автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.12, диссертация на тему:Методы проектирования математического обеспечения систем автоматизации вытяжки оптического волокна

005007646

Соловьев Денис Викторович

МЕТОДЫ ПРОЕКТИРОВАНИЯ МАТЕМАТИЧЕСКОГО ОБЕСПЕЧЕНИЯ СИСТЕМ АВТОМАТИЗАЦИИ ВЫТЯЖКИ ОПТИЧЕСКОГО ВОЛОКНА

Специальность 05.13.12 - «Системы автоматизации проектирования (приборостроение)»

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

1 2 ЯНВ 2012

Санкт-Петербург 2011

005007646

Работа выполнена в ФГБОУВПО Санкт-Петербургском национальном исследовательском университете информационных технологий механики и оптики

Научный руководитель: доктор технических наук,

профессор Гатчин Юрий Арменакович

Официальные оппоненты: доктор технических наук,

профессор Демин Анатолий Владимирович

кандидат технических наук,

доцент Климанов Виталий Александрович

Ведущая организация: Открытое акционерное общество «Научно-исследовательский и технологический институт оптического материаловедения Всероссийского научного центра «Государственный оптический институт им. С.И. Вавилова» (ОАО «НИТИОМ ВНЦ «ГОИ им. С.И. Вавилова»)

Защита состоится в 15:50 27 декабря 2011 г. в 329 ауд. на заседании диссертационного Совета Д212.227.05 при Санкт-Петербургском национальном исследовательском университете информационных технологий, механики и оптики по адресу: г. Санкт-Петербург, пр. Кронверкский, д.49.

Заверенные отзывы на автореферат просьба направлял, в двух экземплярах по адресу: 197101, г. Санкт-Петербург, пр. Кронверкский, д.49, ученому секретарю диссертационного Совета Д212.227.05.

С диссертацией можно ознакомиться в библиотеке Санкт-Петербургского национального исследовательского университета информационных технологий, механики и оптики.

Автореферат разослан код /р Я 2011г.

Ученый секретарь диссертационного Совета, кандидат технических наук, доцент

Поляков В.И

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность иабогы. В настоящее время общество находится на этапе интенсивного внедрения вычислительной техники почти во все сферы производственной деятельности. Одной из ключевых задач является развитие методов автоматизации проектирования (ЛП). В развитие систем автоматизации проектирования (САПР) серьезный вклад внесли работы Л.С. Поптрягина, И.П. Норенкова, В.М. Курейчика, В.И. Анисимова.

Одной из важнейших задач АП является проектирование математического обеспечения (МО). Снижение трудоемкости разработки МО и, как результат, снижение стоимости проектирования, в целом, является приоритетным при синтезе методов АП МО, в том числе, при создании систем автоматизации производства оптических материалов (САПОМ). Технологические процессы (ТП) оптического производства являются сложными и обладают следующими характеристиками:

- малая информативность ТП из-за сложности или невозможности контроля выходных параметров;

-сложность физико-химических явлений, протекающих в ходе ТП, затрудняющих построение аналитических математических моделей ТП;

- нестационарность ТП, являющаяся следствием физики ТП и изменений параметров, характеризующих непостоянство свойств технологического оборудования во времени;

- распределенность параметров, которая возникает из-за наличия движущихся потоков оптических материалов, а контроль параметров происходит в локальных областях или косвенными путями;

- длительность и многостадийносгь процесса изготовления оптических материалов;

- наличие множества перекрестных связей между отдельными каналами управления.

Одним из методов проектирования МО САПОМ является нейросетевой метод. Ключевая особенность использования нейросетевого метода при проектировании МО САПОМ, в отличие от методов классической математики, заключена в том, что для нейросегевого метода не имеет значение физико-химическая сущность протекающего процесса, для него технологический процесс представлен в виде «черного ящика», а главным требованием является существование функциональный зависимости между переменными-параметрами, описывающими данный технологический процесс и отсутствие противоречивых данных в обучающих наборах (выборках). Важной особенностью кейросетевых методов является способность к обобщению данных разных порядков, имеющих крайне сложные функциональные зависимости.

Перечислим некоторые особенности задач, следствием которых является сложность при проектировании МО СЛПОМ, в решении которых нейросетевой подход имеет неоспоримые преимущества:

1. Поставленная задача в силу конфетных особенностей не поддается адекватной формализации, поскольку содержит элементы неопределенности, не формализуемые традиционными математическими методами;

2. Поставленная задача формализуема, но в настоящее время отсутствует математический аппарат для ее решения;

3. Для рассматриваемой, хорошо формализуемой поставленной задачи существует соответствующий математический аппарат, но реализация вычислений с его помощью на базе имеющихся вычислительных систем не удовлетворяет требованиям получения решений по времени или точности.

Большой теоретический и практический вклад в развитие технологий искусственных нейронных сетей (ИНС) внесли работы Д. Бруммхеда, С. Гроссберга, А.Г. Ивахнснко, Т. Кохонена, Д. Лоэ, У. Маккалока, М. Минского, У. Питтса, Ф. Розеиблатта, Д. Руммельхарта, Б. Уидроу, Дж. Хопфилда. Теоретические основы ИНС базируются на аппроксимационных свойствах нелинейных функций многих переменных, описанных В.И. Арнольдом и А.Н. Колмогоровым.

Технология искусственных нейронных сетей предполагает совместное использование многослойного перселтроиа и обучающих алгоритмов, что позволяет решить задачи автоматизации проектирования МО СА технологических процессов, не поддающиеся адекватной формализации, содержащие элементы неопределенности и не формализуемые традиционными математическими методами. В настоящей работе в качестве такой задачи выступает технологический процесс вытяжки опт ического волокна.

Технологические процессы производства оптических материалов (ОМ), в частности, сложный ТП вытяжки оптического волокна, являются нестационарными, нелинейными с большой степенью многосвязиости и распределенностью параметров. Вследствие чего, использование технологий искусственных нейронных сетей .для проектирования МО системы автоматизации ТП вытяжки ОВ является актуальным.

Предметом исследования диссертационной работы являются математические методы и алгоритмы проектирования математического обеспечения систем автоматизации технологического процесса вытяжки оптического волокна.

Целью диссертационной работы является разработка, исследование методов и алгоритмов проектирования математического обеспечения систем автоматизации технологического процесса вытяжки оптического волокна.

Для достижения этой цели решались следующие задачи:

1. Изучение предметной области, анализ основных проблем при проектировании МО систем автоматизации производства оптического волокна;

2. Разработка методики решения оптимизационных задач при автоматизации проектирования МО СА технологического процесса получения оптического волокна;

3. Исследование математической модели сложного технологического процесса вытяжки оптического волокна, получение обучающих наборов для разработанных ИНС;

4. Разработка модифицированного алгоритма обучения нейронной сети и методов оценивания точности полученных данных при параметрической оптимизации технологического процесса вытяжки оптического волокна;

5. Разработка концептуальной и функциональной структуры САПР МО САПОМ, построенной на едином нейросетевом алгоритмическом аппарате.

6. Разработка пакета прикладных программ (ППП) для реализации разработанных методик и алгоритмов.

Методы исследования базируются на использовании теории и методов САПР, принципов системного подхода, теории и аппарата ИНС, аппарата линейной алгебры, дифференциального исчисления, теории алгоритмов.

Научная новизна заключается в разработке и исследовании методов и алгоритмов проектировать МО систем автоматизации вытяжки оптического волокна с помощью технологий искусственных неГфОнных сетей, а так же в разработке концептуальной и функциональной модели САПР МО САПОМ.

Основные положения, выносимые на защиту;

1. Принципы разработки математического обеспечения для систем автоматизации вытяжки оптического волокна, основанные на едином нейросетевом аппарате;

2. Методика решети оптимизационных задач на основе технологий ИНС при проектировании МО систем автоматизации технологического процесса вытяжки оптического волокна;

3. Модифицированный алгоритм обучения ИНС, разработанный для технологического процесса вытяжки оптического волокна, позволяющий производить параметрическую оптимизацию данного процесса, не срывая реальное производство;

4. Концептуальная и функциональная структура САПР МО СА технологического процесса вытягивания оптического волокна.

Практическая ценности Эффект от использования результатов диссертационной работы состоит:

1. В сокращении сроков при автоматизации проектирования МО СЛ технологического процесса вытяжки оптического волокна;

2. В возможности получения большего количества оптического волокна с сохранением заданных критериев качества;

3. В разработке концептуальной и функциональной структуры САПР МО СА технологического процесса вытягивания оптического волокна;

4. В реализации разработанных методик и алгоритмов в виде программных продуктов;

5. В использовании программных продуктов и результатов их работы в ОАО «НИТИОМ ВИЦ «ГОИ им. С.И. Вавилова» и в лабораторном практикуме кафедры Проектирования и безопасности компьютерных систем при преподавании дисциплин «Электроэлементы и передача данных в компьютерных системах» и «Основы проектирования электронных средств» для студентов специальности 210202 «Проектирование и технология электронно-вычислительных средств» Апробация результатов работы. Основные результаты работы докладывались на

международных и всероссийских научно-технических конференциях:

1. I конференция молодых ученых СГ16ГУ ИТМО (2004 год);

2. П конференция молодых ученых СП6Г"У ИТМО (2005 год);

3. Ill конференция молодых ученых СПбГУ ИТМО (2006 год);

4. IV конференция молодых ученых СПбГУ ИТМО (2007 год);

5. V конференция молодых ученых СПбГУ ИТМО (2008 год);

6. Международная научно-техническая конференция «Интеллектуальные системы»

(A1S"08) и «Иителлектуапьные САПР» (CAD-2008),

7. VI конференция молодых ученых СПбГУ ИТМО (2009 год):

8. VII конференция молодых ученых СПбГУ ИТМО (2010 год);

9. Конгресс по интеллектуальным системам и информационным технологиям «AIS-

ГГ10»;

10. VIII конференция молодых ученых СПбГУ ИТМО (2011 год).

Настоящая научная работа отмечена грантами правительства Санкт-Петербурга для аспирантов вузов и академических институтов Санкт-Петербурга в 2007 и 2009 годах. Кроме этого, в работе использованы материалы выполненных научно-исследовательских работ- по грантам для молодых ученых правительства Санкт-Петербурга в 2010 и 2011 году. Доклады по тематике диссертационной работы отмечены наградами за выступления

на конференциях молодых ученых СПбГУ И'ГМО в 2010 и 2011 годах. Практическая ценность настоящей работы отмечена Общероссийской общественной организацией «Российский Союз Молодых ученых» и награждена медалью «За преданность науке» № 324.

Публикации. Теоретические и практические результаты, представленные в диссертации, отражены в 16 научных работах, список которых приведен в конце автореферата, в том числе 10 работ опубликованы в журналах, включенных в список ВАК.

Структура и объём диссертации

Диссертация состоит из введения, четырех глав, заключения, приложений и списка литературы. Материал изложен на 133 страницах машинописного текста с поясняющими рисунками и таблицами.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении к диссертации рассмотрено современное состояние предметной области - задачи АП МО САПОМ, и сформулированы цель и задачи работы, метода исследования, научная новизна и практическая ценность данной работы. Кратко описана структура диссертационной работы и апробация её материалов.

В черной главе проведен анализ проблематики АП МО САПОМ. Оптическое производство - сложный высокотехнолагический процесс, предъявляющий повышенные требования к средствам, методам и алгоритмам автоматизации. В числе наиболее проблемных этапов проектирования МО САПОМ были выделены четыре группы:

1. идентификация ТП;

2. синтез систем управления (СУ) ТП;

3. оптимизация проектных и управляющих решений;

4. прогнозирование параметров технологической системы (ТС).

В ходе изучения приведенных выше этапов были определены трудности, возникающие в ходе их решения при проектировании современных САПОМ.

Показано, что особенностью задач идентификации ТП вытяжки оптического волокна является: сложность физико-химических процессов, протекающих в ТП, многомерность идентифицируемого ТП.

При анализе специфики задач синтеза СУ ТП вытяжки оптического волокла была определена: малая информативность ТП из-за сложности контроля выходных параметров, распределенность параметров технологических систем, значительная подверженность ТС внешним возмущениям. Кроме этого, при построении СУ следует учитывать все особенности решения идентификационных задач.

В процессе исследования особенностей решения оптимизационных задач при проектировании САПОМ было установлено следующее. Во-первых, методы оптимизации требуют больших затрат вычислительных ресурсов. Во-вторых, рост размерности задач оптимизации сопровождается непропорциональным ростом возможных вариантов. К тому же выявить зависимости между параметрами в аналитическом виде достаточно затруднительно. В результате было решено сделать упор в научной работе на решение именно оптимизационных задач при проектировании МО САПОМ. Для решения таких задач было решено использовать алгоритмы искусственного интеллекта, в частности, математически» аппарат искусственных нейронных сетей.

При анализе задачи прогнозирования параметров ТП вытяжки оптического волокна были выделены следующие проблемы: временные ограничения па процедуру прогнозирования, неопределенность пространства параметров технического состояния объекта, недостаточность априорной информации и неоднородность данных о техническом состоянии объекта. В результате анализа предметной области было решено разработать методику решения оптимизационной задачи при проектировании МО СА IИ вытягивания ОВ, исследовать математическую модель и получить обучающие выборки параметров ТП, разработать структуры и алгоритм обучения нейронной сети для параметрической оптимизации этого ТП, а так же разработать концептуальную и функциональную структуру САПР МО САПОМ, построенную па едином нейросстсвом аппарате.

Втопая глава посвящена изучению методологии ИНС, исследованию основных особенностей аппарата ИНС и их наиболее характерных свойств. Рассматриваются эволюция аппарата ИНС, формальные модели базовых процессорных элементов (БПЭ), основные архитектуры сетей, особенности наиболее распространенных методов и алгоритмов обучения ИНС. Свойство ВПЭ и параллельной архитектуры обеспечивают такие характеристики ИНС. как параллельность обработки информации, способность к полной обработке информации, самоорг анизация и надежность.

ИНС как инструмент решения математических задач обладает двумя важными свойствами; свойством обобщения и свойством универсальной аппроксимации. Свойство обобщения состоит в хорошей нелинейной штгерполяпии данных, не относящихся к тренировочной выборке ИНС, но близких к ней. Иначе говоря, ИНС обладает способностью обобщать результат обучения на новые данные. Необходимыми условиями обобщения в ИНС являются гладкость нелинейного преобразования, которое должна запомнить ИНС и репрезентатнвность тренировочного набора данных. Свойство универсальной аппроксимации состоит в том, что ИНС способна представить любую

непрерывную функцию многих переменных. Это положение, доказанное Хорником и Кибеико, имеет в своем основании работы Арнольда и Колмогорова, согласно которым такая функция предстазима суперпозицией непрерывных функций одной переменной.

Динамические МНС являются перспективным направлением совершенствования аппарата ИНС. Далее проведены исследования динамических ИНС, их применимости в задачах САПР и разработке методов решения задач САПР с помощью ИНС. Динамические ИНС Хопфилда имеют два основных применения - в качестве систем ассоциативной памяти (в связи со способностью запоминать образы) и в качестве оптимизирующих систем. В первом епучае сети применяются, в частности, для решения задач построения прогнозирующих систем. Во втором случае ИНС Хопфилда решают задачу оптимизации.

В результате изучения методологии ИНС для решения оптимизационной задачи предложено использование динамической ИНС Хопфилда.

В качестве алгоритма обучения выбран метод обучения с «учителем». Предполагается, что для каждого выходного вектора существует целевой вектор, представляющий собой требуемый выход ИНС. Эги вектора носят название тренировочного шаблона или обучающей пары. Обычно ИНС обучается на некотором наборе обучающих пар.

Вначале ИНС не обладает никакими знаниями. В процессе обучения на входы сети пода&гся входной шаблон. «Учитель» сообщает сети, какова должна быть «правильная» реакция на этот шаблон (предъявляя соответствующий выходной шаблон), fía основании анализа величины ошибки между требуемым и практическим значениями выхода ИНС происходит настройка ей синоптических связей. Для этого применяется конкретный алгоритм обучения. Повторяя этот процесс, можно добиться от ИНС эмуляции «учителя» (т.е. фактически перехода знаний от «учителя» к сети) с наперед заданной величиной ошибки. Обычно так обучаются однослойные ИНС.

В многослойных же сетях оптимальные значения выхода уже далеко не всегда можно получить, отталкиваясь от ошибки на выходе. В качестве решения этой проблемы был предложен алгоритм обратного распространения ошибки (back-propagation), представляющий собой обобщение метода наименьших квадратов.

При помощи алгоритма обратного распространения ошибки обычно обучаются многослойные персептроны. Используемый при итерациях метод градиентного спуска неэффективен в случае, когда производные по различным весам сильно отличаются. Это соответствует ситуации, когда значение функции S (взвешенной суммы входов нейрона) для некоторых нейронов близко по модулю к 1 или, когда модуль некоторых весов много

больше i. В этом случае для плавного уменьшения ошибки надо выбирать очень малую скорость обучения, но при этом обучение может занять непозволительно много времени. Простейшим методом усовершенствования алгоритма обратного распространения ошибки с номошыо градиентного спуска является введение момента т, когда влияние градиента на изменение весов изменяется со временем. Дополнительным преимуществом от введения момента является способность алгоритма преодолевать мелкие локальные минимумы. Для снижения ошибки в данных на выходе нейросети рекомендуется увеличение количества проходов обучающих наборов, так называемых, эпох обучения.

В третьем главе были разработаны методики и алгоритмы для решения оптимизационной задачи при проектировании МО САПОМ. В качестве такого производства был выбран ТП вытягивания оптического волокна из заготовки. Заготовка была получена на MCVD-установке. Метод MCVD (Modified chemical vapor deposition) -модифицированного химического парофазного осаждения основан на парофазном осаждении высокочистых материалов на внутреннюю поверхность кварцевой трубы, находящейся в состоянии вращения и обогреваемой горелкой.

После получения заготовки-преформы переходят к процессу формирования тонкого волокна. Для этого конец преформы нагревается в печи до пластичного состояния. При этом тянущее устройство вытягивает высоковязкий расплав в тонкую нить требуемого диаметра. Такой процесс становится возможным из-за наличия у вытягиваемого вещества достаточно широкого температурного интервала вязко-пластичною состояния, что обусловлено экспоненциальной зависимостью вязкости от температуры.

Современная башня вытягивания представляет собой конструкцию высотой 12-18 метров и является автоматизированной системой (рис. 1).

Вытяжное устройство

Рис. 1. Схема установки для вытягивания оптического волокна из заготовок.

Устройство для вытягивания оптического волокна включает в себя: - устройство подачи и центрирования I¡реформ;

- устройство вытягивания п намотки волокна (параметр V);

- печь нагрева (параметр Т);

- ларчик диаметра волокна (параметр В);

- устройство нанесения покрытия и датчики концентричности покрытия;

- датчик диаметра волокна в покрытии;

- датчик величины натяжения волокна (параметр Р);

- устройство согласования скорости намотки катушек и скорости вытягивания;

- устройство подачи обеспыленного воздуха;

- башню, на которой смонтированы устройстла;

- блок управления и согласования всех устройств.

К этому перечню производители могут добавлять дополнительные компонента, такие как: системы определения прочности полокна, приборы определения затухания света и другие (параметр качества К). Каждая из этих подсистем увязывается в единый контур контроля качества волокна. На рисунке I показаны параметры технологического процесса, требующие оптимизации. Как уже говорилось ранее, проводить параметрическую оптимизацию данного технологического процесса «на лету» крайне затруднительно в силу названных выше обстоятельств. Вслсдспшс чего было решено автоматизировать эту задачу. Была исследована математическая модель технологического процесса вытягивания оптического волокна. Рассмотрим процесс получения модели поэтапно.

Непрерывность процесса обеспечивается равенством объемных расходов оптического волокна:

у И* -у с}2 (1)

' 6йв заг заг '

где. слева - скорость вытягивания и диаметр волокна, а справа - аналогичные параметры для заготовки.

Температурные зависимости МСУО-процесса были исследованы для кварцевого стекла, являющегося основным материалом для получения оптического волокна.

В исследуемом ТП наиболее важными являются температурные зависимости поверхностного натяжения 0=/(Г) и вязкости материала ц-ДГ). В интервале температур 1400 - 2000 градусов Цельсия вязкость меняется на 4 порядка и носит экспоненциальный характер (2):

На.

4=170е и', (2)

где: ч0 - вязкость в цецфе волокна;

Еа - энергия активации вязког о течения (для кварцевого стекла энергия активации составляет 600 кДж/моль); Т - абсолютная температура; Н - газовая постоянная.

Температурные 1раницы области вытягивания взаимосвязаны с величиной усилия вытяжки. При температуре ниже верхней границы отжига, где невозможна пластическая деформация материала, а также, если скорость вытягивания слишком велика и расплав начинает проявлять упруго-пластичные свойства и разрывается, процесс вытягивания становится невозможным. В свою очередь, скорость вытягивания волокна определяется усилием вытягивания. При сопоставлении процессов упругой и пластической деформации твердых тел и вязкости упругих тел в условиях высокотемпературного нагружения вытекает зависимость между временем деформации, усилием и вязкостью, что доказано в изученных научных работах (Соломин Д.«Жаростойкость материалов под нагрузкой»):

А, Яг (3)

А/ —-г-,

3 я/?У

где: Д1 - удлинение образца;

сила натяжения; / - дайна образца; т - время деформации; И - радиус образца.

Учитывая квазистационарность процесса вытягивания волокна, сделано следующее преобразование зависимости (3):

АI I г ' ~ ЗлЛг

где А - постоянная для данного типа волокна, в которую входят геометрические размеры.

Из соотношений (2) и (4) имеем:

"•Нг«"-

'/о

Полученную зависимость можно считать математической моделью технологического процесса вытяжки оптического волокна Она была занесена в базу знаний САПР МО САПОМ. Данная математическая зависимость параметров технологического процесса вытягивания оптического волокна будет использована для формирования обучающих наборов для ИНС на первоначальном этапе работы, затем в

К=—= —2-=*^=^» (4)

качестве обучающих наборов будут использованы данные с производственного оборудования. Диаметр волокна и критерии качества учитывались уже при обучении нейронной сети данными с реального оборудования.

Далее была разработана структура нейронной сети для решения оптимизационной задачи САПР МО САПОМ. Выбор структуры нейронной сети обуславливается спецификой и сложностью решаемой задачи. Нет строго определенной процедуры для выбора количества нейронов и количества слоев в сети.

Чем больше количество нейронов и слоев, тем шире возможности сети, тем медленнее она обучается и работает, и тем более, нелинейной может быть зависимость «вход-выход».

Учитывая факторы, существенно влияющие на скорость вытяжки и качество оптического волокна, было решено использовать в качестве топологии нейронной сети схему трёхслойного персептрона с одним скрытым слоем.

Количество нейронов входного слоя соответствует количеству входных данных и равно трем (температура печи, сила натяжения тянущего устройства, диаметр волокна на выходе). В выходном слое находится два нейрона, что соответствует количеству выходных данных (скорость вытягивания, комплексный параметр качества). Количество нейронов в скрытом слое, учитывая материалы, изложенные в изученной литературе, было принято равным восьми. Топология нейронной сети представлена на рис. 2.

I '

------Л/-

:\Н1 }.........-к

\

! Л8 V

Рис. 2. Топология нейронной сети.

г де: Т, Г и О - сходные значения температуры печи, силы натяжения тянущего устройства

и диаметра волокна на выходе;

5/, ¿7 и 53 - нейроны входного слоя;

111 и Я2- нейроны последнего слоя;

V и К - выходные значения скорости вытягивания и комплексный параметр качества оптического волокна. Комплексный показатель качества оптического волокна представляет собою значение от 0 до 10, отражающий такие ключевые параметры оптического волокна, как однородность диаметра, количество «светляков», затухание света в волокне и прочность полученного оптического волокна.

Далее были выбраны активационные функции нейронов входного, выходного и скрытого слоел.

Активационная функция нейронов первого и последнего слоев линейная:

где: £ - взвешенная сумма входов нейрона;

I - коэффшщект пропорциональности (в данном случае он используется для масштабирования, т.е. для приведения входных значений параметров температуры, силы и диаметра к интервалу 0.. 1); У - значение функции.

В качестве активашюшюй функции нейронов скрытого слоя используется гиперболический тангенс:

Гиперболический тангенс определен на всей оси X и равномерно и бесконечно стремится к -1 снизу и к +1 сверху по оси У, что подходит для решения настоящей задачи (параметры обучающих наборов после масштабирования равномерно распределены в интервале 0..1).

Для определения размера обучающей выборки, для корректного обучения сети, были использованы рекомендации данные в работе Е. Баума и Д. Хасслера. Ими рекомендуется выполнение следующего неравенства:

(6)

У^апЩБ),

(7)

М> Ц'/е,

где: Л' - размер обучающего набора;

¡V - число весовых коэффициентов в сети;

г - доля ошибок, допустимая в процессе работы сети.

Итак, учитывая, что в нашей топологии 40 весовых коэффициентов и доля ошибки будет задана не более 20%, количество строк в обучающей выборке должно быть больше 200. Разработанная тополопи и выбранные функции активации нейронов были занесены в базу знаний САПР МО САПОМ.

Далее был выбран алгоритм обучения сети. Сеть обучалась по алгоритму Румельхарта-Хиитона-Вильямса (алгоритм обратного распространения ошибки). Настоящий алгоритм был модифицирован с помощью введения моментов т и эпох в процесс обучения ИНС,

В четвертой »лаве рассмотрена практическая реализация комплекса методов и алгоритмов АП МО САПОМ в форме САПР МО САПОМ.

В рамках такой САПР производится АП нейросетевых моделей ТП на основании критериев скорости и точности но обучению и обобщению. Реализованные методы позволяют отбирать для конкретного случая алгоритм обучения ИНС, обеспечивающий наилучшие показатели качества модели. Спроектированные модели в будущем могут быть использованы для проектирования СА ТП ОМ.

Общий вид функциональной структуры САПР МО САПОМ приведён на рис. 3. В рамках функционального подхода к проектированию в такой системе следует выделить к разработке следующие функциональные блоки: подсистему сбора исходных данных, базу данных (БД) параметров ТП, базу знаний (БЗ) ТГ1.

Подсистема сбора исходных данных представляет собой комплекс аппаратно-программных средств, предназначенный для формирования выборок технологических параметров тех реальных объектов, неиросетевые модели которых планируется строить с помощью разрабатываемой САПР. Исходным пунктом сбора этой информации служат датчики параметров ТП. При применении систем автоматизации на производстве • это данные, собираемые с промышленных компьютеров и технологических контроллеров.

БД САПР МО САПОМ предназначена для хранения данных, имеющих отношение к проектированию. Со структурной точки зрения БД делится на два участка: участок хранения входных данных и участок хранения результатов.

Участок хранения входных данных предназначен для хранения выборок технологических параметров объектов автоматизации, предназначенных к применению в рамках нейросетевых средств решения задач АП МО. Из этих выборок формируются тренировочные и тестовые наборы для обучения соответствующих ИНС.

Участок хранения результатов служит для создания БД, описывающей результаты имитационного моделирования при помощи созданных в рамках САПР нейросетевых

моделей. Это необходимо для непрерывного исследования практической эффективности выбранных методов и алгоритмов, их возможного расширения и модификации.

Рис. 3. Функциональная схема САПР МО САПОМ.

БЗ "ГП содержит в себе всю совокупность применяемых методов и алгоритмов проектирования и решения задач. В её сосгав входят наборы типовых архитектур ИНС, набор методов и алгоритмов синтеза ИНС, набор критериев качества и набор типовых решений (каталог математических моделей).

Программное обеспечение САПР состоит из управляющей подсистемы, СУБД и диалоговой подсистемы. Управляющая подсистема предназначена для организации процесса АП согласно информации, полученной в интерактивном режиме от пользователя, и выбранным им методам и алгоритмам работы. СУБД обеспечивает работу пользователя с каталогами БД и БЗ САПР.

Диалоговая система САПР МО САПОМ предназначена для организации интерфейса с пользователем и разделяется на собственно интерфейсную часть и подсистему, обеспечивающую ввод исходных данных. Кроме этого, была разработана концептуальная структура САПР МО САПОМ, с ней можно ознакомиться в тексте диссертации.

Описанные в диссертационной работе модификации алгоритма обратного распространения ошибки позволили увеличить точность обучения ИНС. а, следовательно, снизить погрешность полученных данных при параметрической оптимизации

технологического процесса вытягивания оптического волокна из заготовки. На рис. 4 слева приведена часть обучающей выборки (20 наборов) для волокна диаметра ¡25 мкм, содержащей информацию о скорости подачи заготовки, скорости вытяжки оптического волокна, температуре печи и суммарному количеству дефектов. На этом же рисунке справа приведены данные результатов работы модифицированного алгоритма обучения

□ Скорость @ Скорость пТ (град О* 100 а Суммарное кол-во

подачи (мм/сек) вытяжки (м/мин) дефектов

Рис. 4. Графики обучающей выборки (слева) и результатов работы нейросетевого алгоритма (справа).

Ошибка между данными с технологического оборудования и данными, выданными нейросетыо, составила менее одного процента, в результате чего можно говорить об адекватности предложенного нейросетевого подхода в вопросах автоматизации проектирования МО САПОМ, в том числе, при решении оптимизационных задач. Кроме этого, исходные и полученные выборки были проверены на адекватность с помощью критериев согласия Стьюдеита и среднеквадратичного отклонения. Данные критерии показали адекватность предложенного метода параметрической оптимизации с помощью нейросетевого подхода. Разработанные структуры ИНС, алгоритм обучения и способы его оценивания так же были занесены в базу знаний САПР МО САПОМ, а полученные значения параметров - в базу данных системы.

В заключении подведен итог всей проделанной работы и приведены полученные в ходе выполнения научной работы результаты.

В приложении приведены документы, подтверждающие внедрение результатов диссертационной работы на производстве и в учебном процессе, а также схемы алгоритмов.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В настоящей диссертационной работе достигнуты следующие результаты:

1. Предложен метод проектирования МО СА вытяжки оптического волокна на основе аппарата ИНС;

2. Разработана САПР МО САПОМ на основе единого нейросетевого подхода к проектированию;

3. Исследована математическая модель технологического процесса вытягивания оптического волокна из заготовки, получены обучающие наборы для ИНС;

4. Предложена методика решения оптимизационной задачи па основе ИНС, позволяющая производить параметрическую оптимизацию технологического процесса вытяжки оптического волокна;

5. Разработан модифицированный алгоритм обучения ИНС, проводящий параметрическую оптимизацию технологического процесса вытягивания оптического волокна;

6. Разработано программное обеспечение САПОМ, реализующее предложенные методики и алгоритмы.

Перечень опубликованных работ по теме диссертации:

1. Соловьев Д.В., Антонов C.B. Новый протокол Ipv6, преимущества, модели перехода //Вестник конференции молодых ученых СПбГУ ИТМО, Сборник научных трудов, том 1,2004, - С.219-221.

2. Соловьев Д.В., Антонов C.B. Управление памятью, как решающий фактор быстродействия приложении //Всстннк конференции молодых ученых СПбГУ ИТМО, Сборник научных трудов, том 1,2004,- С.216-218.

3. Соловьев Д.В. Этапы и перспективы технологии тонких плёнок //Вестник конференции молодых ученых СПбГУ ИТМО, Сборник научных трудов, том 2,

2004,-С.191-193.

4. Соловьев Д.В. О перспективах использования CD-привода в качестве устройства отображения двумерных синтезированных голограмм //Вестник II межвузовской конференции молодых ученых, Сборник научных трудов, том 3,

2005,-С.105-109.

5. Соловьев Д.В., Елисеев О.В., Александров Г.С., Григорьева II.C. Практическое применение систем автоматизированного учёта на предприятии //Научно-технический вестник СПбГУ ИТМО, выпуск 29, I сессия научной школы

«Информационная безопасность, проектирование, технология элементов и узлов компьютерных систем», 2006, - С.158-166.

6. Соловьев Д.В. Александров Г.С., Федоров А.А, Елисеев О.В. Исследование сред и средств для записи синтезированных компьютером голограмм //Научно-технический вестник СПбГУ ИТМО, выпуск 29, I сессия научной школы «Информационная безопасность, проектирование, технология элементов и узлов компьютерных систем», 2006, - С.136-141.

7. Соловьёв Д.В., Ландорф A.B., Фролков В.Н. Методы контроля передаточных характеристик волоконных световодов //Научно-технический вестник СПбГУ ИТМО, выпуск 26, «Исследования в области приборостроения», 2006, - С.201-208.

8. Соловьёв Д.В., Ландорф A.B., Фролков В.Н. Оптический рефлектометр как устройство для измерения затухания в оптическом волокне //Научно-технический вестник СПбГУ ИТМО, выпуск 26, «Исследования в области приборостроения», 2006, - С.208-214.

9. Соловьёв Д.В., Александров Г.С., Федоров A.A., Елисеев О.В. Системы автоматизации и оптимизации пропускной способности оформления документов //Научно-технический вестник СПбГУ ИТМО, выпуск 40, научная школа «Информационная безопасность, проектирование, технология элементов и узлов компьютерных систем», 2007, - С.203-206.

10. Соловьев Д.В., Елисеев О.В., Фролков В.Н. Перспективы применения оптического волокна в системах управления //Научно-технический вестник СПбГУ ИТМО, выпуск 40, научная школа «Информационная безопасность, проектирование, технология элементов и узлов компьютерных систем», 2007, - С. 168-173.

Н.Соловьев Д.В. Нейросетевой метод оптимизации математических- моделей сложных технологических процессов //Научно-технический вестник СПбГУ ИТМО, выпуск 51, «Научные школы в СПбГУ ИТМО», 2008, - С.33-39.

12. Соловьев Д.В., Вондаренко И.Б., Гатчан Ю.А. Интеллектуальная поддержка выработки оптимальных решений в САПР оптического производства //Труды Международных научно-технических конференций «Интеллектуальные системы» (AIS"08) и «Интеллектуальные САПР» (CAD-2008), сборник 1, - С. 115-119.

13. Соловьев Д.В., Бондаренко И.Б. Нейросетевой метод оптимизации технологического процесса вытяжки оптического волокна //Сборник трудов конференции молодых ученых, выпуск 6,2009, - С.601-607.

14. Соловьев Д.В., Бондаренко И.Б., Гатчин Ю.А. Параметрическая оптимизация сложных технологических процессов оптического производства с использованием технологий искусственных нейронных сетей //Научно-технический вестник СПбГУ ИТМО №06(70), 2010, - С.121-122.

15. Соловьев Д.В., Бондаренко И.Б., Гатчин Ю.А. Адаптация генетического алгоритма для оптимизации сложных функций //Труды Конгресса по интеллектуальным системам и информационным технологиям «А18-1Т'10». Научное издание в 4-х томах. - М.: Физматлит, 2010, Т. 1 - 580с., - С. 14-18.

16. Соловьев Д.В., Бондаренко И.Б. Использование искусственных нейронных сетей при автоматизации сложных технологических процессов //Сборник трудов молодых ученых, аспирантов и студентов научно-педагогической школы кафедры проектирования и безопасности компьютерных систем «Информационная безопасность, проектирование и технология элементов и узлов компьютерных систем», 2011, - С.14-16.

Тиражирование и брошюровка выполнены в учреждении «Университетские телекоммуникации» 197101, Санкт-Петербург, Саблинская ул., 14 Тел. (812) 233 46 69. Объем 1,0 у.п.л. Тираж 100 экз.

61 12-5/962

САНКТ-ПЕТЕРБУРГСКИЙ НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ МЕХАНИКИ И ОПТИКИ

МЕТОДЫ ПРОЕКТИРОВАНИЯ МАТЕМАТИЧЕСКОГО ОБЕСПЕЧЕНИЯ СИСТЕМ АВТОМАТИЗАЦИИ ВЫТЯЖКИ ОПТИЧЕСКОГО ВОЛОКНА

Специальность 05.13.12 - Системы автоматизации проектирования

(приборостроение)

ДИССЕРТАЦИЯ

НА СОИСКАНИЕ УЧЕНОЙ СТЕПЕНИ КАНДИДАТА ТЕХНИЧЕСКИХ НАУК

На правах рукописи

СОЛОВЬЕВ ДЕНИС ВИКТОРОВИЧ

научный руководитель: д.т.н., проф. Ю.А. Гатчин

САНКТ-ПЕТЕРБУРГ 2011

ОГЛАВЛЕНИЕ

Введение------------------------------------------------------------------------------------4

Глава 1. Обзор состояния вопроса проектирования МО СА технологического процесса вытяжки оптического волокна----------------15

1.1. Определение списка задач, требующих автоматизации

при проектировании МО СА ТП вытяжки ОВ----------------------------15

1.2. Особенности решения задач идентификации при проектировании МО СА ТП вытяжки оптического волокна-----------16

1.3. Особенности решения задачи проектирования

С А ТП вытяжки оптического волокна---------------------------------------18

1.4. Особенности решения оптимизационных задач при проектировании МО СА ТП вытяжки ОВ-----------------------------------22

1.5. Особенности решения задач прогнозирования параметров

ТС при проектировании МО СА ТП вытяжки ОВ-------------------------27

1.6. Постановка задачи разработки САПР МО СА ТП

вытяжки ОВ-------------------------------------------------------------------------29

Глава 2. Методы решения задач АП МО СА ТП вытяжки ОВ с помощью технологий ИНС---------------------------------------------------------30

2.1. Эволюционное развитие технологии искусственных нейронных сетей------------------------------------------------------------------30

2.2. Биологический нейрон, принципы работы---------------------------- 32

2.3. Модель искусственного нейрона, принципы работы--------------- 35

2.4. Процедуры выбора активационных функций ИНС -----------------37

2.5. Типы нейронов и структур ИНС-----------------------------------------39

2.6. Анализ методов и алгоритмов обучения ИНС-------------------------47

2.6.1. Постановка задачи обучения ИНС----------------------------47

2.6.2. Методы и алгоритмы обучения ИНС «с учителем»------- 48

2.6.3. Методы повышение эффективности обучения ИНС-------51

2.6.4. Методы и алгоритмы обучения ИНС «без учителя»--------57

2.7. Ключевые особенности математического аппарата ИНС----------59

Глава 3. Разработка методики решения оптимизационной задачи при проектировании МО СА ТП вытяжки ОВ--------------------------------------65

3.1. Особенности ИНС Хопфилда как средства решения

оптимизационных задач при проектировании

МО СА ТП вытяжки ОВ---------------------------------------------------------67

3.2. Разработка методики синтеза ИНС Хопфилда

для решения оптимизационной задачи при проектировании

МО СА ТП вытяжки ОВ------------------------------------------------------—70

3.3. Показатели качества решения оптимизационных задач

с помощью ИНС Хопфилда при проектировании

МО СА ТП вытяжки ОВ----------------------------------------------------------74

3.4. Методика решения оптимизационной задачи САПР

с использованием динамической ИНС Хопфилда-------------------------80

3.5. Методика решения оптимизационной задачи САПР

с помощью динамико-статической ИНС-------------------------------------85

3.6. Анализ ТП вытяжки ОВ как объекта автоматизации---------------- 86

Глава 4. Разработка структуры САПР МО САПОМ и практическая реализация разработанных методик и алгоритмов---------------------------101

4.1. Разработка концептуальной и функциональной структуры

САПР МО САПОМ-------------------------------------------------------------101

4.2. Автоматизация проектирования математических

моделей ТП производства ОВ с помощью ИНС------------------------- 110

4.3. Методика решения оптимизационной задачи с помощью

САПР МО САПОМ------------------------------------------------------------ 117

Заключение-----------------------------------------------------------------------------119

Литература------------------------------------------------------------------------------121

Приложения---------------------------------------------------------------------------- 134

Введение

Оптическая промышленность, как и другие виды производств, в настоящее время уже пережила процесс трансформации из плановой экономики в отрасль рыночной экономики. Так как развитие оптической промышленности напрямую зависит от стоимости различных потребляемых ресурсов: сырьевых, топливно-энергетических, трудовых, то в наше время, чтобы извлекать прибыль, необходимо учитывать и рационально использовать эти ресурсы.

Производство оптических материалов (ОМ) включает в себя сложные с точки зрения анализа и управления технологические объекты. Автоматизация производства ОМ, как неотъемлемая в современных условиях часть мероприятий по повышению качества готовой продукции, требует создания специального математического обеспечения (МО), систем автоматизации производства оптических материалов (САПОМ) и эффективных методов его автоматизированного проектирования (АП) [1,2].

Это обусловлено тем, что большинство традиционных подходов к математическому моделированию технологических процессов (ТП) производства ОМ не предоставляют разработчику требуемой адекватности и точности воспроизведения параметров. В основе ТП производства современных ОМ лежат фазовые превращения вещества и сложные физико-химические преобразования под воздействием многочисленных факторов, что затрудняет их аналитическое описание. ТП проводятся на протяжении длительного (до нескольких суток) времени и всё это время требуется стабилизация параметров установок с достаточно высокой точностью и компенсация случайных возмущений, что невозможно без адекватного математического моделирования [3-5].

Технологические процессы производства оптического волокна (ОВ) являются сложными и обладают следующими характеристиками:

-малая информативность ТП из-за сложности или невозможности

контроля выходных параметров; -сложность физико-химических явлений, протекающих в ходе ТП,

затрудняющих построение аналитических математических моделей ТП; -нестационарность ТП, являющаяся следствием физики ТП и изменений параметров, характеризующих непостоянство свойств технологического оборудования во времени; -распределенность параметров, которая возникает из-за наличия движущихся потоков оптических материалов, а контроль параметров происходит в локальных областях или косвенными путями; -длительность и многостадийность процесса изготовления оптических материалов;

-наличие множества перекрестных связей между отдельными каналами управления.

Такое положение вещей вызывает к жизни два требования. Во-первых, это требование разработки достаточно точных математических моделей, чьи алгоритмы построения смогут решить проблему неопределённостей аналитического моделирования ТП производства ОВ. Во-вторых, возрастает потребность в автоматизации проектирования МО СА ТП вытяжки ОВ с целью сокращения времени на разработку и внедрение САПОМ и оптимизации разрабатываемого МО [6].

Так как современная оптическая промышленность в значительной мере определяет развитие почти всех отраслей народного хозяйства, таких как: космическая, электронная, медицинская и т.д., и по сути своей является стратегической, то необходима ее поддержка, как со стороны государства, так и со стороны самих предприятий. Из-за скудных капиталовложений предприятиям оптической промышленности приходится развивать отрасль, ориентируясь все чаще на зарубежный опыт, а производство ориентировать на рынок оптических изделий, куда не так-то легко пробиться.

В условиях современного рынка от технологических систем оптического производства требуется обеспечение высокого качества готовой продукции при низкой себестоимости. Для этого необходимо: повышать качество исходного сырья, шихты, тепловую и технологическую эффективность оборудования; механизировать и автоматизировать максимальное число стадий технологического процесса, тем самым снижая себестоимость. Таким образом без внедрения совершенно новых технологий, основанных на использовании современного математического аппарата, вычислительных экспериментов, средств искусственного интеллекта и комплексной автоматизации процесса производства, невозможно продвижения вперёд не только оптической, но и других отраслей народного хозяйства. Одним из средств искусственного интеллекта является математический аппарат искусственных нейронных сетей (ИНС) [6-10].

Переход экономики к рыночным отношениям и усиление концепции вертикальных рынков ставит перед отечественными предприятиями оптической промышленности принципиально новые, несвойственные прежним плановым способам ведения хозяйства, задачи. Одной из главных задач является повышение эффективности производства, и в следствии этого, усиление позиции предприятия во внутреннем, так и во внешнем секторах рынка.

Современные действующие системы автоматизированного проектирования технологических процессов (САПР ТП) и гибкие производственные системы (ГПС) позволяют быстро перестраиваться на новые соотношения сырьевых ресурсов, производить переналадку оборудования с автоматизированных рабочих мест (АРМ) [3].

Возрастающий в последние годы поток информации привел к необходимости существенного изменения подходов к решению задачи его обработки с целью повышения эффективности научных исследований и использования их результатов для решения одной из основных задач -максимальной автоматизации научных и производственных процессов [3].

Применение ЭВМ в технике автоматизации приводит, в частности, к изменению требований к уровню знаний и умений квалифицированных рабочих.

Интеллектуализация ранних стадий проектирования состоит в привлечении сложных форм знаний и в применении адекватного аппарата их обработки и использования. Это служит основой подхода для создания систем автоматизации проектирования (САПР), состоящего не в последовательном наращивании возможностей путем подключения дополнительных программных модулей и создания требуемых баз данных (БД), а в радикальном перераспределении вычислительных работ и концентрации исследовательских, поисковых задач проектирования в экспертной системе, которая может рассматриваться, как особая комплексная подсистема со своей информационной базой и программным обеспечением общего и специального назначения [6].

В настоящее время необходимо, чтобы подход к процессу проектирования был системным, т.е. имел следующие отличия от традиционного:

необходимость совместного проектирования и планирования производства изделия и вспомогательных устройств;

анализ изменения потребностей, последствий от внедрения предопределяющих развитие систем;

единый критерий эффективности, характеризующий качество проектируемой системы в то время, как все остальные критерии должны носить вспомогательный характер;

критерий эффективности должен быть составлен таким образом, чтобы учитывать затраты и доходы на этапах проектирования, организации производства распространения и эксплуатации системы;

использование в процессе проектирования и планирования имитационных моделей, достаточно полно отображающих функционирование проектируемой системы в условиях близких к

реальным, и предусматривающих работу в интерактивном режиме с человеком-проектировщиком;

создание банков данных, позволяющих оперативно применять всю информацию о существующих инженерных решениях, которые необходимы для успешного проектирования и планирования с высокой эффективностью;

широкое применение вычислительной техники, заменяющей в ряде случаев интеллектуальную деятельность проектировщика;

организация дружественного общения проектировщика с вычислительной техникой с помощью лингвистического обеспечения.

Таким образом, в отличие от традиционного подхода к решению задач проектирования и планирования, системный подход предусматривает более широкое рассмотрение проблемы принятия решений, отличающееся тщательным обоснованием целей, что определяет более высокий уровень проектирования.

Все системы проектирования многокритериальные по своему существу, следовательно, основная проблема, встающая перед проектировщиком - улучшение одних показателей системы, при которых не ухудшаются остальные [1]. А если учесть, что представление готового оптимального проекта необходимо обеспечить в предельно сжатые сроки, то возникает необходимость в построении и обработке допустимого множества вариантов, которые удовлетворяют всем требованиям, предъявляемым к будущей системе. В этом множестве имеется подмножество не улучшаемых или парето-оптималъных вариантов системы, т.е. таких, которые нельзя одновременно улучшить по всем оптимизируемым критериям качества, не ухудшив при этом значения хотя бы одного из этих показателей. В результате проектирования на выходе должна получиться парето-оптимальная система. Этого можно достичь только применением группы методов многокритериальной оптимизации и грамотной постановкой задачи проектирования сложных технологических систем (ТС) [2].

Сложная ТС должна быть адаптивной или способной к целенаправленному приспосабливающемуся поведению в сложных условиях окружающей среды, изменения которой выводят проектируемую систему за границы исходной области устойчивости.

На начальных стадиях внедрения вычислительной техники в инженерную практику цифровые ЭВМ выполняли сложные числовые расчеты, облегчающие решение задач математической физики. Вторым направлением использования ЭВМ было накопление и систематизация фактических данных. Затем вычислительная техника стала способна к моделированию множества физических, технических и логических задач. К задачам, которые требуют больших вычислительных мощностей относятся задачи конструирования, которые располагаются по сложности между задачами сложного инженерного расчета и задачами искусства. Процесс конструирования содержит два составляющих элемента: строго логический и интуитивный. Для современной вычислительной техники все задачи, сформулированные в виде построений математической логики и представленные в виде алгоритмов, могут быть решены на ЭВМ с большим успехом, чем это делает человек. Для этого потребуется лишь определенный уровень комплектующих ЭВМ устройств - памяти, процессора и т.п. Принципиальные трудности возникают при решении задач, которые связаны с эмоциональным восприятием и оценкой воздействия среды на субъект.

Управление ТП в настоящее время переходит от автоматизированного к автоматическому, которое включает в себя комплекс технических средств по сбору, обработке информации, принятию и реализации решений по управлению объектом без участия человека.

Основными целями автоматизации проектирования являются: улучшение качества и повышение технико-экономического уровня проектируемых изделий, в т.ч. при их изготовлении, эксплуатации; рост производительности труда; сокращение затрат на создание изделий; снижение стоимости и трудоемкости проектирования [3]. Использование

ЭВМ в процессе проектирования позволяет повысить его эффективность за счет увеличения рассматриваемых альтернатив проектных решений и более детального их анализа с помощью аппарата математического моделирования.

На этапе выбора рациональных вариантов одной из основных проблем является оценка вариантов по многим критериям в условиях существенной неопределенности и отбор вариантов в диалоговом режиме.

Для оказания помощи проектировщику на всех этапах проектирования может служить человеко-машинная система проектирования.

В рамках настоящей диссертационной работы предлагается решение задачи автоматизации проектирования МО СА вытяжки оптического волокна из заготовки [11,12]. Как показано далее в диссертационной работе, предложенный подход позволяет добиться следующих позитивных эффектов в проектировании МО СА вытяжки ОВ [13]:

1. Построения функциональных математических моделей с наперёд заданной точностью без необходимости создания аналитической модели;

2. Разбиения процесса проектирования ИНС, как МО САПОМ на отдельные этапы, связанные с выбором архитектурных и параметрических решений, что позволяет с одной стороны, создать гибкую процедуру проектирования, а с другой -автоматизировать сам процесс проектирования путём использования на каждом этапе критериев и алгоритмов оптимального проектирования;

3. Универсальности МО на базе ИНС, как алгоритмического средства, позволяющего решать самые различные задачи, актуальные для построения САПОМ.

Это делает возможным решение актуальной задачи - построения САПР МО САПОМ на основе предложенного подхода к АП МО САПОМ с использованием нейросетевых методов и алгоритмов [14-16].

Цель и задачи работы. Целью работы является разработка, исследование методов и алгоритмов проектирования математического обеспечения СА технологического процесса вытяжки оптического волокна.

Для достижения этой цели решались следующие задачи:

1. Изучение предметной области, анализ основных проблем при проектировании МО систем ав