автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Система управления с применением нейросетевых технологий для процесса очистки сточных вод производств свинцовых аккумуляторов

Спаа Ghaa - концентрация и расход полиакриламида C-Na2co3 GNa2co3 - концентрация и расход соды

G0; G0]; GM; Gn - расходы осадка до и после удаления влаги; мутной воды и суммарный расход отработанного регенерата и промывной воды t - время проведения процесса НС - нейронная сеть BP - Back Propagation i - номер такта обучения е - коэффициент скорости обучения к - номер слоя а - коэффициент инерционности обучения N - число представлений выборки Е - ошибка обучения

SCADA - Supervisory Control And Data Acquisition System

СОДЕРЖАНИЕ

УСЛОВНЫЕ ОБОЗНАЧЕНИЯ.

ВВЕДЕНИЕ.

1. АНАЛИЗ ПРОЦЕССА ОЧИСТКИ СТОЧНЫХ ВОД СВИНЦОВЫХ АККУМУЛЯТОРНЫХ ПРОИЗВОДСТВ КАК ОБЪЕКТА УПРАВЛЕНИЯ.

1.1 Сточные воды и методы их очистки.

1.1.1 Классификация сточных вод.

1.1.2 Классификация очистных сооружений.

1.1.3 Классификация методов анализа и основные показатели сточных вод.

1.1.4 Процессы и методы очистки сточных вод.

1.2 Технологический процесс очистки сточных вод свинцовых аккумуляторных производств.

1.3 Анализ процесса очистки сточных вод свинцовых аккумуляторных производств как объекта.

ВЫВОДЫ ПО ГЛАВЕ 1.

2. СТРУКТУРА СИСТЕМЫ УПРАВЛЕНИЯ ПРОЦЕССОМ ОЧИСТКИ СТОЧНЫХ ВОД СВИНЦОВЫХ АККУМУЛЯТОРНЫХ ПРОИЗВОДСТВ.

2.1 Анализ современного состояния автоматизации процессов очистки сточных вод .34.

2.2 Назначение и функции системы автоматизированного управления процесса очистки сточных вод свинцовых аккумуляторных производств.

2.3 Архитектура системы управления и основные принципы реализация ее компонентов.

2.4 Локальный уровень системы управления.

2.4.1 Подсистема нижнего уровня.

2.4.2 Подсистема среднего уровня. Контроллер для локального уровня управления АСУТП.

2.4.3 Функциональная схема локального уровня.

2.5 Подсистема верхнего уровня.

2.5.1 Функционирование подсистемы.

2.5.2 Постановка задачи для разработки системы оптимального управления статическими режимами.

ВЫВОДЫ ПО ГЛАВЕ 2.

3. НЕЙРОННАЯ МОДЕЛЬ СИСТЕМЫ УПРАВЛЕНИЯ СТАТИЧЕСКИМИ РЕЖИМАМИ. 49 3.1. Нейросетевое моделирование.

3.1.1 Нейронные сети.•.

3.1.2 Структура НС.

3.1.3 Процедура обучения НС.

3.1.4 Применение НС в управлении.

3.2 Нейронная модель системы управления статическим режимом процесса очистки сточных вод свинцовых аккумуляторных производств.

3.2.1 Топология модели.

3.2.2 Формирование выборки.:

ВЫВОДЫ ПО ГЛАВЕ 3:.

4. ИСЛЕДОВАНИЕ НЕЙРОННОЙ МОДЕЛИ СИСТЕМЫ УПРАВЛЕНИЯ СТАТИЧЕСКИМИ РЕЖИМАМИ.

4.1 Основные подходы для интенсификации процесса обучения нейронной модели.

4.2 Исследование структуры нейронной модели.

4.2.1 Настройка алгоритма обучения.

4.2.2 Исследование влияния преобразующей функций.

4.2.3 Исследование влияния количества эпох.

4.2.4 Определение оптимальных диапазонов для алгоритма обучения с изменяющимися во времени настройками обучения.

4.2.5 Исследование влияния числа скрытых слоев модели и количества нейронов на этих слоях.

4.3 Проверка работоспособности нейронной модели.

ВЫВОДЫ ПО ГЛАВЕ 4.

5. АВТОМАТИЗИРОВАННОЕ РАБОЧЕЕ МЕСТО НА БАЗЕ SCADA-СИСТЕМЫ.

5.1 Выбор SCADA-технологии для разработки системы управления.

5.2 SCADA-система GENIE 3.0.

5.3 Разработка АРМ для системы управления процессом очистки сточных вод.

5.3. Г Мониторинг процесса.

5.3.2 Алгоритм адаптивной системы управления статическими режимами.

5.3.3 Проверка работоспособности алгоритма оптимального управления.

ВЫВОДЫ ПО ГЛАВЕ 5.

ВЫВОДЫ.

Вода играет решающую роль во многих процессах, протекающих в природе, и в обеспечении жизни человека. В промышленности воду используют как сырьё и источник энергии, как хладагент, растворитель, экстрагент, для транспортирования сырья и материалов и др.

Существенный вклад в развитие процесса загрязнения окружающей среды, как отмечает "Международная комиссия по окружающей среде и развитию ООН", вносят устоявшиеся методы удовлетворения потребностей человечества на основе использования традиционной практики природоразрушительного "технического прогресса". В этих условиях одно из ключевых значений приобретает проблема глубокой очистки сточных вод, результатов деятельности человека.

Аккумуляторные производства, являются потребителями больших количеств воды из открытых водоемов и подземных источников, и источниками загрязнения потребляемых вод. Поэтому важными задачами для этой отрасли химической промышленности являются совершенствование процессов водоподготовки, которое напрямую зависит от правильного выбора технологического оборудования для очистки сточных вод от примесей; упорядочение расхода и состава сточных вод; усреднение концентрации примесей и расхода сточных вод и ряд других факторов.

Процесс очистки сточных вод свинцовых аккумуляторных производств, при обширном варьировании технологических параметров, должен обеспечивать необходимые показатели качества водоочистки при минимуме расходов реагентов.

Совершенствование процессов водоподготовки и очистки воды в значительной степени связано с автоматизацией, так как эффективное управление или, поддержание соответствующих параметров на оптимальном уровне можно обеспечить лишь современными системами контроля и регулирования.

Процесс очистки сточных вод свинцовых аккумуляторных производств является непрерывно - дискретным процессом. В основе данного процесса лежат сложные физико-химические реакции, протекающие в технологическом оборудовании. Кроме того, существующие системы управления не всегда эффективно справляются с некоторыми возмущениями, действующими на процесс, т.к. в системах управления в основном используются упрощенные модели, учитывающие только локальные зависимости, что в сильной степени сказывается на уровне адекватности модели реальному объекту и, как следствие, на качестве управления.

Таким образом, особенности процесса и задачи автоматизации выдвигают создание корректной математической модели на первый план.

Особенности производства позволяют предположить, что наиболее эффективными методами для моделирования данного процесса и синтеза системы оптимального управления будут статистические методы.

Новую и весьма перспективную вычислительную технологию, дающую новые подходы к исследованию задач в области автоматизации, представляют собой нейронные сети. Первоначально нейронные сети открыли новые возможности в области распознавания образов, затем к этому прибавились статистические и основанные на методах искусственного интеллекта средства поддержки принятия решений задач в сфере финансов, теперь мы можем использовать нейронные сети и в автоматизации. Они позволяют строить модели сложных объектов управления; легко адаптируется при изменении параметров моделируемого объекта; позволяют реализовывать модели для многомерных объектов. Нейронные сети применяются для решения различных задач классификации и прогнозирования.

В настоящее время для облегчения доступа оперативного персонала к управлению, реализации и отладке системы оптимального управления, а также для визуализации технологического процесса широкое применение нашли SCADA-технологии.

SCADA-система » (Supervisory Control And Data Acquisition System)-CHCTeMa сбора данных и оперативного диспетчерского управления.

SCADA-системы "закрывают" цеховой уровень автоматизации, связанный, прежде всего, с получением и визуализацией информации от программируемых контроллеров, распределенных систем управления.

Цель работы. Создать автоматизированную систему оптимального управления с использованием нейросетевых и SCADA технологий.

Исходя из поставленной цели, в работе решаются следующие научные и практические задачи:

• анализ процесса как объекта управления и разработка информационной схемы процесса;

• синтез структуры автоматизированной системы оптимального управления;

• создание топологии нейронной модели процесса с учетом априорной информации об объекте;

• построение структуры адаптивной оптимальной системы управления на базе нейросетевых и SCADA технологий;

• создание алгоритма функционирования и техническое обеспечение системы оптимального управления;

• оценка устойчивости и работоспособности системы управления.

При выполнении работы использовались методы искусственного интеллекта, методы и алгоритмы обучения нейронных сетей, методы теории управления, математического моделирования и математической статистики.

Данная работа посвящена проблеме автоматизации процесса очистки сточных вод свинцовых аккумуляторных производств.

Для повышения уровня автоматизации процесса очистки сточных вод были сформулированы следующие задачи: изучить и исследовать процесс очистки сточных вод как объект автоматизации; выполнить анализ процесса как объекта управления;

- создать систему управления статикой процесса на базе нейросетевого моделирования;

- создать систему автоматического управления процессом на базе средств ГСП и контроллера;

- создать автоматизированное рабочее место на базе ЗСАЭА технологий.

В первой главе проведен анализ процесса очистки сточных вод свинцовых аккумуляторных производств, как объекта управления. Приведены описание методов очистки и основные показатели качества очистки воды. Подробно описана технология процесса очистки сточных вод свинцовых аккумуляторных производств. Выполнен анализ процесса, как объекта автоматизации, приведено описание оборудования и материалов, используемых в данном процессе. Разработана информационная схема для процесса водоочистки.

Во второй главе. Приведен анализ текущего состояния автоматизации процесса очистки сточных вод, показана актуальность разработки системы автоматизированного управления. Осуществляется постановка задачи оптимального управления процессом очистки сточных вод свинцовых аккумуляторных производств, для автоматизированной системы управления. Определены функции и задачи автоматизированной системы управления. Разработана структура автоматизированной системы управления. Представлены подсистемы локального управления. Приводится обоснование выбранного метода моделирования объекта и подходов к моделированию топологии модели.

В третьей главе описаны методы построения нейронных структур, процедуры обучения нейронных сетей. Приведены области их применения. Определены структуры моделей для исследования, а также приведена методика формирования выборки.

В четвертой главе приведен план исследования, методы интенсификации процесса обучения. Приводятся результаты исследования и выводы по ним. Производится обоснование выбора структуры нейронной модели процесса очистки сточных вод свинцовых аккумуляторных производств.

В пятой главе приведен анализ ЯСАОА технологий, дано обоснование выбора вСАБА системы, а также приведены подробные описания алгоритмов оптимального управления процессом сточных вод и модуля оптимизации данного процесса. Кроме того, описана техническая реализации верхнего уровня системы управления. Приведена подробная структура доступа оперативного персонала к блокам алгоритма управления.

Положения выносимые на защиту.

Синтезирована информационная схема процесса, базирующаяся на модульном принципе построения и служащая для моделирования, а также для анализа динамики и статики процесса.

Создан алгоритм функционирования системы управления процессом водоочистки свинцовых аккумуляторных производств, который обеспечивает очистку сточных вод с заданными показателями качества при оптимальной подаче реагентов.

Предложена методика исследования нейронной модели, на основании которой выполнен структурный синтез моделей и выбрана оптимальная топология.

ВЫВОДЫ

1. На базе выполненного в данной работе анализа процесса очистки сточных вод свинцовых аккумуляторных производств, как объекта управления, представлена обобщенная технологическая схема и определены основные качественные показатели процесса.

2. С учетом особенностей данного процесса разработана информационная схема объекта, при создании которой использовался модульный принцип построения.

3. На основании анализа процесса и специфики, заключающейся в разобщенности объектов, была предложена структура АСУТП, определены ее основные функции и задачи.

4. Для обеспечения очистки сточных вод с заданными показателями качества при оптимальной подаче реагентов была предложена структура и алгоритм функционирования оптимальной системы управления процессом водоочистки свинцовых аккумуляторных производств.

5. С учетом особенностей данного процесса, характеризующегося наличием физико-химических реакций, была разработана методика исследования нейронных моделей, на основании которой выполнен их структурный синтез.

6. Приведены результаты исследования трех основных моделей для рассматриваемого процесса, количественно оценена способность их к обучению и выбраны следующие оптимальные топологии:

- первая модель имеет трехслойную структуру с тангенсоидной преобразующей функцией среднего слоя и 14 нейронами на нем (коэффициент инерционности обучения - а=0,1; коэффициент скорости обучения - е = 0,1);

- вторая - выполнена в виде трехслойной сети с 25 нейронами на среднем слое и тангенсоидной преобразующей функцией (е =0,03; а = 0);

- третья - имеет сложную структурную зависимость, поскольку средний слой отражает взаимосвязь между аппаратами. Каждый аппарат представлен трехслойной структурой; первый и последний слои имеют линейные преобразующие функции, а средний - тангенсоидную. Число нейронов на первом и последнем слоях соответствует количеству входных и выходных параметров аппарата (е = 0,01; а= 0).

7. На основании исследования работоспособности моделей с оптимальными топологиями была рекомендована для системы управления третья модель, как обеспечивающая наименьшую относительную погрешность (5 < 5%).

8. На основании БСАОА-технологий было разработано автоматизированное рабочее место, как подсистема верхнего уровня системы управления, которое обеспечивает удобный доступ к информации наглядность и удобство ведения процесса, а именно: архивацию данных; возможность коррекции оптимальных режимов процесса; возможность осуществлять перемоделирование процесса, а также осуществлять мониторинг процесса. На базе имеющихся данных была проведена проверка работоспособности алгоритма оптимального управления.

Внедрение АСУ ТП привело бы к улучшению следующих технико-экономических показателей работы очистных сооружений: уменьшению расхода реагентов при условии выполнения регламентных требований по качеству очистки и нейтрализации промышленных стоков; сокращению энергозатрат на единицу объема очищаемых и нейтрализуемых промышленных стоков; увеличению срока заполнения отстойных емкостей осаждаемыми илами за счет оптимизации процесса нейтрализации; повышению надежности работы комплекса очистных сооружений за счет централизации контроля и улучшения оперативности управления.

1. Справочник по очистки природных сточных вод/Jl. J1. Поль, Я.Я. Кару, Х.А. Мельдер, Б.Н. Репин; М.: Высшая школа, 1994.-336с.:ил.

2. Яковлев C.B. Карюхина Т.А. Биохимические процеессы в очистки сточных вод.- М.: Стройиздат, 1980. -200с., ил.

3. Водоотводящие системы промышленных предприятий: Учеб. для вузов / C.B. Яковлев, Я.А. Карелин, Ю.М. Ласков, Ю.В. Воронов; Под ред. С. Яковлева. М.: Стройиздат, 1990. 511с.:ил.

4. Николадзе Г.И. Водоснабжение: Уч. для техникумов,- перераб. и дополн. М.: Стройиздат, 1989-496с.,ил.

5. Проскуряков В.А., Шмидт Л.И. Очистка сточных вод в химической промышленности. Л.: Химия, 1977-380 с.

6. Очистка сточных вод и регенерация ценных компоненетов: Справочник/ Под ред. Проскурякова В.А М.: МХТИ, 1991.-497 с.

7. Полиакриламидные флокулянты/ В. А. Мягченков, А. А. Баранов, Е. А. Бектуров, Г. В. Булидорова. Казан, гос. технол. ун-т. Казань, 1998 - 288с.

8. Технологический регламент АОЗТ "Балтэлектро"/ Под ред. С. В. Сметана ,С-Пб: Балтэлектро 1999 -121с.

9. Шевченко Т.В., Краснова Т.А., Коршунова О.Н. Очистка водных суспензий модифицируемыми флокулянтами// Химическая промышленность 2001.- №4 С. 25-37

10. Конн С., Ледцер Г., Логан Д. Анализ модели фильтрации в пористой среде.// Математическое моделирование 2001.-№2 С. 25-28.

11. П.Леддер Г Новая дискретная модель коагуляции// Математическое моделирование.-2001.-№2.С. 23-37.

12. Березин В. Очистка сточных вод в различных отраслях промышленности,-М.:3нание, 1989.-538 с.

13. Автоматизация водопроводно канализационных сооружения: Реферативный журнал/Под ред. Шмидта Л.И. М.: Знание 1973.-437с.

14. Автоматизация химических производств: Межвуз. сб. научн. трудов, М.: Мир, 1990.-256с.

15. Андрачников Б.Г., Маринина A.M., Фельдман Б.Д., Зарецкой Б.Ф. Система управления промышленной установкой для очистки водопроводной воды.// Промышленные АСУ и контроллеры .-2000.-№5.С 31-35.

16. Бобицкий JI.А. Автоматизированные информационно управляющие системы для предприятия "Водоканал Санкт - Петербурга"// Промышленные контроллеры и АСУ.-1999.-№7 С 34-41.

17. Черных Д.В. АСУ на промышленном предприятии. // Промышленные АСУ и контроллеры,-1999.- №1. С 37-42.

18. Математические методы и методы их исследования: Тез. докл./ Красноярский Гос. Ун-т. Красноярск, 1999,251с.

19. Фролов C.B., Третьяков A.A. Синтез математических моделей для промышленных АСУ на основе нейронных сетей. // Промышленные АСУ и контроллеры.-2000.-№2. С 25-27.

20. Попкович Г.С., Кузьмин A.A. Автоматизация систем водоснабжения и канализации.-2-е изд. М.: Стройиздат, 1983.-151с.

21. Научно техническая конференция по очистки сточных вод промышленных предприятий.: Тезисы докладов Горький:.: Стройиздат ,1958.

22. Аблин И.Е. Комплексное решение для АСУТП // Промышленные АСУ и контроллеры.-2000.-№11. С 23-29.

23. Аграфенина Е.А., Кряжев В.П., Потапова Т.Б., Туркина Е.В. Многосвязная АСУТП на павлодарском алюминиевом заводе // Промышленные АСУ и контроллеры .-2000.-№1. С 33-35.

24. Болдырев A.A. АСУТП очистными сооружениями Уфимского НПЗ.// Промышленные контроллеры и АСУ .-2000.-№11. С 31-34.

25. Солодянников Ю.А., Чупрунов В.П., Лившиц М.Ю. и др. АСУ подготовкой воды на ТЭЦ. // Промышленные АСУ и контроллеры .-2000.-№5. С 28-31.

26. Боголюбов Н. В. Автоматизация управления технологическими процессами обработки воды. Киев: Наук. Думка, 1987. - 204с.

27. Очистка сточных вод промышленных предприятий: Реферативный журнал отеч. и ин. лит. за 1989 1990./Под ред. A.A. Кузьмина. - М.: Мосиздат, 1990.-.ЗЗЗс.

28. Очистка сточных вод промышленных предприятий: Реферативный журнал отеч. и ин. лит. за 1988. ./Под ред. A.A. Кузьмина.- М.:Мосиздат, 1989.-298с.

29. Бобицкий Л.А. Очистка промышленных сточных вод и приборы экологического контроля воды и воздуха. М.: Высш. шк., 1987.-347с!

30. Лапшенков Г.И., Полоцкий Л.М. Автоматизация производственных процессов в химической промышленности. Технические средства и лабораторные работы- М.: Химия, 1988.-288с.

31. Иванов П. А. Автоматизация и управление процессами очистки и транспортировки воды. М.: ВНИИ ВОДГЕО, 1988,- 114с.

32. Итоги науки и техники за 1970-1988г В 50т. -Т 35: Реферативный журнал/ Под ред. Аблина И.Е. М.: ВИНИТИ. 1989.-376с.

33. Ебулаев Ю. Волковой В. и др. АСУТП Очистки сточных вод // Промышленные АСУ и контроллеры .-1999.-№2. С. 23-26.

34. Дубовик Е.А., Котов Н.А. модульный принцип автоматизации производства. // Промышленные АСУ и контроллеры 1999.-№4. С 21-25.

35. Костиневич В.В. Дирижер программно - технический комплекс нового поколения.// Промышленные АСУ и контроллеры 1999,- №2. С 25-28.

36. Склярский Э.И. Оперативно диспетчерское оборудование автоматизированных систем управления. // Промышленные контроллеры и АСУ.-1999.- №1.С 35-37.

37. Цукерман Ю.Д., Волянский А.А., Опыт внедрения АСУТП на базе программируемых логических контроллеров. // Промышленные АСУ и контроллеры .-2000. №2. С 38-41.

38. Голубятников В.А., Шувалов В.В. Автоматизация производственных процессов и АСУП в химической промышленности. М.: Химия, 1978 - 376 е., ил.

39. Герзон В.М., Мамет А.П., Юрчевский Е.Б. Управление водоподготовительным оборудованием и установками. М.: Энергоатомиздат, 1985. - 232с., ил.

40. Устинова Т.П., Титоренко Е.И., Артеменко С.Е., Кардаш М.М, Журавлева JI.JI, Лавриненко Т.И.// Об эффективности локальных установок очистки производственных сточных вод. 2001.-№2. С 32-36.

41. Промышленные приборы и средства автоматизации. Справочник под общей ред. В.В. Черенкова Л.: Машиностроение, 1987. - 847 е., ил.

42. Каталог фирмы Control Microsystems Контроллеры SCADA Pack, 1998.-524с.

43. Нейросетевые технологии и нейрокомпьютеры. Сб. научн. трудов А Н Украины, ин-т Кибернетики им. В. М. Глушкова, науч. Совет А Н Украины по проблемам "Кибернетика", Редкол.: Амосов Н.М.(отв. редактор) и др.- Киев, 1994.- 81с.

44. Haykin. S. Neyral networks: A Comprehensive Foundation. New YorkA Macmillan Publishing, 1995.-578 p.

45. Нейронные регуляторы и непрерывно логические сети и модели. :Труды междунар. н.-т. конф. /Под ред. Юрчевского Е.Б.-М.: Наука, 1987.-376с.

46. Соколова Е.Н. Вайкявичус Г.Г. Нейроинтелект от нейрона к нейрокомпьютеру. М.: Наука, 1989.-238с.

47. Computional intelligence: theory and application 6th Fuzzy Days, Dortmund; sprihger, 1999.-142 p.

48. Automatic and continuous monitoring of water Possibilities and Limitations Adv in institutions & control ISA/95 V.50 Pt 395.

49. Кунцевич H.A. SCADA- системы. Взгляд со стороны. // Промышленные АСУ и контроллеры.-1999.- №1. С 32-35.•50. Нейронные сети. STATISTICA Neural Networks.: Пер с англ.-М.: Горячая линия -Телеком.2000.-189с.,ил.

50. А.Н.Скурихин Нейронные сети: определение и концепции, применение.- М.:Мир,1991-458с.

51. Neural Computing .Neural Ware Inc. USA, 1996.-326 p

52. Paul J. Werbos, Bacpropogation Through Time: What It Does and How to Do It // Artifical Neural Networks: Concepts and Theory, IEEE Computer Society Press.- 1992.- №1, 309-319p.

53. Neural Works Reference Guide. Neural Ware Inc.USA, 1996.- 278 p.

54. Liu C.C., Chen F.C. Adaptive control nonlinear continuous-time system using neural networks-general relative degree and MIMO cases. Int. J.Control, 1993. 58.(2), pp. 317-335.

55. Chen F.C., Khalil H. K. Adaptive control of nonlinear systems using neural networks., Int. J.Control, 1992., 55,(6), pp. 1299-1317.

56. Yuan M., Poo A.N., Hong G.S. Direct neural control system:Nonlinear extension of adaptive control.// IEE Proc.-Control Theory Appl., Vol.142, № 6, Nov. 1995., p.661-667.

57. Райскил П. Нейронный регулятор на основе многослойного персептрона. Работа на звание лицензиата техн. Наук. Технический институт г. Тампере, Финляндия, 1989.-65 с.

58. Толмаская И.И., Терлецкий М.Ю., Онищенко А.Г. Современные технологии автоматизации на химическом производстве. // Промышленные АСУ и контроллеры .-2000.-№4. С 24-27.

59. Потапова Т.Б. Уроки выбора SCADA программ. // Промышленные АСУ и контроллеры.- 2001.- №1. С.27-31.

60. Кузнецов A. SCADA пакеты//Современные технологии автоматизации. .-1996.-№1 С 24-29.

61. Цукович Э.Л. //Выбор пакета визуализации измерительной информации (SCADA-программы) для конкретной системы автоматизации производства. ПСУ .-1996.-№ 10 с. 20-23.

62. Real Р1ех.//Модернизация систем верхнего уровня АСУ ТП. ПСУ.- 1995.-№1 С. 27-29.

63. In Touch -программный пакет мониторинга и управления для промышленных применений. ПСУ.- 1996.-№11 с. 19-20

64. Пакет программ Genesis. ПСУ.-1995,- №4. С 21-27.

65. Описание ТРЕЙС МОУД 4.20. ПСУ.- 1994,- №12 с.2-5.

66. Trace Mode для Windows NT: новое поколение SCADA систем.// ПСУ.-1998.- №11 с.13.

67. Уваров A.B. Внедрение систем автоматизации на базе комплекса Деконт. // Промышленные АСУ и контроллеры.- 2000.-№7. С 23-28.

68. SCADA пакет Genie 3.0., 1999.

69. Леонов И.О., Иванова Г.В. Ремизова O.A. Модуль имитационного моделирования Процесса карбонизации: Тез. докл. Межд. конф. Математические методы в технике и технология (ММТТ-12).-Великий Новгород, 1999.-Т.5, С.24.

70. Иванова Г.В., Ремизова O.A. Нейронная сеть в системе управления процессом очистки сточных вод свинцовых аккумуляторных производств Тез. докл. Межд. конф. Математические методы в технике и технологиях (ММТТ-14).-2001.-Т.2, С.216.