автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Управление асинхронным двигателем с изменяющейся нагрузкой при технологическом процессе помола клинкера

003492275

На правах рукописи

МИХЕЛЕВА МАРИЯ ВЛАДИМИРОВНА

УПРАВЛЕНИЕ АСИНХРОННЫМ ДВИГАТЕЛЕМ С ИЗМЕНЯЮЩЕЙСЯ НАГРУЗКОЙ ПРИ ТЕХНОЛОГИЧЕСКОМ ПРОЦЕССЕ ПОМОЛА КЛИНКЕРА

по специальности 05.13.06 - автоматизация и управление технологическими процессами и производствами (промышленность)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Орел -2010

2 5 ФЕВ 2010

003492275

Работа выполнена в Белгородском государственном технологическом университете им. В.Г. Шухова.

Научный руководитель: Заслуженный деятель науки РФ,

доктор технических наук, профессор Корсунов Николай Иванович

Официальные оппоненты: доктор технических наук, профессор

Косчинский Станислав Леонидович

кандидат технических наук, доцент Ломакин Владимир Васильевич

Ведущая организация: Тамбовский государственный технический

университет, г. Тамбов.

Защита состоится « № » марта 2010 года в 14 часов на заседании диссертационного совета Д212.182.01 при Орловском государственном техническом университете по адресу: 302020, г. Орел, Наугорское шоссе, 29, (ауд.212).

С диссертацией можно ознакомиться в библиотеке Орловского государственного технического университета.

Автореферат разослан « /ь »февраля 2010года.

Ученый секретарь

диссертационного совета, .

к.т.н, доцент о.^—В. Н. Волков

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Мельницы помола широко применяются в строительной, металлургической, мукомольной и других промышленных отраслях. Технологический процесс помола относится к энергоемким производствам. Вопросы, связанные с уменьшением энергопотребления и повышения качества процесса помола являются актуальными.

Для снижения энергозатрат используются косвенные системы управления двигателями, диапазон скорости которых рассчитывается, исходя из минимальной и максимальной загрузки мельницы.

В настоящее время на многих сложившихся производствах качество процесса помола определяется квалификацией оператора, вручную управляющего мельницами в зависимости от изменения характера вибраций, измеряемых различными акустическими датчиками, так называемым «электронным ухом». Однако получаемая оператором информация является приближенной на уровне шумов, поэтому скорость приводного асинхронного двигателя колеблется в широких пределах. Несмотря на это, достигается требуемое качество помола, но резко снижается эффективность помола, особенно при помоле материалов с разным гранулометрическим составом. Кроме того, мельницы помола являются энергозатратными агрегатами (20 % электрической энергии расходуется на помол, например, при производстве цемента). Поэтому в настоящее время для снижения потребления электрической энергии мельницы помола снабжаются частотно-регулируемыми электроприводами для управления асинхронными двигателями. Но в данных системах управления также остается открытым вопрос выделения информативного параметра об акустических характеристиках мельницы, так как преобразование акустического сигнала в электрический (цифровой) является нечетким на уровне помех.

В теорию управления асинхронным двигателем в различных отраслях промышленности весомый вклад внесли российские и зарубежные ученые, такие как A.C. Сандлер, О.И. Хасаев, O.A. Косов, P.C. Сарбатов, А.Н. Попов, Д.А. Поздеев, Ю.В. Кесслер, Р. Шенфельд, В. Дуда, В.И. Литвин, И.И. Эпштейн, В.М. Перельмутер, И.Я. Браславский, В.В. Рудаков, И.М. Столяров и др.

Однако, вопрос об управлении асинхронным двигателем с динамически изменяемой нагрузкой, приводящей к системе с переменной структурой, исследован недостаточно. Это обуславливает актуальность темы диссертационной работы, посвященной разработке метода управления асинхронным двигателем с изменяющейся нагрузкой при технологическом процессе помола клинкера, на основе выделения информативного сигнала об акустических характеристиках мельницы. Использование современного математического аппарата - нейронных сетей, позволяет сформировать такой управляющий сигнал для системы частотно-регулируемого электропривода, который позволит корректировать управление характеристиками асинхронного двигателя и процессом дозирования (питатель является частью технологического оборудования помола).

Разработанный на основе предложенного метода управления «нейросетевой вычислитель» позволит на уровне шумов существенно повысить эффективность управления технологическим процессом помола, а, следовательно, качество процесса помола и снизить затраты на электроэнергию.

Диссертационные исследования связаны с тематикой научно-исследовательских работ, проводимых в БГТУ им. В.Г. Шухова:

— госбюджетная научно-исследовательская работа УДК 621.926 «Теоретические основы создания энергосберегающих процессов тонкого измельчения и рассеивания пылевыбросов материалов строительного производства» 2004 - 2009 гг.;

- хоздоговорная работа Д-45/2008 заказчик ОАО «Спасскцемеот» «Исследование процесса измельчения и разработка технологических режимов для трубных цементных мельниц замкнутого цикла» 01.07.2008 - 31.12.2009 г.

Объектом исследования в данной работе является система управления асинхронным двигателем с изменяющейся нагрузкой при технологическом процессе помола клинкера.

В качестве предмета исследования рассматриваются методы и средства получения информации о степени загрузки мельницы и её использовании для управления скоростью вращения барабана шаровой мельницы помола

Цель и задачи исследования. Целью настоящей работы является повышение качества процесса помола и уменьшение энергопотребления путем управления асинхронным двигателем в функции степени наполнения мельницы.

Для достижения поставленной цели были сформулированы и решались следующие основные задачи:

- выявление перспективных методов и средств управления асинхронным двигателем, позволяющих повысить качество измельчения клинкера при снижении энергопотребления;

— разработка математической модели определения информативного параметра в звуковом сигнале, издаваемом работающей мельницей в зависимости от степени её заполнения;

- разработка архитектуры и алгоритма обучения нейронной сети выделения информативного параметра в шумовом звуковом сигнале, издаваемом вращающейся мельницей при различной степени заполнения;

— разработка структуры и алгоритмов управления асинхронным двигателем и питателем шаровой мельницы при использовании в качестве информативного параметра максимума долевой энергии шумового сигнала в выбранном частотном диапазоне;

- выбор процессора и программная реализация алгоритмов управления асинхронным двигателем шаровой мельницы;

— математическое моделирование частотно-регулируемого электропривода при различных законах заполнения барабана мелющей массой и проведение экспериментальных исследований.

Методы и средства исследований. При решении указанных задач использовались основные положения теории автоматического управления, теории автоматизированного тиристорного электропривода, теории измерений, методы спектрального анализа, теории искусственных нейронных сетей, методы математической статистики и математического анализа, методы объектно-ориентированного программирования.

Достоверность полученных результатов обусловлена корректностью математических выкладок, согласованностью основных теоретических решений с их практической реализацией, а также результатами вычислительных

экспериментов по тестированию созданных алгоритмов, которые подтверждают непротиворечивость основных теоретических результатов и выводов.

Научная новизна работы состоит в:

- введении критерия постоянства кинетической энергии помола для управления скоростью асинхронного двигателя;

- обосновании определения тональности шумового сигнала, издаваемого шаровой мельницей, по максимуму долевой энергии в частотном интервале заданного диапазона;

- разработке архитектуры нейронной сети и алгоритма её обучения выделению номера частотного интервала с максимальной долевой энергией шумового сигнала;

- разработке структуры и алгоритмов управления асинхронным двигателем при динамическом изменении нагрузки, при стабилизации кинетической энергии помола;

- разработке математической модели системы управления помола клинкера для проведения вычислительного эксперимента.

Практическая значимость работы заключается в разработке технических предложений по реализации программно-аппаратного комплекса системы управления асинхронным двигателем с изменяющейся нагрузкой при технологическом процессе помола клинкера.

Апробация работы. Основные положения и результаты диссертационного исследования докладывались и обсуждались на 1П международном студенческом форуме «Образование Наука Производство» (сентябрь 2006 г., г. Белгород), на международной конференции «Проблемы информатики и моделирования» (ноябрь 2006 г., г. Харьков), The fourtli international conférence on Soft Computing, Computing with Words and Perceptions in System Analysis, Décision and Control (august 2007 Antalya, Turkey), на международной научно-практической конференции студентов, аспирантов и молодых ученых «Наука и молодежь в начале нового столетия» (апрель 2008 г., г. Губкин), The 12th international conférence of international Association for Computer Methods and Advances in Geomechanics (IACMAG) (October 2008 Goa, India), Первой Международной научно-технической конференции «Компьютерные науки и технологии» (октябрь 2009 г., Белгород, Россия).

По результатам исследований опубликовано 14 печатных работ, из них 3 в изданиях из списка ВАК РФ, получено 1 свидетельство Отраслевого фонда алгоритмов и программ.

Положения, выносимые на защиту:

1. Методика задания скорости вращения асинхронного двигателя для обеспечения качества измельчения клинкера при динамическом изменении степени заполнения шаровой мельницы;

2. Косвенный метод определения тональности шумового сигнала по максимуму его долевой энергии в частотном интервале заданного диапазона;

3. Нейронная сеть для выделения номера частотного интервала с максимальной долевой энергией,

4. Алгоритм и структура системы управления асинхронным двигателем при динамическом изменении нагрузки.

5. Стабилизация кинетической энергии помола, при управлении скоростью вращения асинхронного двигателя с изменяемой на валу нагрузкой.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложения. Работа изложена на 140 страницах основного текста, включающего 34 рисунка, 4 таблицы, список литературных источников из 100 наименований и 1 приложения.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность работы, сформулированы ее цель и задачи, научная новизна, практическая значимость и основные положения, выносимые на защиту.

Первая глава посвящена рассмотрению систем управления мельницей помола с использованием электроакустических датчиков для формирования информационного сигнала. Из рассмотренных электроакустических датчиков, применяемых в мельницах помола в тех или иных отраслях промышленности предпочтение для использования в шаровых мельницах отдано электроакустическому индикатору, вследствие высокой скорости измерения общего шума мельницы или интенсивности той части звукового спектра мельницы, которая наиболее точно характеризует заполнение мельницы мелющей массой.

Из проведенного анализа известных систем управления шаровыми мельницами помола следует, что в известных системах нет обоснованного закона управления скоростью вращения барабана, и для получения информации о степени заполнения барабана мелющей массой используется амплитудное значение звукового сигнала.

Вопросам использования других параметров звукового сигнала в качестве информационных при управлении мельницами помола не уделялось достаточного внимания вследствие того, что при использовании методов частотного анализа коэффициенты Фурье отражают поведение сигнала в целом, а спектры наглядно демонстрируют лишь глобальные свойства сигналов, но не позволяют извлечь информацию о локальных особенностях, наиболее ценных в звуковых сигналах шаровой мельницы.

Методы спектрального анализа Фурье позволяют выделять заданные гармоники, что не обеспечивает информативность о степени загрузки мельницы. Широкие возможности Фурье анализа предполагают существование и других параметров в частотном представлении сигналов, которые могут содержать больше информации о степени загрузки мельницы в звуковом сигнале.

Следовательно, целесообразна разработка новых методов получения информации о степени загруженности мельницы и ее использования для управления скоростью вращения барабана.

Вторая глава посвящена обоснованию выделения в частотной характеристике шумового сигнала участка с максимальной долевой энергии и его использования при управлении питателем и асинхронным двигателем, вращающим барабан мельницы. Обоснована эффективность использования нейросетевых технологий в выделении участков с максимальной долевой энергией в частотной характеристике звукового шумового сигнала. Разработана архитектура и алгоритмы обучения нейронной сети.

Для определения узкого частотного диапазона целесообразно воспользоваться частотным анализом энергетических характеристик сигнала:

]/2(0 А= Лу/2?г, (1)

которое выражает квадрат нормы элемента в векторном пространстве со скалярным произведением через квадраты модулей коэффициентов Фурье этого элемента по некоторой ортогональной системе векторов.

Для мельницы помола необходимо определить вид функции /(0 - частотной характеристики.

Чтобы избежать вычислений трансформант Фурье и при этом вычислять точные значения долей энергии отрезков эмпирических данных, попадающих в выбранный частотный интервал выражение (1) приводится к виду

I . 2

|/2 (')<* = £ \dal2x, (2)

а Г"0 «с£>г

где интервалы Ог определяют разбиение оси частот вида

Д. =[-Пг+1,-Пг)и[Пг,ПгН),П0 =0. (3)

Использование этого выражения позволяет осуществить частотный анализ энергетических характеристик сигнала, так как интегралы

2

Рг = Аэ/2я- (4)

0№1>г

определяют долю энерпш, попадающую в выбранные частотные интервалы.

В частности, можно выделить частотные интервалы, в которых сосредоточена подавляющая доля энергии

¿> = 2 я/(Ь-а). (5)

В предположении применения эквидистантой дискретизации с постоянным шагом имеет место = ¡к + Д.

Здесь принято, что

а = 0; Ь = Т;

При дискретизации интервала с постоянным шагом А имеем

А = 77(Лг-1); (6)

* =

В случае дискретного представления функции в точке к: /к = /(/*) с учетом (6) следует

□

Л = \Рл(ш)ех<риа>Ь{к-\))с1ш12л:,С1 = я7Д, (7)

-а

При этом трансформанта Фурье определяется соотношением

= (8) »-1

а равенство Парсеваля приводится к виду

¿Л2 = 1|^И2^/2г,а=Л:/д. (9)

к. 1 _п

В этом случае доля энергии отрезка дискретной функции, попадающей в выбранный частотный интервал определяется как

Л = Лг>/2/г. (10)

Здесь, как и ранее

2>г=[-П„..-Я,МПг,Пм1),По=0. (11)

при выполнении

¿а = л-/Д. (12)

Для вычисления долей энергии отрезка компоненты исходного вектора представляются в виде

/, = "^(т) ехр(-/(1 - \)ю)с!а)/2я (13)

-X

При рассмотрении трансформанты Фурье на основном интервале изменений нормированной круговой частоты -к^т<п равенство Парсеваля (9) и определен™ (10) - (12) преобразуются к виду

£л2 = 2я, (14)

Л Р{а$с1(012я, (15)

йНЕУ,

^ = = (16)

0<У„, ¿л. (17)

Подстановка (8) в (15) позволяет получить представление части энергии исследуемого вектора сосредоточенной в частотном интервале (16) в виде

Р,=?А,/> О«)

где А, = } - матрица соответствия частотным интервалам;

< = 0 - г)) - зшО, (/ - к)))/(/г(г - *)); ¡,к = 1,..,М. (19)

? - вектор эмпирических данных; 3 - транспонированный вектор

эмпирических данных; границы частотных интервалов; N - величина дискретизации; г = 1,М - количество интервалов дискретизации.

Определение значений N и М, а также частотной области В, в которой сосредоточена энергия, зависит от конкретного технического объекта.

Для применения предложенного метода к управлению мельницей помола можно воспользоваться экспериментальными амплитудно-частотными характеристиками звукового давления, полученные при разной загрузке мельницы.

Данные характеристики показывают, что максимумы долевой энергии (Рг) существуют в ограниченном частотном диапазоне. Границы диапазона позволяют выделить требуемый частотный интервал (оз^ь ш^-); - соответствует отрезку с максимальной долевой энергией полностью загруженной мельницы, а со^ц -полностью разгруженной мельницы.

Известны методы определения частоты основного тона звукового сигнала, основанные на быстром преобразовании Фурье. Выделение основного тона, основано на адаптации интервала анализа звукового сигнала и установке его длительности кратной п периодам основного тона. Однако данный метод, как и методы корреляционного анализа, требует наличия эталонов. В мельнице при помоле изменение параметров материала приведет к недостоверным данным, так

как изменится частота основного тона и необходимо формирование новых эталонов, что ограничивает применение метода.

Для разбиения выделенной частотной области на отрезки, в которых сосредоточены максимумы энергии при различном заполнении мельницы материалом, воспользуемся оценкой производной суммы идеального и шумового изображений, определяемой эмпирически соотношением:

Этот оператор выделяет два интервала («окна») длиной и непосредственно перед точкой ю и после неё, усредняет функцию §(и) по каждому из этих «окон» и вычисляет разность средних величин. Если выбрано окно подходящих размеров Д = \У] + \\'2 , подобный оператор работает достаточно хорошо.

Так как достигается максимум энергии, то В(со) = 0 и из (20) нетрудно определить , и количество частотных интервалов

при = \\'2 . В этом случае получаем равномерное разбиение частотного диапазона, для каждого из участков которого по соотношению (18) рассчитывают доли энергии сигнала.

Равномерное разбиение указывает на линейную связь тональности шумового сигнала, издаваемого мельницей, со степенью её заполнения мелющейся массой. Для управления асинхронным двигателем и питателем необходимо каждому га частотных отрезков длиной Д поставить в соответствие управляющие параметры: угол и время открытия заслонки, скорость вращения двигателя, значение коэффициента заполнения для вычисления момента инерции, момент статической нагрузки и т.д.

Чтобы воспользоваться выражением (18), вычисляющем максимум энергии, необходимо:

1) определить диапазон, в котором находятся все максимумы;

2) провести равномерное разбиение выделенного диапазона на отрезки;

3) определить зависимость управляющих параметров двигателя от степени загрузки.

Эффективное решение задач кластеризации данных с максимальным быстродействием выполняется с помощью искусственных нейронных сетей. Известные нейронные сети непосредственно не применимы к решению задач формирования сигналов управления асинхронным двигателем и питателем мельницы помола клинкера. В основу построения и функционирования нейронной сети, реализующей вышеприведенную методику формирования задающих сигналов для системы управления, положено определение частотного отрезка с максимальной долевой энергией в зависимости от степени загрузки мельницы с использованием выражений (18) — (19), (21) и экспериментальных амплитудно-частотных характеристик при различных скоростях и загрузке мельницы. Последние используются для определения зависимости задающих параметров системы управления от степени тональности шумового сигнала, издаваемого мельницей. При этом шаг дискретизации остается неизменным, что приводит к

(20)

Д

(21)

изменению количества отрезков в выбранном частотном диапазоне и, как следствию, изменению размеров матрицы Аг и её коэффициентов (19).

Архитектура предложенной иерархической нейронной сети приведена на рис.1 и включает: сеть определения максимума для выделения номера отрезка в позиционном коде при поступлении на входы сигналов, соответствующих значениям энергии на отдельных отрезках частотной области; сеть вычисления энергий на отрезках выделенной частотной области, представляющую сеть прямого распространения с двумя вертикальными слоями и N горизонтальными слоями; сеть задания входных параметров и количества горизонтальных слоев в сети второго уровня иерархии.

Обучение сети начинается с нижнего уровня иерархии, осуществляющего аппроксимацию таблично заданных функций, которыми служат зависимости скорости вращения двигателя в выбранной частотной области. Наиболее простым способом обучения является решение задачи линейной аппроксимации, при которой выходом сети является количество интервалов квантования выделенной частотной области (Югрь ю^н) с шагом Д, определенным (21) и значения задающих параметров, вычисляемых по линейной зависимости. В общем случае эти зависимости являются нелинейными.

На нижнем уровне иерархии сеть представлена двухслойной сетью прямого распространения. Скрытый слой представляется нейронами с функцией активации

и с выходным слоем из одного нейрона с линейной функцией активации.

При кусочно-нелинейной аппроксимации задача аппроксимации сводится к минимизации числа интервалов и определения параметров х^тД А|, т; и £ т, обеспечивающих минимизацию функционала, задающего меру близости аппроксимируемой и аппроксимирующей функций.

Значение Ш; определяет число отрезков длины Д на ¡-ом участке аппроксимации, а £ т, задает количество отрезков равной длины Д для обучения сети второго уровня иерархии. При этом значение гп; используется для определения количества векторов задающих параметров на ¡-м участке аппроксимации.

Обучение сети прямого распространения на втором уровне иерархии состоит в расчете коэффициентов первого слоя в соответствии с выражением (19) по значениям х!гр и £ га, , полученным в предыдущем слое, и динамическому переобучению коэффициентов второго слоя в соответствии с транспонированным вектором входных данных Г

В сети верхнего уровня иерархии для формирования позиционного кода выходные нейроны имеют функцию активации

и используются для выбора соответствующего вектора задающих параметров.

Динамическая сеть переобучается на этапе загрузки барабана Будем считать степень загрузки барабана мелющей массой изменяется ступенчато, от минимального до максимального значения. При этом каждый раз при известном

\ + е ' ■> '

(22)

1, для у> 0 О, для у<, 0

(23)

приращении массы определяется отклонение номера частотного отрезка с максимальной долевой энергией от заданного.

Выходы

X, X, ... X*

Входы

Рис. 1. Иерархическая нейронная сеть

Если при заполнении будет обнаружено, что отклонение от заданного значения больше допустимой величины, то формировать сигнал переобучения сети, активизирующий нейроны первого уровня иерархии для аппроксимации, расчету коэффициентов второго слоя, ставящие в соответствие номера интервалов степени загрузки и скорости вращения барабана мельницы.

Для новых эмпирических данных рассчитывается частотная область, для разбиения которой на отрезки используется ранее определенный шаг квантования частоты в выбранной частотной области. Это приводит к изменению количества участков разбиения частотной области, следствием чего является как изменение архитектуры сети, так и коэффициентов матриц первого и второго слоя иерархической архитектуры.

В третьей главе рассмотрены вопросы технической реализации цифровой системы управления асинхронным двигателем шаровой мельницы помола. Структурная схема системы управления приведена на рис. 2 и содержит два контура, один из которых служит для управления питателем при наполнении барабана клинкером, а второй, - для управления скоростью вращения асинхронным двигателем.

Рис. 2. Структурная схема управления скоростью вращения барабана шаровой мельницы

Отличительной особенностью данной системы является введение устройства задания скорости вращения барабана в зависимости от степени его заполнения клинкером и использование задатчика скорости как для управления скоростью двигателя, так и скоростью заполнения барабана клинкером.

Задатчик скорости вращения барабана представляет нейронную сеть, определяющую номер частотного интервала с максимальной долевой энергией, построение и обучение которой описано во второй главе. Каждому частотному интервалу ставится в соответствие значение степени заполнения барабана клинкером и требуемая скорость вращения, исходя из обеспечения качества измельчения в соответствии с оценками, приведенными в первой главе.

Длительность интервалов и их количество определяется характеристиками клинкера: диаметром зерен, влажностью, температурой, и используется для обучения первого слоя нейронной сети путем расчета компонентов а'Л клеточных матриц Аг. Изменение характеристик клинкера приводит к переобучению первого

слоя нейронной сети. Второй слой сети переобучается каждый раз новым вектором входных данных, определяемых цифровым кодом сигнала электроакустического датчика.

Особенностью управления технологическим процессом помола шаровыми мельницами является то, что скорость вращения их барабанов должна меняться в диапазоне от (п^, птах), определяемым холостым ходом и максимальной загруженностью мелющейся массой. Обеспечение качества помола, энергопотребления связано с управлением скоростью в соответствие с некоторой функцией, приведенной в первой главе.

При неизменных параметрах материала, размерах мельницы, окружающей среды доминирующим является степень загруженности барабана и многофункциональная зависимость заменяется зависимостью от степени загрузки мельницы

я = /(?«) (24)

где ЛУ(/) = —-; — минимальная загруженность мельницы,

Выбор функции (24) оказывает существенное влияние на выполнение основных требований технологического процесса Исходя из убывающего характера (24) эту зависимость принимают линейной, либо описывают полиномом более высокого порядка, используя экспериментальные данные. Принимая тот или иной характер зависимости (24) не обеспечивается пониженное энергопотребление, вследствие его нелинейной зависимости от приращения мелющей массы барабана

Пусть изменение скорости задается линейной зависимостью

«(/) = (1-М'))"с-

Тогда приращение массы на величину Дт приведет к уменьшению скорости на величину

АУ = кГ0Ат

Если считать, что энергопотребление пропорционально кинетической энергии, то вызванное изменением массы приращение кинетической энергии

АЕ = Дт3

Естественно, при построении системы управления скоростью вращения

барабана потребовать ^ ~ ®, что соответствует постоянству кинетической энергии помола, при изменениях заполнения барабана мелющей массой. Это позволяет задать закон управления скоростью вращения барабана в виде

= (25)

Управление вращением барабана в соответствии с (25) обеспечивает как качество помола, так и пониженное энергопотребление, вследствие того, что п(() является убывающей функцией степени заполнения барабана мелющей массой и изменение массы вызывает обратное ей приращение скорости, при постоянстве кинетической энергии помола.

Управление скоростью вращения асинхронного двигателя, в условиях постоянно меняющейся нагрузки, осуществляется прямым управлением моментом.

вращающем барабан шаровой мельницы

Здесь ЭАКД - электроакустический датчик, задатчик скорости служит для задания дискретных значений скорости вращения в зависимости от заполнения барабана, задатчик потока Ч',^ формирует значение потока соответствующее установившемуся режиму в функции скорости вращения, ДС и РС, соответственно датчик и регулятор скорости, блок управления инвертором задает последовательность коммутации ключей инвертора в соответствии с таблицей состояний при 4*3 в 1-м секторе при возможной зависимости от скорости вращения ®гт> "аю ¡а» "ф - составляющие векторов напряжения и тока статора в системе координат а, р, соответственно, 0 - угол сдвига вектора 'Р, относительно оси координат а, определяемый по составляющим потока статора Ч'5 в системе

координат а, р, ИНВ - инвертор напряжения, АД - асинхронный двигатель, на валу которого находится барабан шаровой мельницы.

Управление осуществляется установлением состояний ключей инвертора напряжения в зависимости от положения вектора потока статора ц>, относительно вещественной оси а, построенной в соответствии с пространственным представлением векторов напряжения и выражениями для составляющих вектора напряжений иа = ир = - напряжение приложенное к инвертору.

Номер сектора и соответствующие ему коды определяется значением угла 0 поворота вектора потока ц/ж по отношению к вещественной оси а и знаков ошибок, определяемых допустимыми отклонениями £„, момента двигателя и потокосцеппения с^ статора от наперед заданных значений М0, \|/о соответственно.

Выбираемое состояние инвертора зависит от знаков ошибок ет

£ = (1 Мп/-М,>М0

[-1, МЫ-М<<М9 (26)

= {1' Упг-У. е* 1-1. -V, <У„

и приведено в табл. 1.

Значения состояния инвертора Табл. 1.

Знак ет ЗнакЕщ vk

1 1 i+1

1 -I i+2

-1 1 i-1

-1 -1 i-2

При - А/„ > Mnf -Md < М0; -у/0 >v„f ~V, <¥<, сохраняются предыдущие значения, до момента фиксации |Л/Г</ - Md | = Ма и - у, | = у0, после которого

вектор Vk будет изменен.

В системе регулятор скорости представляется апериодическим звеном, выход которого пропорционален моменту Мп/, а у/п/ = у/] формируется при

1-е"" •

скорости вращения ротора - ш„ у/п/ =-—-у «/, со^О.

Вычисление потока у, и угла 0 при постоянстве выбранного вектора в течении времени Тс основано на использовании выражений:

b¥,a=u„Tc,hVll)~utllTc,. (27)

Д0 = е cos 0—и а sin 0) = , (28) V, ■ V.

= sine,, +u,t (29)

&е„=А&-а,Тс, (30)

v. , (31)

в = arctg{y/tp / y/ja ), (32)

= (33)

^=i-Wrsme„ (34)

где uia ,u,f - составляющие выбранного вектора напряжения, Д0 - изменение угла вектора у/,, у,о,0„о- соответствуют исследуемому установившемуся режиму при ¥,=¥„/ и Yro =^V„/.sin©jr0 = UiIKmiKt\y1n[, К^ Ks, Rs - выражаются через

параметры двигателя, векторы вида и =

ГР

Таким образом, в системе управление моментом осуществляется изменением угла 0„ между положением потоков статора и ротора относительно вещественной оси а. Значения uS(b u^ — вычисляются по значениям usa, usp с помощью матрицы преобразования неподвижных координат во вращающуюся систему координат.

Исходя из данных уравнений, составлено описание системы управления в виде системы разностных уравнений, которая при известных векторах выходного напряжения инвертора в интервалах |КГе,(£+1)ГД к = 1,п представляется в виде:

(*+!) = V,«, (к)+П (*)-Д,т,

(35)

Мл {к +1) = Л/, (*)+(и- (А:) этв^ч- (*) - ау/^ ), (36)

0№ + 1) = 0(£)+7Х,(*)/^

(37)

(*) = №) «к 6(£) + и„ (*) вш в(к),

(38)

да = -«„ да вт ©да+иф (к) со $ еда.

(39)

В соответствии с этими уравнениями разработан алгоритм реализации системы управления на базе цифровых сигнальных процессоров. Проведена оценка времени, требуемая для реализации алгоритма, и приведены требования быстродействия, точности, стоимости и мощности, предъявляемые к процессорам.

Для выбора конкретного сигнального процессора из множества выбранных использован метод принятия решений по ранжированию структурно-компоновочных векторов. По введенным критериям, предъявляемым к процессорам, рекомендовано использовать процессор АБ5Р-21262 8НА11С.

Так как Тс« Т,я ( Тс - время удержания вектора напряжения инвертора, Твн _ время удержания вектора задания скорости вращения барабана), то при выбранном Тс и недостаточном быстродействии процессора предлагается организовать конвейерную структуру из двух процессоров, первый из которых связан с выполнением операций умножения клеточных матриц Л'на выбранный вектор

входного сигнала, а второй, - с умножением полученного вектора на транспонированный вектор входного сигнала и определение максимального элемента из двух, а также номера интервала частотного разбиения для этого элемента.

В четвертой главе диссертации посвящена исследованиям методом имитационного моделирования системы управления мельницы помола Экспериментально сняты шумовые сигналы мельницы при различной степени загрузки. Определен частотный интервал, в котором следует определять максимумы долевой энергии. Этот интервал разбит на 16 участков одинаковой длины и определены параметры первого слоя нейронной сети. Рассчитаны по предложенной ранее методике коэффициенты заполнения мельницы и скорости вращения барабана на этих интервалах. Обработка шумового сигнала при разной степени заполнения мельницы показала, что нейронная сеть при обученном втором слое правильно относит степень заполнения к определенному интервалу. При этом погрешность скорости задаваемой нейронной сетью отличается от теоретически рассчитанной не более 0,7 процента. Шумовые сигналы, соответствующие реальной наполняемости мельницы внесены в базу данных, используемую в имитационном моделировании при задании интенсивности измельчения материала.

Проверка достоверности данных, получаемых с помощью нейронной сети, осуществлялась сравнением с экспериментальными данными, полученными на Белгородском цементном заводе, при отсутствии систем регулирования двигателем задания параметров в зависимости от степени заполнения. Эксперимент

осуществляется при измерении, как шумового сигнала, так и скорости вращения барабана работающей мельницы. Эти показания регистрировались при холостом ходе, при критической загрузке барабана и в промежуточных значениях.

Проведенные эксперименты по определению заполнения материала с помощью нейронной сети показали, что при одном и том же начальном диаметре зерен исходного материала, обученная один раз нейронная сеть правильно определяет степень заполнения и требует переобучения при изменении исходного материала. На Белгородском цементном заводе в течении года было проведено 100 измерений степени заполнения мельницы по шумовому сигналу. При использовании критерия Пирсона было показано, что при этом сеть было необходимо переучивать примерно 11 раз (один раз в месяц).

Для проведения вычислительного эксперимента была построена математическая модель асинхронного двигателя, основанная на уравнениях Горева-Парка.

В отличие от известных моделей двигателя, в данной учитывается динамическое изменение момента инерции и многократное изменение момента сопротивления как при уменьшении, так и при увеличении мелющей массы. Математическая модель была реализована известным программным продуктом ЭдаиНпк МаЙаЬ 7.0.1, позволяющим реализовать данные режимы и особенности случайного изменения степени интенсивности заполнения барабана мелющей массой. Задачей вычислительного эксперимента являлось изучение работы системы управления асинхронным двигателем в различных режимах.

В эксперименте извлечение шумовых сигналов проводилось в определенной последовательности, начиная со случайно выбранного начального значения, затем выбор последующих при различной скорости.

Эксперимент показал, что в скользящем режиме наиболее эффективно увеличивать степень заполнения барабана мельницы дискретно, с добавлением 0,25 массы через дискретные интервалы. При этом отклонение момента двигателя от заданного значения становится весьма м&той величиной.

В приложениях приведены листинги программ реализации нейронной сети • для сигнальных процессоров и используемая система прямого управления моментом. Расчет экономического эффекта от уменьшения энергопотребления составляет 22810 руб/ мес.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. В результате анализа известных методов и средств, используемых при управлении автоматизированной системой управления технологическим процессом, выявлена недостаточность теории управления мельницей помола, связанная с малой информативностью информационных сигналов, что при реализации системы управления асинхронным двигателем и питателем приводит к повышенному энергопотреблению.

2. На основе нового математического представления частотных характеристик звукового сигнала обосновано выделение в частотной характеристике шумового сигнала участка с максимальной долевой энергии и его использования при управлении питателем и асинхронным двигателем, вращающим барабан мельницы.

3. Разработана архитектура и алгоритм обучения нейронной сегти для выделения частотного интервала с максимальной долевой энергией, позволяющей

отнести реальный шум сигнала к наиболее близкому из запомненных нейронной сетью на этапе обучения, что позволяет в условиях помех эффективно классифицировать звуковые сигналы по степени их тональное™.

4. Разработана структура системы прямым управлением момента асинхронного двигателя вращающейся мельницы помола, алгоритмы и программы реализации узлов системы управления питателем и асинхронным двигателем шаровой мельницы, позволяющие уменьшить энергопотребление и повысить качество помола.

5. Проведены исследования работы системы управления мельницами помола, как методом имитационного моделирования, так и натурными испытаниями системы управления скоростью асинхронного двигателя в функции загрузки мельницы, в результате которых выработаны рекомендации по снижению энергопотребления и повышению качества процесса помола.

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

Статьи в журналах из перечня ВАК

1. Михелева М.В. Контроль динамических режимов шаровой мельницы помола с использованием нейросетевых информационных технологий [Текст] / Н.И. Корсунов, М.В. Михелева // Известия ОрелГТУ. Серия «Фундаментальные и прикладные проблемы техники итехнологии», №3/271 (546) 2008, С. 10-17.

2. Михелева М.В. Выделение максимума долевой энергии информационного сигнала для управления вращающейся мельницей помола [Текст] / Н.И. Корсунов, Е.В. Корсунова, М.В. Михелева // «Информационные системы и технологии». Известия ОрелГТУ, №4/54(567) 2009, С. 81-87.

3. Михелева М.В. Нейронная сеть для кластеризации звуковых сигналов по степени их тональности [Текст] / Н.И. Корсунов, М.В. Михелева II Вопросы радиоэлектроники. Серия «Электронная вычислительная техника», выпуск 1, 2010, С. 127-134.

Публикации в сборниках научных трудов и материалов конференций

4. Михелева М.В. Объектно-ориентированный подход к построению нейросетевых эмуляторов [Текст] / Н.И. Корсунов, М.В. Михелева II III Международный студенческий форум «Образование Наука Производство», 2006. - С. 138.

5. Михелева М.В. Нейросетевые алгоритмы генерирования сигналов заданной формы [Текст] / Н.И. Корсунов, М.С. Розанов, М.В. Михелева // Научные ведомости БГУ. Серия «Информатика и прикладная математика», 2006. -№2(31) Выпуск 3 - С. 192- 194.

6. Михелева М.В. Нейросетевые алгоритмы аппроксимации неоднозначных функций одной переменной [Текст] / М.В. Михелева И Известия ОрелГТУ. Серия «Информационные системы и технологии». - 2006. - №2(6) - С. 160-164.

7. Михелева М.В. Нейросетевые алгоритмы экспериментачьной обработки формы материалов при перемешивании компонентов смеси [Текст] / Н.И. Корсунов, М.В. Михелева, С.В. Агарков // Известия вузов. Строительство. - Новосибирск: Изд. НГАСА, 2007. - №9. - С. 78-85.

8. Mikheleva M.V. Neural networks algorithm of approximation using orthogonal po.'ynomial [Текст] / M.V. Mikheleva // Fourth International Conference on Soft Computing, Computing with Words and Perceptions in System Analysis, Decision and Control, Antalya, Turkey, August 27-28,2007, P.125-130.

9. Михелева M.B. Синтез нейроаппроксиматаров многозначных функций / Н.И. Корсунов, М.В. Михелева, С.В. Агарков // Международная конференция «Проблемы

информатики и моделирования» Национальный технический университет «ХПИ». -Харьков, 23-25 ноября, 2006.

10. Михелева М.В. Программа «Нейроаппроксиматор 1.0» Нейросетевой эмулятор для аппроксимации функций / Н.И. Корсунов, М.В. Михелева. - Отраслевой фонд алгоритмов и программ «Государственный координационный центр информационных технологий», 2007. - № 8275.

11. Михелева М.В Вибродиагностика шаровой мельницы с использованием нейронных сетей [Текст] / М.В. Михелева // Международная научно-практическая конференция студентов, аспирантов и молодых ученых «Наука и молодежь в начале нового столетия» Губкин, 10-11 апреля, 2008. - С. 153-155.

12. M.V. Mikheleva The dynamic control of crushing minerai raw materials using neural networks technologies [Текст] / M.V. Mikheleva // The 12th International Conférence of International Association for Computer Methods and Advances in Geomechanics (IACMAG), Goa, India, 1-6 October, 2008, P. 1885-1889.

13. Михелева М.В. Применение вейвлет-преобразований для выделения параметров управления мельницами помола [Текст] / Н.И. Корсунов, М.В. Михелева И Вестник НТУ "ХПИ". Тематический выпуск: Информатики и моделирования. - Харьков: НТУ "ХПИ". - 2009, С. 89-93.

14. Михелева М.В. Ускорение процесса получения диагностической информации в динамических режимах механических систем [Текст] / Н.И. Корсунов, Е.В. Корсунова, М.В. Михелева // Компьютерные науки и технологии. 4.1: сборник трудов первой Международной научно-техннческой конференции. - Белгород: ГиК, 2009, С. 195-199.

Подписано в печать 11.02.2010. Гарнитура Times New Roman.

Формат 60x84/16. Усл. п. л. 1,0. Тираж 100 экз. Заказ 16. Оригинал-макет подготовлен и тиражирован в издательстве Белгородского государственного университета 308015, г. Белгород, ул. Победы, 85

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИЗ МЕТОДОВ И СРЕДСТВ УПРАВЛЕНИЯ ТЕХНОЛОГИЧЕСКИМ ПРОЦЕССОМ ПОМОЛА.

1.1. Технологический процесс помола и структуры технологических систем.

1.2. Методы измерения степени заполнения мельницы при технологическом процессе помола клинкера.

1.2.1 Прямые методы.

1.2.2 Косвенные методы.

1.3. Организация систем управления технологическим процессом.".

1.4. Постановка целей и задач исследования.

ГЛАВА 2. ВЫДЕЛЕНИЕ МАКСИМАЛЬНОЙ ДОЛЕВОЙ ЭНЕРГИИ ПРИ УПРАВЛЕНИИ ПИТАТЕЛЕМ И АСИНХРОННЫМ ДВИГАТЕЛЕМ, ВРАЩАЮЩИМ БАРАБАН МЕЛЬНИЦЫ.

2.1. Выбор информационного параметра в звуковом сигнале при управлении асинхронным двигателем шаровой мельницы.

2.2. Методы и алгоритмы распознавания звуковых сигналов.

2.2.1. Определение информативных характеристик сигнала во временной области.

2.2.2. Определение информативных характеристик сигнала в частотной области.

2.3. Определение частотных интервалов звукового сигнала при использовании в управлении асинхронного двигателя.

2.4. Разработка нейронной сети выбора частотного интервала с максимальной энергией.

2.5 Выводы.

ГЛАВА 3. СИСТЕМА УПРАВЛЕНИЯ АСИНХРОННЫМ ДВИГАТЕЛЕМ

БАРАБАННОЙ ШАРОВОЙ МЕЛЬНИЦЫ.

3.1 Общая структура системы управления помолом клинкера.

3.2 Система управления асинхронным двигателем шаровой мельницы.

3.3. Алгоритмы управления асинхронным двигателем и заполнением барабана мелющей массой шаровой мельницы помола.

3.4 Техническая реализация системы.

3.4.1 Системы поддержки принятия решений выбора цифрового сигнального процессора.

3.5. Выводы и результаты исследований.

ГЛАВА 4. ИССЛЕДОВАНИЯ РАБОТЫ СИСТЕМЫ УПРАВЛЕНИЯ БАРАБАННОЙ ШАРОВОЙ МЕЛЬНИЦЫ.

4.1 Исследование задатчика скорости шаровой мельницы помола клинкера.

4.2 Исследование системы управления асинхронным электродвигателем шаровой мельницы помола.

4.3 Расчет экономической эффективности.

4.4 Выводы и результаты исследований.

Актуальность работы. Мельницы помола широко применяются в строительной, металлургической, мукомольной и других промышленных отраслях. Технологический процесс помола относится к энергоемким производствам. Вопросы, связанные с уменьшением энергопотребления и повышения качества процесса помола являются актуальными.

Для снижения энергозатрат используются косвенные системы управления двигателями, диапазон скорости которых рассчитывается, исходя из минимальной и максимальной загрузки мельницы.

В настоящее время на многих сложившихся производствах качество процесса помола определяется квалификацией оператора, вручную управляющего мельницами в зависимости от изменения характера вибраций, измеряемых различными акустическими датчиками, так называемым «электронным ухом». Однако получаемая оператором информация является приближенной на уровне шумов, поэтому скорость приводного асинхронного двигателя колеблется в широких пределах. Несмотря на это, достигается требуемое качество помола, но резко снижается эффективность помола, особенно при помоле материалов с разным гранулометрическим составом. Кроме того, мельницы помола являются энергозатратными агрегатами (20 % электрической энергии расходуется на помол, например, при производстве цемента). Поэтому в настоящее время для снижения потребления электрической энергии мельницы помола снабжаются частотно-регулируемыми электроприводами для управления асинхронными двигателями. Но в данных системах управления также остается открытым вопрос выделения информативного параметра об акустических характеристиках мельницы, так как преобразование акустического сигнала в электрический (цифровой) является нечетким на уровне помех.

В теорию управления асинхронным двигателем в различных отраслях промышленности весомый вклад внесли российские и зарубежные ученые, такие как А.С. Сандлер, О.И. Хасаев, О.А. Косов, Р.С. Сарбатов, А.Н. Попов, Д.А. Поздеев, Ю.В. Кесслер, Р. Шенфельд, В. Дуда, Ю.В. Колоколов, И.И. Эпштейн, В.М. Перельмутер, В.И. Андерс, В.М. Феоктистов и др.

Однако, вопрос об управлении асинхронным двигателем с динамически изменяемой нагрузкой, приводящей к системе с переменной структурой, исследован недостаточно. Это обуславливает актуальность темы диссертационной работы, посвященной разработке метода управления асинхронным двигателем с изменяющейся нагрузкой при технологическом процессе помола клинкера, на основе выделения информативного сигнала об акустических характеристиках мельницы. Использование современного математического аппарата - нейронных сетей, позволяет сформировать такой управляющий сигнал для системы частотно-регулируемого электропривода, который позволит корректировать управление характеристиками асинхронного двигателя и процессом дозирования (питатель является частью технологического оборудования помола).

Разработанный на основе предложенного метода управления «нейросетевой вычислитель» позволит на уровне шумов существенно повысить эффективность управления технологическим процессом помола, а, следовательно, качество процесса помола и снизить затраты на электроэнергию.

Объектом исследования в данной работе является система управления асинхронным двигателем с изменяющейся нагрузкой при технологическом процессе помола клинкера.

В качестве предмета исследования рассматриваются методы и средства получения информации о степени загрузки мельницы и её использовании для управления скоростью вращения барабана шаровой мельницы помола.

Цель диссертационной работы; Целью настоящей работы является повышение качества процесса помола и уменьшение энергопотребления путем управления асинхронным двигателем в функции степени наполнения мельницы.

Для достижения поставленной цели решались следующие задачи:

- выявление перспективных методов и средств управления асинхронным двигателем, позволяющих повысить качество измельчения клинкера при снижении энергопотребления;

- разработка математической модели определения информативного параметра в звуковом сигнале, издаваемом работающей мельницей в зависимости от степени её заполнения;

- разработка архитектуры и алгоритма обучения нейронной сети выделения информативного параметра в шумовом звуковом сигнале, издаваемом вращающейся мельницей при различной степени заполнения;

- разработка структуры и алгоритмов управления асинхронным двигателем и питателем шаровой мельницы при использовании в качестве информативного параметра максимума долевой энергии шумового сигнала в выбранном частотном диапазоне;

- выбор процессора и программная реализация алгоритмов управления асинхронным двигателем шаровой мельницы;

- математическое моделирование частотно-регулируемого электропривода при различных законах заполнения барабана мелющей массой и проведение экспериментальных исследований.

Методы и средства исследований.

При решении указанных задач использовались основные положения теории автоматического управления, теории автоматизированного тиристорного электропривода, теории измерений, методы спектрального анализа, теории искусственных нейронных сетей, методы математической статистики и математического анализа, методы объектно-ориентированного программирования.

Содержание работы

Диссертация состоит из введения, четырех глав и заключения, списка литературы из 100 наименований и 1 приложения.

4.4 Выводы и результаты исследований

1. Для определения частоты в спектре сигнала с максимальной долевой энергией необходимо выделенный частотный интервал Fp разбить на под интервалы одинаковой длины, количество которых определяется минимальным дискретным приращением мелющей массы задаваемой питателем.

2. Эксперимент показывает, что при любом коэффициенте загрузки максимум энергии в спектре находится в некотором частотном диапазоне Fp, что показывает достоверность теоретических исследований, приведенных во второй главе.

3. Для плавной работы двигателя следует загрузку мелющей массой осуществлять дискретным приращением равной величиной AM до максимального значения.

4. Уменьшение загрузки барабана ведёт к перемещению частотного интервала, соответствующего максимальной долевой энергии звукового сигнала, в область более высоких частот.

ЗАКЛЮЧЕНИЕ

В ходе выполнения диссертационного исследования были получены следующие результаты:

1. В результате анализа известных методов и средств, используемых при управлении автоматизированной системой управления технологическим процессом, выявлена недостаточность теории управления мельницей помола, связанная с малой информативностью информационных сигналов, что при реализации системы управления асинхронным двигателем и питателем приводит к повышенному энергопотреблению.

2. Разработана математическая модель определения информативного параметра в звуковом сигнале, издаваемом работающей мельницей в зависимости от степени её заполнения.

3. Предложена архитектура и алгоритм обучения нейронной сети выделения информативного параметра в шумовом звуковом сигнале, издаваемом вращающейся мельницей при различной степени заполнения.

4. Разработана структура и алгоритм управления асинхронным двигателем и питателем шаровой мельницы при использовании в качестве информативного параметра максимума долевой энергии шумового сигнала в выбранном частотном диапазоне.

5. Выбран процессор и осуществлена программная реализация алгоритмов управления асинхронным двигателем шаровой мельницы.

6. Выполнено математическое моделирование частотно-регулируемого электропривода при различных законах заполнения барабана мелющей массой и проведены экспериментальные исследования.

1. Абиев Р. А., Алиев Р.А., Алиев P.P. Синтез САУ с обучаемым на нейронной сети нечетким контроллером Текст. // Изв. РАН, Техническая кибернетика, №2, 1994. С. 192 - 197.

2. Алексеев М.А., Шамаллах X. Применение вейвлет анализа при решении задач функционального контроля промышленных объектов Текст. // Науковий вюник НГУ.-№2, 2004. С. 18 - 23.

3. Алиев Р.А., Абдикеев Н.Г., Шахназаров М.М. Производственные системы с искусственным интеллектом Текст. М.: Радио и связь, 1990. - 264 с.

4. Аршинский В.М. и др. Принципиальные возможности оптимизации процесса измельчения руд с помощью адаптивной модели. Текст. В сб. "Авт. контроль и упр. при обогащении и гидрометаллургии цветных металлов", Ташкент, 1971. 152 с.

5. Белов, А. С. Исследования алгоритма обнаружения пауз в речевых сообщениях Текст.// Научные ведомости БелГУ, серия «Информатика и прикладная матемашка» Белгород: Изд-во БелГУ, Вып. 7(38), 2007 г., с. 214-221

6. Бесекерский, В.А. Теория систем автоматического регулирования Текст. / В.А. Бесекерский, Е.П. Попов. Издательство «Наука», Главная редакция физико-математической литературы, М., 1972. — 161 с.

7. Богданов B.C., Борщевский А.А., Ильин А.С., Струков В.Г., Фадин Ю.М. Технологические комплексы и линии для производства строительных материалов и изделий Текст.: Учеб. Пособие, М: Изд-во ABC; Белгород: Изд-во БелГТАСМ, 2000. -199с.

8. Бородянский Е.В., Любчик JI.M., Матусовский Г.А., Плис И.П. Об одном алгоритме таксономической классификации на основе искусственных нейронных сетей Текст. // Радиоэлектроника и информатика. 1998. - №3. -С.65 -68.

9. Ю.Вержбицкий, В.М. Основы численных методов Текст. : Учебник для вузов. -М.: Высш. шк, 2002. 840 с.

10. П.Верлань А.Ф., Корсунов Н.И. Электронные функциональные преобразователи систем автоматики. Текст. — К.: Техника, 1981. — 239с.

11. Витязев В.В. Цифровая частотная селекция сигналов. Текст. М.: Радио и связь. 1993. - 240 с.

12. Галушкин А.И. Теория нейронных сетей. Текст. М.: ИПРЖР, 2000. 416 с.

13. Голд, Б. Цифровая обработка сигналов Текст. : пер. с англ. / Б. Голд, Ч. Рейдер. М.: Сов. радио, 1973. 376 с.

14. Гольденберг, JI. М. Цифровая обработка сигналов Текст.: Учеб. пособие для вузов. / JI.M. Гольденберг, Б.Д. Матюшкин, М.Н. Поляк. -М.: Радио и связь, 1990. 256 с.

15. Горбань А.Н. Нейроинформатика и ее приложения Текст. // Нейрокомпьютеры, 2000. С. 3-10

16. Горбань А.Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей Текст.//Нейрокомпьютеры.-2000. С. 12-24.

17. Гринман И.Г., Сакбаев Ж.М., Жотобаев Ж.Р. Измерения степени загрузки мельницы рудой с помощью телеизмерительного датчика Текст.// Обогащение руд.-1962.-№ 1 .-с.27-29.

18. Дженкинс, Г. Спектральный анализ и его приложения Текст.: Пер. с англ. / Г.Дженкинс, Д. Ватте; под ред. В. Ф. Писаренко. М.: Мир, 1971. 316 с.

19. Дмитриенко В.Д., Расрас Р.Д. Системы поддержки принятия решений при управлении технологическим процессом Текст. // Системы обработки информации. Сборник научных трудов. Вып. 1(11). ХФВ «Транспорт Украины», 2001. - С.120 - 128.

20. Доррер М.Г. Аппроксимация многомерных функций полутораслойным предиктором с произвольными преобразователями Текст.//Сибирский журнал вычислительной математики /РАН. Сибирское отделение.-Новосибирск, 1998. С. 130 - 135.

21. Дремин И.М. Иванов О.В., Нечитайло В.А. Вейвлеты и их использование. Обзоры актуальных проблем Текст.// Успехи физических наук.-Май 2001.-том171.-№5 с. 465-501.

22. Дуда В. Цемент: Электрооборудование, автоматизация, хранение, транспортирование. Текст. -М.: Стройиздат, 1987. -373 с.

23. Дьяконов, В.П. Matlab Текст. / В.П. Дьяконов. СПб.: Питер, 2001. 553 с.

24. Дьяконов, В.П. МАТГАВ. Обработка сигналов и изображений. Специальный справочник Текст. / В.П. Дьяконов. СПб.: Питер, 2002. -608 с.

25. Катков, О. Н. Система распознавания речи на основе нейронной сети Текст. / Катков О. Н., Пименов В. А. // Телекоммуникации. 2004. - № 2. -С. 14-19.

26. Кендалл, М. Дж. Многомерный статистический анализ и временные ряды Текст.: Пер. с англ. / М. Дж. Кендалл, А. Стьюарт: под ред. А. II. Колмогорова. К). В.Прохорова. М.: Наука, 1976. -736 с.

27. Корсунов Н.И., Михелева М.В. Объектно-ориентированный подход к построению нейросетевых эмуляторов Текст. // III Международный студенческий форум «Образование Наука Производство», 2006. С. 138.

28. Корсунов Н.И., Михелева М.В., Розанов М.С. Нейросетевые алгоритмы генерирования сигналов заданной формы Текст. // Научные ведомости

29. БГУ. Серия «Информатика и прикладная математика», 2006. №2(31) Выпуск 3-С. 192-194.

30. Корсунов Н.И., Корсунова Е.В., Михелева М.В. Выделение максимума долевой энергии информационного сигнала для управления вращающейся мельницей помола Текст. // «Информационные системы и технологии». Известия ОрелГТУ, №4/54(567) 2009, С. 81-87.

31. Корсунов Н.И., Михелева М.В. Применение вейвлет-преобразований для выделения параметров управления мельницами помола Текст. // Вестник НТУ "ХПИ". Тематический выпуск: Информатики и моделирования. — Харьков: НТУ "ХПИ". 2008, С. 89-93.

32. Корсунов Н.И., Михелева М.В. Контроль динамических режимов шаровой мельницы помола с использованием нейросетевых информационных технологий Текст.// Известия ОрелГТУ. Серия «Информационные системы и технологии», 3/ 271 (546) 2008, С. 10-17.

33. Корсунов Н.И., Михелева М.В., Агарков С.В. Нейросетевые алгоритмы экспериментальной обработки формы материалов при перемешивании компонентов смеси Текст.// Известия вузов. Строительство. -Новосибирск: Изд. НГАСА, 2007. №9. - С. 78 - 85.

34. Корсунов Н.И., Михелева М.В. Программа «Нейроаппроксиматор 1.0» Нейросетевой эмулятор для аппроксимации функций. Отраслевой фонд алгоритмов и программ «Государственный координационный центр информационных технологий», 2007. - № 8275.

35. Кричевский M.JI. Введение в искусственные нейронные сети Текст. -СПб.: Изд. СПб Гос. морск. техн. унив., 1999. 139 с.

36. Куприянов, М.С. Цифровая обработка сигналов Текст. / М.С Куприянов, Б.А.Матюпткин. СПб.: Питер, 1998. 416 с.

37. Лайонс, Р. Цифровая обработка сигналов Текст. : Второе издание. Пер. с англ. М.: ООО «Бином Пресс», 2007. - 656 с.

38. Марюта А.Н., Кочура Е.В. Зависимости энергетических параметров электродвигателя шаровой мельницы от загрузки ее шарами и измельчаемым материалом Текст.// Известия ВУЗов. Горный журнал.-1973.-№2. С. 10- 14.

39. Марюта А.Н., Кочура Е.В. Зависимости энергетических параметров приводного электродвигателя шаровой мельницы от загрузки ее шарами и измельчаемым материалом Текст. // Известия ВУЗов. Горный журнал,-1973 .-№3. С. 28-33.

40. Михелева М.В. Нейронная сеть для кластеризации звуковых сигналов по степени их тональности Текст. / Н.И. Корсунов, М.В. Михелева // Вопросы радиоэлектроники. Серия «Электронная вычислительная техника», выпуск 1,2010, С. 127-134.

41. Медведев B.C., Потемкин В.Г. Нейронные сети. MATLAB 6. М.: ДИАЛОГ-МИФИ, 2002. - 496 с.

42. Михелева М.В. Нейросетевые алгоритмы аппроксимации неоднозначных функций одной переменной Текст. // Известия ОрелГТУ. Серия «Информационные системы и технологии». 2006. - №2(6) - С. 160 - 164.

43. Нейроинформатика Текст. / А.Н.Горбань, В.Л.Дунин-Барковский, А.Н.Кирдин и др. Новосибирск: Наука. Сибирское предприятие РАН, 1998.-296с.

44. Нейронные сети: распознавание, управление, принятие решений Текст. / А. Б. Барский. Финансы и статистика, 2004. — 136 с.

45. Нейросетевые алгоритмы прогнозирования и оптимизации систем Текст. / А.Назаров, А.Лоскутов. С-П., Наука и Техника, 2003. - 384 с.

46. Николаев А.Б. Инструментальные средства и методика проектирования нейросетей Текст. // МАДИ (ГТУ), 2002. 200 с.

47. Основные концепции нейронных сетей Текст. / Р. Каллан, — «Вильяме», 2001. —С. 288.54.0ссовский С. Нейронные сети для обработки информации Текст. /- м.: Финансы и Статистика, 2004 г. 344 с.

48. Панов А.Е. Расширение допустимых диапазонов искажения формы и изменения частоты тональных колебаний, выделяемых в речевом сигнале корреляционным методом Текст. / А.Е. Панов, А.П. Типикин // Телекомуникации, -2003. №11. С. 13-16

49. Пирумов У.Г. Численные методы Текст. : Учеб. пособие для студ. втузов.-2-е изд., перераб. и доп. М.: Дрофа, 2003. - 224с.

50. Программирование искусственного интеллекта в приложенияхТекст. / М. Тим Джонс. М. ДМК Пресс, 2004. с. 312.

51. Прямое управление моментом и током двигателей переменного тока. Текст. /Перельмутер В.М. X.: Основа, 2004 - 210 с.

52. Рабинер, Л. Теория и применение цифровой обработки сигналов Текст. / Л. Рабинер, Г. Голд. М.: Мир, 1988. - 512 с.

53. Рабинер, Л.Р. Цифровая обработка речевых сигналов Текст.: Пер. с англ. / Л.Р.Рабинер, Р.В. Шафер; под ред. М. В. Назарова, Ю. Н. Прохорова. М.: Радио и связь 1981. 495 с.

54. Ротштейн А.П., Митюшкин Ю.И. Идентификация нелинейных зависимостей нейронными сетями Текст.// Проблемы бионики.- 1998.-№49.-0.168-174.

55. Системы искусственного интеллекта Текст./ Рудинский И.Д. М.: Финансы и статистика, 2004.-344с.

56. Сандлер, А.С. Автоматическое частотное управление асинхронными двигателями Текст. / А.С. Сандлер, Р.С. Сарбатов. М.: Наука, 1971. - С. 24 - 26.

57. Сапожников М.Я. Механическое оборудование предприятий строительных материалов, изделий и конструкций. Текст.// Учеб. Для строительных вузов и факультетов. М., «Высш. школа». 1971. 382 с.

58. Сапожников М.Я. Механическое оборудование для производства строительных материалов и изделий. Текст.// Учебник для втузов. М., Машгиз, 1962, 522 с.

59. Синюк В.Г. , Котельников А.П. Системы поддержки принятия решений: основные понятия и вопросы применения. Текст.// Учебное пособие. Белгород, 1998. 77с.

60. Слежановский О., Дацковский Л., Кузнецов И. и др., «Системы подчиненного регулирования электроприводов переменного тока с вентильными преобразователями» Текст.// . М., Энергоатомиздат, 1983 -256 с.

61. Соловьев О. Р. Повышение эффективности работы шаровых барабанных мельниц Текст. // Строительные и дорожные машины. 2006. - №11. -С.20-23

62. Стелтинг, Стивен, Маасен, Олав Применение шаблонов. Библиотека профессионала. Текст.// : Пер. с англ. — М.:Издательский дом "Вильяме", 2002. — 576 с.

63. Томашевич Н.С. Об одном методе решения задачи аппроксимации функций с помощью двуслойной сети переменной структуры. Текст. // Сб.

64. Докл. IV Всероссийской конференции «Нейрокомпьютеры и их применение», Москва, 2001. С.70-77.

65. Утеуш, Э.В. Основы автоматизации измельчения материалов в шаровых мельницах Текст. / , Э.В. Утеуш, З.В. Утеуш. М. Химия, 1968. - С. 16, 97.

66. Утеуш Э.В., Утеуш З.В. Управление измельчительными агрегатами Текст.-М.: Недра, 1973. 280 с.

67. Ф.Уоссермен, Нейрокомпьютерная техника, Текст. М., Мир, 1992. 95 с.

68. Форсайт Дж., Малькольм М., Моулер К. Машинные методы математических вычислений. Текст. М.: «Мир», 1980. 280 с.

69. Червяков Н.И., Ремизов C.JI. Нейросетевая реализация модулярных преобразований в вейвлет обработке речевых сигналов Текст. // Нейрокомпьютеры: разработка, применение, № 5, 2005 г.-с.68-72.

70. Чиликин М.Г. Теория автоматизированного электропривода Текст. : Учеб. Пособие для вузов. М.: Энергия, 1979. - 616 с.

71. Численные методы: Учеб. пособие для студ. вузов / М.П. Лапчик, М.И. Рагулина, Е.К. Хеннер; Под ред. М.П. Лапчика.- М. Текст.: Издательский центр «Академия», 2004.-384 с.

72. Чистяков А.А., Козлов М.А. Эффективность внедрения систем с частотно-регулируемыми приводами Текст. // Приборы и системы управления, контроль, диагностика, №5, 2002 г. с. 66 - 70.

73. Шамаллах, X. К. Методы автоматического контроля перегрузки барабанных мельниц рудой Текст. : автореф. дис. канд. техн. наук / X. К. Шамаллах. Днепропетровск: Изд-во НТУ, 2005. - 15 с.

74. Шамаллах X. Сравнительный анализ Фурье и вейвлет-преобразований сигналов Текст. //Науковий вюникНГУ .-2004.-№ 10.—с. 14-22.

75. Шёнфельд Р., Хабигер Э. Автоматизированные электроприводы Текст. . -Л.: Энергоатомиздат. Ленигр. Отделение, 1985. 464 с.

76. Шубенко В. А., Враславский И. Я., Шрейнер Р. Т. Асинхронный электропривод с тиристорным управлением. Текст. / Библиотека по автоматике, выпуск 237. М.: Энергия, 1967. - 96 с.

77. ADSP-21000 Family Application Handbook Текст., Vol. 1, Analog Devices, 1994.

78. Braslavsky I. Ya., Zuzev A.M., Kostylev A.V. Neural control system for induction motor drive Текст. // Electromotion'99. 3'rd International symposium on Advanced Electromechanical Motion System. Patras, Greece, 1999. P. 321324.

79. Casadei D., Grandi G., Serra G., Tani A., «Switching Strategies in Direct Torque Control of Induction Machines»Текст. ICEM' 94 Conference Proceedings, Paris, p. 204-209.

80. Digital Signal Processing Applications Using the ADSP-2100 Family Текст., Vol. 1 and Vol. 2, Analog Devices, 2001.

81. Duda, R.O. Pattern classification and scene analysis Текст. / R.O. Duda, P.E. Hart.- New York: A Wiley-interscience publication John Wiley & sons ,1973. -290 c.

82. J. T. Niu, L.J. Sun, P. Karjalainen A Neural network-based model for prediction of hotrolled austenite grain size and flow stress in microalloy steel Текст. // Acta mettalurgia sinica (Englich letters). Vol. 13, №2, pp. 521 530, April 2000.

83. Haykin S. Neural Networks Текст.: A Comprehensive Foundation (2nd Edition), Prentice Hall, 1999. 823 c.

84. Gael de La Croix Vaubois, Catherine Moulinoux, Benolt Derot, The N Programming Language Текст. //Neurocomputing, NATO ASI series, vol.F68, pp.89-92.

85. Kolmogorov A.N. On the representation of continuous functions of many variables by superposition of continuous functions of one variable and addition Текст. // American Mathematical Society Translation. 1963. - №28. - P. 5559.

86. On the approximate realization of continuous mappings by neural networks, Ken-Ichi Funahashi Текст.Шеига1 Networks.-1989.-№2. P. 183-192

87. Paul J. Werbos, Backpropagation Through Time: What It Does and How to Do It Текст. //Artificial Neural Networks: Concepts and Theory, IEEE Computer Society Press, 1992, pp.309-319.

88. Perelmuter V., «Direct Torque Control Improvement» Текст. 10th EDPE Conference, Dubrovnik, 1998, p. 134-139.

89. Perelmuter V., «А simplified modeling of induction motor drives with direct torgue control» Текст. Proc. IEEE ISIE'99, Bled, 1999, p. 486-491.

90. Silvia Ferrari, Robert F.Stengel Smooth Function Approximation Using Neural Networks Текст.// IEEE Transactions on Neural Networks, Vol. 16, No. 1, January 2005.

91. Takahashi I., Noguchi Т., « A new quick-response and high-efficiency control strategy of an induction motor» Текст. IEEE Trans. Ind. Applicat., №5, 1986, p. 820-827.

92. Weierstrass K. «Uber die analytische Darstellbarkeit sogenannter willkurlicher Funktionen einer reellen veranderlichen» Текст., Sitzungsberichte der Akademie der Wissenschaften, Berlin, 1985, p. 633-639, 789-905.