автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Методология интеллектуального управления слабоформализуемыми химико-технологическими процессами

На правах рукописи

ПРОТАЛИНСКИИ ОЛЕГ МИРОСЛАВОВИЧ

МЕТОДОЛОГИЯ ИНТЕЛЛЕКТУАЛЬНОГО УПРАВЛЕНИЯ СЛАБОФОРМАЛИЗУЕМЫМИ ХИМИКО-ТЕХНОЛОГИЧЕСКИМИ

ПРОЦЕССАМИ

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

АВТОРЕФЕРАТ

диссертации на соискание ученой степени доктора технических наук

Астрахань - 2004 г.

Работа выполнена в Астраханском государственном техническом университете

Научный консультант:

доктор технических наук, профессор Балакирев Валентин Сергеевич

Официальные оппоненты:

доктор технических наук, профессор Егоров Александр Федорович доктор технических наук, профессор Дворецкий Станислав Иванович доктор технических наук, профессор Камаев Валерий Анатольевич

Ведущая организация - Саратовский государственный технический университет

Защита состоится 24 сентября в 14 часов на заседании диссертационного совета Д 307.001.01 по присуждению ученой степени доктора технических наук в Астраханском государственном техническом университете по адресу: г.Астрахань, ул.Татищева, 16, главный корпус, аудитория 305.

Отзывы на автореферат в двух экземплярах, заверенных гербовой печатью, просим направлять по адресу: 414025, г.Астрахань, ул.Татищева, 16, АГТУ, секретарю диссертационного совета.

С диссертацией можно ознакомиться в библиотеке университета.

Автореферат разослан 2004 г.

Ученый секретарь диссертационного совета

Г.А. Попов

?6ШГ

2005-4 12241

ОБШДЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Одним из условий интенсификации производства является внедрение автоматизированных систем управления технологическими процессами (АСУТП) на базе последних достижений в области вычислительной техники. Развитие компьютерных систем привело к значительному увеличению скорости обработки и возрастанию объема единовременно хранимой информации. Дальнейшее совершенствование методов математического моделирования и теории автоматического управления стимулировало разработку более эффективных алгоритмов управления технологическими процессами, расширение класса объектов автоматизации. Эти факторы и определили в настоящее время интенсивное развитие АСУТП и внедрение средств автоматизации.

Несмотря на несомненные успехи в этом направлении, существует достаточно много технологических процессов (ТП), уровень автоматизации которых не соответствует современным требованиям. Это объясняется функционированием ТП в условиях неопределенности, характеризуемой недостатком информации для формализации задач автоматизации.

Такой вид неопределенности обусловлен принципиальной невозможностью получения информации: отсутствием средств измерения координат объекта или незнанием закономерностей протекания процесса ввиду его сложности и мало изученности. Указанные факторы приводят к невозможности аналитического описания и построения статистических или формальных моделей, что значительно снижает эффективность управления подобными слабоформализуемыми технологическими процессами, а часто делает его в принципе невозможными.

При функционировании технологического процесса в условиях рассматриваемого вида неопределенности существенную роль приобретает ведущий процесс оператор - лицо принимающее решение (ЛПР). Можно указать достаточно большое количество объектов, где решаемые ЛПР задачи, существенны и играют большую роль в управлении. В случае, когда традиционные методы контроля, математического описания или управления не дают желаемых результатов, оператор справляется с этими задачами с определенной степенью эффективности, опираясь на собственные представления, опыт, интуицию.

В связи с этим возникает необходимость применения методов, основанных на воспроизведении и имитации процессов интеллектуальной деятельности ЛПР. Искусственный интеллект - научная область, которая позволяет реализовать эту необходимость.

Создание Л.Заде математического аппарата нечетких множеств, появление и развитие экспертных систем, приложение данных направлений к

области химических технологий в работах академика В.В. Кафарова, профессоров И.Н. Дорохова, В.П. Мешалкина и других представителей этой отечественной научной школы позволило решить достаточно широкий класс новых задач автоматизации технологических процессов. Несмотря на несомненные успехи, методы искусственного интеллекта (ИИ) используются в АСУТП пока недостаточно эффективно. Применение их в этом направлении носит достаточно несистематический характер, не определены классы задач, где их использование являлось бы эффективным, нет единого концептуального подхода, мало внимания уделяется совместному использованию традиционных методов и методов интеллектуального управления.

Сложившееся положение объясняется разнообразием предметных областей решаемых задач и функционированием АСУТП в режиме реального времени, который затрудняет реализацию интеллектуальных систем управления и ограничивает практическую сферу их применения.

Вместе с тем методы искусственного интеллекта являются инструментом, позволяющим компенсировать слабую формализуемость технологических процессов, что дает возможность расширить класс решаемых задач автоматизации и этим повысить эффективность управления.

Цель данной работы - повышение эффективности управления слабо-формализуемыми химико-технологическими процессами за счет расширения класса задач их автоматизации.

Соответствующая указанной цели научная проблема может быть сформулирована следующим образом - создание концепции и методологии управления и автоматизации слабоформализуемых химико-технологических процессов с использованием искусственного интеллекта.

Для достижения указанной цели необходимо:

- выделить класс технологических процессов и задач автоматизации, где применение искусственного интеллекта приведет к повышению эффективности управления технологическими процессами;

- сформулировать принципы использования искусственного интеллекта для управления и автоматизации технологических процессов;

- разработать методы интеллектуального управления в реальном времени, воплощающие эти принципы;

- реализовать методы в виде алгоритмического и программного обеспечения интеллектуальной системы управления реального времени;

- разработать методику применения концепции и интеллектуальной системы управления для автоматизации технологических процессов;

- реализовать приложение разработанных методов к решению сформулированных задач для конкретных объектов управления.

Методы исследования: методы искусственного интеллекта, теория автоматического управления, математическое моделирование технологических процессов, методы оптимизации.

Научная новизна работы:

Сформулирована концепция интеллектуального управления слабо-формализуемыми химико-технологическими процессами, включающая:

- полную систему принципов интеллектуального управления слабо-формализуемыми химико-технологическими процессами, достаточную для автоматизации широкого круга объектов;

- метод формирования элементов универсального множества при формализации качественной информации;

- метод синтеза продукционных баз знаний с заданными показателями качества для интеллектуальных систем управления реального времени;

- быстродействующую процедуру генерации управленческих решений с использованием нечетких множеств в АСУ реального времени, отличающуюся исключением из обработки неактуальных правил и невариативных координат объекта;

- метод адаптации баз знаний интеллектуальных систем управления нестационарными объектами, основанный на формировании текущих правил и определении показателей их качества;

- метод построения гибридных сотовых математических моделей слабоформализуемых химико-технологических процессов.

На основе разработанной методологии:

- поставлена и решена задача оптимального управления химико-технологическими процессами со связями в форме гибридных математических моделей;

- разработаны методы диагностики достоверности первичной информации и идентификации предаварийных ситуаций;

- поставлена и решена задача синтеза автоматических систем стабилизации слабоформализуемых нестационарных процессов на базе адаптивного нечеткого регулятора.

Практическая значимость работы:

- разработаны алгоритмы и программы, реализующие интеллектуальную систему генерации решений в реальном времени на основе CASE-технологий; система имеет универсальное назначение и позволяет в зависимости от загружаемого контента и организации взаимодействия программных модулей решать широкий спектр задач автоматизации слабоформали-зуемых химико-технологических процессов;

- создана методика применения концепции и интеллектуальной системы генерации решений для автоматизации технологических процессов, реализуемая путем анализа объекта управления как слабоформализуемого и конфигурирования разработанной системы для решения конкретной задачи;

- разработано алгоритмическое и программное обеспечение:

- системы идентификации предаварийных ситуаций, которое может быть использовано для широкого класса потенциально опасных технологических объектов;

- системы оптимального управления с использованием гибридных математических моделей для технологического процесса каталитического риформинга;

- автоматической системы стабилизации нестационарных процессов с использованием адаптивного нечеткого регулятора для термической обработки рыбной продукции.

Реализация результатов работы. Система идентификации предаварийных ситуаций внедрена на Научно-производственном объединении «Мониторинг» (г. Москва) и находится в режиме опытной эксплуатации системы автоматизации установки очистки газов УО-50. Запланировано использование системы в составе АСУТП очистки газа при тиражировании установки УО-50.

Алгоритмы стабилизации технологических параметров процесса термической обработки прошли опытную эксплуатацию на ОАО «Астраханский рыбокомбинат». Использование этих алгоритмов запланировано в составе АСУТП производства рыбоконсервной продукции.

Метод диагностики достоверности первичной информации реализован в составе программного обеспечения АСУТП энергоблоков Астраханской ТЭЦ-2 и находится в режиме промышленной эксплуатации.

Учебный вариант программной оболочки интеллектуальной системы генерации решений используется в Астраханском государственном техническом университете, Саратовском государственном техническом университете и Ярославском институте повышения квалификации руководящих работников и специалистов химической и нефтехимической промышленности для подготовки инженерных и научных кадров.

Апробация работы. Результаты работы докладывались и обсуждались на Всесоюзной научной конференции «Автоматизация в химической промышленности» (Тамбов, 1986); Всесоюзной научно-технической конференции молодых ученых и специалистов «Вопросы совершенствования в пищевой промышленности», (Калининград, 1986); 12-й Международной научной конференции «Математические методы в технике и технологиях» (Новгород Великий, 1999); 13-й Международной научной конференции «Математические методы в технике и технологиях» (Санкт-Петербург, 2000), 14-й Международной научной конференции «Математические методы в технике и технологиях» (Смоленск, 2001), 15-й Международной научной конференции «Математические методы в технике и технологиях» (Тамбов, 2002), 16-й Международной научной конференции «Математические методы в технике и технологиях» (Ростов-на-Дону, 2003), 17-й Международной на-

учной конференции «Математические методы в технике и технологиях» (Кострома, 2004), а также на конференциях профессорско-преподавательского состава АГТУ.

Публикации. Основные теоретические и прикладные результаты диссертационной работы изложены в одной монографии, 18 статьях в центральных научно-технических журналах, рекомендуемых ВАК РФ, 32 статьях и трудах международных научных конференций. Зарегистрировано 3 программных продукта в Государственном фонде алгоритмов и программ. Без соавторства опубликовано 13 работ.

В работах, опубликованных в соавторстве, личное участие автора заключается в определении проблемы, постановке задач, разработке теоретических положений, а также в непосредственном участии во всех этапах исследования.

Структура и объем работы. Диссертационная работа состоит из введения, шести глав, выводов, списка использованной литературы и приложений. Основная часть диссертации изложена на 347 страницах машинописного текста, содержит 68 рисунка и 24 таблицы.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность проблемы, сформулированы цель и задачи исследования, научная новизна и практические результаты.

В первой главе дано определение слабоформализуемого химико-технологического процесса (СФХТП), под которым понимается объект, функционирующий в условиях неопределенности, обусловленной действием двух факторов: невозможностью получения данных и принципиальным незнанием закономерностей протекания процесса. Определено понятие «качественная информация», под которой понимается описание оператором значений координат объекта или закономерностей его функционирования в вербальной форме.

Сделан вывод, о том, что для управления такими процессами целесообразно использование методов искусственного интеллекта. Дан литературный обзор и проведен анализ применения данных методов для решения задач автоматизации, а также выделены основные направления применения ИИ: теория нечетких множеств, экспертные системы, распознавание образов.

Показано, что, несмотря на определенные успехи в этой научной области, отсутствует концептуальный подход к применению методов искусственного интеллекта для управления химико-технологическими процессами в реальном времени. Это вызывает необходимость создания концепции интеллектуального управления слабоформализуемыми химико-технологическими процессами.

Проведен анализ достоинств и недостатков нечетких множеств и экс-

пертных систем, оценена возможность их использования для решения задач управления в реальном времени.

Сформулированы задачи автоматизации слабоформализуемых химико-технологических процессов, где применение искусственного интеллекта эффективно: синтез систем регулирования при отсутствии количественной информации о координатах объекта и невозможности аналитического описания; оптимальное управление ХТП в условиях неопределенности; распознавание предаварийных ситуаций и их причин.

На основании проведенных исследований сформулирована научная проблема работы и соответствующие ей задачи.

Во второй главе разработана концепция интеллектуального управления слабоформализуемыми химико-технологическими процессами.

В основу концепции положена совокупность принципов, составляющих полную систему, достаточную для решения не только сформулированных задач автоматизации, но и широкого круга других. Сформулированы семь принципов интеллектуального управления и определены пути их реализации.

Получение и формализация качественной информации в реальном времени. Участие оператора (ЛПР) является непременным условием функционирования АСУТП. Применение методов искусственного интеллекта открывает новые возможности получения от ЛПР качественной информации, ее формализации и представления в режиме реального времени. Поэтому первый принцип может быть реализован за счет наличия механизма формализации качественной информации на основе математического аппарата нечетких множеств.

Использование известных знаний, их хранение и аккумуляция в форме базы. Источник, на который опирается в процессе своего функционирования ЛПР, есть знания, являющиеся обобщением его теоретических представлений (систематические знания) и опыта (эвристические знания). Поэтому второй принцип подразумевает описание явлений, процессов или действий в виде системы знаний, которая синтезируется и хранится в виде базы в форме той или иной ее модели.

Оценка качества знаний. Для эффективного функционирования системы интеллектуального управления знания должны отвечать требованиям качества, под которыми будем понимать их свойства, соответствовать ситуации на объекте и друг другу. Причинами несоответствия является недостоверность первичных данных от датчиков или качественной информации от ЛПР, а так же нестационарность технологического процесса, ввиду чего часть знаний теряет свою актуальность. Качество знаний должно определяться системой показателей.

Переработка информации и синтез решений в режиме реального времени. Поскольку интеллектуальная система управления должна генери-

ровать решение на основе обработки текущей информации и существующей базы знаний в условиях лимита времени, то этот принцип реализуется за счет быстродействующей процедуры формализации информации с использованием математического аппарата нечетких множеств и генерации однозначного решения за ограниченный временной такт.

Совместное использование качественной и количественной информации. При построении систем интеллектуального управления обычно имеется не только информация, являющаяся результатом интеллектуальной деятельности человека, но и некоторое количественное описание в форме традиционных математических соотношений. Поэтому возникает целесообразность разработки механизма применения обоих видов информации, их взаимного сочетания и дополнения. По мере изучения закономерностей слабоформализуемого химико-технологического процесса и создания новых средств измерения роль качественной информации при управлении им может уменьшаться, хотя некоторая степень неопределенности остается всегда.

Получение новых знаний в реальном времени за счет использования текущей информации - качественной и количественной. Основной режим работы систем управления - реальное время, поэтому поступающая текущая информация: качественная от экспертов или количественная от датчиков должна использоваться не только для генерации решений в текущий момент времени, но и формирования новых знаний, которые могут быть задействованы апостериори.

Обучение и адаптация баз знаний. В процессе управления технологическими появляется необходимость пополнения базы знаний, а в случае управления нестационарными объектами - замены знаний, ставших неактуальными.

Сформулированные принципы интеллектуального управления реализуются в виде методов решения задач автоматизации. Практическая форма воплощения концепции - принципов и методов интеллектуального управления - определена в виде алгоритмического и программного обеспечения интеллектуальной системы генерации решений реального времени (ИСГР РВ). Обоснованы требования, предъявляемые к такой системе - универсальность и сопрягаемость со SCADA-системами.

Для реализации принципа формализации качественной информации рассмотрены возможности использования математического аппарата нечетких множеств и предложен метод формирования элементов универсальных множеств, отличающийся от разработанного Л.Заде.

Элементом универсального множества в этом случае является вектор /-го состояния объекта ^{Лде, Удо}, где Х^ - А-е значение у-й традиционной переменной в /-м состоянии объекта, Гдо - к-е значение у-й лингвистической переменной в /-м состоянии объекта. Общее число элементов универсально-

го множества эквивалентно количеству состояний 1 = 1,п. Если лингвистическая переменная (ЛП) А принимает значение А\ (1 = 1,/я, где т - число значений ЛП А), то 21{Хц10 Гдо} относится к А\ с некоторой функцией принадлежности цц . Тогда может быть описано нечетким множеством вида:

А<г ^+ ц2;/г2+....+ у.т1 Ит

Если число состояний объекта одно, компоненты вектора в виде лингвистических переменных отсутствуют (т.е. Zl={.Л'|»...^Л^,...}, получим традиционное по Л.Заде универсальное множество.

Предложенный способ формирования элементов универсального множества позволяет существенно расширить класс объектов описания с использованием качественной информации.

Для реализации принципа использования знаний предлагается двухуровневая структура базы. Верхний уровень представляет собой продукционную базу знаний в виде рабочего набора правил вида:

Если событие А, то событие В, иначе...

В состав базы знаний нижнего уровня входят фреймы двух типов: первичных значений лингвистической переменной и порождения новых значений. В зависимости от формы описания функций принадлежности фреймы первого типа могут включать следующие слоты: первичных значений ЛП, математических зависимостей, описывающие эти значения, функций перехода согласно принципу обобщения, интервала дискретизации, оценки точности. Второй тип фреймов включает слоты терма порождения и соответствующей математической операции.

Для оценки качества продукционных баз знаний рассмотрены свойства полноты, дублирования, избыточности, противоречивости, при этом в качестве примера использовались правила вида:

Если^ЧИ и и=Ш, то У=У1 иначе, ЕслиХ=Х2 и и=Ш, то У=У2 иначе...

Введены количественные показатели, характеризующие эти свойства в виде индексов полноты (ИП), дублирования (ИД), избыточности (ИИЗ), противоречивости (ИПР), которые рассчитываются как:

где

и и

операции пересечения и объединения.

Для оценки близости правил введено понятие (ИС) и рассмотрен ряд вариантов его расчета.

На базе предложенных показателей разработан метод синтеза продукционных баз знаний, в основе которого лежит анализ правил на противоречивость, избыточность, полноту и обеспечение заданных значений ИПР и ИИЗпри критической величине индекса схожести.

Для генерации решений в режиме реального времени предложена модернизация традиционной вычислительной процедуры обработки информации с использованием нечетких множеств в целях повышения ее быстродействия. В основе модернизации лежат четыре аспекта: устранение необходимости хранения полной матрицы нечеткого отношения Я; преобразование вложенных циклов в последовательные за счет совместного проведения операций объединения, пересечения и композиции нечетких множеств; исключение из процедуры обработки правил, которые не имеют отношение к текущей ситуации; исключение из процедуры обработки элементов нечетких множеств, не принадлежащих диапазонам текущих значений входных переменных. Первые два аспекта рассматривались в работах И.Мамдани, третий и четвертый, предлагаемые нами, реализуются за счет особенностей формирования нечетких множеств в реальном времени. Проведенные исследования эффективности (рис.1 и 2) показали, что производительность модифицированного алгоритма на моделях высоких порядков выше алгоритма И.Мамдани на порядок; традиционный алгоритм Л.Заде не работоспособен.

Размерность модели

Алгоритм Заде - — Алгоритм Мамдани

Рис. 1. Исследование быстродействия алгоритма Заде и Мамдани

Рис. 2. Исследование быстродействия алгоритмов Мамдани и модифицированного

Для реализации принципов получения новых правил в реальном времени и адаптации баз знаний предложена процедура синтеза правил на основе текущей информации от датчиков в количественной форме и оператора в виде качественного описания координат технологического процесса. Для представления количественной информации в форме нечетких множеств предложена процедура фазификации с учетом погрешности измерения, результатом которой являются трехэлементные нечеткие множества, являющиеся основой для формирования новых правил.

Для оценки эффективности адаптации баз знаний проведены исследования влияния значений функций принадлежности и вида правил на выходную координату объекта методом имитационного моделирования. В качестве тестовой использовалась модель нечеткого регулятора, имеющая одну входную и одну выходную координаты, а объектом было выбрано апериодическое звено первого порядка. Количество правил в исходном наборе выбиралось минимальным, с целью увеличения веса и, соответственно, влияния каждого правила на качество управления. Изменение значений лингвистической переменной в каждом правиле подбиралось из условий возможного изменения характеристик объекта. В виде критерия качества переходного процесса использовалась величина среднеквадратичного отклонения от соответствующего стандартному набору правил.

Анализ полученных результатов показал, что тестовая модель более

чувствительна к изменению правил, чем к коррекции значений функции принадлежности (ФП), в случае малого количества исходных правил, качество управления сильно зависит от изменения значений ЛП.

Как результат этих исследований, разработан метод адаптации баз знаний интеллектуальных систем управления реального времени, в основе которого лежит формирование текущего правила и его проверка на избыточность и противоречивость существующей базе знаний с использованием соответствующих индексов.

Для реализации принципа совместного использования количественной и качественной информации разработан метод построения гибридных моделей технологических процессов. В основе метода лежит общая стратегия системного подхода к построению математических моделей физико-химических систем, в соответствии с которым строится диаграмма взаимного влияния факторов системы. Далее исследуется природа связей между факторами и определяется возможность их традиционного описания. В случае его принципиальной невозможности проводится качественное описание данной связи.

В качестве примера на рис 3. приведена диаграмма взаимного влияния факторов технологического процесса каталитического риформинга. Поскольку построение диаграммы взаимного влияния факторов является достаточно сложной задачей, а проведение расчетов по подобной модели с использованием разнородных математических выражений (традиционных и нечетких отношений) затруднено, нами предложена декомпозиция задачи, в результате которой диаграмма расчленяется на элементарные участки. При этом каждый описывается математической моделью - сотой. Под сотой понимается простейший фрагмент диаграммы, состоящей из двух уровней, где на верхнем располагается один фактор, а на нижнем - факторы, оказывающие влияние на него. Связи между уровнями носят как традиционный, так и нечеткий характер. Значение каждого фактора на нижнем уровне может являться результатом расчета предыдущей соты или следствием информации вводимой извне - входной координатой (измеряемой или оцениваемой качественно). Сота не должна допускать дальнейшего упрощения путем декомпозиции на более мелкие фрагменты диаграммы. Соединив соты в последовательности, отражающей их расположение на диаграмме, получим сотовую гибридную математическую модель химико-технологического процесса.

Соты отличаются между собой по виду входящих в них связей -традиционные и нечеткие - и по виду входной информации - количественная и качественная. Выделены шесть основных типов элементарных сот: традиционная, нечеткая, гибридная с традиционными связями, гибридная с нечеткими связями, с нечеткими коэффициентами, универсальная. Для каждого типа сот разработаны варианты расчета и сочетания количественной и качественной информации.

Рис. 3. Диаграмма взаимного влияния факторов каталитического риформинга

Третья глава посвящена практической реализации концепции интеллектуального управления в виде системы генерации управленческих решений в реальном времени и разработке методики ее применения для широкого круга задач автоматизации.

Исходя из требований универсальности и функционирования в реальном времени разработана структура интеллектуальной системы генерации решений в виде набора типовых не жестко связанных модулей, способных гибко компоноваться между собой в зависимости от решаемой задачи и загружать различный контент знаний различной предметной области. Инструментарием для реализации подобной гибкой структуры являются CASE-средства. Рассмотрены алгоритмы работы модулей, реализующие принципы, методы или требований концепции.

В состав системы включены модули: первоначальной загрузки, текущей формализации, двухуровневой базы знаний, ее синтеза априори, вывода, формирования текущего правила, обучения и адаптации, фазификации, формализации правил.

Для обеспечения функционирования в режиме реального времени и сопряжения со SCADA-системой в качестве ее внешнего приложения в составе ИСГР РВ разработан модуль, выполняющий функции обеспечения информацией от первичных преобразователей и синхронизации работы с модулем Runtime SCADA-системы. Команда на запуск осуществляется на каждом такте опроса, но активизация интеллектуальной системы может производиться через определенное число тактов, являющимся параметром настройки.

Для ведения диалога с оператором посредством человеко-машинного интерфейса и получения массива данных от датчиков ИСГР РВ имеет собственный механизм Run-time и прерывания.

На рис. 4 приведена типовая конфигурация интеллектуальной системы генерации решений реального времени, которая может являться базовой для реализации широкого класса задач автоматизации.

Модульный принцип построения позволяет работать в режимах формирования базы знаний априори, обучения, адаптации, генерации решений и тренинга персонала. Разработана конфигурация ИСГР РВ для реализации гибридной математической модели технологического процесса.

Создана методика применения концепции интеллектуального управления и разработанной на ее основе системы генерации решений реального времени для автоматизации СФХТП, которая реализуется путем анализа объекта управления как слабоформализуемого и конфигурирования интеллектуальной системы для решения конкретной задачи.

Рис. 4. Типовая структура интеллектуальной системы генерации решений

Четвертая глава посвящена созданию метода автоматического распознавания предаварийных ситуаций на технологических объектах управления и диагностики достоверности первичной информации.

Введено понятие «предаварийная ситуация» (ПАС), характеризующееся следующими чертами: отклонением от номинального режима работы, что при неблагоприятных условиях может привести к аварии; нахождением каждого

технологического параметра еще в допустимых диапазонах, при достижении некоторых предельных значений; в целом комбинация значений параметров может характеризовать ситуацию на объекте как близкую к аварийной.

Для описания предаварийных ситуаций введено понятие «потенциально опасный фактор» (ПОФ), под которым понимаются координаты объекта или параметры внутреннего состояния, которые при достижении критических значений вызывают аварийную ситуацию.

Ситуация А на объекте зависит от факторов X), измеряемых количественно, и оцениваемых качественно и изменяется во времени (/) _ А(1){Х(1)и Щ}> _

где >' = 1, л п - число ПОФ, измеряемых количественна^ - число ПОФ, оцениваемых качественно.

В реальных условиях оценка ситуации на объекте осуществляется через определенный промежуток времени. Поэтому приведенное выражение может быть записано в дискретной форме для к-ТО момента времени:

У]к}.

Для наблюдателя, получающего информацию от первичных преобразователей или оценивающего ситуацию на объекте качественно, создается образ ПАС, который достаточно часто может отличаться от истинной ситуации на объекте из-за недостоверности поступающей первичной информации ввиду некорректной работы информационной системы АСУТП или неправильной качественной оценки. Если первичная информация достоверна, образ Ак соответствует ситуации на объекте:

Ак{Х1к, = Ак*

Для выработки управляющих воздействий необходимо знать причины, вызвавшие предаварийную ситуацию. В общем случае ПАС может явиться следствием нескольких причин, причем степень ее зависимости от определенной причины П] может выражаться некоторым количественным показателе:

П ,(/№!/*})==№

Таким образом, задача идентификации ПАС поставлена следующим образом: необходимо для к-го момента времени классифицировать ситуацию на объекте А^Х^, У/к} по наблюдаемому о б р а з^у и , в случае наличия ПАС, определить ее причины.

Дана классификация предаварийных ситуаций по причине ее возникновения. Выделено пять видов причин: недостоверность первичной информации, создающей образ ПАС; возмущающие воздействия; изменение характеристик объекта вследствие его нестационарности; выход из строя оборудования, вследствие его физического износа или повреждения; ошибки при управлении из-за неквалифицированных действий ЛПР.

Разработан метод идентификации ПАС, в основе которого лежит построение интеллектуальной ситуационной модели в форме базы знаний вида

Если температура в реакторе высокая И скорость ее изменения положительно высокая И условия теплообмена плохие, То ситуация предаварийная, иначе.... Для формализации базы знаний используется разработанный нами метод формирования элементов универсального множества в виде вектора состояния - число состояний, - число пе-

ременных) объекта управления.

При этом состояние 2\ принадлежит к значению ЛП ситуация Нормальная с ФП = 1;

небольшое отклонение от нормально с ФП = 0,8; значительное отклонение от нормального с ФП = 0,5; предаварийная с ФП = 0.

Если конечное множество состояний Ъ определено в виде:

то значение Yk лингвистической переменной У ситуация может быть

где - значение ФП состояния значению Ук лингвистической переменной У.

Входные координаты Х1 считаются лингвистическими переменными, каждое значение которых описывается нечетким множеством:

где - значение ФП т-го значения Хт^м.у значению ЛТ1Хц.

Если входные координаты принимают значения а выходная - ситуация - значения то лингвистическое описание правил имеет вид: ЕслиА! =Хци.... иХ=Х)ъ, то У- иначе... При построении модели в виде нечеткого отношения Я можно определить в формализованном виде по известной формуле:

К=Х\ 1ХЛГ21Х... хХ^х... *Х„1 х 5^1+... +Х1тхЛ'2л)х... хЛ^тх... хХ„тх Ут,

где «х» - символ операции декартова произведения, «+» - символ операции объединения.

В нашем случае нет необходимости вычисления Я, поскольку сформированные правила хранятся в виде продукционной базы знаний.

При управлении объектом в реальном времени в момент , производится оценка входных координат объекта путем измерения или качественно оператором. Текущее значение каждой входной переменной Х{ описывается соответствующим нечетким множеством Хл, после чего используя сформированную априори базу знаний, определяется нечеткое множество,

описывающее значение лингвистической переменной ситуация в текущий момент времени:

где о_ - символ операции композиции.

Для принятия решения об отнесении ситуации на объекте к тому или иному классу использовано понятие «индекс схожести», описывающее эталонные и текущие значения ЛП ситуация.

Для распознавания причин ПАС используется интеллектуальная ситуационная модель, имеющая аналогичные входные координаты, а в качестве выходной - ЛП, характеризующую причину ПАС. В этом случае число баз знаний соответствует количеству причин ПАС. Каждое состояние объекта может принадлежать к тому или иному значению ЛП причина 1.

В результате, получим описание каждого значения ЛП причина 1 с использованием определенного нечеткого множества. Процедура определения причин аналогична идентификации ПАС.

На завершающем этапе индекс схожести используется для определения соответствия выходной переменной для каждой причины значению -истинно. В итоге, выбирается причина, имеющая максимальное значение индекса схожести для значения истинно.

Для сокращения вычислительных затрат предложен второй вариант метода идентификации ПАС, который рассматривается как частный случай предыдущего, где вектор состояния имеет одну компоненту в форме лингвистической переменной и отсутствуют компоненты в традиционной форме. Универсальное множество, описывающее выходную координату, включает в себя совокупность всех ситуаций на объекте: нормальная ситуация, отклонение от нормальной ситуации (сильное, слабое, среднее), предава-рийная ситуация, аварийная ситуация. В данном случае значения понятия -ситуация - являются элементами универсального множества, описывающим лингвистическую переменную положение на объекте.

Координаты являются лингвистическими переменными

(например, температура, скорость ее изменения, давление и т.д.), принимающие значения высокий, средний, низкий и т.д. Тогда положение на объекте может быть описано начальной составляющей правила Если температура в реакторе высокая И скорость ее изменения средняя И давление низкое, то ....

Каждый элемент универсального множества может быть отнесен к описанному положению на объекте с некоторым значением функции принадлежности (например, предаварийная ситуация (ПАС) - 0,2, большое отклонение от нормальной (БОН) - 0,5, среднее отклонение от нормальной (СОН) - 1, маленькое отклонение от нормальной (МОН) - 0,8). Таким об-

разом, значение ЛП положение на объекте, замыкающее приведенное правило, может быть описано следующим нечетким множеством: Значение 1= 0,2/ПАС+0,5/БОН+1/СОН+0,8/МОН.

Для каждого правила формируется начальная часть и определяется нечеткое множество его замыкающее, которому и присваивается формальное значение, соответствующее номеру правила. Дальнейшая процедура идентификации ПАС аналогична описанной выше. На заключительном этапе генерация решения о ситуации на объекте производится путем определения элемента нечеткого множества, имеющего максимальное значение ФП. Предложенный подход достаточно просто распространяется и на задачу идентификации причин предаврийной ситуации.

Для диагностики достоверности поступающей первичной информации, предложен метод, позволяющий обнаружить недостоверный источник и восстановить информацию, поступающую от него с определенной степенью точности. В основе метода лежит понятие избыточности информации, на основе которого координаты объекта объединяются в группы. Для каждой группы создается продукционная база знаний. В режиме реального времени формируется текущее правило, которое оценивается на соответствие существующей базе знаний по критерию недостоверности: текущее правило считаем недостоверным, если в базе знаний существует правило, для которого индексы противоречивости по каждой координате близки к 0, кроме одной, где ИПР близок к 1.

Поскольку найденное в базе знаний соответствующее правило описывает текущую ситуацию, то значение, которое принимает координата, признанная недостоверной, в данном правиле и является истинным. На основе предложенного метода разработан алгоритм проверки и восстановления первичной информации и синтезирован его реализующий модуль.

На базе ИСГР РВ синтезирована система идентификации предава-рийных ситуаций (СИПАС) (рис. 5). Ее база знаний состоит из трех модулей. В первый включены правила, объединяющие координаты, измеряемые с использованием первичных преобразователей. Они функционируют при любом сочетании координат, оцениваемых качественно. Второй модуль составляют правила, использующие информацию как от первичных преобразователей, так и в качественной форме от оператора. Последний модуль включает знания о причинах ПАС, которые оперируют с информацией обеих типов и работают в случае идентификации предаварийных ситуаций. Разработан алгоритм функционирования СИПАС.

Создана методика формирования продукционных баз знаний, которую предлагается реализовывать в два этапа. На первом осуществляется анализ объекта как источника предаварийных ситуаций, в основе которого лежит построение диаграммы взаимного влияния потенциально опасных факторов.

Мняупь соадомийж со эСДОНмотмй

блек »пуст

б*ИМ«1«Ь(Х СИПАС

ЗСЛОАгЖТШЖ

Рис. 5. Структурная схема системы идентификации предаварийных ситуаций

На основе анализа диаграммы определяется структура и вид правил. На втором этапе осуществляется формирование непосредственно правил, для чего используется имитационное моделирование. В качестве приложения рассмотрено формирование баз знаний СИПАС термического реактора техноло-

гического процесса получения серы по методу Клаусса. Дня имитации объекта используется математическая модель статического режима, полученная из литературных источников. Динамика объекта, имеющая важное значение при развитии ПАС, моделировалась за счет введения апериодических звеньев первого порядка с запаздыванием. Имитационное моделирование подтвердило работоспособность синтезированной СИПАС. В конце главы приведены результаты использования разработанных положений.

В пятой главе поставлена задача оптимального управления химико-технологическими процессами в условиях неопределенности и рассмотрены различные ее варианты: с нечеткой целевой функцией, нечеткими ограничениями, нечеткими связями. Показано, что для реальных производственных условий наиболее актуальным является управление с ограничениями и критерием оптимальности в традиционном виде, и связями в форме гибридной математической модели.

Проведено преобразование оптимизационной задачи и показано, что определение оптимального управления U(t) может быть сведено к поиску последовательности субоптимальных управлений Ц(где у - номер соответствующего статического режима). Сама задача оптимального управления СФХТП может быть разбита на последовательность конечномерных задач оптимизации соответствующих статических режимов функционирования процесса и определения момента tj их решения.

Поставлена задача оптимального управления статическим режимом: в момент времени tj в зависимости от возмущений X,K(t), найти управляющие воздействия Uj, обеспечивающие максимум критерия оптимальности при наложенных ограничениях и связях в форме гибридной математической модели. При этом характер внешних возмущений A^f) может быть описан кусочно-постоянной функцией. Возмущения могут быть измерены или оценены качественно. ХТП является квазистационарным объектом управления, изменение свойств которого определяется традиционными математическими методами или оценивается качественно.

В виде примера приведена задача оптимального управления процессом каталитического риформинга, где в качестве критерия оптимальности принята прибыль П:

П(Q, 04, Т, Uj, Xtxj, Y^) - max,

при наложенных ограничениях

04 > 04min, Т> Tmm, Uj е К,

где - минимально допустимое октановое число, - период работы установки между заменой катализатора; V - замкнутое множество управлений) и связях в форме гибридной математическая модель процесса каталитического риформинга:

д&оч.г.ад^У^о.

Выбор этого процесса в качестве примера обусловлен тем, что, несмотря на определенные результаты в области автоматизации каталитического риформинга имеются факторы, которые ранее не использовались при его математическом описании ввиду невозможности их количественной оценки: активность катализатора, состояние термических печей, качество сырья. Дано описание технологического процесса каталитического риформинга и проведен его анализ как слабоформализуемого. Выделены управляющие воздействия и возмущения.

Данный процесс относится к классу нестационарных; изменение его свойств обусловлено активностью катализатора, состоянием печей подогрева и продуктовой смеси.

По результатам анализа технологического процесса каталитического риформинга как объекта управления построена диаграмма взаимного влияния факторов, которая разбита на типовые соты. В соответствии с методом построения гибридных моделей проведено математическое описание каждой соты. В качестве примера рассматривается сота универсального типа: расчет октанового числа катализата. Структура участка диаграммы взаимного влияния представлена на рис. 6 и включает три входные координаты, одна из которых - обобщенная жесткость процесса - представлена как лингвистическая переменная, две другие: - объемная скорость подачи сырья и давление на входе в реактор третьей ступени - в традиционной форме. Выходная координата соты: октановое число риформата. Связь в соте - гибридная.

Рис. 6. Сота: качество продукта (октановое числа)

Учитывая, что характер связи в соте гибридный, для расчета октанового числа риформата, был использован введенный нами принцип корректирующих отклонений:

оч=оч„ +¿¿04,.

где 0Ч„- оценка октанового числа риформата по ведущей связи, ДОЧ, -корректирующее отклонение, соответствующее дополнительной связи, п - количество дополнительных связей.

В качестве ведущей принята нечеткая связь по жесткости процесса. Количество дополнительных связей равно двум. Зависимость октанового числа от входных переменных описана традиционным способом.

Получены терм-множества лингвистических переменных и дано их математическое описание с использованием нечетких множеств. Сформированы правила для построения продукционной базы знаний описания связи жесткости процесса Ж* и октанового число риформата ОЧ*.

Значение октанового числа с использованием ведущей связи определяется как:

ОЧ^Ж'оД,,

где -результат формализации базы знаний.

В качестве первой корректирующей аналитической связи принята зависимость от объемной скорости подачи сырья которая определяет глубину превращения сырья и получение катализата заданной октановой характеристики:

ДОЧ, = (21,7-14,470,,)

В качестве второй корректирующей аналитической связи - зависимость от давления на входе в реактор третьей ступени

ДОЧ2 = (27,6-9,8^)

Дан численный пример расчета октанового числа катализата по данной соте. Приведена полная гибридная математическая модель каталитического риформинга, полученная как результат объединения сот, и показаны результаты расчета по ней. По критерию Фишера проведена проверка адекватности модели по каждой выходной координате.

Дан анализ особенностей использования гибридных математических моделей для целей оптимального управления, которыми являются: недифференцируемость целевой функции по переменным управления аналитически, наличие локальных экстремумов целевой функции, оврагов и разрывов (рис. 7). Причинами этих особенностей является использование минимаксных операций над нечеткими множествами, наличие верхней и нижней гра-

ней матрицы нечеткого отношения, обусловливающую ее нечувствительность к изменению входных координат.

Для учета ограничений типа неравенств используется метод штрафных функций со штрафом в виде бесконечного барьера. Для решения задач оптимального управления с использованием гибридных математических моделей предложен поисковый алгоритм, учитывающий приведенные особенности, который имеет двухуровневую структуру: на верхнем -использован метод случайных забросов, на нижнем - поисковый алгоритм, сочетающий в себе особенности метода Хука-Дживса и просеивания. Такой принцип построения позволяет объединить достоинства каждого из методов и исключить наиболее существенные присущие им недостатки. Метод случайных забросов обеспечивает решение задачи поиска глобального экстремума целевой функции, алгоритм нижнего уровня -нахождение локальных экстремумов по данному направлению и решение проблемы овражности целевой функции.

П, 10',

руб ..

Рис. 7. Зависимость целевой функции управления от температуры на выходе печи подогрева продуктовой смеси первой ступени ТВЫХ1

Эффективность разработанного алгоритма оценивалась путем его сравнения с методом просеивания: показано его высокое быстродействие и сходимость.

Разработан алгоритм определения момента решения задачи оптимизации статического режима: при поступлении возмущающих воздействий (качества сырья), и изменения характеристик объекта, вследствие нестационарности (активности катализатора и состояния печей). Для оценки последних показателей используется качественная информация, представленная в виде соответствующей базы знаний.

Разработана структура системы оптимального управления процессом каталитического риформинга, использующая как количественную, так и качественную информацию и позволяющая определять величину управляющих воздействий и критерия оптимальности.

Методом имитационного моделирования проведена оценки эффективности работы системы и получены положительные результаты.

Шестая глава посвящена синтезу систем стабилизации нестационарных слабоформализуемых ХТП. Показано, что интеллектуальные системы для решения данных задач целесообразно использовать в случаях, когда невозможно применение традиционных: отсутствие средств контроля выходных или входных координат объекта. К таковым координатам относится качество сырья и готовой продукции. Примером может служить построение системы стабилизации качества готовой продукции технологического процесса термической обработки в обжарочной печи.

Дан анализ данного технологического процесса как слабоформали-зуемого. В виде выходной координаты принято качество продукции. Возмущающим воздействием, влияющими на качество продукта, является характеристика сырья. В качестве управления выбрано время пребывания продукта в камере, определяемое скоростью движения транспортера.

На основе анализа объекта построена структура системы стабилизации качества продукции по комбинированному принципу: регулирование по возмущению обеспечивается компенсатором, синтезированным с использованием нечеткой логики, регулирование по отклонению - нечетким логическим регулятором в цепи обратной связи.

Поскольку свойства объекта по каналу управления изменяются со временем (устаревание масла), то регулятор обладает свойством адаптации. Так как выходная координата оценивается качественно, для целей адаптации регулятора в параллельном контуре использована модель, выполняющая функции прогноза и подстраивающаяся под объект.

Синтезируемая система регулирования функционирует в режимах

стабилизации и адаптации. При поступлении возмущающего воздействия оператор оценивает его величину качественно и вводит это значение в управляющее устройство. На основе полученной информации компенсатор корректирует величину управления. При отклонении на выходе процесса оператор оценивает его величину качественно, а регулятор вырабатывает управляющее воздействие и подает его на вход объекта. Периодически оценивается адекватность модели и осуществляется ее коррекция. Если в результате расчета по модели, не может быть достигнуто заданное качество продукта, то делается вывод, о том, что свойства объекта сильно изменились и необходимо их восстановление (замена масла).

Для реализации системы стабилизации при синтезе нечеткого регулятора и компенсатора предложен алгоритм расчета коэффициента к базовых функций принадлежности при заданном индексе избыточности. Получено соответствующее аналитическое выражение, связывающее к, ИИЗ и расстояние Т между пиками базовых функций:

к = 21п(ИИЗ/(2-ИИЗ))/(-Т).

Для учета свойств нестационарности технологического процесса разработан алгоритм адаптации нечеткого регулятора, в основе которого лежит генерация правил априори и последующего поиска эффективных с точки зрения некоторого критерия.

Разработанная структура и алгоритмы регулирования и адаптации реализованы на базе ИСГР РВ с реализацией соответствующих модулей и их настройкой для взаимодействия со 8СЛОА-системой.

Приведены результаты опытной эксплуатации разработанной системы стабилизации качества и показана ее эффективность.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ И ВЫВОДЫ

Общим результатом работы является научно обоснованное решение проблемы создания и реализации концепции и методологии интеллектуального управления и автоматизации слабоформализуемых химико-технологических процессов. При решении данной проблемы получены следующие основные результаты:

1. Выделен класс сложных слабоформализуемых химико-технологических процессов и задач их автоматизации, где применение искусственного интеллекта является эффективным;

2. Сформулирована концепция, включающая систему принципов, достаточную для решения широкого круга задач автоматизации, и методо-

логию интеллектуального управления в реальном времени химико-технологическими процессами;

3. Разработанная методология интеллектуального управления, включает:

- метод формирования элементов универсального множества при формализации качественной информации;

- метод синтеза продукционных баз знаний для интеллектуальных систем управления реального времени с заданными показателями качества;

- быстродействующую процедуру обработки качественной информации в реальном времени с использованием нечетких множеств, позволившей увеличить скорость генерации решения на порядок по сравнению с известными алгоритмами;

- метод адаптации баз знаний интеллектуальных систем управления нестационарными объектами, основанный на формировании текущих правил и определении показателей их качества;

- метод построения гибридных сотовых математических моделей слабоформализуемых химико-технологических процессов с использованием качественной и количественной информации.

4. Для реализации концепции синтезировано программное обеспечение интеллектуальной системы генерации решений реального времени на основе СЛ8Е-технологий; система имеет универсальное назначение и позволяет в зависимости от загружаемого контента и организации взаимодействия модулей решать широкий спектр задач интеллектуального управления химико-технологическими процессами; оригинальность программных продуктов подтверждена соответствующими свидетельствами фонда алгоритмов и программ.

5. Создана методика применения концепции интеллектуального управления, реализующаяся путем анализа химико-технологического процесса как слабоформализуемого и конфигурирования системы генерации решений для решения конкретной задачи.

6. На основе разработанной методологии предложены методы диагностики достоверности первичной информации и идентификации пред-аварийных ситуаций на технологических объектах управления. В качестве примера разработана система идентификации предаварийных ситуаций установки Клаусса в производстве серы.

7. Поставлена и решена задача оптимизации статического режима химико-технологических процессов с использованием гибридных математических моделей. Синтезирована система оптимального управления статическим

режимом процесса каталитического риформинга. Исследована и показана эффективность использования качественной информации для этих целей.

8. Поставлена и решена задача синтеза автоматических систем стабилизации слабоформализуемых нестационарных процессов на базе адаптивного нечеткого регулятора на примере процесса термической обработки рыбной продукции.

9. Система идентификации предаварийных ситуаций внедрена на Научно-производственном объединении «Мониторинг» (г. Москва) и находится в режиме опытной эксплуатации систем автоматизации установки очистки газов У0-50. Запланировано использование этой системы в составе АСУТП очистки газа при тиражировании установки У0-50.

Метод диагностики достоверности первичной информации реализован в составе программного обеспечения АСУТП энергоблоков Астраханской ТЭЦ-2 и находится в режиме промышленной эксплуатации.

Алгоритмы автоматического регулирования технологического процесса термической обработки рыбной продукции прошли опытную эксплуатацию на ОАО «Астраханский рыбокомбинат», в результате чего была подтверждена их работоспособность. Использование этих алгоритмов запланировано в составе АСУТП производства рыбоконсервной продукции.

Учебный вариант программной оболочки интеллектуальной системы продукции решений используется в Астраханском государственном техническом университете, Саратовском государственном техническом университете, Ярославском институте повышения квалификации руководящих работников и специалистов химической и нефтехимической промышленности для подготовки инженерных и научных кадров.

Содержание диссертации отражено в следующих работах:

Монография

1. Проталинский О.М. Применение методов искусственного интеллекта при автоматизации технологических процессов. - Астрахань: Изд-во АГТУ, 2004.184 с.

Статьи в журналах, рекомендованных ВАК

2. Проталинский О.М., Филоненко А.В. Распознавание предаварийных ситуаций на технологических объектах управления//Промышленные контроллеры и АСУ. - 2003. - №8. - С. 26-27.

3. Проталинский О.М. Модуль идентификации предаварийных ситуа-

ций в составе 8САОА-системы//Промышленные контроллеры и АСУ. -2003. -Х°9.- С. 28-30.

4. Проталинский О.М. Использование баз знаний при идентификации предаварийных ситуации/Промышленные контроллеры и АСУ. - 2003. -№10.-С. 41-43.

5. Проталинский О.М., Дианов Р.С. Автоматизированная система управления разработкой газового месторождения с применением нейронной сетиШромышленные контроллеры и АСУ. - 2003. - №12. - С. 30-32.

6. Проталинский О.М. Синтез АСР технологическими объектами с использованием качественной информации//Промышленные контроллеры и АСУ. - 2004. - №3. - С. 26-28.

7. Антонов О.В. Проталинский О.М. Оптимальное управление технологическими процессами с использованием комбинированных математических моделей//Промышленные контроллеры и АСУ. - 2004. - №2. - С. 29-31.

8. Проталинский О.М. Система диагностики предаварийной ситуаций. Приборы и системы//Управление контроль, диагностика. - 2003. -№12.-С. 40-43.

9. Проталинский О.М. Диагностика информационных каналов АСУШ с использованием баз знаний. Приборы и системы//Управление контроль, диагностика. - 2004 - №1. - С. 9-11.

10. Проталинский О. М., Антонов О. В. Комбинированная математическая модель процесса каталитического риформинга//Известия ВУЗов. Северо-Кавказский регион. Технические науки. Приложение №5.-2003. -С. 137-142.

11. Проталинский О.М., Антонов О.В. Построение комбинированных математических моделей технологических процессов//Известия ВУЗов. Северо-Кавказский регион. Технические науки. - 2003. - №4. - С. 4-7.

12. Проталинский О.М., Филоненко А.В. Распознавание предаварий-ных ситуаций на технологических объектах управления с использованием нечетких множеств//Известия ВУЗов. Северо-Кавказский регион. Технические науки. - 2003. - №3. - С. 19-21.

13. Проталинский О.М. Построение математических моделей технологических процессов на основе теории нечетких множеств и баз зна-ний//Известия ВУЗов. Северо-Кавказский регион. Технические науки. -2003.-№3.-С. 55-59.

14. Проталинский О.М. Проверка достоверности первичной информации АСУТП с использованием нечетких множеств//Известия ВУЗов. Северо-Кавказский регион. Технические науки. - 2003. - №3. - С. 60-62.

15. Проталинский О.М., Дианов Р.С. Разработка генетического алго-

ритма для решения задачи оптимизации эксплуатации газоконденсатного месторождения//Известия ВУЗов. Северо-Кавказский регион. Технические науки. Приложение №5. - 2003. - С. 154-158.

16. Проталинский О.М. Синтез продукционных баз знаний интеллектуальных систем управления реального времени//Известия ВУЗов. СевероКавказский регион. Технические науки. Приложение №2. - 2004. - С. 6-9.

17. Проталинский О.М., Ткачев С.А. Адаптация баз знаний интеллектуальных моделей технологических объектов управления//Известия ВУЗов. Северо-Кавказский регион. Технические науки. Приложение №2. - 2004. - С. 3-6.

18. Проталинский О.М., Филоненко А.В. Оптимизация вычислительных процедур в задачах распознания образов с использованием нечетких множеств/ЛЗестник Тамбовского государственного технического университета. - 2000. - Т.6. - №1. - С. 54-57.

19. Проталинский О.М. Использование нечетких множеств для распознавания предаварийных ситуаций//Вестник Тамбовского государственного технического университета. - 2000. - Т.6, №2. - С. 230-231.

Сборники трудов

20. Проталинский О.М., Филоненко А.В. Применение математического аппарата нечетких множеств для идентификации предаварийной ситуа-ции//Сборник трудов XII Международной научной конференции «Математические методы в технике и технологиях ММТТ-ХП». - Великий Новгород, 1999. - Т.5. - С. 80-82.

21. Проталинский О.М., Антонов О.В. Построение математической модели каталитического риформинга с использованием качественной информации/Сборник трудов XII Международной научной конференции «Математические методы в технике и технологиях ММТТ-ХИ». - Великий Новгород, 1999. - Т.5. - С. 82-83.

22. Проталинский О.М., Филоненко А.В. Идентификация причин предаварийных ситуаций с использованием нечетких множеств//Сборник трудов XIII Международной научной конференции «Математические методы в технике и технологиях ММТТ-2000». - Санкт-Петербург, 2000. - Т.4. -С. 65-66.

23. Проталинский О.М., Фролов Е.В. Применение нечетких алгоритмов для регулирования объектов с запаздыванием/УСборник трудов XIII Международной научной конференции «Математические методы в технике и технологиях ММТТ-2000». - Санкт-Петербург, 2000. - Т.4. - С. 66-37.

24. Проталинский О.М., Филоненко А.В. Оптимизация алгоритмов обработки нечетких отношений//Сборник трудов XIII Международной на-

учной конференции «Математические методы в технике и технологиях ММТТ-2000». - Санкт-Петербург, 2000. - Т.4. - С. 70-71.

25. Антонов О.В., Проталинский О.М. Повышение эффективности оптимального управления с использованием оперативной базы знаний тех-нологий//Сборник трудов XIV Международной научной конференции «Математические методы в технике и технологиях ММТТ-ХГУ». - Смоленск, 2001.-Т.6.-С. 129-130.

26. Проталинский О.М., Филоненко А.В. Использование качественной информации для идентификации предаварийной ситуации//Сборник трудов XIV Международной научной конференции «Математические методы в технике и технологиях ММТТ-Х^». - Смоленск, 2001. - Т.2. - С. 204-205.

27. Проталинский О.М., Филоненко А.В. Управление технологическими процессами в режиме предаварийной ситуации//Сборник трудов XV международной научной конференции «Математические методы в технике и технологиях ММТТ-ХУ». - Тамбов, 2002. - Т.5. - С. 113-114.

28. Проталинский О.М., Перов А.В. Оценка эффективности использования нечетких регуляторов методом имитационного моделирования//Сборник трудов XV международной научной конференции «Математические методы в технике и технологиях MMTT-XV». - Тамбов, 2002. - Т.5. - С. 117.

29. Проталинский О.М., Антонов О.В. Тренажерный комплекс на основе математической модели объекта с использованием качественной ин-формации//Сборник трудов XV международной научной конференции «Математические методы в технике и технологиях MMTT-XV». - Тамбов, 2002. -Т.5.-С. 118-119.

30. Проталинский О. М., Филоненко А.В. Анализ непротиворечивости и полноты нечетких моделей//Сборник трудов XVI международной научной конференции «Математические методы в технике и технологиях MMTT-XVГ». - Ростов-на-Дону, 2003. - Т.4. - С. 124-125.

31. Проталинский О.М., Антонов О.В. Методы построения комбинированных математических моделей технологических процессов/УСборник трудов XVI международной научной конференции «Математические методы в технике и технологиях MMTT-XVГ». - Ростов-на-Дону, 2003. - Т.8. -С. 49-50.

32. Проталинский О.М., Перов А.В. Использование нечеткого алгоритма управления при автоматизации обжарочной печи//Сборник трудов XVI международной научной конференции «Математические методы в технике и технологиях MMTT-XVГ». - Ростов-на-Дону, 2003. - Т.8. - С. 72-73.

33. Проталинский О.М., Савельев А.Н. Проверка достоверности первичной информации объектов управления//Сборник трудов XVII междуна-

родной научной конференции «Математические методы в технике и технологиях MMTT-XVTI». - Кострома, 2004. - Т.6. - С. 18-19

34. Проталинский О.М. Принципы интеллектуального управления слабоформализуемыми технологическими процессами//Сборник трудов XVII международной научной конференции «Математические методы в технике и технологиях MMTT-XVII». - Кострома, 2004. - Т.6. - С. 28-30.

35. Проталинский О.М., Перов А.В. Синтез нечеткого логического регулятора с использованием прогностической модели объекта//Сборник трудов XVII международной научной конференции «Математические методы в технике и технологиях MMTT-XVII». - Кострома, 2004. - Т.6. - С. 74-75.

36. Проталинский О.М., Филоненко А.В. Анализ объекта управления как источника предаварийных ситуаций//Сборник трудов XVII международной научной конференции «Математические методы в технике и технологиях MMTT-XVII». - Кострома: КГТУ, 2004. - Т.6. - С. 30-31.

37. Проталинский О.М., Бабиевский В.И., Моисеев Л.К. Моделирование технологических процессов с использованием аппарата нечетких множеств. - В кн.: Моделирование и управление химико-технологическими процессами/КГУ. - Калинин, 1986. - С. 107-111.

38. Проталинский О.М., Полупанов И.В. Оценка эффективности нечетких регуляторов при проектировании АСР. - В кн.: Автоматизированное проектирование химических производств/МИХМ. - М.,1987. - С. 104—106.

39. Балакирев B.C., Проталинский О.М., Полупанов И.В., Рудакофф П. Автоматизированное регулирование процессов с использованием адаптивных нечетких регуляторов. - В кн.: Информационные и системные аспекты моделирования и автоматизации химико-технологических процес-сов/КГУ. - Калинин, 1987. - С. 111-115.

40. Проталинский О.М. К вопросу о построении экспертных систем с использованием нечетких множеств. В кн.: Автоматизированное проектирование химических производств/МИХМ. - М., 1993. - С. 87-91.

41. Проталинский О.М., Балакирев B.C., Заев А.В. Математическое описание сложных ХТС с использованием количественной и качественной информации. Деп.сб.: Применение методов кибернетики в практике прикладных задач химической технологии/ВИНИТИ. - М., 1986. № 4793-86. -С. 107-111.

42. Проталинский О.М., Полупанов И.В. Автоматическое управление технологическими процессами в рыбной промышленности с использованием нечетких алгоритмов. Депхб.: Интенсификация процессов добычи ры-бы/ЦНИИТЭРХ. - М., 1987. - С. 44-49.

43. Проталинский О.М., Полупанов И В. Адаптивное управление не-

«

четко определенными объектами. Деп.сб.: Автоматизация химических про-изводств/ЦНИИТЭ приборостроения. - М., 1986. -№ 3485-86. - С. 48-52.

44. Проталинский О.М., Зверев B.C., Назаренко О.В. Адаптивное регулирование на основе нечеткой логики//Материалы Всесоюзной научной конференции «Автоматизация в химической промышленности»/Тамбов, 1986г.-С. 90-91.

45. Проталинский О.М. Идентификация нечетких математических моделей в режиме реального времени//Вестник Астраханского государственного технического университета. Автоматика и прикладные вопросы математики и физики. Сб. научн. трудов. - Астрахань: Изд-во АГТУ, 2000. -С. 41-44.

46. Проталинский О.М., Филоненко А.В. Основные направления применения математического аппарата нечетких множеств при автоматизации технологических процессов//Вестник Астраханского государственного технического университета. Автоматика и электромеханика. Сб. научн. трудов. - Астрахань: Изд-во АГТУ, 2002. - С. 18-21.

47. Проталинский О.М., Фролов Е.В. Применение нечеткого регулирования для объектов с высокой инерционностью. //Вестник Астраханского государственного технического университета. Автоматика и прикладные вопросы математики и физики. Сб. научн. трудов. — Астрахань: Изд-во АГТУ,2000.-С. 61-64.

Свидетельства о регистрации программного обеспечения

48. Проталинский О.М, Филоненко А.В., Костин Д.В., Булыгина МА, Буйлов К.В. Модифицированный алгоритм обработки качественной информации с использованием нечетких множеств/Российское агентство по патентам и товарным знакам (Роспатент). Свидетельство об официальной регистрации программ для ЭВМ №2004610774 от 29 марта 2004г.

49. Проталинский О.М., Буйлов К.В., Булыгина МА, Костин Д.В, Синтез продукционной базы знаний системы управления реального времени/Российское агентство по патентам и товарным знакам (Роспатент). Свидетельство об официальной регистрации программ для ЭВМ №2004610772 от 29 марта 2004г.

50. Проталинский О.М., Булыгина М.А., Буйлов К.В., Костин Д.В. Адаптация продукционной базы знаний системы управления реального времени/Российское агентство по патентам и товарным знакам (Роспатент). Свидетельство об официальной регистрации программ для ЭВМ №2004610773 от 29 марта 2004г.

Типография АГТУ. Зак, 560. Тир. 120.23.07.2004г.

14326

РНБ Русский фонд

2005-4 12241

Введение.

ГЛАВА ПЕРВАЯ

АНАЛИЗ ЗАДАЧ УПРАВЛЕНИЯ СЛАБОФОРМАЛИЗУЕМЫМИ ХИМИКО-ТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ И ПОСТАНОВКА ПРОБЛЕМЫ ИССЛЕДОВАНИЯ.

1.1. Анализ сложных слабоформализуемых химико-технологических процессов.

1.2. Искусственный интеллект в задачах автоматизации сложных технологических процессов (обзор литературы).

1.3. Анализ интеллектуальных методов управления автоматизации химико-технологических процессов.

1.4. Постановка задачи исследования.

ГЛАВА ВТОРАЯ

КОНЦЕПЦИЯ ИНТЕЛЛЕКТУАЛЬНОГО УПРАВЛЕНИЯ СЛАБОФОРМАЛИЗУЕМЫМИ ХИМИКО-ТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ.

2.1. Принципы интеллектуального управления слабоформализуемыми химико-технологическими процессами.

2.2. Формализация качественной информации.

2.2.1. Применение нечетких множеств для формализации качественной информации.

2.2.2. Формирование элементов универсальных множеств.

2.3. Построение баз знаний и оценка их качества.

2.3.1. Синтез модели базы знаний.

2.3.2. Показатели качества баз знаний.

2.3.3. Формирование баз знаний с заданными показателями качества.

2.4. Разработка вычислительной процедуры генерации решений.

214.1. Модификация вычислительной процедуры при обработке информации с использованием нечетких множеств.

2.4.2. Исследование быстродействия вычислительных процедур.

2.5. Адаптация баз знаний при интеллектуальном управлении химико-технологическими процессами.

2.5.1. Фазификация первичной информации с учетом ее случайной погрешности.

2.5.2. Обучение баз знаний при интеллектуальном управлении.

2.5.3. Исследование параметров адаптации баз знаний.

2.5.4. Адаптация баз знаний.

2.6. Построение гибридных математических моделей.

ГЛАВАТРЕТЬЯ

ПОСТРОЕНИЕ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ

ГЕНЕРАЦИИ РЕШЕНИЙ РЕАЛЬНОГО ВРЕМЕНИ.

3.1. Структура интеллектуальной системы генерации решений.

3.2. Алгоритмы функционирования интеллектуальной системы генерации решений реального времени.

3.3. Режимы функционирования интеллектуальной системы генерации решений.

3.4. Использование интеллектуальной системы генерации решений для тренинга персонала.

3.5. Реализация гибридной модели с использованием интеллектуальной системы генерации решений.

3.6. Реализация интеллектуальной системы генерации решений с использованием CASE-технологий.

3.7. Основы применения интеллектуальной системы генерации

4 решений для автоматизации химико-технологических процессов.

ГЛАВА ЧЕТВЕРТАЯ

МЕТОД ИДЕНТИФИКАЦИИ ПРЕДАВАРИЙНЫХ СИТУАЦИЙ НА ТЕХНОЛОГИЧЕСКИХ

ОБЪЕКТАХ УПРАВЛЕНИЯ.

4.1. Постановка задачи распознавания предаварийных ситуаций.

4.2. Классификация предаварийных ситуаций.

4.3 Разработка метода идентификации предаварийных ситуаций и их причин.

4.3.1. Использование интеллектуальной ситуационной модели для распознавания предаварийных ситуаций.

4.3.2. Идентификация причин предаварийных ситуаций.

4.3.3. Модификация метода идентификации предаварийных ситуаций.

4.4. Диагностика достоверности первичной информации при идентификации предаварийных ситуаций.

4.4.1. Избыточность и ее использование для проверки достоверности информации.

4.4.2. Диагностика достоверности первичной информации и определение ее источника.

4.4.3. Восстановление информации от недостоверного источника.

4.5. Построение системы идентификации предаварийных ситуаций.

4.5.1. Структура системы идентификации предаварийных ситуаций.

4.5.2. Человеко-машинный интерфейс системы идентификации.

4.5.3. Синтез машины управления системы идентификации.

4.6. Формирование баз знаний системы идентификации предаварийных ситуаций.

4.6.1. Описание технологического процесса получения серы на установке Клауса.

4.6.2. Анализ химико-технологического процесса как источника предаварийных ситуаций.

4.6.3. Математическая модель термического реактора установки Клаусса.

4.6.4. Имитационное моделирование как инструмент синтеза баз знаний;.

ГЛАВА ПЯТАЯ

ОПТИМАЛЬНОЕ УПРАВЛЕНИЕ СЛАБОФОРМАЛИЗУЕМЫМИ ХИМЖО-ТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ;.

5.1. Постановка задачи оптимального управления слабоформализуемыми химико-технологическими процессами.

5.2. Построение гибридной математической модели каталитического риформинга и постановка задачи его оптимального управления.

5.2.1. Технологический процесс каталитического риформинга.

5.2.2. Построение диаграммы взаимного влияния факторов на основе анализа процесса каталитического риформинга.

5.2.3; Задача оптимального управления процессом каталитического риформинга.

5.2.4. Построение сотовой модели каталитического риформинга.

5.2.5. Проверка адекватности математической модели процесса каталитического риформинга.

5.3. Поиск оптимальных управлений с использованием гибридных моделей.

5.3.1. Анализ особенностей гибридных математических моделей при оптимальном управлении.

5.3.2. Разработка поискового алгоритма оптимизации с использованием гибридных моделей.

5.3.3. Исследование эффективности алгоритма оптимизации.

5.3.4. Определения момента времени решения задачи оптимизации.

5.4. Реализация системы оптимального управления процессом каталитического риформинга.

5.4.1. Структура системы оптимального управления.

5.4.2. Исследование эффективности управления методом имитационного моделирования.

ГЛАВА ШЕСТАЯ

ПОСТРОЕНИЕ СИСТЕМ АВТОМАТИЧЕСКОГО РЕГУЛИРОВАНИЯ СЛАБОФОРМАЛИЗУЕМЫМИ ТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ.

6.1. Постановка задачи построения систем регулирования слабоформализуемыми технологическими процессами.

6.2. Система стабилизации качества продукции.

6.2.1. Анализ технологического процесса как слабоформализуемого.

6.2.2. Структура системы стабилизации с использованием качественной информации.

6.3. Проектирование системы стабилизации качества продукции.

6.3.1. Проектирование нечеткого регулятора и компенсатора.

6.3.2. Обучение и адаптация нечеткого регулятора.

6.3.3. Построение и адаптация модели объекта управления.

6.3.4. Синтез машины управления.

6.3.5. Эксплуатация системы регулирования качества продукции.

6.4. Реализация систем стабилизации с использованием концепции интеллектуального управления.

Основные результаты работы и выводы.

Одним из основных способов интенсификации производства является внедрение автоматизированных систем управления технологическими процессами на базе последних достижений в области вычислительной техники. Развитие компьютерных систем привело к значительному увеличению скорости обработки, возрастанию объема единовременно хранимой информации, появлению эффективных устройств ее сбора, передачи и преобразования. Именно это позволило в настоящее время осуществлять обработку больших потоков информации в режиме реального времени.

Совершенствование методов математического моделирования и теории автоматического управления стимулировало разработку более эффективных алгоритмов управления технологическими процессами, расширение класса объектов автоматизации. Эти два фактора и предопределили интенсивное, развитие автоматизированных систем управления технологическими процессами (АСУТП) и внедрение средств автоматизации в различные производственные процессы в настоящее время, что позволило добиться успехов в управлении технологическими процессами, обладающими свойствами нестационарности, распределенности, автоматизация которых ранее была затруднена.

Несмотря на несомненные успехи в этой области, существует достаточно большой класс задач, где уровень автоматизации существенно уступает современным требованиям к технологическим процессам практически во всех отраслях промышленности: химической и нефтеперерабатывающей, пищевой и рыбной, производства стали и стекла, текстильной и др.

Такое положение объясняется функционированием технологических процессов в условиях неопределенности, под которой понимают недостаток информации, необходимой для формализации той или иной задачи.

Неопределенность приводит к невозможности аналитического описания технологического процесса, хотя достаточно часто может быть компенсирована путем набора соответствующих статистических данных и построения на их основе моделей (например, регрессионных) или применения методов синтеза формальных математических моделей > (например, в виде передаточных функций). Такие методы описания отнесем к традиционным.

Но возникают случаи, когда данные методы использования информации не дают ожидаемого результата в силу принципиальной невозможности получения таковой, что объясняется наличием двух основных факторов:

- отсутствием средств или методов измерения координат объекта управления;

- невозможностью математического описания традиционными методами технологических процессов, ввиду их сложности и мало изученности.

Таким образом, рассматриваемая неопределенность не может быть компенсирована4 (в отличие от приведенного выше случая); статистическими или формальными методами. Поэтому целесообразно говорить о неформализуемой неопределенности.

Указанные факторы, обусловливающие неопределенность, значительно снижают эффективность управления технологическим процессом, а часто делают его в принципе невозможным. Это объясняется тем, что функционирующие системы ; управления различного уровня, — локальные АСР, робастные, адаптивные, интегрированные АСУ — требуют формализованного описания задач априори и количественного представления текущей информации. В зависимости от типа системы необходимая степень формализации информации изначально может быть различной. AGP требуют не только математического описания динамических свойств объекта по каналу возмущения и • управления, но й знания вида возмущений. Адаптивные системы, располагая минимальной информацией, компенсируют ее недостаток в режиме реального времени за счет поступления от первичных преобразователей и обработки текущих значений - координат объекта. Наличие текущей информации в количественном 5 виде является необходимым условием работы этих систем, что в рассматриваемых нами случаях не всегда возможно. ♦

Остановимся подробнее на задачах автоматизации технологических процессов, решение которых в настоящее время затруднено ввиду указанных факторов, определив при этом их место в общей структуре АСУТП. Отметим, что указанные факторы могут присутствовать при решении задач автоматизации как порознь, так и одновременно.

Первый приведенный нами фактор — невозможность, количественного контроля координат объекта - обычно присутствует при решении информационных задач АСУТП. Его наличие может объясняться рядом причин: принципиальным отсутствием методов или средств измерения, инерционностью существующих традиционных методов контроля или средств измерения, ненадежностью функционирования первичных преобразователей.

Общей чертой описанных выше ситуаций является возможность качественной оценки оператором значений координат объекта управления: визуально или органолептически, и описания его в вербальной форме. Отметим, что необходимость подобной качественной оценки: обычно не имеет самостоятельного характера, а является подзадачей при; решении других задач автоматизации ТП.

Второй приведенный фактор - невозможность математического описания традиционными методами технологических процессов, ввиду их сложности и малоизученности - обычно присутствует при решении задач

АСУТП высокого уровня, к которым могут быть отнесены:

- регулирование технологических процессов в условиях высокой зашумленности и отсутствия традиционной модели динамики;

- оптимальное управление при отсутствии достаточно полной и адекватной математической модели;

- диагностика состояния технических средств и выявление отказов оборудования;

- распознавание отклонений от номинальных режимов на технологическом объекте управления;

- управление технологическими процессами в условиях пуска-останова;

- прогнозирование развития ситуации на технологическом объекте.

Можно привести достаточно большое количество примеров перечисленных задач для технологических процессов в различных отраслях промышленности.

При функционировании технологического процесса в условиях неформализуемой неопределенности существенную роль играет оператор, ведущий процесс, - лицо, принимающее решение (Jll IP). Можно указать достаточно большое количество объектов, где задачи управления и контроля, решаемые в настоящий момент JII1Р, существенны и приобретают большую значимость в системе управления процессом: прогнозирование рисков, обнаружение отказов оборудования и технических средств, управление в переходных процессах (пуско-останов, смена режимов работы объекта), регулирование объектов при отсутствии количественного контроля.

Несмотря на то, что традиционные методы контроля, математического описания или управления не дают желаемых результатов, оператор справляется с этими задачами с определенной степенью эффективности, опираясь на собственные представления о закономерностях явлений, опыт, интуицию. Поскольку эти понятия во многом определяют квалификацию ЮТР, то и эффективность решения задач автоматизации во многом зависит от последней.

В связи с этим возникает потребность использования нетрадиционных методов для решения задач управления, основанных на качественном описании, имитации и воспроизведении процессов интеллектуальной деятельности J11 IP. Появление такого научного направления; как искусственный интеллект, позволяет решать подобный тип задач [1].

Восьмидесятые годы характеризуются г интенсивным развитием систем, в основе функционирования которых лежат методы искусственного интеллекта. Развитие подобных систем в то время обусловлено возникшей необходимостью решения задач в различных отраслях человеческих знаний, где традиционные методы не давали желаемого результата вследствие слабой формализуемости предметной > области. Резкий скачок в совершенствовании средств вычислительной техники (увеличение быстродействия и объемов памяти ЭВМ) создал предпосылки для реализации систем искусственного интеллекта, которые требуют значительных машинных ресурсов. Изучение основ процесса человеческого мышления, построения памяти, психологических аспектов принятия управленческих решений позволило формализовать эти стороны деятельности; человека. Именно эти три составляющие и предопределили появление и интенсивное развитие научного направления, получившего название «искусственный интеллект» (ИИ).

Под методами ИИ понимают достаточно широкий набор методов, решающих разные задачи. Они могут быть направлены на разработку методов взаимодействия человека и машины, общения с ЭВМ на; естественном языке (ЕЯ-системы), обработки визуальной информации, распознавания образов и решение других задач. Общая цель методов искусственного интеллекта — замена человека вычислительным устройством при принятии решений и его общение с ЭВМ естественным путем.

Направлений развития искусственного интеллекта достаточно много, но мы упомянем только те, которые, по нашему мнению, могут внести вклад в решение задач управления технологическими процессами, особенности которых уже рассматривались выше.

В настоящее время наиболее популярным направлением является разработка экспертных систем (ЭС). Цель функционирования ЭС - выдача решений по конкретной проблеме, обычно в узкой предметной области, на базе имеющихся знаний на основании конкретного запроса оператора. Основу экспертных систем составляют базы знаний^ приобретение и накопление которых и является одной из основных задач их функционирования. ЭС, как правило, обладают механизмом объяснения выдаваемых ими решений и возможностью гибкого диалога с оператором.

Появление в конце 60-х гг. математической теории нечетких множеств [2-4] породило новое направление в развитии методов ИИ и их применении при автоматизации технологических процессов: формализация интеллектуальной деятельности оператора и построение на этой основе алгоритмов управления. Именно это направление развития методов ИИ позволило существенно продвинуться при решении задач автоматизации доселе трудно описываемых технологических процессов. Нечеткие множества дали возможность для формализации качественного описания оператором значений параметров технологического процесса и особенностей его функционирования. Теория нечетких множеств явилась основой для построения нечетких регуляторов, их применения в тех сферах теории управления, где традиционные методы ранее не приносили желаемых результатов: регулирование технологических объектов с высокой динамикой, сильной зашумленностью, высоким уровнем нелинейных искажений. Математический аппарат нечетких множеств способствовал развитию новых методов построения математических моделей технологических процессов на основе формализации качественной информации.

Еще одним направлением развития искусственного интеллекта является применение нейронных сетей. Это направление получает достаточно широкое распространение при решении задач управления многостадийными, дискретными и распределенными процессами. <

Подводя итог выше сказанному, отметим, что метод» ИИ являются в щ настоящее время аппаратом, потенциально позволяющим решать достаточно широкий класс задач автоматизации технологических процессов. Несмотря на несомненные успехи, методы ИИ используются в АСУТП пока недостаточно эффективно. Применение их в этом направлении носит несистематический характер, не определены классы задач, где использование ИИ являлось бы эффективным, нет единого концептуального подхода к их использованию, недостаточно внимания уделено методам совместного использования традиционного и качественного описания.

Сложившееся положение объясняется разнообразием предметных областей решаемых задач и функционированием АСУ ТП в режиме реального времени, что существенно затрудняет реализацию интеллектуальных систем и ограничивает практическую сферу их применения. Вместе с тем методы искусственного интеллекта являются тем инструментом, который позволит компенсировать слабую формализуемость технологических процессов. Это даст возможность расширить класс решаемых задач автоматизации технологических процессов и тем самым повысить эффективность их управления.

Таким образом, актуальной является цель настоящей работы -ф повышение эффективности управления слабоформализуемыми химикотехнологическими процессами за счет расширения класса задач их автоматизации.

Научная проблема соответствует поставленной цели: синтез концепции управления и автоматизации слабоформализуемыми химико-технологическими процессами с использованием методов искусственного интеллекта.

Для достижения указанной цели решим следующие задачи:

- выделить класс задач автоматизации, где применение методов искусственного интеллекта приведет к повышению эффективности управления технологическими процессами;

- сформулировать принципы использования искусственного интеллекта для автоматизации и управления технологическими процессами;

- разработать методы интеллектуального управления в; реальном времени, воплощающие эти принципы;

- реализовать концепцию в виде алгоритмического и программного обеспечения интеллектуальной системы управления реального времени;

- разработать методику применения концепции и интеллектуальной системы управления для автоматизации технологических процессов;

- реализовать приложение разработанных методов к решению сформулированных задач автоматизации конкретных объектов управления.

Работа выполнена; в соответствии с постановлением Правительства РФ от 28.05.96 «О приоритетных направлениях развития науки и техники и критических технологий» по направлению «Интеллектуальные системы управления», с тематикой госбюджетной НИР Астраханского государственного технического университета «Разработка и описание систем управления и технических средств автоматизации технологических процессов» № 05.03 с 02.1993г. по 12.1998г., «Разработка систем управления и технических средств автоматизации технологических процессов» № 07.08 с 02.1999г. по 12.2002г., «Теоретический анализ и математическое моделирование интеллектуальных информационных систем» с 02.2003г. по настоящее время № 08.08.03.

Объем работы. Диссертационная работа состоит из введения, шести глав, выводов, списка используемой литературы и приложений.

Основные результаты работы и выводы

Общим результатом работы является научно обоснованное решение проблемы создания и реализации концепции и методологии интеллектуального управления и автоматизации слабоформализуемых химико-технологических процессов. При решении данной проблемы получены следующие основные результаты:

1. Выделен класс сложных слабоформализуемых химико-технологических процессов и задач их автоматизации, где применение искусственного интеллекта является эффективным.

2. Сформулирована концепция, включающая систему принципов, достаточную для решения широкого круга задач автоматизации, и методологию интеллектуального управления химико-технологическими процессами: в реальном времени.

3. Разработанная методология интеллектуального управления включает:

- метод формирования элементов универсального множества при формализации качественной информации;

- метод синтеза продукционных баз знаний для интеллектуальных систем управления реального времени с заданными показателями качества;

- быстродействующую процедуру обработки качественной информации в реальном времени с использованием нечетких множеств, позволившую увеличить скорость генерации решения на порядок по сравнению с известными алгоритмами;

- метод адаптации баз знаний интеллектуальных систем управления нестационарными объектами, основанный на формировании текущих правил и определении показателей их качества;

- метод построения гибридных сотовых математических моделей слабоформализуемых химико-технологических процессов с использованием качественной и количественной информации.

4. Для реализации концепции синтезировано программное обеспечение интеллектуальной системы генерации решений реального времени на основе CASE-технологий; система имеет универсальное назначение и позволяет в зависимости от загружаемого контента и организации взаимодействия модулей, решать широкий спектр задач интеллектуального управления химико-технологическими процессами; оригинальность программных; продуктов подтверждена соответствующими свидетельствами фонда алгоритмов и программ.

5. Создана методика применения, концепции интеллектуального управления, реализующаяся путем анализа химико-технологического процесса как слабоформализуемого и конфигурирования системы генерации решений для решения конкретной задачи.

6. На основе разработанной методологии предложены методы диагностики' достоверности первичной информации и идентификации предаварийных ситуаций на технологических объектах управления. В качестве примера разработана система идентификации предаварийных ситуаций установки Клаусса в производстве серы.

7. Поставлена и решена задача оптимизации статического режима химико-технологических процессов с использованием гибридных математических моделей. Синтезирована система оптимального управления статическим режимом процесса каталитического риформинга. Исследована и показана эффективность использования качественной информации для этих целей.

8. Поставлена и решена задача синтеза автоматических систем стабилизации слабоформализуемых нестационарных процессов на; базе адаптивного нечеткого регулятора на примере процесса термической обработки рыбной продукции.

9. Система идентификации предаварийных ситуаций внедрена

Научно-производственном объединении «Мониторинг» (г. Москва) и находится в режиме опытной эксплуатации систем автоматизации установки очистки газов УО-50. Запланировано использование этой системы в составе АСУ 111 очистки газа при тиражировании установки У0-50.

Метод диагностики достоверности первичной информации реализован в составе программного обеспечения АСУТП энергоблоков Астраханской ТЭЦ-2 и находится в режиме промышленной эксплуатации.

Алгоритмы автоматического регулирования технологического процесса термической обработки рыбной продукции прошли опытную эксплуатацию на ОАО «Астраханский рыбокомбинат», в результате чего была подтверждена их работоспособность. Использование этих алгоритмов запланировано в составе АСУТП производства рыбоконсервной продукции.

Учебный вариант программной оболочки интеллектуальной системы продукции решений используется в Астраханском государственном техническом университете, Саратовском государственном университете, Ярославском институте повышения квалификации руководящих работников и специалистов химической и нефтехимической промышленности для подготовки инженерных и научных кадров.

1. Искусственный интеллект. Справочник. В 3-х кн. Кн. 1. / Под ред. Э.В. Попова. - М.: Радио и связь. 1990. - 464 с.

2. Zadeh L.A. Fuzzy Sets. Information and control. 1965. Vol. 8. -P. 338—353.

3. Заде Л.А. Основы нового подхода к анализу сложных систем и процессов принятия решений. — В кн: Математика сегодня. М.: Знание, 1974.-С. 5-49.

4. Заде Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений. — М.: Мир, 1976. — 165 с.

5. Серегин М.Ю. Современное состояние и возможные пути решения .проблем построения систем управления. технологическими процессами // Приборы и системы. Управление, контроль, диагностика. -2004.-№1.-С. 2-8.

6. Феллер В. Введение в теорию вероятности и её приложения. Т.1. -М.: Мир, 1984.-586 с.

7. Мешалкин В.П. Экспертные системы в химической технологии. -М.: Химия, 1995.-368 с.

8. Плановский А.Н., Николаев Г.И. Процессы и аппараты химической и нефтехимической технологии: Учеб. для вузов. — 3-е изд. -М.: Химия, 1987.-496 с.

9. Тимофеев Л.В., Юсупов P.M. Интеллектуальные системы автоматического управления // Известия РАН. Техническая кибернетика. -1994.-№5.-С. 142-148.

10. Захаров В.Н. Интеллектуальные системы управления: основные понятия и определения. // Известия РАН. Теория и системы управления. -1997.-№3.-С. 138-145.

11. Mamdani Е.Н., Assilian S.A. Fuzzy Logic Controller For Dynamic Plant. International Journal of Man-Machine Study. 1975. Vol. 7. - P. 1-13.

12. Ostergaard J.J. Fuzzy logic control at a heat exchanger process. Pull N 7601, Elec / Power Enging. Dept.Techn. University of Denmark. DK 281 Lengby. June. 1976. P. 11-16.

13. Kickert W.J.M., van Nauta Lemke H.R. Application of a Fuzzy Controller in a Warm Water Plant. Automatica, 1976, Vol. 12. P. 301-308.

14. Carter L.A., Rutherford D.A. A Heuristic Adaptive Controller for a Sinter Plant. IFAC Symp. on Automation in Mining, Johannesburg. 1976.-P. 22-25.

15. Carter L.A., Hagne M.J. Fuzzy Control of Raw Mix Permeability of Sinter Plant. Proc. Fuzzy Workshop, QMC, London, 1976. -P.33-38:

16. King R.J., Mamdani E.H. The Application of Fuzzy Control System to Industrial Processes. Automatica, 1977, Vol. 13. P. 235-242.

17. Mamdani E.H., Baaklin N. Descriptive Method of Deriving Control Policy in a Fuzzy Logic Controller . Electrical Letters, 2 25/6, Dec. 1975.-P. 625-626.

18. Kickert W. Towards an Analysis of Linguistics Modeling. // Fuzzy Sets and systems. 1979. Vol. 2. P. 293-307.

19. Tong R.M. A Control engineering review of Fuzzy Systems // Automatica. 1977. - Vol. 13. - P. 559-569.

20. Tong R.M. Synthesis of Fuzzy Models for Industrial Processes-Some Recent results // International Journal of General Systems. 1978. -Vol. 4.-P. 143-163.

21. Балакирев B.C., Проталинский O.M. Применение математического аппарата нечетких множеств при автоматизации технологических процессов // Измерение, контроль, автоматизация. — 1985.-№2 -С. 86-94.

22. Алиев Р.А., Церковный А.Э., Мамедова Г.А. Управление производством при нечеткой исходной информации. М.: Энергоиздат,1991.-237 с.

23. Kaoru Hirota. Industrial application of Fuzzy Technology. Tokyo,1992.-310 p.

24. Ait Ali Yahia, R; Boucherit M.S. Fuzzy Control of a Distillation Column. Proceeding 10"th Zittau Fuzzy Colloquium, 2002. P. 95-102.

25. Usenko V.V., Arakelian E.K. Model of the Fast fuzzy Controllers. Proceeding 8"Л Zittau Fuzzy Colloquium, 2000. P. 134-139.

26. Chang S. S.L., Zadeh L. A. On fuzzy mapping and control // IEEE Trans. Syst. Man and Cybern. SMC-2, 1. 1972. - N-P. 30-34.

27. Negoita C., Ralescu D.A. Application of Fuzzy Sets to Systems Analysis. Editura Technica. Bucharest. Birkhauser Velag Basel and Stuttgart. -1975.-170 p.

28. Jain R. Outline of New Approach for the Analysis of Fuzzy Systems // Int. J. Control. 1976. - N 23. - P. 622-640.

29. De Glas M. A Mathematical Theory of Fuzzy Systems. In: Fuzzy Inform, and Decision Proc., M.M. Gupta and E. Sanches (eds), North-Holland Publ. Сотр. 1982. P. 38 - 64.

30. Ray K.S., Majumber D. Fuzzy Logic Controller of Nonlinear Maltivariable Steam Generating Unit Using Decoupling Theory // IEEE Trans, on. Syst., Man and Cybern. 1985. - N 4. - P. 539-558.

31. Усков А.А. Устойчивость замкнутых систем управления с нечеткой логикой // Приборы и системы. Управление, контроль, диагностика. 2003. - №3. - С.8-9.

32. Усков А.А. Эмпирический принцип синтеза нечетких логических регуляторов. // Приборы и системы. Управление, контроль, диагностика. 2004. -№1.- С. 16-18.

33. Procyk Т.J., Mamdani E.H. A Linguistic Self-Organizing Process Control Automata. 1979. Vol. 15.-P. 15-30.

34. Procyk T.I. A Self-organazing Controller For Syngle Input. Single Output Systems. - International Report, Queen Mary College, London, 1976. -P. 32-36.

35. King P.J., Mamdani E. H. The application of fuzzy control systems industrial process // Automatica. 1977. - № 13. - P. 23 5-242.

36. Mamdani E. H. Andveces in the Linguistic Synthesis of Fuzzy Controllers // Int. J. Man-mach. Stud. 1976. - Vol 8. - P. 669-678.

37. Mamdani E. H. Rule-based Fuzzy Approach to the Control of Dynamic Processes // IEEE Trans, on Comput. 1981. - № 12. - P. 432-440.

38. Nanus В.; Modriak О.; Tuma, L. Fuzzy controller with variable structure Proceeding Ю'л Zittau Fuzzy Colloquium, 2002. P. 103-109.

39. Resnik 1., Chanayem O., Boursmistrev A. PID plus fuzzy controller structures as a design base for industrial applications. Engineering application of artificial intelligence. 13 (2000)-P. 419-430

40. Rotach V. Expert Methods in the Theory of Automatic Control. Proceeding 7~th Zittau Fuzzy Colloquium, 1999.-P. 168-173.

41. Hisbullan, М.А.Н.; Ramachandran. K.B. Design of Hybrid Scheme fuzzy logic Controller with Fermententation Precess. Proceeding 10th Zittau Fuzzy Colloquium, 2002. P. 110-117

42. Rotach V., Grishin K. Qualitative Expert Estimation of Control Algorithms and Their Optimization by Methods of the Modified Theory of Adaptation. Proceeding 10"л Zittau Fuzzy Colloquium, 2002. P. 149-155.

43. Usenko, V. Realization Features of Crips and Fuzzy Control algorithms. Proceeding 10"th Zittau Fuzzy Colloquium, 2002. P. 156-163.

44. Mizumoto M. Realization of PID controls by fuzzy control methods //Fuzzy Set and Systems. 1995. - № 7. - P. 171-182.

45. Butkiowoez В. S. Properties of a System with hybrid Fuzzythconventional PID Controller. 5' International Conference on Soft Computing. MENDEL'99. 1999. P. 223-227.

46. Rotach V. The Analysis of Traditional and Fuzzy PID Rigulators. Proceeding 8"* Zittau Fuzzy Colloquium, 2000. P. 165-172.

47. Pivonka P., Blaha P. Comparative Analysis of Classical and Fuzzy PID Control algorithms. Proceeding 7"th Zittau Fuzzy Colloquium, 1999.-P. 176-181.

48. Полупанов И.В., Проталинский O.M. Оценка эффективности нечетких регуляторов при проектировании АСР. В кн: Автоматизированное проектирование химических производств. М.: МИХМ, 1987.-С. 104-106.

49. Panko М., Aruketyan Е. About Application of Fuzzy Description in Optimization Tasks on Power Plants. Proceeding Zittau Fuzzy Colloquium, 2002.-P. 308-310.

50. Medriak O., Votoubee R. Laboratory Tasks for Fuzzy Control. Proceeding 10"л Zittau Fuzzy Colloquium, 2002. P. 137-148.

51. Егоров А.А. Искусственный интеллект в промышленных АСУ и контроллерах: Мифы и реальность, дань моде или объективная необходимость? // Промышленные контроллеры и АСУ. — 2003. -№10.-С. 65-65.

52. Ротач В.Я. Возможен ли синтез нечетких регуляторов с помощью теории нечетких множеств // Промышленные контроллеры и АСУ. -2004. №1. - С. 33-34.

53. Дорохов И.Н., Марков Е.П., Кафаров В.В. Особенности методологии нечетких множеств для описания физико-химических систем //ТОХТ. 1980.-№ 6. - С. 908-919.

54. Кафаров В.В., Дорохов И.Н., Марков Е.П. Принцип описания химико-технологичиских процессов с помощью нечетких множеств // Докл. АН СССР.-1978.-Т. 243:- №1.-С. 159-161.

55. Марков Е.П. Формализация и переработка качественной информации в задачах моделирования оптимизации химико-технологических процессов / Дисс. на соискание ученой степени канд. техн. наук / МХТИ. М., 1981.-15 с.

56. Кафаров В.В., Дорохов И.Н: Системный анализ процессов химической технологии. Основы стратегии. — М.: Наука, 1976. 499 с.

57. Sugeno М., Bukamoto Y., Ierano Т. Subjective valuation of Fuzzy Objects. -Preprints IF AC, Symposium on Automatic Control, Budapest, 1974. P. 629-636.

58. Sanchez E. Resolution of Composite Fuzzy Relation; Equation // Information and control. 1976. - Vol. 30. - P. 38-48.

59. Czogala E., Pedrycz W. Control Problems in Fuzzy Systems // Fuzzy Sets and systems. 1982. - Vol. 7. - P. 257-272.

60. Czogala E., Pedrycz W. On Identification in Fuzzy Systems and it's Applications In Control Problems // Fuzzy Sets and systems., — 1981.-Vol. 6.-P. 73-83.

61. Проталинский O.M. Идентификация нечетких математических моделей в режиме реального времени // Вестник АГТУ. Автоматика и прикладные вопросы математики и физики. Астрахань: Изд-во АГТУ, 2000.-С.41.

62. Алиев Р.А., Абдикеев Н.М., Шахназаров М.М. Производственные системы с искусственным интеллектом. — М.; Радио и связь, 1990. — 263 с.

63. Prade Н., Dubuis D. Fuzzy Sets and systems. Theory and Applications. Paris, 1980. - 320 p.

64. Попов Э.В. Экспертные системы. Решение неформализованных задач в диалоге с ЭВМ. М.: Наука, 1987. - 286 с.

65. Построение экспертных систем / Под ред. Ф. Хейес-Рота. -М.: Мир, 1987.-443 с.

66. Попов Э.В. Экспертные системы реального времени //Открытые системы. 1995 - №2. - С.66 - 71.

67. Л.Б. Хокинсон, К.Дж. Никербокер, Р.Л. Мур. Экспертная система для управления производственными процессами в реальном масштабе времени. В кн.: Искусственный интеллект: применение в химии.-М.: Мир, 1988.-С. 84.

68. F. Hayes-Roth, N. Jacobstein. The State of Knowledge-Based Systems. Communications of the ACM, March. 1994. - V.37. - N 3 . - P. 27-39.

69. P. Harmon. The market for intelligent software products Intelligent Software Strategies. 1992. - V.8. -N.2. - P. 5-12.

70. P. Harmon. The Size of the Commercial AI Market in the US. Intelligent Software Strategies. 1994. - V.10. - N.l. - P. 1-6.

71. Дж. К. Беллауз. Система химической диагностики для электростанций. В кн.: Искусственный интеллект: применение в химии. - М.: Мир, 1988. - С. 68-83.

72. P. Harmon. The AI Tools Market The Market for Intelligent Software Building Tools. Part I. Intelligent Software Strategies. 1994. - VI0: -N.2.-P. 1-14.

73. B.R. Clements and F. Preto. Evaluating Commercial Real Time Expert System Software for Use in the Process Industries. C&I, 1993. P. 107-114.

74. Попов Э.В., Фоминых И.Б., Кисель Е.Б., Шапот М.Д. Статические и динамические экспертные системы. — М.: Финансы и статистика, 1996. — 320 с.

75. Кафаров В.В., Мешалкин В.П. Принципы разработки интеллектуальных систем в химической технологии // Докл. АН СССР. -1989. Т. 306. -№2. - С. 409-413.

76. Кафаров В.В., Мешалкин В.П., Лившиц М.М. Принципы разработки автоматизированных систем ситуационного управления магистральным транспортом газа // Докл. АН СССР. 1991. - Т. 317. -№6.-С. 168-174.

77. Фоминых И.Б. Принципы построения гибридных интеллектуальных систем реального времени // Материалы Международного конгресса «Искусственный интеллект в 21 веке». М.: Наука, 2001. - С. 570-582.

78. McCulloch W.S., Pitts W A logical calculus the ideas imminent in nervous activity // Bull. Mathematical Biophysics. 1943. - Vol. 5. — P. 115-133.

79. Hebb D.O. The organization of behavior. N.Y.: Wiley & Sons, 1949.-214 p.

80. Rosenblatt F. The perception: A probabilistic model for information storage and organization in the brain // Psychological Review. — 1985. — Vol. 65. -P. 386-408:

81. Розенблат Ф. Принципы нейродинамики. M.: Энергия, 1965.-480 с.

82. Parallel Distributed Processing: Explorations in the Microstructures of Cognition / Ed by Rumelhart D. E. and McClelland: J.L. -Cambridge, MA: MIT Press. 1986. P. 56-61.

83. Минский M., Пайперт С. Перцептроны. M.: Мир, 1971- 261 с.

84. Проталинский O.M., Дианов P.C. Автоматизированная система управления разработкой газового месторождения с применением нейронной сети. // Промышленные контроллеры и АСУ. — 2003.-№12.-С. 30-32.

85. Zadeh L. Fuzzy logic, neural network and soft computing. Communications of the ACM. -1994. -Vol. 37. №3. - P. 30-39.

86. Яблонский С.Б., Чегис И.А. О текстах для электрических схем: Успехи математических наук.-М.: 1995.-Т. 10-Вып. 4(66).-С. 182-184.

87. Кузнецов П.И., Пчелинцев Л. А., Гайденко А.С. Контроль и поиск неисправностей в сложных системах. — М.: Советское радио, 1965. — 239 с.

88. Пашковский Г.С. Задачи оптимального обнаружения и поиска отказов в РЭЛ. Под ред. И.А. Ушакова. — М.: Радио и связь, 1981. — 220 с.

89. Брюлле Д.Д. Отыскание неисправностей в технических устройствах // Зарубежная радиоэлектроника. — 1961. — №7. С. 27—34.

90. Ксенз С.П. Поиск неисправностей в радиоэлектронных системах методом функциональных проб. — М.: Советское радио, 1965. — 135 с.

91. Селлерс Ф. Методы обнаружения ошибок в работе ЭЦВМ М.: Мир, 1972.-310 с.

92. Коллакорт Р. Диагностирование механического оборудования / Сокр. пер. с англ. В. М. Павловой. Д.: Судостроение, 1980. - 296 с.

93. ГОСТ 20 417-75. Техническая диагностика. Общие положения о принципах разработки диагностирования.

94. Мищенко А.А. Автоматизированные системы технической диагностики сложных машин. М.: НИИ Информтяжмаш, 1978. - 54 с.

95. Гуляев В.А. Диагностика вычислительных машин. — Киев: Техника, 1981. 167 с.

96. Чжен Г., Меннинг Е., Мети Г. Диагностика отказов вычислительных систем. — М.: Мир, 1972. — 232 с.

97. Murphy Т.Е. Setting UP an Expert System // Y&CS Process Control Mag. - 1985. - V. 58. - N 3. - P. 54-60.

98. Цыганков М.П; Научные основы корректирующего управления качеством функционирования автоматизированных технологических комплексов / Автореферат дисс. на соискание ученой степени д-ра техн. наук. Москва, 2003. - 31 с.

99. Саплин М.С. Фотоэлектрическое устройство, воспринимающие цифровые печатные знаки // Электронные вычислительные машины. -1960.-№1.-С. 110-123.

100. Той J.T. Some approaches to optimum feature extraction. — In: computer and information sciences. New York: Acad. Press, 1967. - P. 77-91.

101. Sherman H. A quasi-topological method for recognition of line patterns. In: Proc. Intern. Conf. Inf. Proc., UNESCO. - Paris, 1959, June.-P. 118-127.

102. Айзерман М.А., Браверман. Э.М., Розоноейр Л.И: Теоретические основы метода потенциальных функций в задаче об обучении автоматов распознанию ситуаций на классы // Автоматика и телемеханика. 1964. ~№6. - С. 917-937.

103. Айзерман М.А., Браверман. Э.М., Розонайр Л.И. Методы потенциальных функций в теории обучения машин. М.: Наука, 1970. - 384 с.

104. Себестиан Г.С. Процессы принятия решений при распознании образов. Киев: Техника; 1965. — 151 с.

105. Ивахненко А.Г., Лапа В.Г. Кибернетические предсказывающие устройства. Киев: Наукова думка, 1965. - 214 с.

106. Ивахненко А.Г. Кибернетические системы с комбинированным управлениям. Киев: Техника, 1968; - 512 с.113; Ивахненко А.Г. Самообучающиеся системы распознания и автоматического регулирования. — Киев: Техника, 1969. — 392 с.

107. Ивахненко А.Г. Системы эвристической самоорганизации в технической кибернетике. Киев: Техника, 1971. - 372 с.

108. Айзерман М.А., Француз А.Г. Распознание образов на конечном множестве описаний // Проблемы бионики. 1970. - Вып. 4. - С. 70-74.

109. Француз А.Г. О возможном биологическом механизме опознания образов. В кн.: Механизмы опознания зрительных образов. Проблемы физиологической оптики. - М.: Наука, 1967. - С. 53-69.

110. Француз А.Г. Линейные и полилинейные решающие правила и их применение в некоторых задачах медицинской диагностики и химической технологии. — В кн.: Практические применения распознавания распознания образов. М.: Изд-во ВЦ АН СССР, 1972. - С. 53-61.

111. Вапник В.Н., Журавель А.А., Червоненкис А.Я. Алгоритмы обучения распознанию образов ОП1, ОП2, ОПЗ, использующие метод обобщенного портрета. — В кн.: Алгоритмы обучения распознания образов. М.: Советское радио, 1973. - С. 89-110

112. Каваленский В.А. Методы оптимальных решений в распознании изображений. М.: Наука, 1967. — 328 с.

113. Вапник В.Н., Червоненкис А.Я. Теория распознания образов (статистические проблемы обучения). М.: Наука, 1974. - 415 с.

114. Каваленский В.А. Распознание путем имитации процесса, прождающего изображения. В кн.: Распознания образов и конструирование читающих автоматов. - Киев: Наукова думка, 1969. - Вып. 2. — С. 3-24.

115. Фу К. Структурные методы в распознании образов. — М.: Мир, 1977.-320 с.

116. Журавлев Ю.И., Торговицкий И.Ш. Оптимальный метод объектной классификации в задачах распознания образов // Автоматика и телемеханика. 1965. - №11. - С. 48-51.

117. Уотермен Д. Руководство по экспертным системам. — М.: Мир, 1989.-390 с.

118. Представление и использование знаний / Под ред. X. Уэно, М: Исидзука. М.: Мир, 1989. - 221 с.

119. Минский М. Фреймы для представления знаний. — М.: Мир, 1979.-152 с.

120. Минский М. Структура для представления знания // Психология машинного зрения. — М.: Мир, 1978. — С. 249-336.

121. Алексеев А.В. Интерпретация и определение функции принадлежности нечетких множеств. — В кн.: Методы и системы принятия решений. Рига, 1979. - С. 42-50.

122. Бешелев С.Д., Гурвич Ф.Г., Математико-статистические методы экспертных оценок. М.: Статистика, 1980. - 263 с.

123. Кофман А. Введение в теорию нечетких множеств. — В кн.: Радио, 1982.-432 с.

124. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. — Санкт-Петербург: Изд-во «Питер», 2001. — 381 с.

125. Поспелов И .Г., Поспелова Л.Я. Динамическое описание систем продукций и проверка непротиверечивости продукционных экспертных систем / Известия АН СССР. Техническая кибернетика. 1987. — №1. — 376 с.

126. Проталинский О.М. Построение математических моделей технологических процессов на основе теории нечетких множеств и баз: знаний //Известия высших учебных заведений. Северо-Кавказский регион. Технические науки. Приложение №3. 2003. - С. 60-62.

127. Проталинский О.М. Филоненко А.В. Оптимизация вычислительных процедур в задачах распознавания образов с использованбием нечетких множеств. // Вестник Тамбовского государственного технического университета. Тамбов. - 2000. - Т. 6. — №1. - С. 54.

128. Радерфорд Д.А., Блор Г.С. Применение нечетких алгоритмов для управления // ТИИЭР. 1976. - Т. 64. - №4. - С. 198-199.

129. Проталинский О.М. Синтез продукционных баз знаний интеллектуальных систем управления реального времен. // Известия высших учебных заведений. Северо-Кавказский регион. Технические науки. Приложение №2. — 2004; — С. 6-9.

130. Рабинович C.F. Погрешности измерений. — Л.: Энергия. 1978.-262 с.

131. Смирнов Н.В., Дунин-Барковский И.В. Курс теории вероятностей и математическая статистика для технический приложений. -М.: Наука, 1965.-511 с.

132. Проталинский О.М;, Ткачев С.А. Адаптация баз знаний интеллектуальных моделей технологических объектов управления. // Известия* высших учебных заведений. Северо-Кавказский регион. Технические науки. Приложение №2. — 2004. — С. 3-6.

133. Проталинский О.М., Антонов О.В. Методы построения комбинированных математических моделей технологических процессов / Сборник трудов XVI Международной научной конференции

134. Математические методы в технике и технологиях ММТТ—XVI». — Ростов-на-Дону: РГАСХМ. -2003. Т.8 - С. 49-50

135. Антонов О.В. Проталинский G.M. Построение комбинированных математических моделей технологических процессов. // Известия ВУЗов. Северо-Кавказский регион. Технические науки. 2003. -№4 - С.4—7.

136. Jane R. Outline of an Approach for the Analysis of Fuzzy Systems. — Int. J. Control. 1976. - Vol. 25. - P. 627-640.

137. Леоненков А. Нечеткое моделирование в среде MATLAB fuzzyTECH. Санкт-Петербург: БХВ-Петербург, 2003. - 720 с.

138. Проталинский О.М. Оптимальное управление технологическими процессами с использованием качественной информации (на примере одностадийного производства стекловолокна) / Дисс. на соискание ученой степени канд. техн. наук. -М., 1985 — 221 с.

139. Деннинг В., Эссиг., Маас С. Диалоговые системы человек—ЭВМ. Адаптация к требованиям пользователя / Под. ред. В.В. Мартынюка. М.: Мир, 1984.-112 с.

140. Дудников В., Янкина М. и др. АСУ ТП на базе SCADA-пакета GENESIS32:, опыт, решения, наработки // Современные технологии автоматизации. 2003. - №2. - С. 38-46.

141. Зайцев А. Новый уровень интеграции систем управления производством // Современные технологии автоматизации. — 1997. -№1. —С.22-26.

142. Калянов Г.Н. CASE-структурный системный анализ (автоматизация и применение). — М.: Лори. — 1996. — 242 с.

143. IEEE. STD. 1348 1995. IEEE. Recomented practice for adoption of CASE. - 1995. - 315 p.

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

145. Проталинский О.М., Филоненко А.В. Управление технологическим процессами в режиме предаварийной ситуации / Сборник трудов XV международной научной конференции «Математические методы в технике и технологиях ММТТ-XV». — Тамбов, 2002. Т.5. - С. 113-114.

146. Проталинский О.М1 Филоненко А.В. Распознавание предаварийных ситуаций на технологических объектах управления с использованием нечетких множеств // Известия высших учебных заведений. Северо-Кавказский регион. Технические науки. 2003. — №3. - С. 19-21

147. Проталинский О.М., Филоненко А.В. Распознавание предаварийных ситуаций на технологических объектах управления // Промышленные контроллеры и АСУ. 2003. - №8. — С. 26-27.

148. Мельников Ю.Н. Достоверность информации в сложных системах; — М.: Советское радио, 1973 . — 192 с.

149. Мельников Ю.Н. Основы построения АСУ. Раздел обеспечения достоверности информации в АСУ. М: Изд-во МЭИ; 1978. — 50 с.

150. Мельников Ю.Н., Сорокин; А.А. Модель выбора способов повышения достоверности в условиях неполной информации / Труды МЭИ. Автоматизация проектирования. 1979. - Вып. 398. - С. 66-70.

151. Проталинский О.М. Проверка достоверности первичной информации в АСУТП с использованием; нечетких множеств // Известия высших учебных заведений; Северо-Кавказский регион. Технические науки. Приложение №3. 2003. — С. 60-62.

152. Проталинский О.М; Диагностика информационных каналов АСУТП с использованием баз знаний // Приборы и системы. Управление, контроль, диагностика. 2004. - №1. — С. 9-11.

153. Проталинский О.М. Модуль идентификации предаварийных ситуаций в составе SCADA-системы // Промышленные контроллеры ш АСУ. -2003. -№ 9. С.28-30.

154. Проталинский О.М; Использование баз знаний при идентификации предаварийных ситуаций // Промышленные контроллеры и АСУ. 2003. - № 10. - С. 41-43.

155. Шеннон Р. Имитационное моделирование систем — искусство и наука.-М:: Мир, 1978.-307 с.

156. Шурин P.M., Онопко Т.В., Калинина Н.В;, Плинер В.М. Производство газовой серы методом Клаусса // Промышленная и санитарная очистка газов. Обзорная информация. Серия ХМ-14. М.: ЦИНТИХИМНЕФТЕМАШ. 1986. - С. 37^8.

157. Плинер: В.М. Термодинамический анализ работы установок производства серы с целью повышения их эффективности /Автореферат дисс. на соискание ученой степени канд. техн. наук. -М., 1988. 15 с.

158. Полупанов И.В. Моделирование и оптимальное управление технологическими процессами с использованием нечетких алгоритмов (на примере производства серы методом □ лауса) / Дисс. На соискание ученой степени канд. техн. наук. — Москва, 1990. — С. 1441

159. Балакирев B.C., Володин В.М., Цирлин А.Н. Оптимальное управление процессами химической технологии.-М.: Химия. 1978. - 383 с.

160. Беллман Р., Заде JI. Принятие решений в расплывчатых условиях. В сб.: Вопросы анализа и процедуры принятия решений. -М.: Мир, 1976-С. 172-215.

161. Bellmann R.E., Kalaba R., Zadeh L.M. Abstraction and Pattern Classification // Jour. Math. Anal. And Appl: - 1967. - Vol. 13. - P. 1-7.

162. Бельцов Б.А. О математическом описании процесса платформинга // Химия и технология топлив и масел. — 1966. -№ 8. С. 11-12.

163. Вольф А., Крамах Е. Кинетические модели каталитического риформинга // Химия и технология топлива и масел. 1979. -№12.-С. 10-14.

164. Глазов Г.И., Сидорин В.П. Каталитический риформинг и экстракция ароматических углеводородов. -М.: Химия, 1981. 188 с.

165. Гуреев А.А., Жоров Ю.М., Смидович Е.В. Производство высокооктановых бензинов. М.: Химия, 1981. — 224 с.

166. Жоров Ю.М., Карташов Ю.Н., Панченков F.M. и др. Математическая модель в стационарном режиме платформинга с учетом реакций изомеризации // Химия и технология топлив и масел. -1980.-№7.-С. 9-12.

167. Жоров Ю.М., Панченков Г.М., Тараньян Ю.А. и др. Разработка математического описания платформинга для оптимизации процессов // Кинетика и катализ. 1967. - Т. I.Villi - Вып. 3. - С. 658 - 662.

168. Зейналов М.Ф. Управление установкой двухступенчатого каталитического крекинга в условиях неопределенности / Дисс. на соискание ученой степени канд. техн. наук. — Баку, 1986. 100 с.

169. Рубекин Н.Ф. Адаптивные системы управления непрерывными технологическими процессами в нефтехимии. — М.: Химия, 1975. С. 142.

170. Проталинский О.М., Антонов О.В. Комбинированная математическая модель процесса каталитического реформинга // Известия высших учебных заведений. Северо-Кавказский регион. Технические науки. Приложение №5. 2003 . - С. 137-142

171. Плекунин В.И., Воронина Е.Д. Теоретические основы организации и анализа выборочных данных в эксперименте. — Л.: Изд-во ЛГУ, 1979. 232 с.

172. Химмельблау Д.М. Прикладное нелинейное программирование. -М.: Мир, 1975.-532 с.

173. Реклейтис Г., Рейвиндран А., Рэгсдел К. Оптимизация в технике: в 2-х кн. М.: Мир, 1986. - 320 с.

174. Hooke R, Jeeves Т.A. Direct Search Solution of Numerical and statistical Problems. Computer Jeurn. 1964 - Vol. 7. - P. 308-313.

175. Антонов O.B. Проталинский О.М Оптимальное управление технологическими процессами с использованием комбинированных математических моделей // Промышленные контроллеры и АСУ. — 2004. №2. - С. 2.

176. Ломанн В. Разработка нечетких алгоритмов оперативного управления качеством полиэтиленом высокого давления в двухзонном трубчатом реакторе /Дисс. на соискание ученой степени канд. техн. наук. — М., 1984.- 136 с.

177. Лейкин B.C., Сердобинцев С.И. Автоматизация' производственных процессов рыбообрабатывающей промышленности. — М.: Агропромиздат, 1989. 230 с.

178. Сердобинцев С.П. Автоматика и автоматизация производственных процессов в рыбной промышленности. — М.: Колос, 1994. — 335 с.

179. Лазаревский А. А. Технико-химический контроль в рыбообрабатывающей промышленности. Пособие для работников заводских и исследовательских лабораторий. — М.: Пищепромиздат, 1995.-520 с.

180. Головин А.Н. Контроль производства рыбной продукции. -М.: 1978.-184 с.

181. Гельфанд С.Ю. Дьяконова Э.В. Статистические методы контроля качества продукции в консервной и пищеконцентратной промышленности. М.: Легкая и пищевая промышленность, 1984. - 160 с.

182. Проталинский О.М. Применение методов искусственного интеллекта при автоматизации технологических процессов. — Астрахань, АГТУ.-2004.-215 с.

183. Проталинский О.М. Синтез АСР технологическими объектами с использованием качественной информации // Промышленные контроллеры и АСУ. 2004. - №3. - С. 26-28.

184. Проталинский О.М., Полупанов И.В. Автоматическое управление технологическими процессами в рыбной промышленности с использованием нечетких алгоритмов / Деп. сб.: Интенсификация процессов добычи рыбы. М.:ЦНИИТЭИРХ, 1987. - С. 44-49.

185. Прохватилова Л.И. Идентификация математической модели обжарочной печи // Известия высших учебных заведений. Раздел «Пищевая промышленность». 1992. - №5. - С. 98-99.

186. Остапчук Н.В. Основы математического моделирования процессов пищевых производств. — Киев, 1991. — 232 е.

187. Исследование качества сырья и готовой консервной продукции. /Сб. статей. Под ред. канд. техн. наук А.Ф. Наместникова. — М.: Пищевая промышленность; ВНИИКОП, 1974.- 113 с.