автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Методы и автоматизированные системы динамической классификации сложных техногенных объектов

На правах рукописи

Гимаров Владимир Александрович

МЕТОДЫ И АВТОМАТИЗИРОВАННЫЕ СИСТЕМЫ ДИНАМИЧЕСКОЙ КЛАССИФИКАЦИИ СЛОЖНЫХ ТЕХНОГЕННЫХ ОБЪЕКТОВ

05.13.18 - Математическое моделирование, численные методы и комплексы программ (технические науки);

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

Автореферат диссертации на соискание ученой степени доктора технических наук

Москва 2004

Работа выполнена на кафедре Логистики и экономической информатики Российского химико-технологического университета им. Д.И. Менделеева

Научный консультант:

Заслуженный деятель науки РФ, доктор технических наук, профессор Мешалкин Валерий Павлович

Официальные оппоненты:

доктор технических наук, профессор Вент Дмитрии Павлович; доктор технических наук, профессор Палюх Борис Васильевич; доктор технических наук, профессор Дьяконов Владимир Павлович

Ведущая организация:

Санкт-Петербургский государственный технологический институт (технический

университет)

Защита состоится «28» декабря 2004 г. в /9 часов на заседании диссертационного совета Д 212.204.10 при РХТУ им. Д.И. Менделеева по адресу: 125047, Москва, Миусская пл., д. 9 в конференцзале (ауд.434)

С диссертацией можно ознакомиться в Научно-информационном центре РХТУ им. Д.И. Менделеева.

Автореферат разослан «_22» ноября 2004 г.

Ученый секретарь диссертационного совета Д 212.204.10

д.ф.-м.н., профессор

В.М. Аристов

гмй - ^

7Г7

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. В настоящее время методы и алгоритмы классификации сложных объектов или ситуации нашли широкое применение при решении научно- исследовательских задач и задач автоматизированного управления системами различной природы. Это во многом определило большое количество фундаментальных и прикладных работ по данному научному направлению. Широко известны фундаментальные труды отечественных и зарубежных учёных по теории идентификации и классификации объектов: С.А. Айвазяна, М.А. Айзермана, Е.В. Баумана, Э.М. Бравермана, С.Я. Виленкина, Р. Гонсалеса, Ф. Груна, A.A. Дорофеюка, Ю.И. Журавлева, А.Г. Ивахненко, В.С Мхитаряна, JI.A. Растригина, С.А. Редкозу-бова, Дж. Ту, К. Фуканаги, Я.З. Цыпкина, Р.Х. Эренштейна и др.

На современных химических предприятиях алгоритмы классификации используются в автоматизированных системах управления (АСУ) различного уровня (АСУ предприятием (АСУП), АСУ производством (АСУПр), АСУ технологическими процессами (АСУТП) и т.д.) для обеспечения требуемого качества управления и поддержки принятия решений по различным аспектам производственной деятельности. Основные подходы к решению задач классификации (распознавания) и идентификации объектов при управлении химико-технологическими процессами (ХТТТ) и химическими производствами, которые представляют собой химико-технологические системы (ХТС) различного уровня сложности, изложены в работах В.В. Кафарова, В.П. Мешалкина, C.B. Егорова, А.Ф. Егорова, И.Н. Дорохова, Д.П. Вента, Б.В. Палюха и др.

В большинстве современных постановок задачи автоматизированной классификации (распознавания образов) предполагается, что характеристики рассматриваемых классов объектов, и принятые правила классификации с течением времени практически не изменяются.

Между тем, на практике при исследовании сложных техногенных объектов (СТО) достаточно часто встречаются ситуации, когда указанные характеристики классов объектов неизменными считать нельзя, и в этом случае речь может идти о временной изменчивости классов (образов). Примерами таких динамических изменений могут служить объекты техники на различных этапах их жизненного цикла, нестационарные объекты химической промышленности (ОХП), объекты природы и биологические объекты, подверженные влиянию техногенных факторов.

При решении задач классификации СТО нами будут рассматриваться следующие типы ОХП: отдельные ХТП; отдельные аппараты и машины химической технологии; ХТС или химические производства; химические предприятия в целом.

В автоматизированных системах классификации СТО химической промышленности, во-первых, существует объективная изменчивость, связанная с процессом измерения параметров ХТП и ХТС. Каждый датчик, использующийся в АСУ 111, порождает аддитивный и/или мультипликативный шум; шум квантования возникает в процессе дискретизации аналоговых сигналов Систематические ошибки измерения не приводят к возникновению изменчивости при условии, что искажения всегда одинаковы. На практике в АСУ ОХП применяются датчики с различными искажениями в различных рабочих 1ф10Ё?{№ВДив'№кЛБЮДОрт к возникнове-

КИБЛИОТЕКА СПс OS

wi nw I г

asm

нию изменчивости измеряемых характеристик классифицируемых СТО химической промышленности. Вторым источником изменчивости измеряемых характеристик ОХП может быть шум или искажения, вносимые каналами связи или промежуточными элементами обработки данных, разделяющими источник информации и измерительную систему.

Труднее всего поддается описанию третья составляющая изменчивости характеристик ОХП, когда с течением времени структура кластеров объектов изменяется - т.е. какие-то СТО с течением времени начинают обладать некоторыми новыми свойствами, например, образуют группу ОХП, функционирование которых находится на границе их катастрофического изменения, другие объекты подобные свойства теряют и т.п. В таком случае структура кластеров претерпевает временные изменения и становится динамической, т.е образуется динамическое кластерное поле.

Примерами классифицирующих систем с изменяющимися во времени правилами классификации также являться системы, работающие в режиме реального времени и использующие информацию о классифицируемых СТО для коррекции вида и/или параметров решающих правил отнесения объекта к некоторому классу. Такие ситуации возникают, когда классификацию СТО нужно делать не на одновременно заданном множестве объектов, а на объектах, возникающих по одному или небольшими группами при реализации автоматизированной процедуры классификации.

В настоящее время специальные методы автоматизированной динамической классификации только начинают разрабатываться. Хорошо проработанным является только направление динамического классификационного анализа данных, изложенное в трудах ученых А.А Дорофеюка, В Е Баумана, А Л. Чернявского, которое связанно в основном с методами классификации траекторий Таким образом, задачи ДК СТО реально существуют на практике, однако разработка математических постановок, методов и алгоритмов ДК СТО не носит в полной мере систематического целенаправленного характера. Указанные обстоятельства затрудняют построение автоматизированных систем классификации (АСК), как важнейших компонентов АСУТП, АСУПр и АСУП, способных работать в рассмотренных динамических режимах, что снижает качество распознавания или вообще не позволяют получать приемлемые результаты решения задачи классификации.

На основании вышеизложенного, научная проблема разработки теории и методов ДК СТО, а также принципов создания математического, алгоритмического и программного обеспечения АСК СТО, позволяющих решать задачи ДК СТО, является актуальной научной проблемой, имеющее важное значение для развития математических методов и алгоритмов моделирования СТО и интеллектуализации решения прикладных задач при построении АСУ ОХП.

Основные разделы диссертации выполнялись в рамках комплексных программ социально-экономического развития Смоленской области на 1998-2000 г г. и 2001-2004 г г, и их содержание соответствует перечню критических технологий, определяемых политикой РФ в области науки и технологии на период до 2010 г. -«Компьютерное моделирование» и «Искусственный интеллект»

Цель работы. Разработать теорию, методы и алгоритмы динамической классификации сложных техногенных объектов на основе применения современных методов интеллектуального анализа информации, что позволит при помощи построения математических моделей автоматизированных динамических классификаторов повысить качество функционирования АСУ ОХГТ

Применить разработанные методы, алгоритмы и комплексы программ автоматизированной динамической классификации СТО, предназначенные для автоматизации производства и интеллектуальной поддержки процессов управления и необходимой для этого обработки данных, в АСУП, АСУПр и АСУТП химических предприятий для повышения качества управления ХТП производства капролакта-ма, повышения эффективности обслуживания и ремонта оборудования производства слабой азотной кислоты, а также для повышения уровня технологической безопасности химического производства на основе тестирования операторов химических производств, что будет способствовать повышению экономической эффективности химических предприятий.

Для реализации указанной цели поставлены и решены следующие задачи.

1. Разработка математического описания задач динамической классификации (распознавания) СТО. Выявление и анализ разновидностей задач ДК СТО. Выработка общих методологических подходов к решению указанных задач ДК СТО

2. Разработка и исследование методов и алгоритмов ДК при изменяющихся признаках СТО и при нестационарных характеристиках классов СТО.

3 Разработка и исследование методов и алгоритмов ДК СТО при изменяющихся решающих правилах отнесения объектов к определённому классу.

4. Создание методического аппарата построения математических моделей автоматизированных систем кластеризации СТО в условиях динамического изменения характеристик выявляемых кластеров, а также структуры кластерного поля

5. Разработка принципов программной реализации алгоритмов решения задач ДК СТО ОХП Проведение вычислительных экспериментов по исследованию свойств указанных алгоритмов. Разработка архитектуры и режимов функционирования автоматизированных систем ДК и методики их интеграции в состав АСУ ОХП.

6 Разработка научно-обоснованных рекомендаций по практическому применению разработанных автоматизированных систем динамической классификации (АСДК) ОХП на различных химических предприятиях.

Методы исследования В диссертации используются методы теории вероятностей и математической статистики, распознавания образов и идентификации, случайных процессов, нейронных сетей, нечеткой логики, вычислительной математики, автоматического управления.

Основные положения, выносимые на защиту:

1. Теоретико-математический аппарат описания динамических задач классификации и кластеризации СТО.

2. Методология построения математических моделей для решения задач автоматизированной ДК СТО.

3. Экстраполяционный метод и алгоритмы построения математических моделей для прогнозирования класса СТО с изменяющимися признаками классифици-

руемых СТО Алгоритмы построения полиномиальной трендовой модели и трендо-вой модели с использованием полиномов Чебышева

4. Непараметрический метод и алгоритмы динамической классификации СТО при нестационарных характеристиках классов.

5 Нейросетевой алгоритм ДК СТО в условиях нестационарности характеристик классов СТО, представляемых при помощи шкал различных типов

6 Рекуррентный метод и алгоритмы ДК с изменяющимися во времени решающими правилами отнесения объекта к классу.

7. Метод и алгоритмы динамической кластеризации (ДКЛ) СТО на основе процедуры самоорганизации кластеров.

8 Архитектура, режимы функционирования и программная реализация АСДК различных типов ОХП Научно-обоснованные рекомендации по применению АСДК СТО в составе АСУ ОХП на различных предприятиях.

Достоверность научных результатов, выводов и рекомендаций, сформулированных в диссертации, определяется корректным применением методов теории вероятностей и математической статистики, распознавания образов и идентификации, случайных процессов, нейронных сетей, нечеткой логики, вычислительной математики, автоматического управления.

Обоснованность теоретических разработок подтверждена вычислительными экспериментами на персональных компьютерах и реальными натурными экспериментами на ряде ОХП, результаты которых позволяют сделать вывод об адекватности разработанных математических моделей и работоспособности предложенных алгоритмов.

Научная новизна работы состоит в следующем

1. Впервые сформулированы содержательная и математическая постановки четырёх типов задач динамической классификации СТО' задача динамической классификации при изменяющихся признаках СТО; при нестационарных характеристиках классов СТО; при изменяющихся решающих правилах классификации; динамической кластеризации СТО.

2. Сформулированы необходимые и достаточные математические условия, при выполнении которых задача классификации объектов должна рассматриваться как задача ДК СТО.

3 Разработаны экстраполяционный метод и алгоритмы ДК при изменяющихся признаках СТО, которые основаны на использовании полиномиальных трендов, трендов с базисными функциями в виде ортогональных нормированных полиномов Чебышева и двухпараметрических нелинейных по параметрам моделей В отличие от известных, предлагаемые полиномиальные и нелинейные по параметрам модели могут применяться для ДК объектов при произвольных моментах наблюдений, а модели основе полиномов Чебышева - в условиях недостатка статистических данных о состоянии объекта и отсутствии информации о законе распределения шума наблюдений Предложены соотношения для нахождения оценок параметров разработанных моделей и методика их статистического анализа с использованием неравенства Чебышева.

4. Разработаны непараметрический метод и алгоритмы ДК СТО при нестационарных характеристиках классов, основанные на применении локального опи-

сания разделяющей классы поверхности, которые за счет разбиения области определения признаков на подобласти позволяют повысить точность ДК СТО в произвольный момент времени. Определены виды задач ДК, для решения которых целесообразно применять непараметрический метод.

5. Предложен нейросетевой алгоритм ДК при нестационарных характеристиках классов СТО, основанный на использовании гибридных нейронных сетей, отличающийся наличием процедуры расширения пространства учитываемых признаков и возможности обработки информации, представленной при помощи шкал различных типов, что позволяет значительно снизить вероятность ошибки классификации СТО.

6. Разработаны рекуррентный метод и алгоритмы ДК с изменяющимися во времени решающими правилами, использующие совмещение процедур классификации и кластеризации, алгоритмы непараметрической регрессии и нейро-нечёткой классификации, которые позволяют эффективно решать задачи ДК при их использовании в АСДК СТО при отсутствии статистической информации о распознаваемых классах и в случае сложной гиперповерхности, разделяющей классы.

7. Предложены метод и алгоритмы ДКЛ СТО на основе процедуры самоорганизации кластеров объектов, позволяющие выявлять новые, сливающиеся, расщепляющиеся, исчезающие кластеры, прогнозировать направление дрейфа центров кластеров и исследовать динамику изменения кластерного поля

8. Разработан обобщенный алгоритм функционирования АСДК СТО, использующий предложенные методы и алгоритмы для интеллектуализации решения прикладных задач классификации различных СТО химической промышленности, который характеризуется высокой степенью универсальности и позволяет за счёт уменьшения риска ошибки классификации повысить эффективность различного уровня АСУ ОХП и улучшить экономические показатели деятельности химических предприятий.

Научная значимость работы Совокупность разработанных в диссертации математических моделей, методов и алгоритмов динамической классификации представляют собой методологические основы построения автоматизированных классифицирующих систем СТО различного назначения, которые расширяют традиционную теорию распознавания образов и могут рассматриваться как новое самостоятельное научное направление в теории классификации.

Практическая значимость работы.

1 Разработанные в диссертации методы и алгоритмы построения математических моделей автоматизированной динамической классификации могут практически использоваться при создании АСУТП, АСУПр, АСУ химических предприятий и автоматизированных систем научных исследований (АСНИ) в химической технологии, что позволит повысить точность классификации ОХП.

2. На основе предложенных методов и алгоритмов с использованием среды визуального программирования BORLAND DELPHI 6 0 разработан комплекс программ автоматизированной ДК «Классификация 1», который может применяться в составе АСНИ в химической технологии, а также для исследования СТО, относящихся к различным отраслям перерабатывающей промышленности

3. Разработанный комплекс программ автоматизированной ДК СТО «Классификация 2» может найти широкое практическое применение в АСУТП, АСУПр, АСУ химических предприятий при решении задач управления ХТП и ХТС; для повышения эффективности обслуживания и ремонта сложного технологического оборудования химических предприятий и тестирования операторов химических производств.

Реализация результатов работы. Разработанный комплекс программ «Классификация 2» и научно-обоснованные рекомендации по его применению практически используются в ОАО «Дорогобуж» (Смоленская область) в составе АСУ техническим обслуживанием и ремонтом оборудования производства слабой азотной кислоты, что позволило повысить эффективность использования технологического оборудования производства слабой азотной кислоты; а также в составе автоматизированной системы тестирования операторов химических производств, что позволило повысить уровень безопасности и надёжности при эксплуатации химических предприятий.

Комплекс программ «Классификация 2» также практически используется в ОАО «Щекино-Азот» в составе АСУТП производства капролактама, что позволило повысить качество и снизить энергоёмкость готовой продукции.

Комплекс программ «Классификация 1» практически используется в в РХТУ им. Д.И. Менделеева в научных исследованиях ОХП различных типов

Основные методологические и теоретические результаты работы используются при преподавании ряда учебных дисциплин в РХТУ им Д И. Менделеева и филиале Московского энергетического института в г. Смоленске при обучении студентов по специальностям: 25.18.00 - «Основные процессы химических производств и химическая кибернетика»; 07.19 00 - «Информационные системы и технологии в химии»; 25.19.00 - «Рациональное использование материальных и энергетических ресурсов»; 06.22 00 - «Логистика»; 06.11.04 - «Информационный менеджмент».

Апробация работы. Основные результаты диссертационной работы докладывались и обсуждались на 6-й Международной школе молодых ученых (Смоленск,

2001), Межвузовском семинаре «Актуальные вопросы управления техническими и экономическими системами» (Смоленск, 2001), 2-й Всероссийской конференции «Ресурсосбережение и экологическая безопасность» (Смоленск, 2001), Областной конференции « Современные проблемы энергетики» (Смоленск, 2001), 14-й, 15-й, 16-й и 17-й Международных конференциях «Математические методы в технике и технологиях» (Смоленск, 2001; Тамбов, 2002; Ростов-на-Дону, 2003; Кострома, 2004), Международной научно-практической конференции «Логистика и экономика ресурсосбережения и энергосбережения в промышленности» (Москва, 2002); Международной научной конференции «Системы компьютерной математики и их приложения» (Смоленск, 2002), Международной научной конференции «Математические методы в интеллектуальных информационных системах» (Смоленск,

2002); Всероссийской конференции «Современные информационные технологии в медицине и экологии» (Смоленск, 2003); IX Национальной конференции по искусственному интеллекту с международным участием (Тверь, 2004); Всероссийской научной конференции «Искусственный интеллект в XXI веке (Пенза, 2004), а также

на научных семинарах в РХТУ им Д И Менделеева, филиале Московского энергетического института в г. Смоленске и Военном университете общевойсковой ПВО МО РФ.

Публикации. По теме диссертации опубликовано 43 печатных работы, из них 3 монографии, 11 статей в рецензируемых журналах.

Структура и объем работы Диссертация состоит из введения, семи глав, заключения, списка литературы, включающего 203 наименования, и приложений. Диссертация содержит 328 страниц, 51 рисунок и 17 таблиц

Оглавление диссертации

ВВЕДЕНИЕ

1 СОВРЕМЕННОЕ СОСТОЯНИЕ НАУЧНЫХ ИССЛЕДОВАНИЙ В ОБЛАСТИ КЛАССИФИКАЦИИ СЛОЖНЫХ ТЕХНОГЕННЫХ ОБЪЕКТОВ

1.1. Общая характеристика постановки и методов решения традиционных задач классификации объектов

1.1.1. Гипотеза компактности

1 1 2 Решающие правила отнесения объекта к определенному классу и риск потерь 1.1.3 Методы классификации с учителем и без учителя 1.1.4. Методы определения классификационных признаков

1.2. Особенности и типы задач динамической классификации сложных техногенных объектов

1 2.1. Задача динамической классификации при изменяющихся признаках объекта 1 2.2. Задача динамической классификации при нестационарных характеристиках классов сложных техногенных объектов

1.2 3. Задача динамической классификации сложных техногенных объектов при изменяющихся решающих правилах классификации

1.3. Анализ возможности применения известных методов для решения задач динамической классификации сложных техногенных объектов

1.3.1. Возможность применения известных методов для решения задачи динамической классификации при изменяющихся признаках объекта

13 2. Возможность применения известных методов для решения задачи динамической классификации при нестационарных характеристиках классов сложных техногенных объектов

1 3 3 Возможность применения известных методов для решения задачи динамической классификации при изменяющихся решающих правилах классификации 1 4 Особенности сложных техногенных объектов химической промышленности как объектов классификации

1 4 1 Специфические особенности различных объектов химической промышленности как объектов классификации

1 4 2. Типы задач динамической классификации объектов химической промышленности

1.5. Применение автоматизированных классификаторов в структуре автоматизированных систем управления объектами химической промышленности

1.6. Постановка целей и задач диссертационной работы

2 ЭКСТР АПОЛЯЦИОННЫЙ МЕТОД И АЛГОРИТМЫ ПОСТРОЕНИЯ МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ КЛАССА СЛОЖНЫХ ТЕХНОГЕННЫХ ОБЪЕКТОВ С ИЗМЕНЯЮЩИМИСЯ ПРИЗНАКАМИ

2.1. Экстраполяционный метод и алгоритмы построения трендовых моделей 2 1 1 Основные этапы экстраполяционного метода

2.1 2. Алгоритм построения полиномиальных трендовых моделей

2.1 3 Алгоритм построения трендовых моделей с использованием полиномов Чебышева 2.1.4. Алгоритм построения нелинейных по параметрам трендовых моделей

2.2. Обоснование критерия динамичности задачи классификации и оценка точности классификации объектов с изменяющимися признаками

2.2 1 Статистическая оценка точности классифицирующих моделей

2.2 2 Обоснование критерия динамичности для задачи классификации сложных объектов с изменяющимися признаками

2 2 3. Вероятностно-статистическая оценка погрешности определения прогнозируемого класса

2.3. Методика применения алгоритмов построения математических моделей для прогнозирования класса сложного техногенного объекта с изменяющимися признаками

2.4. Выводы

3. НЕПАРАМЕТРИЧЕСКИЙ МЕТОД И АЛГОРИТМЫ ДИНАМИЧЕСКОЙ КЛАССИФИКАЦИИ СЛОЖНЫХ ТЕХНОГЕННЫХ ОБЪЕКТОВ ПРИ НЕСТАЦИОНАРНЫХ ХАРАКТЕРИСТИКАХ КЛАССОВ

3.1. Сущность непараметрического метода динамической классификации и комплексный алгоритм динамической классификации сложных техногенных объектов

3.2. Нейросетевой алгоритм

3.3. Локальный алгоритм

3.4. Критерии проверки динамичности задачи классификации при нестационарных характеристиках классов сложных техногенных объектов

3.5. Выводы

4. РЕКУРРЕНТНЫЙ МЕТОД И АЛГОРИТМЫ ДИНАМИЧЕСКОЙ КЛАССИФИКАЦИИ С ИЗМЕНЯЮЩИМИСЯ ВО ВРЕМЕНИ РЕШАЮЩИМИ ПРАВИЛАМИ

4.1. Сущность рекуррентного метода динамической классификации

4.2. Рекуррентный алгоритм построения эталонов

4.3. Рекуррентный регрессионный алгоритм

4.4. Нейросетевые алгоритмы динамической классификации

4 4 1 Алгоритм динамической классификации на основе многослойного персептрона 4 4 2 Алгоритм динамической классификации на основе инструментальной обобщенно-регрессионной нейронной сети

4 5 Нейро-нечеткие алгоритмы динамической классификации

4 6 Сравнительная характеристика разработанных рекуррентных алгоритмов 4.7. Выводы

5. МЕТОД И АЛГОРИТМЫ ДИНАМИЧЕСКОЙ КЛАСТЕРИЗАЦИИ СЛОЖНЫХ ОБЪЕКТОВ НА ОСНОВЕ ПРОЦЕДУРЫ САМООРГАНИЗАЦИИ КЛАСТЕРОВ

5 1. Общая характеристика задачи и метода динамической кластеризации сложных техногенных объектов на основе процедуры самоорганизации кластеров

5 2 Нечетко-логические алгоритмы динамической кластеризации сложных техногенных объектов

5 2 1 Алгоритм выявление новых кластеров

5 2 2 Алгоритм выявление сливающихся и расщепляющихся кластеров

5 2 3 Алгоритм выявление дрейфа центров кластеров 5 3 Автоматизированный мониторинг структуры кластерного поля 5.4. Выводы

6. АРХИТЕКТУРА И ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ АВТОМАТИЗИРОВАННЫХ СИСТЕМ ДИНАМИЧЕСКОЙ КЛАССИФИКАЦИИ ОБЪЕКТОВ ХИМИЧЕСКОЙ ПРОМЫШЛЕННОСТИ

6.1. Обобщенная архитектура и режимы функционирования автоматизированных систем динамической классификации объектов химической промышленности

6.2. Программное обеспечение автоматизированных систем динамической классификации объектов химической промышленности

6.3. Информационное обеспечение автоматизированных систем динамической классификации объектов химической промышленности

6.3. Методика применения автоматизированных систем динамической классификации в составе асу объектами химической промышленности

6.4. Выводы

7. ПРАКТИЧЕСКОЕ ИСПОЛЬЗОВАНИЕ АВТОМАТИЗИРОВАННЫХ СИСТЕМ ДИНАМИЧЕСКОЙ КЛАССИФИКАЦИИ ОБЪЕКТОВ ХИМИЧЕСКОЙ ПРОМЫШЛЕННОСТИ НА ПРЕДПРИЯТИЯХ

7.1. Результаты практического использования автоматизированной системы динамической классификации в составе АСУТП производства капролактама

7.2. Результаты практического применения автоматизированной системы динамической классификации в составе АСУ техническим обслуживанием и ремонтом оборудования производства слабой азотной кислоты

7.3. Результаты практического применения автоматизированной системы динамической классификации в составе автоматизированной системы тестирования операторов химических производств

7.4. Выводы ЗАКЛЮЧЕНИЕ СПИСОК ЛИТЕРАТУРЫ ПРИЛОЖЕНИЯ:

Приложение 1. Визуальный интерфейс автоматизированной системы динамической классификации, используемой в составе АСУТП производства капролоктама Приложение 2. Визуальный интерфейс автоматизированной системы динамической классификации, используемой в составе АСУ техническим обслуживание и ремонтом оборудования производства слабой азотной кислоты

Приложение 3. Визуальный интерфейс автоматизированной системы динамической классификации, используемой в составе автоматизированной системы тестирования операторов химических производств

Приложение 4. Инструкции для пользователя комплексов программ АК ОХП «Классификация 1» и «Классификация 2»

Приложение 5 Статистическая информация об отказах оборудования производства слабой азотной кислоты

Приложение 6. Пример динамически изменяющегося кластерного поля показателей

надёжности оборудования производства слабой азотной кислоты

Приложение 7. Справки об использовании результатов диссертационной работы

СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность исследуемой в диссертации проблемы, формулируется цель и основные задачи исследования. Сформулированы положения, выносимые на защиту, обоснована их научная новизна и практическая значимость.

В первой главе приведена содержательная и математическая постановка традиционной задачи классификации (распознавания образов), рассмотрены её разновидности, сформулированы основные определения, используемые в работе, определены типы задач динамической классификации и общая методология их решения.

В работе показано, что наряду с задачами классификации статического типа, на практике существуют и задачи динамической классификации Так, с течением времени могут изменяться: признаки классифицируемого (распознаваемого) СТО, подобласти признакового пространства, сопоставляемые с заданными классами СТО; правила отнесения объекта к некоторому классу, т.е. решающие правила

Анализ СТО химической промышленности позволил выделить четыре основных типа задач ДК:

- задача ДК при изменяющихся признаках объекта;

- задача ДК при нестационарных характеристиках классов СТО;

- задача ДК СТО при изменяющихся решающих правилах классификации;

- задача динамической кластеризации СТО.

Показано, что одной из разновидностей задач ДК СТО является задача классификации траекторий. Однако с учетом известных результатов, полученных учеными ИПУ им. В.А. Трапезникова РАН, это направление в работе не рассматривалось.

Рассмотрены возможные варианты формулировки рассматриваемой задачи классификации при изменяющихся признаках объекта Пусть для каждого объекта а из генеральной совокупности А можно измерить набор его характеристик х(<;) = [х(здесь Т - символ транспонирования) в последовательные моменты времени /Л.. Предполагается, что в момент времени /\ может быть определен номер класса У (а) = у, который имеет рассматриваемый объект; уеОу, Иу ={1,2, ,г,. .,5"}, 5 - число классов. Задача ДК СТО состоит в том, чтобы дать прогноз номера класса у для момента /д, объекта а на основе эмпирической информации, представляющей для объекта а е А измерения его характеристик x(tJ) в моменты времени / , у = 0,1,.. , М; М < N Очевидно, в самом неблагоприятном случае необходимо исходить из следующих допущений- число имеющихся наблюдений невелико (М < 10 ); какая-либо информация о вероятностных характеристиках векторов ) и априорный ансамбль реализаций {хк) где к - номер реализации, отсутствуют; решающее правило формируется на основании некоторой априорной информации.

Такая задача названа задачей прогнозирования класса объекта или задачей ДК типа I

Сформулирована математическая постановка задачи ДК при нестационарных характеристиках классов СТО (задача ДК типа II), основанная на использовании следующего определения.

Определение 1. Под динамически изменяющимся (нестационарным) понимается класс (образ), характеристики которого изменяются во времени, причем указанные изменения приводят к существенной погрешности применения традиционных статических методов классификации объектов

Нестационарность класса определяется временными изменениями границ соответствующего множества X:(t) (кластера); информативным представителем подобного класса может служить его некий усредненный по множеству объектов в произвольный момент времени эталон, характеристики которого будут зависеть от момента усреднения. Очевидно, время t должно принадлежать определенному интервалу, в течение которого можно получать информацию о наблюдаемых объектах, формируя, в том числе, обучающую выборку, т.е. t е [0,7"]. Предполагается, что элементы обучающей выборки формируются в некоторые известные дискретные моменты

г4е[0,Г], k = \,2,...,N \ N - конечно. (1)

Относительно данных моментов и условий определения указанных элементов приняты предположение в виде следующих возможных вариантов:

1) моменты tk являются произвольными; в каждый такой момент определяется (фиксируется) только один элемент обучающей выборки, принадлежащий одному из классов;

2) моменты tk - произвольные; в каждый момент можно определить сколь угодно большую обучающую выборку, включающую в себя элементы всех распознаваемых образов (т.е время на изменение признаков одного объекта ничтожно мало по сравнению с минимальным интервалом между соседними моментами tk);

3) моменты tk являются детерминированными (эквидистантными с интервалом следования A = tk-tk_] = const); в каждый момент определяется только один элемент обучающей выборки, принадлежащий одному из классов;

4) моменты tk - эквидистантные, в каждый момент формируется сколь угодно большая обучающая выборка.

Приведенные варианты выбора моментов времени определены как варианты формирования обучающей выборки Очевидно, что выбор того или иного варианта определяется особенностями конкретной задачи классификации СТО.

Сформулирована постановка задачи ДК при изменяющихся решающих правилах классификации. В данном случае предполагается, что со временем модифицируются решающие правила П, т е П = П(х, t) при стационарных признаках исследуемого объекта х и характеристиках заданных классов s(.

Этот вариант постановки задачи ДК возникает в случае коррекции решающих правил по мере поступления (с течением времени) новой информации о классифицируемых СТО или может рассматриваться как вспомогательная задача ДК в условиях временной изменчивости (нестационарности) классов Данная задача нами названа задачей ДК типа III.

К отдельному типу задач ДК можно отнести задачи динамической кластеризации.

Результаты анализа литературы, приведённые в первой главе, позволили установить, что для решения задачи ДК типа I перспективным является методология на основе на выявлении трендов, применительно к многомерному случаю, с использованием решающих правил традиционного вида

В диссертации показано, что для решения задачи ДК типа II в условиях принятой постановки наиболее эффективным является методология, связанная с аппроксимацией разделяющей классы гиперповерхности и использующая основные идеи методов локальной аппроксимации и нейросетевьтх методов Решение задачи ДК типа III основано на исследовании рекуррентных метода и алгоритмов автоматизированной классификации (АСК), оптимальных в смысле некоторого заданного критерия. При использовании указанных алгоритмов в составе АСУТП химических предприятий таким критерием может быть, например, погрешность автоматизированной системы классификации, достигаемая при определенном объеме обучающей выборки или за определенное время работы системы АСК.

В работе выявлены особенности СТО химической промышленности как объектов классификации. Показано, что специфика классификации СТО химической промышленности в ряде случаев связана с решением задач ДК. Задачи ДК необходимо решать, например, при использовании АСУТП с моделью, при оптимизации технического обслуживания и ремонта сложного технологического оборудования химических предприятий, тестировании операторов химических производств и т д. В условиях нестационарности ХТП и ХТС, сложности применяемого технологического оборудования химических предприятий, повышение требований к качеству управления предприятиями с периодическими ХТС объективно требует применение алгоритмов решения задач ДК СТО, которые должны стать неотъемлемой составной частью алгоритмического обеспечения современных многоуровневых АСУ химической промышленности.

Вторая глава посвящена методу и алгоритмам решения задачи ДК типа I Отмечено, что метод решения этой задачи включает в себя два этапа:

1) прогнозирование вектора признаков СТО х(/,-) в заданный момент времени 1У;

2) классификация СТО по найденному прогнозу х(/Л),

при этом вспомогательную задачу прогнозирования признаков предложено решать с использованием трендовьтх моделей.

Процедура прогнозирования основана на предположении, что рассматриваемый процесс изменения переменной х(г), входящей в состав вектора признаков классифицируемого СТО, представляется в виде суммы двух составляющих - регулярной и случайной:

*(/) = /(', с)+ *(/)• (2)

Предполагается, что регулярная составляющая /(?,<:) (тренд) является гладкой функцией, описываемой конечномерным вектором параметров с, который сохраняет свои значения на периоде упреждения прогноза Случайная составляющая ¿•(I) обычно считаются некоррелированным случайным процессом с нулевым математическим ожиданием. Для /(7, с) можно, записать соотношение:

f(t,c)= IcJAt),

(3)

где f¡{t), r = 0,1,2,...m - известный набор линейно-независимых базисных функций, сг - неизвестные параметры, которые необходимо определить.

В диссертации предложены три алгоритма построения моделей трендов для прогнозирования признаков классифицируемого объекта: алгоритмы построения полиномиальных трендов, в которых в качестве базисных функций выступают степени времени t; трендов, где в качестве базисных используются ортогональные нормированные полиномы Чебышева, и двухпараметрических моделей нелинейных по параметрам трендов, при этом полиномиальные и нелинейные по параметрам модели могут применяться при произвольных моментах наблюдений, а на модели основе полиномов Чебышева - при эквидистантных моментах наблюдений В последнем случае для определения значения признака классифицируемого СТО в момент времени t используются соотношения:

полинома, А -шаг дискретизации.

В работе проведено исследование указанных экстраполяционных алгоритмов построения трендовых моделей ДК в условиях малого количество наблюдений и отсутствия информации о законе распределения шума наблюдений, предложены соотношения для нахождения оценок их параметров и методика статистического анализа моделей, основанная на неравенстве Чебышева Показано, что при прочих равных условиях наибольшую статистическую устойчивость будут иметь модели трендов, основанные на многочленах Чебышева.

Предложен критерий проверки динамичности для задачи ДК типа I, сформулированный в виде следующего утверждения.

Утверждение I Достаточным условием для принятия гипотезы о динамичности задачи классификации типа I является адекватность или избыточность постулируемой степенной модели и значимость при этом коэффициентов при первой или второй степенях ?

Если гипотеза о динамичности задачи классификации отвергается, полагается, что различия в наблюдаемых в различные моменты времени признаках СТО объясняются только действием стационарной шумовой составляющей, и для классификации необходимо использовать просто усредненные значения данных признаков.

Погрешность ДК СТО по найденной оценке прогнозируемых значений признака классифицируемого объекта для определенного момента времени предложе-

и

г = 0,1,2,...™,

1-0 \\Ф.и\\

где Фr и -полиномы Чебышева, М-количество точек, используемое для построения

но определять при помощи подбора размеров доверительной области для вектора признаков СТО так, чтобы все ее точки принадлежали какому-либо одному классу. Решающее правило классификации считается при этом заданным

Разработанная методика прогнозирования класса СТО включает выполнение этапов задания предпосылок и исходной информации; нахождения оценок параметров и определения степени используемого полинома; проверки динамичности задачи; определение номера прогнозируемого класса и вероятности ошибки прогноза. Реализация указанной методики на модельных примерах подтвердила ее работоспособность и показала, в частности, преимущества модели тренда с использованием полиномов Че-бышева в случаях равноотстоящих моментов наблюдений по сравнению с моделями других видов. Выявлено, что не учёт динамического характера задачи может привести к существенному увеличению вероятности ошибочной классификации.

Третья глава посвящена разработке метода и алгоритмов решения задачи ДК типа II.

Разработанный непараметрический метод ДК предполагает формирование решающего правила (или совокупности решающих правил), позволяющего проводить классификацию предъявляемых объектов с учетом нестационарности характеристик классов, и реализуется при помощи комплекса алгоритмов, включающего нейросетевой алгоритм на основе гибридной нейроной сети и локальный алгоритм.

Приводится разработанный алгоритм ДК типа II объектов с признаками, представленными при помощи шкал измерения различных типов, основанный на применении гибридный нейронных сетей Структура системы динамической классификации на основе гибридной нейронной сети приведена на рис. 1.

Нами разработана процедура построения и обучения указанного динамического классификатора, которая включает следующие основные этапы.

Этап 1. Определяется совокупность х, + хп признаков классифицируемых объектов и множество имен рассматриваемых классов.

Этап 2. Формируется обучающая выборка.

Рис. 1 Обобщенная блок-схема автоматизированной системы ДК СТО на основе использования гибридной нейронной сети

Этап 3. Экспертным путем определяются элементы матрицы М вида' \unOi) Нг\(х\) Иь\(х\) цп{х2) //22(х2) ••• Ц$2{х2)

М =

.¿"■„СО /"2,(»,) ■■

где функции принадлежности для количественных признаков и правила на-

хождения степеней принадлежности для качественных признаков классифицируемого объекта. Если соответствующая априорная информация отсутствует, элементы данной матрицы инициируются случайными малыми положительными значениями ц < 1.

Этап 4. Экспертным путем на основании продукционных правил ЕСЛИ-ТО задаются начальные значения элементов матрицы К (содержащей веса персеп-

тронов) вида

Я =

(5)

при этом коэффициенты г будут характеризовать некоторые причинные отношения г : х] —> 5,, отражающие знания эксперта

Этап 5. Задаются начальные значения (малые случайные числа) элементов векторов весовых коэффициентов выходных нейронов классификатора

Этап 6. На вход системы подается один из входных векторов хк(1) обучающей выборки и, в соответствии с соотношениями для гибридных нейронов скрытого слоя

1

Д =

1 +е

(6)

г, = К[гчУцч(х,)} или г, = )| / = 1,0, } = 1,п, (7)

а для четких нейронов выходного слоя - соотношениями

У™ =--—т—> /и = 1,5,

1 , -»I Р 1 + е " н

рассчитывается выход системы Если выход правильный, то осуществляется переход к шагу 7 алгоритма Иначе - осуществляется коррекция весов нейронной сети при помощи выражений

wm:=wm+/г.(y<-^)■r¿(l-r¿)p\ (8)

0<^<1.

Вектор-градиент / Зг( состоит из элементов вида

если для всех у = 1 ,п справедливо гу < (т.е в этом случае все элементы рассматриваемого вектора-градиента равны нулю); или

а остальные элементы вектора / йг =0, если для наименьшей составляющей вида шах(^, ) справедливо неравенство

maxi

г > цк.

ч гу

(12)

Этап 7. Организуется возврат к этапу 6 до выполнения правила останова

обучения.

Сформулировано и доказано следующее утверждение, характеризующее качество нейросетевого динамического классификатора

Утверждение 2 Пусть уравнение разделяющей классы поверхности в случае двух классов имеет вид

при этом функция Г(■) является непрерывной, а все признаки классифицируемых объектов приведены к одному масштабу

Тогда, если функция активации нейронов дважды непрерывно дифференцируема и нелинейна , то для любого а > 0 при восстановлении функции Г(-) в нейро-сетевом базисе вероятность ошибки нейросетевого классификатора Рош < а, при условии возможности формирования обучающей выборки требуемого размера

В диссертации предложен так называемый локальный алгоритм ДК, который может использоваться для решения задачи ДК типа II При использовании разработанного локального алгоритма ДК решение об отнесении предъявленного объекта к тому или иному классу предлагается выносить с помощью решающей функции вида регрессионного уравнения, параметры которого определяются не по всем элементам обучающей выборки, а только по М "ближайшим узлам" Использование обучающей выборки в данном случае производится в два этапа:

1) используется некоторая (начальная) произвольная подвыборка обучающей выборки;

2) обучение с сохранением (включением в базу данных модели) только ошибочно классифицируемых объекты

Локальный алгоритм ДК для случая двух классов (5, и 52) включает следующие этапы

Этап 1 Формируется начальная матрица и, содержащая N строк вида <х,.\,х1,уг \,У1,У',+\> (рассмотрены различные подходы к определению числа эле-

у =Г(х,, х2,..., х„),

ментов данной строки), где х - вектор признаков, по которым производится классификация (индекс определяет момент времени получения информации), элементы у1 могут принимать значения +1 или -1 в зависимости от принадлежности объекта к классу или я2 в момент времени /

Этап 2. Для каждой вновь вводимой точки из матрицы V выделяется подматрица Ф, содержащая М строк, соответствующих М «ближайшим узлам» к данной точке, и вектор с элементами у,.; и рассчитываются коэффициенты локальной регрессии по формуле:

а = (Фг Ф) 1 Фт ■? (13)

С учетом найденной локальной регрессии проверяется, правильно ли классифицирован объект. Если нет, то новая вектор-строка включается в матрицу и и осуществляется переход к следующему этапу алгоритма.

Если объект классифицирован правильно, то матрица и не изменяется и осуществляется переход к следующему этапу.

Этап 3. Проверяется, все ли элементы обучающей выборки рассмотрены (предъявлены). Если нет, то переход к этапу 2 алгоритма. В противном случае - останов алгоритма

На этапе использования классификатора матрица и считается сформированной, и отнесение предъявляемого объекта к тому или иному классу производится в соответствии с этапом 2 алгоритма.

Рассмотренный алгоритм учитывает локальные особенности расположения классов в пространстве признаков и является, поэтому более эффективным по сравнению с регрессионными методами.

Нами предложены критерии динамичности применительно к задаче ДК типа II, которые сформулированы в виде следующих утверждений.

Утверждение 3 Задача классификации должна рассматриваться как задача ДК типа II, если для какой-либо пары кластеров, / и не выполняется неравенство:

тах(ЛЯр ЛЯ?) «

где ЛЯе - соответственно, изменения радиусов кластеров на интервале

¡е[0,Т], й№ ~ ¡¡хэ - ¡| - расстояние между центрами кластеров,

в противном случае динамикой задачи, связанной с временными изменениями размеров кластеров можно пренебречь

Указанный критерий назван критерием учета изменения формы кластеров. В предположении , что кластеры имеют гиперэллипсоидальную форму и объекты ]-го кластера подчиняются многомерному нормальному распределению с центром (математическим ожиданием) ш = \) и ковариационной матрицей С, было сформулировано и доказано следующее утверждение

Утверждение 4 Задача классификации должна рассматриваться как задача ДК типа II, если для какого-либо кластера, входящего в рассматриваемое кластерное поле, справедливо условие

ио)т-ит)

ио)' -ио>

р.

где р - некоторый заданный пороговый уровень, %т(0) и £т(Т) - собственный вектор, соответствующий минимальному собственному числу матрицы С, соответственно, для моментов t = 0 и t = Т

В главе 4 рассмотрены постановка и алгоритмы решения задачи ДК типа III.

При разработке метода решения задачи ДК в условиях изменения решающих правил дополнительно предполагается:

1) объем экспериментальных данных достаточно большой, но заранее неизвестен; информация о вероятностных характеристиках исследуемых классов отсутствует;

2) после предъявления и классификации - с помощью сконструированного решающего правила - очередного объекта правильность классификации корректируется "учителем", т.е. работа классифицирующей системы проводится в режиме реального времени; решающее правило имеет рекуррентную форму, при этом его явная зависимость от времени отсутствует;

3) в процессе подстройки правила могут корректироваться как его параметры, так и структура, при этом подобная коррекция завершается при выполнении заданного правила останова в условиях, когда X, = const и х = const (для конкретного объекта).

В работе отмечено, что коррекцию решающего правила (совокупности решающих правил) на этапе построения автоматизированного динамического классификатора математически можно в общем случае представить соотношением:

где |пЛ (х)} - совокупность решающих правил классификатора, сконструированных после предъявления N примеров обучающей выборки, xN - вектор признаков объекта N -го обучающего примера, R - риск потерь при неправильной классификации, Н - выбранный алгоритм модификации решающих привил и/или подстройки их параметров в соответствии с данными обучающей выборки и заданным R.

Учитывая предположение об отсутствии информации о вероятностных характеристиках классов, предложены 5 рекуррентных алгоритмов построения классифицирующих систем различных типов, использующие отдельные процедуры метода эталонов, метода регрессионного анализа и нейронных сетей.

Предложенный в диссертации алгоритм кластеризации-классификации СТО представляет собой усовершенствованный рекуррентный алгоритм построения эталонов.

Основные этапы этого алгоритма поясним для простоты на примере двух отделимых классов:

1. Задание словаря признаков; нормализация признаков, исходя из априорных данных о диапазонах их изменения; параметров правила останова; задание начальных значений признаков эталонов (центров первого и второго кластера)

ЭИ 21

2. Задание N = N + 1; Nt = Nt +\. Ввод признаков объекта х = xf1' ( x,N| - N.-й пример обучающей выборки, относящийся к i-му классу).

3 Задание центра первого кластера первого из классов х^ = х,Л .

4. Задание N = N, + N2.

5 Ввод признаков очередного (следующего) объекта экспериментальной выборки х с указанием его принадлежности к первому или второму классу. Если данный объект относится к первому классу, то полагается xf' = х и выполняется коррекция характеристик эталонов:

N,=NI+1; =(1—LV'-'+J-' ' " Nt э" JV, '

после чего осуществляется переход к этапу 4. В противном случае полагается:

=х- N2=N2+1; х^ =х^

и осуществляется переход к следующему этапу алгоритма

6. Задание N0=0.

7. Задание N = + N2. Ввод признаков объекта х (с указанием его принадлежности к первому или второму классу).

8. Классификация объекта согласно решающему правилу:

i = argmin||(x-xf' ||,

I

где х"' - центр г -го кластера i -го класса (образа), / = 1,2, Vr.

Если объект классифицирован правильно, то задание N0 = N0 + 1 и проверка выполнения правила останова, в качестве которого, можно , например, использовать требование правильной классификации подряд К объектов обучающей выборки

В случае выполнении правила останова - переход к этапу 9 алгоритма; в случае невыполнения - задание N, = Nt + 1, х?' = х и коррекция центра г -го кластера х^ (ближайшего к х) выбранного (i -го) класса:

N, N, '

после чего - переход к этапу 6 алгоритма.

Если объект классифицирован неправильно, то задание нового кластера, соответствующего классу объекта. Так, если объект в действительности относится к первому классу (а ошибочно отнесен ко второму классу), то задание- Nt = N, +1,

X]V = х, х*: = x,V| (аналогичная коррекция проводится, если объект относится ко

второму классу, а ошибочно отнесен к первому), и переход к этапу 6

9. Вывод координат центров сформированных кластеров хэ с указанием их

принадлежностей к соответствующим классам. Останов алгоритма.

Приведенный рекуррентный алгоритм классификации-кластеризации существенно отличается от известных, в частности: не требует задания порогового расстояния; при неограниченных выборках данных заканчивается за конечное число шагов; гарантирует в вероятностном смысле определенную точность классификации, выполняемой классификатором; характеризуется относительной простотой с вычислительной точки зрения.

В случае сложного характера разделяющей классы поверхности для решения задачи ДК типа III предложен рекуррентный регрессионный алгоритм, основанный

на использовании непараметрической регрессии. Основным математическим соотношением алгоритма является представление разделяющей классы поверхности в форме непараметрической регрессии (интерполяционной формулы Гаусса) вида:

* ^ 1 х-с1

Г (х) =

|2

Ьг1-? '"IIх _с11

где °к - узлы интерполяции, определяемые рекуррентным образом по данным обучающей выборки, Н - обозначение квадрата Евклидова расстояния между векторами.

В четвертой главе предложены также рекуррентные нейросетевой и нейро-нечёткий алгоритмы ДК с изменяющимися во времени решающими правилами, основные шаги которых во многом соответствуют аналогичным алгоритмам ДК при нестационарных характеристиках классов.

Глава 5 посвящена исследованию задачи ДКЛ. Рассмотрена общая постановка задачи ДКЛ, дана ее характеристика и определены основные варианты постановки.

Задача ДКЛ может быть сформулирована следующим образом. Предположим, что проводится мониторинг за совокупностью динамических СТО, в каждый момент времени характеризующихся п-мерным вектором количественных признаков ху(0, где индекс у относится к номеру объекта. Измерение характеристик данных СТО осуществляется в дискретные, не обязательно равноотстоящие моменты ¡к. Через некоторые (не обязательно равные) интервалы Т проводится проверка стабильности структуры кластеров, и при необходимости, т.е. при наличии динамических изменений, - ее коррекция.

В диссертации с использованием модифицированных процедур нечеткой самоорганизации разработаны метод и алгоритмы ДКЛ в условиях появления новых кластеров; объединения и расщепления кластеров; изменения границ и центров тяжести кластеров.

Решение о появлении нового кластера принимается при условии появления в исследуемой совокупности объектов, значения характеристик которых обладают небольшими (< 0,1-0,2) значениями функций принадлежности к нечеткому множеству, определяющему выявленные и интерпретированные ранее кластеры. При этом указанные объекты должны располагаться компактно в пространстве учитываемых признаков.

Приведенные соображения использованы при построении соответствующего алгоритма выявления новых кластеров. Результаты вычислительных экспериментов подтвердили работоспособность и эффективность этого алгоритма, особенно, если все кластеры имеют форму гиперсфер.

Разработана методика мониторинга структуры кластерного поля исследуемой совокупности объектов, основанная на определении временных интервалов, в рамках которых проводится определение или коррекция кластерной структуры при динамическом изменении характеристик кластеров. Общая процедура мониторинга в

реальном времени за динамикой изменения структуры кластерного поля рассматриваемой совокупности СТО состоит из следующих этапов:

1 Организуется мониторинг за совокупностью исследуемых СТО путем фиксации признаков этих объектов в течение заданного интервала времени; зафиксированные объекты кластеризуются, например, с помощью обучения слоистой нейронной сети «без учителя».

2 Во втором и последующих временных интервалах осуществляется проверка динамических изменений структуры кластерного поля (выявление новых кластеров, сливающихся, расщепляющихся, исчезающих кластеров, а также дрейфа центров существующих кластеров) В большинстве практических ситуаций необходимыми условиями для очередной проверки структуры кластерного поля является существенное изменение гиперобъёма кластеров, который может быть определен по соотношению:

V^k ^/det(Cy),

где Cj оценка матрицы ковариаций j-ro кластера, к - коэффициент пропорциональности, зависящий от размерности признакового пространства.

3. При необходимости проводится коррекция структуры кластерного поля - в соответствии с выявленными изменениями, т.е. введение новых кластеров, уменьшение их количества за счет объединения каких-то кластеров, увеличение за счет расщепления некоторых кластеров, а также перерасчет центров кластеров при наличии их дрейфа.

4. После выявления изменений и соответствующей коррекции - использование найденной кластерной структуры по прикладному назначению (распознаванию объектов, прогнозированию поведения системы, образованной совокупностью наблюдаемых объектов и т.п.).

При программной реализации данной процедуры - для повышения ее гибкости и эффективности - могут быть использованы различные известные рекуррентные алгоритмы, например, коррекции центров кластеров и т п , подстраиваемые временные окна, методы прогнозирования возможных изменений структуры кластеров по результатам имевшихся изменений за несколько последних временных интервалов наблюдения.

Глава 6 посвящена вопросам компьютерной реализации преложенных методов и алгоритмов, и разработке научно-обоснованных рекомендаций по применению разработанных АСК СТО в составе многоуровневых АСУ ОХП

Приведено описание комплекса программ АСК ОХП «Классификация 1», реализующего разработанные методы и алгоритмы ДК и ДКЛ. Комплекс программ «Классификация 1» разработан с использованием среды визуального программирования BORLAND DELPHI 6.0 и может применяться в качестве АСНИ СТО химической промышленности.

На рис. 2 приведёна блок-схема обобщенного алгоритма функционирования указанного комплекса программ.

ДКЛ, причём их конкретный набор определяется исходя из специфики научных или практических задач исследования.

Ввод исходной информации

Определены ли классы'

Да!

4 Нет

Задачи ДКЛ _

Нет

Проверкадинамичносги задачи

№

Учет временного фактора

Задачи ДК

Метод ДКЛ на основе самоорганизации

Мониторинг структуры кластерного поля

Определение типа задачи ДК

* * г~

ДК типа 1 ДКтипа2 ДКтнпаЗ —I____I____I_

Экстрополяционный метод

Изменение характеристик кластеров?

у Нет

Есть ли изменения в структуре кластерного поля

Да I

Непараметрический метод

Интервал постоянен?

Нейросетевой

алгоритм кластеризации

Алгоритм кластеризации на

основе самоорганизации

Использование и анализ модели ДК

хЖ.

Нет и

Рекуррентный метод

Признаки разношкальные?

Алгоритм построения нелинейных моделей

Алгоритм построения моделей на

основе полиномов Чебышева

▼ Да

Нет и

Нейросетевой алгоритм

Локальный алгоритм

Сравнение и выбор модели

Алгоритм нейро-нечеткой ДК

Алгоритм классификацнн-кластеризации

Алгоритм непараметрической регрессии

Рис 2 Блок-схема обобщенного алгоритма функционирования комплекса программ

«Классификация 1»

Используя отдельные модули и видоизмененный интерфейс пользователя АСК ОХП «Классификация 1», был разработан комплекс программ «Классификация 2», который предназначен для решения практических задач ДК ОХП

В современных экономических условиях одним из важнейших путей повышения эффективности предприятий химической промышленности является разра-

ботка и широкое использование АСУТП и АСУПр. Проведенный анализ существующих АСУПр позволил выделить следующие основные тенденции' 1 Соответствие функций, выполняемых АСУПр современным стратегиям управления ресурсами MRP и MRP II

2. Повышение интеллектуальности АСУПр и её функциональных подсистем. 3 Обеспечение совместимости и интеграции АСУПр и других подсистем управления, с целью повышения эффективности управления предприятием в целом

С учетом данных требований были предложены три специализированных интеллектуальных программных модуля АСК СТО, входящих в состав комплекса программ «Классификация 2», и предназначенных для решения конкретных практических задач ДК и ДКЛ в составе АСУ ОХП различного уровня

Модули приведённого алгоритма реализуют предложенные алгоритмы ДК. Разработанный комплекс программ автоматизированной ДК СТО «Классификация 2» может найти широкое практическое применение в АСУТП, АСУПр, АСУ химических предприятий при решении задач управления ХТП и ХТС; для повышения эффективности обслуживания и ремонта сложного технологического оборудования химических предприятий и тестирования операторов химических производств.

Так интеллектуальный программный модуль АСК 1 используется для повышения эффективности управления технологическим процессом с целью снижения энергоёмкости выпускаемой продукции, АСК 2 -для оптимизации системы управления техническим обслуживанием и ремонтом оборудования химической промышленности, АСК 3 используется в составе автоматизированной системы тестирования операторов химических производств На рис 3. приведен пример применения предлагаемых интеллектуальных программных модулей в составе АСУТП химических предприятий.

В диссертации предложены научно-обоснованные рекомендации по практическому применению разработанного комплекса программ «Классификация 2» на химических предприятиях с учётом специфики конкретных химических производств

В главе 7 приведены результаты применения разработанных комплексов программ «Классификация 1 » и «Классификация 2» для решения задач повышения эффективности управления СТО в промышленности.

Разработанный комплекс программ «Классификация 2» и научно-обоснованные рекомендации по его применению практически используются в ОАО «Дорогобуж» (Смоленская область) в составе АСУ техническим обслуживанием и ремонтом оборудования производства слабой азотной кислоты. Химико-технологическая система производства слабой азотной кислоты включает колонное оборудование, реакторы, теплообменники, холодильники, паровые турбины, блоки разделения воздуха, компрессоры воздушных и аммиачных насосов, котлы-утилизаторы и другое оборудование.

Соединения азота при высокой температуре и избыточном давлении являются сильноагрессивными средами, что обуславливает повышенные требования к эффективности обслуживания и ремонта оборудования Нами, на основе анализа статистических данных об отказах оборудования производства слабой азотной кислоты и рассчитанных значениях показателя экономической эффективности использования оборудования, было выделено два основных класса указанного оборудования Показано, что

значения характеристик указанных классов существенно изменяются во времени (за нулевой отсчет выбран момент начала эксплуатации), т е имеет место задача ДК типа II.

в ОПУ и в АСУ Ремон-

Параметры ХТП и оборудования

ПД ТП - патоки данных о ХТП, ПД ОУ - потоки данных операторского управления, СОД - ТП - система сбора и обработки данных о параметрах ХТП , СОД - оборудование - система сбора и обработки данных о параметрах оборудования

Рис 3. Применение модулей комплекса программ «Классификация 2» в составе АСУ

химических предприятий

На рис.4 показано, как изменяются характеристики рассматриваемых классов ОХП во времени (для расчета показателя экономической эффективности использования оборудования / использовались приведенные затраты, отнесенные к максимальным. Размерность интенсивности потока отказов X - [час ~']*103) Очевидно,

что не учёт временного фактора не позволяет классифицировать состояние указанных ОХП с допустимой точностью классификации.

Рис 4 Изменение характеристик классов состояния оборудования производства слабой азотной кислоты в течение периода эксплуатации

Используя разбиение эксплуатируемого оборудования на классы в соответствии с его фактическим состоянием, при помощи комплекса программ «Классификация 2», рассчитан прогноз состояния указанного оборудования на 4 года вперед. Использование предложенных непараметрического метода и алгоритмов решения задачи ДК позволило рассчитать оптимальную стратегию планирования технического обслуживания и ремонта и обеспечения потребностей в ЗИП и материалах. Разработанные научно-обоснованные рекомендации позволили снизить число внеплановых останов оборудования производства слабой азотной кислоты на 23%, что позволило увеличить выпуск готовой продукции на 14%, повысить коэффициент использования оборудования на 8%, рентабельность производства на 6%.

Комплекс программ «Классификация 2», также используется в ОАО «Доро-гобуж» в автоматизированной системе тестирования операторов сложных ХТС, что позволяет получать интегрированную оценку возможностей оператора выполнять возложенные на него функции в течение заданного периода времени.

Результаты применения комплекса программ «Классификация 2» позволили повысить уровень безопасности при эксплуатации оборудования химических предприятий.

Комплекс программ «Классификация 2» и научно-обоснованные рекомендации по его применению практически используется в ОАО «Щекино-Азот» в составе АСУТП производства капролактама Важную роль в технологии производства капролактама играют процессы ректификации многокомпонентных смесей (МКС), позволяющие выделять целевые продукты требуемого качества Системы ректификации (СР) являются наиболее энергоемкими подсистемами рассмотренной ХТС, определяют качество выпускаемой продукции и существенно влияют на экономическую эффективность химического предприятия в целом.

Более 50% затрат на ректификацию МКС составляют эксплуатационные затраты на греющий пар и охлаждающую воду. Задача управления процессом ректификации была сформулирована следующим образом Для существующей СР, при заданных параметрах физико-химических свойств компонентов и смесей, динами-

ческих и статических характеристиках ректификационных колонн по каналам управления и возмущения необходимо обеспечить выделение целевых продуктов заданного качества при минимизации приведенных затрат, соответствующих оптимальным удельным расходам греющего пара и охлаждающей воды

Используя в качестве математической модели ХТТТ, модель, созданную на основе экстраполяционных метода и алгоритмов ДК, была построена АСУ с моделью, применение которой позволило снизить энергоёмкость продукции на 6%.

Комплекс программ «Классификация 1», практически используется в РХТУ им. Д.И. Менделеева в исследованиях ОХП.

В приложении приведены визуальные интерфейсы АСДК, используемой в составе АСУТП производства капролактама; в составе АСУ техническим обслуживание и ремонтом оборудования производства слабой азотной кислоты в составе автоматизированной системы тестирования операторов химических производств. Инструкции для пользователя комплексов программ автоматизированной динамической классификации ОХП «Классификация 1» и «Классификация 2». Статистическая информация об отказах оборудования производства слабой азотной кислоты. Пример динамически изменяющегося кластерного поля показателей надёжности оборудования производства слабой азотной кислоты. Справки об использовании результатов диссертационной работы

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Сформулированы содержательная и математическая постановки четы задач четырёх типов динамической классификации СТО: задачи ДК в условиях временных изменений признаков объекта, нестационарности характеристик классов; решающих правил и ДКЛ. Сформулированы необходимые и достаточные математические условия, при выполнении которых задача классификации должна рассматриваться как задача ДК.

2. Разработаны экстраполяционный метод и алгоритмы ДК при изменяющихся признаках СТО, которые основаны на использовании полиномиальных трендов, трендов с базисными функциями в виде ортогональных нормированных полиномов Чебышева и двухпараметрических нелинейных по параметрам моделей. В отличие от известных, предлагаемые полиномиальные и нелинейные по параметрам модели могут применяться для ДК СТО при произвольных моментах наблюдений, а модели на основе полиномов Чебышева - в условиях недостатка статистических данных о состоянии СТО и отсутствии информации о законе распределения шума наблюдений Предложены соотношения для нахождения оценок параметров разработанных моделей и методика их статистического анализа, основанная на неравенстве Чебышева.

3. Разработаны непараметрический метод и алгоритмы ДК СТО при нестационарных характеристиках классов, основанные на применении локальных моделей кластерного поля, которые за счет разбиения области определения признаков на подобласти позволяют повысить точность ДК СТО в произвольный момент времени Определены виды динамических задач классификации, для решения которых целесообразно применять непараметрический метод классификации.

4. Предложен нейросетевой алгоритм ДК при нестационарных характеристиках классов СТО, основанный на использовании гибридных нейронных сетей, отличающийся наличием процедуры расширения пространства учитываемых признаков и возможности обработки информации, представленной при помощи шкал различных типов, что позволяет значительно снизить вероятность ошибки классификации СТО.

5. Разработаны рекуррентный метод и алгоритмы ДК с изменяющимися во времени решающими правилами, использующие совмещение процедур классификации и кластеризации, алгоритмы непараметрической регрессии и нейро-нечёткой классификации, которые позволяют эффективно решать задачи ДК при их использовании в составе систем автоматизированной классификации СТО ОХП при отсутствии статистической информации о распознаваемых классах и в случае сложной гиперповерхности, разделяющей классы.

6. Предложены метод и алгоритмы ДКЛ СТО на основе процедуры самоорганизации кластеров, позволяющие выявлять новые, сливающиеся, расщепляющиеся, исчезающие кластеры, прогнозировать направление дрейфа центров кластеров и исследовать динамику изменения кластерного поля.

7. Разработан обобщенный алгоритм функционирования автоматизированной системы динамической классификации, использующий предложенные методы и алгоритмы для интеллектуализации решения прикладных задач по классификации СТО химической промышленности, который характеризуется высокой степенью универсальности и позволяет за счёт уменьшения риска ошибки распознавания повысить эффективность АСУ различного уровня и повысить экономическую эффективность химических предприятий.

8 Показано, что разработанные в диссертации методы и алгоритмы построения математических моделей автоматизированной ДК могут практически использоваться при создании АСУТП, АСУПр, АСУ химических предприятий и АСНИ в химической технологии, что позволит повысить точность классификации ОХП

9. На основе предложенных методов и алгоритмов с использованием среды визуального программирования BORLAND DELPHI 6.0 разработан комплекс программ автоматизированной ДК «Классификация 1», который может применяться в составе АСНИ в химической технологии, а также для исследования СТО, относящихся к различным отраслям перерабатывающей промышленности

10 Разработанный комплекс программ автоматизированной ДК СТО «Классификация 2» может найти широкое практическое применение в АСУТП, АСУПр, АСУ химических предприятий при решении задач управления ХТП и ХТС; для повышения эффективности обслуживания и ремонта сложного технологического оборудования химических предприятий и тестирования операторов химических производств.

11 Разработанный комплекс программ «Классификация 2» и научно-обоснованные рекомендации по его применению практически используются в ОАО «Дорогобуж» (Смоленская область) в составе АСУ техническим обслуживанием и ремонтом оборудования производства слабой азотной кислоты, что позволило снизить число внеплановых останов оборудования производства слабой азотной кислоты на 23%, увеличить выпуск готовой продукции на 14%, повысить коэффици-

ент использования оборудования на 8%, рентабельность производства на 6%; а также в составе автоматизированной системы тестирования операторов химических производств, что позволило повысить уровень безопасности при эксплуатации оборудования химических предприятий.

12. Комплекс программ «Классификация 2» практически используется в ОАО «Щекино-Азот» в составе АСУ 111 производства капролактама, что позволило повысить качество готовой продукции и снизить её энергоёмкость на 6%

13. Комплекс программ «Классификация 1» практически используется в РХТУ им. Д.И. Менделеева в научных исследованиях ОХП различных типов

14. Основные методологические и теоретические результаты работы используются при преподавании ряда учебных дисциплин в РХТУ им Д.И Менделеева и филиале Московского энергетического института в г. Смоленске при обучении студентов химико-технологических и организационно-управленческих специальностей.

Результаты диссертации опубликованы в следующих работах. Монографии

1 Гимаров В А. Методы динамической классификации сложных объектов - М.: Физматлит, 2004, 364 с.

2. Гимаров В.А , Дли М.И , Круглое В.В , Мешалкин В.П. Методы распознавания нестационарных образов - М.: Физматлит, 2002, 124 с.

3 Гимаров В.А , Зайцевский И В., Мешалкин В.П. Локальные математические модели для управления промышленным предприятием - М : Физматлит, 2003. 120 с.

Статьи в журналах, рекомендованных ВАК РФ

4 Гимаров В А , Дли М.И, Круглое В.В Задачи распознавания нестационарных образов //Известия РАН Теория и системы управления, 2004, №3, С 13-16

5. Гимаров В.А. Прогнозирование класса химико-технологического объекта с изменяющимися признаками // Известия Вузов Химия и химическая технология, 2004, т. 47, №2, С. 91-99

6. Гимаров В.А , Дли М.И. Динамическая кластеризация состояния химико-технологического оборудования // Известия Вузов Химия и химическая технология, 2004, т. 47, №8, С. 143-147

7. Гимаров В А., Дли М И., Гимаров В В Задача распознавания динамически изменяющихся образов: формулировка задачи и перспективы решения // Программные продукты и системы. Приложение к журналу Проблемы теории и практики управления , 2001, №3, С.28-30

8 Гимаров В А Нейро-нечеткий идентификатор // Нейрокомпьютеры: разработка и применение, 2003, № 2, С 15-17

9. Гимаров В. А , Дли МИ, Кругл ов В В Временная изменчивость образов // Вестник МЭИ, 2003, № 2, С.8-11

10 Гимаров В А., Дли М.И Прогнозирование номера образа по текущим характеристикам объекта // Программные продукты и системы Приложение к журналу Проблемы теории и практики управления , 2003, № 2, С 17-20

11 Гимаров В А Сходство и различие систем классификации на основе коллектива решающих правил и методов нечёткой логики// Нейрокомпьютеры' разработка и применение, 2004, № 11, С 33-35

12 Гимаров В А. , Дли М И., Битюцкий С Я Задачи нестационарной кластеризации состояния нефтехимического оборудования // Нефтегазовое дело, 2004, №2,С 36-38 13. Гимаров В.А., Дли М.И , Битюцкий С Я Нейро-нечеткий метод классификации объектов с разнотипными признаками// Системы управления и информационные технологии, 2004, N 4(16), с. 12-17

14 Гимаров В.А., Дли МИ Применение нейронных сетей для классификации сложных объектов // Программные продукты и системы Приложение к журналу Проблемы теории и практики управления , 2004, № 3, С. 16-19

Статьи в сборниках трудов научных конференций

15. Гимаров В.А., Мешалкин В.П Эволюционно-апроксимационные методы распознавания экологических ситуаций // Ресурсосбережение и экологическая безопасность: Сб докл. 3-й Всерос науч конф , Смоленск, 2001, С 17-18

16. Гимаров В А., Мешалкин В П Программная система поддержки принятия инновационных решений // Актуальные вопросы современной энергетики: Тез.докл. обл.науч.-практ. конф., Смоленск, 2001, С. 42-43

17 Гимаров В.А , Дли М И , Окунев Б В Об одном подходе к решению задачи экстраполяции в область // Новые информационные технологии в науке и образовании- Мат 2-го гор. семин , Смоленск, 2000, С 3-5

18 Гимаров В А , Дли М И К вопросу о точности и достоверности результатов использования непараметрических моделей // Математические методы в технике и технологиях' Сб тр. Межд науч конф Смоленск, СФМЭИ, СГГГУ, 2001, С.43-45

19 Гимаров В.А , Система поддержки принятия решений на основе локально-аппроксимационных моделей // Математические методы в технике и технологиях: Сб тр. Межд. науч.конф Т.4. Смоленск, СФМЭИ, СГПУ, 2001, С 48-49

20 Гимаров В А., Гимаров В В Нейросетевые методы распознавания динамическх образов // Актуальные вопросы управления техническими и экономическими системами: Сб.тр межвуз сем ,Смоленск: ВУ ОВПВО МО РФ, 2000, С 58-60

21 Гимаров В А., Дли М И. Метод коллективного распознавания с использованием нечетких описаний // Актуальные вопросы управления техническими и экономическими системами' Сб тр межвуз сем , Смоленск: Воен. ун-т ОВПВО МО РФ, 2001, С. 60-62

22 Гимаров В.А., Дли М.И., Битюцкий С Я Применение нейронных сетей для классификации динамических объектов // Математические методы в интеллектуальных информационных системах- Сб тр Межд науч кон Смоленск, 2002,С 57-59 23. Гимаров В А , У Хунг Май Методы и задачи распознавания нестационарных образов // Математические методы в интеллектуальных информационных системах ' Сб тр Межд. науч конф Смоленск, СФМЭИ, 2002, С.59-61

24 Гимаров В А , Битюцкий С Я , Гимаров В В Использование метода прогнозируемых эталонов в задачах распознавания образов // Математические методы в интеллектуальных информационных системах' Сб тр Межд науч конф. Смоленск, СФМЭИ, 2002, С.61-64

25.Гимаров В А., Гимаров В.В Сходство и различие распознавателей, построенных на основе решающих правил и методов нечеткой логики // Математические методы в интеллектуальных информационных системах: Сб тр Межд. науч конф Смоленск, СФМЭИ, 2002, С.64-66

26. Гимаров В А , Ограниченность нейросетевого подхода при прогнозировании нестационарных временных рядов // Математические методы в интеллектуальных информационных системах' Сб.тр Межд науч конф Смоленск, СФМЭИ, 2002, С. 66-68

27.Гимаров В А., Дли МИ, Ялов В.П., Битюцкий С.Я. Метод прогнозируемых эталонов для решения задачи распознавания экстраполяционного типа // Математические методы в технике и технологиях: Сб.тр. 15 Межд науч конф. Тамбов, 2002, С.48-52

28. Гимаров В А., Дли М.И., Битюцкий С Я. Использование нейросетей типа GRNN и MLP для классификации сложных объектов // Математические методы в технике и технологиях: Сб.тр. 15 Межд. науч.конф. Тамбов, 2002, С 52-56

29 Гимаров В А , Битюцкий С.Я. Нейросетевой метод классификации сложных объектов // Системы компьютерной математики и их приложения: Сб тр. Межд. науч. конф., Смоленск, 2002, С.26-28

30. Гимаров В.А Ситуационное управление в менеджменте // Логистика и экономика ресурсосбережения и энергосбережения в промышленности: Сб. тр. Межд науч. конф.. М.: РХТУ им. Д И. Менделеева, 2002,С. 60-64

31 Гимаров В А , Дли M И , Гимаров В.В. Нейро-нечеткий идентификатор // Математические методы в технике и технологиях: Сб. тр. XVI Межд. науч конф.: РГАСХМ ГОУ, Ростов н/Д, 2003, С. 35-38

32. Гимаров В А , Дли M И , Битюцкий С Я. Методы построения адаптивных систем нечеткого логического вывода // Математические методы в технике и технологиях : Сб. тр. XVI Межд. науч. конф : РГАСХМ ГОУ, Ростов н/Д, 2003, С. 38-40

33. Гимаров В.А Влияние вида функций принадлежности на эффективность логико-лингвистических нечетких множеств // Математические методы в технике и технологиях • Сб тр XVI Меж. науч. конф.: РГАСХМ ГОУ, Р. н/Д, 2003, С.41-43

34. Гимаров В.А. Прогнозирование уровня брака на выходе технологической линии // Математические методы в технике и технологиях' Сб трудов XVII Международ науч. конф.: Т. 2. - Кострома- изд-во Костр. гос технол ун-та, 2004, С. 31-33

35 Гимаров В.А , Дли М.И Динамические задачи классификации объектов // Математические методы в технике и технологиях: Сб трудов XVII Международ науч. конф.: Т. 2 - Кострома- изд-во Костр. гос технол. ун-та, 2004, С 33-36

36 Гимаров В. А., Дли М. И., Битюцкий С Я. Системы классификации на основе коллектива решающих правил и методов нечеткой логики// Искусственный интеллект в XXI веке: Сб. тр. Всерос. науч. конф, ПГТУ,2004, С.27-29

Рукописи, депонированные в ВИНИТИ РАН и свидетельства о регистрации

программ для ЭВМ

37 Гимаров В А , Дли М.И , Битюцкий С Я Методы распознавания динамических образов //СФМЭИ- 2001, Деп в ВИНИТИ РАН, №1615-В2001,24 с.

38 Гимаров В.А , Козенков Д М , Дли М И Использование методов нечеткой логики в алгоритмах коллективного распознавания // филиал ГОУ ВПО МЭИ(ТУ) в г. Смоленске. - Деп В ВИНИТИ РАН, № 96 - В2002, 18 с

39 Гимаров В.А , Дли М И , Битюцкий С Я Нейросетевые методы классификации сложных объектов / филиал ГОУ ВПО МЭЩТУ) в г Смоленске - Деп. В ВИНИТИ РАН - № 97 - В2002, 26 с

40 Гимаров В А , Дли М И, Битюцкий С.Я Метод прогнозируемых эталонов для решения задачи распознавания экстраполяционного типа / филиал ГОУ ВПО МЭЩТУ) в г. Смоленске - Деп В ВИНИТИ РАН - № 98 - В2002, 16 с

41 Гимаров В. А , Дли МИ, Козенков Д.М, Стоянова О В Локально-аппроксимационные подходы к распознаванию нестационарных образов /СФМЭИ -Деп. В ВИНИТИ РАН - № 99 - В2002, 11с

42. Гимаров В А., Дли М И, Гимаров В В., Битюцкий С.Я. Программа распознавания динамически изменяющихся образов СГАЯМос!. Свидетельство о регистрации программ для ЭВМ в РОСАПО № 2002610879 от 24 07.2001

43 Гимаров В А , Дли М.И., Гимаров В.В., Битюцкий С Я Программа классификации динамически изменяющихся объектов ЯАЗРОТМ 1.0 Свидетельство о регистрации программ для ЭВМ в РОСАПО № 20044612330 от 13 10.2004

В работах, написанных в соавторстве, Гимарову В А принадлежат следующие результаты (общий объём 7,3 ус.п.л.): в [1-4,7,9,10,15-19,26-30] предложены разновидности задачи ДК и определены основные методы их решения, в [5,6,12-14, 39-41] предложены подходы к реализации методов ДК в составе АСУ СТО, в [2125] исследованы свойства предлагаемых методов решения задачи ДК типа II, в [3740] сформулированы и доказаны утверждения, определяющие необходимые и достаточные математические условия, при выполнении которых задача классификации должна рассматриваться как задача ДК, в [42,43] применение предложенных алгоритмов ДК для разработки программного обеспечения комплексов программ АК СТО.

1ЮС. НАЦИОНАЛЬНА ВИСЛИОТЕКА С Петербург !

' 01 не № I

Формат 60X84/16 Тираж 100 Заказ 2574/2 Печ листов 1.0 Отпечатано в типографии ООО «Принт-Экспресс» Лиц ПЛД №71-38 от 07 09 99 г г Смоленск, проспект Гагарина, 21, т • (0812) 32-80-70

»27095

РНБ Русский фонд

2006-4 757

<

!

i

ВВЕДЕНИЕ.

1. СОВРЕМЕННОЕ СОСТОЯНИЕ НАУЧНЫХ ИССЛЕДОВАНИЙ В ОБЛАСТИ КЛАССИФИКАЦИИ СЛОЖНЫХ ТЕХНОГЕННЫХ ОБЪЕКТОВ.

1.1. Общая характеристика постановки и методов решения традиционных задач классификации объектов.

1.2. Особенности и типы задач динамической классификации сложных техногенных объектов.

1.3. Анализ возможности применения известных методов для решения задач динамической классификации сложных техногенных объектов.

1.4. Особенности сложных техногенных объектов химической промышленности как объектов классификации.

1.5. Применение автоматизированных классификаторов в структуре автоматизированных систем управления объектами химической промышленности

1.6. Постановка целей и задач диссертационной работы.

2. ЭКСТРАПОЛЯЦИОННЫЙ МЕТОД И АЛГОРИТМЫ ПОСТРОЕНИЯ МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ КЛАССА СЛОЖНЫХ ТЕХНОГЕННЫХ ОБЪЕКТОВ С ИЗМЕНЯЮЩИМИСЯ ПРИЗНАКАМИ.

2.1. Экстраполяционный метод и алгоритмы построения трендовых моделей.

2.2. Обоснование критерия динамичности задачи классификации и оценка точности классификации объектов с изменяющимися признаками.

2.3. Методика применения алгоритмов построения математических моделей для прогнозирования класса сложного техногенного объекта с изменяющимися признаками.

2.4. Выводы.

-33. НЕПАРАМЕТРИЧЕСКИЙ МЕТОД И АЛГОРИТМ ДИНАМИЧЕСКОЙ КЛАССИФИКАЦИИ СЛОЖНЫХ ТЕХНОГЕННЫХ ОБЪЕКТОВ ПРИ НЕСТАЦИОННАРНЫХ ХАРАКТЕРИСТИКАХ КЛАССОВ.

3.1. Сущность непараметрического метода динамической классификации и комплексный алгоритм динамической классификации сложных техногенных объектов.

3.2. Нейросетевой алгоритм.

3.3. Локальный алгоритм.

3.4. Критерии проверки динамичности задачи классификации при нестационарных характеристиках классов сложных техногенных объектов

3.5.Выводы.

4. РЕКУРРЕНТНЫЙ МЕТОД И АЛГОРИТМЫ ДИНАМИЧЕСКОЙ КЛАССИФИКАЦИИ С ИЗМЕНЯЮЩИМИСЯ ВО ВРЕМЕНИ РЕШАЮЩИМИ ПРАВИЛАМИ.

4.1. Сущность рекуррентного метода динамической классификации сложных техногенных объектов.

4.2. Рекуррентный регрессионный алгоритм.

4.3. Нейросетевые алгоритмы динамической классификации.

4.4. Нейро-нечеткие алгоритмы динамической классификации.

4.5. Сравнительная характеристика разработанных рекуррентных алгоритмов.

4.6. Выводы.

5. МЕТОД И АЛГОРИТМЫ ДИНАМИЧЕСКОЙ КЛАСТЕРИЗАЦИИ СЛОЖНЫХ ОБЪЕКТОВ НА ОСНОВЕ ПРОЦЕДУРЫ САМООРГАНИЗАЦИИ КЛАСТЕРОВ.

5.1. Общая характеристика задачи и метода динамической кластеризации сложных техногенных объектов на основе процедуры самоорганизации кластеров.

5.2. Нечетко-логические алгоритмы динамической кластеризации сложных техногенных объектов.

5.3. Автоматизированный мониторинг структуры кластерного поля

5.4. Выводы.

6. АРХИТЕКТУРА И ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ АВТОМАТИЗИРОВАННЫХ СИСТЕМ ДИНАМИЧЕСКОЙ КЛАССИФИКАЦИИ ОБЪЕКТОВ ХИМИЧЕСКОЙ ПРОМЫШЛЕННОСТИ.

6.1. Обощенная архитектура и режимы функционирования автоматизированных систем динамической классификации объектов химической промышленности.

6.2. Программное обеспечение автоматизированных систем динамической классификации объектов химической промышленности.

6.3. Информационное обеспечение автоматизированных систем динамической классификации объектов химической промышленности.

6.4. Методика применения автоматизированных систем динамической классификации в составе АСУ объектами химической промышленности

6.5. Выводы.

7. ПРАКТИЧЕСКОЕ ИСПОЛЬЗОВАНИЕ АВТОМАТИЗИРОВАННЫХ СИСТЕМ ДИНАМИЧЕСКОЙ КЛАССИФИКАЦИИ ОБЪЕКТОВ ХИМИЧЕСКОЙ ПРОМЫШЛЕННОСТИ НА ПРЕДПРИЯТИЯХ

7.1. Результаты практического применения автоматизированной системы динамической классификации в составе АСУТП производства капролактама.

7.2. Результаты практического применения автоматизированной системы динамической классификации в составе АСУ техническим обслуживанием и ремонтом оборудования производства слабой азотной кислоты.

7.3. Результаты практического применения автоматизированной системы динамической классификации в составе автоматизированной системы тестирования операторов химических производств.

7.4. Выводы.

В настоящее время методы и алгоритмы классификации сложных объектов или ситуации нашли широкое применение при решении научно- исследовательских задач и задач автоматизированного управления системами различной природы. Это во многом определило большое количество фундаментальных и прикладных работ по данному научному направлению. Широко известны фундаментальные труды отечественных и зарубежных учёных по теории идентификации и классификации объектов: С.А. Айвазяна, М.А. Ай-зермана, Е.В. Баумана, Э.М. Бравермана, С.Я. Виленкина, А.Д. Гвишиани, Р. Гонсалеса, Ф. Груна, А.А. Дорофеюка, Ю.И. Журавлева, А.Г. Ивахненко, JI.A. Растригина, С.А. Редкозубова, В.С Мхитаряна, Дж. Ту, К. Фуканаги, ЯЗ. Цыпкина, Р.Х. Эренштейна и др.

На современных химических предприятиях алгоритмы классификации используются в автоматизированных системах управления (АСУ) различного уровня (АСУ предприятием (АСУП), АСУ производством (АСУПр), АСУ технологическими процессами (АСУТП) и т.д.) для обеспечения требуемого качества управления и поддержки принятия решений по различным аспектам производственной деятельности. Основные подходы к решению задач классификации (распознавания) и идентификации объектов при управлении химико-технологическими процессами (ХТП) и химическими производствами, которые представляют собой химико-технологические системы (ХТС) различного уровня сложности, изложены в работах В.В. Кафарова, В.П. Мешал-кина, С.В. Егорова, А.Ф. Егорова, И.Н. Дорохова, Д.П. Вента, Б.В. Палюха и др.

В большинстве современных постановок задачи автоматизированной классификации (распознавания образов) предполагается, что характеристики рассматриваемых классов объектов, и принятые правила классификации с течением времени практически не изменяются.

Между тем, на практике при исследовании сложных техногенных объектов (СТО) достаточно часто встречаются ситуации, когда указанные характеристики классов объектов неизменными считать нельзя, и в этом случае речь может идти о временной изменчивости классов (образов). Примерами таких динамических изменений могут служить объекты техники на различных этапах их жизненного цикла, нестационарные объекты химической промышленности (ОХП), объекты природы и биологические объекты, подверженные влиянию техногенных факторов.

При решении задач классификации СТО нами будут рассматриваться следующие типы ОХП: отдельные ХТП; отдельные аппараты и машины химической технологии; ХТС или химические производства; химические предприятия в целом.

В автоматизированных системах классификации СТО химической промышленности, во-первых, существует объективная изменчивость, связанная с процессом измерения параметров ХТП и ХТС. Каждый датчик, использующийся в АСУТП, порождает аддитивный и/или мультипликативный шум; шум квантования возникает в процессе дискретизации аналоговых сигналов. Систематические ошибки измерения не приводят к возникновению изменчивости при условии, что искажения всегда одинаковы. На практике в АСУ ОХП применяются датчики с различными искажениями в различных рабочих диапазонах, что приводит к возникновению изменчивости измеряемых характеристик классифицируемых СТО химической промышленности. Вторым источником изменчивости измеряемых характеристик ОХП может быть шум или искажения, вносимые каналами связи или промежуточными элементами обработки данных, разделяющими источник информации и измерительную систему.

Труднее всего поддается описанию третья составляющая изменчивости характеристик ОХП, когда с течением времени структура кластеров объектов изменяется - т.е. какие-то СТО с течением времени начинают обладать некоторыми новыми свойствами, например, образуют группу ОХП, функционирование которых находится на границе их катастрофического изменения, другие объекты подобные свойства теряют и т.п. В таком случае структура Ь кластеров претерпевает временные изменения и становится динамической, т.е. образуется динамическое кластерное поле.

Примерами классифицирующих систем с изменяющимися во времени (♦ правилами классификации также являться системы, работающие в режиме реального времени и использующие информацию о классифицируемых СТО для коррекции вида и/или параметров решающих правил отнесения объекта к некоторому классу. Такие ситуации возникают, когда классификацию СТО нужно делать не на одновременно заданном множестве объектов, а на объектах, возникающих по одному или небольшими группами при реализации автоматизированной процедуры классификации.

В настоящее время специальные методы автоматизированной динамической классификации только начинают разрабатываться. Впервые задача динамической кластеризации, как разновидность задачи классификации, была сформулирована в работах А.А. Дорофеюка, В.Е. Баумана, С. Синха, В. 9 Ганеса, П. Луниса, X. Хейкена. Однако, хорошо проработанным является только направление динамического классификационного анализа данных, изложенное в трудах ученых А.А. Дорофеюка, В.Е. Баумана, А.Л. Чернявского, которое связанно в основном с методами классификации траекторий. Таким образом, задачи ДК СТО реально существуют на практике, однако разработка математических постановок, методов и алгоритмов ДК СТО не носит в полной мере систематического целенаправленного характера. Указанные обстоятельства затрудняют построение автоматизированных систем классификации (АСК), как важнейших компонентов АСУТП, АСУПр и АСУП, способных работать в рассмотренных динамических режимах, что снижает качество распознавания или вообще не позволяют получать приемлемые результаты решения задачи классификации.

На основании вышеизложенного научная проблема разработки теории и методов ДК СТО, а также принципов создания математического, алгоритмического и программного обеспечения АСК СТО, позволяющих решать задачи ДК СТО, является актуальной научной проблемой, имеющая важное значение для развития математических методов и алгоритмов моделирования СТО и интеллектуализации решения прикладных задач при построении АСУ ОХП.

Основные разделы диссертации выполнялись в рамках комплексных программ социально-экономического развития Смоленской области на 19982000 г.г. и 2001-2004 г.г., и их содержание соответствует перечню критических технологий, определяемых политикой РФ в области науки и технологии на период до 2010 г. - «Компьютерное моделирование» и «Искусственный интеллект».

Цель работы. Разработать теорию, методы и алгоритмы динамической классификации сложных техногенных объектов на основе применения современных методов интеллектуального анализа информации, что позволит при помощи построения математических моделей автоматизированных динамических классификаторов повысить качество функционирования АСУ ОХП.

Применить разработанные методы, алгоритмы и комплексы программ автоматизированной динамической классификации СТО, предназначенные для автоматизации производства и интеллектуальной поддержки процессов управления и необходимой для этого обработки данных, в АСУП, АСУПр и АСУТП химических предприятий для повышения качества управления ХТП производства капролактама, повышения эффективности обслуживания и ремонта оборудования производства слабой азотной кислоты, а также для повышения уровня технологической безопасности химического производства на основе тестирования операторов химических производств, что будет способствовать повышению экономической эффективности химических предприятий.

Для реализации указанной цели поставлены и решены следующие задачи.

-91. Разработка математического описания задач динамической классификации (распознавания) СТО. Выявление и анализ разновидностей задач ДК СТО. Выработка общих методологических подходов к решению указанных задач ДК СТО.

2. Разработка и исследование методов и алгоритмов ДК при изменяю* щихся признаках СТО и при нестационарных характеристиках классов СТО.

3. Разработка и исследование методов и алгоритмов ДК СТО при изменяющихся решающих правилах отнесения объектов к определённому классу.

4. Создание методического аппарата построения математических моделей автоматизированных систем кластеризации СТО в условиях динамического изменения характеристик выявляемых кластеров, а также структуры кластерного поля.

5. Разработка принципов программной реализации алгоритмов решения задач ДК СТО ОХП. Проведение вычислительных экспериментов по исследованию свойств указанных алгоритмов. Разработка архитектуры и режимов функционирования автоматизированных систем ДК и методики их интеграфа ции в состав АСУ ОХП.

6. Разработка научно-обоснованных рекомендаций по практическому применению разработанных автоматизированных систем динамической классификации (АСДК) ОХП на различных химических предприятиях.

Методы исследования. В диссертации используются методы теории вероятностей и математической статистики, распознавания образов и идентификации, случайных процессов, нейронных сетей, нечеткой логики, вычислительной математики, автоматического управления. Основные положения, выносимые на защиту:

1. Теоретико-математический аппарат описания динамических задач Щ классификации и кластеризации СТО.

2. Методологические подходы к построению математических моделей для решения задач автоматизированной ДК СТО.

- 103. Экстраполяционный метод и алгоритмы построения математических моделей для прогнозирования класса СТО с изменяющимися признаками классифицируемых СТО. Алгоритмы построения полиномиальной трендовой модели и трендовой модели с использованием полиномов Чебышева.

4. Непараметрический метод и алгоритмы динамической классификации СТО при нестационарных характеристиках классов.

5. Нейросетевой алгоритм ДК СТО в условиях нестационарности характеристик классов СТО, представляемых при помощи шкал различных типов.

6. Рекуррентный метод и алгоритмы ДК с изменяющимися во времени решающими правилами отнесения объекта к классу.

7. Метод и алгоритмы динамической кластеризации (ДКЛ) СТО на основе процедуры самоорганизации кластеров.

8. Архитектура, режимы функционирования и программная реализация АСДК различных типов ОХП. Научно-обоснованные рекомендации по применению АСДК СТО в составе АСУ ОХП на различных предприятиях.

Обоснованность научных результатов и выводов диссертационной работы определяется корректным применением методов математической статистики, теории распознавания образов и идентификации, теории случайных процессов, нейронных сетей и нечеткой логики, методов вычислительной математики и теории автоматического управления.

Достоверность основных результатов и выводов диссертации подтверждается хорошим совпадением результатов вычислительных экспериментов с реальными натурными экспериментами на ряде объектов химической промышленности, которое свидетельствует об адекватности разработанных математических моделей, работоспособности предложенных алгоритмов и комплексов программ.

Научная новизна работы состоит в следующем.

1. Сформулированы содержательная и математическая постановки четырёх типов задач динамической классификации СТО: задача динамической классификации при изменяющихся признаках СТО; при нестационарных характеристиках классов СТО; при изменяющихся решающих правилах классификации; динамической кластеризации СТО.

2. Сформулированы необходимые и достаточные математические условия, при выполнении которых задача классификации объектов должна рассматриваться как задача ДК СТО.

3. Разработаны экстраполяционный метод и алгоритмы ДК при изменяющихся признаках СТО, которые основаны на использовании полиномиальных трендов, трендов с базисными функциями в виде ортогональных нормированных полиномов Чебышева и двухпараметрических нелинейных по параметрам моделей. В отличие от известных, предлагаемые полиномиальные и нелинейные по параметрам модели могут применяться для ДК объектов при произвольных моментах наблюдений, а модели на основе полиномов Чебышева - в условиях недостатка статистических данных о состоянии объекта и отсутствии информации о законе распределения шума наблюдений. Предложены соотношения для нахождения оценок параметров разработанных моделей и методика их статистического анализа с использованием неравенства Чебышева.

4. Разработаны непараметрический метод и алгоритмы ДК СТО при нестационарных характеристиках классов, основанные на применении локального описания разделяющей классы поверхности, которые за счет разбиения области определения признаков на подобласти позволяют повысить точность ДК СТО в произвольный момент времени. Определены виды задач ДК, для решения которых целесообразно применять непараметрический метод.

5. Предложен нейросетевой алгоритм ДК при нестационарных характеристиках классов СТО, основанный на использовании гибридных нейронных сетей, отличающийся наличием процедуры расширения пространства учитываемых признаков и возможности обработки информации, представленной при помощи шкал различных типов, что позволяет значительно снизить вероятность ошибки классификации СТО.

- 126. Разработаны рекуррентный метод и алгоритмы ДК с изменяющимися во времени решающими правилами, использующие совмещение процедур классификации и кластеризации, алгоритмы непараметрической регрессии и нейро-нечёткой классификации, которые позволяют эффективно решать задачи ДК при их использовании в АСДК СТО при отсутствии статистической информации о распознаваемых классах и в случае сложной гиперповерхности, разделяющей классы.

7. Предложены метод и алгоритмы ДКЛ СТО на основе процедуры самоорганизации кластеров объектов, позволяющие выявлять новые, сливающиеся и расщепляющиеся, кластеры, прогнозировать направление дрейфа центров кластеров и исследовать динамику изменения кластерного поля.

8. Разработан обобщенный алгоритм функционирования АСДК СТО, использующий предложенные методы и алгоритмы для интеллектуализации решения прикладных задач классификации различных СТО химической промышленности, который характеризуется высокой степенью универсальности и позволяет за счёт уменьшения риска ошибки классификации повысить эффективность различного уровня АСУ ОХП и улучшить экономические показатели деятельности химических предприятий.

Научная значимость работы. Совокупность разработанных в диссертации математических моделей, методов и алгоритмов динамической классификации представляют собой методологические основы построения автоматизированных классифицирующих систем СТО различного назначения, которые расширяют традиционную теорию распознавания образов.

Практическая значимость работы.

1. Разработанные в диссертации методы и алгоритмы построения математических моделей автоматизированной динамической классификации могут практически использоваться при создании АСУТП, АСУПр, АСУ химических предприятий и автоматизированных систем научных исследований (АСНИ) в химической технологии, что позволит повысить точность классификации ОХП.

- 132. На основе предложенных методов и алгоритмов с использованием среды визуального программирования BORLAND DELPHI 6.0 разработан комплекс программ автоматизированной ДК «Классификация 1», который может применяться в составе АСНИ в химической технологии, а также для исследования СТО, относящихся к различным отраслям перерабатывающей промышленности.

3. Разработанный комплекс программ автоматизированной ДК СТО «Классификация 2» может найти широкое практическое применение в АСУТП, АСУПр, АСУ химических предприятий при решении задач управления ХТП и ХТС; для повышения эффективности обслуживания и ремонта сложного технологического оборудования химических предприятий и тестирования операторов химических производств.

Реализация результатов работы. Разработанный комплекс программ «Классификация 2» и научно-обоснованные рекомендации по его применению практически используются в ОАО «Дорогобуж» (Смоленская область) в составе АСУ техническим обслуживанием и ремонтом оборудования производства слабой азотной кислоты, что позволило повысить эффективность использования технологического оборудования производства слабой азотной кислоты; а также в составе автоматизированной системы тестирования операторов химических производств, что позволило повысить уровень технологической безопасности и надёжности при эксплуатации оборудования химических предприятий.

Комплекс программ «Классификация 2» также практически используется в ОАО «Щекиноазот» в составе АСУТП производства капролактама, что позволило повысить качество и снизить энергоёмкость готовой продукции.

Комплекс программ «Классификация 1» практически используется в в РХТУ им. Д.И. Менделеева в научных исследованиях ОХП различных типов.

7.4. ВЫВОДЫ

В данной главе были рассмотрены результаты использования автоматизированной системы динамической классификации, программным обеспечением которой является комплекс «Классификация 2», для решения различных практических задач. По итогам главы можно сделать следующие выводы.

1. Технологические процессы химической промышленности представляют собой сложные нелинейные объекты управления, характеризующиеся, во многих случаях, значительной инерционностью. Повышение эффективности управления этими объектами возможно за счет использования адаптивных АСУТП, обеспечивающих автоматическую коррекцию параметров настройки регуляторов в зависимости от изменения свойств объекта управления.

2. Использование системы динамической классификации в составе АСУТП было рассмотрено на примере процесса ректификации производства капролактама. На основе анализа статистических данных были выделены классы состояния процесса ректификации, характеризующиеся различным уровнем потребления энергоресурсов. С помощью алгоритмов динамической классификации была построена модель прогнозирования параметров процесса ректификации, использование которой позволило повысить эффективность системы управления процессом и снизить его энергоемкость.

-2943. В условиях современного химического производства большое значение имеет планирование сроков проведения обслуживания и ремонта оборудования. От установленных межремонтных сроков службы зависит суммарная продолжительность простоев и ремонтов и, как следствие, экономическая эффективность деятельности предприятия. Эффективное решение указанной задачи невозможно без прогнозирования технического состояния оборудования в различные периоды времени.

4. Результаты прогноза состояния оборудования производства слабой азотной кислоты с помощью моделей динамической классификации, позволили разработать рекомендации по выбору оптимальных сроков проведения технического обслуживания и ремонта для оборудования каждого из выделенных классов. Это в свою очередь, позволило снизить число внеплановых остановок оборудования производства слабой азотной кислоты и увеличить выпуск готовой продукции.

5. Анализ особенностей профессиональной деятельности операторов химических производств, проведенный в данной главе, позволяет отнести задачу прогнозирования работоспособности оператора к классу задач динамической классификации.

Как было показано в работе включение систем динамической классификации в состав автоматизированной системы тестирования операторов химических производств позволяет повысить надежность системы управления технологическими процессами, за счет повышения надежности оператора как одного из элементов этой системы.

6. Эффективность разработанной автоматизированной системы динамической классификации подтверждается результатами ее практического применения на предприятиях химической отрасли ОАО «Щекино-Азот» и ОАО «Дорогобуж».

-295-ЗАКЛЮЧЕНИЕ

В результате проведённого диссертационного исследования были получены следующие основные результаты

1. Сформулированы содержательная и математическая постановки четы задач четырёх типов динамической классификации СТО: задачи ДК в условиях временных изменений признаков объекта, нестационарности характеристик классов; решающих правил и ДКЛ. Сформулированы необходимые и достаточные математические условия, при выполнении которых задача классификации должна рассматриваться как задача ДК.

2. Разработаны экстраполяционный метод и алгоритмы ДК при изменяющихся признаках СТО, которые основаны на использовании полиномиальных трендов, трендов с базисными функциями в виде ортогональных нормированных полиномов Чебышева и двухпараметрических нелинейных по параметрам моделей. В отличие от известных, предлагаемые полиномиальные и нелинейные по параметрам модели могут применяться для ДК СТО при произвольных моментах наблюдений, а модели на основе полиномов Чебышева - в условиях недостатка статистических данных о состоянии СТО и отсутствии информации о законе распределения шума наблюдений. Предложены соотношения для нахождения оценок параметров разработанных моделей и методика их статистического анализа, основанная на неравенстве Чебышева.

3. Разработаны непараметрический метод и алгоритмы ДК СТО при нестационарных характеристиках классов, основанные на применении локальных моделей кластерного поля, которые за счет разбиения области определения признаков на подобласти позволяют повысить точность ДК СТО в произвольный момент времени. Определены виды динамических задач классификации, для решения которых целесообразно применять непараметрический метод классификации.

4. Предложен нейросетевой алгоритм ДК при нестационарных характеристиках классов СТО, основанный на использовании гибридных нейронных сетей, отличающийся наличием процедуры расширения пространства учитываемых признаков и возможности обработки информации, представленной при помощи шкал различных типов, что позволяет значительно снизить вероятность ошибки классификации СТО.

5. Разработаны рекуррентный метод и алгоритмы ДК с изменяющимися во времени решающими правилами, использующие совмещение процедур классификации и кластеризации, алгоритмы непараметрической регрессии и нейро-нечёткой классификации, которые позволяют эффективно решать задачи ДК при их использовании в составе систем автоматизированной классификации СТО ОХП при отсутствии статистической информации о распознаваемых классах и в случае сложной гиперповерхности, разделяющей классы.

6. Предложены метод и алгоритмы ДКЛ СТО на основе процедуры самоорганизации кластеров, позволяющие выявлять новые, сливающиеся, расщепляющиеся, исчезающие кластеры, прогнозировать направление дрейфа центров кластеров и исследовать динамику изменения кластерного поля.

7. Разработан обобщенный алгоритм функционирования автоматизированной системы динамической классификации, использующий предложенные методы и алгоритмы для интеллектуализации решения прикладных задач по классификации СТО химической промышленности, который характеризуется высокой степенью универсальности и позволяет за счёт уменьшения риска ошибки распознавания повысить эффективность АСУ различного уровня и повысить экономическую эффективность химических предприятий.

8. Показано, что разработанные в диссертации методы и алгоритмы построения математических моделей автоматизированной ДК могут практически использоваться при создании АСУТП, АСУПр, АСУ химических предприятий и АСНИ в химической технологии, что позволит повысить точность классификации ОХП.

-2979. На основе предложенных методов и алгоритмов с использованием среды визуального программирования BORLAND DELPHI 6.0 разработан комплекс программ автоматизированной ДК «Классификация 1», который может применяться в составе АСНИ в химической технологии, а также для исследования СТО, относящихся к различным отраслям перерабатывающей промышленности.

10. Разработанный комплекс программ автоматизированной ДК СТО «Классификация 2» может найти широкое практическое применение в АСУТП, АСУПр, АСУ химических предприятий при решении задач управления ХТП и ХТС; для повышения эффективности обслуживания и ремонта сложного технологического оборудования химических предприятий и тестирования операторов химических производств.

11. Разработанный комплекс программ «Классификация 2» и научно-обоснованные рекомендации по его применению практически используются в ОАО «Дорогобуж» (Смоленская область) в составе АСУ техническим обслуживанием и ремонтом оборудования производства слабой азотной кислоты, что позволило снизить число внеплановых остановок оборудования производства слабой азотной кислоты на 23%, увеличить выпуск готовой продукции на 14%, повысить коэффициент использования оборудования на 8%, рентабельность производства на 6%; а также в составе автоматизированной системы тестирования операторов химических производств, что позволило повысить уровень безопасности при эксплуатации оборудования химических предприятий.

12. Комплекс программ «Классификация 2» практически используется в ОАО «Щекино-Азот» в составе АСУТП производства капролоктама, что позволило повысить качество готовой продукции и снизить её энергоёмкость на 6%.

13. Комплекс программ «Классификация 1» практически используется в РХТУ им. Д.И. Менделеева в научных исследованиях ОХП различных типов.

-29814. Основные методологические и теоретические результаты работы используются при преподавании ряда учебных дисциплин в РХТУ им. Д.И. Менделеева и филиале Московского энергетического института в г. Смоленске при обучении студентов химико-технологических и организационно-управленческих специальностей.

-299

1. Ту Дж., Гонсалес Р. Принципы распознавания образов. М.: Мир,

2. Вапник В.Н., Червоненкис А.Я. Теория распознавания образов. М.: Наука, 1974.

3. Фукунага К. Введение в статистическую теорию распознавания образов. М.: Наука, 1979.

4. Кузин JI.T. Основы кибернетики: В 2-х т.т. Т.2. Основы кибернетических моделей. М.: Энергия, 1979.

5. Патрик Э. Основы теории распознавания образов. М.: Сов. радио,1980.

6. Распознавание образов: состояние и перспективы / К.Верхаген, Р.Дёйн, Ф.Грун и др. М.: Радио и связь, 1985.

7. Лбов Г.С., Старцева Н.Г. Логические решающие функции и вопросы статистической устойчивости решений. Новосибирск: Изд-во Ин-та математики, 1999.

8. Загоруйко Н.Г. Прикладные методы анализа данных и знаний. Новосибирск: Изд-во Ин-та математики, 1999.

9. Singh. S. Dynamic Pattern Recognition for Temporal Data // Proc. 5th European Congress on Intelligent Techniques and Soft Computing (EUFIT'97), Aachen, Germany, 1997. Vol 3. P. 1993-1997.

10. Gunes V., Loonis P., Menard M. A Fuzzy Petri Net for Pattern Recognition: Application to Dynamic Classes // Knowledge and Information Systems. 2002. Vol. 4. Issue 1. P. 112-128.

11. Ротштейн А.П., Познер M., Ракитянская А.Б. Нейро-нечеткая модель прогнозирования результатов спортивных игр // В сб. трудов 8-й Всероссийской конф. "Нейрокомпьютеры и их применение" НКП-2002. М., 2002. С. 251-263.

12. Депман И .Я. История арифметики. М.: Просвещение, 1965.

13. Пустыгин С.С. Моделирование систем динамического распознавания образов с использованием UML // Международная студенческая школа-семинар "Новые информационные технологии". Судак, 2002.

14. Рамбо Дж., Буч Г., Якобсон A. UML: специальный справочник. СПб.: Питер, 2001.

15. Блинков Ю. А., Григорьев В. Н., Орел А. А. Объектно-ориентированное программирование. Статические элементы модели. URL: ■http://o1d.sgu.ru/users/matmodel/tutorial/tutor4.

16. Ларин М.В. Управление документацией и новые информационные технологии. М.: Научная книга, 1998.

17. Бугаев В.Ю., Белоцерковский А.В. Информационно поисковая аналитическая система PCBIRS 3.0 // Мир ПК. 1997. № 12. С. 54-57.

18. Бугаев В.Ю. Индексация информационных массивов в PCBIRS 3.2 // Мир ПК. 1999. № 8. С.76-79.

19. Башев А.Н. Организация пространства взаимодействующих популяций лугового мотылька Loxostege sticticalis L. // Сибирский экологический журнал. 1999. № 4. С. 453-466.

20. Герасименко Г.Г., Ипатов B.C., Трофимец В.И. Динамическая классификация заболоченных сосново-еловых лесов на скалах // Ботанический журн. 1998. №2. С. 13-24.

21. Герасименко Г.Г., Ипатов B.C., Салтыковская Т.О. Динамическая классификация заболоченных сосняков // Ботанический журн. 1998. № 3. С. 1-15.

22. Караушев А.В. Общие и некоторые частные вопросы теории русловых процессов и склоновой эрозии // Труды ГГИ. 1972. Вып. 191. С. 5-22.

23. Боровиков В. STATISTICA: искусство анализа данных на компьютере. Для профессионалов. СПб.: Питер, 2001.

24. Cochrane J.H. Time Series for Macroeconomics and Finance. Chicago: Business University of Chicago, 1997.

25. Neumaier A., Schneider T. Estimation of parameters and eigenmodes of multivariate autoregressive models // ACM Transactions on Mathematical Software. 2001. Vol. 27. №. 1. P. 27-57.

26. Neumaier A., Schneider T. Algorithm 808: ARFit a Matlab package for the estimation of parameters and eigenmodes of multivariate autoregressive models // ACM Transactions on Mathematical Software. 2001. Vol. 27. №. 1. P. 58-65.

27. Проблемы прогнозирования некоторых макроэкономических показателей/ Р.М.Энтов, В.П.Носко, А.Д.Юдин и др. М.: Ин-т экономики переходного периода, 2002. URL: http://www.iet.ru.

28. Чернявский А.Л., Бауман Е.В., Дорофеюк А.А. Методы динамического классификационного анализа данных // Искусственный интеллект. 2002. № 2. С. 290-297.

29. Бауман Е.В., Дорофеюк А.А. Классификационный анализ данных // Избранные труды Международной конференции по проблемам управления. Т.1. М.: СИНТЕГ, 1999. С. 62-67.

30. Дорофеюк А.А. Задача многомерного структурного прогнозирования и методы ее решения // Искусственный интеллект. 2002. № 2. С. 108-109.42.3аенцев И.В. Нейронные сети: основные модели. Воронеж: ВГУ,1999.

31. Зубков А.В. Предсказание многомерных временных рядов с помощью нейросетей // Информационные технологии. 2002. № 2. С. 20-29.

32. Круглов В.В., Борисов В.В. Гибридные нейронные сети. Смоленск: Русич, 2001.

33. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия Телеком, 2001.

34. Funahashi K.-J. On the approximate relation of continuous mapping by neural networks //Neural Networks. 1989. № 2. P. 183-192.

35. Горбань A.H., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996.

36. Редкозубов С.А. Статистические методы прогнозирования в АСУ. М.: Энергоиздат, 1981.

37. Кендэл М. Временные ряды. М.: Финансы и статистика, 1981.

38. Коршунов Ю.М., Бобиков А.И. Цифровые сглаживающие и преобразующие системы. М.: Энергия, 1969.

39. Абраменкова И.В., Круглов В.В., Дли М.И. Мультимодельный метод прогнозирования процессов с переменной структурой. М.: Физматлит, 2003.52.3аде J1. Понятие лингвистической переменной и ее применения. М.: Мир, 1976.

40. Кофман А. Введение в теорию нечетких множеств. М.: Радио и связь, 1982.

41. Планирование эксперимента в исследовании технологических процессов / К. Хартман, Э. Лецкий, В. Шефер и др. М.: Мир, 1977.

42. Круг Г.К., Кабанов В.А., Фомин Г.А. Планирование эксперимента в задачах нелинейного оценивания и распознавания образов. М.: Наука, 1981.

43. Цыпкин Я.З. Адаптация и обучение в автоматических системах. М.: Наука, 1968.

44. Васильев В.И. Распознающие системы. Киев: Наукова думка, 1969.

45. Айзерман М.А., Браверман Э.М., Розоноэр Л.И. Теоретические основы метода потенциальных функций в задаче об обучении автоматов разделению входных ситуаций на классы // Автоматика и телемеханика. 1964. № 6. С. 917-936.

46. Браверман Э.М. О методе потенциальных функций // Автоматика и телемеханика. 1965. № 12. С. 2205-2213.

47. Айзерман М.А., Браверман Э.М., Розоноэр Л.И. Метод потенциальных функций в теории обучающих машин. М.: Наука, 1970.

48. Гайдышев И. Анализ и обработка данных: специальный справочник. СПб.: Питер, 2001.

49. Логовский А.С. Зарубежные нейропакеты: современное состояние и сравнительные характеристики//Нейрокомпьютер. 1998. № 1,2. С. 13-26.

50. Дьяконов В.П., Абраменкова И.В., Круглов В.В. MATLAB 5.3.1 с пакетами расширений. М.: Нолидж, 2001.

51. Дьяконов В.П., Круглов В.В. Математические пакеты расширения MATLAB. Специальный справочник. СПб.: Питер, 2001.

52. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. М.: Физматлит, 2001.

53. Комарцова Л.Г., Максимов А.В. Нейрокомпьютеры. М.: Изд-во МГТУ им. Н.Э. Баумана, 2002.

54. Галушкин А.И. О современных направлениях развития нейрокомпьютеров//Нейрокомпьютер. 1997. № 1,2. С. 5-22.

55. Галушкин А.И. Современные направления развития нейрокомпьютеров // Зарубежная радиоэлектроника. Успехи современной радиоэлектроники. 1998. № 1. С. 12-26.

56. Zadeh L.A. Fuzzy sets // Information and Control. 1965. V.8. P. 338353.

57. Заде JI.A. Размытые множества и их применение в распознавании образов и кластер-анализе / В кн.: Классификация и кластер. М.: Мир, 1980. С. 208-247.

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

59. Блишун А.Ф., Знатнов Ю.С. Обоснование операций теории нечетких множеств // Сб. науч. тр. "Нетрадиционные модели и системы с нечеткими знаниями". М.: Энергоиздат, 1991. С. 21 23.

60. Мелихов А.Н., Бернштейн J1.C., Коровин С.Я. Ситуационные советующие системы с нечеткой логикой. М.: Наука, 1990.

61. Нечеткие множества и теория возможностей. Последние десятилетия / Под ред. P.P. Ягера. М.: Радио и связь, 1986.

62. Прикладные нечеткие системы / Под ред. Т. Терано, К. Асаи, М. Сугэно. М.: Мир, 1993.

63. Девятков В.В. Системы искусственного интеллекта. М.: Изд-во МГТУ им. Н. Э. Баумана, 2001.

64. Леоненков А.В. Нечеткое моделирование в среде MATLAB и fuz-zyTECH. СПб.: БХВ-Петербург, 2003.

65. Kosko В. Fuzzy systems as universal approximators // In Proc. of the 1-st IEEE International Conference On Fuzzy Systems. San Diego, 1992. P. 153 162.79.0совский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2002.

66. Ивахненко А.Г. Самообучающиеся системы распознавания и автоматического управления. Киев: Техника, 1969.

67. Дуда P.O., Фоссум X. Классификация образов посредством последовательно определяемых линейных и кусочно-линейных разделительных функций // В кн.: Техническая кибернетика за рубежом. М.: Машиностроение, 1968. С. 34-58.

68. Аоки М. Введение в методы оптимизации. М.: Наука, 1977.

69. Райбман Н.С., Чадеев В.М. Построение моделей процессов производства. М.: Энергия, 1975.

70. Перельман И.И. Оперативная идентификация объектов управления. М.: Энергоиздат, 1982.

71. Растригин Л.А., Эренштейн Р.Х. Коллектив решающих правил как метод классификации // Тезисы Международного симпозиума "Теоретические проблемы распознавания образов и ситуаций". Варна, 1972. С. 29 30.

72. Растригин Л.А., Эренштейн Р.Х. О принятии решений коллективом решающих правил // Приборостроение. 1973. №. 11. С. 31 35.

73. Растригин Л.А. Эренштейн Р.Х. Коллектив алгоритмов для обобщения алгоритмов решения задач // Техническая кибернетика. 1978. № 2. С. 116 -126.

74. Растригин Л.А., Эренштейн Р.Х. Принятие решений коллективом решающих правил в задачах распознавания образов // Автоматика и телемеханика. 1975. № 9. С. 134 144.

75. Растригин Л.А., Эренштейн Р.Х. Метод коллективного распознавания. М.: Энергоиздат, 1981.

76. Репин В.Г., Философов Л.В. Об оптимальном совместном использовании алгоритмов распознавания // Радиотехника и электроника. 1969. № 6. С. 73-78.

77. Больдур Дж. О групповом принятии решений // В кн.: Социология в математике. Новосибирск: СОАН СССР. 1970. С. 16-28.

78. Миркин Б.Г. Проблема группового выбора. М.: Наука, 1974.

79. Бауман Е.В., Дорофеюк А.А. Классификационный анализ данных // Избранные труды Междунар. конф. по проблемам управления. Том 1. — М.: СИНТЕГ, 1999.

80. Браверман Э.М., Мучник И.Б. Структурные методы обработки эмпирических данных. М.: Наука, 1983.

81. Bauman E.V., Dorofeyuk А.А. Types of fuzzines in clustering // Intelligent Techniques and Soft Computing. Verlag Mainz, Aachen, 1997.

82. Бауман Е.В. Методы размытой классификации (вариационный подход) // Автоматика и телемеханика. 1988. - №12.

83. Бахвалов Н.С. Численные методы (анализ, алгебра, обыкновенные дифференциальные уравнения). М.: Наука, 1975.98.0ртега Дж., Рейнболдт В. Итерационные методы решения нелинейных систем уравнений со многими неизвестными. М.: Мир, 1975.

84. Бахвалов Н.С., Жидков Н.П., Кобельков Г.М. Численные методы. М.: Лаборатория Базовых Знаний, 2000.

85. Романенко А.Ф., Сергеев Г.А. Вопросы прикладного анализа случайных процессов. М.: Сов. радио, 1968.

86. Левин Б.Р. Теоретические основы статистической радиотехники. В 2-х т.т. М.: Сов. радио, 1969.

87. Сейдж Э., Мелса Дж. Теория оценивания и ее применение в связи и управлении. М.: Связь, 1976.

88. Виленкин С .Я. Статистическая обработка результатов исследования случайных функций. М.: Энергия, 1979.

89. Тихонов В.И. Статистическая радиотехника. М.: Радио и связь,1982.

90. Тихонов В.И., Харисов В.Н. Статистический анализ и синтез радиотехнических устройств и систем. М.: Радио и связь, 1991.

91. Вентцель Е.С., Овчаров Л.А. Теория случайных процессов и ее инженерные приложения. М.: Наука, 1991.

92. Андерсон Т. Статистический анализ временных рядов. М.: Мир,1976.

93. Демиденко Е.З. Линейные и нелинейные регрессии. М.: Финансы и статистика, 1981.

94. Себер Дж. Линейный регрессионный анализ. М.: Мир, 1980.

95. Стренг Г. Линейная алгебра и ее применения. М.: Мир, 1980.

96. Демидович Б.П., Марон И.А., Шувалова Э.Э. Численные методы анализа. М.: Наука, 1967.-308112. Милн В.Е. Численный анализ. М.: ИЛ, 1951.

97. Дьяконов В.П. Справочник по алгоритмам и программам на языке бейсик для персональных ЭВМ. М.: Наука, 1987.

98. Львовский Е.Н. Статистические методы построения эмпирических формул. М.: Высш. шк., 1988.

99. Дьяконов В.П., Круглов В.В. Научно-технические расчеты на Турбо-Паскале. Справочное пособие. Смоленск: Смоленский филиал МЭИ, 1996.

100. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. В 2-х кн. М.: Финансы и статистика, 1986.

101. Айвазян С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики. М.: ЮНИТИ, 1998.

102. Справочник по теории вероятностей и математической статистике / B.C. Королюк, Н.И.Портенко, А.В.Скороход, А.Ф.Турбин. М.: Наука,1985.

103. Корн Г., Корн Т. Справочник по математике для научных работников и инженеров. М.: Наука, 1974.

104. Питмен Э. Основы теории статистических выводов. М.: Мир,1986.

105. Гмурман В.Е. Теория вероятностей и математическая статистика. М.: Высш. шк., 1977.

106. Румшиский Л.З. Элементы теории вероятностей. М.: Наука, 1970.

107. Федоров В.В. Теория оптимального эксперимента. М.: Наука,1971.

108. Дженкинс Г., Ватте Д. спектральный анализ и его приложения. Вып. 1. М.: Мир, 1971.

109. Круг Г.К., Сосулин Ю.А., Фатуев В.А. Планирование эксперимента в задачах идентификации и экстраполяции. М.: Наука, 1977.

110. Евдокимов А.Г. Минимизация функций. Харьков: Издательское объединение "Вища школа", 1977.-309127. Банди Б. Методы оптимизации. Вводный курс. М.: Радио и связь,

111. Изерман Р. Цифровые системы управления. М.: Мир, 1984.

112. Сергиенко А.Б. Цифровая обработка сигналов. СПб.: Питер, 2002.

113. Медведев B.C., Потемкин В.Г. Нейронные сети. MATLAB 6. М.: ДИАЛОГ-МИФИ, 2002.

114. Нейронные сети. STATISTICA Neural Networks. М.: Горячая линия Телеком, 2000.

115. Зелкин A.M. Особенности применения радиально базисной ней-росети в условиях небольшой выборки исходных данных//Труды VIII Всероссийской конференции "Нейрокомпьютеры и их применение" НКП-2002. Москва, 2002. С. 1082-1088.

116. Габдрахманова Н.Т. Информационный подход к построению адекватных нейросетевых моделей//Труды VIII Всероссийской конференции "Нейрокомпьютеры и их применение" НКП-2002. Москва, 2002. С. 908-912.

117. Вентцель Е.С. Теория вероятностей: Учеб. для вузов. 6-е изд. стер. М.: Высшая школа, 1999.

118. Катковник В.Я. Непараметрическая идентификация и сглаживание данных. М.: Наука, 1985.

119. Директор С., Рорер Р. Введение в теорию систем. М.: Мир, 1974.

120. Сигорский В.П. Математический аппарат инженера. Киев: Техника, 1975.

121. Куо Б. Теория и проектирование цифровых систем управления М.: Машиностроение, 1986.

122. Вапник В.Н. Задача обучения распознаванию образов. М.: Знание, 1970.

123. Лбов Г.С., Старцева Н.Г. Сложность распределений в задачах классификации // Докл. РАН. 1994. Т. 338. № 5. С. 592-594.

124. Адаптивные системы и их приложения / Ред. А.В.Медведев. Новосибирск: Наука, 1978.-310142. Обучающиеся алгоритмы в системах управления и обработки информации. Новосибирск: Наука, 1978.

125. Обработка информации и принятие решений в условиях неопределенности. Фрунзе: Изд-во "Илим", 1980.

126. Деревицкий Д.П., Фрадков A.JI. Прикладная теория дискретных адаптивных систем управления. М.: Наука, 1981.

127. Зеленский К.Х., Игнатенко В.Н., Коц А.П. Компьютерные методы прикладной математики. Киев: Дизайн В, 1999.

128. Статистические методы в инженерных исследованиях / В.П.Бородюк, А.П.Вощинин, А.З.Иванов и др. М.: Высш. шк., 1983.

129. Дюк В. Обработка данных на ПК в примерах. СПб.: Питер, 1997.

130. Дюк В., Самойленко A. Data mining (учебный курс). СПб.: Питер,2001.

131. Крылов В.И., Бобков В.В., Монастырный П.И. Вычислительные методы. В 2-х т.т. М.: Наука, 1976.

132. Мак-Кракен Д., Дорн У. Численные методы и программирование на Фортране. М.: Мир, 1977.

133. Ялов В.П. Методы и алгоритмы адаптивной нечеткой классификации сложных объектов: Автореф. дис. канд. техн. наук. М., 2002.

134. Эксперимент на дисплее: первые шаги вычислительной техники / Автор предисловия А.А.Мигдал. -М.: Наука, 1970.

135. Уоссермен Ф. Нейрокомпьютерная техника. М.: Мир, 1992.

136. Ranganath S. and Arun К. Face recognition using transform features and neural networks// Pattern Recognition. 1997. Vol. 30.P. 1615-1622.

137. Rowley H. A., Baluja S., Kanade T. Neural Network-Based Face Detection // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1998. Vol. 20. P. 23-37.

138. Foltyniewicz R. Efficient High Order Neural Network for Rotation, Translation and Distance Invariant Recognition of Gray Scale Images. Lecture

139. Notes in Computer Science Computer Analysis of Images and Patterns. 1995. P. 424-431.

140. Dai Y. and Nakano Y. Recognition of facial images with low resolution using a Hop field memory model // Pattern Recognition. 1998. Vol. 31. P. 159167.

141. Milanova M., Almeida P. E. M., Okamoto J. and Simoes M. G. Applications of Cellular Neural Networks for Shape from Shading Problem. Lecture Notes in Artificial Intelligence Machine Learning and Data Mining in Pattern Recognition, 1999. P. 51-63.

142. Gutta S. and Wechsler H. Face recognition using hybrid classifiers // Pattern Recognition. 1997. Vol. 30. P. 539-553.

143. Самаль Д.И., Старовойтов B.B. Подходы и методы распознавания людей по фотопортретам. Минск.: ИТК НАНБ, 1998.

144. Belhumeur P. N., Hespanha J. P. and Kriegman D. J. Eigenfaces vs Fisherfaces: Recognition Using Class Specific Linear Projection // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1997. Vol. 19. P. 711-720.

145. Vetter Т., Poggio T. Linear Object Classes and Image Synthesis From a Single Example Image // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1997. Vol. 19. P. 733-742.

146. Valentin D., Abdi H., O'Toole A. J. and Cottrell G. W. Connectionist models of face processing: a survey // Pattern Recognition. 1994. Vol. 27. P. 12091230.

147. Головко В.А., Нейронные сети: обучение, организация, применение. М.: ИПРЖР, 2001.

148. Каллан Р. Основные концепции нейронных сетей. М.: "Вильяме",2001.

149. Комашинский В.И., Смирнов Д.А. Нейронные сети и их применение в системах управления и связи. М.: Горячая линия ТЕЛЕКОМ, 2002.

150. Widrow В., Lehr M.A. "30 Years of adaptive Neural networks: Per-ceptron, Madaline and Backpropagation". Artificial Neural Networks: concepts and Theory. IEEE Computer Society Press, 1992. P. 327-354.

151. Круглов B.B. Адаптивные системы нечеткого логического вывода // Нейрокомпьютеры: разработка и применение. 2003. № 5. С. 13-16.

152. Adaptive membership function fusion and annihilation in fuzzy if-then rules / B.G. Song, R.J. Marksl, S. Oh and others // In Proc. Second IEEE Int. Conf. Fuzzy Systems, FUZZ-IEEE'93. San Francisco, CA, 1993. Vol. 2. P. 961-967.

153. Arabshahi P, R.J. Marks R.J., Reed R., Adaptation of fuzzy inferenc-ing: a survey // Nagoya, Japan. Proc. IEEE/Nagoya University Workshop "Learning and Adaptive Systems". 1993.

154. Назаров A.B., Лоскутов А.И. Нейросетевые алгоритмы прогнозирования и оптимизации систем. СПб.: Наука и Техника, 2003.

155. Steepest descent adaptation of min-max fuzzy if-then rules / R.J. Marks, S. Oh, P. Arabshahi and others //In Proc. of the IEEE/INNS Int. Joint Conf. Neural Networks. China, Beijing, 1992.

156. Ротштейн А.П., Митюшкин Ю.И. Нейро-лингвистическая идентификация нелинейных зависимостей // Кибернетика и системный анализ. 2000. №3. С. 37-44.

157. Круглов В.В., Дли М.И. Интеллектуальные информационные системы: компьютерная поддержка систем нечеткой логики и нечеткого вывода. М.: Физматлит, 2002.

158. Рыжов А.П., Федорова М.С. Генетические алгоритмы и задача выбора оператора агрегирования информации в системах информационного мониторинга // Сб. тр. 5-й Всероссийской конф. "Нейрокомпьютеры и их применение". М., 1999.

159. Кафаров В.В. Методы кибернетики в химии и химической технологии. М.: Химия, 1986.-313179. Мешалкин В.П., Дови В.Г., Марсанич А. Принципы промышленной логистики. М.: РХТУ им. Д.И. Менделеева, 2002.

160. Автоматизация управления предприятием / В.В. Баронов, Г.Н. Калянов, Ю.Н.Попов и др. М.: Инфра-М, 2000.

161. Ефитов Г.Л., Артемьев С.Б. АСУТП на химических предприятиях.-М.: Химия, 1990.

162. Производство капролактама / Под ред. Овчинникова В.В. и Ручинского В.Р. М.: Химия, 1977, - 263 с.

163. Фурман М.С., Макс М.Б., Чечик Е.И. Прогнозирование направлений технического прогресса в производстве капролактама на основе инженерно-экономического анализа. Хим. пром., 1975, №5, с.12-15.

164. Лупанов П.А. Научно-технический прогресс в производстве капролактама. Хим. пром., 1981, №4, с.225.

165. Кафаров В.В., Мешалкин В.П. Современные методы автоматизированного конструкционного проектирования промышленных объектов. В кн. Леймит Л. Макетное проектирование. - М.: Мир, 1984, с. 313-331.

166. Шински Ф. Системы автоматического регулирования химико-технологических процессов. М.: Химия, 1974, - 276 с.

167. Кэмпбэлл Д.П. Динамика процессов химической технологии. -М.: Мир, 1962,-250 с.

168. Шински Ф. Управление процессами по критерию экономии энергии.-М.: Мир, 1981,-310 с.

169. Анисимов И.В., Бодров В.И., Покровский В.Б. Математическое моделирование и оптимизация ректификационных установок. М.: Химия, 1975,-245 с.

170. Эрриот П. Регулирование производственных процессов. М.: Энергия, 1967, - 265 с.

171. Elaahl A, Luyben W.L. Control of Energy-Conservative Complex Configuration of Distillation. Columns of Tour-Component Separations. Ind. Eng.Chem.Prog.Des.Dev., v.24,№2, 1985.

172. Кафаров В.В. Методы кибернетики в химии и химической технологии. М.: Химия, 1987, - 464 с.

173. Кафаров В.В. Основы массопередачи. М.: Высшая школа, 1979, -439 с.

174. Борисов Г.С., Брыков В.П., Дытнерский Ю.И. и др. Основные процессы и аппараты химической технологии / Под ред. Ю.И. Дытнерского. -М.: Химия, 1983.

175. Шкловский Э.И., Востриков B.C. Ремонтная служба на химических предприятиях. М.: Химия, 1978.

176. Кафаров В.В., Мешалкин В.П., Грун Г., Нойманн В. Обеспечение и методы оптимизации надежности химических и нефтеперерабатывающих производств. М.: Химия, 1987.

177. Кузьмин А.Б. Оптимальное обнаружение отказов в объекте контроля /Известия РАН. Теория и системы управления, 1996. №2.

178. Барзилович Е.Ю., Беляев Ю.К., Каштанов В.А. и др. Вопросы математической теории надежности. Радио и связь, 1983.

179. Киселев Г.Ф., Колпачков В.И., Ящура А.И. Система технического обслуживания и ремонта технологического оборудования предприятий по производству минеральных удобрений. М.: Химия, 1991.

180. Резолюция симпозиума "Психофизиология труда диспетчеров, операторов и аппаратчиков автоматизированного производства", Москва, 1994.

181. Кандрор А.И., Демина Д.Н. Пути оценки напряженности труда в операторской деятельности. В кн.: "Психофизиология труда операторов автоматизированного производства". М., 1974.

182. Методические рекомендации "Физиолого-гигиеническое обоснование рациональных режимов труда и отдыха операторов химической промышленности" (утв. Главным государственным санитарным врачом СССР 15 июля 1980 г. N2188-80).

183. Вальков В.М., Вершин В.Е. Автоматизированные системы управления технологическими процессами. М.: Политехника, 1991.

184. Дли М.И. Локально-аппроксимационные модели сложных объектов. М.: Физматлит (МАИК "Наука / Интерпериодика"), 1999.

185. Дли М.И., Круглов В.В. Применение метода локальной аппроксимации при построении алгоритмических моделей объектов управления //Вестник МЭИ. 1998. № 6. С. 109-111.

186. Дли М.И., Круглов В.В., Осокин М.В. Локально-аппроксимационные модели социально-экономических систем и процессов. М.: Наука. Физматлит, 2000.

187. Васильев В.И., Коноваленко В.В., Горелов Ю.И. Имитационное управление неопределенными объектами. Киев: Наукова думка, 1989.

188. Круглов В.В. Функциональное сходство систем нечеткого вывода и искусственных нейронных сетей // В сб. трудов 14-й междун. научн. конф. "Математические методы в технике и технологиях. ММТТ-14". Т. 2. Смоленск, 2001. С. 163-165.

189. Ивахненко А.Г. Долгосрочное прогнозирование и управление сложными объектами. Киев: Техника, 1975.

190. Ивахненко А.Г. Моделирование сложных систем: информационный подход. Киев: Наукова думка, 1987.

191. Гимаров В.А. Методы динамической классификации сложных объектов М.: Физматлит, 2003, 224 с.

192. Гимаров В.А., Дли М.И., Круглов В.В., Мешалкин В.П. Методы распознавания нестационарных образов М.: Физматлит, 2002, 115 с.

193. Гимаров В.А., Зайцевский И.В., Мешалкин В.П. Локальные математические модели для управления промышленным предприятием М.: Физматлит, 2003, 120 с.

194. Гимаров В.А., Дли М.И., Круглов В.В. Задачи распознавания нестационарных образов // Известия РАН. Теория и системы управления, 2004, №3, С. 92-96

195. Гимаров В.А. Прогнозирование класса химико-технологического объекта с изменяющимися признаками // Известия Вузов. Химия и химическая технология, 2004, т. 47, №2, С. 91-99

196. Гимаров В.А., Дли М.И. Динамическая кластеризация состояния химико-технологического оборудования // Известия Вузов. Химия и химическая технология, 2004, т. 47, №8, С. 143-147

197. Гимаров В.А., Дли М.И., Гимаров В.В. Задача распознавания динамически изменяющихся образов: формулировка задачи и перспективы решения // Программные продукты и системы. Приложение к журналу Проблемы теории и практики управления , 2001, №3, С. 28-30

198. Гимаров В.А. Нейро-нечеткий идентификатор // Нейрокомпьютеры: разработка и применение, 2003, № 2, С. 29-33

199. Гимаров В.А., Дли М.И., Круглов В.В. Временная изменчивость образов // Вестник МЭИ, 2003, № 2, С. 8-11

200. Гимаров В.А., Дли М.И. Прогнозирование номера образа по текущим характеристикам объекта // Программные продукты и системы. Приложение к журналу Проблемы теории и практики управления , 2003, № 2, С. 17-20

201. Гимаров В.А. Сходство и различие систем классификации на основе коллектива решающих правил и методов нечёткой логики// Нейрокомпьютеры: разработка и применение, 2004, № 11, С. 33-35

202. Гимаров В.А., Дли М.И., Битюцкий С.Я. Задачи нестационарной кластеризации состояния нефтехимического оборудования // Нефтегазовое дело, 2004, №2, С. 337-342

203. Гимаров В.А., Дли М.И., Битюцкий С.Я. Нейро-нечеткий метод классификации объектов с разнотипными признаками// Системы управления и информационные технологии, 2004, N 4(16), С. 16-19

204. Гимаров В.А., Дли М.И. Применение нейронных сетей для классификации сложных объектов // Программные продукты и системы. Приложение к журналу Проблемы теории и практики управления , 2004, № 3, С. 5155

205. Гимаров В.А., Мешалкин В.П. Эволюционно-апроксимационные методы распознавания экологических ситуаций // Ресурсосбережение и экологическая безопасность: Сб. докл. 3-й Всерос. науч. конф., Смоленск, 2001, С. 17-18

206. Гимаров В.А., Мешалкин В.П. Программная система поддержки принятия инновационных решений // Актуальные вопросы современной энергетики: Тез.докл. обл.науч.-практ. конф., Смоленск, 2001, С. 85-86

207. Гимаров В.А. Общий подход к решению задачи экстраполяции в область // Новые информационные технологии в науке и образовании: Мат. гор. семин., Смоленск, 1999, С. 21-22

208. Гимаров В.А., Дли М.И. К вопросу о точности и достоверности результатов использования непараметрических моделей // Математические методы в технике и технологиях: Сб.тр. Межд. науч.конф. Смоленск, СФМЭИ, СГПУ, 2001, С. 223-224

209. Гимаров В.А., Система поддержки принятия решений на основе локально-аппроксимационных моделей // Математические методы в технике и технологиях: Сб.тр. Межд. науч.конф. Т.4. Смоленск, СФМЭИ, СГПУ, 2001, С. 109-110

210. Гимаров В.А. Применение нейросетей для распознавания динамических объектов // Актуальные вопросы управления техническими системами: Сб.тр. межвуз. сем.,Смоленск: ВУ ОВПВО МО РФ, 1999, С. 40-42

211. Гимаров В.А., Дли М.И. Метод коллективного распознавания с использованием нечетких описаний // Актуальные вопросы управления техническими и экономическими системами: Сб.тр. межвуз. сем., Смоленск: Воен. ун-т ОВПВО МО РФ, 2001, С. 60-62

212. Гимаров В.А., Дли М.И., Битюцкий С.Я. Применение нейронных сетей для классификации динамических объектов // Математические методыв интеллектуальных информационных системах: Сб.тр. Межд. науч.кон. Смоленск, 2002, С. 57-59

213. Гимаров В.А., У Хунг Май. Методы и задачи распознавания нестационарных образов // Математические методы в интеллектуальных информационных системах : Сб.тр. Межд. науч.конф. Смоленск, СФМЭИ, 2002, С. 59-61

214. Гимаров В.А., Битюцкий С.Я., Гимаров В.В. Использование метода прогнозируемых эталонов в задачах распознавания образов // Математические методы в интеллектуальных информационных системах: Сб.тр. Межд. науч. конф. Смоленск, СФМЭИ, 2002, С. 61-64

215. Гимаров В.А., Ограниченность нейросетевого подхода при прогнозировании нестационарных временных рядов // Математические методы в интеллектуальных информационных системах: Сб.тр. Межд. науч.конф. Смоленск, СФМЭИ, 2002, С. 66-68

216. Гимаров В.А., Дли М.И., Ялов В.П., Битюцкий С.Я. Метод прогнозируемых эталонов для решения задачи распознавания экстраполяцион-ного типа // Математические методы в технике и технологиях: Сб.тр. 15 Межд. науч.конф. Тамбов, 2002, С. 48-52

217. Гимаров В.А., Дли М.И., Битюцкий С.Я. Использование нейросе-тей типа GRNN и MLP для классификации сложных объектов // Математические методы в технике и технологиях: Сб.тр. 15 Межд. науч.конф. Тамбов, 2002, С. 52-56

218. Гимаров В.А., Дли М.И., Гимаров В.В. Нейро-нечеткий идентификатор // Математические методы в технике и технологиях: Сб. тр. XVI Межд. науч. конф.: РГАСХМ ГОУ, Ростов н/Д, 2003, С. 35-38

219. Гимаров В.А., Дли М.И., Битюцкий С.Я. Методы построения адаптивных систем нечеткого логического вывода // Математические методы в технике и технологиях : Сб. тр. XVI Межд. науч. конф.: РГАСХМ ГОУ, Ростов н/Д, 2003, С. 38-40

220. Гимаров В.А. Влияние вида функций принадлежности на эффективность логико-лингвистических нечетких множеств // Математические методы в технике и технологиях : Сб. тр. XVI Меж. науч. конф.: РГАСХМ ГОУ, Р. н/Д, 2003, С. 41-43

221. Гимаров В.А. Прогнозирование уровня брака на выходе технологической линии // Математические методы в технике и технологиях: Сб. трудов XVII Международ, науч. конф.: Т. 2. Кострома: изд-во Костр. гос. тех-нол. ун-та, 2004, С. 31-33

222. Гимаров В.А., Дли М.И. Динамические задачи классификации объектов // Математические методы в технике и технологиях: Сб. трудов XVII Международ, науч. конф.: Т. 2. Кострома: изд-во Костр. гос. технол. ун-та, 2004, С.33-36

223. Гимаров В.А., Дли М. И., Битюцкий С. Я. Системы классификации на основе коллектива решающих правил и методов нечеткой логики// Искусственный интеллект в XXI веке: Сб. тр. Всерос. науч. конф, ПГТУ,2004, С.27-29

224. Гимаров В.А., Дли М.И., Битюцкий С .Я. Нейросетевые методы классификации сложных объектов / филиал ГОУ ВПО МЭИ(ТУ) в г. Смоленске. Деп. В ВИНИТИ РАН - № 97 - В2002, 26 с.

225. Гимаров В.А., Дли М.И., Битюцкий С.Я. Метод прогнозируемых эталонов для решения задачи распознавания экстраполяционного типа / филиал ГОУ ВПО МЭИ(ТУ) в г. Смоленске. Деп. В ВИНИТИ РАН - № 98 -В2002, 16 с.

226. Гимаров В.А., Дли М.И., Козенков Д.М., Стоянова О.В. Локаль-но-аппроксимационные подходы к распознаванию нестационарных образов /СФМЭИ Деп. В ВИНИТИ РАН - № 99 - В2002, 11с.

227. Гимаров В.А., Дли М.И., Гимаров В.В., Битюцкий С.Я. Программа распознавания динамически изменяющихся образов CLASMod. Свидетельство о регистрации программ для ЭВМ в РОСАПО № 2002610879 от 24.07.2001

228. Гимаров В.А., Дли М.И., Гимаров В.В., Битюцкий С.Я. Программа классификации динамически изменяющихся объектов RASPOZN 1.0. Свидетельство о регистрации программ для ЭВМ в РОСАПО № 20044612330 от 13.10.2004