автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Методы и алгоритмы построения нейроэкспертных систем автоматического контроля и управления технологическими процессами

На правах рукописи

Трофимов Владимир Борисович

□□3449337

МЕТОДЫ И АЛГОРИТМЫ ПОСТРОЕНИЯ НЕЙРОЭКСПЕРТНЫХ СИСТЕМ АВТОМАТИЧЕСКОГО КОНТРОЛЯ И УПРАВЛЕНИЯ ТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ (НА ПРИМЕРЕ ОБЪЕКТОВ ЧЕРНОЙ МЕТАЛЛУРГИИ)

Специальность 05 13 06 «Автоматизация и управление технологическими процессами и производствами (промышленность)»

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

1 в ОНТ200В

Новокузнецк - 2008

003449337

Работа выполнена в Государственном образовательном учреждении высшего профессионального образования «Сибирский государственный индустриальный университет» (ГОУ ВПО «СибГИУ»)

Научный руководитель-

доктор технических наук, профессор Кулаков Станислав Матвеевич

Официальные оппоненты

доктор технических наук, профессор Верёвкин Валерий Иванович

кандидат технических наук, доцент Зельцер Самоил Рафаилович

Ведущая организация

ГОУ ВПО «Кузбасский государственный технический университет», г Кемерово

Защита состоится 21 октября 2008 г в 1200 часов на заседании диссертационного совета Д 212 252 02 в ГОУ ВПО «Сибирский государственный индустриальный университет» по адресу 654007, г Новокузнецк, Кемеровской области, ул Кирова, д 42, СибГИУ, ауд ЗП Факс. (3843) 46-57-92 E-mail sec_nr@sibsiu ш

С диссертацией можно ознакомиться в библиотеке ГОУ ВПО «СибГИУ» Автореферат разослан 20 сентября 2008 года

Ученый секретарь диссертационного совета

В Ф. Евтушенко

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность исследования. Интеллектуалы 1ые системы управления (ИнтСУ) сегодня общепризнанны как перспективное направление научных исследований Теория этих систем и ее приложения отражены в трудах ведущих ученых, таких как Д А Поспелов, И М Макаров, В М Лохин, К А Пупков, В Г Коньков, А А Ерофеев, Р М Юсупов, А А. Жданов, Y -Z. Lu, К.М Hangos, S Omatu Однако теоретические и особенно прикладные основы ИнтСУ еще далеки от завершения, в том числе в части систем контроля и управления сложными техническими и человеко-техническими объектами, включающих искусственные нейронные сети и экспертные системы (далее нейроэкспертные системы), функционирующих в затрудненных условиях Под затрудненными условиями понимаются большая размерность объекта управления, его нестационарность, долговременная динамическая память, распределенность параметров, нелинейность, существенные запаздывания, разнообразие ситуаций, неполнота контроля внешних воздействий, выходных воздействий и состояний объекта, наличие флуктуационных и грубых помех, изменчивость целей, критериев, ограничений Современные промышленные машины, агрегаты, технологические линии, участки, цехи горнодобывающей, металлургической, химической, машиностроительной и других отраслей промышленности в большинстве своем относятся к классу сложных объектов Существенного повышения эффективности управления ими можно достигнуть путем применения адекватно сложных управляющих систем, какими и являются интеллектуальные системы

Важной задачей развития теоретических основ ИнтСУ является разработка методов и алгоритмов базирующихся на совместном применении (интеграции) конкретных интеллектуальных инструментов, таких как динамические экспертные системы, искусственные нейронные сети, нечеткая логика, ассоциативная память Данное исследование решает эту задачу применительно к нейроэкспертным распознавателям, программаторам, регуляторам.

Актуальность интеллектуализации систем контроля и управления обусловлена развитием высоких технологий (high tech) автоматизации и информатизации технологических процессов, базирующихся на фундаментальных научных открытиях (например, нейрокомпьютеров), что позволяет эффективно реализовывать сложные вычислительные процедуры и повышает эффективность управления, а также качество готовой продукции предприятия Актуальность выбранного направления подтверждается соответствующими научными трудами международных конференций, в том числе проводимых под патронажем РАН, тем, что оно входит в программу приоритетных исследований ведущих Международных научных организаций IF АС, ШЕЕ, АСМ, а также тем, что идеи этого направления находят все большее распространение в различных областях науки и производства.

Работа выполнена в соответствии с планами хоздоговорных и госбюджетных научно-исследовательских работ Сибирского государственного индустриального университета в рамках задания Министерства образования и науки РФ на проведение фундаментальных научных исследований в области

систем автоматизации и информатизации по тематике «Развитие теории и методов управления на основе натурно-модельного подхода» (2005-2006 г.г № ГР 01200510529), Гранта Губернатора Кемеровской области «Ведущая научная школа Кемеровской области» на выполнение НИР «Создание систем автоматизации управления промышленными и социальными объектами Кузбасса на основе натурно-модельного подхода» (2004 г, № 77); хоздоговора с ОАО «Новокузнецкий металлургический комбинат» на выполнение НИР «Разработка и внедрение универсальных алгоритмов оценки качества рельсов в соответствии с Евронормами» (2007 г, № 15-07). Цель и задачи диссертации

Основная цель- развитие теоретических основ нейроэкспертных систем автоматического контроля и управления (включающих экспертную и нейросетевую подсистемы) применительно к сложным техническим и человеко-техническим объектам

Частные цели- анализ, обобщение и развитие концептуальных основ интеллектуальных систем управления сложными динамическими объектами, разработка и исследование нейроэкспертных методов и алгоритмов распознавания, оптимизации, регулирования; создание и применение нейроэкспертных систем для решения актуальных задач автоматического контроля и управления агрегатами и производственными участками предприятий черной металлургии

Сформулированная цель исследования имеет фундаментальный характер и обладает принципиальной новизной, так как охватывает новые задачи быстро развивающейся теории ИнтСУ и на сегодняшний день не может быть отнесена к числу достигнутых Сказанное отражает точку зрения известных научных школ ИЛУ, МГУ, МИСиС, МГТУ и многих других организаций

Задачи диссертации 1 Аналитический обзор и классификация известных интеллектуальных систем управления 2 Разработка обобщенной функциональной структуры прогнозирующей интеллектуальной системы управления технологическим объектом 3. Формирование научно-методических основ разработки нейроэкспертных распознавателей, программаторов, прогнозаторов, регуляторов 4 Построение методики обучения нейросетевых моделей объектов в замкнутом контуре управления 5 Разработка нейроэкспертной системы распознавания поверхностных дефектов проката. 6 Разработка нейроэкспертной системы управления тепловым режимом воздухонагревателей Калугина

Методы выполнения работы Использовались методы теории автоматического управления, теории искусственного интеллекта, теории искусственных нейронных сетей, экспертных систем, системного анализа, прогностики, теории идентификации и обучения, математического и натурно-математического (пересчетного) моделирования, натурного эксперимента

Научную новизну диссертации составляют: 1 Обобщенная функциональная структура ИнтСУ сложным технологическим объектом, сформированная на основе типопредставительного подхода и учитывающая затрудненные условия функционирования. 2 Методика обучения нейросетевой

модели сложного нестационарного объекта управления в режиме реального времени, учитывающая влияние прямых и обратных управляющих связей, обеспечивающая соблюдение предпосылок искусственных нейронных сетей за счет одновременного нанесения модельных, натурных и комбинированных тестовых воздействий по всем управляющим входам объекта в пределах безаварийного функционирования системы управления 3 Нейроэкспертная система распознавания поверхностных дефектов сортового и листового проката в процессе его производства, позволяющая с помощью искусственных нейронных сетей автоматически обнаружить типовые поверхностные дефекты, оценить их параметры и пространственные координаты, а в нестандартных случаях (например, для редко встречающихся дефектов) оказывать помощь оператору-технологу посредством специализированной экспертной подсистемы, использующей морфологические и генетические признаки дефектов 4. Нейроэкспертная система автоматического управления тепловым режимом воздухонагревателя Калугина, созданная в рамках концепции программно-возмущенного движения, включающая экспертную подсистему управления программным движением объекта, которая отличается динамической базой знаний продукционного типа «Программы управления», подсистему нейродвушкального регулирования с условным и безусловным прогнозированием, использующую имитационную нейросетевую модель объекта управления работающую в ускоренном режиме времени

Практическая значимость работы Разработанные функциональные структуры нейроэкспертных систем контроля и управления, нейроэкспертные модели технологических объектов, алгоритмы, методики и устройства открывают новые возможности для повышения эффективности производств, могут быть использованы на предприятиях черной металлургии и других отраслей промышленности для развития традиционных автоматизированных систем сложных технологических объемов, а также для извлечения и использования знаний опытных специалистов (экспертов) Конкретизированный метод нейроэкспертного управления, учитывающий затрудненные условия функционирования технологического объекта, позволяет существенно повысить эффективность его работы и, без значительных затрат, может быть применен на агрегатах различных отраслей промышленности Данный метод рекомендован для автоматизированной системы контроля и управления воздухонагревателями Калугина доменного цеха ОАО «Западно-Сибирский металлургический комбинат (ЗСМК)» Методика нейроэкспертного распознавания дефектов проката конкретизирована применительно к комплексу неразрушающего контроля продукции рельсобалочного цеха ОАО «Новокузнецкий металлургический комбинат (НКМК)» Она, в силу своей гибкости, может быть использована для распознавания новых видов дефектов различного проката (рельсового, листового, трубного и т п)

Реализация результатов работы Основной сферой использования полученных результатов являются автоматические и человеко-компьютерные системы управления высокосложными промышленными агрегатами (в частности, воздухонагревателями доменных печей), а также производствами (в частности,

прокатным цехом) Разработанные функциональные структуры нейроэкспертных систем контроля и управления, документация по методу нейродвушкапьного управления, алгоритмы распознавания, оптимизации, регулирования переданы на ОАО «НКМК» и ОАО «ЗСМК» для практического применения Описание разработанных методов, алгоритмов и конкретных подсистем автоматизированных нейроэкспертных систем контроля и управления используются в учебном процессе ГОУ ВПО «СибГИУ» при освоении курсов «Интеллектуальные информационные системы», «Методы оптимизации», «Методы и алгоритмы прогнозирования в системах управления», а также для дипломного проектирования

Предмет защиты и личный вклад автора. На защиту выносятся, функциональная структура обобщенной интеллектуальной системы управления и конкретизированных нейроэкспертных систем контроля и управления сложными -технологическими объектами; постановка и решение задач: обучения нейросетевой модели объекта в замкнутой системе управления, построения нейроэкспертной системы управления с прогнозированием в ускоренном времени и оптимизацией программного движения с помощью динамической базы знаний «Программы управления» и распознавания типопредставительных ситуаций, построения нейроэкспертной системы распознавания дефектов проката, новая схема установки, обеспечивающей более полный контроль поверхностей проката; нейроэкспертные модели объектов контроля и управления (модель дефектов проката, модель воздухонагревателя в режиме «нагрев»), методики построения нейроэкспертных моделей объектов, распознавателей, регуляторов и программаторов для систем контроля и управления технологическим объектом

Личный вклад автора заключается- в постановке основных задач исследования и разработке процедур их решения, в формировании моделей объектов контроля и управления с соблюдением предпосылок выбранных методов, в разработке нейроэкспертного алгоритма управления технологическим объектом, в создании нейроэкспертного алгоритма распознавания поверхностных дефектов, в определении структуры поискового и беспоискового нейродвушкапьного регулятора с прогнозированием выходных и контролируемых внешних воздействий, а также эффектов неконтролируемых внешних воздействий, приведенных к выходу рбъекта управления, в создании алгоритма работы программатора и в построении базы знаний подсистемы управления программным движением; в компьютерном моделировании разработанных алгоритмов на базе современных программно-технических средств в рамках натурно-модельного подхода

Апробация работы Основные положения и результаты диссертации представлялись, обсуждались и получили одобрение на 14 конференциях разного уровня В перечне основных конференций представлены. «Международная конференция по проблемам управления - МКПУ» (Москва, 2006), «Управление и информационные технологии» (Санкт-Петербург, 2006), «Математические методы в технике и технологиях» (Казань, 2005, Воронеж, 2006, Ярославль, 2007), «ХП Туполевские чтения» (Казань, 2004), «Наука. Технологии Инновации» (Новосибирск, 2004), «Системы автоматизации в образовании, науке

и производстве» (Новокузнецк, 2005, 2007), «Наука и молодежь проблемы, поиски, решения» (Новокузнецк, 2004), «Инновационные недра Кузбасса. IT-технологии» (Кемерово, 2005, 2006, 2007), «Металлургия новые технологии, управление, инновации и качество» (Новокузнецк, 2006)

Публикации. По теме диссертации опубликовано 24 печатные работы, в том числе 6 статей в рецензируемых периодических изданиях, один препринт

Структура и объем работы. Диссертация состоит из введения, трех глав, заключения, библиографического списка, включающего 115 наименований, и содержит 125 страниц основного текста, 72 рисунка и 12 таблиц

СОДЕРЖАНИЕ РАБОТЫ Глава 1. Теоретические основы построения интеллектуальных систем управления технологическими объектами. В главе рассмотрены особенности функциональной структуры основных представителей класса, интеллектуальных систем управления, в интерпретации их применительно к технологическим объектам управления (ТОУ) ИнтСУ ТОУ построены на базе интеллектуальных систем, описанных в публикациях Д А Поспелова, И М Макарова, В М. Лохина, В.Н. Захарова, К А Пупкова, В.Г Конькова, А Е Городецкого, А А Ерофеева, А.О Полякова, AB Тимофеева, Р.М Юсупова, А А. Жданова, БЛ. Советова, В В Цехановского, В Д Чертовского, Y -Z Lu, К М Hangos, R. Lakner, М. Gerzson, S Omatu и других авторов. Выполнен обзор интеллектуальных методов и алгоритмов регулирования, оптимизации, распознавания Выявлены особенности настройки искусственных нейронных сетей (ИНС) и динамических экспертных подсистем (ДЭП) в системах управления.

ИнтСУ должны обладать развитыми возможностями по анализу и распознаванию обстановки (ситуаций), формированию цели, планированию последовательности действий, а также выработке оперативных управляющих воздействий Поскольку одной из основополагающих функций системы управления сложными объектами является прогнозирование, особое внимание в данной главе уделено структуризации интеллектуальных систем управления с прогнозированием. На базе анализа соответствующих типопредставителей, построена обобщенная структура автоматизированной ИнтСУ, которая представлена на рисунке 1

Обобщенная структура ИнтСУ состоит из следующих подсистем. 1) Динамическая экспертная подсистема, представленная базой знаний (БЗ), подсистемой логического вывода, подсистемой объяснений, интеллектуальным решателем, планировщиком и интерфейсными блоками Наиболее сложные функции по принятию решений с помощью подсистемы логического вывода, а также БЗ реализуются интеллектуальным решателем Интеллектуальный планировщик составляет рациональную последовательность действий необходимых для определения управлений U(t) Интеллектуальный интерфейс является средством связи ДЭП с экспертом через инженера по знаниям и используется для ее обучения, посредством передачи знаний, а также для контроля за деятельностью автоматической части системы и оказания ей помощи, если она обращается к эксперту в нештатных ситуациях

X?

V

нии-

Технологический объект управления

Исполнительная подсистема \

У"(0

-ХГ7

О

--.да

и"(1) би(Ц Уи(О

Подсистема оценивания

ад

ИБ,

—Человек-оператор

X

СВУУ

иб2

Динамическая экспертная подсистема

Интеллектуальный решатель

л

Интеллектуальный планировщик и-.

Подсистема объяснений Подсистема логического вывода

База знаний

Редактор базы знаний

ИБ>

Интеллектуальный интерфейсный блок

О

С

Подсистема моделирования

Прогнозатор (ИНС-1)

Регнозагор (ИНС-2)

Распознаватель ситуаций (ИНС-3)

Подсистема планирования"!

Программатор

Блок формирования цели управления

Эксперт

К Инженер Л по знаниям у

Стратегическая цель

W°(t), и"(0, в1^) -действительньге(И)значениявекшров-функций

контролируемых (К) и неконтролируемых (Н) внешних воздействий, управляющих и выходных воздействий, состояний ТОУ в момент времени 1, У/^ О), ии(1), Уи(1), Зи(1) -измеренные (И) значения векторов внешних, управляющих и выходных воздействий, а также состояний ТОУ, 2(1)= {^(^.и^У^)^)} - вектор оценок соответствующих переменных объекта

управления, ИБ - интерфейсный блок, НИ - неинструментальная информация, СВУУ - связь с вышестоящим уровнем управления, ИНС - искусственная нейронная сеть, м - регулирующие органы, "V -датчики Рисунок 1 - Обобщенная структура прогнозирующей ИнтСУ

2) Подсистема моделирования предназначена для условного и безусловного прогнозирования (прогнозатор), ретроспективного анализа траекторий движения объекта (регнозатор), распознавания типовых ситуаций (распознаватель) Безусловное прогнозирование предлагается применять для получения оценок будущих контролируемых внешних воздействий, а также эффектов неконтролируемых возмущающих воздействий, приведенных к выходу объекта управления Условное прогнозирование используется для оценки выходных

воздействий и состояний объекта при фиксированных вариантах управляющих воздействий Регнозатор осуществляет анализ траекторий движения объекта в рамках характерных ситуаций на интервале его динамической памяти [1-Тп, В результате анализа вьщеляются наилучшие (оптимальные по целевым критериям) и близкие к ним траектории входных и выходных воздействий объекта управления Результаты прогнозирования и ретроспективного анализа используются ДЭП для выработки управляющих воздействий Щ) Распознаватель ситуаций решает задачу преобразования данных о входных и выходных воздействиях, поступающих из подсистемы оценивания, в заключение о том, к какому классу относится ситуация По сути, он представляет собой модель интеллекта, состоящую из блока оценивания информативных признаков и классификатора Классификатор на основе этих сведений относит ситуацию к одной из нескольких групп

3) Подсистема планирования состоит из блока формирования цели управления и программатора, определяющего оптимальные траектории движения системы к цели Последняя описывается в терминах желаемых значений частных показателей работы объекта, при условии удовлетворения заданным ограничениям и стратегической цели, которая может быть задана в виде требуемых значений глобального критерия или в нечеткой форме Программатор состоит из двух взаимодействующих блоков Первый блок решает задачу стратегической оптимизации посредством выбора из БЗ программы управления, которая соответствует распознанной ситуации, а второй блок предназначен для оперативной корректировки программы

Сложные ТОУ характеризуются своей нестационарностью, поэтому их нейросетевые модели необходимо постоянно обучать в режиме реального времени Выполненный обзор существующих подходов к обучению нейросетевой модели объекта управления в замкнутом и разомкнутом контуре (по работам Ю Н. Минаева, О Ю Филимоновой, Б Лиеса, Б Рвак^, М Ка\уа1о, РI \Verbos, Б ОшаШ, М. К1т1к1, К УизоГ и др) позволяет сделать вывод о необходимости внесения поправок в принятую методику формирования обучающих наблюдений, в качестве которых используют значения входов и выходов объекта, полученных по результатам его текущей эксплуатации, без учета влияния прямых и обратных управляющих связей Это, в свою очередь, приводит к нарушению условия правильного применения ИНС, заключающегося в том, что входные обучающие величины должны быть некореллированными между собой Для выполнения этого условия необходимо расчетным путем обеспечить независимость управляющих от внешних возмущающих воздействий Для решения этой задачи предлагается схема обучения нейросетевой модели объекта в системе управления с нанесением тестовых воздействий (рисунок 2) В качестве прототипов и аналогов, при построении этой схемы, были использованы методы и алгоритмы А А Фельдбаума, Д Гропа, П. Эйкхоффа, Л Льюнга, Я 3 Цыпкина, В .Я Ротача, В П. Авдеева, Л П Мышляева

-С

и.®

р

1Щ

ш

Объект управления

Подсистема регулирования

Кл2

ШУ-

КлЫ

«мк

Нейросетевой

поисковый двушкальный регулятор,

ускоренном режиме времени

5е(р

ж

■ У(0

Блок корректировки настроек имитационной модели объекта управления (ИНС)

Запуск блока обучения

Оптимальные

Расчетные входы

Блок формирования тестовых воздействий

Блок расчетного исключения эффектов регулирующих воздействий

Блок настройки искусственной нейронной сети (ИНС)

настройки

Р

Расчетные выходы

Настройки

Обучаемый экземпляр ИНС (имитационной модели объекта управления)

Модельные выходы

Рисунок 2 - Схема обучения нейросетевой модели ТОУ

Предлагаемая процедура обучения нейросетевой модели объекта управления включает следующие основные этапы 1) Считывание из базы знаний траекторий программных управляющих воздействий иш (I), и2п(1), ., иш0), программных выходных воздействий Уп(1), базовых уровней контролируемых внешних воздействий \У2БК(0, ..., Х*/^(I) на

заданном интервале обучения 2) Одновременное нанесение тестовых воздействий 611^), 61^ (0, . ., 511 ^О) по отношению к траектории программных управлений (обоснованием этого является требование правильности настройки имитационной нейросетевой модели ТОУ согласно которому, все обучающие ее расчетные значения входов (входных воздействий) должны изменяться и при этом не быть кореллированными между собой) и предоставление подсистеме регулирования возможности выработки регулирующих воздействий би^), би2(1), . , 5ик(1) для компенсации эффектов нанесенных тестовых и возмущающих воздействий, с целью обеспечения нормального режима работы ТОУ. 3) Расчетное элиминирование эффектов регулирующих (компенсирующих) воздействий выходной

переменной Y(t) объекта с использованием предварительно построенных моделей каналов регулирования Построение и поднастройка моделей каналов регулирования выполняется в соответствии с методикой ЛП Мышляева. 4) Полученные расчетные значения выхода ТОУ и независимых друг от друга его входов используются в качестве обучающих наблюдений нейросетевой модели объекта

Глава 2. Исследование нейроэкспсртных систем автоматического распознавания образов на примере прокатного производства.

Задача распознавания, согласно ЯЗ Цыпкину, состоит в отнесении нейроэкспертной системой распознавания предъявляемого объекта (ситуации, явления, процесса) к одному из классов Для решения этой задачи необходимо первоначально заняться ее обучением посредством показа образов, принадлежность которых к тому или иному классу известна.

Задача распознавания поверхностных дефектов рельсов содержательно представлена следующим образом. Исходные данные и условия задачи: 1) Множество фрагментов видеоизображений поверхности дефектных и бездефектных участков рельсов. 2) Описание действующей системы визуального контроля качества рельсов применяемой в ОАО «НКМК». 3) ГОСТ 21014-88, атласы дефектов, технологические инструкции производства рельсов и их приемки 4) Известные методы и алгоритмы выделения информативных признаков и классификации (Я.З Цыпкин, ЮЛ Журавлев, В А. Сойфер, АЛ Горелик, К Фу, Р Дуда, П. Харт) 5) Критерий качества распознавания -отношение количества правильно опознанных объектов к общему их числу в партии 6) Ограничения на время принятия диагностического решения и скорость движения рельса в зоне контроля Требуется разработать методическое, алгоритмическое и программное обеспечение нейроэкспертной системы распознавания дефектов рельсов, перемещаемых рольгангом, учитывающую заданные ограничения и обеспечивающую максимум правильно опознанных дефектов.

Методика решения задачи. Процедура распознавания поверхностных дефектов рельсов в потоке производства (рисунок 3) включает следующие основные операции 1 - Сканирование поверхности рельса с помощью восьми видеокамер и специальной подсветки (рисунок 4) 2 - Разбиение каждого видеосигнала на последовательность непересекающихся видеокадров (цифровых изображений). 3 - Представление i-го цифрового изображения в цветовой модели RGB (то есть получение 24-разрядного рисунка) 4 - Преобразование полученного цветного изображения в изображение с нулевым контрастом (изображение в градации серого) выполняется по формуле Sn,mО) = Round[0,30Rnm(i) + 0,59G^mii) + 0,11 Bn m(i)], где Rn>m(i), Gn>m(i), Bn m(i) - красный, зеленый, синий компоненты цветовой модели RGB, n, m -

номер строки, столбца изображения, i - номер изображения (видеокадра) 5 - Нормирование (индекс Н) изображения осуществляется по формуле S"m(0 = (Sn>m(i)-Sm,n)/(Smax -Sma), где Smax =255, Smm =0

ОПТ

В1 иН1, Л1 -ЛЗ и П1 - ПЗ - верхняя и 1шжняя, левые и правые видеокамеры Рисунок 4 - Схема расположения камер, обеспечивающих «двух-» и «трехглазие»

(конец)

Рисунок 3 - Процедура распознавания поверхностных дефектов рельсов в потоке производства

6 - Адаптивная бинаризация (индекс Б) изображения («1» - черный цвет пикселя, «О» - белый) осуществляется по следующему правилу если 8^т(1)5 5(0, то

$п,т(0 = 1> в противном случае 5„т(1) = 0, где 5(1) - пороговый уровень.

7 - Элиминирование факторов, искажающих изображение фрагментов рельса, осуществляется следующим образом- если в заданной окрестности пикселя, у которого Б® т(1) = 1, все другие пиксели имеют-значение равное нулю, то

этого пикселя принимается равным нулю. Размер окрестности очистки устанавливает квадрат с центром в пикселе, у которого цвет черный («черный пиксель»). Размер равный единице соответствует квадрату 3x3 пикселей с центром в «черном пикселе», размер равный двум - квадрату 5x5 и тд.

8 - Оценивание информативного признака путем суммирования бинарных кодов

96

цвета пикселей в соответствии с выражениями по строкам Х1 (1) = • »

т=1

96 96 96

^9б(0= 2^96,т(0> по столбцам Х97(0 = IX,,0), - , Х1И(0 = ХЗ®*®;

т=1 п=1 п=1

(рисунок 5)9- Сшивка соседних кадров имеющих дефект, расположенный на их

границе. 10 - Проверка условия присутствия дефекта на поверхности рельса. Если условие выполняется, то делается переход к операции 11, в противном случае - к условию 19.

а) б)

Первое наблюдение, 1 = 1

а) Исходное изображение поверхностного дефекта (плены)

б) Бинаризованное изображение

Номер столбца 1 21 41 — 91

01234567 Сумма кодов цвета пикселей

Рисунок 5 - Пример оценивания информативного признака 11 - Оценивание принадлежности дефекта к одному из классов, путем подачи на входы ИНС (многослойного персептрона, в промежуточных и выходном слоях которого использованы нейроны сигмоидального типа с униполярной функцией активации) выделенного признака, осуществляется по следующим формулам:

н х,(0-х,тш Хтах — хтт

100 _

1 + ехр - У \у(3)

т=0

к

(

1 + ехр

100 к=0

1 + ехр

192

"1-1

-2><»х?<1)

-А

где Xj(¡)- выделенный признак, = 1, ..., 96, 97, ..., 192; Ур(0 - оценка вероятности возникновения р-го дефекта рельса; р = 1, ...,8 (выходной нейрон, у которого р = 1, отвечает за дефект «Плена № 1», если р = 2, то «Плена № 2», если р = 3, то «Плена № 3», если р = 4, то «Плена № 4», если р = 5, то «Плена № 5», если р = 6, то «Плена № 6», если р = 7, то «Раскатанная трещина», если р = 8, то «Раскатанный пузырь»); Х-'о) и - нормированные значения Х| (¡) и

Ур(0; Х'рх, X™" и У™", У™" - максимальное и минимальное значения Х^ (¡)

']УРН0>,

и Ур(0 взятые из обучающей выборки; V/ коэффициенты, оптимальные значения которых, определяются в процессе

(2) шк'

^т ~ весовые

обучения сети Если сеть не смогла, однозначно установить тип дефекта, то его изображение последовательно поворачивается на разные углы Для каждого полученного изображения вычисляется информативный признак, после чего он подается на входы сети. 12 - Проверка условия «Все ли варианты кадров рассмотрены?» Если условие выполняется, то переход к операции 13, в противном случае возврат к операции 3 13 - Отнесение отдельного изображения к одному из типов дефекта с учетом дополнительной информации (например, маркировки рельса) 14 - Проверка условия «Тип дефекта установлен с заданной точностью9» Если условие выполняется, то переход к операции 18, в противном случае переход к операции 15.15 - Визуальный осмотр оператором-контролером дефектного участка натурного рельса и его цифрового бинаризованного изображения 16 - Запуск экспертной системы (ЭС) распознавания дефектов, использующей продукционную модель представления знаний, как правило, применяемой в нестандартных случаях, например, при идентификации редко встречаемых (например, 1 раз в год), нетиповых дефектов. 17 - Проверка условий «Тип дефекта установлен с заданной точностью'7», «Количество повторений больше максимально возможного7» Если хотя бы одно условие выполняется, то переход к операции 18, в противном случае возврат к операции 15. 18 - Расчет координат и параметров дефекта 19 - Проверка условия «Все ли поверхности данного рельса обработаны''» Если условие выполняется, то переход к условию 20, в противном случае возврат к операции 3. 20 — Проверка условия «Обработаны все изображения рельса?» Если условие выполняется, то переход к операции 21, в противном случае возврат к операции 3 21 - Регистрация координат и параметров дефектов рельса.

Экспериментальная часть. Для исследования предложенной процедуры методом моделирования, первоначально, была сформирована обучающая выборка типовых (часто встречаемых) дефектов рельсов, обучена ИНС При этом наибольшую эффективность показал алгоритм обратного распространения ошибки, и создана ЭС на основе сочетания продукционного и балльного методов.

Создание ЭС включало выполнение следующих этапов' описание проблемной ситуации, извлечение знаний, структурирование и формализация знаний, программная реализация, моделирование и натурные испытания ЭС. В качестве основных методов извлечения знаний были использованы: диалоги, интервью с экспертами, а также анализ ГОСТов, атласов дефектов и др. Эти методы позволяют осуществить перенос компетентности от эксперта к инженеру по знаниям. На основе структурирования знаний получена таблица, увязывающая типы дефектов с их характерным графическим изображением, морфологическими свойствами, описанием микрошлифа, местом расположения и характером их расположения, протяженностью, глубиной и генетическими признаками Для формализации знаний была использована продукционная модель Моделирование ЭС-прототипа осуществлялось с использованием натурных объектов (рельсов) и их цифровых отображений в ЕхэуБ СОЯУГО. Для каждой ситуации оператор-контролер, визуально осматривая дефектный участок реального рельса и его цифровое изображение, очищенное путем бинаризации от фона и помех (рисунок 5), отвечая на вопросы экспертной системы, получает

суммарную бальную оценку наличия конкретного дефекта. Указанный на рисунке 5 объект ЭС-прототип идентифицировала как плену

После настройки ИНС и ЭС была сформирована контрольная выборка, для которой ИНС смогла идентифицировать дефекты с эффективностью 90% За счет операции вращения изображения критерий качества распознавания составил 95%, а при подключении ЭС-протопкпа его значение увеличилось до 97% Для распознавания классов оставшихся 3% поверхностных дефектов привлекается специалист рельсовой лаборатории

Глава 3. Разработка нейроэкспертной системы автоматического управления тепловым режимом воздухонагревателей.

В качестве объекта управления рассмотрен новый бесшахтный воздухонагреватель (ВН) конструкции Калугина. В действующей системе автоматического управления тепловым режимом ВН путем изменения расхода воздуха поддерживается рациональное соотношение «газ/воздух» при максимально возможном расходе газа Замеры содержания СО в дымовых газах для ВН Калугина и шахтного ВН в условиях ОАО «ЗСМК» свидетельствуют об отсутствии заявленного Калугиным преимущества его ВН перед традиционными ВН Причиной такого положения является, по нашему мнению, неэффективное автоматическое регулирование процесса горения топлива в режиме «нагрев». В результате анализа проблемной ситуации сформирована следующая задача построения нейроэкспертной системы управления тепловым режимом ВН.

Исходные данные и условия задачи: 1) Концепция управления техническим объектом на основе разделения его движения на две составляющие программную и возмущенную 2) Потенциально применимые для ВН структуры системы управления, включая беспоисковые и поисковые системы адаптивного управления с прогнозированием, а также основные ИнтСУ (глава 1) 3) Известные методы и алгоритмы. - оптимизации режима на базе статической характеристики ВН (Б Н Парсункин), - управления ВН с помощью моделей его внутренних закономерностей (К К МиБке); - управления агрегатом с применением экспертной подсистемы диагностики (В И Соловьев, В Г Лисиенко), - адаптивного управления с прототипами (В П Авдеев, А.В Пинтов, В И Веревкин); - прогнозирования на базе типопредставительных ситуаций (ЛП Мышляев, ВФ Евтушенко). 4) Структура модели ТОУ Ум(1) = Ф,(и1П(1),и2П(1)ЛУ^(1)) + Ф2(5и1а - Тп), би2(1 - Тп), 5\УК (I - Тп)) + 5У(1), и,(1) = и1п(0 + 5и1(0, и2(0 = и2П(1) + 5и2(1), 'МК(1^|(1) + 5\УК(1), где Ф,(-) - продукционная модель соответствия программных управляющих воздействий и1п(0, и2П(1) и базовых уровней контролируемых внешний воздействий программной составляющей выходного воздействия,

накапливаемые и модифицируемые в БЗ, Ф2(-) - нейросетевая модель влияния отклонений от программных и базовых уровней входных воздействий на изменение выходного воздействия, Ум(1) - выходное воздействие модели объекта управления (температура подкупольного пространства), и^), и2(1) -управляющие воздействия (расход газа, расход воздуха), Ш^), Ш2(1)-

регулирующие воздействия, 6У0) - эффект неконтролируемых внешних воздействий, \УК(1) - контролируемое внешнее воздействие (калорийность газа); 8\Ук(0 _ отклонение от Т„ - интервал памяти объекта 5) Интегральный

критерий оптимальности управления Р(0 = 71Р{1(0 + УгРгЧО + УзРз (*)>

О Ш-О"1111 'к ,к

= , <Ш= 1)Ер(1)|с11, д2(1)= {и,©л, д3(1)= КоО)^,

41 ~ Ч| 1„ 1н

где С^О), <^2 (0, Рз (г) - нормированные значения (^(г), <32(0, ] = 1,

2, 3, (^(О - интегральная оценка качества переходного процесса за время нагрева (1:к -1н), ЕР(1) - ошибка реализации программного движения; С^О) -интегральный расход топлива, <33(1) - количество угарного газа выбрасываемого в атмосферу за период нагрева, Мсо(1) - концентрация угарного газа в дыме, У1,у2>Уз _ весовые коэффициенты 6) Ограничения на параметры управления и состояния. Требуется на базе названных аналогов и прототипов, включая действующую АСУ, разработать новую систему управления тепловым режимом ВН, минимизирующую интегральный критерий (3(0, удовлетворяющую ограничениям и учитывающую опыт оператора-технолога (газовщика)

Предлагаемая нейроэкспертная система управления тепловым режимом воздухонагревателя. Созданная эвристическим путем структура нейроэксперной системы управления тепловым режимом воздухонагревателя Калугина, опирается на концепцию программного и возмущенного движения и объединяет два современных инструмента - ИНС и ЭС Функциональная структура нейроэксперной системы управления ВН (рисунок 6) состоит из следующих частей

1) Подсистема перекидки клапанов, представленная распознавателем моментов осуществления перекидки клапанов при переключении режимов работы ВН, блоком выбора программы перекидки и блоком реализации выбранной программы Подсистема предназначена для перевода ВН с режима «дутье» на режим «нагрев» и обратно, через промежуточный режим «отделение» по соответствующей циклограмме Каждая циклограмма представлена жесткой последовательностью переключения (перекидки) клапанов ВН, сформированной на основе ретроспективного анализа и оптимизации циклограммы, применяемой в действующей системе управления тепловым режимом воздухонагревателя

2) Подсистема регулирования теплового режима Нейродвушкальный регулятор температуры состоит из поискового и беспоискового блоков В поисковой части регулятора оптимальные управляющие воздействия определяются с использованием имитационной нейросетевой модели объекта управления (НМОУ), с помощью которой осуществляется прогнозирование его выходных воздействий и состояний в ускоренном режиме времени, при переборе возможных вариантов регулирующих воздействий с учетом ограничений

Рисунок 6 - Структура нейроэкспертной системы управления ВН Калугина

Специфика поисковой части регулятора определяется: - оптимизацией управления на скользящем промежутке 0П, 1:п + Т0), где Т0 - интервал оптимизации, п - номер такта работы системы; - экстраполяцией контролируемых возмущений и косвенных оценок эффектов неконтролируемых возмущений приведенных к выходу объекта, определяемых с помощью НМОУ, работающей в реальном времени. В качестве НМОУ предлагается использовать модифицированный многослойный персептрон с униполярной функцией активации сигмоидального типа Формирование множества возможных вариантов регулирующих воздействий осуществляется с

помощью различных алгоритмов обучения в беспоисковой части регулятора температуры Регулятор соотношения «газ/воздух» работает в соответствии со следующим выражением. би2 0) = (иш (1) + Ш[ (I)) /а*(1) - и2П О), где а*(1) -заданный коэффициент соотношения «газ/воздух»

Анализатор отклонений от программы оценивает возможность выполнения регулятором программы управления, поскольку при чрезмерно больших отклонениях от заданной траектории движения, необходима корректировка самой программы В результате в блоке «Программатор» осуществляется корректировка программы управления, соответствующая сложившейся ситуации 3) Подсистема управления программным движением, состоящая из-программатора, БЗ «Программы управления», редактора БЗ, блока реализации программного движения. БЗ содержит упорядоченное множество типовых программных траекторий на режим нагрева <УП(1), и1П(Ч), и2П0)> и условий, когда целесообразно их использовать. Типовое продукционное правило в БЗ выглядит следующим образом' «Если [«Ситуация в системе» = «№ 1»], то [«Программа управления <УП(1), иш0), и2П(1)>» = «№ 1»]». Программатор просматривает существующие данные из рабочей памяти, распознает ситуацию на момент включения режима «нагрев» и выбирает соответствующее правило из базы знаний, а затем отправляет конкретную программу в блок реализации программного движения.

Инженер по знаниям наполняет БЗ чрез систему ввода информации (СВИ) и редактор БЗ путем извлечения, структурирования и формализации знаний опытного газовщика (эксперта), с привлечением дополнительных источников знаний (натурных данных, также отражающих действия управленческого персонала, технологических инструкций) Формализация знаний осуществляется в явном виде с помощью продукционного способа путем решения задачи оптимизации траектории движения системы следующим образом 3.1) Распознается ситуация на объекте по информативным признакам (например, «вид топлива» = «природный газ» или «доменный газ» или «смешанный газ», а также его калорийность, схема включения ВН) в соответствие которой ставится множество ретроспективно фиксированных рациональных структурно близких траекторий (обеспечивающих соблюдение технологических, экономических и экологических требований) контролируемых переменных <У(1), О^), 02М>. 3 2) Из полученного множества реализаций процесса нагрева <У(1), и ] (1), и2(1)> выбирается одна типопредставительная (Т) реализация <УТ(1), 0^(0, 010)>, соответствующая максимальной близости к многомерной расчетной медиане, что обеспечивает ослабление влияния неконтролируемых возмущений в натурной типопредставительной реализации 3 3) В отобранной реализации <Ут(г), 11^(1), и2(0> выделяется низкочастотная составляющая. Полученный результат рассматривается в качестве программного движения системы, рационального в условиях рассматриваемой ситуации, если он удовлетворяет эксперта

/

Газовщик, наблюдая через систему отображения информации (СОИ) за ходом процесса, может в ручном режиме через пульт управления (ПУ) вмешиваться в работу агрегата

Для сравнительного анализа предлагаемого нейродвушкального регулятора с типовыми регуляторами (регулятор Смита, регулятор Ресвика, ПИ-регулятор) выполнено пересчетное моделирование с выделением характерных типопредставительных ситуаций, возникающих по ходу технологического процесса. Моделирование показало, что предлагаемый ре1улятор эффективнее типовых в среднем на 10 - 20% (по критерию кы(*) = ((<*о(0-аы(1))/о0(0)100%, где ст0(0, аы(0 - среднеквадратическая ошибка реализации программного движения при отсутствии регулирования и при использовании Ы-го варианта регулятора) за счет использования в нем имитационной нелинейной ситуационно поднастраиваемой нейросетевой модели объекта, ускоренного поиска оптимального варианта управления, учитывающего прогноз контролируемых внешних воздействий и приведенного возмущения

ЗАКЛЮЧЕНИЕ И ВЫВОДЫ

Диссертация является научно-квалификационной работой, направленной на развитие теоретических основ, а также методов и алгоритмов построения нейроэкспертных автоматизированных систем контроля и управления сложными технологическими объектами и на их применение на металлургических агрегатах В результате ее выполнения решены следующие основные задачи создание научно-методических основ построения нейроэкспертных распознавателей, программаторов, прогнозаторов, регуляторов, разработка обобщенной структуры интеллектуальной системы управления сложным технологическим объектом; разработка процедуры обучения нейросетевой модели объекта в процессе функционирования системы автоматического управления, построение нейроэкспертной системы распознавания дефектов проката, создание нейроэкспертной прогнозирующей системы управления тепловым режимом воздухонагревателя Калугина

Основные выводы.

1. Эффективность функционирования человеко-машинных систем контроля и управления сложными техническими и технологическими объектами, функционирующими в затрудненных условиях, может быть существенно повышена на основе формализации и использования знаний управленческого персонала, представленных в явном (в продукционных правилах ЭС) и в неявном виде (в архитектуре ИНС, параметрах нейронов и их связей) Этот класс исследован недостаточно как в теоретическом, так и в прикладном плане

2. Обобщенная функциональная структура интеллектуальной системы управления сложным технологическим объектом должна включать динамическую экспертную подсистему, повышающую степень «объяснимости» принимаемого решения и получаемого результата, подсистему имитационного моделирования, подсистему синтеза цели и программы ее достижения В свою очередь подсистема моделирования должна включать следующие модули распознавания ситуаций, условного, безусловного и комбинированного

прогнозирования, регноза, а подсистема синтеза цели - модуль программирования оптимальных траекторий на основе ретроспективного анализа работы объекта и действий оператора.

3. Поисковые, беспоисковые и комбинированные нейроэкспертные алгоритмы автоматического управления с прогнозированием, базируются на двух основных модулях. Первый (экспертный, продукционный) отвечает за формирование целей управления, а второй (нейросетевой) - за их достижение.

4. Для обучения нейросетевых моделей объектов в замкнутом контуре управления должны использоваться такие процедуры, которые обеспечивают выполнение предпосылок ИНС и требования нормальной эксплуатации объекта Это достигается за счет одновременного нанесения тестовых и регулирующих воздействий на программные траектории

5. Эффективный алгоритм распознавания дефектов изделий массового производства должен включать, нейросетевой модуль (который предназначен для оценивания информативных признаков и автоматической классификации), экспертный модуль, основанный на знаниях опытных контролеров-операторов, позволяющий учитывать морфологические и генетические признаки дефектов и повышающий правильность распознавания дефектов продукции

6. Предложенный алгоритм распознавания конкретизирован применительно к обнаружению поверхностных дефектов рельсов в процессе их производства На его основе предложена схема новой установки, обеспечивающей контроль всех поверхностей рельса, в режиме реального времени Результаты ситуационного моделирования системы с использованием натурных видеокадров, полученных в рельсобалочном цехе ОАО «НКМК», показали возможность достижения 90 - 97 % правильности распознавания дефектов в автоматическом режиме

7. Сформулирована задача построения нейроэкспертной системы управления воздухонагревателем Калугина Предложен многострукгурный нейродвушкальный регулятор, построенный в рамках концепции программно-возмущенного движения, объединяющий поисковый и беспоисковый способы выработки управляющих воздействий Результаты ситуационного пересчетного моделирования описанной нейроэкспертной системы управления, с использованием натурных данных, полученных в доменном цехе ОАО «ЗСМК», показали возможность улучшения эффективности управления в 1,5 — 2,0 раза (по интегральному критерию оптимальности) по сравнению с действующей системой

ОСНОВНЫЕ ТРУДЫ ПО ТЕМЕ ДИССЕРТАЦИИ Статьи в периодических изданиях, препринт 1. Кулаков СМ Интеллектуальная система распознавания поверхностных дефектов проката /СМ Кулаков, ВБ. Трофимов, Н.Ф. Бондарь, С.В Чабан // Информационные технологии - 2008 - № 5. - С 53-59

2 Кулаков СМ Разработка интеллектуальной системы автоматического управления тепловым режимом воздухонагревателей / С.М Кулаков, В Б Трофимов II Научный вестник НГТУ. - 2008 - № 3 - С 3-12.

3 Кулаков С .M. Структуризация систем управления с прогнозированием / С M Кулаков, H Ф Бондарь, В Б Трофимов // Известия высших учебных заведений Черная металлургия -2005 -№8 - С 55-62.

4 Кулаков С М. Типология функциональных структур систем управления с прогнозированием /СМ Кулаков, Н.Ф Бондарь, В Б. Трофимов // Известия высших учебных заведений Черная металлургия - 2005 - № 6. - С 54 -60.

5 Бондарь НФ Об идентификации и применении нормативных моделей в системах управления металлургическим производством / НФ Бондарь, СМ. Кулаков, BJ5 Трофимов // Известия высших учебных заведений Черная металлургия -2005 -№9.-С 58-63

6. Кулаков СМ Об оптимизации уставок автоматических регуляторов агломашины /СМ Кулаков, H Ф Бондарь, В Б Трофимов // Известия высших учебных заведений Черная металлургия -2007 -№6 - С. 57-60.

7. Кулаков СМ Принцип управления с прогнозированием подходы к реализации и структуры систем Препринт /СМ Кулаков, H Ф. Бондарь, В Б Трофимов - Новокузнецк СибГИУ, 2005 - 63 с

Труды научных, научно-практических конференций

8 Кулаков С.М Анализ структур систем управления с прогнозированием / С M Кулаков, H Ф Бондарь, В.Б. Трофимов // Третья международная конференция по проблемам управления тезисы докладов. Том 1 -М Институт проблем управления им В А Трапезникова РАН, 2006 - С. 15

9 Кулаков С M Конкретизация структуры интеллектуальной системы управления техническим объектом /СМ Кулаков, Н.Ф Бондарь, В Б. Трофимов //Математические методы в технике и технологиях-ММТТ-18 Сб трудов ХУШ Международной научной конференции В 10 т Т 6. Секции 6, 8 - Казань Изд-во Казанского гос технол университета, 2005 - С 36 - 39.

10 Трофимов В Б Сравнительный анализ алгоритмов обучения многослойного персептрона / В Б Трофимов, СМ Кулаков, НФ. Бондарь // Наука Технологии Инновации Труды Всероссийской научной конференции молодых ученых - Новосибирск НГТУ,2004 - Ч I -С 194-195

11 О распознавании поверхностных дефектов и маркировки рельсов / С.М Кулаков, В Б Трофимов, НФ Бондарь, СВ. Чабан // Ш Международная конференция по проблемам управления- тезисы докладов Том 1 - М. Институт проблем управления им В А Трапезникова РАН, 2006 - С 148

12 О построении интеллектуальной системы распознавания поверхностных дефектов рельсов / С M Кулаков, В Б Трофимов, H Ф. Бондарь, С.В Чабан // Математические методы в технике и технологиях - ММТТ-20. Сб трудов XX Международной научной конференции В Ют Т 2. Секции 2, 6 - Ярославль. Изд-воЯГТУ,2007-С 214-216.

13 О построении экспертной системы распознавания поверхностных дефектов проката /СМ Кулаков, В Б. Трофимов, H Ф Бондарь, С В Чабан // Инновационные недра Кузбасса IT - технологии Труды VI Всероссийской научно-практической конференции -Кемерово ИНТ, 2007 - С 39-41

Трофимов Владимир Борисович

МЕТОДЫ И АЛГОРИТМЫ ПОСТРОЕНИЯ НЕЙРОЭКСПЕРТНЫХ СИСТЕМ АВТОМАТИЧЕСКОГО КОНТРОЛЯ И УПРАВЛЕНИЯ ТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ (НА ПРИМЕРЕ ОБЪЕКТОВ ЧЕРНОЙ МЕТАЛЛУРГИИ)

Автореферат диссертации на соискание ученой степени кандидата технических наук

Изд лиц. ИД № 01439 от 05 04.2000 Формат бумаги 60x84 1/16 Бумага писчая Печать офсетная. Тираж 100 экз Заказ № 460

Усл. печ л 1,0 Уч -изд л 1,1

Подписано в печать 19 09.2008 ГОУ ВПО «Сибирский государственный индустриальный университет» 654007, г Новокузнецк, ул Кирова, д 42 Издательский центр ГОУ ВПО «СибГИУ»

ВВЕДЕНИЕ.

ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ПОСТРОЕНИЯ

ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ УПРАВЛЕНИЯ ТЕХНОЛОГИЧЕСКИМИ ОБЪЕКТАМИ.

1.1 Интеллектуальные системы управления (ИнтСУ): понятия, концепция, базовые структуры и инструментальные средства.

1.2 Задачи, методы и алгоритмы интеллектуальных систем управления (обзор).

1.3 Структуризация интеллектуальных систем управления с прогнозированием.

1.4 Особенности настройки искусственных нейронных сетей в системах автоматического управления.

1.5 Формирование и обновление базы знаний на основе концепции программно-возмущенного движения.

ГЛАВА 2. ИССЛЕДОВАНИЕ НЕЙРОЭКСПЕРТНЫХ СИСТЕМ

АВТОМАТИЧЕСКОГО РАСПОЗНАВАНИЯ ОБРАЗОВ НА ПРИМЕРЕ ПРОКАТНОГО ПРОИЗВОДСТВА.

2.1 Автоматическое распознавание маркировки проката.

2.2 Постановка задачи распознавания поверхностных дефектов проката.

2.3 Общая схема автоматического распознавания и параметризации поверхностных дефектов.

2.4 Разработка и испытания нейроэкспертных систем распознавания дефектов рельсов.

2.5 Особенности обучения производственного персонала взаимодействию с нейроэкспертной системой распознавания дефектов.

ГЛАВА 3. РАЗРАБОТКА НЕЙРОЭКСПЕРТНОЙ СИСТЕМЫ

АВТОМАТИЧЕСКОГО УПРАВЛЕНИЯ ТЕПЛОВЫМ РЕЖИМОМ

ВОЗДУХОНАГРЕВАТЕЛЕЙ.

3.1 Постановка задачи синтеза системы автоматического управления тепловым режимом воздухонагревателя Калугина.

3.2 Предлагаемая нейроэкспертная система управления тепловым режимом воздухонагревателя.

3.3 Моделирование и оценка эффективности алгоритма управления тепловым режимом воздухонагревателя.

Актуальность исследования. Интеллектуальные системы управления (ИнтСУ) сегодня общепризнаны как перспективное направление научных исследований. Теория этих систем и ее приложения отражены в трудах ведущих ученых, таких как Д.А. Поспелов, И.М. Макаров, В.М. Лохин, К.А. Пупков, В.Г. Коньков, A.A. Ерофеев, P.M. Юсупов, A.A. Жданов, Y.-Z. Lu, K.M. Hangos, S. Omatu. Однако теоретические и особенно прикладные основы ИнтСУ еще далеки от завершения, в том числе в части систем контроля и управления сложными техническими и человеко-техническими объектами, включающих искусственные нейронные сети и экспертные системы (далее нейроэкспертные системы), функционирующих в затрудненных условиях. Под затрудненными условиями понимаются большая размерность объекта управления, его нестационарность, долговременная динамическая память, распределенность параметров, нелинейность, существенные запаздывания, разнообразие ситуаций, неполнота контроля внешних воздействий, выходных воздействий и состояний объекта, наличие флуктуационных и грубых помех, изменчивость целей, критериев, ограничений. Современные промышленные машины, агрегаты, технологические линии, участки, цехи горнодобывающей, металлургической, химической, машиностроительной и других отраслей промышленности в большинстве своем относятся к классу сложных объектов. Существенного повышения эффективности управления ими можно достигнуть путем применения адекватно сложных управляющих систем, какими и являются интеллектуальные системы.

Важной задачей развития теоретических основ ИнтСУ является разработка методов и алгоритмов, базирующихся на совместном применении (интеграции) конкретных интеллектуальных инструментов, таких как динамические экспертные системы, искусственные нейронные сети, нечеткая логика, ассоциативная память. Данное исследование решает эту задачу применительно к нейроэкспертным распознавателям, программаторам, регуляторам.

Актуальность интеллектуализации систем контроля и управления обусловлена развитием высоких технологий (high tech) автоматизации и информатизации технологических процессов, базирующихся на фундаментальных научных открытиях (например, нейрокомпьютеров), что позволяет эффективно реализовывать сложные вычислительные процедуры и повышает эффективность управления, а также качество готовой продукции предприятия. Актуальность выбранного направления подтверждается соответствующими научными трудами международных конференций, в том числе проводимых под патронажем РАН, тем, что оно входит в программу приоритетных исследований ведущих международных научных организаций: IF AC, IEEE, ACM, а также тем, что идеи этого направления находят все большее распространение в различных областях науки и производства.

Работа выполнена в соответствии с планами хоздоговорных и госбюджетных научно-исследовательских работ Сибирского государственного индустриального университета в рамках Задания Министерства образования и науки РФ на проведение фундаментальных научных исследований в области систем автоматизации и информатизации по тематике «Развитие теории и методов управления на основе натурно-модельного подхода» (2005-2006 г.г. № ГР 01200510529), Гранта Губернатора Кемеровской области «Ведущая научная школа Кемеровской области» на выполнение НИР «Создание систем автоматизации управления промышленными и социальными объектами Кузбасса на основе натурно-модельного подхода» (2004 г., № 77), хоздоговора с ОАО «Новокузнецкий металлургический комбинат» на выполнение НИР «Разработка и внедрение универсальных алгоритмов оценки качества рельсов в соответствии с Евронормами» (2007 г., № 15-07).

Цель и задачи диссертации.

Основная цель — развитие теоретических основ нейроэкспертных систем автоматического контроля и управления, включающих экспертную и нейросетевую подсистемы, применительно к сложным техническим и человеко-техническим объектам.

Частные цели: анализ, обобщение и развитие концептуальных основ интеллектуальных систем управления сложными динамическими объектами; разработка и исследование нейроэкспертных методов и алгоритмов распознавания, оптимизации, регулирования; создание и применение нейроэкспертных систем для решения актуальных задач автоматического контроля и управления агрегатами и производственными участками предприятий черной металлургии.

Сформулированная цель исследования имеет фундаментальный характер и обладает принципиальной новизной, так как охватывает новые задачи быстро развивающейся теории ИнтСУ и на сегодняшний день не может быть отнесена к числу достигнутых. Сказанное отражает точку зрения известных научных школ ИПУ, МГУ, МИСиС, МГТУ и многих других организаций.

Задачи диссертации: 1. Аналитический обзор и классификация известных интеллектуальных систем управления. 2. Разработка обобщенной функциональной структуры прогнозирующей интеллектуальной системы управления технологическим объектом. 3. Формирование научно-методических основ разработки нейроэкспертных распознавателей, программаторов, прогнозаторов, регуляторов. 4. Построение методики обучения нейросетевых моделей объектов в замкнутом контуре управления. 5. Разработка нейроэкспертной системы распознавания поверхностных дефектов проката. 6. Разработка нейроэкспертной системы управления тепловым режимом воздухонагревателей Калугина.

Методы выполнения работы. Использовались методы теории автоматического управления, теории искусственного интеллекта, теории искусственных нейронных сетей, экспертных систем, системного анализа, прогностики, теории идентификации и обучения, математического и натурно-математического (пересчетного) моделирования, натурного эксперимента.

Научную новизну диссертации составляют: 1. Обобщенная функциональная структура ИнтСУ сложным технологическим объектом, сформированная на основе типопредставительного подхода и учитывающая затрудненные условия функционирования. 2. Методика обучения нейросетевой модели сложного нестационарного объекта управления в режиме реального времени, учитывающая влияние прямых и обратных управляющих связей, обеспечивающая соблюдение предпосылок искусственных нейронных сетей за счет одновременного нанесения модельных, натурных и комбинированных тестовых воздействий по всем управляющим входам объекта в пределах безаварийного функционирования системы управления. 3. Нейроэкспертная система распознавания поверхностных дефектов сортового и листового проката в процессе его производства, позволяющая с помощью искусственных нейронных сетей автоматически обнаружить типовые поверхностные дефекты, оценить их параметры и пространственные координаты, а в нестандартных случаях (например, для редко встречающихся дефектов) оказывать помощь оператору-технологу посредством специализированной экспертной подсистемы, использующей морфологические и генетические признаки дефектов. 4. Нейроэкспертная система автоматического управления тепловым режимом воздухонагревателя Калугина, созданная в рамках концепции программно-возмущенного движения, включающая экспертную подсистему управления программным движением объекта, которая отличается динамической базой знаний продукционного типа «Программы управления», подсистему нейродвушкального регулирования с условным и безусловным прогнозированием, использующую имитационную нейросетевую модель объекта управления, работающую в ускоренном режиме времени.

Практическая значимость работы. Разработанные функциональные структуры нейроэкспертных систем контроля и управления, нейроэкспертные модели технологических объектов, алгоритмы, методики и устройства открывают новые возможности для повышения эффективности производств, могут быть использованы на предприятиях черной металлургии и других отраслей промышленности для развития традиционных автоматизированных систем сложных технологических объектов, а также для извлечения и использования знаний опытных специалистов (экспертов). Конкретизированный метод нейроэкспертного управления, учитывающий затрудненные условия функционирования технологического объекта, позволяет существенно повысить эффективность его работы и, без значительных затрат, может быть применен на агрегатах различных отраслей промышленности. Данный метод рекомендован для автоматизированной системы контроля и управления воздухонагревателями Калугина доменного цеха ОАО «Западно-Сибирский металлургический комбинат (ЗСМК)». Методика нейроэкспертного распознавания дефектов проката конкретизирована применительно к комплексу неразрушающего контроля продукции рельсобалочного цеха ОАО «Новокузнецкий металлургический комбинат (НКМК)». Она, в силу своей гибкости, может быть использована для распознавания новых видов дефектов различного проката (рельсового, листового, трубного и т.п.).

Реализация результатов работы. Основной сферой использования полученных результатов являются автоматические и человеко-компьютерные системы управления высокосложными промышленными агрегатами (в частности, воздухонагревателями доменных печей), а также производствами (в частности, прокатным цехом). Разработанные функциональные структуры нейроэкспертных систем контроля и управления, документация по методу нейродвушкального управления, алгоритмы распознавания, оптимизации, регулирования переданы на ОАО «НКМК» и ОАО «ЗСМК» для практического применения. Описание разработанных методов, алгоритмов и конкретных подсистем автоматизированных нейроэкспертных систем контроля и управления используются в учебном процессе ГОУ ВПО «СибГИУ» при освоении курсов «Интеллектуальные информационные системы», «Методы оптимизации», «Методы и алгоритмы прогнозирования в системах управления», а также для дипломного проектирования.

Предмет защиты и личный вклад автора. На защиту выносятся функциональная структура обобщенной интеллектуальной системы управления и конкретизированных нейроэкспертных систем контроля и управления сложными технологическими объектами; постановка и решение задач обучения нейросетевой модели объекта в замкнутой системе управления, построения нейроэкспертной системы управления с прогнозированием в ускоренном времени и оптимизацией программного движения с помощью динамической базы знаний «Программы управления» и распознавания типопредставительных ситуаций, построения нейроэкспертной системы распознавания дефектов проката; новая схема установки, обеспечивающей более полный контроль поверхностей проката; нейроэкспертные модели объектов контроля и управления (модель дефектов проката, модель воздухонагревателя в режиме «нагрев»); методики построения нейроэкспертных моделей объектов, распознавателей, регуляторов и программаторов для систем контроля и управления технологическим объектом.

Личный вклад автора заключается в постановке основных задач исследования и разработке процедур их решения; в формировании моделей объектов контроля и управления с соблюдением предпосылок выбранных методов; в разработке нейроэкспертного алгоритма управления технологическим объектом; в создании нейроэкспертного алгоритма распознавания поверхностных дефектов; в определении структуры поискового и беспоискового нейродвушкального регулятора с прогнозированием выходных и контролируемых внешних воздействий, а также эффектов неконтролируемых внешних воздействий, приведенных к выходу объекта управления; в создании алгоритма работы программатора и в построении базы знаний подсистемы управления программным движением; в компьютерном моделировании разработанных алгоритмов на базе современных программно-технических средств в рамках натурно-модельного подхода.

Апробация работы. Основные положения и результаты диссертации представлялись, обсуждались и получили одобрение на 14 конференциях разного уровня. В перечне основных конференций представлены «Международная конференция по проблемам управления - МКПУ» (Москва, 2006), «Управление и информационные технологии» (Санкт-Петербург, 2006), «Математические методы в технике и технологиях» (Казань, 2005, Воронеж, 2006, Ярославль, 2007), «XII Туполевские чтения» (Казань, 2004), «Наука. Технологии. Инновации» (Новосибирск, 2004), «Системы автоматизации в образовании, науке и производстве» (Новокузнецк, 2005, 2007), «Наука и молодежь: проблемы, поиски, решения» (Новокузнецк, 2004), «Инновационные недра Кузбасса. 1Т-технологии» (Кемерово, 2005, 2006, 2007), «Металлургия: новые технологии, управление, инновации и качество» (Новокузнецк, 2006).

Публикации. По теме диссертации опубликовано 24 печатные работы, в том числе 6 статей в рецензируемых периодических изданиях, один препринт.

Структура и объем работы. Диссертация состоит из введения, трех глав, заключения, библиографического списка, включающего 115 наименований, и содержит 125 страниц основного текста, 72 рисунка и 12 таблиц.

Основные выводы.

1. Эффективность функционирования человеко-машинных систем контроля и управления сложными техническими и технологическими объектами, функционирующими в затрудненных условиях, может быть существенно повышена на основе формализации и использования знаний управленческого персонала, представленных в явном (в продукционных правилах ЭС) и в неявном виде (в архитектуре ИНС, параметрах нейронов и их связей). Этот класс исследован недостаточно как в теоретическом, так и в прикладном плане.

2. Обобщенная функциональная структура интеллектуальной системы управления сложным технологическим объектом должна включать динамическую экспертную подсистему, повышающую степень «объяснимое™» принимаемого решения и получаемого результата, подсистему имитационного моделирования, подсистему синтеза цели и программы ее достижения. В свою очередь подсистема моделирования должна включать следующие модули: распознавания ситуаций, условного, безусловного и комбинированного прогнозирования, регноза, а подсистема планирования — модуль программирования оптимальных траекторий на основе ретроспективного анализа работы объекта и действий оператора.

3. Поисковые, беспоисковые и комбинированные нейроэкспертные алгоритмы автоматического управления с прогнозированием базируются на двух основных модулях. Первый (экспертный, продукционный) отвечает за формирование целей управления, а второй (нейросетевой) — за их достижение.

4. Для обучения нейросетевых моделей объектов в замкнутом контуре управления должны использоваться такие процедуры, которые обеспечивают выполнение предпосылок ИНС и требования нормальной эксплуатации объекта. Это достигается за счет одновременного нанесения тестовых и регулирующих воздействий на программные траектории.

5. Эффективный алгоритм распознавания дефектов изделий массового производства должен включать нейросетевой модуль, который предназначен для оценивания информативных признаков и автоматической классификации, экспертный модуль, основанный на знаниях опытных контролеров-операторов, позволяющий учитывать морфологические и генетические признаки дефектов и повышающий правильность распознавания дефектов продукции.

6. Предложенный алгоритм распознавания конкретизирован применительно к обнаружению поверхностных дефектов рельсов в процессе их производства. На его основе предложена схема новой установки, обеспечивающей контроль всех поверхностей рельса, в режиме реального времени. Результаты ситуационного моделирования системы с использованием натурных видеокадров, полученных в рельсобалочном цехе ОАО «НКМК», показали возможность достижения 90 97 % правильности распознавания дефектов в автоматическом режиме.

7. Сформулирована задача построения нейроэкспертной системы управления воздухонагревателем Калугина. Предложен многоструктурный нейродвушкальный регулятор, построенный в рамках концепции программновозмущенного движения, объединяющий поисковый и беспоисковый способы выработки управляющих воздействий. Результаты ситуационного пересчетного моделирования описанной нейроэкспертной системы управления с использованием натурных данных, полученных в доменном цехе ОАО «ЗСМК», показали возможность улучшения эффективности управления в 1,5 2,0 раза (по интегральному критерию оптимальности) по сравнению с действующей системой.

ЗАКЛЮЧЕНИЕ И ВЫВОДЫ

Диссертация является научно-квалификационной работой, направленной на развитие теоретических основ, а также методов и алгоритмов построения нейроэкспертных автоматизированных систем контроля и управления сложными технологическими объектами и на их применение на металлургических агрегатах. В результате ее выполнения решены следующие основные задачи: создание научно-методических основ построения нейроэкспертных распознавателей, программаторов, прогнозаторов, регуляторов; разработка обобщенной структуры интеллектуальной системы управления сложным технологическим объектом; разработка процедуры обучения нейросетевой модели объекта в процессе функционирования системы автоматического управления; построение нейроэкспертной системы распознавания дефектов проката; создание нейроэкспертной прогнозирующей системы управления тепловым режимом воздухонагревателя Калугина.

1. Поспелов Д.А. Ситуационное управление. Новый виток развития / Д.А. Поспелов // Изв. РАН. Теория и системы управления. — 1995. № 5. — С. 152-159.

2. Макаров И.М. Концептуальные основы организации интеллектуального управления сложными динамическими объектами / И.М. Макаров // Новые методы управления сложными системами: Сб. науч. тр. -М.: Наука, 2004.-С. 19-31.

3. Лохин В.М. Интеллектуальные системы управления: понятия, определения, принципы построения / В.М. Лохин, В.Н. Захаров // Интеллектуальные системы автоматического управления: Сб. науч. тр. — М.: ФИЗМАТЛИТ, 2001. С. 25 - 38.

4. Захаров В.Н. Современная информационная технология в системах управления / В.Н. Захаров // Изв. РАН. Теория и системы управления. 2000. -№ 1. - С. 70-78.

5. Искусственный интеллект и интеллектуальные системы управления / И.М. Макаров, В.М. Лохин, C.B. Манько, М.П. Романов М.: Наука, 2006. -333 с.

6. Пупков К.А. Интеллектуальные системы / К.А. Пупков, В.Г. Коньков — М.: Издательство МГТУ им. Н.Э. Баумана, 2003. 348 с.

7. Методы классической и современной теории автоматического управления: Учебник в 3-х т. Т.З: Методы современной теории автоматического управления / Под ред. Н.Д. Егупова М.: Изд-во МГТУ им. Н.Э. Баумана, 2000. - 748 с.

8. Городецкий А.Е. Принципы построения интеллектуальных систем управления подвижными объектами / А.Е. Городецкий, A.A. Ерофеев // Автоматика и телемеханика. 1997. -№ 9. - С. 101-109.

9. Ерофеев A.A. Интеллектуальные системы управления / A.A. Ерофеев, А.О. Поляков СПб.: Издательство СПбГТУ, 1999. - 264 с.

10. Тимофеев А.В. Интеллектуализация систем автоматического управления / А.В. Тимофеев, P.M. Юсупов // Изв. РАН. Техническая кибернетика. 1994. - № 5. - С. 211 - 224.

11. Советов Б.Я. Теоретические основы автоматизированного управления: Учебник для вузов / Б.Я. Советов, В.В. Цехановский,

12. B.Д. Чертовской М.: Высшая школа, 2006. - 463 с.

13. Lu Y.-Z. Industrial intelligent control: fundamentals and applications / Y.-Z. Lu New York: Wiley, 1996. - 346 p.

14. Hangos K.M. Intelligent control systems: an introduction with examples / K.M. Hangos, R. Lakner, M. Gerzson New York: Kluwer academic publishers, 2001.-301 p.

15. Cai Z.-X. Intelligent control: principles, techniques and applications / Z.-X. Cai Singapore: World Scientific, 1997. - 450 p.

16. Harris С J. Intelligent control: aspects of fuzzy logic and neural nets /

17. C.J. Harris, C.G. Moore, M. Brown Singapore: World Scientific, 1993.-380 p.

18. Schroder D. Intelligent observer and control design for nonlinear systems /

19. D. Schroder Berlin: Springer, 2000. - 340 p.

20. Handbook of intelligent control: neural, fuzzy and adaptive approaches / Edited by D.A. White, D.A. Sofge New York: Van nostrand reinhold, 1992. -250 p.

21. Intelligent control systems: theory and applications / Edited by M.M. Gupta, N.K. Sinha New York: IEEE, 1996. - 820 p.

22. Жданов А.А. Метод автономного адаптивного управления / А.А. Жданов // Изв. РАН. Теория и системы управления. 1999. - № 5. - С. 127 -134.

23. Гаскаров Д.В. Интеллектуальные информационные системы / Д.В. Гаскаров М: Высш. шк., 2003. - 431 с.

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

25. Башмаков А.И. Интеллектуальные информационные технологии: Учебное пособие / А.И. Башмаков, И.А. Башмаков — М.: Изд-во МГТУ им. Н.Э. Баумана, 2005. 304 с.

26. Андрейчиков A.B. Интеллектуальные информационные системы /

27. A.B. Андрейчиков, О.Н. Андрейчикова М.: Финансы и статистика, 2004. -424 с.

28. Компьютерное определение дефекта, причин его возникновения и способа ликвидации / Ю.Ф. Воронин, В.А. Камаев, A.B. Матохина, С.А. Карпов // Литейное производство. 2004. - № 7. - С. 17 - 24.

29. Компьютерное прогнозирование и диагностика дефектов отливок на основе моделирования уплотнения формы / В.П. Самарай, В.П. Авдокушин, С.П. Дорошенко, В.М. Мазнюк // Литейное производство. 2004. - № 9. - С. 26 -30.

30. Бархатов В.А. Распознавание дефектов с помощью искусственной нейронной сети специального типа / В.А. Бархатов // Дефектоскопия. 2006. -№2.-С. 28-39.

31. Цераски П. Распознавание дефектов полосы в потоке при автоматическом осмотре поверхности / П. Цераски, Ф. Люккинг, Х.-Ю. Райциг // Черные металлы. 1999. - № 9. - С. 45 - 50.

32. Экспертная система управления процессом спекания агломерата /

33. B.И. Соловьев, Е.А. Павлова, В.М. Сухинин, А.П. Скороходов // Черные металлы. 2006. - № 3. - С. 11 - 16.

34. Исследования АСУ ТП увлажнения агломерационной шихты / В.И. Соловьев, В.П. Авдеев, С.Ф. Киселев и др. // Изв. вуз. Черная Металлургия. 1979. - № 12. - С. 100 - 106.

35. Система прогнозирующего увлажнения аглошихты / В.И. Соловьев, В.П. Авдеев, С.Ф. Киселев и др. // Изв. вуз. Черная Металлургия. 1977. - № 4. -С. 149-154.

36. Дэлгэрбат JI. Интегрированная система интеллектуального управления флотацией медно-молибденовых руд / Л. Дэлгэрбат, A.M. Дуда // Горный журнал. 2005. — № 3. - С. 73 - 76.

37. Черкасов В.Ю. Экспертная система управления процессом измельчения и классификации на основе нейронных сетей / В.Ю. Черкасов, И.Н. Гуцев, З.Я. Клиневски // Цветные металлы. 2004. - № 6. - С. 75 - 80.

38. Omatu S. Neuro-control and its applications / S. Omatu, M. Khalid, R. Yusof London: Springer-Verlag, 1996. - 272 с.

39. Терехов B.A. Нейросетевые системы управления / В.А. Терехов, Д.В. Ефимов, И.Ю. Тюкин М.: Высш. шк., 2002. - 183 с.

40. Современная прикладная теория управления Новые классы регуляторов технических систем / Под ред. A.A. Колесникова Таганрог: ТРТУ, 2000. - 656 с.

41. Галушкин А.И. Основы нейроуправления / А.И. Галушкин // Приложение к журналу «Информационные технологии». 2002. - № 10. - С. 1 -24.

42. Методы робастного, нейро-нечеткого и адаптивного управления: Учебник / Под ред. Н.Д. Егупова М.: Изд-во МГТУ им. Н.Э. Баумана, 2005. -304 с.

43. Еремин Д.М. Нейросетевой регулятор для управления динамическими объектами / Д.М. Еремин, Р.У. Мадыгулов // Интеллектуальные системы автоматического управления: Сб. науч. тр. М.: ФИЗМАТЛИТ, 2001. -С. 137-156.

44. Комашинский В.И. Нейронные сети и их применение в системах управления и связи / В.И. Комашинский, Д.А. Смирнов М.: Горячая линия -Телеком, 2002. - 94 с.

45. Sarangapani J. Neural network control of nonlinear discrete-time systems / J. Sarangapani Missouri, USA: CRS Press, 2006. - 602 p.

46. Irwin G.W. Neural network applications in control / G.W. Irwin, K. Warwick, K.J. Hunt London: The Institution of Electrical Engineers, 1995. -309 p.

47. Miller W.T. Neural networks for control / W.T. Miller, R.S. Sutton, P.J. Werbos Cambridge, MA: MIT Press, 1990. - 544 p.

48. Информационные системы в металлургии: Учебник для вузов / H.A. Спирин и др. Екатеринбург: УГТУ - УПИ, 2001. - 617 с.

49. Структура трехуровневой АСУ ТП доменной печи с использованием логико-количественной экспертной системы: Учебное пособие / В.Г. Лисиенко, Е.Л. Суханов, В.А. Морозова, Ю.Н. Овчинников — Екатеринбург: УГТУ-УПИ, 2003. 82 с.

50. Соловьев В.И. Интеллектуальная автоматизированная система управления металлургическими агрегатами / В.И. Соловьев, Е.А. Павлова,

51. B.А. Краснобаев // Черные металлы. 2004. - №7 - 8. - С. 26 - 29.

52. Васильев С.Н. К интеллектуальному управлению дуговыми сталеплавильными печами / С.Н. Васильев, С.А. Догановский, В.М. Эдемский // Автоматизация в промышленности. 2003. - № 3. — С. 39 - 43.

53. Кулаков С.М. О способе формализации персональной нечеткой информационной системы оператора машины непрерывного литья заготовок /

54. C.М. Кулаков, C.B. Сидоров // Изв. вуз. Черная Металлургия. 2001. - № 10. -С. 55-58.

55. Белоусов O.A. Автоматизированная система энергосберегающего управления электрокамерными печами / O.A. Белоусов // Автоматизация в промышленности. — 2005. — № 5. С. 8-9.

56. Курбан В.В. Возможность оперативного прогнозирования механических свойств готового проката с использованием нейронных сетей /

57. B.В. Курбан, H.JI. Яценко, В.И. Белякова // Металлург. 2007. - № 1.1. C. 24-26.

58. Еременко Ю.И. Интеграция интеллектуальных систем в состав АСУ металлургических производств / Ю.И. Еременко, С.Ю. Халапян // Изв. вузов. Черная металлургия 2002. - № 1. - С. 53 - 56.

59. Проталинский О.М. Применение методов искусственного интеллекта при автоматизации технологических процессов / О.М. Проталинский -Астрахань: АГТУ, 2004. 163 с.

60. Литвак Б.Г. Экспертные технологии в управлении: Учеб. пособие / Б.Г. Литвак М.: Дело, 2004. - 400 с.

61. Дубовик Ю.В. Моделирование экономико-технологических процессов угольных шахт методом нейронных сетей / Ю.В. Дубовик, В.Н. Фрянов Новосибирск: Наука, 2005. - 225 с.

62. Чертов А.Д. Применение систем искусственного интеллекта в металлургической промышленности (обзор) / А.Д. Чертов // Металлург 2003. - № 7. — С. 32-37.

63. Егоров C.B. Разработка и исследование систем управления с прогнозирующими моделями для процессов с постоянно действующими контролируемыми возмущениями. Автореф. / МЭИ. М., 1980. - 40 с.

64. Шендрик B.C. Синтез оптимальных управлений методами прогнозирующей модели / B.C. Шендрик // Докл. АН СССР. 1975. - Т. 224. -№ 3. - С. 561 -562.

65. Красовский A.A. Универсальные алгоритмы оптимального управления непрерывными процессами / A.A. Красовский, В.Н. Буков, B.C. Шендрик М.: Наука, 1977. - 272 с.

66. Федосеев А.С. Алгоритм оптимального управления с обобщенной прогнозирующей моделью / А.С. Федосеев // Автоматика и телемеханика. — 1977.-№7.-С. 16-21.

67. Буков В.Н. Адаптивные прогнозирующие системы управления полетом / В.Н. Буков М.: Наука, 1987. - 232 с.

68. Турецкий X. Анализ и синтез систем управления с запаздыванием / X. Турецкий — М.: Машиностроение, 1974. 328 с.

69. Восстановительно-прогнозирующие системы управления: Учебное пособие / В.П. Авдеев, В.Я. Карташов, Л.П. Мышляев, А.А. Ершов — Кемерово: КемГУ, 1984.-92 с.

70. Авдеев В.П. Производственно-исследовательские системы с многовариантной структурой / В.П. Авдеев, Б.А. Кустов, Л.П. Мышляев — Новокузнецк: Кузбасс ФИАР, 1992. 188 с.

71. Методы идентификации промышленных объектов в системах управления: Монография / С.В. Емельянов, С.К. Коровин, А.С. Рыков и др. -Кемерово: Кузбассвузиздат, 2007. 307 с.

72. АС 1200241 СССР. Система управления объектом с запаздыванием / С.В. Емельянов, В.П. Авдеев, Л.П. Мышляев и др. № 3705103/24-24; заявл. 11.03.1984; опубл. 23.12.1985, Бюл. № 47 - 3 с.

73. Clarke D.W. Properties of Generalized Predictive Control / D.W. Clarke, C. Mohtadi // Automática. 1989. - V. 25. - P. 859 - 875.

74. Watanabe K. A process model control for linear systems with delays / K. Watanabe, M. Ito // IEEE Trans. Automat. Control. 1981. - V. 26. - № 6. - P. 1261- 1269.

75. Kao Тиень Гуинь. Адаптивное управление объектом с запаздыванием на основе беспоисковой самонастраивающейся системы с моделью / Као Тиень Гуинь, Нгуен Ми, Рауль Ривас Перес // Автоматика и телемеханика. 1988 . — № 12. - С. 106 - 115.

76. Ziebolz H. Possibilities of two-time scale computing system for control and simulation of dynamic systems / H. Ziebolz, H.M. Paynter // Proc. NEC. — 1953. -V. 9.-P. 215-223.

77. Александровский Н.М. Адаптивные системы автоматического управления сложными технологическими процессами / Н.М. Александровский, C.B. Егоров, P.E. Кузин М.: Энергия, 1973. - 272 с.

78. Перельман И.И. Оперативная идентификация объектов управления / H.H. Перельман М.: Энергоиздат, 1982. - 272 с.

79. Борзенко И.М. Адаптация, прогнозирование и выбор решений в алгоритмах управления технологическими объектами / И.М. Борзенко М.: Энергоатомиздат, 1984. - 144 с.

80. Мышляев Л.П. Прогнозирование в системах управления: Монография / Л.П. Мышляев, В.Ф. Евтушенко Новокузнецк: СибГИУ, 2002. - 348 с.

81. Системы автоматизации на основе натурно-модельного подхода: Монография в 3-х т. Т.2: Системы автоматизации производственного назначения / Под ред. Л.П. Мышляева Новосибирск: Наука, 2006. - 483 с.

82. Кулаков С.М. Принцип управления с прогнозированием: подходы к реализации и структуры систем: Препринт / С.М. Кулаков, Н.Ф. Бондарь,

83. B.Б. Трофимов Новокузнецк: СибГИУ, 2005. - 63 с.

84. Осовский С. Нейронные сети для обработки информации /

85. C. Осовский — М.: Финансы и статистика, 2004. 344 с.

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

87. Мауэр Л.В. Информационные системы: Учебно-справочное пособие / Л.В. Мауэр, С.М. Кулаков, Н.В. Балицкая. Новокузнецк: СибГИУ, 2002. -181 с.

88. Каллан Р. Основные концепции нейронных сетей / Р. Каллан — М.: Издательский дом «Вильяме», 2001. 287 с.

89. Аведьян Э.Д. Алгоритмы настройки многослойных нейронных сетей / Э.Д. Аведьян // Автоматика и телемеханика. 1995. - № 4. - С. 106 - 118.

90. Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, JI. Рутковский М.: Горячая линия -Телеком, 2004. - 452 с.

91. Назаров A.B. Нейросетевые алгоритмы прогнозирования и оптимизации систем / A.B. Назаров, А.И. Лоскутов СПб.: Наука и Техника, 2003.-384 с.

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

93. Системный анализ и принятие решений: Словарь-справочник / Под ред. В.Н. Волковой, В.Н. Козлова-М.: Высш. шк., 2004. 616 с.

94. Гордиенко Е.К. Искусственные нейронные сети I. Основные определения и модели / Е.К. Гордиенко, A.A. Лукьяница // Техническая кибернетика. 1994. -№ 5. - С. 79 - 91.

95. Горбань А.Н. Обучение нейронных сетей / А.Н. Горбань М.: СП Параграф, 1990. - 159 с.

96. Цыпкин Я.З. Информационная теория идентификации / Я.З. Цыпкин М.: Наука: Физматлит, 1995. - 336 с.

97. Галушкин А.И. Теория нейронных сетей / А.И. Галушкин М.: ИПРЖР, 2000.-416 с.

98. Dreyfus G. Neural network: methodology and applications / G. Dreyfus — New York: Springer, 2005. 497 p.

99. Кричевский М.Л. Интеллектуальные методы в менеджменте / M.Л. Кричевский СПб: Питер, 2005. - 304 с.

100. Хайкин С. Нейронные сети / С. Хайкин М: Вильяме, 2006. - 1104 с.

101. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных в виде суперпозиций непрерывных функций одного переменного и сложения / А.Н. Колмогоров // Доклады РАН. — 1957. № 5. -С. 953-956.

102. Методы компьютерной обработки изображений / Под ред. В.А. Сойфера М.: ФИЗМАТЛИТ, 2003. - 784 с.

103. Цыпкин Я.З. Адаптация и обучение в автоматических системах / Я.З. Цыпкин М.: Наука, 1968. - 216 с.

104. Горелик А.Л. Методы распознавания: Учебное пособие для вузов /

105. A.Л. Горелик, В.А. Скрипкин М.: Высш. шк., 2004. - 261 с.

106. Люгер Дж.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем / Дж.Ф. Люгер М.: Издательский дом «Вильяме», 2003. -864 с.

107. Фу К. Последовательные методы в распознавании образов и обучении машин / К. Фу- М.: ФИЗМАТЛИТ, 1969. 328 с.

108. Дуда Р. Распознавание образов и анализ сцен / Р. Дуда, П. Харт М.: Мир, 1976.-512 с.

109. Состояние и перспективы развития исследований в области обработки и распознавания видеоинформации (аналитический обзор) / Ю.И. Журавлев, К. В. Рудаков, С. И. Гуров и др. // Информационные технологии. 1998. - № 4. - С. 22 - 26.

110. Дефекты и качество рельсовой стали: Справ, изд. / В.В. Павлов, М.В. Темлянцев, Л.В. Корнева и др. -М.: Теплотехник, 2006. 218 с.

111. Дефекты стальных слитков и проката: Справ, изд. /

112. B.В. Правосудович, В.П. Сокуренко, В.Н. Данченко и др. М.: Интермет Инжиниринг, 2006. - 384 с.

113. Дефекты в металлах. Справочник-атлас. / A.A. Ежов, Л.П. Герасимова М.: Русский университет, 2002. - 360 с.

114. Awad Е. Building knowledge automation expert systems with Exsys CORVID / E. Awad- Charlottesville: University of Virginia, 2005. 265 p.

115. Калугин Я.П. Перспективный бесшахтный воздухонагреватель для доменных печей / Я.П. Калугин // Сталь. 2001. - № 10. - С. 3 - 6.

116. Патент 2258249 Российской Федерации, МПК G05B19/18, С21В7/24. Автоматизированная система контроля и управления воздухонагревателем доменной печи / А.Б. Юрьев и др. № 2003110282/09; заявл. 09.04.2003; опубл. 10.08.2005, Бюл. № 22 - 6 с.

117. Летов A.M. Динамика полета и управление / A.M. Летов — М.: Наука, 1969.-359 с.

118. Человеко-машинное прогнозирование программ управления конверторной плавкой / В.П. Авдеев, В.И. Соловьев, Ю.Н. Борисов,

119. A.Е. Кошелев, В.И. Веревкин // Изв. вузов. Черная металлургия — 1974. — № 10. -С. 163-165.

120. Выбор типопредставителей в задачах исследования и управления /

121. B.П. Авдеев, Г.А. Бегишев, A.B. Пинтов, С.Р. Зельцер // Изв. вузов. Черная металлургия 1980. - № 6. - С. 98 - 102.

122. Структурный анализ сигналов при алгоритмизации технологических процессов / В.П. Авдеев, П.Г. Белоусов, Я.Г. Парпаров и др.: Учебное пособие. -Новокузнецк: СМИ, 1992. 78 с.

123. Охтилев М.Ю. Интеллектуальные технологии мониторинга и управления структурной динамикой сложных технических объектов / М.Ю. Охтилев, Б .В. Соколов, P.M. Юсупов М.: Наука, 2006. - 410 с.

124. Андреев С.М. Оптимизация режима нагрева воздухонагревателей доменных печей / С.М. Андреев, Б.Н. Парсункин // Изв. вузов. Черная металлургия 2004. - № 7. - С. 33 - 37.

125. Blast furnace stove control / K.R. Muske and others // American control conference. Philadelphia: Villanova University, 1998. - C. 24 - 25.

126. Натурно-математическое моделирование в системах управления: Учебное пособие / В.П. Авдеев, С.Р. Зельцер, В.Я. Карташов, С.Ф. Киселев -Кемерово: КемГУ, 1987. 85 с.166