автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Разработка и исследование адаптивной системы вытяжки ленты на базе нейронного управления

На правах рукописи

ВАНИН АЛЕКСАНДР СЕРГЕЕВИЧ

РАЗРАБОТКА И ИССЛЕДОВАНИЕ АДАПТИВНОЙ СИСТЕМЫ ВЫТЯЖКИ ЛЕНТЫ НА БАЗЕ НЕЙРОННОГО УПРАВЛЕНИЯ

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

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Москва - 2008

003446692

Работа выполнена в Государственном образовательном учреждении высшего профессионального образования «Московский государственный текстильный университет имени А Н Косыгина» на кафедре автоматики и промышленной электроники

Научный руководитель

доктор технических наук, профессор Козлов А Б

Официальные оппоненты

доктор технических наук, профессор Севостьянов

ПА,

кандидат технических наук, доцент Чамов В В

Ведущая организация Государственное образователь-

ное учреждение высшего профессионального образования Московский энергетический институт (Технический университет)

Защита состоится «ff» 2008 года в /Ласов на заседании диссер-

тационного совета Д 212 139 03 при Государственном образовательном учреждении высшего и профессионального образования «Московский государственный текстильный университет имени А Н Косыгина» по адресу 119071, Москва, Малая Калужская, 1

С диссертацией можно ознакомиться в библиотеке Государственного образовательного учреждения высшего профессионального образования «Московский государственный текстильный университет имени А Н Косыгина»

Автореферат разослан «¿¿Уг

Ученый секретарь диссертационного совета, д т н , профессор \ Козлов А Б

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ Актуальность работы. В современных условиях жесткой конкуренции одной из главных задач автоматизации технологических процессов текстильной промышленности является задача повышения качества выпускаемой продукции и уменьшения расходов на сырье Это особенно важно в связи с высокой долей исходного сырья в себестоимости готового текстильного изделия В основе каждого текстильного изделия лежит нить, и от ее качества зависит качество готовой продукции Процесс вытягивания волокнистого материала в вытяжном приборе является классическим объектом исследования науки о прядении Именно вытягивание позволяе1 получить продукт с требуемым числом волокон

Силы, действующие на волокно, зависят от конструкции и параметров вытяжного прибора и от количества волокон, находящихся в нем Так как вытягиваемый продукт неравномерен, то поля сил трения будут иметь случайные составляющие Кроме того, нестационарность работы вытяжного прибора, связанная с биениями цилиндров и валиков, с выходом иглы (в гребенных полях), также вызывает изменения сначала поля сил трения, затем кривых утонения, а последние изменения оказывают обратное влияние на поля трения и т д Также нельзя забывать и о характеристиках волокнистого материала, таких как качество очистки волокна, качество перемешивания волокна в смесях, влажность волокна, сорт, класс, длительность хранения, упругость, гладкость, неровнота ленты и т д , существенно влияющих на процесс вытягивания

Таким образом, в вытяжном приборе происходят сложнейшие взаимодействия, в которых иногда нельзя рассчитать или определить экспериментально даже отдельные стороны В связи с этим необходимо исследовать и разрабатывать альтернативные алгоритмы и схемы управления, например, интеллектуальные системы управления Такие системы обладают способностью к пониманию и обучению в отношении объекта управления, возмущений, внешней среды, условии работы На данном этапе искусственные нейронные сети, благодаря своим способностям к самоорганизации и обучению, рассматриваются как перспективные средства для интеллектуальных систем В связи с указанным, тема диссертационной работы, посвященная разработке и исследованию адаптивной системы вытяжки ленты на базе нейронного управления, является весьма актуальной

Цель и задачи работы. Основная цель диссертационной работы является разработка и исследование адаптивной системы вытяжки ленты на базе нейронного управления, обеспечивающего автоматическую стабилизацию линейной плотности ленты Данная система должна быть реализована на современных микропроцессорных программно-технических комплексах

Для достижения поставленной цели в работе решаются следующие научно-технические задачи

1 Анализ технологического процесса вытягивания и оценка возможных внешних возмущений, влияющих на процесс вытягивания волокнистого продукта

2 Математическое моделирование процесса вытягивания ленты и их использование для решения поставленной цели

3 Анализ известных автоматических систем стабилизации линейной плотности ленты (АСС ЛПЛ)

4 Аналитическое исследование и сравнительный анализ классических и нейросетевых методов управления

5 Разработка и исследование автоматической системы стабилизации линейной плотности ленты на основе искусственной нейронной сети

6 Практическая реализация автоматической системы стабилизации линейной плотности ленты на основе искусственной нейронной сети с использованием микропроцессорных программно-технических комплексов

На защиту выносятся:

1 Структура адаптивной нейросетевой автоматической системы стабилизации линейной плотности ленты

2 Результаты аналитического исследования и сравнительного анализа классических и нейросетевых методов управления

3 Программная структура искусственной нейронной сети и алгоритм ее обучения для автоматической системы стабилизации линейной плотности ленты

4 Программная реализация алгоритмов, разработанная на базе современных микропроцессорных программно-технических комплексов

Методика проведения исследования. В работе использована комплексная методика исследования, сочетающая методы математического моделирования и инструментальные средства При построении моделей использованы методы теории автоматического управления, методы экспериментально-теоретического моделирования, компьютерной обработки информации, а также методы математической статистггки и вычислительной математики с применением ЭВМ

Моделирование технологического процесса вытягивания волокнистого продукта проведена в пакете прикладных программ Matlab и его приложении Simulmk Реализация алгоритмов нейросетевого регулятора осуществлена с помощью специализированных промышленных программно-технических комплексов, включающих в себя микропроцессорные контроллеры и модули сопряжения с объектом (контроллеры и модули УСО серии АС500, AC800F компании ABB Industrial IT), а также программные средства разработки и визуализации (Freelance 800F Control Burlder F v 8 1, Freelance 800F DigiVrs v 8 1, Control Builder PS501 на основе CoDeSys v 2 3)

Научная новнзна. В результате выполнения диссертационной работы получены следующие результаты

1 Разработана и исследована структура нейросетевой автоматической системы стабилизации линейной плотности ленты

2 Проведены аналитическое исследование и сравнительный анализ классических и нейросетевых методов управления

3 Разработаны программная структура искусственной нейронной сети и алгоритм ее обучения для автоматической системы стабилизации линейной плотности ленты

4 Выполнена программная реализация алгоритмов, разработанная на базе современных микропроцессорных программно-технических комплексов

Достоверность результатов работы. Адекватность полученной математической модели регулятора на основе искусственной нейронной сети подтверждена совпадением результатов теоретических и экспериментальных исследований

Практическая ценность. Использование разработанных систем автоматического регулирования на основе искусственных нейронных сетей позволит повысить качество и конкурентоспособность выпускаемой продукции Разработанные в диссертационной работе методы управления могут найти широкое применение не только в различных отраслях текстильной промышленности, но и на других производствах Полученные результаты могут быть использованы при создании и совершенствовании систем управления технологическими процессами

Апробация работы. Материалы диссертационной работы доложены, обсуждены и получили положительную оценку на 59-й межвузовской научно-технической конференция молодых ученых и студентов «Студенты и молодые ученые КГГУ - производству» (Кострома, КГТУ, 2007г), на всероссийской научно-технической конференции «Современные технологии и оборудование текстильной промышленности» (ТЕКСТИЛЬ-2007), а также на научно-практической конференции аспирантов МГТУ им А Н Косыгина на иностранных языках (Москва, МГТУ им А Н Косыгина, 2006г)

Публикации По материалам диссертационной работы опубликовано б печатных работ

Структура и объем работы. Диссертационная работа изложена на 146 страницах машинописного текста и состоит из введения, четырех глав, выводов по главам и общих выводов по работе, а также содержит список используемой литературы из 76 наименований и приложение Работа иллюстрирована 70 рисунками и 2 таблицами

ОСНОВНОЕ СОДЕРЖАНИЕ ДИССЕРТАЦИИ Введение содержит обоснование актуальности темы диссертационной работы, в нем определены цели и задачи исследования, а также указана методика исследования и практическая ценность работы

Глава I. Анализ технологического процесса вытягивания В этой главе проведен анализ технологического процесса вытягивания, который показал, что в вытяжном приборе происходят сложнейшие взаимодействия, где иногда нельзя рассчитать или определить экспериментально даже отдельные стороны К такого рода сложностям относятся определение и формализация основных факторов, оказывающих влияние на процесс вытягивания,

такие как характеристики самого волокна (неравномерность волокна, случайный характер полей сил трения, извитость, упругость, гладкость, сорт, класс, влажность волокна, длительность хранения, качество очистки волокна, качество перемешивания волокон в смеси и т д), влияния конструкции и параметров вытяжного прибора (изменения передаточной функции вытяжного прибора, биение цилиндров и валиков), влияние других механизмов и процессов, происходящих до вытяжного прибора (гарнитуры чесальной машины, биение валов и роликов, структурная и периодическая неровнота ленты)

Далее рассмотрены математические модели, которые показывают, что на вытягивание влияют распределение волокон по длине, распределение координат точек изменения скорости волокон, взаимодействие волокон в процессе вытягивания, - причем от характера этого взаимодействия эффективность вытягивания и его влияние на неровноту выходящего продукта по линейной плотности могут быть различными, а в некоторых случаях - противоположными

Также в первой главе представлен анализ известных систем автоматического регулирования, работающие по методам компепст(ии и регулирования по отклонению Первые системы требуют точного определения коэффициента компенсации, чго ведет к построению чрезмерно сложных многопараметрических математических моделей процесса, вторые - из-за неполноты информации не обеспечивают высокой динамической точности Также к основным недостаткам подобных систем относятся большое количество функциональных устройств, сложность процесса настройки и регулирования В связи с этим в постановке задач предлагается разработать и исследовать адаптивную систему регулирования, основанную на нейронной схеме управления Такие системы управления обладают способностью к пониманию и обучению в отношении объекта управления, возмущений, внешней среды, условий работы Примеры факторов, которым могут обучаться такие системы - характеристики объекта (статические и динамические), некоторые характеристики возмущений и внешней среды, методы управления оборудованием

Глава II Аналитическое исследование н сравнительный анализ методов управления

Вторая глава начинается с анализа традиционных, адаптивных, нейросе-тевых технологий управления Выявлены основные преимущества нейросете-вых систем по сравнению с традиционными системами управления

1 Нейросети дают стандартный способ решения нестандартных задач Возможно, что специализированная машина лучше решит один класс задач Но один нейрокомпьютер более универсален и способен решить несколько классов задач, при этом не надо каждый раз проектировать специализированную ЭВМ, нейрокомпьютер сделает все сам

2 Вместо программирования - обучение Нейросеть учится Нужно только формировать обучающие наборы Труд программиста замещается новым трудом учителя (тьютора) Программист предписывает все детали работы, учитель создает «образовательную среду», к которой приспосабливается нейросеть

3 Нейросети особенно эффективны гам, где нужен аналог человеческой интуиции для распознавания образов (узнавания лиц, чтения рукописных текстов), подготовки аналитических прогнозов, перевода с одного естественного языка на другой и т п Именно для таких задач обычно трудно предложить формальный алгоритм

4 Нейронные сети позволяют созда1ь эффективное программное обеспечение для компьютеров с высокой степенью распараллеливания обработки Эффективно использовать параллельные системы удается очень редко С помощью нейросетевых сетей можно добиться того, чтобы все элементы одновременно и без лишнего дублирования выполняли задачу

5 Неиросетевые системы «демократичны», они также дружественны, как текстовые процессоры, поэтому с ними может работать любой, даже совсем неопытный пользователь

Также проведен сравнительный анализ классических и нейросетевых регуляторов, который показал, что быстродействие регуляторов сравнимы, а точность, полученная на выходе нейросетевого регулятора почти в 20 раз превышает точность классического Данный анализ проведен с помощью программы для микропроцессорных контроллеров, разработанной в специализированной среде разработки

Проведенные исследования показали, что нейросетевои регулятор является адаптивным регулятором и его целесообразно использовать в тех задачах, где регулируемая величина зависит от множества различных факторов, математическое описание которых - сложная и кропотливая работа К такой задаче, в том числе, относится процесс вытягивания волокнистой ленты

Глава III. Разработка и исследование функционирования АСС ЛПЛ на основе искусственной нейронной сети

В третьей главе выявлены возможные подходы к синтезу алгоритма обучения нейронной сети Для использования многослойной нейронной сети в системе управления динамическим объектом с заранее неизвестной оптимальной траекторией управления в реальном масштабе времени необходимо ввести в нее динамику В данной работе предлагается ввести динамику в алгоритм обучения, что позволяет избавиться от использования обратных связей в сети, а также позволяет объединить в единый процесс настройку весовых коэффициентов сети и формирование функции управления объектом

Исходя из вышесказанного, в данной работе используется динамический скоростной алгоритм обратного распространения ошибки, работающий в режиме реального времени Для управляющего воздействия и{к ¿u) = q(K)(t) справедливо

Следовагельно, вычисление матриц dy(t)/dw^n сводится к вычислению матриц dq

Для выходного К-го слоя (I = 1 ,пк - число нейронов)

Ж*0

Здесь матрица размерностью [пк-1 + 1 хпк] имеет ненулевой 1-й с голбец ЧГ=со1^Г\ЯГ\ Для слоя К-1 имеем

с1ц

(К)

дд

СО

\т

д (К-1) ■> (1 3)

Матрица " имеет размерность [пк-2+1*пк-1] и структуру вида й'*-" =[0,0, ,0],

где 9,"1"" =со/(^*"г),9['с"2), Матрица весовых коэффициентов ней-

ронов К-ого слоя имеет размерность [пк-1*пк] и структуру, где из матрицы И?" удален столбец = со/(и^>, Х*>) Для слоев К-2 имеем

(14)

В (1 4) матрицы й'*"2', ¡■У1(Х'[> определяются подобно матрицам £>,<*" и «/l"í, в соотношении (1 3)

Для любого слоя 1 матрица (1д<-к)/<1\^'> вычисляется по формуле

<1ди

\т

V I /

(15)

где £>(/) - матрица перехода размерностью [п1хпк], определяется как произведение матриц

(16)

Также представлены условия применения метода скоростного градиента в нейросетевых адаптивных системах управления

Цель адаптации задана оценочным функционалом (2(х(1)) Будем считать, что цель адаптивного управления достигается, если

Ьтб(х(0)->0, (2 1)

Согласно методу скоростного градиента, алгоритм настройки весовых коэффициентов \¥ может быть записан в виде

Л (2 2)

Алгоритм адаптации (2 2) должен обеспечивать достижение поставленной цели управления (2 1) для любых значений неизвестных параметров В дальнейшем будем полагать, что выполнено Допущение 1

Допущение 1 Существуют V/*, и*=Р(х, \у*, т)=Р*(х, I), е>0, Т>С? такие, что для локального функционала (2(х(0) при 11=11*" достигается цель управления

т

(2 1) и а для интегрального оценочного функционала

о

г

J - достигав 1ся цель адаптивного управления (2 1) и выполнено

о

7

неравенство ^МОиЛО'Л < е

о

Допущение 1 устанавливает принципиальную разрешимость поставленной задачи управления в рамках выбранной структуры нейросети и означает, что существует эталонный закон управления и*, который может быть аппроксимирован многослойной нейронной сетью Здесь е — оценка погрешности аппроксимации, Т — временной интервал аппроксимации функции эталонного управления и*

Достижение поставленной цели адаптации в нейросистеме при допущении 1 обосновывается теоремами о применимости алгоритмов скоростного градиента

Известны некоторые проблемы применения метода скоростного градиента, такие как попадание в локальные минимумы Однако существуют способы преодоления подобных трудностей, например, синтетический алгоритм в составе алгоритма обучения избавляет нейронную сеть от подобных проблем

Важным этапом в решении задачи на основе искусственных нейронных сетей является формирование обучающей выборки (ОВ) От состава, полноты, качества ОВ в значительной мере зависят время обучения нейронной сети (НС) и достоверность получаемых моделей

Для большинства НС характерно наличие интервала допустимых значений входных сигналов, в пределах которого сигналы различимы Функция активации устанавливает допустимые границы значений исходных данных

Отображение в этот диапазон в основном осуществляется с помощью простейшего преобразования - нормализации, однако, при этом не учитываются характеристики закона распределения Как следствие - при сильной неравномерности закона распределения допустимый диапазон используется не полностью

В нем присутствуют, как слабо заполненные участки, так и участки скученности значений исходной величины Слабо заполненные участки приводят к тому, что в процессе обучения НС плохо «запоминает» эти значения А участки скученности, где на относительно небольших отрезках располагается значительное количество значений исходной величины, оказываются слабо различимыми Точки, как бы, сливаются на этих участках, что также приводит к снижению качества обучения

Решение этой проблемы может идти в двух направлениях

• повышение чувствительности НС за счет изменения параметров функции активации,

• повышение равномерности распределения исходной величины Целесообразность второго подхода обуславливается тем, что такое преобразование исходных данных фактически является перекодировкой, повышающей их информативность В то время, как первый повлечет за собой необходимость вмешательства в синтез НС, что нежелательно и сложнее

В данной работе предложено использовать процесс предобработки данных, состоящий в совмещении нормализации исходных данных с повышением их равномерности распределения по нормализованному интервалу Такой подход к преобразованию позволяет повысить равномерность распределения, что приводит к улучшению различимости обучающей выборки и к повышению скорости обучения ИНС на 41 %

В заключение главы реализована модель автоматической системы стабилизации линейной плотности ленты на основе искусственной нейронной сети, общая структура которой показана на рис 1 Однако, здесь для реализации модели АСС ЛПЛ было предложено использовать в качестве многослойной нейронной сети трехслойный персептрон с тремя нейронами в скрытом слое и по одному - во входном и выходном слоях В качестве алгоритма обучения используется скоростной алгоритм обратного распространения ошибки

Втеяпй аариотф 3

Рис 1 - Общая архитектура многослойной нейронной сети Модель АСС ЛПЛ реализована в среде разработки Control Builder PS50I на основе открытой системы программирования CoDeSys Программная модель ИНС, изображенная на рис 3 представляет собой многослойную нейронную сеть и алгоритм ее обучения Структура нейросети (ANN) состоит из трех массивов базовых структурных единиц или нейронов (рис 2), которые выполняют

роль слоев искусственной нейронной сети. Интервал, определенный в массивах, соответствует выбранной топологии искусственной нейронной сети.

Алгоритм обучения состоит ш четырех функциональных блоков, которые выполняют следующие действия:

• Блок определение входных данных ИНС (AssignInputs). В качестве

входных данных выступает регулируемая величина (Т2).

• «Блок прямого хода» (Рее(1Ропуагс1). Здесь определяются взвешенные

суммы, по которым через функцию адаптации рассчитываются выходные значения нейронов в скрытом и выходном слоях. А также формируется обучающий стек выходных значений и значений взвешенных сумм нейронов.

• «Блок обратного хода» (8рее(1ВаскРгорЕггог). Определяются значения

ошибок обучения в нейронах скрытого и выходного слоев.

• Блок обновление или настройки весовых коэффициентов

(AdjustWeights). Весовые коэффициенты обновляются в нейронах скрытого и выходного слоев.

Алгоритм, описанный выше, вычисляется периодически со временем цикла 1 мсек.

Рис. 4 показывает работоспособность предложенного алгоритма, а также дает возможность оценить модель АСС ЛПЛ с точки зрения ее быстродействия и точности полученного результата. На нем изображена переходная функция регулятора, которая показывает, как быстро нейросеть среагировала на внешнее возмущение. Скорость сходимости регулируемой величины к заданному значению задается с помощью коэффициента усиления (ЬС). Т.е. настройка нейросе-

н

С2к

Рис. 2 - Программная структура базового элемента (нейрона).

Рис. 3 - Функциональный блок ИНС.

тевого регулятора сводится к нахождению оптимального значения одного лишь коэффициента усиления.

Также здесь показана часть компьютерной модели системы, где Т2 - линейная плотность ленты за вытяжными цилиндрами, БР - задание нейрорегуля-тора. Из рисунка видно, что регулируемая величина отличается от заданной в шестом знаке.

Предложенное решение позволяет организовывать автоматическую систему регулирования на основе ИНС в различных микропроцессорных программно-технических системах. Реализованная модель показывает работоспособность данного решения и подтверждает те достоинства ИНС, о которых говорилось ранее.

Усл.

; 00011 ш'-лий..........

: ¿ШЦЗ РУ -- О Г

| тг=о 7000005 ь

Г" °"тГ

ег

I РевОРоплгагй -|пеКуогК

| ЗР10 7~1—

а) б)

Рис. 4 - Оценка работоспособности.

Глава IV. Реализация АСС ЛПЛ на основе искусственной нейронной

В начале четвертой главы дана общая характеристика АСУ 'ГП на базе микропроцессорной техники, показаны функции и задачи, выполняемые системой управления.

АСС ЛПЛ с нейросетевым регулятором предлагается использовать в качестве локальной подсистемы (подсистемы автоматического регулирования), которая может быть использована как в составе АСУ ТП ленточной машины, так и автономно. Подсистема АСС ЛПЛ выполняет следующий набор функций:

• Функция сбора и первичной обработки данных. Прием и первичная обработка значений аналоговых параметров, дискретной информации и команд, поступающих по полевой линии связи через модули УСО, а также примем команд от АСУ ТП.

• Функция регулирования на базе искусственной нейронной сети. Автоматическое регулирование технологическим процессом в масштабе реального времени на основе сигнала рассогласования регулируемой величины и значения задания, а также на основе дополнительной совокупной информации, входящей в нейросеть.

• Функция формирования управляющего воздействия. Выходное управляющее воздействие формируется в функциональном блоке широтно-

импульсной модуляции. Импульс выдается в зависимости от сигнала ошибки нейронной сети.

• Функция отображении информации. Полученная от вышеуказанных функций информация отображается на операторских станциях в виде мнемосхем, с которых машинист-оператор осуществляет мониторинг технологического процесса и управляет им.

Далее показана практическая реализация адаптивной системы вытяжки ленты на базе нейронного управления. В разработанной программе была использована многослойная нейронная сеть, архитектура которой представляет собой трехслойный персептрон Розенблатта с одним нейроном во входном слое, тремя - в скрытом и с одним нейроном в выходном слое.

Для программной реализации (рис. 6) данной работы использовались современные промышленные микропроцессорные программно-технические комплексы (контроллеры серии AC800F и АС500 производства ABB) с использованием специализированных средств программирования контроллеров и средств визуализации автоматизированной системы управления технологическими процессами. Общая структура подобных систем показана на рис. 5.

Рис. 5 - Общая структура ПТК.

Операторская и/или Инженерная станции

Контроллер уровня АСУ ТП (ABB AC800F)

Контроллер локальной подсистемы АСС ЛПЛ (ABB АС500)

Рис. 6 - Практическая реализация.

Рис. 8 - Результат выравнивания.

Основным итогом данной работы является график выравнивания, полученный в результате работы разработанной автоматической системы стабилизации линейной плотности ленты на основе искусственной нейронной сети (рис. 8). В качестве параметра, вносящего возмущение, было взято значение функции случайных чисел, которая имитировала линейную плотность ленты до вытяжных цилиндров. Эта величина подавалась на вход нейрорегулятора, который формировал управляющее воздействие, изменяющее скорость вытяжных цилиндров, тем самым выравнивая продукт. Колебательный характер линейной плотности ленты снизился примерно на 60%, средняя амплитуда возмущений -на 65%.

...... ш.

I

На рис. 7 представлен интерфейс пользователя. На данной мнемосхеме показаны основные параметры процесс вытягивания и нейросетевого регулятора. с возможностью управления процессом, путем настройки параметров нейрорегулятора.

Рис. 7 - Интерфейс пользователя.

Общие выводы

1 Проведенный анализ технологического процесса вытягивания показывает, что в вытяжном приборе происходят сложнейшие взаимодействия, в которых иногда нельзя рассчшать или определить экспериментально даже отдельные стороны К такого рода сложностям относятся определение и формализация следующих основных факторов, оказывающих влияние на процесс вытягивания характеристики волокна (неравномерность волокна, случайный характер полей сил грения, извигос1ь, упругость, гладкость, сорт, класс, влажность волокна, длительность хранения, качество очистки волокна, качество перемешивания волокон в смеси и т д), влияния конструкции и параметров вытяжного прибора (изменения передаточной функции вытяжного прибора, биение цилиндров и валиков), влияние других механизмов и процессов, происходящих до вытяжного прибора (биение валов и роликов, гарнитуры чесальной машины, структурная и периодическая неровнота ленты)

2 Рассмотренные математические модели показывают, что на вытягивание влияют различные факторы распределение волокон по длине, распределение координат точек изменения скорости волокон, взаимодействие волокон в процессе вытягивания, - причем от характера этого взаимодействия эффективность вытягивания и его влияние на неровноту выходящего продукта по линейной плотности могут быть различными, а в некоторых случаях - противоположными

3 Представлены известные системы автоматического регулирования, работающие по методам компенсации и/или регулирования по отклонению, имеют следующие основные недостатки первые системы требуют точного определения коэффициента компенсации, что ведет к построению чрезмерно сложных многопараметрических математических моделей процесса, вторые - из-за неполноты информации не обеспечивают высокой динамической точности В связи с этим в постановке задач предлагается разработать и исследовать адаптивную систему регулирования, основанную на нейронной схеме управления

4 Рассмотрены традиционные, адаптивные и неиросетевые технологии управления Выявлены их основные достоинства и недостатки Проведен сравнительный анализ классических и нейросетевых регуляторов, по результатам которого даны оценки по точности и бысфодействию регулирования Проведенные исследования показали, что нейросетевой регулятор является адаптивным регулятором, и его целесообразно использовать в тех задачах, где регулируемая величина зависит от множества различных факторов, математическое описание которых - сложная и кропотливая работа К такой задаче в том числе относится процесс вытягивания волокнистой ленты

5 Выявлены возможные подходы к синтезу алгоритма обучения нейронной сети Для использования многослойной нейронной сети в системе управления динамическим объектом с заранее неизвестной оптимальной траекторией управления в реальном масштабе времени необходимо ввести в нее динами-

ку Предлагается ввести динамику в алгоритм обучения, что позволяет избавиться от использования обратных связей в сети, а также позволяет объединить в единый процесс настройку весовых коэффициентов сети и формирование функции управления объектом

6 Представлен динамический скоростной алгоритм обратного распространения ошибки, работающий в реальном режиме времени, а также его модификация с прогнозом ошибки обучения

7. Предложено использовать процесс предобработки данных, состоящий в совмещении нормализации исходных данных с повышением их равномерности распределения по нормализованному интервалу Данный алгоритм преобразования позволяет повысить равномерность распределения, что приводит к улучшению различимости обучающей выборки и к повышению скорости обучения ИНС на 41%

8. Реализована модель АСС ЛПЛ на основе искусственной нейронной сети, которая показывает работоспособность предложенного алгоритма, а также дает возможность оценить модель АСС ЛПЛ с точки зрения ее быстродействия и точности полученного результата

9 Предложена структурная схема локальной подсистемы АСС ЛПЛ на основе ИНС Показаны функции, выполняемые подсистемой Представлена ее реализация на базе современного микропроцессорного программно - технического комплекса

Основное содержание диссертационной работы отражено в публикациях:

1 Ванин А С , Козлов А Б Реализация регулятора на основе искусственной нейронной сети на языке программирования для промышленных микропроцессорных систем // Изв Вузов Технология текстильной промышленности, 2007 - №2 С 103-106

2 Ванин А С , Козлов А Б Компьютерное моделирование нейросетсвого регулятора // Текстильная промышленность (научный альманах), 2008 - №4 С 56-58

3 Ванин А С , Козлов А Б Алгоритм обучения нейросетевых регучяторов текстильных технологических процессов Сборник научных трудов «Вестник ДИТУД», 2007 -С 191-193

4 Ванин А С, Козлов А Б Нейросетевое регулирование в текстильной промышленности Тезисы докладов 59-й межвузовской научно-технической конференции молодых ученых и студентов КГТУ-производству (Секция 7), 2007 - С 153-152

5 Ванин А С , Козлов А Б Нейросетевые методы управления в технологии формирования ленты Тезисы докладов всероссийской научно-технической конференции «Современные технологии и оборудование текстильной промышленности» (ТЕК-СТИЛЬ-2007) - С 97-99

6 Ванин А С , Селезнева Л Н Neural networks for control Тезисы докладов научно-практической конференции аспирантов университета на иностранных языках М МГТУим АН Косыгина, 2006 -С 9-10

Подписано в печать 02 07 08 Формат бумаги 60x84/16 Бумага множ Услпечл 1,0 Заказ 255 Тираж 80 ГОУВПО «МГТУ им А Н Косыгина», 119071, Москва, ул Малая Калужская, 1

ВВЕДЕНИЕ.

ГЛАВА I. АНАЛИЗ ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА ВЫТЯГИВАНИЯ.

1.1 Технология формирования ленты на ленточных машинах и качественные показатели процесса.

1.2 Оценка основных внешних возмущений, влияющих на процесс вытягивания волокнистого продукта.

1.2.1 Влияние качества перемешивания волокон.

1.2.2 Влияние влажности волокна.

1.2.3 Влияние входной неровноты ленты.

1.3 Математическая модель процесса вытягивания ленты.

1.3.1 Моделирование процесса вытягивания волокнистого продукта в вытяжном приборе.

1.3.2 Модели различных схем процесса вытягивания.

1.3.3 Компьютерная модель вытягивания в однозонном вытяжном прибореЗО

1.4 Анализ известных автоматических систем стабилизации линейной плотности ленты. Постановка задачи.

1.4.1 Методы регулирования развеса.

1.4.2 Система регулирования методом автоматической компенсации с установкой датчика на входе.

1.4.3 Система автоматического регулирования развеса по отклонению с датчиком на стороне вытяжных цилиндров.

1.4.4 Системы автоматического регулирования с датчиком в вытяжном поле.

1.4.5 Комбинированные системы автоматического регулирования развеса с датчиками на входе и выходе вытяжного прибора.

1.4.6 Постановка задач.

ГЛАВА II. АНАЛИТИЧЕСКОЕ ИССЛЕДОВАНИЕ И СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ УПРАВЛЕНИЯ.

2.1. Традиционные ПИ- и ПИД-контроллеры с дискретным временем.

2.2. Классификация и виды адаптивных систем.

2.2.1 Общие сведения.

2.2.2 Адаптивные системы без эталонной модели.

2.2.3 Адаптивные системы с эталонной моделью.

2.2.4 Классификация адаптивных систем.

2.3. Управление с самонастройкой.

2.4. Технологии нейронного управления.

2.4.1. Подходы к нейронному управлению.

2.4.2. Последовательная схема нейронного управления.

2.4.3. Параллельная схема нейронного управления.

2.4.4. Схема нейронного управления с самонастройкой.

2.5. Сравнение "классических" и нейросетевых методов управления.

2.5.1 Предпосылка анализа.

2.5.2 Реализация решения.

2.5.3 Выводы.

ГЛАВА III. РАЗРАБОТКА И ИССЛЕДОВАНИЕ ФУНКЦИОНИРОВАНИЯ АСС ЛПЛ НА ОСНОВЕ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ.

3.1 Синтез динамического алгоритма обучения нейросети.

3.1.1 Возможные подходы к синтезу алгоритма обучения.

3.1.2 Постановка задачи синтеза динамического алгоритма.

3.2 Скоростной алгоритм обратного распространения ошибки.

3.2.1 Алгоритмом скоростного градиента.

3.2.2 Условия применения метода скоростного градиента в нейросетевых адаптивных системах управления.

3.2.3 Динамический алгоритм с прогнозом ошибки обучения.

3.3 Преобразование входных данных нейросети с целью улучшения их различимости.

3.3.1. Порядок решения задачи.

3.3.2. Нормализация значений ОВ.

3.3.3. Повышение различимости ОВ.

3.3.4. Применение предложенного подхода.

3.3.5. Практические результаты.

3.3.6. Выводы.

3.4 Моделирование АСС ЛПЛ на основе искусственной нейронной сети. Оценка работоспособности.

3.4.1 Определение структуры АСС ЛПЛ на основе ИНС.

3.4.2 Практические результаты предложенной АСС ЛПЛ на основе ИНС

3.4.3 Оценка работоспособности.

3.4.4 Выводы.

ГЛАВА IV. РЕАЛИЗАЦИЯ АСС ЛПЛ НА ОСНОВЕ ИСКУССТВЕННОЙ НЕРОННОЙ СЕТИ.

4.1. АСС ЛПЛ на базе микропроцессорных программно-технических комплексов.

4.1.1 Общие сведения.

4.1.2 Микропроцессорные контроллеры и их основные характеристики.

4.1.3 Устройства сопряэюения с объектом (модули УСО).

4.1.4 Средства отображения и управления.

4.2. Измерительные устройства.

4.2.1 Устройства для измерения засоренности волокна.

4.2.2 Устройство для измерения качества смешивания волокон.

4.2.3 Устройство для измерения влажности волокна в ленте и ЛПЛ.

4.3. Программная реализация АСС ЛПЛ на основе ИНС.

4.3.1 Сбор и первичная обработка информации.

4.3.2 Искусственная нейронная сеть и алгоритм ее обучения.

4.3.3 Формирование выходных данных и управляющего воздействия на исполнительный механизм.

4.3.4 Интерфейс пользователя.

4.3.5 Вывод.

Актуальность работы. В современных условиях жесткой конкуренции одной из главных задач автоматизации технологических процессов текстильной промышленности является задача повышения качества выпускаемой продукции и уменьшения расходов на сырье. Это особенно важно в связи с высокой долей исходного сырья в себестоимости готового текстильного изделия. В основе каждого текстильного изделия лежит нить, и от ее качества зависит качество готовой продукции. Процесс вытягивания волокнистого материала в вытяжном приборе является классическим объектом исследования науки о прядении. Именно вытягивание позволяет получить продукт с требуемым числом волокон.

Силы, действующие на волокно, зависят от конструкции и параметров вытяжного прибора и от количества волокон, находящихся в нем. Так как вытягиваемый продукт неравномерен, то поля сил трения будут иметь случайные составляющие. Кроме того, нестационарность работы вытяжного прибора, связанная с биениями цилиндров и валиков, с выходом иглы (в гребенных полях), также вызывает изменения сначала поля сил трения, затем кривых утонения, а последние изменения оказывают обратное влияние на поля трения и т.д. Также нельзя забывать и о характеристиках волокнистого материала, таких как качество очистки волокна, качество перемешивания волокна в смесях, влажность волокна, сорт, класс, длительность хранения, упругость, гладкость, неровнота ленты и т.д., существенно влияющих на процесс вытягивания.

Таким образом, в вытяжном приборе происходят сложнейшие взаимодействия, в которых иногда нельзя рассчитать или определить экспериментально даже отдельные стороны. В связи с этим необходимо исследовать и разрабатывать альтернативные алгоритмы и схемы управления, например, интеллектуальные системы управления. Такие системы обладают способностью к пониманию и обучению в отношении объекта управления, возмущений, внешней среды, условий работы. На данном этапе искусственные нейронные сети, благодаря своим способностям к самоорганизации и обучению, рассматриваются как перспективные средства для интеллектуальных систем. В связи с указанным, тема диссертационной работы, посвященная разработке и исследованию адаптивной системы вытяжки ленты на базе нейронного управления, является весьма актуальной.

Цель и задачи работы. Основная цель диссертационной работы является разработка и исследование адаптивной системы вытяжки ленты на базе нейронного управления, обеспечивающего автоматическую стабилизацию линейной плотности ленты. Данная система должна быть реализована на современных микропроцессорных программно-технических комплексах.

Для достижения поставленной цели в работе решаются следующие научно-технические задачи:

1. Анализ технологического процесса вытягивания и оценка возможных внешних возмущений, влияющих на процесс вытягивания волокнистого продукта.

2. Математическое моделирование процесса вытягивания ленты и их использование для решения поставленной цели.

3. Анализ известных автоматических систем стабилизации линейной плотности ленты (АСС ЛПЛ).

4. Аналитическое исследование и сравнительный анализ классических и нейросетевых методов управления.

5. Разработка и исследование автоматической системы стабилизации линейной плотности ленты на основе искусственной нейронной сети.

6. Практическая реализация автоматической системы стабилизации линейной плотности ленты на основе искусственной нейронной сети с использованием микропроцессорных программно-технических комплексов.

На защиту выносятся:

1. Структура адаптивной нейросетевой автоматической системы стабилизации линейной плотности ленты.

2. Результаты аналитического исследования и сравнительного анализа классических и нейросетевых методов управления.

3. Программная структура искусственной нейронной сети и алгоритм ее обучения для автоматической системы стабилизации линейной плотности ленты.

4. Программная реализация алгоритмов, разработанная на базе современных микропроцессорных программно-технических комплексов.

Методика проведения исследования. В работе использована комплексная методика исследования, сочетающая методы математического моделирования и инструментальные средства. При построении моделей использованы методы теории автоматического управления, методы экспериментально-теоретического моделирования, компьютерной обработки информации, а также методы математической статистики и вычислительной математики с применением ЭВМ.

Моделирование технологического процесса вытягивания волокнистого продукта проведена в пакете прикладных программ Matlab и его приложении Simulink. Реализация алгоритмов нейросетевого регулятора осуществлена с помощью специализированных промышленных программно-технических комплексов, включающих в себя микропроцессорные контроллеры и модули сопряжения с объектом (контроллеры и модули УСО серии АС500, AC800F компании ABB Industrial IT), а также программные средства разработки и визуализации (Freelance 800F Control Builder F v.8.1, Freelance 800F DigiVis v.8.1, Control Builder PS501 на основе CoDeSys v.2.3).

Научная новизна. В результате выполнения диссертационной работы получены следующие результаты:

1. Разработана и исследована структура нейросетевой автоматической системы стабилизации линейной плотности ленты.

2. Проведены аналитическое исследование и сравнительный анализ классических и нейросетевых методов управления.

3. Разработаны программная структура искусственной нейронной сети и алгоритм ее обучения для автоматической системы стабилизации линейной плотности ленты.

4. Выполнена программная реализация алгоритмов, разработанная на базе современных микропроцессорных программно-технических комплексов.

Достоверность результатов работы. Адекватность полученной математической модели регулятора на основе искусственной нейронной сети подтверждена совпадением результатов теоретических и экспериментальных исследований.

Практическая ценность. Использование разработанных систем автоматического регулирования на основе искусственных нейронных сетей позволит повысить качество и конкурентоспособность выпускаемой продукции. Разработанные в диссертационной работе методы управления могут найти широкое применение не только в различных отраслях текстильной промышленности, но и на других производствах. Полученные результаты могут быть использованы при создании и совершенствовании систем управления технологическими процессами.

Апробация работы. Материалы диссертационной работы доложены, обсуждены и получили положительную оценку на 59-й межвузовской научно-технической конференция молодых ученых и студентов «Студенты и молодые ученые КГТУ - производству» (Кострома, КГТУ, 2007г.), на всероссийской научно-технической конференции «Современные технологии и оборудование текстильной промышленности» (ТЕКСТИЛЬ-2007), а также на научно-практической конференции аспирантов МГТУ им. А.Н. Косыгина на иностранных языках (Москва, МГТУ им. А.Н. Косыгина, 2006г.).

Публикации. По материалам диссертационной работы опубликовано 6 печатных работ.

Структура и объем работы. Диссертационная работа изложена на 146 страницах машинописного текста и состоит из введения, четырех глав, выводов по главам и общих выводов по работе, а также содержит список используемой литературы из 76 наименований и приложение. Работа иллюстрирована 70 рисунками и 2 таблицами.

ОБЩИЕ ВЫВОДЫ

1. Проведенный анализ технологического процесса вытягивания показывает, что в вытяжном приборе происходят сложнейшие взаимодействия, в которых иногда нельзя рассчитать или определить экспериментально даже отдельные стороны. К такого рода сложностям относятся определение и формализация следующих основных факторов, оказывающих влияние на процесс вытягивания: характеристики волокна (неравномерность волокна, случайный характер полей сил трения, извитость, упругость, гладкость, сорт, класс, влажность волокна, длительность хранения, качество очистки волокна, качество перемешивания волокон в смеси и т.д.); влияния конструкции и параметров вытяжного прибора (изменения передаточной функции вытяжного прибора, биение цилиндров и валиков); влияние других механизмов и процессов, происходящих до вытяжного прибора (биение валов и роликов, гарнитуры чесальной машины, структурная и периодическая неровнота ленты).

2. Рассмотренные математические модели показывают, что на вытягивание влияют различные факторы: распределение волокон по длине, распределение координат точек изменения скорости волокон, взаимодействие волокон в процессе вытягивания, - причем от характера этого взаимодействия эффективность вытягивания и его влияние на неровноту выходящего продукта по линейной плотности могут быть различными, а в некоторых случаях -противоположными.

3. Представлены известные системы автоматического регулирования, работающие по методам компенсации и/или регулирования по отклонению, имеют следующие основные недостатки: первые системы требуют точного определения коэффициента компенсации, что ведет к построению чрезмерно сложных многопараметрических математических моделей процесса; вторые - из-за неполноты информации не обеспечивают высокой динамической точности. В связи с этим в постановке задач предлагается разработать и исследовать адаптивную систему регулирования, основанную на нейронной схеме управления.

4. Рассмотрены традиционные, адаптивные и нейросетевые технологии управления. Выявлены их основные достоинства и недостатки. Проведен сравнительный анализ классических и нейросетевых регуляторов, по результатам которого даны оценки по точности и быстродействию регулирования. Проведенные исследования показали, что нейросетевой регулятор является адаптивным регулятором, и его целесообразно использовать в тех задачах, где регулируемая величина зависит от множества различных факторов, математическое описание которых - сложная и кропотливая работа. К такой задаче в том числе относится процесс вытягивания волокнистой ленты.

5. Выявлены возможные подходы к синтезу алгоритма обучения нейронной сети. Для использования многослойной нейронной сети в системе управления динамическим объектом с заранее неизвестной оптимальной траекторией управления в реальном масштабе времени необходимо ввести в нее динамику. Предлагается ввести динамику в алгоритм обучения, что позволяет избавиться от использования обратных связей в сети, а также позволяет объединить в единый процесс настройку весовых коэффициентов сети и формирование функции управления объектом.

6. Показан динамический скоростной алгоритм обратного распространения ошибки, работающий в реальном режиме времени, а также его модификация с прогнозом ошибки обучения.

7. Предложено использовать процесс предобработки данных, состоящий в совмещении нормализации исходных данных с повышением их равномерности распределения по нормализованному интервалу. Данный алгоритм преобразования позволяет повысить равномерность распределения, что приводит к улучшению различимости обучающей выборки и к повышению скорости обучения ИНС на 41%.

8. Реализована модель АСС ЛПЛ на основе искусственной нейронной сети, которая показывает работоспособность предложенного алгоритма, а также дает возможность оценить модель АСС ЛПЛ с точки зрения ее быстродействия и точности полученного результата. 9. Предложена структурная схема локальной подсистемы АСС ЛПЛ на основе ИНС. Показаны функции, выполняемые подсистемой. Представлена ее реализация на базе современного микропроцессорного программно -технического комплекса.

1. Haken Н. Synergetic computers and cognition: A top - daw approach to neural nets. Berlin: Springer - Verlag. 1991.

2. Neural networks for control systems: A servey / K.J. Hunt, D. Sbarbaro, R. Zbikowski, PJ. Gawthrop // Automatica. 1992.Vol.28. №6. P.1083-1112.

3. A. c. № 1758097 СССР. Устройство для контроля линейной плотности волокнистого материала/А.Б.Козлов, Л.П.Себина. Опубл. 1992. Бил. №32.

4. Автоматизация производственных процессов текстильной промышленности / Под ред. Д.П.Петелина, Р.Бакмана, кн.1-5.-М.:Легпром-бытиздат, 1992-1995.

5. Автоматический контроль и регулирование развеса текстильных материалов. /Под ред. В.П.Хавкина М.: Легкая индустрия, 1975.

6. Архангельский А .Я. "Программирование в C++Builder5", М., БИНОМ, 2001.

7. Белова Н.А. "Безопасность жизнедеятельности" М., Знание, 2000.

8. Бусурин В.И., Носов Ю.Р. Волоконно-оптические датчики: Физические основы, вопросы расчета и применения. -М.; Энергоатомиздат, 1990.

9. Бусурин В.И., Семенов А.А., Удалов Н.П. Оптические и волоконно-оптические датчики// Квантовая электроника, 1985. т.12, №5 С.901-944.

10. Ванин А.С., Козлов А.Б Алгоритм обучения нейросетевых регуляторов текстильных технологических процессов. Сборник научных трудов «Вестник ДИТУД», 2007. С. 191-193.

11. Ванин А.С., Козлов А.Б Компьютерное моделирование нейросетевого регулятора. // Текстильная промышленность (научный альманах), 2008. -№4.С. 56-58.

12. Ванин А.С., Козлов А.Б Нейросетевое регулирование в текстильной промышленности. Тезисы докладов 59-й межвузовской научно-технической конференции молодых ученых и студентов КГТУ-производству (Секция 7), 2007.-С. 153-152.

13. Ванин А.С., Козлов А.Б Нейросетевые методы управления в технологии формирования ленты. Тезисы докладов Всероссийской научно-технической конференции «Современные технологии и оборудование текстильной промышленности» (ТЕКСТИЛЬ-2007). С. 97-99.

14. Ванин А.С., Козлов А.Б Реализация регулятора на основе искусственной нейронной сети на языке программирования для промышленных микропроцессорных систем. // Изв. Вузов. Технология текстильной промышленности, 2007. №2. С. 103-106.

15. Ванин А.С., Козлов А.Б. Реализация регулятора на основе искусственной нейронной сети на языке программирования для микропроцессорных систем. // Изв. вузов. Технология текстильной промышленности, 2007. -№2. С.103-106

16. Ванин А.С., Селезнева JI.H. Neural networks for control. Тезисы докладов научно-практической конференции аспирантов университета на иностранных языках. М:. МГТУ им. А.Н. Косыгина, 2006. С. 9-10.

17. Варданян А.А. Исследование фотоэлектрического метода автоматического контроля развеса волокнистых полупродуктов: Дис. .канд. техн. наук. -М., МТИ, 1972.

18. Васильев Н.А. Вопросы теории прядения. Опыт применения методов математического анализа к технологическим процессам прядения: Сб. ст. /Под ред. Н.Власова, В.Казуитина, А.Брюхина.-M.-JI.: Гос. изд. лег. пром., 1932.

19. Васин В.П., Старшинов В.А., Домнина В.В., Поляков A.M., Трофимов А.В Применение новых информационных технологий при управлении работой электрических станций: учебное пособие /. Издательский дом МЭИ, 2006, с. 95-126.

20. Вершинин О.Е. Применение микропроцессоров для автоматизации технологических процессов. JL: Энергоатомиздат, Ленинградское отделение,1986.

21. Винтер Ю.М. Исследование структурной и весовой неровноты продуктов, получаемых в результате гребнечесания и вытягивания: Дис. .канд. техн. наук. М.,МТИ, 1967.

22. Влияние скорости вытягивания на неровноту шерстяной пряжи Пер. ст.: Plate D.E.A., Taylor D.S. из журн.: Text. Inst.-1960.-vol.58, №1.

23. Вышеславцев Г.Г. Исследование кинематики и динамики пневмомеханического регулятора ровноты ленты: Дис. .канд. техн. наук.-М.,ВНИИЛтекмаш, 1970.

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

25. Горбань А., Россиев Д. "Нейронные сети на персональном компьютере", Новосибирск, Наука, 1996.

26. Динамика основных процессов прядения (гребнечесание и вытягивание)./ Гинзбург Л.Н. и др.-М.: Легкая индустрия, 1972.

27. Егоров В. А. "Автоматизация проектирования предприятий", Л., Машиностроение, 1983.

28. Кенио Т. Шаговые двигатели и их микропроцессорные системы управления: Пер. с англ.-М.: Энергоатомиздат, 1987.

29. Козлов А.Б. Докт. Дисс. Повышение эффективности процессов текстильной технологии за счет контроля параметров качества продукции на базе оптоэлектронной техники. М. 1994.

30. Козлов А.Б., Ермаков А.А., Себина Л.П. Повышение эффективности работы вытяжных приборов с авторегулятором линейной плотности. //Веер, научн.- техн. конф. "Современные технологии текстильной промышленности": Тез. докл. М.: МГТА, 1996, С.54-55.

31. Крисилов В.А.,Кондратюк А.В. Преобразование входных данных нейросети с целью улучшения их различимости.// Труды Одесского политехнического университета.2003, с. 134.

32. Нейроинформатика и ее приложения // Материалы 3-го Всерос. семинара, 6-8 октября 1995 г. Ч. 1 /Под ред. А.Н. Горбаня. Красноярск: Изд-во КГТУ, 1995. 230 с.

33. Нейроинформатика и ее приложения // Тез. докл. 5-го Всерос. семинара, 3-5 октября 1997 г. /Под ред. А.Н. Горбаня. Красноярск: Изд-во КГТУ, 1997. 190 с.

34. Нейроинформатика: Учеб. пособие для студентов / Е.М. Миркес. Красноярск: ИПЦ КГТУ, 2002, 347 с.

35. Немура А.А. Передаточные функции и структурные схемы систем автоматического выравнивания массы единицы длины текстильной ленты и ровницы, части I и II, Труды АН Литовской ССР, 1960.

36. Никитюк Н.М. "Нейрочипы, нейрокомпьютеры и их применение в экспериментальной физике высоких и сверхвысоких энергий", Дубна, Физика элементарных частиц и атомного ядра, 2001.

37. Омату С., Марзуки X., Рубия Ю. "Нейроуправление и его приложения", М., Радиотехника, 2000.

38. Оптические полупроводниковые устройства, работающие в микрометровом диапазоне Пер. cT.:Sakurai Teruo из журн.:Ри.кзи Sci. and Techn.J.,1985,-vol.21, №1, 19-зо.

39. Петров И.В. "Программируемые контроллеры. Стандартные языки и приемы прикладного проектирования", М.: Изд-во СОЛОН-Пресс, 2004

40. Петров И.В. Программируемые контроллеры. Стандартные языки и приемы прикладного проектирования /Под ред. проф. В.П. Дьяконова. — М.: СОЛОН-Пресс, 2004.

41. Проспект фирмы ABB Industrial IT, Германия. Инструкция по инжинирингу. Конфигурирование системы Control Builder F.

42. Проспект фирмы ABB Industrial IT, Германия. Инструкция по инжинирингу. Программирование в соответствии со стандартом МЭК 61131-3.

43. Проспект фирмы ABB Industrial IT, Германия. Инструкция по инжинирингу. Конфигурирование операторской станции Freelance 800F.

44. Проспект фирмы ABB Industrial IT, Германия. Инструкция по инжинирингу. Процессовая станция AC 800F.

45. Проспект фирмы ABB Industrial IT, Германия. Инструкция по монтажу и установке контроллера AC 800F.

46. Проспект фирмы ABB Industrial IT, Германия. Распределенные системы управления Freelance 800F.

47. Проспект фирмы ABB Industrial IT, Германия. Справочник по инжинирингу. Функции и функциональные блоки.

48. СанПиН 2.2.2.542-96. Гигиенические требования к видеодисплейным терминалам (ВДТ). персональным электронно-вычислительным машинам (ПЭВМ) и организации работы. М.: Информационно-издательский центр Госкомэпиднадзора России, 1996.

49. Севостьянов А.Г. Исследование неровноты, возникающей при смешивании текстильных волокон и при вытягивании продуктов прядения: Дис. .докт. техн. наук. М.,МТИ, 1960.

50. Севостьянов А.Г. Методы исследования неровноты продуктов прядения. Характеристики случайных функций и их применение.-М.: Ростехиздат, 1962.

51. Севостьянов А.Г. Составление смесок и смешивание в хлопкопрядильном производстве. -М.: Гизлегпром, 1954. — 192 с.

52. Севостьянов А.Г., Вавилкин С.Ю. Взаимосвязь между свойствами хлоп-ко-лавсановой пряжи и долей компонентов в смеси. Изв. ВУЗов, ТТП, 2000, №2.

53. Севостьянов А.Г., Осьмин В.П., Щербаков В.П. "Механическая технология текстильных материалов", М., Легпромбытиздат, 1989.

54. Севостьянов А.Г., Севостьянов П.А. "Моделирование технологических процессов (в текстильной промышленности)", М., Легкая и пищевая промышленность, 1984.

55. Севостьянов А.Г., Элькина Т.Н. Методы исследования неровноты плоских текстильных материалов. -М.: Легкая индустрия, 1975.

56. Севостьянов П.А. Компьютерное моделирование технологических систем и продуктов прядения. -М.: Наука, 2006. 421 с.

57. Севостьянов П.А. Компьютерное моделирование технологических систем и продуктов прядения. -М.: Наука, 2006.

58. Сергеев К.В. Автоматическое выравнивание толщины продукта на ленточных машинах хлопкопрядильного производства: Дис. .канд. техн. наук. -М.,МТИ, 1968.

59. Средства автоматического контроля параметров технологических процессов текстильной промышленности / Под ред. В.И.Киселева. М.: Легпромбытиздат, 1990.

60. Таточенко Л.К. Контроль технологических параметров текстильных материалов: методы, устройства. -М.: Легкопромбытиздат, 1985. 192с.

61. Терехов В.А. Динамические алгоритмы обучения многослойных нейронных сетей в системах управления // Изв. РАН. Сер. Теория и системы управления, 1996. №3. С.70-79.

62. Терехов В.А., Ефимов Д.В., Тюкин И.Ю. "Нейросетевые системы управ-ления'7/Сер. "Нейрокомпьютеры и их применение", М., ИПРЖР, 2002.

63. Терехов В.А., Ефимов Д.В., Тюкин И.Ю. "Нейросетевые системы управления", М., Высшая школа, 2002.

64. Уоссермен Ф., Нейрокомпьютерная техника. Теория и практика, М., Мир, 1992, с.17.

65. Усенко Б.В. Исследование автоматического выравнивания толщины хлопчатобумажной ленты в зависимости от разных видов неровноты входящего продукта: Дис. .канд. техн. наук. М.,МТИ, 1970.

66. Фомин В. Н., Фрадков A. JL, Якубович В. А. "Адаптивное управление динамическими объектами", М., Наука, 1981.

67. Фостер Г.А.Р. Основы процесса вытягивания и неровноты: Пер. с англ. -М.:Ростехиздат, 1962.

68. Хавкин В.П. Исследование нестационарных процессов преобразования развеса в прядении: Дис. .докт. техн. наук. -Л.,ЛИТЛП, 1972.

69. Хавкин В.П. Основы теории и расчета систем автоматического выравнивания толщины продуктов прядения: Дис. .канд. техн. наук. -М.,МТИ, 1964.

70. Хавкин В.П. Оценка нестабильности процессов и продуктов прядильного производства льняной промышленности, М., Легкая индустрия, 1973.

71. Хавкин В.П., Молчанов А.С. Автоматическое управление технологическими процессами в прядильном производстве, М., Легкая индустрия, 1973.

72. Хакен Г. Синергетика. Иерархии неустойчивостей в самоорганизующихся системах и устройствах. М.: Мир, 1985.

73. Шаров Д.А. "Искусственные нейронные сети в управлении технологическими объектами", Ставрополь, СевКавГТУ, 2002.

74. Шульце К. П., Реберг К. Ю. "Инженерный анализ адаптивных систем", М., Мир, 1992.

75. Юдашкин А.А. Бифуркация стационарных решений в синергетической нейронной сети и управление распознаванием образов // Автоматика и телемеханика, 1996. №11. С.139-147.