятий по совершенствованию систем управления с применением современных методов принятия решений;

- осуществить демонстрацию эффективности разработанных методик проведением в соответствии с ними мониторинга и анализа тенденций развития систем управления на предприятиях горно-металлургического комплекса и выяснить причины насыщения кривых роста технико-экономических показателей при внедрении новых аппаратно-программных средств АСУ;

- разработать методологию повышения эффективности систем управления за счет систематического применения интеллектуальных процедур принятия решений и снижения информационной энтропии о закономерностях технологических процессов на основе последних достижений теории управления, использующих совре-

менные возможности обработки информации, включая методы искусственного интеллекта.

Исследования по совершенствованию систем автоматического управления на базе использования различных методов искусственного интеллекта активно ведутся в нашей стране и за рубежом. Так, результаты исследований отечественных школ Галушкина А.И., Круглова В.В., Терехова В.А., Кузнецова Л. А. и др. в области искусственных нейронных сетей; Салихова З.Г., Ротача В.Я., Кудинова Ю.И. и др. в области нечетких алгоритмов; Попова Э.В., Ларичева О.И., Поспелова Д.А. и др. в области динамических экспертных систем создали объективные предпосылки для решения актуальной задачи разработки единой методологии интеллектуального управления, обеспечивающего повышение эффективности АСУ.

Работа выполнена в соответствии с научными направлениями Научного центра нейрокомпьютеров РАН «Нейроуправление горно-металлургическими технологическими процессами» и «Современные сложные системы управления» Староос-кольского технологического института (филиала) МИСиС в докторантуре Липецкого государственного технического университета.

Цель работы. Разработка научно-обоснованной методологии анализа и повышения эффективности АСУ на основе использования современных интеллектуальных методов управления и демонстрация её эффективности на примерах горно-металлургических предприятий региона Курской магнитной аномалии (КМА).

Для достижения этой цели в диссертации решены следующие основные задачи:

1. На основе использования современных достижений теории принятия решений и системного анализа создана методология управления инновационными процессами в АСУ предприятий горно-металлургического комплекса, для чего:

- разработан математический аппарат для определения НТУ АСУ разных типов и уровней автоматизации, опирающийся на концепцию принципа максимума неопределенности;

- разработана прогностическая модель, позволяющая строить логистическую кривую, траектория которой позволяет судить об имеющихся резервах повышения НТУ систем путем модернизаций и планировать направления их реализации;

- разработана методика, позволяющая принимать решения по выбору наиболее эффективных инновационных проектов АСУ в условиях мношкритериальности и неопределенности с привлечением аппарата нечетких множеств и метода анализа иерархий.

2. На основе мониторинга развития систем управления на горно-металлургических предприятиях региона Курской магнитной аномалии получено практическое подтверждение эффективности разработанной методологии прогнозирования их развития. Проведенные исследования прогностических моделей развития систем управления на основных видах металлургических производств, показали возможность выявления причин низкой экономической отдачи от внедрения новых средств АСУ. В частности, на предприятиях КМА - они могут быть преодолимы применением достаточно простых и дешевых адаптивных функций, способных существенно повлиять на качество и эффективность управления.

3. На основе всестороннего анализа мирового и отечественного опыта по применению методов искусственного интеллекта в решении задач автоматизации с ис-

пользованием последних достижений в области теории принятия решений разработана методология интеллектуализации алгоритмов и систем управления с учетом особенностей металлургических технологий, включающая:

- разработку обобщенной модели интеллектуального контроллера, в виде обратного отображения информационного портрета объекта управления, полученного в условиях производственной вариабельности его входных и выходных переменных;

- разработку метода определения интеллектуальной основы контроллера из числа возможных вариантов интеллектуализации с применением теории поиска решений в пространстве состояний и целей;

- разработку интегрированной информационной системы поддержки процедур подготовки альтернативных вариантов, выбора рациональных проектов АСУ и принятия инновационных решений в условиях интеллектуализации управления.

4. Исследованы возможно сти практической реализации предлагаемой методологии интеллектуализации управления и показана её эффективность на конкретных производствах и технологиях предприятий горно-металлургического производства региона, включая:

- реализацию интеллектуальных контроллеров на основе алгоритмов нечеткой логики в качестве альтернативы существующим системам детерминированного управления, а также в виде интеллектуальной надстройки, обеспечивающей адаптивную подстройку ПИД-регуляторов;

- демонстрацию эффективности интеллектуализации управления на основе искусственных нейронных сетей (ИНС) в различных вариантах использования последовательного, параллельного и нейроуправления с самонастройкой.

5. Предложена концепция адаптивного управления организационно-техническими системами путем применения интеллектуальных интерфейсов на основе использования экспертных и экспертно-нечетких систем и показана их эффективность на примере решения организационно-технических и планово- диспетчерских задач.

Методы исследования. В ходе исследования использованы теория и методы системного анализа, теории идентификации, информационно-статистического анализа, комбинаторно-морфологического анализа систем, принятия решений, нечетких множеств, нейронных сетей; функционального анализа и математического моделирования с использованием современных средств алгоритмического и программного обеспечения.

Обоснованность и достоверность. Обоснованность разработанной методологии управления инновационными процессами определяется тем, что она опирается на всесторонний анализ существующих методов комплексной оценки качества сложных систем, учитывающих особенности и уровень развития функциональной и обеспечивающей частей АСУ, её экономические и надежностные характеристики. Представляемая методика базируется на результатах, полученных видными учеными в области прогнозирования развития сложных систем.

Обоснованность методов интеллектуализации управления горно-металлургическими процессами основывается на последних научных достижениях в области нейронных сетей, экспертных систем и нечетких алгоритмов. .,...-

Достоверность подтверждается результатами опытно-промышленной апробации на предприятиях, моделированием систем, вычислительными экспериментами и

сравнительным анализом результатов моделирования с реальными производственными данными, а также экспертными оценками специалистов.

Научная новизна результатов заключается в разработке методологии комплексной оценки качества АСУ позволяющей прогнозировать и планировать развитие систем, обеспечивать повышение их эффективности за счет систематического использования методов искусственного интеллекта. Методология включает: .

1. Методику, определения НТУ АСУ и построения логистической кривойихразвития, траектория которой позволяет оценить имеющиеся резервы модернизации и определить наиболее перспективные направления её реализации.

2. Методику определения обоснованных решений по выбору наиболее эффективных инновационных проектов АСУ, опирающуюся на аппарат нечетких множеств и метод анализа иерархий..

3. Применение разработанной методологии для мониторинга развития сложных систем управления на предприятиях горно-металлургического комплекса, позволило выявить закономерности, выражающиеся в стремлении логистической кривой развития СУ к насыщению в рамках существующей организации структурного и алгоритмического обеспечения, базирующихся на классической теории управления.

4. Методологию построения адаптивных систем, обеспечивающих принципиальное повышение качества управления за счет использования методов искусственного интеллекта и обобщенной модели интеллектуального контроллера, реализующего идею инверсно-прямого управления.

5. С привлечением теории поиска решений в пространстве состояний и целей разработан метод выбора варианта интеллектуального содержания контроллера из числа рассмотренных способов представления знаний.

6. Концептуальную базу реализации интеллектуального контроллера на нечетких алгоритмах, нейронных сетях, генетических алгоритмах и динамических экспертных системах, в реализации последовательного, параллельного и управления с самонастройкой в виде интеллектуальной надстройки, которая содержит:

- способы практической реализации управления рядом технологических агрегатов на базе нечетких алгоритмов в условиях недостаточной формализации, как эффективная альтернатива существующим системам детерминированного управления;

способы реализации интеллектуального нейроуправления основными горнометаллургическими процессами и оптимизации структуры нейросетей и их сходимости при автономном и оперативном обучении;,

- концепцию повышения адаптивности и гибкости корпоративных ЕЯР-систем, с использованием интеллектуальных модулей для решения трудноформализуемых организационных задач на примерах управления ремонтно-востановительной и планово-диспетчерской работой предприятия. ;

Практическая значимост ь и реализация результатов работы.

Применение разработанной методологии позволяет найти пути и способы решения проблемы повышения эффективности существующих АСУ и разработать новые системы, обладающие адаптивными свойствами и обеспечивающие существенное улучшение качества управления. Так:

1. Методология рационального планирования инновационных мероприятий в действующих АСУ горно-металлургических предприятий, с применением разработанного алгоритмического и программного обеспечения, позволяет определять наиболее перспективные направления модернизации систем управления. В частности, она использована при планировании модернизаций систем управления цехового уровня на ОЗМК, JITOK и СГОК, включая разработку систем управления первой обогатительной фабрики ЛГОК и модернизацию интегрированной системы управления в цехе окомкования и металлизации ОЭМК, где обеспечила сокращение сроков модернизаций более чем на 20-25%.

2. На основе разработанной методологии интеллектуализации управления созданы алгоритмы и пакеты прикладных программ, позволяющие строить системы уп-

: равления на базе нечетких функций, искусственных нейронных сетей и экспертных систем для решения задач адаптивного управления технологическими процессами. Эффективность предложенных способов интеллектуального управления иллюстрируется результатами их применения для управления мельницей мокрого помола, классификатором, окомкователем, обжиговой машиной, вращающейся печью обжига клинкера, шахтной печью, установкой металлизации, кристаллизатором МНЛЗ, нагревательной методической печью, прокатной клетью и другими технологическими объектами, где экономический эффект достигается за счет увеличения производительности агрегатов, снижения энерго- и сырьевых затрат и составляет 6-10 %, о чем имеется соответствующие справки и заключения.

Разработанная методология совершенствования управления носит обобщающий характер и может быть рекомендована к применению на предприятиях всего горнометаллургического комплекса и других отраслей.

Апробация результатов исследования. Результаты исследований докладывались и обсуждались на международных и российских конференциях: Седьмой Всесоюзной научно-технической конференции «Проблемы, задачи и опыт применения технологической разработки и внедрения средств АСУТП», (Киев, 1992); Международной научно-практической конференции, посвященной 20-летию Старооскольс-кого филиала МИСиС «Вопросы проектирования, эксплуатации технических систем в металлургии, машиностроении и строительстве» (Старый Оскол, 1999); Международной научно-практической конференции «Качество, безопасность, энергоресурсосбережение в промышленности на пороге XXI века» (Белгород, 2000); Третьей международной научно-технической конференции «Высокие технологии в экологии» (Воронеж, 2000); Международной научно-технической конференции «Современные системы управления предприятием CSBC'2002» (Липецк, 2001); Sixteenth International Conference on Systems Engineering (ICSE-2003) Coventry University (Великобритания, Ковентри, 2003); Международной научно-практической конференции «Теория активных систем» (Москва, 2003); Международной конференции «Современные сложные системы управления» (Воронеж, 2003);VI Всероссийской научно-практической конференции «Системы автоматизации в образовании, науке и производстве» (Новокузнецк, 2003); XXIII Российской школе по проблемам науки и технологий (Екатеринбург, 2003); Международной конференции «Информационные технологии в XXI веке» (Днепропетровск, 2004); Ряде международных, российских и отраслевых научных конференциях, проводимых в Старом Осколе по

проблемам горно-металлургических предприятий региона Курской магнитной аномалии (Старый Оскоя, 1999,2002,2003,2004,2005); Proceedings of the 2005 International Conference on Scientific Computing (CSS'05), Las Vegas, Nevada, USA (США, Jlac-Berac, 2005); Седьмой международной научной конференции, посвященной 75ле-тию ВГАСУ «Современные сложные системы управления» (Воронеж, 2005); Proceedings of the 2005 International Conference on Machine Learning, Models, Technologies and Applications (MLMTA'05) Las Vegas, Nevada, USA (США, Лас-Вегас,2005).

Диссертационное исследование поддержано грантом Министерством образования РФ-№012.0010881.

Публикации. По теме диссертационного исследования опубликовано более 100 работ в отечественных и зарубежных изданиях, из них в автореферате приведены 4 монографии, 3 учебных пособия, 27 статей в периодических журналах из перечня, рекомендованного ВАК для публикации основных результатов диссертации на соискание ученой степени доктора наук, 14 работ в зарубежных журналах, сборниках научных трудов и трудов международных конференций.

Вклад автора диссертациив работы, выполненные в соавторстве и отраженные в результатах, состоит в постановке задач, разработке теоретических положений, а также в непосредственном участии во всех этапах исследований.

Структура и объем диссертации. Диссертация состоит из введения, пятиглав, заключения, списка литературы из 420 наименований и 8 приложений. Основная часть работы изложена на 305 страницах машинописного текста, содержит 107 рисунков и 28 таблиц.

Основное содержание работы

Во введении раскрыта актуальность темы исследований в информационно-технологическом и экономическом аспектах; приведены основные сведения о работе; сформулирована цель исследований, результаты, обладающие научной новизной; положения, выносимые на защиту; структура диссертации.

В первой главе дан анализ проблемной и предметной областей исследования.

В диссертационной работе исследуется комплексная проблема повышения эффективности систем управления и решается задача повышения качества АСУ На предприятиях горно-металлургического комплекса путем системного использования последних достижений в области Теории управления и новейших информационных технологий.

Центральным звеном в комплексе исследований является разработка методологий оценки качества АСУ, условий использования методов прогнозирования, выявление проблемы повышения эффективности систем и разработки способов их решений на основе использования методов искусственного интеллекта;

За сравнительно короткий исторический период автоматизация на предприятиях горно-металлургических предприятий прошла путь от использования ЭВМ серии ЕС для решения организационно-экономических задач в пакетном режиме АСУ П и от аналоговых регуляторов в АСУТП до многоуровневых интегрированных систем управления на базе современных вычислительных систем, позволяющих осуществлять административно-экономическое управление совместно с управлением ТП. •

Дальнейшее развитие по разработке новых и модернизации существующих АСУ возможно на основе прогнозирования направлений их развития, которое осуществляется путем всестороннего ретроспективного анализа обследуемой АСУ и изучения общих тенденций динамики эффективности рассматриваемого класса систем управления.

Трудность оценки эффективности современных АСУ связана с тем, что в силу сложности и разнообразности конфигураций систем и объектов управления, состава системного и прикладного программно-информационного обеспечения, разнообразия технических средств, отсутствует единая концепция построения оценки и нет универсальных методов составления интегрального показателя их эффективности.

Задача поиска путей повышения эффективности СУ становится адекватной процедуре решения оптимизационной задачи нахождения экстремума обобщенного показателя качества, отождествляемого с целями функционирования системы.

Как правило, математическая модель, предназначенная для решения проблемы многокритериальности оценки, представляется кортежем:

ММ=(ц 5, и, Д В, <р), (1)

где ¡л—тип многокритериальной задачи; 5— множество оцениваемых систем; и — множество критериев, по которым оцениваются системы; Ь — множество отображений систем на числовую ось, заданных для каждого критерия 1!; В — система предпочтений ЛПР на множестве <р — решающее правило, задающее 5 отношение предпочтительности, удовлетворяющее В.

Наиболее сложным и ответственным этапом построения данной модели является определение решающего правила <р, которое закрепляет понятие «предпочтение» для сравниваемых систем.

Недостатками существующих методик определения НТУ являются многоступенчатость расчета обобщенного показателя качества системы через комплексные экономические и общесистемные показатели и условность перевода количественных характеристик в бальную шкалу. К тому же, они разработаны для оценки АСУ только на уровне отдельных предприятий и не носят обобщающий характер.

Наиболее приемлемым может быть статистический метод прогнозирования, основанный на дисперсионно-регрессионном анализе с использованием метода наименьших квадратов (МНК). Задача принятия решений (ПР) при планировании инновационных мероприятий в АСУ решается в условиях неопределённости и риска. Источником неопределенности является неполнота исходных данных, словесное описание целей, ограничений и условий качественного типа.

В этих условиях математическую постановку задачи принятия решений предлагается осуществить на основе теории нечетких множеств (НМ) и сформулировать следующим образом. Имеется множество альтернатив {а,, а2,..., ап}, каждая из которых характеризуется НМ {/лЛ (х)/х), полученным в результате опроса экспертов (х еХ, где X множество критериев выбора). Требуется определить множество оптимальных альтернатив {цв(1)/1}, где ¡.1а(1) может рассматриваться как степень соответствия альтернативы а. понятию «наилучшая альтернатива». Мв0) выражает субъек-

тивную степень уверенности эксперта в том, что данное конкретное значение базовой шкалы критерия выбора х соответствует определяемому НМ.

В данной работе исследуется также выбор инвестиционного проекта на основе метода анализа иерархий, который предполагает декомпозицию проблемы на более простые составляющие части и обработку суждений лиц, принимающих решения.

Проведенный качественный анализ показал, что процесс развития АСУ на многих металлургических предприятиях в последнее десятилетие носит выраженный экстенсивный характер: замена парка многотерминальных комплексов на персональные компьютеры или распределенные серверные системы, при сохранении прежних алгоритмов управления, не может принести существенный экономический эффект. Малоэффективной является замена аналоговых регуляторов на локальные микропроцессорные устройства или универсальные контроллеры без изменения принципов и законов регулирования.

Изменить эту ситуацию могут адаптивные и самонастраивающиеся системы. Однако, несмотря на огромное количество исследований и разработок в области методов и алгоритмов адаптивного управления, до сих пор не имеется достаточных примеров внедрения, которые «выжили» бы в конкуренции с традиционными контроллерами линейного регулирования.

Как правило, существующие детерминированные методы адаптивного управления предполагают наличие адекватной математической модели процесса, необходимой для синтеза системы. Проведенный анализ АСУ на предприятиях региона КМА позволил выявить проблемы, ограничивающие возможности применения этих систем для управления горно-металлургическими процессами:

- во-первых, получение адекватных моделей возможно лишь для объектов с несложной динамикой, для которых достаточно эффективными являются обычные ПИ- и ПИД-регуляторы;

- во-вторых, если удается создать адекватную модель, она оказывается жестко привязанной к множеству характеристик объекта, что создает проблемы её адаптации в изменяющихся условиях производства. Существует множество примеров, когда система, хорошо зарекомендовавшая себя на этапе внедрения, оказывается неработоспособной в процессе её дальнейшей эксплуатации;

- в-третьих, сложные математические модели требуют значительных вычислительных ресурсов, что является препятствием при управлении в реальном времени.

Одной из альтернатив традиционному подходу к построению адаптивных СУ в литературе предлагается идея инверсного адаптивного управления, согласно которой, объект, о структуре которого известны только довольно общие предположения, может воспроизводить задающее воздействие с достаточной для практики точностью, если регулятор имеет переходную функцию, обратную переходной функции объекта. При автоматизации горно-металлургических процессов для практической реализации этой идеи, способной удовлетворять перечисленным выше требованиям и повысить качество управления, предлагается использовать алгоритмы, основанные на искусственном интеллекте. Технология искусственного интеллекта (ИИ) включает в себя несколько направлений, моделирующих поведение человека; наиболее разработанными на сегодняшний день являются:

и

- нечеткая логика (НЛ);

- нейронные сети (НС);

- генетические алгоритмы (ГА); -экспертные системы (ЭС).

Исследования в области использования методов ИИ в задачах управления начались сравнительно недавно, а опыта применения этих технологий в управлении металлургическими процессами крайне мало.

В последнее время одной из самых активных и результативных областей исследований возможности применения теории нечетких множеств является нечеткое управление (НУ).

Обобщенная схема организации нечеткого регулятора, представлена на рис.1. В ней, путем последовательного преобразования с помощью функций принадлежности входных переменных в нечеткие значения, обработки их в соответствии с лингвистическими правилами из базы знаний, де-фаззификации и приведения к четкости, например центроидным методом (2), получают управляющее воздействие.

I лингвистические I переменные I

¡ нечёткие правила]

Блок. Блок Блок

фаззификацпи решения дефаззифнкации

Измеренные валивши

Управляемая . система

Выход . контроллера

Рис.1 Обобщенная структура нечеткого регулятора

w0 =

J w ■ ¡.iY,(w)dw Q

(2)

J /LtZ{\v)dw П

Несмотря на то, что исследования, связанные с нейронными сетями, ведутся ' достаточно давно, попытки использовать нейронные сети в качестве адаптивных регуляторов появились только в последнее время. При этом за основу обычно берется вывод о том, что нейронные сети в биологических управляющих системах работают в «-мерном фазовом пространстве, разбитом на некоторое число областей по критерию вида

e = min|imxFO//.(0,V/;-.-^í//0(0)},/-í^, (3)

где V)¡fi) ~x.(t)-g.(t) динамические ошибки ре!улирования; y@ft) - j-я производная от динамической ошибки; xfi) - текущее значение регулируемой величины; gt(t)- e£ заданное значение; F(-) - выбираемый функционал, характеризующий требования к системе регулирования.

Нейронная регулирующая структура рассматривается как нейронный классификатор и-мерного фазового пространства, а сам процесс регулирования сводится к необходимому изменению вектора, состоящего в каналах обратных связей.

Привлекательность НС в решений задач управления определяется в публикациях следующими свойствами:

- НСт— наилучший способ аппроксимации и экстраполяции функций (при наличии достаточного объема обучающей информации) из числа возможных;

- наличие множественных нелинейных функций активации в многослойной НС обеспечивает эффективную реализацию достаточно гибких нелинейных преобразований;

- в отличие от обычных адаптивных систем благодаря свойству обучения и самообучения, нейроконтроллеру не нужны результаты математического моделирования, т.е. нейросеть может работать в условиях существенной неопределенности;

- высокая параллельность НС является предпосылкой эффективной реализации аппаратной и программной поддержки нейросетевых контроллеров в контуре управления.

Использование генетических алгоритмов (ГА) позволяет решать оптимизационные задачи гораздо эффективней, чем все прочие методы (переборный метод, метод градиентного спуска и т.д.), особенно мультимодальные и многомерные задачи. В нем вначале генерируется случайная популяция нескольких особей по случайным наборам хромосом (числовых векторов), затем ГА имитирует эволюцию этой популяции как циклический процесс скрещивания особей, мутации и смены поколений (отбора).

Привлекательность использования экспертных систем (ЭС) в качестве интеллектуальной основы управления состоит в том, что не требует большого количества экспериментов для формирования базы знаний.

На рис.2 представлена типовая схема управления с экспертным регулятором (ЭР), в качестве которого используется ЭС.

т

-г

=^3=- Здесь ЭС производит оценку оперативного состояния системы в режиме Рис.2 Типовая схема с экспертным реального времени на базе информа-регулятором Ции от датчиков и выбор наиболее ра-

циональной стратегии управления с подбором характеристик и параметров управления. Такие ЭС в известной степени имитируют действия человека-оператора в условиях неопределенности характеристик объекта управления.

Проведенный анализ показал, что в решении задач управления организационными системами в металлургии России наблюдается возрастающий интерес к компьютерным интегрированным системам, так называемым ERP системам, способным обеспечить эффективное управление предприятием. Однако имеющийся опыт внедрения этих систем на нескольких металлургических комбинатах говорит о существенных проблемах, связанных с адаптацией этих систем к условиям российских предприятий. Причиной этого является то, что современные крупные ERP системы, как правило, опираются на жестко определенные модели Процессов, описанные с помощью детерминированных алгоритмов, и любые колебания внешних и внутренних факторов требуют постоянной и довольно существенной их перестройки. Введение интеллектуальных модулей, обладающих адаптивностью, в такие подсистемы как «Финансы и бухгалтерия», «Снабжение и сбыт», «Ремонты и техобслуживание», требующие наибольших усилий при настройке, могло бы быть эффективным и целесообразным.

Полученные за последние годы научные результаты и накопленный некоторый практический опыт по использованию методов искусственного интеллекта для решения задач управления убеждают в перспективности этого направления. Однако отсутствие единой обобщающей методологии разработки подобных систем, в части их моделирования и определения интеллектуальной основы, существенно затрудняет инженерную реализацию и сдерживает активное внедрение.

Обобщая вышеизложенное, можно отметить, что исследования, направленные на решение задачи повышения качества и эффективности систем управления в металлургии, должны включать решение следующих задач:

1. Разработку методологии исследований и оценки качества АСУ, в том числе:

- разработку метода оценки НТУ и построения прогностической модели с учетом общих закономерностей эволюции систем данного класса с использованием информационных критериев оценки ее параметров в условиях неполноты и нечеткости представляемой априорной информации, опираясь на принцип максимума неопределенности;

- формирование концепции разработки математических моделей и алгоритмов выбора инновационных проектов АСУ на основе теории нечетких множеств и анализа иерархий по множеству критериев с учетом экономической целесообразности;

2. Исследование, на основе всестороннего анализа и обобщения опыта разработок и создания различных систем управления с использованием методов искусственного интеллекта, методологии построения адаптивных систем, включая создание:

- обобщенной информационно-статистической модели, позволяющей в условиях отсутствия формализованного описания объекта управления сформировать вектор его входных-выходных переменных, что, в свою очередь, позволит разработать информационный портрет «интеллектуального контроллера»;

- методики определения, на основе теории и принятия решений, интеллектуальной основы контроллера из числа существующих методов представления знаний, позволяющую получать достаточно простые и дешевые инженерные решения при построении адаптивных систем управления;

3. Разработку и исследование способов практической реализации интеллекту ального управления и получение подтверждения их эффективности на конкретных технологических процессах и производствах предприятий горно-металлургического комплекса.

Вторая глава диссертации посвящена разработке и исследованию теоретических положений формирования методов оценки эффективности и построения прогностических характеристик развития АСУ, созданию математического аппарата принятия решений по выбору инновационных проектов на основе теорий нечетких множеств и анализа иерархий, исследованию методологии построения адаптивных систем на базе создания обобщенной информационно-статистической модели интеллектуального контроллера и разработки метода представления его базы знаний на основе поиска решений в пространстве состояний и целей.

Неопределенность задачи оценки эффективности АСУ, связанную с ограниченным объемом исходной информации, предлагается преодолеть с помощью информационно-статистического подхода в соответствии с концепцией принципа максимума неопределенности, который позволяет из множества распределений случайных

величин (в решаемой задаче в качестве них рассматриваются частные показатели качества (ЧПК) АСУ на периоде ретроспекции), выбрать распределение, обладающее наибольшей неопределенностью, мерой которой может быть энтропия Шеннона:

Н(х) = -^Рк(х)\пРк(х) (4)

При решении задачи сравнительной оценки НТУ сложной АСУ выделяются следующие этапы:

1) формирование морфологической таблицы ЧПК АСУ;

2) рекорреляция взаимозависимых ЧПК;

3) преобразование ЧПК к безразмерному виду и определение соответствующих вероятностных мер;

4) расчет весовых коэффициентов ЧПК;

5) расчет и анализ обобщенного показателя НТУ системы после всех имевших в ней место модернизаций.

В формализованном виде исходная информационная ситуация представляется в виде морфологической таблицы (табл. 1), в которой т состояниям системы С. ставится в соответствие ряд п ЧПК П1, имеющих количественное или качественное выражение .АГ..

Табл. 1 Морфологическая таблица ЧПК АСУ

Состояния системы

по этапам модернизации

с, с? с, • •• Ст

Х„ Х,2 Хц Х/т

щ X„ Хц Х2т

п, Х>, Ха Хц х,т

п„ х„, Х„2 Хп! у лпт

После рекорреляции взаимосвязанных элементов количественные показатели нормализуются, что обеспечивает их однородность и позволяет перейти к нахождению вероятностных мер Р , определяющих «рейтинг» состояний АСУ на периоде ретроспекции с использованием гипернормального распределения. Для качественных показателей предпочтительность состояний системы задается с помощью рангов или баллов, а соответствующие им вероятностные меры

Р;,=

т

-7+1

У ХаЛт-] + \)

(5)

гдеу - ранг состояния системы в общей совокупности состояний после проведенных модернизаций; а - степень его кратности, определяются на основе принципа максимума неопределенности.

Значения показателей НТУ, рассчитанные для всех модернизаций

где г,—весовые коэффициенты ЧПК, можно рассматривать как выборку из неизвестной генеральной совокупности состояний.

Предложенная методика может быть применима как к АСУ в целом, так и к её отдельным частям и подсистемам и к отдельным видам обеспечения. Показатели могут характеризовать различные системы в зависимости от их типа и уровня, быть более или менее укрупненными (единичными, комплексными, обобщенными).

Возможности прогнозирования процесса развития АСУ металлургического производства определяются, прежде всего, характером детерминации законов их развития. Исходный класс пробных функций, приемлемых для прогнозирования, может быть значительно сужен с учетом общих закономерностей развития сложных технических систем, к которым относятся современные промышленные АСУ.

На основе проведенного мониторинга и анализа тенденций развития АСУ горнометаллургических предприятий за основу математического описания процесса изменения НТУ сложных систем управления предлагается взять 5 образную логистическую модель, график которой (рис.3) имеет три периода. Начальный период I мед ленного роста НТУ системы связан с освоением новых программно-технических средств и информационно-технологических ресурсов. Средний период II быстрого роста НТУ обусловлен их интенсивным использованием. Заключительный период III асимптотически замедленного роста НТУ обусловлен конечностью числа неавтоматизированных задач и, как следствие, исчерпанием возможностей системы управления к совершенствованию в результате проведённых модернизаций.

Точность прогноза обеспечивается адекватностью математической модели прогнозируемому процессу и точностью оценки ее параметров. Для оценивания параметров предварительно линеаризованной прогностической функции в работе используется МНК с применением оценок Е.Родса и К. Нейра.

С целью получения более точного про-w(t)i гноза предлагается использовать инфор-

мационные критерии. При этом показателю НТУ сложной АСУ придаётся вероятностное содержание: ж = w(t+i) - вероятность того, что НТУ системы после /-ой модернизации примет значение W. = W(t+i). Так как истинное значение w. неизвестно, состояние системы с НТУ, равным W(t+i), оценивается величиной ну,

Рис.3 Общий вид логистической кривой

соответствующей действительному значению показателя качества системы после /-ой модернизации.

Неопределённость знания о состоянии системы оценивается функцией неточности Бонгар да:

h

Г-w\

к

■■- ]Г Wj-lnwi i = 1

(7)

Если в качестве меры неопределённости использовать энтропию Шеннона, задача оценивания параметров прогностической модели сводится к минимизации функционала неточности:

к к

£ ну 1п 11'; - Е 1п П'1 /=1

/=1 VI • (8)

Сопоставление значения НТУ АСУ, достигнутого после последней модернизации, с его предельным значением 1¥п;хд (1), соответствующим полному исчерпанию системой своих возможностей, позволяет судить об имеющемся резерве модернизации и наиболее перспективных ее направлениях. Вероятностная оценка резерва модернизации

(г , _»'„(")

" )■ • (9)

Близость полученного значения функции к нулю свидетельствует о том, что возможности дальнейшей модернизации исследуемой АСУ на основе тех принципов, которые были реализованы ранее, практически исчерпаны, и для повышения эффективности системы следует заменить ее новым, более совершенным аналогом.

Разработанная в диссертации методология выбора наилучшего инновационного проекта АСУ составлена с использованием методов теории нечетких множеств и включает следующие этапы:

1. Построение функций принадлежности критериев инновационных проектов АСУ на основе экспертного опроса специалистов.

2. Составление нечетких множеств для рассматриваемых критериев, включающих анализируемые альтернативы:

Т11 = ''Я/ =МРЛ)/РЛ +/'(р(-2)/р/2 +-+МРу)'Рц +...+р(р1п1)/Р1т . (Ю)

3. Определение весовых коэффициентов критериев путем вычисления вектора приоритетов.

4. Формирование множества оптимальных альтернатив В:

/(£г(Су)=пш//Я((СД (П)

Лучшей альтернативой является С, для которой:

//д(с*) = тах^(с,). (12)

В диссертации представлена также методика решения задачи выбора наилучшего варианта совершенствования АСУ на основе метода анализа иерархий.

Построение иерархии начинается с определения цели совершенствования АСУ в целом, отдельных видов ее обеспечения или отдельных подсистем (вершина иерархии). Промежуточными уровнями иерархии являются обобщенные и частные показатели качества АСУ. Самый нижний уровень формируют варианты совершенствования АСУ С (рис. 4).

Алгоритм иерархического синтеза наилучшего инновационного проекта АСУ, составленный на основе использования методологии, включает три шага:

1. Определение множества векторов приоритетов альтернатив

~{1РС<1,1ГС«,...,1ГС~У ' IVе :

5 Р^ рЗ Р^ рассматриваемого множества проектов (рр относительно элементов Ру предпоследнего уровня иерархии (¡ = я).

1?Г 4- р- р!

£ Р3 'Л

ш..... м/ К УК'

ментов

2. Определение множества векторов приоритетов эле-

ТУГ = П¥р. }

' для определения впоследствии век-

торов приоритетов альтернатив относительно всех элементов иерархии путем обработки матриц попарных

сравнений собственно элементов .

3. Иерархический синтез путем последовательного определения векторов приоритетов альтернатив относительно

п'

элементов Ру, находящихся на всех иерархических уровнях с гг„С „,с

№

Рис.4 Структура иерархии показателей качества системы

1

р!-1 р1-

■1'

V

(13)

'Г г2

Предлагаемые методики принятия решений по выбору наилучшего инновационного проекта позволяют учитывать любые показатели АСУ-функциональные, обеспечивающие, экономические, социальные и т.д.

В главе предст авлены результаты апробации разработанной методологии и технологии определения перспективных направлений и вариантов модернизации АСУ на предприятиях Курской магнитной аномалии, например, результаты анализа уровня программного обеспечения АСУ сортопрокатного цеха№1 (СПЦ-1) ОЭМК позволили установить наличие резерва (его вероятностная оценка составила 0,67) и определить перспективные направления дальнейшего совершенствования системы управления на основе построения кортежа предпочтительности ЧПК.

Состоятельность методологии принятия решений на основе теории нечетких множеств и метода анализа иерархий была подтверждена анализом развития АСУ электросталеплавильного цеха №2 (ЭСПЦ-2) ОЭМК и ИАСУ СГОК. В обоих случаях опробование осуществлялось по ретроспективной информации о развитии этих систем.

Проведенные исследования по оценке развития научно-технического уровня и анализ инновационной деятельности в области АСУ предприятий горно-металлургического комплекса региона КМА показали наличие выраженного насыщения этих характеристик, что, в свою очередь, еще раз подтверждает необходимость качественного совершенствования систем управления на основе разработки методов и способов интеллектуального управления.

В основу построения обобщенной модели адаптивного интеллектуального управле-" иия предлагается взять идею «инверсно-прямого» управления. Для этого предлагается ввести понятие «интеллектуальный контрол-

управления лер>> (ИК) (рИС. 5).

Если обозначить соответствие между входом и выходом как у =/(и), то ИК должен реализовать обратное отображение:

ИК ОУ

опорный вход выход

сигнал

Рис. 5 Схема «инверсно-прямого»

и -/'(у).

Тогда, если подать на ИК опорный сигнал г, то выходной сигнал объекта управления у принимает значение /-, т.к.

у=/(и)=и=/(/-<(г))~г, где и - входной сигнал объекта управления, соответствующий опорному сигналу г, а у- выходной сигнал, соответствующий н.

Таким образом, задача реализации управления сводится к разработке интеллектуального контроллера, наиболее точно отображающего динамическую модель объекта.

В случае, когда математическая модель объекта отсутствует, предлагается использовать информационно-статистический метод, исходя из предположения того, что принятие решений в АСУ—это выбор управляющего воздействия, обеспечивающего наиболее эффективное достижение целей управления. В результате такого выбора, с точки зрения теории информации, энтропия исходного состояния системы уменьшается на величину информации, обусловленную принятием решения по этому выбору.

В терминах теории информации задача принятия решений по определению характеристик интеллектуального контроллера может быть сформулирована следующим образом: зная значение выходной переменной у на основе информационной модели объекта определить такие выходные характеристики ИК, которые с учетом актуализированного состояния объекта и влияния внешней среды с наибольшей эффективностью приведут объект в целевое состояние.

При отсутствии аналитической модели объекта вначале строится обобщенная информационная модель абстрактного характера. Затем на основе информации о реальном поведении объекта её энтропия понижается. Обобщенная информационная модель конкретизируется и адаптируется, т.е. выстраивается взаимосвязь между выходными и входными переменными объекта и разрабатываются алгоритмы формирования управляющего воздействия. Затем синтезируется информационная модель ИК, эффективность которого сравнивается с требованиями информативных показателей объекта.

После оценки степени адекватности разработанной модели интеллектуального контроллера принимается решение по формированию его функциональной структуры на основе одного из существующих методов искусственного интеллекта. Исходную информацию, описывающую состояние объекта как результат статистического анализа его поведения, представляют в таблично-матричной форме табл.2, в которой столбцы отражают состояние объекта, а строки—кортеж воздействий на объект.

Табл. 2 Статистический анализ состояния объекта

Воздействия Состояния объекта Суммарная мощность воздействия

1

1

Степень определенности состояния объекта су! СТ

Элементами матрицы являются частные критерии jj, отражающие влияние /-го

воздействия на переход объекта ву'-е состояние.

В соответствии с мерой целесообразности информации, определенной A.A. Харкевичем на основании апостериорного подхода,

j{ = log2(/>//W), (14)

где pJ - вероятность перехода объекта в j-e состояние под влиянием /'-го воздействия, pj - вероятность случайного перехода объекта в j-e состояние.

Для практического определения значений Р-* и pj, используемых для вычисления информационных оценок, предлагается воспользоваться корреляционной матрицей табл.3, которая заполняется методом прямого счета на основе экспериментальных производственных данных, содержащих информацию о том, какие воздействия имели место, когда объект переходил в те или иные состояния.

Табл. 3 Корреляционная матрица объекта

Подставив в (14) значения р/ и pj, рассчитанные из корреляционной матрицы по формулам pJ.=NJ'/N и p.J = / Nj, получим:

J{ = bg2(( A///N)/(Ni /Л'Л) (15)

где N- общее число зарегистрированных воздействий.

Предложенная модель обеспечивает отображение динамических взаимосвязей между входными воздействиями на объект, состояниями и выходными переменными.

Более конкретно это отображение может быть представлено «профилем» воздействий и состояний. Профиль г'-го воздействия - строка матрицы информативностей табл.2, в которой отображается, какое количество информации о переходе объекта в каждое из возможных состояний содержится в факте, что данное воздействие состоялось. Профиль j-ro состояния - столбец матрицы, в котором отображается количество информации о переходе объекта в данное состояние при каждом воздействии.

Данная модель позволяет оценивать поведение объекта при воздействии на него не только одного, но и целой системы выходов ИК:

■ 4=/&/). ei«)

т.е. скалярная функция является интегральным критерием векторного аргумента.

Задача состоит в выборе такого аналитического вида интегрального критерия, который обеспечил бы эффективное решение задачи управления. Учитывая, что частные критерии (14) имеют смысл количества информации, а информация по

Воздействия Состояния объекта Сумма

J

i »{

Сумма NJ N

определению является ад дитивной функцией, предлагается ввести интегральный критерий как аддитивную функцию от частных критериев:

4=(7/\Г.), (17)

где 1/ ~

— профиль состояния объекта,

L, J—профиль текущего состояния объекта (массив-локатор), т.е.

к

11, если воздействие есть [О.если воздействия нет

В многокритериальной постановке задача прогнозирования состояния объекта при оказании на него многофакторного управляющего воздействия Ц сводится к максимизации интегрального критерия:

j0 = arg max( jf .!/) _ (18)

JGJ

Задачу по представлению информационной модели ИК предлагается рассматривать как обратную по отношению к задаче максимизации интегрального критерия объекта, т.е. необходимо по заданному целевому состоянию объекта управления определить такой набор входных сигналов ИК, который с наибольшей эффективностью привел бы объект к этому состоянию. Для этого предлагается сформировать информационный портрет ИК в виде такой же, как табл.2 матрицы, но только теперь в качестве строк выступают целевые задания на управление, которые соответствуют целевому состоянию объекта, а в качестве столбцов выходные сигналы контроллера, т.е. управляющие воздействия. Тогда, проведя аналогичные вычисления (14)-(18), по информационному портрету ИК получим информационную оценку эффективности работы контроллера.

Процесс заполнения корреляционной матрицы адекватен формированию базы знаний экспертной системы при разработке продукционных или лингвистических правил, формированию базы правил при выборе характеристик входных и выходных термов нечеткого управления или формированию обучающей выборки при автономном обучении нейронной сети.

В этом случае частные критерии j", отражающие реакцию и интеллектуального контроллера на изменения задания г, будут иметь вид:

Jur = log2 ((N1,! l N) /(Nr /N")). (19)

И, соответственно, интегральный информационный показатель определяется как

jk= arg тах( 7?, L,.)

Таким образом, сравнивая значения интегрального показателя информативности управляемости объекта j0 и информативной эффективности работы контроллера jf., можно судить об эффективности решения задачи управления системы в целом.

Более детально эффективность управления можно оценить, сравнивая информативное содержание профилей заданий на управление и состояния объекта при реакции системы на эти задания. Д ля этого предлагается вычислить ковариацию между профилями, которая количественно измеряет Степень их сходимости:

7" — средняя информативность по профилю задания;

£ — среднее по профилю состояния;

— среднеквадратичное отклонение информативности по профилю состояния объекта;

сгг—среднеквадратичное отклонение информативности по заданию контроллера.

Предложенный метод интегральной оценки эффективности интеллектуального управления позволяет в условиях отсутствия математической модели объекта провести оценку эффективности управления путем Информационного прогнозирования реакции объекта на изменение заданий на управляющее воздействие, выбрать наилучший вариант реализации ИК и оптимизировать его характеристики.

Выбор способа представления знаний определяется характером задачи, сложностью и динамикой объекта, возмущающими воздействиями и т.п. В значительной мере выбор метода представлений знаний в интеллектуальном контроллере является эвристической задачей, основанной на опыте разработчиков подобных систем.

В связи с этим определение интеллектуальной основы контроллера предлагается осуществлять путем поиска решений в альтернативных пространствах состояний с использованием элементов нечеткого выбора, в котором вершины графа соответствуют состояниям решения частных задач, а дуги — этапам решения задачи.

Формальное представление задачи может выглядеть следующим образом.

Пространство состояний представляется кортежем [А, В, С, АВР, АВН, АВК, АВ 8] со следующими обозначениями: А — множество вершин графа или состояний в процессе решения задачи; В — множество дуг между вершинами с соответствующим шагом в процессе (описывается множеством мнений эксперта); С — множество целевых состояний.

При этом все множество пространства состояний разбивается на частично пересекаемые подмножества выбора:

АВР — подмножество выбора ПИД-регулятора;

АВН — подмножество выбора нечеткого управления;

АВЫ— подмножество выбора нейроуправления;

АВБ — подмножество выбора экспертного управления.

На рис.6 представлены четыре взаимопересекающиеся области, определяющие шаги по принятию того или иного решения для достижения целевого состояния.

А

(21)

где : А — количество управляющих воздействий в профиле; /у — средняя информативность по профилю состояния объекта;

\ Ьг» ■

- ■ Ьг

С

ABN

Методика поиска решений разработана на основе опыта построения автором на предприятиях региона КМА ряда систем интеллектуального управления. Она позволяет принимать обоснованные решения по выбору интеллектуаль-ч ной основы контроллера.

Опыт разработки и внедрения интеллектуальных автоматизированных систем (ИАСУ) показал, что ^ наиболее перспективным является ^ интегрированный подход, когда ИАСУ, технологический процесс и ОУ проектируются совместно, что позволяет существенно упростить и улучшить ИАСУ путем видоизменения уже существующих схем ТП, и улучшить сам объект управления. Интегрированный подход может использоваться и в условиях действующих производств посредством модернизации существующих систем управлешм за счет создания интеллектуальных надстроек.

В этом случае задача управления ТП решается интеллектуальной надстройкой, вырабатывающей задания на режимные координаты с целью оптимизации глобального критерия управления, а локальные задачи регулирования режимных координат решаются подсистемами или субсистемами. При этом субсистемы должны обеспечивать максимально возможное подавление возмущающих воздействий и представлять собой следящие системы относительно задания — управляющих воздействий для входных координат ОУ, причем интеллектуальная надстройка может формировать задания нескольким локальным субсистемам.

Обобщенная схема функционального взаимодействия основных частей ИАСУ (субсистемы локального управления, управляющей интеллектуальной надстройки объекта управления и человека-оператора) представлена на рис.7.

4 . ABS

Рис. б Алгоритм поиска решений в пространстве состояний

Рис. 7 Функциональная схема ИАСУ

Основные информационно-управляющие функции возлагаются на интеллектуальную надстройку ■— интеллектуальную систему управления (ИСУ), которая формирует вектор заданий ( ) для локальных систем управления (ПСУ), работающих в условиях воздействия вектора возмущений

f на систему в целом. За человеком-оператором остаются функции контроля и универсального резервирования.

При решении задачи интеллектуализации на локальном уровне предлагается интеллектуальный контроллер представить в виде двух контурной структуры, состоящей из априорной модели объекта и модуля интеллектуальной коррекции (рис.8).

Здесь обозначены: /-(/) - задание; U(t) - управляющее воздействие; y(t)- действительная входная величина; y(t) - оценка входной величины, e(t) - ошибка моделирования; e/t)-ошибка в реальной работе; K(t)- вектор корректирующих коэффициентов.

Наличие априорной модели объекта позволяет сузить задачу оптимизации и тем самым обеспечить работу системы в реальном масштабе времени. Это особенно важно для моделей на генетических алгоритмах и нейронных сетях, где сложнее обеспечить время сходимости, необходимое для получения качественного переходного процесса в системе.

Модуль интеллектуальной коррекции осуществляет адаптацию системы в оперативном режиме, обеспечивая максимальную идентификацию процессов, происходящих на объекте управления.

В работе предложены варианты последовательного, параллельного или с самонастройкой подключения ИК в зависимости от условий его использования.

Для решения задач по принятию инновационных решений в условиях интеллектуализации управления разработана интегральная информационная система (ИСПР).

Основное отличие предлагаемой ИСПР (рис.9) от традиционных компьютерных систем принятия решений заключается в том, что в процессе ее функционирования синтезируются формальные модели предметной области, которые используются в выработке наиболее рациональных решений; система содержит знания более высокого уровня, отражающие основные закономерности предметной области. Она содержит подсистему моделирования и расширенный состав БЗ, включающий средства информационной поддержки построения формальных моделей с целью повышения уровня интерпретации имеющейся информации.

Подсистема моделирования объединяет имеющиеся в БЗ разнотипные частные модели в общую многоуровневую модель исследуемой системы с учетом информации, извлекаемой из БД, и в соответствии с правилами, введенными в БЗЛПР.

Рис. 8 Функциональная схема интеллектуального контроллера

Источники данных

Эксперты

Технический персонал АСУ

Информ ацио нны е системы операционного уровня

Техническая документация

Базы данных АСУ и АСУТП

Показания приборов и _датчиков_

с)

База данных 1 Программная | подсистема *- База знании

СУБД СУБЗ Морфологические таблицы показателей качества АСУ

Показатели

Параметры СОСТОЯНИЯ внешней деловой среды Подсистема моделирования Иерархии показателей качества АСУ

Система управления интерфейсом Функции принадлежности

Модели

Критерии выбора проектов г Модели \ логистических функций

Характеристики и параметры объекта управления Модели принятия решений

I рафическии интерфейс Информация статистической модели

ЛПР

Рис. 9 Структура информационной системы принятия решений по выбору инновационного проекта АСУ е условиях интеллектуализации управления

В третьей главе представлены материалы исследований по практической реализации разработанной методологии интеллектуального управления отдельными технологическими операциями с использованием различных вариантов сочетаний детерминированной и нечеткой составляющих алгоритмов.

Показано, что основной проблемой на пути широкого использования этого аппарата управления являются сложности, возникающие при разработке и построении функций принадлежности, формировании баз знаний и предложены способы их преодоления.

Например, цель совершенствования системы управления МНЛЗ - повышение точности под держания уровня металла в кристаллизаторе, являющемся определяющим

фактором качества разливки металла. Исследования проводились в сравнении с существующей системой детерминированного ПИД-* регулирования, реализованной с применением микроконтроллеров «Эмикон-3000». Нечеткий регулятор представляет собой нечеткую экспертную систему (рис. 10), состоящую из фаз-Рис. 10 Схема управления кристаллизатором на базе зификатора, блока правил И нечеткой логики дефаззификатора.

В системе используются три переменные:

е(1) — ошибка (рассогласование выходной величины и задания) -лингвистичес-МО

кая переменная ^ — скорость изменения ошибки - лингвистическая переменная и — управляющее воздействие -лингвистическая переменная >>.

Матрица нечетких ассоциаций (табл. 4) была разработана на основе общеинженерных представлений и опыта технологического персонала МНЛЗ.

Табл. 4 База правил

Каждая группа элементов в матрице задает одну нечеткую ассоциацию или одно правило, указывающее, как следует изменить управляющую переменную, например, правило, отмеченное в таблице звездочкой, звучит так: «если отклонение входной величины (ошибка) положительно малое, а скорость отклонения близка к нулю, то шибер нужно медленно прикрыть». На рис.11 представлены функции принадлежности переменных^, Х2а У.

Х2

N г р

N8 ОР ОР ОР

X, КМ ОР ов 08

ъ ов ъ се

РМ СБ ся* СР

РВ СР СР СР

Рис. 11 Функции принадлежности для переменной: а)Х3 б) Х2 в) У

Степень перекрытия функций установлена в работе равной 30%. Исследования показали, что при большем перекрытии теряется градация между величинами, а при уменьшении перекрытия возникает вероятность «двузначности» управления, что ведет к перерегулированию.

Нечеткий регулятор позволил уменьшить время регулирования до 5-6с. против 10-12с. при детерминированном регулировании, что, в свою очередь, позволило повысить стабильность уровня металла в кристаллизаторе, о чем говорят сравнительные характеристики результатов работы регуляторов в установившемся режиме при воздействии 20%-й помехи, приведенные на рис. 12.

(I), оптимального ПИД-регупятора (2), системы с нечетким логическим регулятором (3).

В системе управления процессом обжига сырых окатышей нечеткая система управления решает задачу формирования уставок локальным детерминированным регуляторам, работающим в режиме стабилизации параметров. Главной задачей управления технологическим процессом обжига окатышей является поддержание такого заданного графика распределения температуры по длине машины, при котором достигается необходимое качество окатышей. В силу сложности и многомерности оптимально вести процесс могут только высококвалифицированные операторы, опираясь на большой опыт практической работы и интуитивные представления о состоянии объекта. Они могут правильно задать значения управляющих воздействий, при которых достигается требуемое качество выходного продукта и минимизация расхода энергоносителя.

Основу теоретической составляющей части математического обеспечения представляют модели, описывающие статику и динамику теплообмена в дисперсном слое. При этом максимизация производительности обжиговой машины, может быть сформулирована следующим образом:

иЭП^тах;0Т<СТП;0э<01т

где Стп, Оэп, — предельно допустимые значения расхода топлива, электроэнергии и температуры материала; с^ — предельно допустимая плотность потока тепла; 1ШС — минимально допустимая температура обжига окатышей; ¡то— максимально допустимая температура обжиговой тележки.

С учетом разработанных математических моделей и необходимости идентификации значений ряда входящих в них величин был определен необходимый набор сигналов для построения входного базиса нечеткой системы. : -

В качестве функций принадлежности для"фаззификации использованы трапециевидные, а для дефаззификации - треугольные неравноточные функции.

На рис. 13 показано сравнительное дисконтированное распределение температуры нижних участков слоя окатышей по длине обжиговой машины ОК-ЗОб Лебединского ГОКа. Применение нечеткого регулятора (кривая 2) в условиях изменения свойств ис-

Длина обжиговой машины.м

ходного сырья (влажности, диаметра окатышей, порозности слоя) и технологических факторов (распределения й турбулентности газовых потоков, толщины постели, прочности на сжатие и др.) позволяет существенно (на40-50%) снизигь дисперсию по сравнению с существующей технологией управления (кривая1), что является основным источником повышения качества продукции и ^ уменьшения расхода энергоносителей. Кроме того, сужение пределов

Рис. 13 Распределение температуры по длине, колебания Величин Позволяет СДВИ-обжиговой машины в режиме детерминированного (7^П1ТЬ ИХ Средние Значения В нужном и нечеткого (2) управления направлении без опасности выхода

за ограничения.

Основной задачей АСУ процесса мокрого помола руды в барабанных мельницах явилась оптимизация режимов работы оборудования при соблюдении баланса между увеличением выхода качественного продукта и работой мельницы в режимах, не входящих в область критических значений.

Внутримельничное заполнение С^ связано с мощностью, потребляемой приводным электродвигателем Рм (рис. 14), и имеет экстремальный характер.

Поддержкой оптимальной мощности двигателя можно обеспечить выполнение условия максимальной производительности.

Отсутствие и невозможность построения достаточно полной математической модели создало благоприятные условия для использования интеллектуальной нечеткой экспертной системы, опирающейся на квалификацию операторов.

В нечеткой системе в качестве входных переменных использовались пзмельчае-мость и крупность руды, а в качестве выходных — расход воды в мельницу и активная мощность мельницы. Кроме того, в системе осуществляется корректировка выходных величин «мощность» и «расход воды» с помощью нечеткой подсистемы «коррекция», где выходными переменными являются плотность пульпы; изменение циркуляционной нагрузки; изменение расхода руды.

Функции принадлежности переменных «измельчаемость руды», «крупность руды», «плотность пульпы» и «расход руды» имеют гауссово распределение, а переменных «мощность привода мельницы» и «расход воды» — равноточное треугольное. Результаты технико-экономического анализа показали, что введение второго уровня нечеткого управления позволяет повысить производительность мельницы по исходной руде на

Рис. 14 Зависимость величины внутримельничного заполнения от мощности привода

5 -=- 7 % при одновременном сокращении уделышого расхода электроэнергии на 4 % на тонну сырья и повышение извлечения полезного продукта из исходного сырья на 3 -ь 5 %.

Задача автоматизации процесса окамкованш концентрата в чашевых окомкова-телях осложняется тем, что он протекает в сложной взаимосвязи качества сырья, его влажности, угла наклона чаши и скорости её вращения. Задача заключается в достижении максимальной производительности агрегата при максимальном соотношении годная фракция/реметы.'Все зависимости и взаимосвязи описаны лишь качественно.

Предложенная база знаний содержит результаты многочисленных опытов и коллективные знания многих операторов, что, в силу концентрации знаний и их синергизма, по оценкам специалистов, должно дать не менее 8 % увеличения производительности и повысить качество окомкования.

По результатам исследований по практическому применению разработанной методологии путем реализации интеллектуального управления на основе нечетких алгоритмов можно сделать следующие выводы:

1. Наибольшая эффективность и повышение качества управления достигается в тех случаях, когда интеллектуальный контроллер выступает как альтернатива существующей системе ПИД регулирования в условиях значительных (превышающих 20 % уровень) помех и возмущений, характер воздействий которых может быть описан в базе лингвистических правил.

2. Применение нечеткой системы в качестве интеллектуальной надстройки целесообразно в тех случаях, когда детерминированная система управления работает в условиях активного участия оператора по изменению уставок и вариабельности коэффициентов ПИД-регуляторов, чем обеспечивается адаптивность управления.

Четвертая глава посвящена исследованиям разработок методов реализации интеллектуального контроллера на основе использования многослойных нейронных сетей с учетом особенностей его применения для управления объектами и технологиями горно-металлургических производств.

При разработке системы нейроуправления конкретными технологическими объектами потребовалось проведение системных исследований и экспериментов, направленных на решение следующих проблем:

- выбор структурной схемы нейроуправления, исходя из целей управления и исходного уровня автоматизации;

- выбор структуры НС, исходя из сложности решаемой задачи;

- выбор функции активации в скрытом и выходном слоях сети;

- определения числа входов и выходов сети из условий задачи и характеристик динамики объекта;

- определение оптимального количества нейронов и слоев;

- выбор эффективного метода обучения сети;

- формирование обучающей выборки для проведения автономного обучения сети;

- определение целевой функции обучения;

- решение вопроса целесообразности использования нейроэмулятора ОУ и определения его характеристик;

- оценка эффективности оперативного обучения сети по точности регулирования, скорости сходимости и остаточной ошибке.

/' = о, л - 1 >

Исследования этого комплекса проблем при решении задач управления металлургическими объектами показали, что хотя основные агрегаты в металлургии имеют достаточно большие временные константы, качество переходной характеристики во многом определяется скоростью сходимости сети. В связи с этим, в работе предложен метод ускорения процесса обучения, основывающийся на разделении понятий дискретизации процесса и частоты обучения.

Идея состоит в том, чтобы, используя задержанные сигналы предыдущих циклов, за период дискретизации провести несколько обучающих итераций. При обучении минимизируется ошибка:

1 Г»-1 I2

£(') = - I А-СК'-О-лС-'"))

где у(г) — текущий выходной сигнал; у1 — значение выходного сигнала на /-ой итерации; п — число итераций;

Г ¿0 > 1

"I Я,->0 —невозрастающая положительная последовательность, предназначенная для определенного «забывания» образцов, полученных ранее.

Исследования проводились на инверсно-динамической схеме нейроуправления с нейроэмулятором и нейроконтроллером.

Объектом являлась модель нагревательной печи, описываемая уравнением:

МО /(О с0Тс°-}Ц)

Л

/(О | срТс С ДС

т

где у(0 — выходная температура;

/(1) — количество тепла от нагревательных элементов;

Тс"—температура окружающей среды; С—теплоемкость печи;

Я — тепловое сопротивление кладки и футеровки печи.

Решалась задача стабилизации температуры на трех уровнях 80°, 120° и 160°С. Исследовалась трехслойная сеть, в которой число нейронов в скрытом слое варьировалось с 8 до 20 и по условиям сходимости было оптимизировано на 16.

На рис. 15 представлены зависимости скорости обучения контроллера от частоты дискретизации. Наблюдается ожидаемое ускорение обучения при увеличении частоты дискретизации. При этом установлено, что при достижении периодов Т=10с и

\

" " ~ . . ур^

Рис.15 Нейроконтроллер со случайной инициализацией, выполняющий обучающую

итерацию за период дискретизации 1)Т—ЗОсек, 2)Т-20сек, 3)Т=10сек, 4)Т=5сек.

Т=5с скорость обучения практически уже не изменяется при существенном уменьшении среднеквадратичной ошибки. При практической реализации были исследованы различные варианты и способы построения схем.

Разработанная методология, принципы управления, правила формирования алгоритмов и т.п. были исследованы, подтверждены и показали свою эффективность на целом ряде конкретных реализаций, примеры некоторых из них рассмотрены ниже.

В системе управления температурным режимом получения металлизованных окатышей нейроуправление было реализовано, как альтернатива существующей системе детерминированного регулирования, реализованной на контроллере Бипа^с 100. Определяющим фактором работы установки металлизации, обеспечивающим основные входные показатели -— степень металлизации (как процент соотношения Реми./Реобщ), содержание углерода и производительность печи, является сохранение стабильных значений температуры восстановительного и колошникового

газа. Установка работает в условиях М ' К стохастичности влияния целого ряда

возмущений, поэтому оптимизировать процесс удается лишь благодаря искусству оператора-газовщика. Обучение нейросети проводилось по обучающим образцам, снятым через каждые 5 минут во время запуска установки в течение 6 часов.

В результате оптимизации структуры нейросети была получена схема, представленная на рис. 16. Эффективность работы нейроуправления была проверена в сравнении с работой существующей системы регулирования, при котором вносилось искусственное возмущение по производительности печи каждые шесть часов работы установки в пределах + 10% (рис. 17а).

На рис. 176 и 17в представлены сравнительные характеристики регулирования. Наблюдается улучшение качества переходных процессов при нейроуправлении объектом с более быстрой адаптацией системы к изменениям входных координат, что способствует уменьшению расхода природного газа не менее, чем на 4%.

Нейросетевое управление обжиговой печью реализовано в виде интеллектуаль-. ной надстройки формирующей уставки локальным регуляторам, осуществляющим управление по:

У1 — открытию шламового шибера (<р,%)

У2 — открытию шибера дымососа ('// ,%)

УЗ — открытию газовой заслонки ( У,%)

У4 — частоте вращения печи (№ контакта, об/с)

В качестве входных сигналов нейросети использовались:

Р1—нагрузка главного привода (1Ы А);

Р2-—расход газа (О^ тыс. м'/час)\

РЗ—разрежение дымососов (Р., мм. вод. ст.);

Рис. 16 Нейронная сеть, используемая для регулирования температуры восстановительного газа

Р4 — температура отходящих газов 0°оюх, Р5 — влажность шлама (IV, %).

■су,

I' IIй

а

Ч 7Х>

10 12 14 16 18 10 22 24

Оптимизированная по скорости сходимости и величине остаточной ошибки структура сети представлена на рис 18.

В обучении по алгоритму Левенбер-га-Марквардта использовалось 1000 циклов, в результате чего оптимальное количество нейронов в скрытом слое составило 28.

На рис. 19а представлен лучший результат проверки нейроуправления по каналу управления газовой заслонкой (отклонения Составили не более 1%) и на рис. 196 -худший результат по каналу управления шибером дымососа (отклонения составили 4-5%). Контроль осуществлялся по тестовой выборке в течении 15 суток с диск-Рис. 17 а) Изменение производительности ретнОСТЬЮ 2 часа

"Тосс^теТноТТаТа^рТ В доходной печь,о было

детерминированном управлении; исследовано неироуправление С эталонен Изменение температуры ной математической моделью, которая

использовалась для предварительного

10 12 14 Н 18 20 22 24

0 8 10 12 14 1е 18 20 22 24

восстановительного газа при нейронном

управлении

обучения нейронной сети (рис. 20).

Первый слой Второй слои

I I I ) г

ЕР—у5

Рис, 18 Структурная схема НС р - вход сети, О - линия задержки, /Ж - весовая матрица, £ - сумматор, Ь - смещение, п - вход функции активации, /3 - функг{ия активации, а - выход слоя, 52 - количество нейронов во втором слое, у - выход сети

Ж

—

Ги

!

Т

В

а)

б)

иХк)

Этжлонни 1СОДСЛЪ

5*1+1)

с

Обучение

<С*+1)

о

Рис.19 Результаты проверки по тестовой выборке

В ней пять выходов нейросети задают уставки по пяти зонным регуляторам температуры. На десять входов сети подаются сигналы от шести термопар, установленных по зонам, и четырех пирометров, контролиру-^.н) ющих температуру заготовок. Благодаря использованию нейросетевого управления за счет адаптации характеристик удалось повысить стабильность температуры выгружаемых заготовок более, чем на 8%, что, в свою очередь, обеспечивает снижение расхода газа с 243,22м3/час при использовании математической модели до 233,51 м3/час, при использовании нейросети.

В нейроуправлении шахтной печью

Нсвроконтрсдлср Объект управления

Рис. 20 Управление с эталонной моделью

*.(0

Рис. 21 Архитектура рекуррентной НС Джордана с обратными связями от нейронов выходного слоя: ¡Г' - элемент задержки; С - контекстный нейрон

решалась задача нейросетевого моделирования функций оператора шахтной печи по формированию уставок для семи основных контуров управления расходами природного, технологического и конвертируемого газов, расходами горячей и холодной воды и т.п. В качестве входных переменных использованы 14 различных, контролируемых в реальном масштабе времени данных о технологическом процессе. Для построения модели использовалась сеть Джордана с обратными связями от нейронов выходного слоя (рис.21).

Оптимальное количество нейронов было определено равным 42 при остаточной ошибке, равной 0,08. Контрольная выборка объемом 360 измере-

ний с дискретностью 2 часа позволила продемонстрировать приемлемую точность управления. Расхождение в управляющих воздействиях на объект со стороны оператора и нейроконтроллера составило не более 2-5%.

В исследованиях нейроуправ-ления механическими агрегатами объектом была дуореверсив-ная клеть для прокатки заготовок в раскаты сечением 230x2300 и 190x190 мм. Была реализована схема (рис.22) с самонастройкой, где нейросеть используется для настройки коэффициентов ПИД-регулятора.

В схеме для определения якобиана объекта использован ней-роэмулятор, предварительно обученный по регрессионной модели. В нейроконтроллере и нейроэмуляторе использованы

а1

1Я

I йш..

Рис. 22 Структурная схема управления двигателем на базе ПИД-нейроконтроллера с самонастройкой

однотипные трехслойные нейронные сети с сигмоидной функцией активации. При работе нейроэмулятора для отражения динамики процесса используются по два задержанных сигнала выходного и управляющего воздействий. Оптимизированное число нейронов в скрытом слое для эмулятора составило 14, для контроллера - 8.

Сравнительные характеристики по величине отклонения частоты вращения Дн< по программе прокатки (рис.23, а) для нейроуправления (рис.23, в) демонстрирует значительно лучшие результаты, чем традиционный метод управления (рис.23, б).

В системе управления гидроциклоном была исследована возможность улучшения сепарационной характеристики, являющейся основным показателем эффективности классификации твердых частиц пульпы руды.

При моделировании системы была использована схема инверсно-прямого управления с нейроконтроллером и эмулятором. В качестве входов системы использовались: Q — производитель-■ уровень пульпы в зумпфе насоса; Рт— давление на входе гидроциклона; уон—содержание фракции 0,44 мм в песках.

Все входные сигналы были зашумлены 20 %-м уровнем случайной помехи, что соответствует реальному разбросу технологических параметров. Задача системы

Рис. 23 Результаты экспериментов по управлению приводом рабочей клети прокатного стана в соответствии с программой прокатки (а); с использованием обычного ПИД-контроллера (б); с использованием ПИД-нейроконтроллера с самонастройкой (в)

ность по сливу; р— плотность слива; г/ —

Рис. 24 Структура нейроконтроллера

состояла в минимизации в сливе содержания класса 0,44 мм. Структура нейроконтроллера представлена на рис. 24.

На рис.25 представлены сепарацион-ные характеристики, снятые на действующем гидроциклоне обогатительной фабрики Лебединского ГОКа (кривая-1) и полученные в результате моделирования работы системы нейроуправления (кривая-2).

Анализ результатов показывает, что наблюдаемое уменьшение заданной фракции в сливе в 1,8 раза позволяет повысить производительность гидроциклона по классу годного не менее, чем на 10%.

Рис. 25 Сепарационная характеристика гидроциклона без ; использования НС(1) и с применением НС (2)

Результаты исследований по Использованию нейросетей в качестве интеллектуального контроллера в управлении горно-металлургическими процессами позволяют сделать следующие выводы:

1. При построении конкретных систем управления следует руководствоваться разработанной методикой позволяющей разработчику определиться:

- с выбором схемы нейроуправления исходя из целей и задач управления;

- с выбором структуры нейросети исходя из сложности решаемой задачи;

- с формированием целевой функции обучения, объемами обучающей и текстовой выборок; : • ■ ' - -

- оценкой скорости оперативного обучения сети для обеспечения заданной точности регулирования и времени сходимости; ,

2. Применение нейроуправления является более предпочтительным для организации управления в виде интеллектуальной надстройки. <

3. Применение нейроуправления в качестве альтернативы Г1И Д-регулятору даже для сравнительно медленно протекающих металлургических процессов в режиме компьютерной эмуляции сетей является проблематичным из-за значительного вре-

мени их сходимости при оперативном обучении. Проблема может быть разрешена или существенным увеличением (более чем на два порядка) скорости вычислений или путем аппаратной реализации нейронной сети с заданной структурой.

В пятой главе «Интеллектуализация организационных задач на основе экспертного анализа» представлены результаты исследований по разработке интеллектуальных подсистем управления неформализуемыми процессами в составе интегрированных БИР-систем.

Создание экспертной системы технического обслуживания и ремонтов оборудования на металлургических заводах является способом сохранения и использования уникальных знаний и опыта высококвалифицированных специалистов в области анализа, диагностики и прогнозов состояния оборудования. Основным компонентом ЭС (рис. 26) является база знаний, состоящая из базы информации и базы моделей.

БАЗАЗНАНИЙ Факты Правила

База информации База моделей

Модуль приобретения знаний

Интерфейс (система диалога)

Эксперты

Модуль объяснения принимаемых решений

Пользователь

Рис. 26 Структура экспертной системы ТО и Р оборудования

База информации содержит для каждой машины или агрегата сведения о числе отказов по деталям; данные технической диагностики; законы, описывающие изменение технического состояния и т.п. ЭС ТО и Р оборудования строится по модульному принципу и включает следующие функциональные блоки: учет, анализ, принятие решений, планирование, прогнозирование, контроль и регулирование (рис. 27).

В системе для наглядного представления рассуждений эксперта при выявлении альтернатив и принятии решений используются тополог ические схемы в виде графов двух видов — деревьев событий и деревьев решений. В зависимости от характера решаемой задачи используется один из трех критериев принятия решений. Выбор наилучшего варианта решения осуществляется по целевым функциям или критериям г:

а) позиция компромисса между оптимистическим и пессимистическим подходами;

г = тах(тгп е. + так в )

I 4 1 ■> 1 «'

ПРОГНОЗИРОВАНИЕ

ПЛАНИРОВАНИЕ

ПРИНЯТИЕ РЕШЕНИИ

б) оптимистическая позиция 2 — тах^тахву) в) позиция нейтралитета

П

Автоматизация процедуры принятия решений в экспертной системе обеспечивается алгоритмом логической последовательности взаимодействия десяти модулей процедур поиска и принятия решений с базой знаний и ЛПР.

Интеллектуализация задачи оперативного планирования процесса выплавки старые. 27 Функциональная схема экспертной ЛН В ДуГОВЫХ Печах Представляет Собой СИС-системы то и Р оборудования тему ситуационного управления, основной

функцией которой является обеспечение

«живучести» контактного графика.

На основе анализа комплекса проблем и причин, влияющих на «живучесть» контактного графика, разработана ситуационная модель, являющаяся множеством оптимальных по совокупности поставленных критериев вариантов развития технологического процесса:

РЕГУЛИРОВАНИЕ

ОБЪЕКТ УПРАВЛЕНИЯ

ч

Ь'Раппт'Рапл>Ра.

'Ф

где 5. — /-я ситуация;

1Л—идентификатор ситуации;

Ратт — набор оптимальных значений контролируемых параметров; Раш—набор плановых значений параметров; Раф— набор фактических значений параметров.

В соответствии со способом деления цеха на объекты выделяются ситуации: — технологические, где

={'«/; Ка8г!д ' /г' Ме> г »1: *2 } •

где 5п — /-я технологическая ситуация; Каягк1— код агрегата;

— флаг состояния занятости; Ме— марка стали;

N—номер плавки в серии;

Г;—время начала технологической операции;

— время завершения технологической операции.

— операционный— средний уровень;

— элементарный— нижний уровень.

Совокупность технологических ситуаций образует контактные правила (рис. 28).

Рис. 28 Ситуационная модель электросталеплавильного процесса, ■ - где - технологические ситуации; - операционные ситуации;

/\ - элементарные ситуации.

Предложенная методика прошла модельную апробацию на двух печах в сталеплавильном цехе, при этом полученные результаты позволяют надеяться на то, что внедрение системы комплексного планирования цеха позволит не менее, чем в два раза, повысить «живучесть» контактного графика, что, в свою очередь, позволит существенно повысить эффективность загрузки сталеплавильных печей.

Заключение

В диссертационной работе автором на основе анализа состояния вопросов автоматизации на горно-металлургических предприятиях региона Курской магнитной аномалии разработана научно-обоснованная методология оценки и планирования инновационной деятельности в этой области, с помощью которой был выявлен факт неадекватно низкой технико-экономической эффективности внедрения новых видов АСУ, причиной чего является отсутствие в практической реализации адаптивных и самонастраивающихся алгоритмов и систем.

В качестве одного из способов решения этой проблемы, автором, на основе теоретических обобщений достижений в области искусственного интеллекта, предложена методология построения систем управления на базе разработанной обобщенной информационно-статистической модели интеллектуального контроллера, позволяющая в условиях отсутствия формализованного описания объекта получать достаточно простые инженерные решения систем адаптивного управления, эффективность которых исследована и продемонстрирована на ряде технологических объектов и процессов, и обеспечивающая повышение производительности оборудования в среднем на 6-8 %, что является научно-обоснованным техническим решением важной народно-хозяйственной задачи.

Научные и практические результаты диссертации актуальны как для горно-металлургической промышленности в целом, так и для других отраслей народного хозяйства, разрабатывающих и использующих адаптивные системы автоматического и автоматизированного управления. '■'"■'

В рамках решения этой задачи получены следующие результаты и выводы: ■■■11: Анализ существующих технологий управления инновационной деятельностью и результаты исследований прогностической модели развития современных АСУ

предприятий горно-металлургического комплекса показали необходимость разработки и внедрения новых алгоритмов управления с привлечением возможностей искусственного интеллекта.

2. Разработана научно-обоснованная методология рационального планирования инновационных мероприятий в действующих АСУ горно-металлургических предприятий. Показано, что эффективным инструментом оценки и принятия решений на его основе является интегральный показатель НТУ АСУ, получаемый в условиях многокритериальное™ и неполной исходной информации на основе информационно-статического подхода. Он должен учитывать динамику эволюции АСУ данного типа, выявленную в результате анализа систем-аналогов, имеющего достаточную глубину ретроспекции.

Перспективные направления совершенствования АСУ формализуются в виде кортежа предпочтительности частных и обобщенных показателей качества, с помощью которого предложенными методами может быть осуществлен выбор рациональных инновационных проектов АСУ.

3. Анализ состояния и тенденций развития управления в металлургии показал, что дальнейшее Совершенствование СУ на основе классического подхода требует повышения адекватности математической модели процесса, что наталкивается на трудности, следующие из ограниченной возможности познания физико-математических процессов и множества случайных факторов, влияющих на их развитие. Исследования, проведенные на целом ряде технологических агрегатов и процессов, позволили установить эффективность использования интеллектуальных систем в качестве альтернативы существующим детерминированным ПИД-регуляторам и в виде интеллектуальных надстроек, оптимизирующих работу существующих систем. Методы искусственного интеллекта позволяют решить широкий класс задач управления неформализуемыми и трудноформализуемыми объектами и процессами металлургического производства. ■ '

Достаточно эффективным оказывается рациональное Сочетание различных методов искусственного интеллекта.

4. Показано, что все разнообразие методов и схем интеллектуального управления может быть сведено к понятию интеллектуального контроллера, для описания которого предложена обобщенная информационно-статистическая модель, позволяющая оценивать и прогнозировать эффективность управления объектом путем сравнения информационных портретов управляющих воздействий контроллера и выходной реакции объекта. Выбор интеллектуальной основы для контроллера предлагается вести на базе разработанного алгоритма поиска й принятия решений в пространстве состояний, целей и мнений экспертов.

5. В результате исследований, выполненных на реальных объектах и моделях горно-металлургического производства, установлена возможность и эффективность применения нечеткого управления в соответствии с разработанной концепцией интеллектуального контроллера, обеспечивающего дальнейшее повышение производительности агрегатов и качества продукции. Применительно к горно-металлургическим процессам и агрегатам разработана методика построения нечетких систем управления, результативность которой подтверждена конкретными оценками. В частности показано, что:

5.1 Система регулирования уровня металла в кристаллизаторе MHJ13, разработанная на основе нечеткой логики, позволяет повысить точность регулирования уровня металла до 5+6мм по сравнению с 10+11мм при классическом детерминированном регулировании.

5.2 Детерминированно-нечеткое управление процессом обжига сырых окатышей, построенное на базе теории нечетких множеств, позволило на 40-50% снизить дисперсию процесса по сравнению с существующей технологией детерминированного управления. За счет этого достигается повышение качества продукции и уменьшение расхода энергоносителей. Кроме того, сужение колебаний величин позволяет сдвигать их средние значения в нужном направлении без опасности выхода за допустимые ограничения. ■•■

53 Применение нечеткой экспертной системы в качестве интеллектуальной надстройки над системой локального управления процессом мокрого само измельчения руды позволяет существенно оптимизировать управление за счет Использования лингвистических переменных, определяющих измельчаемость, крупность руды и плотность пульпы, по сравнению с существующей системой экстремального регулирования, что позволит повысить производительность мельницы Fia 5+7% при одновременном сокращении удельного расхода электроэнергии на 4% на тонну и повышением извлечения полезного продукта из исходного сырья на 3+5%.

5.4 ..Нечеткое управление позволяет эффективно решить задачу управления ча-шевыми окомкователями заданием угла наклона чаши и скорости ее вращения, обеспечивающих увеличение выхода кондиционных окатышей не менее,'чем на 8%. Поиски решений этой задачи традиционными методами не давали удовлетворительных результатов.

6. Исследование методологии и результатов мировой практики применения нейронных сетей для адаптивного управления динамическими объектами позволило установить отсутствие представления об абстрактном промышленном контроллере и единой

• методике его синтеза. Определено, что результативная методика разработки промышленных нейроконтроллеров должна состоять из последовательности процедур:

- выбор схемы нейроуправления и структуры нейросети, соответствующих задаче;

- выбор функций активации в скрытых и выходном слоях;

- определение количества входов и выходов сети и оптимального количества слоев и нейронов в слоях;

. - выбор метода обучения сети и определение целевой функции обучения; ;. - формирование объема и структуры обучающей и тестовой выборок; .

- определение эффективности оперативного обучения по величине динамической ошибки, оценке скорости обучения и ошибке сходимости сети.

7. Исследование динамических характеристик и технологических особенностей автоматизации предприятий, горно-металлургического комплекса позволили разработать ряд процедур, обеспечивающих достаточно простое инженерное решение по созданию нейроконтролера. , . . .

8. В результате исследования различных вариантов нейросетевого управления в сочетании со степенью адекватности модели объекта, полнотой и временным регламентом измерения технологических величин и требованиями точности выявлены условия предпочтительности применения последовательного или параллельного с

существующими ПИД-регуляторами управления нейроконтроллеров с самонастройкой, инверсно-динамических или рекуррентных сетей. В существующих системах нейроконтроллеры целесообразно применять для адаптивного формирования уставок локальных регуляторов. При практической реализации интеллектуальных контроллеров на основе нейросети получены результаты:

8.1 Инверсно-динамическое нейроуправление температурой восстановительного газа шахтной печи металлизации позволило более чем в два раза повысить стабильность течения процесса при 10 %-процентном возмущении по производительности, что по оценкам специалистов позволит обеспечить увеличение выходного продукта не менее чем на 6-8 %.

8.2 Нейроуправление с самонастройкой скоростью вращения валков обжимной клети позволило более чем на порядок снизить величину ошибки регулирования по скорости по сравнению с существующей схемой ПИД-регулирования.

8.3 Применение рекуррентной нейронной сети для управления гидроциклоном позволило улучшить сепарационную характеристику и повысить производительность гидроциклона по классу годного продукта не менее чем на 10 %..

8.4 Показано, что для управления работой привода штабелера сортового проката наиболее эффективной является схема параллельного нейроуправления с применением имитационной ветви управления.

8.5 Интеллектуализация задачи формирования уставок в АСУ ТП обжиговой печью на основе нейросети позволила создать верхний уровень автоматического управления, обеспечивающий качество управления на уровне работы опытного оператора.

8.6 Нейроуправление процессом нагрева заготовок в многозонной проходной печи по эталонной обобщенной (неточной) матмодели позволило значительно уменьшить разброс температуры заготовок на выходе и уменьшить расход газа на 4 %.

8.7 Для условий металлургического производства, в котором превалируют процессы с большими постоянными времени, показана возможность увеличения быстродействия сети за счет уплотнения графика обучения и определены наиболее эффективные алгоритмы обучения.

9. В результате анализа проблем, связанных с решением задач в сфере принятия решений в организационных структурах металлургического производства, предложены решения плохоформализуемых задач методами искусственного интеллекта.

9.1 Показано, что повышение выживаемости и обучаемости существующих ЕКР-систем может быть достигнуто только внедрением, в соответствии с разработанной методологией интеллектуализации, в них модулей искусственного интеллекта, обеспечивающих гибкую настройку на изменяющиеся условия функционирования.

9.2 Разработана экспертная система принятия решений по техническому обслуживанию и ремонту различных видов металлургического оборудования, которая охватывает следующие практические задачи ТОиР:

- оценку показателей оборудования обжимных цехов;

- расчет количества запасных частей;

- планирование графиков ремонтных работ;

- планирование трудовых ресурсов ремонтных работ;

- планирование и организации диагностических работ.

9.3 Исследования, проведенные в сталеплавильном производстве, показали, что актуальная задача «живучести» контактных графиков плавок в условиях стохастических помех наилучшим образом может быть решена с помощью предложенного метода ситуационного управления, основанного на знаниях экспертов.

Основные публикации по теме диссертации:

. 1. Еременко Ю.И. Интеллектуализация задач управления технологическими про- Д цессами предприятий горно-металлургического комплекса: монография — Старый ; Оскол: Тонкие наукоемкие технологии, 2004 — 146 с. i

2. Еременко Ю.И. Современные информационные технологии: монография /Еременко Ю.И., Штангей С JM.—Старый Оскол, Тонкие наукоемкие технологии, 2001. — 198 с. S

3. Еременко Ю.И. Экспертная система технического обслуживания машин: мо- | нография / Еременко Ю.И., Крахт В.Б. и др. — Старый Оскол: Научная библиотека, ' 1999.—305 с. у

4. Еременко Ю.И. Управление объектами горно-металлургического произвол- \ ства на основе использования искусственных нейронных сетей: Учебное пособие. v — Старый Оскол, 2004. — 166 с.

5. Еременко Ю.И. Нечеткое управление горно-металлургическими процессами и технологиями: У ч.пособие.—Старый 0скол:2004,-175с.

6. Еременко Ю.И. Архитектура, принципы функционирования и управления ресурсом IBM PC: Уч.пособие/ Еременко Ю.И., Кузнецов JI.A., СкляровА.Е. — Липецк, 2003—420 с.

7. Еременко Ю.И, Повышение эффективности АСУ горно-металлургического производства на основе интеллектуализации управления/ Еременко Ю.И., Боева JI.M., Крахт В.Б., Кузнецов Л.А. — Старый Оскол: Тонкие наукоемкие технологии, 2005 — 408 с.

8. Еременко Ю.И. Моделирование развития сложных промышленных АСУ/ Еременко Ю.И., Боева Л.М. //Приборы и системы. Управление, Контроль, Диагностика. —2001.—№5,—С.10-11

9. Еременко Ю.И. Прогнозирование модернизаций в сложных промышленных АСУ/ Еременко Ю.И., Боева Л.М.//Приборы и системы. Управление, Контроль, Диагностика.—2001.— №4.— С.6-9

10. Еременко Ю.И. Моделирование инновационных процессов в промышленных АСУ /Еременко Ю.И., Боева JI.M. //Известия высших учебных заведений. ЧМ. — 2001. — № 11.—С. 52-57

11. Еременко Ю.И. Прогнозирование инновационных мероприятий в сложных АСУ // Еременко Ю.И., Боева Л.М. //Автоматизация и современные технологии. — 2001,—№3.—С.29-31

12. Еременко Ю.И. Математическая модель и алгоритм регулирования поршневого компрессорного агрегата / Еременко Ю.И., Пашура М.А.//Приборы и системы. Управление, Контроль, Диагностика.—2002.—№ 10.—С. 28-30

13. Еременко Ю.И. Интеграция интеллектуальных систем в состав АСУ металлургических производств/ Еременко Ю.И., Халапян С.Ю. // Известия высших учебных заведений. ЧМ.—2002.—№1. —С.53-56

14. Еременко Ю.И. Метод регулирования для поршневого компрессорного агрегата / Еременко Ю.И., Пашура М.А.//Автоматизация и современные технологии.— 2002.—№ 7.—С. 39-42

15. Еременко Ю.И. Об интеллектуализации задач управления металлургическими процессами//Приборы и системы. Управление, Контроль, Диагностика.—2002. — №9.—С. 6-9

16. Еременко Ю.И. О выборе структуры интеллектуального контроллера для решения задач управления в бескоксовой металлургии // Приборы и системы. Управление, Контроль, Диагностика.—2003.—№9. — С. 16-19

17. Еременко Ю.И. О применении нечеткого логического контроллера в управлении процессом обжига окисленных окатышей //Мехатроника, Автоматизация, Управление.—2003.—№9.— С. 39-43

18. Еременко Ю.И. Об использовании инверсно-динамического метода нейроуп-равления в системе автоматизации шахтной печи установки металлизации окатышей // Приборы и системы. Управление, Контроль, Диагностика. — 2003.—№ 8. — С.11-14

19. Еременко Ю.И. Об интеллектуализации управления процессом кристаллизации в условиях непрерывной разливки стали // Известия высших учебных заведений. ЧМ,—2003,—№ 11,—С.19-23

20. Еременко Ю.И. О применении искусственных нейронных сетей для управления приводами клетей прокатного стана / Еременко Ю.И., Дудников В. А. // Мехатроника, Автоматизация, Управление. —2003. —№6. — С. 40-44

21. Еременко Ю.И. Нейронная модель зонного управления печью нагрева //Известия высших учебных заведений. ЧМ.—2003.—№ 7. — С. 71 -74

22. Еременко Ю.И. Нечеткий логический регулятор для системы управления уровнем металла в кристаллизаторе установки непрерывной разливки стали / Еременко Ю.И., Кузнецов Л.А.//Датчики и системы.—2003.—№ 10.— С. 22-26

23. Еременко Ю.И. О повышении оперативности обучения нейроконтроллеров в управлении металлургическими объектами//Приборы и системы. Управление, Контроль, Диагностика. —2004. —№ 3. — С. 16-20

24. Еременко Ю.И. Модернизация системы регулирования уровня металла в кристаллизаторе с использованием нечеткого управления //Автоматизация и современные технологии.—2004.—№1.— С. 5-10

25. Еременко Ю.И. Адаптивная модель управления вращающейся обжиговой пе-чью//Нейрокомпьютеры разработка и применение. — 2004. —-№ 5-6.— С. 110-114.

26. Еременко Ю.И. Нейросетевая идентификация процесса классификации же-лезнорудного концентрата в системе автоматизации работы гидроциклона// Мехатроника, Автоматизация, Управление.—2004. — № 10—С. 3 9-41

27. Еременко Ю.И. Об использовании динамической экспертной системы в решении задач автоматизированного управления шахтными печами цеха металлизации // Приборы и системы. Управление, Контроль, Диагностика. — 2004. — №4,— С. 11-16

28. Еременко Ю.И. Автоматизация управления шахтными печами цеха металлизации с использованием динамической экспертной системы//Мехатроника, Автоматизация, Управление.—2004.—№4—С. 44-49

Еременко Ю.И. Схема интеллектуального управления металлургическими процессами на основе контроллера с нейросетевой самонастройкой// Приборы и системы. Управление, Контроль, Диагностика. -— 2004.—№> 5.—С. 1 -3

30. Еременко Ю.И. Оценка эффективности использования метода временного уплотнения обучения нейросети для задач управления теплотехническими процес-сами//Известия высших учебных заведений. 4M.—2005.—№ 1 —С. 34-37

31. Еременко Ю.И. Система автоматизации календарного планирования сталеплавильного участка /Еременко Ю.И., Дудников В.А. / Приборы и системы. Управление, Контроль, Диагностика. —2005. — № 5. —С. 63-66

32. Еременко Ю.И. О методах оптимизации загрузки оборудования в сталеплавильном производстве/Еременко Ю.И., Дудников В. А. / Мехатроника, Автоматизация, Управление.—2005.—№7—С. 32-35

33. Еременко Ю.И. О применении нейронных сетей для управления приводами прокатных клетей / Еременко Ю.И., Дудников В. А. // Труды XXIII Российской школы по проблемам науки и технологий Екатеринбург, 2003. — С. 34-37

34. Еременко Ю.И. Об оптимизации структуры системы экстремального регулирования процесса окомкования окатышей / Еременко Ю.И., Полещенко ДА., Солодов С.В. / Приборы и системы. Управление, контроль, диагностика. —2005.—№ 9.—С. 13-16

35. Еременко Ю.И. О применении искусственных нейронных сетей для управления приводами клетей прокатного стана Наука и технологии// Труды XXIII Российской школы.—Москва, 2003.—С. 45-51

36. Eremenko Y.I., Kräht V.B., Dudnikov V.A. About application of neural networks fore controlling of rolling mill drives // Metallurgy and new materials researches.—2003. —№1.—P. 1-12

37. Eremenko Y.I., Kuznetzov L.A. Fuzzy logic regulator for a control system of level of metal in a crystallizer of continuous steel casting plant // Metallurgy and new materials researches.—2003. — №2. — P. 1-9

38. Еременко Ю.И. Внедрение экспертной системы технического обслуживания и ремонтов оборудования как один из путей повышения экологической безопасности технологического объекта / Еременко Ю.И., Сопилкин Г.В. Халапян С.Ю.// Труды международной научно-технической конференции «Высокие технологии в экологии» —Воронеж, 2000. — С. 34-3 6

39. Еременко Ю.И. Методология прогнозирования инновационных мероприятий в промышленных АСУ /Еременко Ю.И., Боева J1 .М. Лубашев Ю. А. // Труды Международной научной конференции «Современные сложные системы управления». — Липецк, 2001.—С. 20-23

40. Еременко Ю.И. Об интеллектуализации процессов управления обжиговой машиной // Труды Международной научной конференции «Современные сложные системы управления». — Воронеж, 2003. — С. 7-11

41. Еременко Ю.И. О нейроуправлении главным приводом дуореверсивной клети // Труды IV Всероссийской научно-практической конференции «Системы автоматизации в образовании, науке и производстве». — Новокузнецк, 2003. — С. 56-71

42. Еременко Ю.И. Нейроуправление вращающейся обжиговой печью // Труды Международной научно-практической конференции «Теория активных систем». —Москва, 2003.—С. 34-39

43. Еременко Ю.И Информационно-статистическая модель объекта управления / Еременко Ю.И. Грачев Н.О.//Труды Всероссийской научно-практической конференции «Системы автоматизации в образовании, науке и производстве». — Воронеж, 2005—С. 399-402

44. Еременко Ю.И. О выборе критериев оптимизации календарного планирования сталеплавильного производства /Еременко Ю.И., Дудников В ,А.//Сборник научных трудов седьмой международной конференции посвященной 75летию ВГАСУ — Воронеж,2005—С. 153-156

45. Eremenko Y.I., Kuznetzov LA., Kraht V.B. Fuzzy Logic regulator for a control system of level of metal in a crystallizer of continuous steel casting plant // Sixteenth International Conference on Systems Engineering, London, 2003.—P. 152-156

46. Eremenko Y.I., Kuznetzov L.A., Kraht V.B., Dudnikov V.A. Application of Genetic Algorithms to Scheduling in Steelmaking // Proceedings of the 2005 International Conference on Scientific Computing, (CSS'05), LasVegas, Nevada, USA, Jim 20-23,2005. —P. 171-174.

47. Eremenko Y.I., Kuznetzov L.A., Kraht V.B. Proceedings of the 2005 International Conference on Machine Learning; Models, Technologies and Applications, (MLMTA'05), Las Vegas, Nevada, USA Jun 27-30,2005.—P. 147-152

48. Свидетельство об официальной регистрации базы данных №2005620240, SWSdb /Бременю Ю.И. (RU), В. А. Дудников (RU). №2005620169; Заявл. 18.07.2005 зарегистрировано 09.09.2005г.

Отпечатано в типографии «Тонкие Наукоёмкие Технологии» 309530, г. Старый Оскол, Белгородская обл., м-н Макаренко, д. 40. телУфахс (0725) 32-25-29 Лиц. ПД№ 8-0014 or07.08.2000 г.

Перечень использованных сокращений.

Введение.

1 Анализ состояния инновационной деятельности и эффективности управления в металлургии.

1.1 Становление АСУ в металлургии.

1.2 Эволюция технических средств и сферы действия АСУ.

1.3 Качество АСУ и методы его оценки.

1.4 Использование прогноза при управлении инновационными процессами в АСУ.

1.5 Принятие решений по выбору инновационного проекта АСУ.

1.5.1 Принятие решений в условиях многокритериальности.

1.5.2 Выбор на основе методов теории нечетких множеств.

1.5.3 Выбор на основе метода анализа иерархий.

1.6 Проблемы управления технологическими агрегатами и пути их преодоления.

1.7 Развитие математического аппарата и идеологии АСУ.

1.8 Использование методов искусственного интеллекта в решении задач управления.

1.8.1 Общая характеристика методов искусственного интеллекта

1.8.2 Использование аппарата нечеткой логики.

1.8.3 Применение нейронных сетей для качественного совершенствования управления.

1.8.4 Использование генетических алгоритмов для решения задач оптимизации.

1.8.5 Сохранение уникального опыта профессионалов в экспертных системах.

1.9 Перспективы интеллектуализации управления организационными системами.

1.10 Основные направления и задачи исследований.

2 Разработка теоретических основ оценки прогностических характеристик развития АСУ и обобщенной модели интеллектуального управления.

2.1 Определение научно-технического уровня АСУ.

2.2 Выбор вида и параметров прогностической функции динамики развития АСУ.

2.3 Выбор инновационного проекта АСУ.

2.3.1 Разработка алгоритма выбора на основе аппарата нечетких множеств.

2.3.2 Выбор варианта модернизации АСУ на основе метода анализа иерархий .:.

2.4 Анализ эффективности предложенных методов прогнозирования развития АСУ и обоснования инновационных мероприятий по их модернизации.

2.5 Разработка обобщенной модели интеллектуального управления на основе теории информации.

2.6 Организация решения инженерной задачи интеллектуального управления.

2.7 Разработка интегрированной информационной системы принятия инновационных решений в условиях интеллектуализации управления.

2.8 Выводы.

3 Исследования методов и разработка систем управления на основе * нечеткой логики.

3.1 Нечеткое управление уровнем металла в кристаллизаторе МНЛЗ

3.1.1 Характеристика объекта управления.

3.1.2 Детерминированная составляющая системы управления.

3.1.3 Нечеткое регулирование процесса кристаллизации.

3.2 Нечеткая система управления процессом обжига сырых окатышей.

3.2.1 Краткая технологическая характеристика объекта.

3.2.2 Детерминированная составляющая.

3.2.3 Нечеткая составляющая.

9 3.2.4 Результаты сравнения.

3.3 Управление на основе нечеткой логики процессом мокрого помола руды.

3.3.1 Описание объекта автоматизации.

3.3.2 Математическая модель.

3.3.3 Построение нечеткой системы.

3.4 Интеллектуализация управления процессом окомкования.

3.4.1 Особенности технологического процесса.

3.4.2 Построение СУ на базе нечеткой логики.

3.5 Выводы.

4 Разработка технологии и практическая реализация нейросетевого управления металлургическими объектами.

4.1 Формирование составляющих технологии нейросетевого управления.

4.1.1 Выбор архитектуры системы и параметров сети.

4.1.2 Определение функций активации, множеств входов и выходов сети.

4.1.3 Выбор количества слоев и нейронов.

4.1.4 Определение метода обучения, обучающего и экзаменующего множеств.

4.1.5 Построение и подключение нейроэмуляторов.

4.1.6 Выбор алгоритма обучения.

4.2 Временное уплотнение обучения нейронных сетей.

4.2.1 Задача исследования.

4.2.2 Характеристика исследований и оценка результатов.

4.3 Разработка нейросетевых систем управления термическими процессами.

4.3.1 Управление температурным режимом получения металлизованных окатышей.

4.3.2 Нейросетевое формирование уставок для регуляторов АСУ

ТП обжиговой печью.

4.3.3 Управление печью нагрева с обучением по эталонной модели.

4.3.4 Адаптивное управление шахтной печью.

4.4 Управление механическими агрегатами.

4.4.1 Управление с самонастройкой обжимной клетью сортопрокатного стана.

4.4.2 Автоматизация гидроциклона с использованием рекурентной сети.

4.4.3 Управление работой штабелера на основе параллельного нейроуправления.

4.4 Выводы.

5 Интеллектуализация организационных задач на основе экспертного анализа.

5.1 Экспертная система технического обслуживания и ремонтов оборудования на металлургических заводах.

5.1.1 Обоснование возможности и необходимости построения экспертной системы ТО и Р металлургического оборудования.

5.1.2 Построение базы знаний.

5.1.3 Модель для формализации процесса поиска решений.

5.1.4 Разработка критериев принятия решений.

5.1.5 Автоматизация процедуры принятия решений в экспертной системе.

5.2 Экспертная система шахтной печи.

5.2.1 Обобщенная задача управления.

5.2.2 Разработка нечеткой экспертной системы.

5.2.3 Описание функционирования системы.

5.2.4 Просмотр вариантов целевой функции.

5.2.5 База правил системы поддержки принятия решений и вывод решения.

5.3 Интеллектуализация задачи оперативного планирования процесса выплавки стали в дуговых сталеплавильных печах.

5.3.1 Анализ предметной области в условиях детерминированного решения.

5.3.2 Анализ проблем живучести контактного графика.

5.3.3 Разработка ситуационного управления.

5.4 Выводы.

Актуальность. Особенностью современной металлургии является её интеграция с горно-обогатительными производствами, приводящая к образованию единых горно-металлургических технологических территориально-промышленных комплексов. В условиях такой интеграции важной составляющей организации комплексного производства является создание эффективных интегрированных информационных и автоматизированных систем управления.

Решение этих задач в условиях рыночной экономики требует создания новых и совершенствования действующих промышленных АСУ по всем характеристикам технического, программно-информационного и организационного обеспечения с целью согласования структуры, функций и показателей систем управления (СУ) с современными требованиями и условиями функционирования.

Затраты на проведение инновационных мероприятий в АСУ составляют значительную часть общих расходов на техническое перевооружение металлургических предприятий в целом. Стратегические решения по модернизации систем приходится принимать в условиях высокой нечеткости и неопределенности (энтропии) исходной информации.

Сложность задачи управления инновационными процессами в промышленных АСУ определяется трудностью оценивания их научно-технического уровня (НТУ), который характеризуется множеством качественных и количественных показателей. Необходимо учитывать комплексный характер и разнообразие конфигураций АСУ, составов технических средств, программного и информационного обеспечения, спектр решаемых задач. На данный момент отсутствует единая концепция построения обобщенного показателя качества АСУ и методика формирования его составляющих. В результате, на целом ряде металлургических предприятий наблюдается неадекватно низкая экономическая отдача от значительных затрат на внедрение новых систем управления.

Для изменения ситуации представляется актуальным:

- разработать научно-обоснованную методологию анализа и оценки качества сложных АСУ на разных стадиях эксплуатации, определения общих тенденции динамики АСУ, прогнозирования эволюции их качества, установления факта морального старения и выявления экономически перспективных научно-технических решений; на основе методологии синтезировать принципы планирования мероприятий по совершенствованию систем управления с применением современных методов принятия решений;

- осуществить демонстрацию эффективности разработанных методик проведением в соответствии с ним мониторинга и анализа тенденций развития систем управления на предприятиях горно-металлургического комплекса и выяснить причины насыщения кривых роста технико-экономических показателей при внедрении новых аппаратно-программных средств АСУ;

- разработать методологию повышения эффективности систем управления за счет систематического применения интеллектуальных процедур принятия решений и снижения информационной энтропии о закономерностях технологических процессов на основе последних достижений теории управления, использующих современные возможности обработки информации, включая методы искусственного интеллекта.

Исследования по совершенствованию систем автоматического управления на базе использования различных методов искусственного интеллекта активно ведутся в нашей стране и за рубежом. Так, результаты исследований отечественных школ Галушкина А.И., Круглова В.В., Терехова В.А., Кузнецова JI.A. и др. в области искусственных нейронных сетей; Салихова З.Г., Ротача В.Я., Кудинова Ю.И. и др. в области нечетких алгоритмов; Попова Э.В., Ларичева О.И., Поспелова Д.А. и др. в области динамических экспертных систем создали объективные предпосылки для решения актуальной задачи разработки единой методологии интеллектуального управления, обеспечивающего повышение эффективности АСУ.

Работа выполнена в соответствии с научными направлениями Научного центра нейрокомпьютеров РАН «Нейроуправление горно-металлургическими технологическими процессами» и «Современные сложные системы управления» Старооскольского технологического института (филиала) МИСиС в докторантуре Липецкого государственного технического университета.

Основной целью диссертационного исследования является разработка научно-обоснованной методологии анализа и повышения эффективности АСУ на основе использования современных интеллектуальных методов управления и демонстрация её эффективности на примерах горно-металлургических предприятий региона Курской магнитной аномалии (КМА).

Для достижения этой цели в диссертации решены следующие основные задачи:

1. На основе использования современных достижений теории принятия решений и системного анализа создана методология управления инновационными процессами в АСУ предприятий горно-металлургического комплекса, для чего: разработан математический аппарат для определения НТУ АСУ разных типов и уровней автоматизации, опирающийся на концепцию принципа максимума неопределенности;

- разработана прогностическая модель, позволяющая строить логистическую кривую, траектория которой позволяет судить об имеющихся резервах повышения НТУ систем путем модернизаций и планировать направления их реализации; разработана методика, позволяющая принимать решения по выбору наиболее эффективных инновационных проектов АСУ в условиях многокритериальное™ и неопределенности с привлечением аппарата нечетких множеств и метода анализа иерархий;

2. На основе мониторинга развития систем управления на горнометаллургических предприятиях региона Курской магнитной аномалии получено практическое подтверждение эффективности разработанной методологии прогнозирования их развития. Проведенные исследования прогностических моделей развития систем управления на основных видах металлургических производств, показали возможность выявления причин низкой экономической отдачи от внедрения новых средств АСУ. В частности, на предприятиях КМА -они могут быть преодолимы применением достаточно простых и дешевых адаптивных функций, способных существенно повлиять на качество и эффективность управления.

3. На основе всестороннего анализа мирового и отечественного опыта по применению методов искусственного интеллекта в решении задач автоматизации с использованием последних достижений в области теории принятия решений разработана методология интеллектуализации алгоритмов и систем управления с учетом особенностей металлургических технологий, включающая: разработку обобщенной модели интеллектуального контроллера, в виде обратного отображения информационного портрета объекта управления, полученного в условиях производственной вариабельности его входных и выходных переменных;

- разработку метода определения интеллектуальной основы контроллера из числа возможных вариантов интеллектуализации с применением теории поиска решений в пространстве состояний и целей;

- разработку интегрированной информационной системы поддержки процедур подготовки альтернативных вариантов, выбора рациональных проектов АСУ и принятия инновационных решений в условиях интеллектуализации управления.

4. Исследованы возможности практической реализации предлагаемой методологии интеллектуализации управления и показана её эффективность на конкретных производствах и технологиях предприятий горнометаллургического производства региона, включая:

- реализацию интеллектуальных контроллеров на основе алгоритмов нечеткой логики в качестве альтернативы существующим системам детерминированного управления, а также в виде интеллектуальной надстройки, обеспечивающей адаптивную подстройку ПИД-регуляторов; демонстрацию эффективности интеллектуализации управления на основе искусственных нейронных сетей (ИНС) в различных вариантах использования последовательного, параллельного и нейроуправления с самонастройкой.

5. Предложена концепция адаптивного управления организационно-техническими системами путем применения интеллектуальных интерфейсов на основе использования экспертных и экспертно-нечетких систем и показана их эффективность на примере решения организационно-технических и планово-диспетчерских задач.

Обоснованность и достоверность. Обоснованность разработанной методологии управления инновационными процессами определяется тем, что она опирается на всесторонний анализ существующих методов комплексной оценки качества сложных систем, учитывающих особенности и уровень развития функциональной и обеспечивающей частей АСУ, её экономические и надежностные характеристики. Представляемая методика базируется на результатах, полученных видными учеными в области прогнозирования развития сложных систем.

Обоснованность методов интеллектуализации управления горнометаллургическими процессами основывается на последних научных достижениях в области нейронных сетей, экспертных систем и нечетких алгоритмов.

Достоверность подтверждается результатами опытно-промышленной апробации на предприятиях, моделированием объектов и систем управления, вычислительными экспериментами и положительными результатами сравнительного анализа моделирования с реальными производственными данными, экспертными оценками специалистов, а также использованием разработанных информационного, математического и программного обеспечения в научных исследованиях и учебном процессе.

Методологической основой работы являются системный подход к исследованию процесса развития АСУ и теория информационно-статистического анализа. В работе использованы: математический аппарат теории вероятности и математической статистики; методы комбинаторно-морфологического анализа систем, исследования операций, экспертных оценок; теории нечетких множеств, теории нейронных сетей, теории принятия решений; функционального анализа и математического моделирования с использованием современных средств алгоритмического и программного обеспечения.

Научная новизна. Разработана методология комплексной оценки качества АСУ позволяющая прогнозировать и планировать развитие систем, обеспечивать повышение их эффективности за счет систематического использования методов искусственного интеллекта. Методология включает:

1. Методику, определения НТУ АСУ и построения логистической кривой их развития, траектория которой позволяет оценить имеющиеся резервы модернизации и определить наиболее перспективные направления её реализации.

2. Методику определения обоснованных решений по выбору наиболее эффективных инновационных проектов АСУ, опирающуюся на аппарат нечетких множеств и метод анализа иерархий.

3. Применение разработанной методологии для мониторинга развития сложных систем управления на предприятиях горно-металлургического комплекса, позволило выявить закономерности, выражающиеся в стремлении логистической кривой развития СУ к насыщению в рамках существующей организации структурного и алгоритмического обеспечения, базирующихся на классической теории управления.

4. Методологию построения адаптивных систем, обеспечивающих принципиальное повышение качества управления за счет использования методов искусственного интеллекта и обобщенной модели интеллектуального контроллера, реализующего идею инверсно-прямого управления.

5. С привлечением теории поиска решений в пространстве состояний и целей разработан метод выбора варианта интеллектуального содержания контроллера из числа рассмотренных способов представления знаний.

6. Концептуальную базу реализации интеллектуального контроллера на нечетких алгоритмах, нейронных сетях, генетических алгоритмах и динамических экспертных системах, в реализации последовательного, параллельного и управления с самонастройкой в виде интеллектуальной надстройки, которая содержит: способы практической реализации управления рядом технологических агрегатов на базе нечетких алгоритмов в условиях недостаточной формализации, как эффективная альтернатива существующим системам детерминированного управления; способы реализации интеллектуального нейроуправления основными горно-металлургическими процессами и оптимизации структуры нейросетей и их сходимости при автономном и оперативном обучении; концепцию повышения адаптивности и гибкости корпоративных ERP-систем, с использованием интеллектуальных модулей для решения труд-ноформализуемых организационных задач на примерах управления ремонтно-востановительной и планово-диспетчерской работой предприятия.

Практическая значимость и реализация результатов работы.

Применение разработанной методологии позволяет найти пути и способы решения проблемы повышения эффективности существующих АСУ и разработать новые системы, обладающие адаптивными свойствами и обеспечивающие существенное улучшение качества управления. Так:

1. Методология рационального планирования инновационных мероприятий в действующих АСУ горно-металлургических предприятий, с применением разработанного алгоритмического и программного обеспечения, позволяет определять наиболее перспективные направления модернизации систем управления. В частности, она использована при планировании модернизаций систем управления цехового уровня на ОЭМК, ЛГОК и СГОК, включая разработку систем управления первой обогатительной фабрики ЛГОК и модернизацию интегрированной системы управления в цехе окомкования и металлизации ОЭМК, где обеспечила сокращение сроков модернизаций более чем на 20-25%.

2. На основе разработанной методологии интеллектуализации управления созданы алгоритмы и пакеты прикладных программ, позволяющие строить системы управления на базе нечетких функций, искусственных нейронных сетей, экспертных систем для решения задач адаптивного управления технологическими процессами. Эффективность предложенных способов интеллектуального управления иллюстрируется результатами их применения для управления мельницей мокрого помола, классификатором, окомкователем, обжиговой машиной, вращающейся печью обжига клинкера, шахтной печью, установкой металлизации, кристаллизатором MHJI3, нагревательной методической печью, прокатной клетью и другими технологическими объектами, где экономический эффект достигается за счет увеличения производительности агрегатов, снижения энерго- и сырьевых затрат и составляет 6-10%, о чем имеются соответствующие справки и заключения.

Разработанная методология совершенствования управления носит обобщающий характер и может быть рекомендована к применению на предприятиях всего горно-металлургического комплекса и других отраслей.

Апробация результатов исследования. Результаты исследований докладывались и обсуждались на международных и российских конференциях: Седьмой Всесоюзной научно-технической конференции «Проблемы, задачи и опыт применения технологической разработки и внедрения средств АСУТП», (Киев, 1992г.); Международной научно-практической конференции, посвященной 20-летию Старооскольского филиала МИСиС «Вопросы проектирования, эксплуатации технических систем в металлургии, машиностроении и строительстве» (Старый Оскол, 1999г.); Международной научно-практической конференции «Качество, безопасность, энерго-ресурсосбережение в промышленности на пороге XXI века» (Белгород, 2000г.); Третьей международной научно-технической конференции «Высокие технологии в экологии» (Воронеж, 2000г.); Международной научно-технической конференции «Современные системы управления предприятием CSBC'2002» (Липецк, 2001); Sixteenth International Conference on Systems Engineering (ICSE-2003) Coventry University (Великобритания, Ковентри, 2003); Международной научно-практической конференции «Теория активных систем» (Москва, 2003г.); Международной конференции «Современные сложные системы управления» (Воронеж, 2003); VI Всероссийской научно-практической конференции «Системы автоматизации в образовании, науке и производстве» (Новокузнецк, 2003); XXIII Российской школе по проблемам науки и технологий (Екатеринбург, 2003); Международной конференции «Информационные технологии в XXI веке» (Днепропетровск 2004); Ряде международных, российских и отраслевых научных конференциях, проводимых в Старом Осколе по проблемам горно-металлургических предприятий региона Курской магнитной аномалии (Старый Оскол, 1999, 2002, 2003, 2004, 2005); Proceedings of the 2005 International Conference on Scientific Computing (CSS'05), Las Vegas, Nevada, USA (США, Jlac-Berac, 2005); Седьмой международной научной конференции, посвященной 75летию ВГАСУ «Современные сложные системы управления» (Воронеж, 2005); Proceedings of the 2005 International Conference on Machine Learning, Models, Technologies and Applications (MLMTA'05) Las Vegas, Nevada, USA (США, Лас-Вегас, 2005).

Диссертационное исследование поддержано грантом Министерством образования РФ -№012.0010881.

Публикации. По теме диссертационного исследования опубликовано более 100 работ в отечественных и зарубежных изданиях. Из них в списке литературы приведены 3 монографии [91, 155, 161], 2 учебных пособия [112, 157], 27 статей из перечня периодических журналов, рекомендованных ВАК для публикации основных результатов диссертации на соискание ученой степени доктора наук [85, 89, 98, 100, 102, 103, 104, 106, 107, 111, 114, 117, 120, 121, 122, 124, 128, 131, 133, 134, 136, 140, 141, 147, 148, 149, 150]. Разработаны и читаются курсы лекций «Системы интеллектуального управления» и «Нейроуправление на предприятиях горно-металлургического комплекса».

Вклад автора диссертации в работы, выполненные в соавторстве и отраженные в результатах, состоит в постановке задач, разработке теоретических положений, а также в непосредственном участии во всех этапах исследований.

Структура и объем диссертации. Диссертация состоит из введения, пяти глав, заключения, списка литературы из 420 наименований и 8 приложений. Основная часть работы изложена на 305 страницах машинописного текста, содержит 107 рисунков и 28 таблиц.

5.4 Выводы

1. Исследования и анализ, проведенные на ряде металлургических предприятий по внедрению корпоративных систем управления показали, что существенно повысить эффективность и выживаемость существующих на рынке ERP- систем может только повышение их адаптируемости за счет создания модулей, обеспечивающих гибкую настройку на изменяющиеся условия функционирования и основанных на методах исскуственного интеллекта.

2. Разработанная 'экспертная система принятия решений по техническому обслуживанию и ремонту различных видов металлургического оборудования охватывает следующие практические задачи ТОиР: :

- оценку показателей оборудования обжимных цехов;

- планирование графиков ремонтных работ;

- расчет количества запасных частей;

- планирование графиков ремонтных работ;

- планирование трудовых ресурсов ремонтных работ;

- планирование и организацию диагностических работ.

3. Разработанная нечеткая экспертная система шахтной печи металлизации позволяет существенно облегчить работу оператора-газовщика по оптимизации управляющих воздействий с целью достижения максимальной производительности печи при удержании степени металлизации окатышей и содержании углерода в заданных пределах.

4. Задача «живучести» контактных графиков в сталеплавильном производстве в условиях стохастических помех наилучшим образом может быть решена с помощью предложенного метода ситуационного управления, основанного на знаниях экспертов.

ЗАКЛЮЧЕНИЕ

1. Анализ существующих технологий управления инновационной деятельностью и результаты исследований прогностической модели развития современных АСУ предприятий горно-металлургического комплекса показали необходимость разработки и внедрения новых алгоритмов управления с привлечением возможностей искусственного интеллекта.

2. Разработана научно-обоснованная методология рационального планирования инновационных мероприятий в действующих АСУ металлургических предприятий. Показано, что эффективным инструментом оценки и принятия решений на его основе является интегральный показатель НТУ АСУ, получаемый в условиях многокритериальности и неполной исходной информации на основе информационно-статического подхода. Он должен учитывать динамику эволюции АСУ данного типа, выявленную в результате анализа систем-аналогов, имеющего достаточную глубину ретроспекции.

Перспективные направления совершенствования АСУ формализуются в виде кортежа предпочтительности частных и обобщенных показателей качест ва, с помощью которого методами принятия решений на основе теории нечет-, ких множеств и анализа иерархий может быть осуществлен выбор рациональных инновационных проектов АСУ.

3. Анализ состояния и тенденций развития управления в металлургии показал, что дальнейшее совершенствование СУ на основе классического подхода требует повышения адекватности математической модели процесса, что наталкивается на трудности, следующие из ограниченной возможности познания физико-математических процессов и множества случайных факторов, влияющих на их развитие. Исследования, проведенные на целом ряде технологических агрегатов и процессов, позволили установить эффективность использования интеллектуальных систем в качестве альтернативы существующим детерминированным ПИД-регуляторам и в виде интеллектуальных надстроек, оптимизирующих работу существующих систем. Методы искусственного интел лекта позволяют решить широкий класс задач управления неформализуемыми и трудноформализуемыми объектами и процессами металлургического производства. Достаточно эффективным оказывается рациональное сочетание различных методов искусственного интеллекта.

4. Показано, что все разнообразие методов и схем интеллектуального управления может быть сведено к понятию интеллектуального контроллера,' для описания которого предложена обобщенная информационно;; статистическая модель, позволяющая оценивать и прогнозировать эффективность управления объектом путем сравнения информационных портретов управляющих воздействий контроллера и выходной реакции объекта. Выбор интеллектуальной основы для контроллера предлагается вести на базе разработанного алгоритма поиска и принятия решений в пространстве состояний, целей и мнений экспертов.

5. В результате исследований, выполненных на реальных объектах и моделях горно-металлургического производства, установлена возможность и эффективность применения нечеткого управления, обеспечивающего дальнейшее повышение производительности агрегатов и качества продукции. Применительно к горно-металлургическим процессам и агрегатам разработана методика построения нечетких систем управления, результативность которой подтверждена конкретными оценками. В частности показано, что:

5.1 Система регулирования уровня металла в кристаллизаторе MHJI3, разработанная на основе нечеткой логики, позволяет повысить точность регулирования уровня металла до 5-ьбмм по сравнению с 10-И 1мм при классическом детерминированном регулировании.

5.2 Детерминированно-нечеткое управление процессом обжига сырых., окатышей, построенное на базе теории нечетких множеств, позволило на 40-. 50% снизить дисперсию процесса по сравнению с существующей технологией детерминированного управления. За счет этого достигается повышение качества продукции и уменьшение расхода энергоносителей. Кроме того, сужение колебаний величин позволяет сдвигать их средние значения в нужном направлении без опасности выхода за допустимые ограничения.

5.3 Применение нечеткой экспертной системы в качестве интеллектуальной надстройки над системой локального управления процессом мокрого самоизмельчения руды позволяет существенно оптимизировать управление за счет использования лингвистических переменных, определяющих измельчаемость, крупность руды и плотность пульпы, по сравнению с существующей системой экстремального регулирования, что позволит повысить производительность мельницы на 5*7% при одновременном сокращении удельного расхода электроэнергии на 4% на тонну и повышением извлечения полезного продукта из исходного сырья на 3*5%.

5.4 Нечеткое управление позволяет эффективно решить задачу управления чашевыми окомкователями заданием угла наклона чаши и скорости ее вращения, обеспечивающих увеличение выхода кондиционных окатышей не менее, чем на 8%. Поиски решений этой задачи традиционными методами не давали удовлетворительных результатов.

6. Исследование методологии и результатов мировой практики при> менения нейронных сетей для адаптивного управления динамическими объектами позволило установить отсутствие представления об абстрактном промышленном контроллере и единой методике его синтеза. Определено, что результативная методика разработки промышленных нейроконтроллеров должна состоять из последовательности процедур:

- выбор схемы нейроуправления и структуры нейросети, соответствующих задаче;

- выбор функций активации в скрытых и выходном слоях;

- определение количества входов и выходов сети и оптимального количе- -ства слоев и нейронов в слоях;

- выбор метода обучения сети и определение целевой функции обучения;

- формирование объема и структуры обучающей и тестовой выборок;

-определение эффективности оперативного обучения по величине динамической ошибки, оценке скорости обучения и ошибке сходимости сети;

7. Исследование динамических характеристик и технологических особенностей автоматизации предприятий горно-металлургического комплекса позволили разработать ряд процедур, обеспечивающих достаточно простое инженерное решение по созданию нейроконтролера.

8. В результате исследования различных вариантов нейросетевого управления в сочетании со степенью адекватности модели объекта, полнотой и временным регламентом измерения технологических величин и требованиями точности выявлены условия предпочтительности применения последовательного или параллельного с существующими ПИД-регуляторами управления нейро-контроллеров с самонастройкой, инверсно-динамических или рекуррентных сетей. В существующих системах нейроконтроллеры целесообразно применять для адаптивного формирования уставок локальных регуляторов. При практической реализации нейроконтроллеров получены результаты:

8.1 Инверсно-динамическое нейроуправление температурой восстановительного газа шахтной печи металлизации позволило более, чем в два раза повысить стабильность течения процесса при 10%-процентном возмущении по производительности, что по оценкам специалистов позволит обеспечить увеличение выходного продукта не менее, чем на 6-8%.

8.2 Нейроуправление с самонастройкой скоростью вращения валков обжимной клети позволило более, чем на порядок снизить величину ошибки регулирования по скорости по сравнению с существующей схемой ПИД-регулирования.

8.3 Применение рекуррентной нейронной сети для управления гидроциклоном позволило улучшить сепарационную характеристику и повысить производительность гидроциклона по классу годного продукта не менее, чем на 10%.

8.4 Показано, что для управления работой привода штабелера сортового проката наиболее эффективной является схема параллельного нейроуправления с применением имитационной ветви управления.

8.5 Интеллектуализация задачи формирования уставок в АСУ ТП обжиговой печью на основе нейросети позволила создать верхний уровень автоматического управления, обеспечивающий качество управления на уровне работы v опытного оператора.

8.6 Нейроуправление процессом нагрева заготовок в многозонной проходной печи по эталонной обобщенной (неточной) матмодели позволило значительно уменьшить разброс температуры заготовок на выходе и уменьшить расход газа на 4%.

8.7 Для условий металлургического производства, в котором превалируют процессы с большими постоянными времени, показана возможность увеличения быстродействия сети за счет уплотнения графика обучения и определены наиболее эффективные алгоритмы обучения.

9. В результате анализа проблем, связанных с решением задач в сфере принятия решений в организационных структурах металлургического производства, предложены решения плохсУформализуемых задач методами искусственного интеллекта.

9.1 Показано, что повышение выживаемости и обучаемости существующих ERP-систем может быть достигнуто только внедрением в них модулей искусственного интеллекта, обеспечивающих гибкую настройку на изменяющиеся условия функционирования.

9.2 Разработана экспертная система принятия решений по техническому обслуживанию и ремонту различных видов металлургического оборудования, которая охватывает следующие практические задачи ТОиР:

- оценку показателей оборудования обжимных цехов;

- планирование графиков ремонтных работ;

-расчет количества запасных частей;

- планирование графиков ремонтных работ;

- планирование трудовых ресурсов ремонтных работ;

- планирование и организации диагностических работ.

9.3 В результате исследований технологических процессов прямого восстановления железа разработана нечеткая экспертная система, организующая работу технолога поста управления по оптимизации управляющих воздействий, с целью достижения максимальной производительности печи при удержании степени металлизации окатышей и содержания в них углерода в заданных пределах. 1

9.4 Исследования, проведенные в сталеплавильном производстве, показали, что актуальная задача «живучести» контактных графиков плавок в условиях стохастических помех наилучшим образом может быть решена с помощью предложенного метода ситуационного управления, основанного на знаниях экспертов.

1. Автоматизация поискового конструирования (искусственный интеллект в машинном проектировании)/ Под ред. А.И. Половинкина. М.: Радио и связь, 1981.-344 с.

2. Айвазян С. Г. Прикладная статистика и основы эконометрики / Айвазян С. Г., Мхиратян В. С. — М.: ЮНИТИ, 1998.-1022 с.

3. Аналитические самонастраивающиеся системы автоматического управления//Сб. науч. статей / Под ред. В. В. Солодовникова. М.: Машиностроение, 1965.-356 с.

4. Андрейчиков А.В. Компьютерная поддержка изобретательства: методы, системы, примеры применения / Андрейчиков А.В., Андрейчикова О.Н.-М. Машиностроение, 1998.-476 с.

5. Андрейчиков А.В. Принятие стратегических управленческих решений: компьютерные методы и примеры применения: Учеб. пособие/Андрейчиков А.В., Андрейчикова О.Н. ВолгГТУ, Волгоград, 1998.-141 с.

6. Анохин П.К. Принципиальные вопросы общей теории функциональных систем // Принципы системной организации функций.- М.: Наука, 1973.- С.6-10

7. Анфилов B.C. Системный анализ в управлении/ Анфилов B.C., Емельянов А.А., Кукушкин А.А. -М.:Финансы и статистика, 2002.-367с.

8. Асан К. Прикладные нечеткие системы / Асан К., Ватада Д., Иван С. и др. Пер. с японс. М., 1993.- 386 с.

9. Байбурин В.Б. Модели и методы научно-технического прогнозирования: Уч. пособие/ Байбурин В.Б>, Терентьев А.А. -Саратов: Саратовский гос. техн. университет, 1999.-114 с.

10. Байхельт Ф. Надежность и техническое обслуживание. Математический подход / Байхельт Ф., Франкен П. Пер. с нем. М.: Радио и связь, 1988. - 392 с.

11. Балашов Е.П. Эволюционный синтез систем,- М.: Радио и связь, 1985.-328с.

12. Барвинок В.А. Прогнозирование качества сложных изделий в процессе производства / Барвинок В.А., Чекмарев А.Н., Рыжков А.И. // Проблемы машиностроения и автоматизации.- 1998. №4.-С.5-12

13. Бедкин А.Р. Принятие решений: комбинаторные модели аппроксимации информации/ Бедкин А.Р., Левин M.LLL- М.: Наука, 1990.- 167 с.

14. Берзин Е.А. Оптимальное распределение ресурсов и элементы синтеза систем.- М.: Сов. Радио, 1974.- 314 с.

15. Бир Ст. Кибернетика и управление производством.- М.:Наука, 1965,388 с.

16. Блохин В. Г. Современный эксперимент: подготовка, проведение, анализ результатов / Блохин В. Г., Глудкин О. П., Гуров А. И. — М.: Радио и связь, 1997.-230 с.

17. Боева Л.М. Моделирование и выбор рациональных направлений модернизации АСУ металлургического производства на основе разработки информационной системы принятия решений: Диссертация на соискание ученой степени к.т.н. М.: МИСиС, 2002 - 129 с.

18. Боковикова А.Х. Комплексный расчет тепломассообменных процессов при окислительном обжиге окатышей на конвейерной машине / Боковикова А.Х., Малкин В.М., Меламуд С.Г. // Сталь. -1995.- №4.- С.8-10.

19. Бокс Дж. Анализ рременных рядов. Прогноз и управление / Бокс Дж., Джекинс Г. Вып.1-2.- М.: Мир, 1974.- 67с.

20. Болотов М.Ю. Экспертные методы прогнозирования: Тексты лекций / Болотов М.Ю., Гуров А.Г. Корунов С.С., Кукушкин С.Н.; Под ред. Саркисяна С.А. -М.: Наука, 1985.-60 с.

21. Большая советская энциклопедия (в 30 томах). Т. 1 / Гл. редактор A.M. Прохоров,- 3-е изд.-.М.: Советская энциклопедия, 1969.- С. 6566

22. Борисов А.Н. Обработка нечеткой информации в системах принятия решений / Борисов А.Н., Алексеев А.В., Меркурьева Г.В. и др.-М.: Радио и связь, 1989.- 123с.

23. Борисов А.Н. Принятие решений на основе нечётких моделей / Борисов А.Н., Крумберг О.А., Фёдоров И.П.- Рига.: Зинатне, 1990 -184 с.

24. Буяновский J1.A. Прогнозирование эффективности автоматизации /

25. Буяновский JI.A., Зельцер С.П. -М.: ЦНИИТЭнефтехим, 1968.-29 е.

26. Вегман Е.Ф. Окомкование руд и концентратов: учебное пособие -3-е изд.- М.: Металлургия, 1984.- 256 с.

27. Вентцель Е. С. Теория вероятностей. — М.: Наука, 1969.-576с.

28. Вентцель Е. С. Теория случайных процессов и ее инженерные приложения/Вентцель Е. С., Овчаров Л. А.— М.: Наука, 1991.-383с.

29. Вержбицкий В.М. Численные методы (математический анализ и обыкновенные дифференциальные уравнения): Учеб. пособие для вузов. М.: Высш. шк., 2001.-382 с.

30. Воробьев В. И. Математическое обеспечение ЭВМ в науке и производстве. — Ленинград: Машиностроение, 1988.-159 с.

31. Воронов А. А. Современное состояние и перспективы развития адаптивных систем / Воронов А. А., Рутковский В. Ю. // Сб. UK-59 "Вопросы кибернетики: проблемы теории и практики платинного управления".- М.: Издано АП СССР, 1985.- С. 5-48.

32. Воронцов В.Л. Подход к планированию процесса усовершенствования технической системы по экономическим показателям // Приборы и системы. Управление, контроль, диагностика.- 2000.-№25.- С.34-48

33. Ворчик Б.Г. Единственность оценок максимального правдоподобия параметров стохастических систем(проблема локальных экстремумов) // Автоматика и телемеханика.-1984. -№ 6.- С.47-55.

34. Воплер Г.К. Практика ремонтного хозяйства 1987 // Черные металлы. 1987.-№18.- С.30-33

35. Гаврилов Ю.В. Оптимизация технических систем: Уч. пособие. -Челябинск.: Издательство ЮурГУ, 1998.-140 с.

36. Гаврилова Т.А. Базы знаний интеллектуальных систем / Гаврилова Т.А, Хорошевский В.Ф.- СПб.: Питер, 2001.-384 с.

37. Гайфуллин Б. Современные системы управления предприятием /Гайфуллин Б., Обухов И.//КомпьютерПресс.-2001.- №9.-С.46-55

38. Галушкин А. И. Теория нейронных сетей. Кн. 1. /Под ред. А. И. Галушкина. — М.: Изд-во ИПРЖР, 2000. -416 с.-(Нейрокомпьютеры и их применение)

39. Галушкин Л. И. Современные направления развития нейрокомпьютерных технологий в России/Юткрытые системы.-1997.-№4(24).-С. 25 — 28.

40. Галушкин. А.И. Основы нейроуправления // Приложение к журналу «Информационные технологии».- 2002.-№10. -24с.

41. Герлах X. Применбние экспертных систем в ремонтном хозяйстве / Герлах X., Эссер Д. // Черные металлы.- 1989.- №11.- С. 24-28

42. Глинков Г.М. АСУ ТП в черной металлургии / Глинков Г.М., Маковский В.А.-М. Металлургия, 1999.- 312с.зд Глинков Г.М. АСУ ТП в черной металлургии: Учебник для вузов / Глинков Г.М., Маковский В.А.-2-е изд., перераб. и доп.-М.: «Металлургия», 1999,-31 Ос.

43. Глущенко В.В. Прогнозирование. -3-е изд. -М.: Вузовская книга, 2000.-208 с.

44. Гмурман В. Е. Теория вероятностей и математическая статистика. — М.: Высшая школа, 1999,-479 с.

45. Головко В. А. Нейроинтеллект: теория и применение. Кн. 1. Организация и обучение нейронных сетей с прямыми и обратными связями. —Брест: Изд-во БПИ, 1999.- 264 с.

46. Головко В. А. Нейроинтеллект: Теория и применение. Кн. 2. Самоорганизация, отказоустойчивость и применение нейронных сетей.— Брест: Изд-во БПИ, 1999. -228 с.

47. Горбань А. Н. Обучение нейронных сетей.— М.: СП «ParaGraph», 1990.-160 с.

48. Горбань А. Н. Нейронные сети на персональном компьютере / Горбань А. Н., Россиев Д. А.— Новосибирск: Наука (Сиб. отделение), 1996. -276 с.

49. Горбань А.Н. Обучение нейронных сетей. М.: СП «ParaGraph», 1990,- 166 с.

50. Горбатов В.А. Фундаментальные основы дискретной математики. Информационная математика. М.: Наука, Физматгиз, 2Q00.-544 с.

51. Гордиенко Е. К. Искусственные нейронные сети. I. Основные определения и модели / Гордиенко Е. К. Лукьянина А. А. //Изв. РАН. -1994. № 5. С. 79 — 92.- (Техническая кибернетика)

52. Горелова В.П. Основы прогнозирования систем: Уч. пособие для инж.-эконом. спец. вузов / Горелова В.П., Мельникова Е.Н. -М.: Высш. шк., 1986.-287 с.

53. Горский Ю.М. Информационные аспекты управления и моделирования.- М.: Наука, 1978. -223 с.

54. Грановский В.А. Методы обработки экспериментальных данных при измерениях / Грановский В.А., Сирая Т.Н. Л.: Энергоатомиздат,• 1990.-288 с.

55. Гринберг А. С. Автоматизированные системы управления предприятиями / Гринберг А. С., Колосков В. П., Михалев С. Б. — М.: Энергия, 1978.-224 с.

56. Гроссберг С. Внимательный мозг //Открытые системы.- 1997.- № 4(24).- С.29 — 33.

57. Турин Л.Г. Методы и модели совместного использования вероятностных методов и экспертного оценивания в прогнозировании.- М.: ВЦ РАН, 1994.-145с.

58. Гусев Л.А. Развитие теории размытых множеств / Гусев Л.А., Смирнова И.М. //Измерения, контроль, автоматизация.- 1978.-№3 (15). С.13-26

59. Данильченко И.А. Автоматизированные системы управления предприятием: Учебник для инженерных специальностей / И.А. Данильченко, В.А. Мясников, В.Н. Четвериков.-М.: Машиностроение, 1984.-360 с.

60. Дворяшин Б.В. Основы метрологии и радиоизмерения: Учеб.пособие для вузов.-М.: Радио и связь, 1993.-320с.

61. Дейч A.M. Методы идентификации Динамических объектов. -М.: Энергия, 1979.-240 с.

62. Деревиикий Д. П. Прикладная теория дискретных адаптивных систем управления / Деревицкий Д. П., Фрадков А. Л.— М.: Наука, 1981.- 216с.

63. Джоффрион А. Решение задач оптимизации при многих критериях на основе человеко-машинных процедур / Джоффрион А./Дайер Дж., Файнберг А. // Вопросы анализа и процедуры принятия решений/Пер. с англ.- М.: Мир, 1976.- С. 126-145.

64. Донченко А.С. Справочник механика рудообогатительной фабрики / Донченко А.С., Донченко В.А.- 2-е изд., перераб. и доп. М.: Недра, 1986 - 543 е.: ил.

65. Древницкий Е.Г. Повышение эффективности работы вращающихся печей/Донченко А.С., Донченко В.А. М.: Стройиздат, 1990.- 167с.

66. Дружинина М. П. Методы адаптивного управления нелинейными объектами по выходу / Дружинина М. П., Никифоров Н. О., Фрадков А. Л. // АиТ. -1996.- № 2.- С. 3-33.

67. Дубов Ю.А. Многокритериальные модели формирования и выбора вариантов систем /Дубов Ю.А., Травкин С.И., Якимец В.Н. -М.: Наука, 1986.-296 с.

68. Дьяконов В. Matlab 6: учебный курс СПб.: Питер, 2001. - 592с.

69. Евланов Л.Г. Теория и практика принятия решений. М.: Экономика, 1984.-175 с.

70. Еременко Ю.И. Автоматизация шахтной печи металлизации окатышей на основе нейроуправления // Труды Международной конференции «Современные сложные системы управления».-Воронеж, 2003.-С.68-74

71. Еременко Ю.И. Автоматизированный электропривод компрессорного агрегата / Еременко Ю.И., Гамбург К.С., Попов О.Д.// Сборник кратких сообщений XXIII Российской школы по проблемам науки и техники.- Миасс, 2003.-57с.

72. Еременко Ю.И. Адаптивная модель управления вращающейся обжиговой печью//Нейрокомпьютеры разработка и применение.-2004.-№>5-6.С.110-114.

73. Еременко Ю.И. Интеграция интеллектуальных систем в состав АСУ металлургических производств/ Еременко Ю.И., Халапян С.Ю. // Известия высших учебных заведений. ЧМ.- 2002.-№1.- С.53-56

74. Еременко Ю.И. Интеграция экспертной системы в состав ИАСУ электрометаллургического комбината/ Еременко Ю.И., Сопилкин Г.В. // Сборник трудов СОФ МИСиС Старый Оскол, 1999.-С. 19-20

75. Еременко Ю.И. Интеллектуализация задач управления технологическими процессами предприятий горнометаллургического комплекса: монография Старый Оскол: Тонкие наукоемкие технологии, 2004-146с.

76. Еременко Ю.И. Исследование и разработка метода нейронного управления печью отжига / Еременко Ю.И., Полещенко Д.А. // Труды Международной научной конференции «Современные сложные системы управления».- Старый Оскол, 2002.- С.57-59

77. Еременко Ю.И. Математическая модель и алгоритм регулирования поршневого компрессорного агрегата / Еременко Ю.И., Пашура М.А.//Приборы и системы. Управление, Контроль, Диагностика.-2002.- №10.- С.28-30

78. Еременко Ю.И. Метод регулирования для поршневого компрессорного агрегата / Еременко Ю.И., Пашура М.А.//Автоматизация и современные технологии.-2002.-№7.- С.39-42

79. Еременко Ю.И. Методология прогнозирования инновационных мероприятий в промышленных АСУ /Еременко Ю.И., Боева J1.M. Лубашев Ю.А. // Труды Международной научной конференции «Современные сложные системы управления».- Липецк, 2001.-С. 2023

80. Еременко Ю.И. Моделирование инновационных процессов в промышленных АСУ /Еременко Ю.И., Боева Л.М. //Известия высших учебных заведений. ЧМ.-2001.- №11.- С.52-57

81. Еременко Ю.И. Моделирование развития сложных промышленных АСУ Еременко Ю.И., Боева Л.М. //Приборы и системы. Управление, Контроль, Диагностика.-2001,- №5,- С Л 0-11

82. Еременко Ю.И. Модернизация системы регулирования уровня металла в кристаллизаторе с использованием нечеткого управления //Автоматизация и современные технологии.-2004.- №1.- С.5-10

83. Еременко Ю.И. Модернизация автоматического управления шахтной печью цеха металлизации/ Еременко Ю.И., Ряжских Л.Т. // Сборник трудов СОФ МИСиС.- Старый Оскол, 1999.-С.37-39

84. Еременко Ю.И. Нейронная модель зонного управления печью нагрева //Известия высших учебных заведений. ЧМ.-2003.-№7.-С.71-74

85. Еременко Ю.И. Нейросетевая идентификация процесса классификации железнорудного концентрата в системе автоматизации работы гидроциклона// Мехатроника, Автоматизация, Управление.-2004.-№10-С.39-41

86. Еременко Ю.И. Нёйроуправление вращающейся обжиговой печью // Труды Международной научно-практической конференции «Теория активных систем».- Москва, 2003.- С.34-39

87. Еременко Ю.И. О выборе структуры интеллектуального контроллера для решения задач управления в бескоксовой металлургии // Приборы и системы. Управление, Контроль, Диагностика.-2003,-№9.- С.16-19

88. Еременко Ю.И. О нейроуправлении главным приводом дуореверсивной клети // Труды IV Всероссийской научно-практической конференции «Системы автоматизации в образовании, науке и производстве».- Новокузнецк, 2003 .-С.56-71

89. Еременко Ю.И. О повышении оперативности обучения нейроконтроллеров в управлении металлургическими объектами //Приборы и системы. Управление, Контроль, Диагностика.-2004.-№3.-С. 16-20

90. Еременко Ю.И. О повышении эффективности АСУ в металлургии на основе интеллектуализации алгоритмов управления // Труды Международной научной конференции «Современные сложные системы управления».- Старый Оскол, 2002,- С.23-27

91. Еременко Ю.И. О применении интеллектуального управления в автоматизации технологических процессов бездоменного производства стали // Труды Международная конференция «Современные сложные системы управления».- Воронеж, 2003.-С.65-67

92. Еременко Ю.И. О применении нечеткого логического контроллера в управлении процессом обжига окисленных окатышей //Мехатроника, Автоматизация, Управление.-2003.-№9.- С.39-43

93. Еременко Ю.И. О применении искусственных нейронных сетей для управления приводами клетей прокатного стана Наука и технологии//Труды XXIII Российской школы.- Москва, 2003.-С.45-51

94. Еременко Ю.И. О применении искусственных нейронных сетей для управления приводами клетей прокатного стана / Еременко Ю.И., Дудников В.А. // Мехатроника, Автоматизация, Управление.-2003.-№6.- С.40-44

95. Еременко Ю.И. О применении нейронных сетей для управления приводами прокатных клетей/ Еременко Ю.И., Дудников В.А. И Сборник кратких сообщений XXIII Российской школы по проблемам науки и техники,- Миасс, 2003.-С.23-25

96. Еременко Ю.И. О применении нейронных сетей для управления приводами прокатных клетей / Еременко Ю.И., Дудников В.А. // Труды XXIII Российской школы по проблемам науки и технологий.-Екатеринбург, 2003,- С.34-37

97. Еременко Ю.И. Об интеллектуализации задач управления металлургическими процессами // Приборы и системы. Управление, Контроль, Диагностика.-2002.- №9.- С. 6-9

98. Еременко Ю.И. Об интеллектуализации процессов управления обжиговой машиной // Труды Международной научной конференции «Современные сложные системы управления»,- Воронеж, 2003.-С.7-11

99. Еременко Ю.И. Об интеллектуализации управления процессом кристаллизации в условиях непрерывной разливки стали // Известия высших учебных заведений. ЧМ.-2003.- №11,- С. 19-23

100. Еременко Ю.И. Об использовании динамической экспертной системы в решении задач автоматизированного управления шахтными печами цеха металлизации // Приборы и системы. Управление, Контроль, Диагностика.-2004.- №4,- С.11-16

101. Еременко Ю.И. Об использовании инверсно-динамического метода нейроуправления в системе автоматизации шахтной печи установки металлизации окатышей // Приборы и системы. Управление, Контроль, Диагностика.- 2003.- №8.- С.11-14

102. Еременко Ю.И. Об использовании нейронных сетей для управления процессом металлизации железа в шахтной печи / Еременко Ю.И., Грачев Н.О. // Труды Научно-практической отраслевой конференции

103. Системы автоматизированного управления производствами, предприятиями и организациями горно-металлургического комплекса».- Старый Оскол, 2003.-С.78-83

104. Еременко Ю.И. Схема интеллектуального управления металлургическими процессами на основе контроллера с нейросетевой самонастройкой // Приборы и системы.Управление, Контроль, Диагностика.-2004.-№5.-С. 1 -3

105. Еременко Ю.И. Опыт разработки автоматизированной системы управления технологическим комплексом по производству изделий из ячеистого бетона / Еременко Ю.И. Дудкин А.Г. М.: Минстрой: Производство материалов. - 1992. - №5.- С.45-56

106. Еременко Ю.И. Оценка эффективности использования метода временного уплотнения обучения нейросети для задач управления теплотехническими процессами//Известия высших учебных заведений. ЧМ.-2005.-№1-С.34-37

107. Еременко Ю.И. Система автоматизации календарного планирования сталеплавильного участка / Еременко Ю.И., Дудников В.А. /Приборы и системы. Управление, Контроль, Диагностика.-2005.-№5.-С.63-66

108. Еременко Ю.И. Прогнозирование инновационных мероприятий в сложных АСУ // Еременко Ю.И., Боева Л.М. //Автоматизация и современные технологии.-2001.- №3.- С.29-31

109. Еременко Ю.И. Прогнозирование модернизаций в сложных промышленных АСУ/ Еременко Ю.И., Боева Л.М.//Приборы и системы. Управление, Контроль, Диагностика.-2001.- №4.- С.6-9

110. Еременко Ю.И. О методах оптимизации загрузки оборудования в сталеплавильном производстве/ Еременко Ю.И., Дудников В.А.// Мехатроника, Автоматизация, Управление.-2005.-№7.-С.32-35

111. Еременко Ю.И. Об оптимизации структуры системы экстремального регулирования процесса окомкования окатышей /Еременко Ю.И., Полещенко Д.А., Солодов С.В.// Приборы и системы. Управление, Контроль, Диагностика.-2005 .-№9.-С. 13-16

112. Еременко Ю.И. Разработка нейронной системы управления печью нагрева / Еременко Ю.И., Пермикин А.П.// Труды Международной научной конференции «Современные сложные системыуправления».-Старый Оскол, 2002.- С.62-64

113. Еременко Ю.И. Реализация экспертной системы в составе АСУТП / Еременко Ю.И., Сопилкин Г.В. Халапян С.Ю.// Сборник трудов СОФ МИСиС. Старый Оскол, 1999.-С.43-45

114. Еременко Ю.И. Современные информационные технологии: монография / Еременко Ю.И., Штангей С.М.- Старый Оскол, Тонкие наукоемкие технологии, 2001.-198с.

115. Еременко Ю.И. Технические средства автоматизации технологических процессов. Раздел: Контроллеры и микроконтроллеры // Материалы конференции «Аналитический обзор современных средств» М.: Энергоатомиздат, 1995.- С.24-29

116. Еременко Ю.И. Управление объектами горно-металлургического производства на основе использования искусственных нейронных сетей: Учебное пособие. Старый Оскол, 2004. - 166с.

117. Еременко Ю.И. Экспертная система оперативного управления и планирования в электросталеплавильном цехе/ Еременко Ю.И., Капустина Е.В. // Труды Международной научной конференции

118. Современные сложные системы управления».- Воронеж, 2003.-С.27-29

119. Еременко Ю.И. Экспертная система технического обслуживания машин: монография / Еременко Ю.И., Крахт В.Б. и др. Старый Оскол: Научная библиотека, 1999.- 305с.

120. Ерофеев А.А. Интеллектуальные системы управления / Ерофеев А.А., Поляков А.О.- Санкт-Петербург: Изд-во СПбГТУ, 1999.- 264с.

121. Ерофеев А.А. Проектирование интеллектуальных систем с нечеткой логикой управления / Ерофеев А.А., Поляков А.О. // Труды IV Международной НТК «Актуальные проблемы электронного приборостроения».- Новосибирск, 1998.- С.41-43

122. Желтенков А.В. Совершенствование методов оценки качества АСУ: Дис. канд. техн. наук / 61:87-8/509-1.- М.: Гос. университет управления, 1987.-34с.

123. Захаров В.Н.Нечеткие модели интеллектуальных промышленных регуляторов и систем управления, II Эволюция и принципы построения/ Захаров В.И., Ульянов С.В.// Техническая кибернетика.-1993.-№4.- С. 189-205

124. Захаров В.Н.Нечеткие модели интеллектуальных промышленных регуляторов и систем управления, IV «Имитационное моделирование»/ Захаров В.И., Ульянов С.В. // Техническая кибернетика.- 1994.-№5.-С. 168-211Щ321

125. Захаров В.Н.Нечеткие модели интеллектуальных промышленных регуляторов и систем управления, I Научно-организационные, технико-экономические и прикладные аспекты / Захаров В.И., Ульянов С.В. //Техническая киберненика.- 1992.-№5.- С. 171-197

126. Ивченко Б.П. Информационная микроэкономика. Часть 2. Анализ закономерностей и моделирование / Ивченко Б.П., Мартыщенко Л.А., Губин Г.С.- СПб.:Нордмед-Издат, 1998.-160 с.

127. Ивченко Б.П. Информационная микроэкономика. Часть 1. Методы анализа и прогнозирования / Ивченко Б.П., Мартыщенко Л.А., Иванцов И.Б. СПб.:Нордмед-Издат, 1998.-169 с.

128. Ивченко Б.П. Теоретические основы информационно-статистического анализа сложных систем / Ивченко Б.П., Мартыщенко Л.А., Монастырский М.Л. СПб.: Лань, 1997.-320 с.

129. Игошин Н.В. Инвестиции. Организация и финансирование: Учебник для вузов. М.: Финансы, ЮНИТИ, 1999.-413 с.

130. Ильенкова С.Д. Инновационный менеджмент/ Ильенкова С.Д., Гохберг Л.М, Ягудин С.Ю. и др. -М.: ЮНИТИ, 2000.-327 с.

131. Инженерная методика автоматизированной оценки безотказности металлургического оборудования / Л.В. Коновалов, А.Н. Цупров и др. //Вестник машиностроения,- 1991.-№7.-С. 57-59

132. Информатика: Учебник / Под ред. проф. Н.В. Макаровой. 3-е перераб. изд.— М.: Финансы и статистика, 1999.-768 с.

133. Исследования в ремонтном хозяйствие/ Х.Туммес, Г.К. Валлер // Черные металлы.- 1990.- №4,- С.31-38

134. Кабетов В.Е. Современная система учета и анализа отказов электрических машин на металлургическом комбинате / Кабетов В.Е., Капланов А.П.// Сталь,- 1984.- №7.- С.92-95

135. Каменев А.Ф. Технические системы: закономерности развития.- Л.: Машиностроение, 1985.-216 с.

136. Караваев Е.П. Промышленные инвестиционные проекты: теория и практика инжиниринга. М.: МИСИС, 2001 .-299 с.

137. Карданская Н.Л. Принятие управленческого решения: Учебник для вузов. -М.: ЮНИТИ, 1999.-407 с.

138. Карминский A.M. Информатизация бизнеса / Карминский A.M., Нестеров П.В.- М.: Финансы и статистика. 1997. 416 с.

139. Карпачев И.И. Классификация компьютерных систем управления предприятием, <http://www.pcweek.ru>.

140. Катулев А.Н. Исследование операций . Принципы принятия решенийи обеспечение безопасности. Учебное пособие для вузов / Катулев

141. A.Н., Северцев Н.А. М.: Физико-математическая литература, 2000.-320 с.

142. Кашьяп P.J1. Построение динамических стохастических моделей по экспериментальным данным / Кашьяп P.J1., Рао А.Р.-М.: Наука, 1983.-384 с.

143. Квейд Э. Анализ сложных ситем.-М.:Мир, 1969.-519 с.

144. Кезлинг Г.Б.Эффективность и качество АСУ / Кезлинг Г.Б., Евдокимов В.В., Федоров С.Д.- Л.: Лениздат, 1979.-216 с.

145. Клюев В.В. Технические средства диагностирования:Справочник / Клюев В.В., ПархоменкоП.П, Абрамчук В.Е. и др. Под общей ред.

146. B.В.Клюева.-М.: Машиностроение, 1989.-672 с.

147. Клюев А. С. Метрологическое обеспечение АСУ ТП / Клюев А. С., Лебедев А. Т., Миф Н. П. — М.: Энергоатомиздат, 1995.-160 с.

148. Ключев В.И. Теория электропривода: Учеб. Для вузов.-2-е изд. ' Перераб. И доп.-М.:Энегоатомиздат, 1998.-704 е.: ил.

149. Ковалев В.В. Методы оценки инвестиционных проектов. М.: Финансы и статистика, 1999.-144 с.

150. Коган И.М. Прикладная теория информации. М.: Радио и связь, 1981,-216 с.

151. Кокорева Л.В. Диалоговые системы и системы представления знаний / Кокорева Л.В., Перевозчикова О.Л., Ющенко Е.Л. К.: Наук, думка, 1992.-448 с.

152. Кокс Д. Теоретическая статистика / Кокс Д., Хинкли Д. М.: Мир, 1978.-560 с.

153. Колесников А. А. Основы теории синергетического управления / Под общ. ред. А. С. Клюева.— М.: Фирма «Испо-Сервис», 2000. -264 с. (Книги специалиста по автоматизации производства)

154. Колмогоров А.А. Интегрирование и экстраполирование стационарных случайных последовательностей. Т. 5; №1.- М.: АН СССР, 1941.-124с. (Математика)

155. Концепция инновационной политики Российской Федерации на 1998-2000 годы: Постановление Правительства Российской Федерации №832 от 24 июля 1998 года// Российская газета.-1998.19 авг.

156. Кравченко Т.К. Процесс принятия плановых решений (информационные модели). -М.: Экономика, 1974. 183 с.

157. Красовский А. А. Динамика непрерывных самонастраивающихся систем. -М.: Физматгиз, 1963. -468 с.

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

159. Лагоша Б.А. Основы системного анализа. Учебное пособие/ Лагоша Б.А., Емельянов А.А. Моск. Ун-т экономики, статистики и информатики. М., 1998.-77 с.

160. Ларичев О.И. Человеко-машинные процедуры решения многокритериальных задач математического программирования: обзор / Ларичев О.И., Поляков О.А. // Экономика и математические методы.- 1980.-T.XVI.- вып. 1,-С.129-145.

161. Левин Р. Практическое введение в технологию искусственного интеллекта и экспертных систем с иллюстрациями на Бейсике / Левин Р., Дранг Д., Эдельсон Б. М.: Финансы и статистика, 1991 - 239 с.

162. Ленович А. С. Автоматические системы управления технологическими процессами и установками прокатных цехов. — М.: Металлургия, 1979.- 368с.

163. Линник Ю.В. Метод наименьших квадратов и основы теории обработки наблюдений.- М.: Физматгиз, 1958.-349 с.

164. Литвак Б.Г. Управленческие решения. М.: Ассоциация авторов и издателей «ТАНДЕМ», ЭКМОС, 1998 г. - 248 с.

165. Лотош В.Е. Совершенствование технологии окускования руд и• ' концентратов / Лотош В.Е., Окунев А.И.- М.: Металлургия, 1986.178с.

166. Льюис К.Д. Методы прогнозирования экономических показателей.-М.: Финансы и статистика, 1986.-133 с.

167. Маерчак Ш. Производство окатышей. М.: Металлургия, 1982. - 232 с.

168. Мазур В.Л. Перспективы развития горно-металлургического комплекса Украины // Сталь. -1996.- №7.- С.3-5•

169. Макеев С.П. Упорядочение объектов в иерархических системах / Макеев С.П., Шахнов И.Ф.//Известия АН СССР. Техническая кибернетика.-1991.- №3.- С.29-46.

170. Мамиконов А. Г. Основы построения АСУ: Учебник для вузов. — М.: Высшая школа, 1981.-248 с.

171. Маркашов В.Е. Проблемы прогнозирования, разработки, внедрения новых технологий.- К.: Общество «Знание» УССР, 1981.-20 с.

172. Маркс К. Сочинения. Т.23. / Маркс К., Энгельс Ф.- М., 1971.-214с.

173. Меламед И. И. Нейронные сети и комбинаторная оптимизация * //Автоматика и телемеханика.- 1994.- № 7.- С. 3 — 40.

174. Мелещенко Ю.С. Техника и закономерности ее развития.- Л.: Лениздат, 1970.-246 с.

175. Месарович М. Теория иерархических многоуровневых систем / Месарович М., Мако Д., Такахара И. М.: Мир, 1973.- 341с.

176. Методы поиска новых технических решений/ Под ред. А.И. Половинкина.- Йошкар-Ола:Маркнигоиздат, 1976.-192 с.

177. Минский М. Перцептроны / Минский М., Пейперт С.— М.: Мир,1971.262 с.

178. Мирошник И. В. Нелинейное и адаптивное управление сложными динамическими системами / Мирошник И. В., Никифоров В. О., Фрадков А. Я. II Анализ и синтез нелинейных систем.- СПб.: Наука, 2000.-549 с.

179. Михайлов Ю.Б. Алгоритм выбора прогнозирующей зависимости, обеспечивающей наибольшую точность прогноза // Приборы и системы.- 2000.- №12.-С.13-15

180. Михайлов Ю.Б. Прогнозирование количественных характеристик многопараметрических процессов в условиях неоднородной статистической информации // Приборы и системы.- 2000.- №6.-С.20-30

181. Михайлов Ю.Б. Современное состояние и некоторые пути повышения точности прогнозирования количественных характеристик процессов. // Инж. Физика.- 2000.-№1 .-С.23-25

182. Моисеев Н.Н. Социализм и информатика.- М.: Политиздат, 1988.-34с.

183. Морозов Ю.П. Инновационный менеджмент. -М.: ЮНИТИ, 2000.446 с.

184. Мушик Э. Методы принятия технических решений / Мушик Э., Мюллер П.-М.: Мир, 1990 208 с.

185. Надежность и живучесть систем связи/Под ред. В.Ф. Уткина, Ю.В. Крючкова.- М.: Машиностроение, 1988.-328 с.

186. Надежность и эффективность в технике.: Справочник: в 10-и томах./ Ред. Совет: B.C. Авдуевский (пред.) и др. Т.2. Математические методы теории надежности и эффективности / Под ред. Б.В. Гнеденко.-М.: Машиностроение, 1987.- 154с.

187. Надежность и эффективность в технике: Справочник: В 10 т. ТЗ. Эффективность технических систем / Под общ. Ред. В.Ф. Уткина, Ю.В. Крючкова. М.: Машиностроение, 1988. - 328 с.

188. Нариньяни А.С., Седреева Г.О., Седреев С.В. Недоопределенное календарное планирование: новые возможности., С.А.Фролов, <www.artint.ru>.

189. Нейроинформатика и ее приложения // Материалы 3-го Всерос. семинара, 6 — 8 октября 1995 г. Ч. 1 /Под ред. А. Н. Горбаня.—

190. Красноярск: Изд-во КГТУ, 1995.- 230 с.

191. Николаев В. И. Системотехника: методы и приложения / Николаев В. И., Брук В. М.-Ленинград: Машиностроение, 1985.-199с

192. Новицкий П.В. Оценка погрешностей результатов измерений / Новицкий П.В., Зограф И.А. -2-е изд., перераб. и доп. -Л.: Энергоатомиздат. 1991.-304 с.

193. Норберт Винер Человек управляющий.-Питер, 2001,- 288с.2^ Обогатительное оборудование: Каталог-справочник М.: Гос' гортехиздат, 1961.-164 е.: ил.

194. Одрин В.М. Методы морфологического анализа технических систем Курс лекций. -М.: ВНИИПИ, 1989.-311 с.

195. Омату С. Нейроуправление и его приложения. Кн.2 / Омату С. и др. ' Под ред. А.И. Галушкина М.: ИПРЖР, 2002.-272с. (Нейрокомпьютеры и их применение)

196. Оптимизация работы чашевых грануляторов: Отчет окончательный/ ' ДМетИ.№Г.Р.75055067, инв№Б565672. Днепропетровск, 1976.-56с.

197. Орловский С.А. Проблемы принятия решений при нечеткой исходной информации.- М.: Наука, 1981.- 78с.

198. Основы инновационного менеджмента. Теория и практика: Уч. пособие. / Под. ред. Завлин П.Н„ Казанцева А.К„ Миндели Л.Е.- М.: Экономика, 2000. 235с.

199. Оунсон Ч. Численное решение задач метода наименьших квадратов / Оунсон Ч., Хенсон Р. М.: Наука, 1986. -232 с.

200. Перельман И.И. Оперативная идентификация объектов управления .М.: Энергоиздат, 1982.-272 с.2£) Пивкин В.Я. Нечеткие множества в системах управления: Курс лекций по теории нечеткой логики / Под ред. д.т.н. Золотухина Ю.Н.-М., 1996.- 178с.

201. Половинкин А. И. Теория проектирования новой техники: закономерности техники и их применения. — М.: Информэлектро, 1991.-104 с.

202. Половинкин А.И. Законы строения и развития техники. Постановка проблемы и гипотезы.- Волгоград: ВолгПИ, 1985.-202 с.

203. Поляков А.О. Интеллектуальные системы управления. Введение в прикладную теорию. Санкт-Петербург, 1997.- 156с.

204. Поляков А.О. Технология интеллектуальных систем.- Санкт-Петербург, 1995.-167с.

205. Попандопуло И.К. Непрерывная разливка стали / Попандопуло ' И.К., Михневич Ю.Ф. М.: Металлургия, 1990. -296с.

206. Попов Э.В. Статические и динамические экспертные системы / Попов ' Э.В,, Фоминых И.Б. и др.- М.: Финансы и статистика, 1996,- 317с.

207. Прангишвили И.В. Основы построения АСУ сложными технологическими процессами / Прангишвили И.В., Амбарцумян А.А. М.: Энергоатомиздат, 1994.-305 с.

208. Причины неудач внедрения ERP-систем в России // Логинфо.- 2001 .-№7-8.-C.33-34

209. Прогностика. Терминология / Под ред. В.И. Сифорова.- М.: Наука, 1990.-56 с.

210. Прохорович В.Е. Прогнозирование состояния сложных технических комплексов.- СпБ.: Наука, 1999.-158 с.

211. Пугачев B.C. Теория случайных функций.-М: Физматгиз, 1971.-883с.

212. Райветт П. Исследование операций / Райветт П., Акофф Р.Л.- М.: Мир, 1966.-142 с.

213. Раскин Л.Г. Анализ сложных систем и элементы теории оптимального управления,- М.: Сов. Радио, 1976.-344 с.

214. Редкозубов С.А. Статистические методы прогнозирования в АСУ. -М.: Энергоиздат, 1981.-151 с.

215. Роберт 3. Задачи ремонтного хозяйства / Роберт 3., Юст Р., Валлер Г.К. // Черные металлы. 1987.- №1.- С. 3-7

216. Розанов Ю. А. Теория вероятностей, случайные процессы иматематическая статистика. — М.: Высшая школа, 1999.-312 с.

217. РозенблаттФ. Принципы нейродинамики: Перцептрон и теория механизмов мозга.— М.: Мир, 1965.- 480 с.2gQ Рыбина Г.В. Технология проектирования прикладных экспертных систем: Учебное пособие. -М.: МИФИ, I99I.-I Юс.

218. Саати Т. Принятие решений. Метод анализа иерархий. / Пер. с англ. -М.:Радио и связь, 1989.-316 с.

219. Саридис Дж. Самоорганизующиеся стохастические системы управления.-М.: Наука, 1980.-400с.

220. Саркисян С.А. Большие технические системы. Анализ и прогноз развития. -М.: Наука, 1977.-350 с.

221. Саркисян С.А. Анализ и прогноз развития больших технических систем/ Саркисян С.А., Ахундов В.М., Минаев Э.С. -М.: Наука, 1983.-280с.

222. Саркисян С.А. Прогнозирование развития больших систем / Саркисян С.А., Голованов Л.В. -М.: Статистика, 1975.-192 с.

223. Саркисян С.А. Теория прогнозирования и принятия решений / Саркисян С.А., Каспин В.Н., Лисичкин В.А.- М.: Высшая школа, 1977.-355 с.

224. Саркисян. С.А. Научно-техническое прогнозирование и программно-целевое планирование в машиностроении / Саркисян. С.А., Акопов П.Л., Мельникова Г.В. -М.: Машиностроение, 1987.-299 с.

225. Сваткин М 3. Группы качества на машиностроительных предприятиях / Сваткин М 3., Мацута В.Д., Рахлин К.М. Л.: Машиностроение, Ленингр. отд-ние, 1988.-141 с.

226. Седуш В.Я. Организация технического обслуживания металлургического оборудования / Седуш В.Я., Сопилкин Г.В., Вдовин В.З. и др.-М.: Техника, 1986,- 124 с.29} Серго Е.Е. Дробление, измельчение и грохочение полезных ископаемых. М.: «Недра», 1985.-258с.

227. Симанков B.C. Моделирование принятия решений в адаптивных АСУ сложными системами на основе теории информации/Симанков

228. B.C., Луценко Е.В. http://lc.narod.ru/aidos/Public/st61 .htm

229. Смирнов Э.А. Разработка управленческих решений: Учебник для вузов. М.: ЮНИТИ-ДАНА, 2000.-271 с.

230. Советов Б.А. Моделирование систем: Учебник для вузов / Советов Б.А., Яковлев С.А. -М.: Высш. шк., 1998.-319 с.

231. Современная прикладная теория управления: Оптимизационный подход в теории управления. Ч. 1 / Под ред. Л. Л. Колесникова.-Таганрог: Изд-во ТРТУ, 2000.- 400с.

232. Современная прикладная теория управления: Оптимизационный подход к теории управления. Ч. П. / Под ред. А.А.Колесникова — Таганрог: Изд-во ТРТУ, 2000.- 559 с.

233. Современная прикладная теория управления: Оптимизационный подход к теории управления. Ч. Ш /Под ред. А. А. Колесникова.— Таганрог: Изд-во ТРТУ, 2000,- 703с.

234. Сопилкин Г.В. Модели экспертно-диагностической системы технического обслуживания оборудования / Сопилкин Г.В., Ченцов Н.А., Ошовская Е.В. // Прогрессивные технологии и системы мешиностроения: Сб. науч. статей. Донецк: Дон ГТУ, 1995.- Вып.21. C.73-82

235. Сопилкин Г.В. Принципы построения экспертной системы обслуживания оборудования / Сопилкин Г.В., Ченцов Н.А., Сидоров В.А., Ошовская Е.В. //Програссивные технологии и системы машиностроения: Сб. науч. статей.-Донецк, ДонГТУ, 1996.-Вып.З,- С. 115-124

236. Суржко А.В. Совершенствование методики определения НТУ АСУ: Дис. канд. техн. наук 61:83-8/830-8/ Ленингр. инженерно-экон. институт.- Л., 1983.-230с.

237. Таха Х.А. Введение в исследование операций. В 2-х книгах. Кн.2.-М.: Мир, 1985.-496 с.

238. Терехов В. А. Нейросетевые системы управления / Терехов В. А., Ефимов Д. В. Тюкин И. Ю.; Под ред. А. И. Галушкина. — М.: Изд-во ИПРЖР, 2002.- 147с. (Нейрокомпьютеры и их применение)

239. Терехов В. А. Нейросетевые системы управления / Терехов В. А. Ефимов Д. Я. Тюкин И. Ю. Антонов В. Н.— СПб.: Изд-во С.-Петербургского университета, 1999.- 265с.

240. Терехов В.А. Нейросетевые системы управления / Терехов В.А., ' Ефремов Д.В., Тукин И.Ю. -М.: ИПРЖР, 2002. -480 с.3 }0 Технологическая инструкция по дроблению и обогащению желези-' стых кварцитов: ТИОО 186803-6.9-01-2000 -Губкин: ОАО ЛГОК, 2000.-13с.

241. Товмасян С.С. Философские проблемы труда и техники.- М.: Мысль, 1972.-287 с.

242. Токарев В.Л. Интегрированная система поддержки принятия решений по управлению, прогнозированию и диагностике// Автоматизация и современные технологии.- 2000.-№4.-С.Ю0-105

243. ТУ 001868023-6.10-07 «Окатыши сырые железорудные фабрики окомкования»

244. Тулин Н.А. Развитие бескоксовой металлургии / Тулин Н.А., ' Кудрявцев B.C., Пчелкин С.А. и др. М.: Металлургия, 1987. - 328 с.

245. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика / Пер. с англ.—М.:'Мир, 1992. 240 с.

246. Уотерман Д. Руководство по экспертным системам. М.: Мир, 1989. -388с.

247. Фельдбаум А. А. Вычислительные устройства в автоматических системах.- М.: Физматгиз, 1959. -800 с.

248. Флейшман Б.С. Элементы теории потенциальной эффективнрсти сложных систем,- М.: Сов. Радио, 1971.-340с.

249. J9 Фотиев М.М. Электропривод и электрооборудованиеметаллургических цехов: Учебник для вузов.- 3-е изд., перераб. и доп.-М.: Металлургия, 1990,- 352с.

250. Харкевич А.А, О ценности информации, В сб.: Проблемы кибернетики. -М., ФизматГИЗ, 1960, Вып.4, 53-57с.

251. Цвиркун А.Д. Структура сложных систем.- М.: Сов. Радио, 1975.-231с.

252. Цыгичко В.Н. Руководителю о принятии решений.- 2-е изд., испр. и доп. М.: ИНФРА-М, 1996.-272 с.

253. Цыпкин Я. 3. Адаптация и обучение в автоматических системах. -М.: Наука, 1968,-400с,

254. Чернецкая И.Е. Математическая модель роста массы окатышей ' при окомковании тонкоизмельченных материалов / Чернецкая И.Е., Титов B.C.//Вести. ХГТУ.- 1997.- №2.- С. 170-173.

255. Чернухин Ю. В.Моделирование нейросетевых систем управления интеллектуальных мобильных роботов / Чернухин Ю. В. Пшихопов

256. B. X. Писаренко С. Н. Трубтев О. Е. // Труды межд. конф. «Идентификация систем и задачи управления» (SICPR.0'2000). Москва, 26 — 28 сентября 2000 — М.: Изд-во ИЛУ -РАН.2000.1. C.1108- 1114.

257. Черняк Ю.И. Системный анализ в управлении экономикой.- М.: Экономика, 1975.-98с.

258. Четыркин Е.М. Статистические методы анализа (алгоритмы и программы).- М.: АН СССР ИМЭ и МО, 1976.-34 с.

259. Четыркин Е.М. Статистические методы прогнозирования. -М.: Статистика, 1975.-184 с.

260. Чимишкян С. Распределенные алгоритмы управления // Мир компьютерной автоматизации.- 2000.- № I. -С. 17-19

261. Чуев Ю.В. Прогнозирование количественных характеристик процессов / Чуев Ю.В., Михайлов Ю.Б., Кузьмин В.И.- М.: Сов. Радио, 1975.-137с.

262. Шаракшанэ А. С. Оценка характеристик сложных автоматизированных систем / Шаракшанэ А. С., Халецкий А. К., Морозов И. А. — М.: Машиностроение, 1993.-272 с.

263. Шеко П.А. Стратегия качества // Автоматизация и современные технологии.- 1996.-№10.-С.23-25

264. Шеко П.А. Методология замыслов нововведений // Автоматизация и современные технологии.- 1997.-№4.-С.11-13

265. Шилейко А.В. Введение в информационную теорию систем/ Шилейко А.В., Кочнев В.Ф., Химунин Ф.Ф. -М.: Радио и связь, 1985. -287с.

266. Шумилов В.В. Выбор наилучшего инвестиционного проекта в условиях «нечеткого» знания состояния факторов внешней деловой среды// Автоматизация и современные технологии 1999.-№3.-С. 1516

267. Шумилов В.В. Выбор наилучшего инвестиционного проекта при задании вероятностных отношений порядков // Автоматизация и современные технологии.- 1999.-№7.-С.З-4

268. Шумилов В.В. Выбор наилучшего инвестиционного проекта // Автоматизация и современные технологии.-1998.-№ 12.-С.7-11

269. Шумилов В.В. Особенности отбора и оценки инвестиционных проектов при нечеткой информации и многокритериальное™ // Автоматизация и современные технологии.-2000.-№4.-С.10-12

270. Щелков B.C. Предынвестиционные исследования и разработка бизнес-плана инвестиционного проекта./ Щелков B.C., Белоусова JI.M., Блинков В.М.; Под ред. B.C. Щелкова. М.:ЗАО «Финстатпром», 1999.-248 с.

271. Эйкхофф П. Основы идентификации систем управления.-М.: Мир, 1975.-683 с.

272. Экономические аспекты ремонтного обслуживания в черной металлургии / О.М. Браун // Черные металлы. -1988.- №1.- С.3-8

273. Экспертные оценки принятия управленческих решений // Сборниктрудов СОФ МИСиС.- Старый Оскол, 1999 36.- С. 19-20

274. Юсфин Ю.С. Управление окускованием железорудных материалов / Юсфин Ю.С., Каменев А.Д., Буткарев А.П. М.: Металлургия , 1990.-280 с.

275. Юсфин Ю.С. Интенсификация производства и улучшение качества сырых окатышей / Юсфин Ю.С., Пашков Н.Ф., Антоненко Л.К. и др. -М.: Металлургия, 1994.-173с.

276. Яковец Ю.В. Закономерности НТП и их планомерное использование. М.:Экономика,1984.-239 с.

277. Якубович В. А. К теории адаптивных систем // ДАН СССР. -1968.- Т. 182.- №3.- С. 518-521.

278. Янч Э. Прогнозирование научно-технического прогресса /Пер. с англ. -М.: Прогресс, 1970.-568 с.

279. Agarwal М. A Systematic Classication of Neural-Network-Based Control/IEEE Control Systems. April, 1997.- P. 75 — 93.

280. Anscombe F.J., Tukey J.W. The examination and analysis of residuals // Technometrics. 1963. - Vol. 5. - P. 141-160.

281. Barren A.R. Universal approximation bounds for superposition of a sig-moidal function // IEEE Transactions on Information Theory. 1993.1. Vol. 39. P. 930-954.

282. Bhadeshia H.K.D.H. et al. "Bayesian Neural Network Model for Austenite ' Formation in Steels". Materials Science and Technology, June 1996, P.453-63.

283. Billings S.A., Zhu Q.M. Nonlinear model validation using correlation tests // Int. Journal of Control. 1994. - Vol. 60, №6. - P. 466-470.

284. Brause R. Neuronale Netze: Eine Einfiihrung in die Neuroinformatik. Stuttgart. Teubner. 1995. 462 p.

285. Brown R.G. Smoothing Forecasting and Prediotion of Discret Time Series/N.Y. Ptentice Hall, 1963.-314p.

286. Bulsari A. & Hocksell E. "Quality Control and Alloy Design System for Direct Hardened Steel Components Based on Neural Networks". Steel Technology International, July 1996, 133p.

287. Carpenter G.A., Grossberg S. A massively parallel architecture for self-organizing neural pattern recognition // Computer vision, Graphics and Image Processing. 1983. - Vol. 37. - P. 54-115.

288. Carpenter G.A., Grossberg S. Art 2: Self-organizing of stable category recognition codes for analog output patterns // Applied Optics. 1983. - Vol. 26.-P.4919-4930.

289. Carpenter G.A., Grossberg S. Art 3: Hierarchical search: Chemical transmitters in self-organizing pattern recognition architectures // Neural Networks: Proc. Int. Conf. Wash., DC, 1990. - Vol. 2. - P. 30-33.

290. Dario P. ct al (eds). Robots and Biological Systems: Towards a New Bionics, Springer. 2000.-216p.

291. Dracopoulos D. C. Evolutionary Learning Algorithms for Neural Adaptive Control, Springer. 1997.-187p.

292. Eremenko Y.I., Kraht V.B., Dudnikov V.A. About application of neural networks fore controlling of rolling mill drives // Metallurgy and new materials researches.- 2003.-№1.- P.1-12

293. Eremenko Y.I., Kuznetzov L.A. Fuzzy logic regulator for a control system of level of metal in a crystallizer of continuous steel casting plant // Metallurgy and new materials researches.- 2003.-№2.- P. 1-9

294. Eremenko Y.I., Kuznetzov L.A., Kraht V.B. Fuzzy Logic regulator for a control system of level of metal in a crystallizer of continuous steelcasting plant // Sixteenth Internationa! Conference on Systems Engineering, London, 2003,- P. 152-156

295. Expertensysteme in der instandhaltung/ E/ Gulker// Stahl u Ersen.-1990.-№7.- P. 49-54

296. Ge S. S., Lee Т. H., Harris C. J. Adaptive Neural Network Control of Robotic Manioulators. World Scientific. 1999.213р.

297. Gorni A. A. The mpdelling of hot rolling processes using neuralnetworks a bibliographical review". Companhia Sidenrgica Paulista -COSIPA, Brazil, 2002.- 264p.

298. Gunasekera J.S. et al. "Development and Application of a Neural Network ' Controller for the Rolling Process". In: Australasia-Pacific Forum on Intelligent Processing and Manufacturing of Materials. Proceedings. Golden Coast, June 1997.P. 18-24

299. Handbook of Intelligent Control: Neural, Fuzzy and Adaptive Approaches Ed. by David A. White & Donald A. Sofge. N.-Y. Van Nostrand Reinhold. 1992. P. 568-574.

300. Haykin S. Neural networks: A Comprehesive Foundation.— N.-Y.: MacmiUan, 1999. 842 p.2jq Hecht-Nielsen, R. Neurocomputing. Addison-Wesley Publishing Company, ' Reading, 1990.433р.

301. Hopfield J.J., Neural networks and physical systems with emergent computational abilities, Proc of the National Academy of Sciences,vol.79, 1992.- P.2554-2558,

302. Hrycey T. Neurocontrol. Towards an Industrial Control Methodology, Wiley. 1997.-268p.

303. Hunt K. J., Irwin G. R., Warwick K. (eds) Neural Networks Engineering in Dynamic Control Systems. Springer. 1999.-312p.

304. Irwin G. W., Warwick K., Hunt K. J. Neural Network Applications in Control. IEEE Press. 1995.-P.312-318.

305. Kalkkuhl J. et al (eds). Applications of Neural Adaptive Con-trolTechnology. World Scientific. 1997.

306. Kim Y. H., Lewis F. L. High-Level Feedback Control with Neural Networks. World Scientific. 1998.gg Kong S.G. and B. Kosko, «Adaptive fuzzy systems for backing up a track' and-trailer», IEEE Trans on Nural Networks, Vol 3, P.211-223, 1992.

307. Krstic M., Kanellakopoulos I., Kokotovic P. V. Nonlinear Design of Adaptive Controllers for Linear Systems// IEEE Trans on Automat. Contr. 1994. Vol. 39. N4. P. 738-752.

308. Lee R. C. Optimal Estimation, Identification and Control / MIT Press,Cambridge. Mass., 1964. (Рус. пер.: Ли P. оптимальные оценки, определение характеристик и управление. М.: Наука, 1966. 176 с.)

309. Leondes С. Т. (ed). Control and Dynamic Systems. Neural Network Systems Techniques and Applications. Academic Press. 1998.2<jq LEVEN J. et al. "Artificial Neural Networks for Rolling Applications". In: ' ATS Steelmaking Days, A.T.S., Paris, 1994.

310. Levin A. U., Narendra K. S. Control of nonlinear dynamical system using neural networks: Controllability and stabilization // IEEE Trans. Neural Networks. 1993. Vol. 4. № 2. P. 192 — 206.

311. Levin A. U., Narendra K. S. Control of nonlinear dynamical system using neural networks. Part II: Observability, identification and control // IEEE Trans. Neural Networks. 1996. Vol. 7. № 1. P. 30 — 42.

312. Lewis F. L., Parisini T. Guest Editorial: Neural network feedback control with guaranteed stability// Int. J. of Control. 1998. Vol. 70. № 3. P. 337 — 339.

313. Miller W. Т., Sutton R. S., Wcrbos P. J. Neural Networks for Control. Mil Hress, Cambridge. Mass. 1990.

314. Miller W. Т., Sutton R. S., Werbos P. J. (eds) Neural Networks for Control. MTT Press. 1996.

315. Mills P. M., Zomaya A. Y., Tade M. 0. Neuro-Adaptive Process Control. A Practical Approach. Wiley. 1996.

316. Narendra K. S., Parthsarathy K. Identification and control of dynamic systems using neural networks // IEEE Trans. Neural Networks. 1990. Vol. l.№ 1.P.4 —27.

317. Navin Francis P.D. Can.J.Civ/Eng/1994-21, №3.

318. Neural hetworks for control systems: A survey / K. J. Hunt, D. Sbarbaro, R. Zbikowski, P. J. Gawthrop //Automatica. 1992. Vol. 28. № 6. P. 1083 —.1112

319. Omid Omidvar, Elliot D. L. (cd). Neural Systems for Control. Academic Press. 1997.

320. Portmann N.F. et al. "Application of Neural Networks in Rolling Mill Automation". Iron and Steel Engineer, February 1995, P.33-6

321. Sciavicco L., Siciliano B. Modelling and Control of Robot Manipulators. Springer. 2000.

322. Sunner R. M. Slotine J.-J. E. Gaussian Networks for Direct Adaptive Control // IEEE Trans, on Neural Networks. Vol. 3. № 6. 1992. P. 837 — 863.

323. Suykens J. et al. Artificial Neural Networks for Modelling and ' Control of Non-Linear Systems. Kluwer Ac. Publ. 1996.

324. Suykens Johan A. K., Vandewalle Joos P. L., De Moor Ban L. R. Artfficial Neural Networks for Modelling and Control of Non-Linear Systems. Kluwer Academic Publishers. Boston / Dordrecht /London. 1997.235 р.

325. Tadewiewicz R. Sieci Neuronowe.— Warszawa: PWN, 1993. 195 p.

326. Tanomaru J and S. Omatu Process control by on-line trained neural controllers. IEEE Trans on Indastrial Electronics, vol.39, P. 511-521, 1992

327. ToIIe H., Ersu E. Neurocontrol. Springer. 1992.

328. Tyukinl. Yu., Prokhorov D. V Terekhov V. A. Adaptive Control with Nonconvex Parameterization // IEEE Trans, on Automat. Contr. 2003. Vol. 48. N4.

329. Tzafestas S. G. Soft Computing in Systems and Control Technology. World Scientific. 1999.

330. I ^ Vermeulen W. et al. "Prediction of the Measured Temperature after the Last ' Finishing Stand Using Neural Networks". Steel Research, January 1997, P.20-26.

331. Widrow В., Shur D., Shaffer S. On Adaptive Inverse Control // Proc. Asilomar Conference on Circuits, Systems, and Computers, 1981. P. 185189.

332. Wiener N. Extrapolation, Interpolation and Smoothing of Stationary time series/John Weley/N.Y., 1949.

333. Zadeh L. A. On the Definition of Adaptovity//Proc. IEEE. 1963. Vol. 51. P.469-470.

334. Zalzala A. M. S., Morris Av S. Neural Networks for Robotic Control. Ellis Horwood. 1996.

335. Zbikowski R., Hunt K. J. Neural Adaptive Control Technology. World Scientific, 1996.