автореферат диссертации по машиностроению и машиноведению, 05.02.05, диссертация на тему:Управление параметрами движения пипетирующего робота, обеспечивающими дозирование, на базе нечеткой логики

¡30*0 А X А 1 •

На правах рукописи

АНТОНОВ АНТОН НИКОЛАЕВИЧ

Управление параметрами движения пипетирующего робота, обеспечивающими дозирование, на базе нечеткой логики

Специальность 05.02.05 - «Роботы, мехатроника и робототехнические

системы»

Автореферат диссертации на соискание ученой степени кандидата технических наук

Москва-2010

004611177

Работа выполнена в Московском государственном университете приборостроения и информатики (МГУПИ) Научный руководитель: Доктор технических наук, профессор,

заслуженный деятель науки РФ Аршанский Михаил Маркович

Официальные оппоненты: Доктор технических наук, профессор

Асташев Владимир Константинович кандидат технических наук, доцент Выжигин Александр Юрьевич

Ведущая организация Московский государственный

технологический университет «Станкин» (МГТУ «Станкин»)

Защита состоится «28» сентября 2010 года в зале Советов в 12 часов на заседании диссертационного Совета Д 212.119.03 при Московском государственном университете приборостроения и информатики по адресу: 107846, г. Москва, ул. Стромынка, 20.

С диссертацией можно ознакомиться в библиотеке МГУПИ

Автореферат разослан_

Ученый секретарь диссертационного

совета, профессор, к.т.н. ^ — Касаткин Н.И.

Актуальность проблемы

Большая часть технологических процессов химических, нефтехимических, фармацевтических, пищевых, парфюмерных, лакокрасочных, клинико-диагностичесие и других производств характеризуется наличием операций, для выполнения которых необходима реализация автоматической подачи в объект управления устанавливаемых технологическим регламентом доз или расходов жидких компонентов. При этом при проектировании, а в последующем, и программировании оборудования, необходимо учитывать разнообразие физико-химических свойств дозируемых составов, обеспечивать достаточно высокую точность и широкие диапазоны дозирования.

Среди производств, указанных выше, связанных с задачами автоматизации процессов дозирования жидкостей, клинико-диагностические производства занимают особое место. Это обусловлено тем, что в последнее время в России получают развития частные клинико-диагностические лаборатории, а так же производства диагностических наборов реагентов, в которых дозирование проб и реактивов - обязательный этап аналитического и технологического процессов соответственно. И от того, на сколько точно дозируется требуемый объем, напрямую зависит точность получаемого результата лабораторного исследования. Таким образом, ввиду образования целого ряда предприятий малого и среднего бизнеса, занимающихся производством диагностических систем и клинико-диагностическими исследованиями, становится чрезвычайно актуальной проблема создания и эксплуатации высокоточного, недорого, надежного и компактного фасовочного оборудования, учитывающего специфические условия малых производств.

В отличие от крупносерийных и массовых производств такое оборудование должно быть приспособлено к работе с большой номенклатурой дозируемых составов и иметь возможность оперативной переналадки на разные типы продукции и объемы. Основным классом используемого автоматического оборудования дозирования являются системы дозирования без контроля величины дозы на основе положительного вытеснения объема дозы из сменных наконечников.

Строго говоря, использование роботизированных пипетирующих станций высвобождает только руки человека, так как робот не подвержен усталости и влиянию внешних факторов при монотонной и повторяющейся работе, которой является дозирование. Алгоритм движения руки робота жестко задан и не подвержен изменениям. Рука последовательно подходит к строго определенным ячейкам на рабочем столе робота и производит дозирование. Однако, при всей универсальности роботизированных пипетирующих станций (пипетирующих роботов) и четкости выполнения заложенных алгоритмов движения руки робота, параметры самого процесса дозирования (скорость аспирации, скорость дозирования, задержка между операциями) по-прежнему являются проблемой, решаемой человеком, исходя из его опыта и субъективных представления о свойствах дозируемого

реагента. Таким образом, задача интеллектуализации управления параметрами движения пипетирующего робота, обеспечивающими дозирование, является актуальной.

Основными параметрами, оказывающими влияния на точность дозирования, являются объем дозы, скорость забора жидкости (скорость аспирации), скорость сброса жидкости (скорость дозирования), а так же временная пауза (задержка) после этапов аспирации и дозирования. Однако, сами представленные параметры, строго говоря, имеют неопределенность определения из-за перекрестного влияния на них и друг на друга таких внешних характеристик как вязкость дозируемого реактива, температура окружающей среды, реактива, форма наконечника и т.д. Аналитический учет всей структуры взаимовлияний практически нереализуем в рамках современных производственных условий, таким образом, встает задача реализации интеллектуального управления параметрами дозирования. Одним из возможных путей решения данной задачи является использование аппарата нечеткой логики, которая получила большое распространения в последние двадцать лет в сфере управления технологическими процессами и приборами.

Целью работы является повышение эффективности процесса дозирования путем интеллектуализации выбора параметров дозирования.

Для достижения этой цели были поставлены следующие задачи:

1. Проанализировать устройство и принципы работы роботизированных систем дозирования. Провести классификацию систем автоматического дозирования. Проанализировать детерминированные и случайные факторы, влияющие на производительность и точность систем роботизированного дозирования.

2. Разработать базу знаний процесса задания параметров дозирования.

3. Создать виртуальный нечеткий контроллер на основе нечеткого логического вывода для осуществления процесса дозирования.

4. Произвести интеграцию виртуального нечеткого контроллера с системой управления роботизированной пипетирующей станцией и произвести полунатурное моделироване работы системы.

5. Оценить технологическую эффективность предложенной системы выбора параметров дозирования применительно к роботизированной пипетирующей станции EVO Freedom 75, Тесап.

Научная новизна работы заключается:

1. В разработке технологических аспектов интеллектуализации процесса дозирования.

2. В разработке системы нечеткого логического вывода по выбору параметров дозирования и создании виртуального нечеткого контроллера.

3. В моделировании системы нечеткого вывода в Matlab.

4. В интеграции виртуального нечеткого контроллера с системой управления роботизированной пипетирующей станции.

Практическая ценность работы заключается в создании интеллектуальной системы выбора параметров дозирования для роботизированной пипетирующей станции (подтвержденное актом внедрения в производственный процесс) и разработке модели системы управления движением исполнительного элемента пипетирующего робота на основе нечеткого логического вывода.

Публикации

Основное содержание диссертации изложено в 5 печатных работах, одна из которых в реферируемом журнале, входящем в перечень изданий, рекомендованных ВАК.

Апробация

Результаты работы доложены на 1-ой и 3-ей республиканских интернет-конференциях с международным участием «Мехатроника. Робтотехника. Автоматизация» 2007, 2010г. А так же на конференции молодых ученых Будапештского университета техники и экономики 2007г.

Структура и объем диссертации

Работа состоит из введения, четырех разделов, заключения и списка используемой литературы, включающего 114 наименований, и 2-х приложений. Работа изложена на 119 страницах печатного текста, содержит 34 рисунка, 4 таблицы и приложения.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность исследуемой проблемы, сформулированы основные положения исследований, дана оценка научной и практической значимости работы.

В первом разделе проведен анализ сведений из литературы и публикаций, как по общим принципам построения и классификации систем автоматического дозирования, так и по критериям роботизации процесса автоматического дозирования. Такой подход к подбору источников определяется тем, что системы дозирования, безусловно обладая всеми предпосылками к роботизации, тем не менее, редко когда описывались как роботизированные системы.

Также в первом разделе проведена классификация систем автоматического дозирования и выполнена постановка задачи исследования. Во втором разделе были рассмотрены технологические основы разработки интеллектуальной системы дозирования.

В разделе произведен анализ конструкции пипетирующей станции EVO Freedom 75, как пример роботизированного оборудования дозирования. Была разделена конструкция на два принципиальных блока: кинематическая мостовая схема перемещения руки робота и дозирующее устройство на базе шприцевого насоса. Проблемы управления движением руки робота не рассматривались в диссертационной работе. Основное внимание было уделено дозирующей системе, состоящей из шприцевого насоса и каналов технологической жидкости, передающей движение поршня шприца дозируемой жидкости.

Камера шприца над поршнем заполнена технической жидкостью. Профиль скорости работы шприцевого насоса изображен на рис. 1. Обычно, поршень начинает свое движение, плавно увеличивая скорость до установленного значения. Это обеспечивает постепенное движение поршня без перегрузки мотора и максимальный расход. Торможение происходит тоже постепенно во избежание образований воздушных пузырей и разрывов жидкости, что приводит к требуемой точности дозирования.

Скорость, [Нг]

V

stop

у

start

u ti t2 ts время, [с]

Рис.1. Профиль скорости шприцевого насоса, где Vtop- скорость дозирования (5-6000[/is]), vslQp -скорость остановки (50-2700 [№]), VMrl - скорость старта(50-1000 |#г]), // - время разгона, t2 - время движения с заданной скоростью, ts - скорость торможения, t=ti+t2+(j - общее время дозирования.

Перемещение поршня осуществляется посредством биполярного

шагового двигателя с шагом 1,8°. Объем аспирации и дозирования при

движении поршня определяется количество шагов шарико-винтовой

передачи (ШВП) и зависит от размера шприцевой камеры. Для определения

числа шагов требуемых для аспирации или дозирования заданного объема

используют следующую формулу:

АГ A-V ,1Л

Л шагов = у—, где (1)

гуг

А - это число шагов совершаемых поршнем с помощью ШВП. Максимальное количество 3000;

К-заданный объем дозирования [мкл]; Vsyr- объем шприца насоса [мкл].

Скорость Hz имеет размерность полшага в секунду (half-increments in second).

В разделе предложен алгоритм работы роботизированной пипетирующей станции, состоящий из 6 функциональных блоков (рис.2). Процесс начинается с требования: необходимо дозирование определенного объема реагента. Затем оператор вводит в программное обеспечение, управляющее роботом, значение этого объема и подобранных им параметров дозирования (скорости дозирования, аспирации и задержки) - блок 2. На данном этапе оператор выполняет функцию эксперта, принимая решение, основанное на его опыте и знаниях. Именно этот этап представляется наиболее уязвимым к человеческим ошибкам и неточностям. И именно от этого этапа зависит точность и производительность дозирования. Процесс автоматизации процесса дозирования, в сущности, заключается в

выполнении роботом алгоритма движения руки с наконечником, который является цикличным и повторяющимся процессом. Робот, обладая жестко запрограммированной системой координат, точно обходит заданные на рабочем столе точки, выполняя дозирование.

Рнс.2. Алгоритм дозирования роботизированной пипетирующей станцией

В соответствии с действиями, выполняемыми роботизированной дозирующей станцией, можно выделить три основных этапа, на которые разбивается блок 4 представленного алгоритма при наполнении заданного объема в требуемое количество пробирок: этап забора жидкости (аспирация), этап перемещения руки робота, этап дозирования (рис.3).

Рис.3. Этапы процесса дозирования

Основными операциями, влияющими на скорость и точность дозирования, являются непосредственно забор жидкости и дозирование, таким образом, вспомогательные функции перемещения и позиционирования в роботизированных станциях при рассмотрении вопроса оптимизации принятия решений по выбору параметров дозирования могут быть исключены.

Согласно приведенной в 1 разделе классификации, роботизированная пипетирующая станция EVO Freedom 75 относится к дискретным САД.

В основе дискретного дозирования жидкостей в большинстве случаев заложен в качестве эталонного объемный метод отмеривания единичной дозы.

Источники погрешностей дозирования в зависимости от факторов, их вызывающих, можно разделить на четыре группы:

1. конструктивные факторы, связанные с точностью изготовления отдельных деталей и узлов (поршня, цилиндра, клапанов) и их конструктивным решением, устройствами регулировок и установок единичной дозы, доводкой отдельных узлов (например, клапанов);

2. параметрические факторы, связанные с измерением технологических и режимных параметров дозируемых сред (температура, давление, вязкость, наличие включений твердой и газовой фаз и др.);

3. энергетические факторы, связанные с вариацией питающего напряжения и частоты, давления и мощности сжатого воздуха и или технологической жидкости;

4. химико-механические факторы, связанные с взаимодействием дозируемых сред с материалом исполнительных устройств (коррозия, кристаллизация, налипание, осаждение, механический износ и др.). Так в рассматриваемой системе роботизированного дозирования

основными факторами влияющими на погрешность дозы AVB, являются температура 0, плотность р, динамический коэффициент вязкости р, изменение местных сопротивлений д и потерь на трение Л, длительность выдачи дозы 1ци- Таким образом,

Д VB=if/{Q,p,g,ju,l,tBi)- (2)

Изменения Я и д монотонны и заложены производителем в срок эксплуатации системы, остальные факторы случайны и имеют взаимовлияние друг на друга, их аналитический учет представляется громоздким и трудоемким процессом. Таким образом, метод снижения погрешностей - учет влияние на параметры дозирования © ,р,ц. Исходя из этого, факторами, являющимися входными величинами в систему при выборе параметров дозирования, были определены: объем дозы - основной критерий задающий параметры дозирования; вязкость дозируемой жидкости - основной фактор, определяющий погрешность объема дозы; температура -унифицированный параметр, учитывающий как температуру окружающей среды так, и температуру дозирующего реактива и влияющий на

погрешность объема дозы через влияние на изменения вязкости дозируемой жидкости.

Для отслеживания адекватности процесса дозирования необходимо проведение метрологической аттестации. Аттестацию данной станции следует производить согласно следующей методике:

• Точность (систематическая ошибка) - величина характеризующая разницу между дозируемым объемом и запрограммируемым объемом системы оценивается:

V -V

$_ —2^400; V = —— = —-, где (3)

У Пап » п-Р

8 - точность [%], Уср - среднее значение объема [мкл], УНот -номинальный объем [мкл], У\ - объем дозы [мкл], М, - вес дозы [мг], р - удельный вес Н20 при температуре 20-25 °С и равняется 0,998 [мг/мкл], п — число измерений.

• Воспроизводимость (случайная, несистематическая ошибка) -величина, характеризующая повторяемость дозирования.

.»i_

-■100, где (4)

Г,

а - воспроизводимость [%], Уср - среднее значение объема [мкл], У, -объем дозы [мкл], п - число измерений.

Рассчитанные с помощью разработанной методики аттестации роботизированной станции дозирования метрологические характеристики роботизированной пипетирующей станции EVO Freedom 75 при дозировании дистиллированной воды температурой 22 "С, используя стандартный наконечники Тесап на 1000 [мкл], представлены в табл.1

Таблица 1

Объем для тестирования Точность Воспроизводимость

1000мкл 0,40% 0,15%

500 мкл 0,70% 0,20%

100 мкл 1,50% 0,50%

10 мкл 2,25% 1,25%

В третьем разделе произведен анализ методов построения баз знаний для выполнения нечеткого логического вывода. Практический опыт разработки систем на нечетких множествах свидетельствует, что сроки и стоимость их проектирования значительно ниже, чем при использовании традиционного математического аппарата, при этом обеспечивается требуемые уровни качества.

Процесс нечеткого вывода (рис.4) представляет собой некоторую процедуру или алгоритм получения нечетких заключений на основе нечетких условий или предпосылок с использованием всех основных концепций нечетких множеств: функции принадлежности, лингвистические

переменные, нечеткие логические операции, методы нечеткой импликации и нечеткой композиции.

База правил представляет собой конечное множество правил нечетких продукций, согласованных относительно используемых в них лингвистических переменных. Наиболее часто база правил представляется в форме структурируемого текста:

ПРАВИЛО_1: ЕСЛИ «Условие_1» ТО «Заключение_1» (7^) ПРАВИЛ0 2: ЕСЛИ «Условие_2» ТО «Заключение_2» (Т7/)

ПРАВИЛО«: ЕСЛИ «Условие_и» ТО «Заключение м» (F„)

<F

Выходные переменные

Блок дефзззи-фикации

Система нечетких заключений

База знаний

База правил

База данных

(нечеткий)

Блок принятия решений

(нечеткий)

(5)

Блок фаззи-фикации

Входные переменные

Рис.4. Архитектура системы нечеткого логического вывода

Здесь через F¡ (te {1, 2,...,«}) обозначены коэффициенты определенности или весовые коэффициенты соответствующих правил. Эти коэффициенты могут принимать значения из интервала [0,1]. В случае, если эти весовые коэффициенты отсутствуют, удобно принять, что их значения равны 1.

На основе данной базы знаний необходимо сделать вывод о соответствие текущего входа выходному значению. Алгоритмов выполнения данной процедуры разработано много, но основными двумя являются:

1. Нечеткий логический вывод по алгоритму Мамдани выполняется по нечеткой базе знаний, в которой значения входных и выходной переменных заданы нечеткими множествами.

2. Нечеткий логический вывод по алгоритму Сугено (иногда говорят алгоритм Такаги-Сугено) выполняется по нечеткой базе знаний, в которой заключения правил задаются не нечеткими термами, а линейной функцией от входа.

Для задания процесса дозирования на роботизированной пипетирующей станции EVO Freedom 75 необходимо определить три входные переменные: объем дозы (Vpr0be), вязкость (vyazkost), температура itprobe)- Исходя из технологических особенностей пипетирующей станции, объем дозирования может быть выбран из диапазона 30-980 [мкл]. Вязкость реактива не измеряемая величина и оценивается эмпирически процентным содержанием глицерина. Температура имеет диапазон изменений от 0 до 30 СС. Выходными же переменными являются скорость дозирования (^dlsp),

скорость аспирации (disp) и задержка (delay). Скорость дозирования определятся параметрами шприцевого насоса на 1 [мл], установленного на передней стенке пипетирующей станции, и имеет следующий конструктивный диапазон значений: от 0,05 [мл/мин] до 52,3 [мл/мин] (в расчетах используется диапазон от 0 до 872 [мкл/сек]). Задержка принимает значения от 100 до 1000 [мс].

Эмпирические знания в этой области представляются в форме эвристических правил, которые применяются в случае ручного дозирования реактива лаборантом или технологом:

1. При очень маленьком объеме и очень высокой вязкости реактива и комнатной температуре скорость аспирации и дозирования низкие, а задержка средняя.

2. При большом объеме и вязком реактиве и высокой температуре скорость дозирования высокая, скорость аспирации средняя, а задержка малая.

Правила создавались на основе опроса специалистов-технологов с помощью опросных листов. Эти правила образуют базу нечетких лингвистических правил, в которых входными переменными являются лингвистические переменные:

• «объем дозы», в качестве терм-множеста которой будем использовать множество Tj= {очень маленькая (ОМ), маленькая (М), средняя (Ср), большая (Б)};

• «вязкость», в качестве терм-множеста которой будем использовать множество Т2 = {не вязкое (НВ), не очень вязкое (НОВ), вязкое (В), очень вязкое (ОВ)};

• «температура», в качестве терм-множеста которой будем использовать множество Т3 = {низкая (Н), комнатная (КОМН), высокая (В)}.

Выходными же являются лингвистические переменные:

• «скорость дозирования», в качестве терм-множеста которой будем использовать множество Т4 = {низкая (Н), средняя (Ср), высокая (В)};

• «скорость аспирации», в качестве терм-множеста которой будем использовать множество Т5= {низкая (Н), средняя (Ср), высокая (В)};

• «задержка», в качестве терм-множеста которой будем использовать множество Т6= {маленькая (М), средняя (Ср), большая (Б)}.

Базу знаний Мамдани можно трактовать как разбиение пространства влияющих факторов на зоны с размытыми границами, внутри которых функция отклика принимает нечеткое значение. Количество таких нечетких зон равно числу правил.

Средой моделирования был выбран Fuzzy Logic Toolbox - пакет расширения системы Matlab для моделирования нечеткого логического вывода.

В результате моделирования была получена база правил, состоящая из 48 правил и учитывающая сочетания значений всех лингвистических переменных.

В четвертом разделе разработана и промоделирована система нечеткого логического вывода по выбору параметров дозирования роботизированной пипетирующей станцией. Произведен анализ теоретической основы нечеткого логического вывода, описаны основные понятия и свойства нечетких множеств.

Одним из ключевых этапов разработки систем нечеткого вывода является формирование базы данных, то есть определение функций принадлежности входных и выходных лингвистических переменных. Функция принадлежности позволяет определить степень соответствия терма терм-множеству, и может принимать любое значение из диапазона [0,1].

Если универсальное множество состоит из конечного количества элементов и = {щ,и2,...,ик}, тогда нечеткое множество А записывается в ^ к

видеЛ = . В случае непрерывного множества и используют такое

м

обозначение А = ^¡лА{и)!и, где цА{\\) - степень принадлежности элемента ае(/

и

к нечеткому множеству А.

Таким образом, обработка и представление экспертной информации о технологии рассматриваемого процесса осуществляется посредством функций принадлежности и построения логико-лингвистических шкал различными способами, выбор которых зависит от того, какие цели преследуются данным процессом и в зависимости от вида задачи принятия решения и управления. К таким способам относят две группы методов построения функций принадлежности: прямые и косвенные методы.

Прямые методы характеризуются тем, что эксперт непосредственно задает правила определения значений функции принадлежности ¡аЛ(х), характеризующей элемент х.

В косвенных методах значения функции принадлежности выбираются таким образом, чтобы удовлетворить заранее сформулированным условиям. Экспертная информация является только исходной информацией для дальнейшей обработки. Дополнительные условия могут налагаться как на вид получаемой информации, так и на процедуру ее обработки. К таким методам относятся статистический метод, метод парных сравнений, метод экспертных оценок и ряд других.

Кроме указанных методов в нечеткой логике для задания функций принадлежности используются также типовые формы приведенных ниже функций: (рис.5)

• Треугольная (1пт0;

• Трапецеидальная (№арт^;

• Гауссова (цаизвтО;

• Двойная гауссова (£аиз52т0;

• Обобщенная колокообразная (яЬеНт!);

• Сигмоидальная ^дт!);

• Двойная сигмоидальная (dsigmf);

• Произведение двух сигмоидальных функций (рБ^т^);

• г-функуий (гтТ);

• 3-функция(5т^;

• Р1-функция(р1ш0.

1гаргг( дЬв11т( 1птТ даи$$т( даи582т( 8тГ

'¿■ГХЛЛ/ )Г\:

о, \ Л V 4

-7 ¡)(\лу \ -

р51дггГ /'" \ / \ / ( !

/ А \ -

/ \ \

\ / \ У

Рис.5. Типовые функции принадлежностей нечетких множеств

Как установлено в третьем разделе, в модели дозирования выбраны три входных параметра: «объем дозы», «температура», «вязкость». И три выходных параметра: «скорость дозирования», «скорость аспирации» и «задержка». Так как основным критерием оценки в промышленном дозировании является производительность, то функции принадлежности, характеризующие входные и выходные параметры, выбирались из условия увеличения производительности дозирования при сохранении заявленной точности дозирования. Исходя из опросных листов и результатов деления интервалов значения экспертами, были выбраны кусочно-линейные функции принадлежности для входных и выходных переменных, так как они в полной мере удовлетворяют доминирующему условию быстродействия системы.

В разделе предложен метод оптимизации функций принадлежности и базы правил. При оптимизации функций принадлежности основным является понятие относительного предпочтения одного режима работы над другим. Предпочтительность одного режима работы перед другим может быть вызвана причинами объективного характера и различными субъективными причинами, вызванными неформальными сведениями, которыми обладает лицо, принимающее решение.

Используя информацию экспертов и основной критерий оценки эффективности, создаваемой системы: увеличение скорости работы при сохранении точности дозирования, приходим к следующим предпосылкам модификации функций принадлежности: термы, соответствующие входным параметрам и выходным параметрам, пересекаются в значении функции принадлежности близком или равном 0,5.

Данная схема модификации будет давать при методе дефаззификации по центру тяжести (СепПхис!) все возможные значения выходного параметра,

а также, такая конфигурация наиболее полно отражает основной критерий системы дозирования и как только значение перестает с абсолютной степенью принадлежать одному нечеткому множеству, оно начинает с возрастающей степенью принадлежать другому.

Так как система имеет относительно большое количество входных и выходных параметров, и уровень интерпретабельности базы правил для такой системы должен быть достаточно высоким для правильного функционирования, то весовые коэффициенты правил остаются равными 1.

После настройки функций принадлежности, которая является первым этапом оптимизации нечеткого вывода, следует оптимизировать размер базы правил. В качестве метода оптимизации размера базы правил выгодно использовать метод укрупнения правил. Данный метод основан на замене нескольких правил, у которых совпадают значения выходного параметра, одним правилом с указанием интервалов входных значений. Для реализации этого выделяются прямоугольные области значений входных параметров с одинаковым значением выходного параметра и наибольшей площадью (для двумерного случая), объемом (для трехмерного) и т.д. Соответствующие им правила вида:

Як :если_х] = х*_и_хг =х^_и_..._х(. = х. ,то_у = ук (6) Заменяется одним без уменьшения точности вычислений

:если_х1 б[х\,х1]_и_хг ь[х1 ,хгт]_и _..._х1 е[х[,х'т],то= / .(7) Предлагается следующий алгоритм нахождения однородных областей:

1. Для каждого правила из базы определить все однородные (с таким же значением выходных параметров) области, в которые оно входит.

2. Выбрать однородную область с наибольшим объемом (значением произведения величин интервалов входных параметров), пропуская области, пересекающиеся с уже выделенными областями.

3. Выделить однородную область.

4. Если на предыдущем шаге алгоритма найдена область больше единицы, перейти к шагу 2.

5. Сформулировать укрупненные правила, удалить соответствующие им простые правила.

В результате работы алгоритма количество правил уменьшится в несколько раз, если существуют достаточно большие однородные области значений выходных параметров.

Применив данный алгоритм к нашей базе правил мы уменьшаем количество правил с 48 до 33.

Для корректного функционирования контура нечеткого управления роботизированной станцией дозирования на базе нечетког интеллектуального регулятора предложена методика, в соответствии которой необходимо:

• Выбрать алгоритм нечеткого логического вывода, на основе которог будет построен нечеткий контроллер, в зависимости от предъявляемы

требований к возможностям системы управления (выбран алгоритм Мам дани);

Определить количество входных переменных исходя из количества влияющий на процесс дозирования параметров: объем дозы, температура, вязкость реактива. Таким образом, все три параметра влияют на характеристики всего лишь одного привода шприцевого насоса, то есть управление происходит фактически одним шаговым двигателем (ШД).

Определить количество выходных переменных: скорость дозирования, скорость аспирации, задержка. Строго говоря, происходит управление величиной хода штока шприцевого насоса посредством ШД, и скоростью хода штока.

Задать пределы входных и выходных переменных. В нашем случае это будет как технические характеристики: объем шприцевого насоса и диапазон регулирования скоростью ШД, так и технологические: вязкость, температура, задержка.

В зависимости от требований по быстродействию и точности дозирования определяется вид и тип функций принадлежности. В нашем случае доминирующем критерием, как уже отмечалось ранее, являются максимальная скорость при сохранении заявленной точности дозирования, поэтому функции принадлежности будут кусочно-линейного вида, несимметричного типа. Для получения максимального быстродействия задавать функции принадлежности следует так, чтобы на стыке лингвистических переменных работали два нечетких правила, а не одно, отсюда и вытекает несимметричный тип функции принадлежности.

Определить количество интервалов, на которые разбиваются области принадлежностей входных и выходных переменных, то есть количество лингвистических переменных. Как правило, в подобных задачах управления задается четыре интервалов для симметричного типа и три для несимметричного. В нашем случае для входных переменных имеем: 4 для переменной «объем», 4 для переменной «вязкость», 3 для переменных «температура», «скорость аспирации», скорость дозирования» и «задержка».

Задать качественные характеристики лингвистических переменных, т.е. их числовые значения.

Задать таблицу нечетких правил в лингвистических переменных типа: если объем дозы XXX и температура УУУ и вязкость 222, то скорость дозирования будет ААА и скорость аспирации ВВВ и задержка ССС. Таким образом, данная система сформирует для нечеткого контроллера выходной сигнал, являющийся входным управляющим воздействием для двигателя.

В общем случае необходимо разработать нечеткий контур управления (рис.6) процессом дозирования роботизированной пипетирующей станции с максимальным быстродействием при заданной точности.

Рис.6. Нечеткий контур управления процессом дозирования роботизированной пипетирующей станции (и - управляющий сигнал, формируемый нечетким контроллером)

В инструментальном пакете FuzzyLogic среды моделирования МайаЬ была создана система нечеткого логического вывода управления параметрами дозирования роботизированной пипетирующей станции (рис.7)

And method ,

ОгтеЯюсГ (

impfcation ,

Aggregation , Detuzzificatton

Saved FIS "do2irovanie"to fíe

FIS Type:

Curent Variable Name Type Ranee

tjarobe [•S301

Рис.7. Графическое представление редактора FIS после определения входных и выходных переменных разрабатываемой системы нечеткого вывода

Произведена оценка построенной системы нечеткого вывода для задачи управления пипетирующей станцией EVO Freedom 75. С этой целью открывается программа просмотра правил системы Matlab и вводятся значения входных переменных для частного случая, когда объем дозы равен 660 [мкл], вязкость определена на уровне 7% глицерина, а температура равняется 20°С. Процедура нечеткого вывода, выполненная системой Matlab для разработанной нечеткой модели, выдает в результате следующие значения для выходных переменных: скорость дозирования равняется 750 [мкл/с], скорость аспирации 754 [мкл/с], а задержка 200 [мс] (рис.8).

Процесс анализа и исследования построенной нечеткой модели включает в себя выполнение нечетких выводов для различных значений входных переменных и оценки полученных результатов с целью установления адекватности модели и внесения в нее необходимых изменений в случае несогласованности отдельных результатов.

Рис. 8. Графический интерфейс программы просмотра правил после выполнения процедуры нечеткого вывода для значений входных переменных [660 7 20|

Для общего анализа разработанной нечеткой модели является полезной визуализация соответствующей поверхности нечеткого вывода (рис.9). Данная поверхность нечеткого вывода позволяет установить зависимость значений выходных переменных от значений входных переменных нечеткой модели системы управления скоростью дозирования пипетирующей станции EVO Freedom 75. Эта зависимость может послужить основой для программирования контроллера или аппаратной реализации соответствующего нечеткого алгоритма управления в форме таблицы решений. В дополнение к этому установления данной зависимости является, по сути, решением задачи, известной в классической теории управления как задача синтеза управляющих воздействий.

Рис.9. Визуализация поверхности нечеткого вывода для системы нечеткого вывода

Также в разделе, в среде физического моделирования Simulink, была создана модель управления скоростью шагового двигателя как основного элемента шприцевого насоса на базе разработанной системы нечеткого вывода.

В качестве исполнительного устройства из библиотеки примеров Simulink была выбрана модель ШД с шагом 1,8° и максимальным ходом в 100 шагов (180°), максимальная скорость 100 шагов в секунду. Управляющим сигналом является напряжение из диапазона [-5;5] [В]. Блоками управления ШД в нашем случае являются stepper controller- логическое управление ШД; и stepper motor drive- для коммутации обмоток; эти блоки включают в себя непосредственно драйвер, селектор и ШИМ-генератор (PWM). Работу модели можно описать следующим образом. На вход нечеткого контроллера подаются постоянные численные сигналы, соответствующие входным лингвистическим переменным, разработанной выше системы нечеткого логического вывода, «объем», «вязкость», «температура». Нечеткий контроллер, в который загружена система нечеткого вывода, на выходе создает также постоянные сигналы, соответствующие выходным лингвистическим переменным: «скорость дозирования», «скорость аспирации», «задержка». Так как система управления работает с сигналами напряжения от -5[В] до +5[В], а модель оперирует размерностью времени равной секундам, то на выходе нечеткого контроллера стоят соответствующие блоки усиления, которые градуируют диапазоны скоростей дозирования и аспирации соответствующему значению напряжения, задержку переводят из размерности миллисекунд в секунды. 3 переключение между этапами аспирации, задержки и дозирования отвеча Mupltiport Switch, управляемый с помощью временных параметро дозирования: времени аспирации, времени дозирования и задержки межд данными операциями. Время аспирации и дозирования рассчитываете следующим образом:

/ = [с]. (9

Ущд

Преобразовывая формулы расчета количества шагов в зависимости о требуемого объема [1] получаем:

100 * V V

ДГ = _ V дты /1 А

1000 10 ' v

Для определения скорости перемещения ШД, исходя из соответстви напряжению +5 [В] скорости в 100 шагов/сек., получаем:

100* v

где V„f - управляемое напряжение на входе stepper controller.

На рис.10 представлены смоделированные графики ШИМ-сигнала график скорости ШД при входных значениях объема 600 мкл, вязкости - 7° и температуры в 21 °С.

I I

На рис.11 представлены управляющие напряжения поступающие на вход stepper controller.

I

Моделирование при разных входных параметрах показывает полную адекватности системы управления, и характеризуют работу нечеткого контроллера с высокой степенью быстродействия и точности.

Разработанная модель является полностью законченной и может быть реализована аппаратно. В ходе работы были проведены переговоры с представительством компании Тесап в России, в ходе которых была озвучена заинтересованность представленной разработкой на уровне экспериментального анализа целесообразности аппаратной реализации.

ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ РАБОТЫ

1. Проанализированы принципы работы роботизированных систем дозирования. Выявлены основные неопределенности, влияющие на точность дозирования и ограничивающие применение роботизированных систем дозирования. Предложена классификация систем автоматического дозирования и методика их аттестации.

Рис.10. ШИМ-еигнал управления работой ШД и график скорости ШД

2. Выявлено, что пипетирующие роботизированные станции, работающие по жесткой программе, допускают погрешности дозирования и требуют присутствия лаборанта, исключение которого из техпроцесса дозирования вызывает необходимость интеллектуализации процесса.

3. Разработана база знаний интеллектуализации процесса задания параметров дозирования, для получения нечеткого логического вывода.

4. Создан виртуальный нечеткий контроллер на основе нечеткого логического вывода для осуществления процесса дозирования.

5. Произведено моделирования работы созданного нечеткого контроллера по управлению шаговым двигателем, являющимся основным исполнительным элементом устройства дозирования роботизированной пипетирующей станции.

6. Параметры дозирования, сформированные системой нечеткого вывода, увеличили производительность участка фасовки НПЛ ОМДиЭ ФГУН ЦНИИЭ Роспотребнадзора на 10-15% по сравнению с вручную подобранными параметрами, а так же использование разработанной системы сократили на 30% время, затрачиваемое на создание протокола дозирования, что подтверждено актом внедрения.

Основное содержание диссертации изложено в следующих публикациях:

1. Антонов А.Н. Анализ систем off-line программирования сварочных роботов. Мехатроника. Робототехника. Автоматизация: Сборник научных трудов, М.: МГУПИ, 2007. - С. 2-7.

2. Антонов А.Н., Аршанский М.М. Нечеткая модель системы принятия решений по выбору параметров дозирования пипетирующей станцией EVO Freedom 75. Мехатроника, Автоматизация, Управление: Научно-технический журнал. Номер №3, М.: «Новые технологии», 2010. - С. 33-38 (входит в перечень ВАК).

3. Антонов А.Н. Реализация выбора параметров дозирования для роботизированной пипетирующей станции на основе нечеткой логики Роботы-2010: Сборник научных работ, М.: МГУПИ, 2010.

4. Антонов А.Н. Системы программирования промышленных роботов TDK: Сборник студенческих работ, Будапешт: БМЕ, 2007.

5. Антонов А.Н. Оптимизация баз правил и функций принадлежности системах нечеткого вывода. Научная перспектива. Номер №7, Уфа Инфинити, 2010. - С. 103-109.

Подписано в печать 25.08.2010г. Формат 60x84/16 Печать цифровая. Усл.п.л.1,5 Тираж 100 экз. Заказ № 215. Отпечатано в ООО «Реглет» 125315 г. Москва, Ленинградский проспект, д.74 к.1 Тел: 790-47-77; 661-60-89

ВВЕДЕНИЕ.

1. Анализ методов и систем автоматического дозирования.

1.1. Классификация систем автоматического дозирования.

1.2. Теоретические основы дозирования.

1.3. Роботизированные системы дозирования.

1.4. Постановка задачи исследования.

2. Технологические аспекты разработки интеллектуальной системы дозирования.

2.1. Конструкция роботизированной пипетирующей станции.

2.2. Технология дозирования при использовании роботизированной станции.

2.3. Расчет ламинарности потока технологической жидкости.

2.4. Метрологические характеристики дозирования.

2.5. Выводы.

3. Разработка базы знаний.

3.1. Структура базы знаний.

3.1.1. Опросные листы.

3.1.2. Процедура построения базы знаний в Matlab.

3.2. Выводы.

4. Разработка виртуального нечеткого контроллера.

4.1. Теоретические основы нечеткой логике.

4.1.1. Основные определения.

4.1.2. Свойства нечетких множеств и операции над ними.

4.2. Теоретические обоснования выбора функций принадлежности.

4.2.1. Аналитическое определение функций принадлежности переменных для процесса дозирования.

4.3. Разработка и оптимизация структуры нечеткого вывода для нечеткого контроллера.

4.3.1. Методика построения нечеткого логического вывода по выбору параметров дозирования.

4.3.2 Реализация нечеткого логического вывода в Matlab.

4.3.3. Оптимизация функций принадлежности и базы правил.

4.4. Моделирование нечеткого контроллера управления параметрами движения, обеспечивающими дозирование, в среде Simulink.

4.5. Выводы.

Одним из основных этапов на лакокрасочных, фармацевтических, химических производствах и при производстве диагностических тест-систем является этап дозирования жидких и сыпучих сред требуемого объема в тару. Автоматизация и применения робототехнических станция позволяет повысить производительность, исключить вредное влияние на человека монотонности работы («запястный синдром»), воздействия токсичных веществ и потенциально патогенных реагентов [12, 19, 21]. В настоящее время трудоемкость ручного дозирования составляет до 50% от общей трудоемкости при производстве диагностических тест-систем, а стоимость этих операций достигает до 40%, тогда как автоматизация на малых и средних производствах дозировочных операций составляет не более 30% [12, 13,73].

Исследования в области автоматизации и интеллектуализации процесса дозирования посвящены работы таких представителей науки, как Видинеев Ю.Д., Першин В.Ф., Першина С.В., Безменов B.C., Сорокин С.А., Анискевич А.А., Гуревич Д.А., Соколов М.В., Орлов С.П. и др.

Совершенствование технологических процессов выдвигает требования по точности, качеству, быстродействию, универсальности и прочим критериям к различного рода дозирующим устройствам [12, 20]. Проведенный в первом разделе анализ показывает, что современные системы автоматического дозирования накладывают все более жесткие требования к технологии дозирования. Системный подход к созданию дозирующих устройств, предполагающий использования последних достижений механики, информационных технологий, управления, вычислительной техники, дает положительные результаты, о чем свидетельствует опыт зарубежных стран в производстве и использовании роботизированных технологических систем дозирования [10, 86, 105, 107]. Особое значение в современных системах автоматического дозирования (САД), выполняющих различные операции дозирования, диспенсинга и смешивания, имеет организации системы контроля и управления [12, 23, 35, 41, 52].

В последнее время на первый план выходят интеллектуальные технологии, способные, как показывают зарубежные и отечественные разработки, обеспечить высококачественное управление в широком диапазоне скоростей, внешних и внутренних неопределенностей [1, 2, 3, 27, 32, 36, 41]. Таким образом, интеллектуализация систем управления, не применявшихся ранее в процессе дозирования, является важной и актуальной задачей.

Последние пару десятилетий стремительно развивающейся интеллектуальной технологией является нечеткая логика, имеющая ряд отличительных особенностей, таких как: осуществление качественного управления при неточной информации об объекте, быстродействие, простота реализации [4, 7, 11, 18, 31, 44, 54, 57]. Различными аспектами проектирования и использования нечетких систем управления, основоположником которых является JI. А. Заде, посвящены работы Штовбы С.Д., Ротштейна О.П., Сугено М., Мамдани Е., Орловского С.А., Сангали А. и других ученых. По этой тематики активно ведутся исследования в ведущих Российских, Украинских и европейских ВУЗах, что подтверждает актуальность разработок, направленных на расширение границ применения нечеткой логики.

В первом разделе работы проведен анализ методов и систем автоматического дозирования. Произведена классификация современных САД и охарактеризованы современные роботизированные станции I дозирования. Рассмотрены основные технологические различия между современными роботами-дозаторами и приведена обобщенная кинематическая схема роботизированных пипетирующих станций.

Во втором разделе рассмотрены технологические аспекты разработки интеллектуальной системы дозирования. Проанализирована конструкция конкретной модели пипетирующей станции и на основе рассмотренных особенностей сформирован алгоритм процесса дозирования. Учитывая действия на процесс дозирования ряда факторов неопределенностей, а так же неполной информации при задании параметров дозирования, выявлено, что управление по предложенному алгоритму стоит осуществлять с помощью интеллектуальных систем, снабженных базой знаний, а, в частности, методами нечеткой логики.

Третий раздел посвящен разработки базы знаний процесса дозирования. Сформированы на основе опросных листов экспертов 48 правил дозирования и построена база правил с помощью инструментария Fuzzy Logic Toolbox - пакета математического моделирования Matlab. Предлагаемый теоретический метод получения экспертных данных применительно к роботизированной пипетирующей станции заключается в следующем: имея информацию о требуемом объеме дозы, вязкости дозируемой жидкости и обобщенном параметре температуры (как окружающей среды, так и самой жидкости) при условии максимального быстродействия и сохранении заявленной точности требуется определить параметры дозирования: скорость аспирации, скорость дозирования и задержку после каждого из этапов.

Четвертый раздел посвящен проектированию нечетких систем управления роботизированной пипетирующей станцией. Нечеткий контроллер, как одно из наиболее важных практических приложений нечеткой математики, служит для построения высококачественных систем управления сложными процессами. В разделе предложен механизм построения нечеткого логического вывода на основе алгоритма Мамдани, проведено теоретическое обоснование выбора функций принадлежности лингвистических переменных и реализована их оптимизация. Также рассмотрен вариант оптимизации количества баз правил методом укрупнения. Для подтверждения работоспособности и эффективности нечеткого управления проведено моделирования нечеткого контроллера, управляющего работой шагового двигателя, который выполняет перемещение поршня шприцевого насоса, являющегося основным дозирующим инструментом роботизированной пипетирующей станции.

Разработанная система нечеткого вывода апробирована для выбора параметров дозирования действующей пипетирующей станции EVO Freedom 75, применяемой на участки фасовки, этикетирования и комплектации (УФЭК) при научно-производственной лаборатории ФГУН ЦНИИЭ Роспотребнадзора. Полученные результаты оправдывают применение нечеткого управления в процессе дозирования роботизированными станциями.

4.5. Выводы

Проведено теоретическое обоснование выбора функция принадлежности и их оптимизация. Предложен метод укрупнения баз правил, приводящий к уменьшению количества правил без потери интерпритабельности. Произведена разработка системы нечеткого логического вывода по алгоритму Мамадани, позволяющей определять параметры дозирования в условиях наличия ряда существенных неопределенностей условий дозирования. На основе данной системы разработан нечеткий контур управления скоростью шагового двигателя, отвечающего за выдачу единичной порции жидкости, что демонстрирует принципиальную возможность построения системы управления на базе данного контроллера. При этом создан работающий программный комплекс, позволяющий рекомендовать параметры дозирования при создании протоколов работы роботизированной пипетирующей станции EVO Freedom 75.

ЗАКЛЮЧЕНИЕ

В диссертационной работе были получены следующие основные практические и научные результаты:

1. Рассмотрены принципы работы роботизированных систем дозирования. Выявлены основные неопределенности, влияющие на точность дозирования и ограничивающие применение роботизированных систем дозирования. Предложена классификация систем автоматического дозирования.

2. Разработана база знаний интеллектуализации процесса задания параметров дозирования.

3. Создан виртуальный нечеткий контроллер на основе нечеткого логического вывода для осуществления процесса дозирования.

4. Произведено моделирования работы созданного нечеткого контроллера по управлению шаговым двигателем, являющимся основным исполнительным элементом устройства дозирования роботизированной пипетирующей станции. 5. Параметры дозирования, сформированные системой нечеткого вывода, увеличили производительность участка фасовки НПЛ ОМДиЭ ФГуН ЦНИИЭ Роспотребнадзора на 10-15% по сравнению с вручную подобранными параметрами, а так же использование разработанной системы I сократили на 30% время, затрачиваемое на создание протокола дозирования.

1. Автоматическое проектирование информационно-управляющих систем. Проектирование экспертных систем на основе системного моделирования. Г.Г. Куликов, А.Н. Набатов, А.В. Речкалов и др., Уфимск. Гос. Авиац. Техн. Ун-т. Уфа, 1999.

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

3. Алтунин А.Е., Семухин М.В. Модели и алгоритмы принятия решений в нечетких условиях. Тюмень: Издательство Тюменского государственного университета, 2000.

4. Анисимов В.Ю., Борисов Э.В. Методы достоверности реализации нечетких отношений в прикладных системах искусственного интеллекта. Изв. АИ: серия техническая кибернетика, №5, 1991.

5. Борисов А.Н., Крумберг О.А., Федоров И.П. Принятие решений на основе нечетких моделей: примеры использования/ Рига: Знатнее, 1990.

6. Заде JI.A. Понятие лингвистической переменной и его применение к принятию приблеженных решений. М.: Мир, 1976.

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

8. Леоненков А.В. Нечеткое моделирование в среде MATLAB и fuzzyTECH. СПб.: БХВ-Петербург, 2003.

9. Штовба С. Д."Введение в теорию нечетких множеств и нечеткую логику" http://matlab.exponenta.ru/fuzzylogic/bookl/index.php .

10. Freedom EVO 75 Operating Manual ver. 1.0, 2004.I

11. Кузнецов М.В. Разработка системы эффективного управления поиском согласованного положения деталей для роботизированных сборочных устройств на основе нечеткой логике: Дис. Канд. Техн. Наук. М: РГБ, 2005.

12. Безменов B.C. Разработка принципов и методов построения пневматических систем автоматизированного дозирования жидкостей: автореферат дис. док. техн. Наук. — М.:2009.

13. Фогельсон Р.Л., Лихачев Е.Р. «Температурная зависимость вязкости». Журнал технической физики, том 71, вып.8:2001.

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

15. Л.В. Найханова, С.В. Дамбаева. Методы и алгоритмы принятия решений в управлении учебным процессом в условиях неопределенности: Монография. — Улан-Удэ: Изд-во ВСГТУ, 2004.

16. Галыгин А.Н. Алгоритмы автоматического формирования базы правил для систем управления на нечеткой логике: Дис, канд. Техн. Наук. — М.:РГБ, 2005.

17. Базы знаний интеллектуальных систем. Т. А. Гаврилов, В.Ф. Хорошевский. — СПб.: Питер, 2000.

18. Беллман Р., Заде Л.А. Принятие решений в расплывчатых условиях // Вопросы анализа и процедуры принятия решений: Сб. статей/ Пер. с англ.; Под ред. И.Ф. Шахнова. — М., 1976.

19. Соколов М.В., Гуревич А.Л. Автоматическое дозирование жидких сред. I Л.: Химия, 1987.I

20. Гуревич А.Л., Соколов М.В. Импульсные системы автоматического дозирования агрессивных жидкостей. М.: Энергия, 1973.

21. Прохоров В.А. Основы автоматизации аналитического контроля химических производств. М.: Химия, 1984.

22. Видинеев Ю.Д. Дозаторы непрерывного действия. М.: Энергия, 1978.

23. Абилов А.С., Лютфалиев К.А, Автоматические микродозаторы для жидкостей. М.: Энергия, 1975.

24. Тартаковский Д.Ф., Ястребов А.С. Метрология, стандартизация и технические средства измерений: Учеб. Для вузов. М.: Высш. Шк., 2001.

25. Прикладные нечеткие системы: Пер. с япон./ К. Асаи, Д. Ватада, С. Иваи и др.: под редакцией Т. Тэрано, К. Асаи, М. Сугэно. — М.: Мир, 1993.

26. Каталымов А.В., Любартович В.А. Дозирование сыпучих и вязких материалов. JL: Химия JIO, 1990.

27. Дистанционно управляемые роботы и манипуляторы / Под ред. B.C. Кулешова и Н.А. Лакоты. М.: Машиностроение, 1986.

28. Елтаренко Е.А., Оценка и выбор решений по многим критериям. М.: МИФИ, 1995.

29. Жуковин В.Е. Нечеткие многокритериальные модели принятий решений// Тбилиси, Мецниереба, 1988.

30. Захаров В.И., Ульянов С.В. Нечеткие модели интеллектуальных промышленных регуляторов и систем управления// Изв. АН.: серия техническая кибернетика, №4,5, 1993.

31. Каляев И.А., С.Г. Капустян, Усачев Л.Ж. Концептуальные аспекты организации распределительных систем управления коллективами роботов // IX научно-техническая конференция «Экстремальная робототехника»: Материалы конференции. — СПб: изд-во СПбГТУ, 1998.

32. Козырев Ю.Г. Промышленные роботы. Справочник. — М.: Машиностроение, 1988.

33. Керер Р. Новая тенденция в области измерений на базе персональных компьютеров// Приборы и системы управления, №4, 1997.36,37,38