Алгоритмическое обеспечение информационно-измерительной и управляющей системы барабанной сушильной установкой тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Ву Чи Чиен

• Ву Чи Чиен
• кандидат наук
• 2024

Оглавление диссертации кандидат наук Ву Чи Чиен

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

1. ИНФОРМАЦИОННО- ИЗМЕРИТЕЛЬНЫЕ И УПРАВЛЯЮЩИЕ

СИСТЕМЫ ПРОМЫШЛЕННОСТИ

1. 1 Концепция цифрового двойника

1.2 Обзор систем управления технологическими процессами

1.3 Сушка, сушильные установки и способы измерения влажности

1.4 Методы машинного обучения в задачах измерения и управления

2. РАЗРАБОТКА МЕТОДА КОСВЕННОГО ИЗМЕРЕНИЯ ОТНОСИТЕЛЬНОЙ ВЛАЖНОСТИ МАТЕРИАЛА В БАРАБАННОЙ СУШИЛЬНОЙ УСТАНОВКЕ

2.1 Описание барабанной сушильной установки

2.2. Модель оценки относительной влажности материала

2.2.1 Анализ производительности модели

2.2.2 Определение архитектуры искусственной нейронной сети

2.2.3 Анализ эффективности модели

2.3. Фреймовая модель алгоритма косвенного измерения относительной влажности барды

3. УПРАВЛЕНИЕ ПРОЦЕССОМ СУШКИ В БАРАБАННОЙ СУШИЛЬНОЙ УСТАНОВКЕ

3. 1 Постановка задачи управления

3.2 Множество состояний функционирования в задаче управления

3.3 Байесовский подход для оценки качества процесса сушки

3.4 Нечёткая модель управления скоростью вращения барабана сушильной установки

4. ИНФОРМАЦИОННО- ИЗМЕРИТЕЛЬНАЯ И УПРАВЛЯЮЩАЯ СИСТЕМА ПРОЦЕССОМ СУШКИ

4.1 Информационная модель ИИУС

4.2 Метод косвенного измерения относительной влажности барды в процессе её сушки в БСУ

4.3. Информационно- измерительная и управляющая система

4.4 Метрологический анализ

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

ПРИЛОЖЕНИЕ

ВВЕДЕНИЕ

Введение диссертации (часть автореферата) на тему «Алгоритмическое обеспечение информационно-измерительной и управляющей системы барабанной сушильной установкой»

Актуальность темы исследования

Одной из важных задач развития промышленных комплексов считается поиск путей повышения конкурентоспособности выпускаемой продукции. Для решения поставленной задачи имеется множество направлений, где особое место занимает использование новейших информационно - измерительных и управляющих систем в том числе содержащих элементы интеллектуальности.

Широко распространенным процессом в разных отраслях промышленности является сушка. Сушильные установки относятся к энергоёмким технологическим устройствам. Мониторинг показателей и принятие своевременных решений об управлении процессом сушки оказывают существенное влияние не только на качество высушиваемого материала, но и на энергетические показатели всего производства в целом.

Специфика автоматизации процессов сушки определяется особенностями динамических свойств сушильных установок как объектов управления: распределенностью параметров; многочисленностью контролируемых и регулируемых параметров, а также сложностью контроля влажности движущегося материала и критерия оптимальности, связанного с показателями качества продукта, производительностью установки и экономичностью процесса сушки.

Сушильные установки как объекты управления обычно представляют собой нелинейные системы с распределенными параметрами. Для управления такими объектами необходимо в реальном масштабе времени решать системы уравнений тепло- и массопереноса, что в большинстве случаев затруднительно. В связи с этим данные методы не могут быть использованы при решении задач оптимизации управления.

Поэтому при управлении процессом сушки с целью повышения конкурентоспособности выпускаемой продукции предлагается использовать

информационную измерительную и управляющую систему (ИИУС) барабанной сушильной установкой (БСУ).

Практическая актуальность обусловлена:

- потребностью проводить измерения показателей процесса сушки в реальном масштабе времени;

- комплексностью критерия оптимальности, обеспечивающего требуемые параметры качества продукции в соотношении с производительностью оборудования;

- синтезом управляющего воздействия минимизирующим заданный критерий оптимальности в реальном режиме времени.

Научная актуальность обусловлена тем, что существующая в настоящее время теория решения задач управления процессами сушки в том числе применяемые методы разработки математического и алгоритмического обеспечения информационно-измерительных и управляющих систем, основанные на:

- методах машинного обучения;

- теории измерения;

- теории принятия решений

не позволяют в полной мере обеспечить разработку математического и алгоритмического обеспечения ИИУС, так как возникают трудности в измерении параметров процесса сушки в реальном масштабе времени и оперативном синтезе управляющего воздействия в связи с необходимостью учёта множеств параметров, ограничений и критериев оптимальности.

Степень разработанности темы.

В области разработки информационно-измерительных и управляющих систем большой вклад внесли российские учёные Ф.Б. Гриневич, К.Б. Карандеев, В.Ю. Кнеллер, К.Л. Куликовский, А.И. Мартяшин, В.С. Мелентьев и зарубежные ученые Birgit Strimitzer-Riddle, Helmut Eichelseder, Gregory Henderson и др, которые решили ряд важных теоретических и практических проблем в этой области. Однако в их работах не рассматривались проблема минимизации

погрешности оценки влажности барды и интеллектуализации ИИУС для минимизации потерь качества выпускаемой продукции и производительности.

Научная задача, решению которой посвящена диссертация, заключается в минимизации потерь качества барды и производительности процесса ее производства при функционировании барабанной сушильной установки на основе разработки алгоритмического обеспечения ИИУС, обеспечивающего оперативное измерение параметров процесса сушки и управление им по заданному комплексному критерию.

Объектом исследования - процесс сушки в БСУ.

Предметом исследования являются математическое, алгоритмическое и программное обеспечения ИИУС процессом сушки в БСУ.

Цель диссертационного исследования - минимизация потерь качества барды и производительности процесса её производства при функционировании барабанной сушильной установки за счёт управления процессом сушки по заданным критериям.

Для достижения поставленной цели необходимо решить следующие задачи:

- Создать информационную модель процесса сушки барды в БСУ с учётом множества состояний функционирования (МСФ) для управления им по заданным критериям;

- Разработать метод косвенного измерения относительной влажности барды в процессе её сушки в БСУ;

- Создать фреймовую модель и на её основе алгоритм оперативной оценки влажности барды в процессе её сушки, лежащий в основе первичного измерительного преобразователя оценки влажности;

- Разработать алгоритм управления БСУ по критериям минимизации потерь качества барды и производительности процесса её сушки;

- Разработать программное и алгоритмическое обеспечение ИИУС, позволяющее управлять процессом сушки барды по заданным критериям с учётом изменения МСФ.

Научная новизна

1. Разработан метод косвенного измерения относительной влажности барды в барабанной сушильной установке, предусматривающий применение созданных и обученных нейронных сетей, отличающихся поданными на входы нормированными значениями сигналов, полученных с первичных измерительных преобразователей параметры которых оказывают существенное влияние на процесс сушки (исходная влажность барды; температура барды на выходе; давление, температура, содержание кислорода теплоносителя; мощность вытяжных вентиляторов, температура выпара, нагрузка электродвигателя).

2. Создана фреймовая модель, лежащая в основе алгоритмического обеспечения информационно - измерительной и управляющей системы оценки относительной влажности барды, обеспечивающая адаптивность измерительных процедур в условиях отказов первичных измерительных преобразователей, перечисленных в пункте один научной новизны, отличающаяся созданными и обученными нейронными сетями, соответствующими трём классам возможных отказов (жёсткий, средний и мягкий отказ).

3. Разработан алгоритм управления, лежащий в основе функционирования информационно - измерительной и управляющей системы, включающий классификацию вариантов задач управления и соответствующую им базу продукционных правил, отличающийся моделью синтеза управляющих воздействий, учитывающей множество состояний функционирования и байесовскую вероятность, изменяющий скорость вращения барабана для достижения требуемой влажности барды на выходе барабанной сушильной установки.

На защиту выносится:

Алгоритмическое обеспечение информационно-измерительной и управляющей системы барабанной сушильной установкой, включающее в себя:

1. Метод косвенного измерения относительной влажности барды в

барабанной сушильной установке.

2. Фреймовая модель оценки относительной влажности барды.

3. Алгоритм управления процессом сушки и база продукционных правил.

Теоретическая значимость работы.

Теоретическую значимость работы составляют: метод оперативной оценки влажности барды пригодный для синтеза управляющих воздействий в реальном масштабе времени, фреймовая модель, лежащая в основе функционирования информационно-измерительной системы оценки влажности и алгоритм управления минимизирующий потери качества барды и производительность процесса её производства лежащий в основе функционирования созданной ИИУС БСУ.

Практическая значимость и реализация результатов работы.

Разработанные в ходе исследования программные модули ИИУС позволяют значительно повысить эффективность производственного процесса без снижения качества барды.

Разработанный нейросетевой первичный измерительный преобразователь обеспечивает косвенное измерение относительной влажности барды в БСУ. С выхода нейронной сети получают относительную влажность барды в процессе её сушки с погрешностью не превышающей 2 %. Оценка содержания влаги протекает в режиме реального времени, что позволяет оперативно синтезировать управляющие воздействия минимизирующие заданные критерии.

Созданная фреймовая модель, заключающаяся в адаптивности измерительных процедур в условиях отказов первичных измерительных преобразователей, соответствует классам отказов (жёсткий отказ - погрешность от 3,4% до 5,3%, средний отказ - погрешность от 2,2% до 4,1%, мягкий отказ -погрешность от 1,9% до 3,6%).

Разработанные алгоритмы ИИУС позволяют повышать производительность сушки от 5 до 8% и вероятность требуемого качества выпускаемой продукции до 0,93. Разработанные методы и алгоритмы применяются в процессе обучения на кафедре «Приборы и информационно-измерительные системы» и на промышленном предприятии АО «Амбер Талвис».

Методология и методы исследования.

В работе применялись методы математического моделирования сложных систем, системный анализ, искусственные нейронные сети, теоретические основы нечётких множеств, правила продукций, методы нечёткой логики, байесовская вероятность, методы анализа данных, объектно-ориентированные и прикладные методы разработки ИИУС, а также методы программирования.

При разработке алгоритмического и программного обеспечения ИИУС использованы методы машинного обучения, анализа и синтеза систем на МСФ, методы математического моделирования сложных систем, системный анализ, теоретические основы нечётких множеств, объектно-ориентированные и прикладные методы разработки ИИУС, а также методы программирования, способы создания баз данных и баз знаний.

Степень достоверности и апробация результатов подтверждается соответствием теоретических знаний численным экспериментальным результатам, методам анализа и синтеза систем на МСФ, методам математического, функционального и информационного моделирования систем, объектно-ориентированного программирования, адекватностью полученных созданных моделей реальному качеству материала и свойству процесса сушки.

Основные результаты исследования представлялись и обсуждались на следующих конференциях: II Международная научно-практическая конференция "Цифровизация агропромышленного комплекса" 21-23 октября 2020 г, г.Тамбов; II Всероссийская научная конференция "Цифровая трансформация в энергетике" Тамбов, 21-22 декабря 2020 года; VIII Международной научно-технической конференции студентов, молодых учёных и специалистов, Тамбов, 16-17 ноября 2021; VII Всероссийская молодёжная научная конференция, посвящённая дню радио и связи, Тамбов, 11-13 мая 2022 года; IEEE conference of Russian young researchers in electrical and electronic enginerring, elconrus 2021 (Moscow, 26-28, January 2021); IEEE International conference on control in technical systems Saint Petersburg Electrotechnical University "LETI", 09-2021; Proceeding of the 2022

conference of Russian young researchers in electrical and electronic enginerring, elconrus 2022 (St. Petersburg, 25-28, 01.2022).

Соответствие паспорту специальности. Диссертационная работа соответствует паспорту специальности 2.2.11 Информационно- измерительные и управляющие системы (технические науки), п.2. Исследование возможностей и путей совершенствования существующих и создания новых элементов структуры и образцов информационно-измерительных и управляющих систем, улучшение их технических, эксплуатационных, экономических и эргономических характеристик, разработка новых принципов построения и технических решений.

Публикации. Основные результаты диссертационной работы изложены в 16 печатных работах, в том числе: 3 статьи в журналах из перечня ВАК, 3 статьи в журналах, индексируемых в МБД Scopus; 9 публикаций в материалах Международных и Всероссийских конференций. Получен 1 патент РФ на изобретение.

Объем и структура работы. Диссертация состоит из введения, 4 глав, заключения, списка использованных источников (70 наименований) и 1 приложения. Работа изложена на 146 страницах машинописного текста, содержит 26 рисунков и 9 таблиц.

1. ИНФОРМАЦИОННО- ИЗМЕРИТЕЛЬНЫЕ И УПРАВЛЯЮЩИЕ СИСТЕМЫ ПРОМЫШЛЕННОСТИ

1. 1 Концепция цифрового двойника

На сегодняшних высоко конкурентных рынках цифровизация производственных компаний и инициативы Индустрии 4.0 рассматриваются, как возможность достичь более высокого уровня производительности. Одним из путей достижения этой цели является использование так называемого «Цифрового двойника (Digital twins- DT)» [1], позволяющего наблюдать и даже автоматически управлять производственными элементами посредством синхронизации между физической и виртуальной средой. В последние годы интерес к DT растёт, и их применение изучается на различных этапах жизненного цикла от раннего проектирования до использования и утилизации, но также и в самых разных секторах, таких как производство, медицина, техническое обслуживание. Быстрое развитие интеллектуальных технологий, интернета вещей (IoT), облачных вычислений и искусственного интеллекта (ИИ) приводит к созданию и внедрению систем и производственных процессов с использованием цифровых двойников в промышленности, сельском хозяйстве, здравоохранении, телекоммуникации, строительстве, бизнесе. Использование цифрового двойника может быть использовано в таких крупномасштабных областях, как умное правительство, умный город, городское планирование в эпоху стремительного развития цифровых технологий [1, 2, 3].

Одна из причин применения DT в производстве, особенно в технологиях Индустрии 4.0, заключается в том, что производители всегда ищут способы отслеживания и мониторинга продуктов в технологической операции, которая экономит деньги и время. Цифровой двойник имеет возможность получать данные в режиме реального времени от системы управления, анализировать информацию посредством имитационного моделирования и передавать командное управление обратно в систему управления [3]. При этом он должен

обеспечивать высокоскоростную синхронизацию приёма и передачи информации между объектом и системой управления. Кроме того, DT даёт возможность тестировать новые идеи посредством имитационного моделирования, реализующего симуляцию, анализ и оптимизацию. Применение цифрового двойника на этапе исследования не всегда требует использование реальных объектов, что позволяет экономить временные и производственные затраты [2].

Жизненный цикл продукта или системы включает проектирование, производство, предоставление услуг, эксплуатацию и утилизацию по окончании срока службы. Моделирование играет важную роль на всех этапах жизненного цикла.

На этапе подготовки к производству моделирование используется для планирования на производстве в соответствии с требованиями заказчика и анализом рынка. Моделирование также используется для оценки новых продуктов и процессов, оценки продуктов, технологических систем и конфигураций [1].

В производственном процессе имитационное моделирование — это метод сокращения времени производства, стабилизации производственного цикла, создания производственных планов и графиков. Кроме того, выявляются узкие места, прогнозируются сбои, энергопотребление, воздействие на окружающую среду, оценивается эффективность политики инвентаризации, местоположения, размера, доставки и отслеживаются запасы на складе. Это помогает максимизировать эффективность производства на основе еженедельного или ежедневного планирования производства [2].

В постпроизводстве моделирование при интеграции с моделями цепочки поставок даёт возможность прогнозировать потребности в доставке, минимизировать транспортные расходы и максимально повысить удовлетворённость клиентов. Для производства макет не обязательно должен быть трёхмерной моделью. Параметры могут быть собраны с помощью датчиков, сохранены и обработаны с использованием технологий 1оТ и А1 перед

изменением конфигурации системы или реализацией производственных планов

[3].

Интернет вещей (IoT) позволяет передавать большие объёмы данных с нескольких датчиков в режиме реального времени, что позволяет ещё более повысить уровень оптимизации системы. Все данные через IoT отформатированы в виде, позволяющем дать оперативное представление того, что произошло и когда это произошло. С помощью моделирования и анализа данных эти данные можно использовать для прогнозирования возможных проблем. Когда аналитика прогнозирует сбой системы, цифровой двойник уведомляет пользователей о соответствующем плане обслуживания, чтобы минимизировать ущерб, а также предотвратить сбой [4].

Производственные данные в режиме реального времени являются основой для реализации цифрового двойника. С помощью датчиков, интернета вещей и искусственного интеллекта можно собирать и формировать большие объёмы данных, благодаря чему машинное обучение может обнаруживать закономерности в данных и использовать их в качестве входных данных для моделирования. Искусственный интеллект применяет глубокое обучение (Deep Learning) во многих областях человеческой деятельности. Применяя методы глубокого обучения можно получить полезную информацию для обеспечения качества производственного процесса, такую как обнаружение дефектных продуктов, мониторинг и прогнозирование поведение процесса в режиме реального времени [5].

Цифровой двойник способен комплексно собирать и обрабатывать доступные рабочие данные одного или нескольких компонентов, частей или даже всей полностью системы. Таким образом, он будет использоваться не только для описания работы системы, но и для мониторинга процессов, диагностики и поиска решений для исправления ошибок, что будет приводить к улучшению функционирования системы. Кроме того, DT может также развиваться вместе с реальной системой на протяжении всего её жизненного цикла и непрерывно интегрировать данные и знания системы с течением времени. Поэтому

надёжность DT в вынесении суждений и решений для любых возникающих случаев, происходящих в системе, будет гарантирована [6].

Цифровой двойник, применяемый в мехатронных системах и кибернетических системах, позволяет получить информацию о данных, сгенерированных в процессе сбора, быть доступной для оценки и прогнозирования работы и работы системы. DT может моделировать случаи отказов, а затем пытаться реконструировать данные моделирования для сравнения с фактическими данными измерений. Это поможет системе оптимально выявлять и прогнозировать ситуации, вызывающие проблемы, но при этом полностью обеспечивать надёжность её функционирования.

Кроме того, сбор данных, измерение и облачное хранение системы всегда должны быть гарантированы. Причём построение графа данных всех устройств в системе должно не только предоставлять информацию, но и поддерживать поиск между похожими устройствами в системе. Таким образом, можно развивать связность всей системы и в то же время иметь возможность быстро и точно реконструировать всю область связанных данных [7].

Именно эти факторы будут ключевыми предпосылками при разработке оптимальной системы DT и неизменном обеспечении качества обслуживания. Однако построение этой модели должно быть более конкретным и осознанным. В модели и структуре данных системы, а также в гетерогенной платформе соединения все ещё остаётся много проблем [5]. Необходимо разработать более совершенные методы и алгоритмы для синхронизации данных, безопасности, точности и при этом соответствовать требованиям промышленности.

Авторы [9] проанализировали использование цифровых двойников при изучении продукции и рекомендовали ряд концепций, методов и устройств с целью создания цифровых двойников. Некоторые компании "ГОРС", Росатом, Вертолёты России, Toyota и другие дилеры Российской промышленности быстро работают с внедрением цифровых аналогов своей собственной продукции [8, 9].

Цифровые двойники системы подразумевают условную форму, описывающую работу отдельных участков или всего производства. Такие

модификации вместе с огромным объёмом информации позволяют моделировать действия сложной концепции в смоделированной среде и регулировать компоненты этой концепции в реальной среде. Создание цифрового двойника производства, которое содержит материальный цех, промышленный сервис, концепцию производственной информации, показано в [7]. В [9] приведена созданная "цифровая фабрика" - цифровое подобие автомобилей в соответствии с производственными мощностями, цепочками поставок и ходом оцифровки.

Создание цифрового двойника содержат ряд технических проблем. Модели применения DT должны поддерживать разработку усовершенствованных систем слияния, более сложную обработку и анализ свойств системы, а также решение проблем и недостатков текущей модели инженерной системы.

Разработка стандартов и функциональной совместимости чрезвычайно важна и сложна, как и разработка технологии 4.0 в индустриализации на основе 1оТ. DT используется для получения ценной информации о продуктах и операциях на основе 1оТ с помощью интегрированных интеллектуальных систем. Благодаря стандартизации 1оТ для решения вопросов, связанных с данными, цифровых продуктов и сертификации, стандарты DT могут быть достигнуты, когда будут решены вопросы стандартизации 1оТ [3].

Из-за сложности и отдельной разработки компонентов для каждого цифрового двойника потребуется анализ затрат на развёртывание и интеграцию для удовлетворения различных бизнес - требований. Это приводит к сложности системы в ущерб экономической эффективности DT. Более высокая стоимость -обязательное условие кибернетических систем - является одной из основных трудностей при реализации DT [2]. Кроме того, получение высококачественных данных для алгоритмов ИИ с высокой точностью является большой проблемой. При использовании DT необходимо контролировать поток данных, обеспечивая их организацию и эффективное использование. Эта проблема становится ещё более серьёзной с появлением больших данных, когда в производственном процессе задействовано большое количество датчиков, которые одновременно подключаются через технологию 1оТ. Самая распространённая проблема сегодня

- как вести мониторинг в режиме реального времени с огромными объёмами информации [5]. В связи с приведёнными техническими проблемами, до настоящего времени практически не проводились исследования моделей цифрового двойника с целью определения качества процесса сушки в барабанной сушильной установке.

1.2 Обзор систем управления технологическими процессами

В нашем столетии, в области вычислительной техники и программного обеспечения, автоматизированные системы стали играть очень важную роль. SCADA расшифровывается как Supervisory Control And Data Acquisition, система управления промышленной автоматизацией с функциями диспетчерского контроля и сбора данных. В 1980-х годах появились первые системы SCADA, содержащие устройствами ввода и вывода данных, используемые для дистанционного управления промышленными операциями. И только в начале 1990-х годов сформировалась новая концепция «SCADA», когда разрабатывались микропроцессоры и программируемые логические контроллеры (ПЛК), тем самым помогая улучшить возможности управления и контроля автоматизации процессов на предприятиях [32].

Начиная с 1990-х годов и ближе к началу 2000-х годов базы данных (СУБД), использующие язык структурированных запросов (SQL), стали стандартом для баз данных информационных технологий. Однако это также период, когда технология SCADA только начинают своё развитие и многие программисты SCADA ещё не применяли этот метод. Но вскоре, когда современные стандарты и методы информационных технологий, такие как язык SQL, были применены к системам SCADA, эти системы стали эффективными, безопасными, стабильными и производительными [11].

Рассмотрим основные компоненты, составляющие SCADA систему. Каждая система SCADA состоит из четырёх основных компонентов:

Интерфейс процесса: включает датчики, преобразователи и приводы;

Промежуточная станция сбора данных: это удалённый блок RTU (Remote Terminal Units) или блоки программируемых логических контроллеров PLC (Programmable Logic Controllers) с функцией связи с исполнительными механизмами;

Система связи: включает в себя промышленные сети связи, телекоммуникационное оборудование и мультиплексные преобразователи, передающие полевые данные на блоки управления и серверы;

Система диспетчерского управления: включает программное обеспечение и человеко-машинный интерфейс (ЧМИ) [13].

Система SCADA представляет собой инструмент, который позволяет предприятиям собирать информацию, управлять данными, взаимодействовать и контролировать работу машин и оборудования, такого как клапаны, насосы или двигатели, а также хранить всю информацию в файле базы данных. Поэтому во многих современных отраслях, таких как энергетика, пищевая, нефтегазовая, транспортная, водоподготовка и очистка отходов, широко применяются системы SCADA.

SCADA обладает выдающимися функциональными преимуществами, такими как:

- Повышение производительности: анализируя производственные процессы, менеджеры могут использовать эту информацию для повышения эффективности производства и усовершенствования техники;

- Улучшение качества продукции: также посредством анализа деятельности менеджеры могут найти способы ограничить и предотвратить ошибки в производственном процессе;

Список литературы диссертационного исследования кандидат наук Ву Чи Чиен, 2024 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Стасишина Ю. Эра трансформеров: «цифровые близнецы» уже рядом [Электронный ресурс] / Ю. Стасишина // Sciencepop. - 2017. - URL: https: //sciencepop. ru/era-transformerov-tsifrovye-bliznetsy-uzhe-ryadom/ (дата обращения: 23.05.2022).

2. Вичугова А. Цифровизация производства и цифровые двойники: объединяем PLM, IoT и Big Data [Электронный ресурс] / А. Вичугова // Bigdataschool. - 2020. - URL: https://www.bigdataschool.ru/bigdata/digital-twm-plm-iot-big-data.html (дата обращения: 23.05.2022).

3. Кокорев Д. С. Цифровые двойники: понятие, типы и преимущества для бизнеса / Д. С. Кокорев, А. А. Юрин // Национальный исследовательский ядерный университет «МИФИ». - 2019. - № 10-2 (34). - С. 101-104.

4. Прохоров А. Цифровая трансформация. Анализ, тренды, мировой опыт. / А. Прохоров, Л. Коник. - Litres, 2019. - С. 34-35.

5. Чернов А. В. Управление информатизацией предприятия с использованием архитектурных подходов / А. В. Чернов, В. И. Ананьин, С. М. Авдошин, Е. Ю. Песоцкая. - Москва: АСИТЭКС, 2018. - С. 455-456.

6. Соловьев С. Цифровые двойники в промышленности: сегодня и завтра [Электронный ресурс] / С. Соловьев // Икс Медиа. - 2019. - URL: http://www.iksmedia.ru/articles/5585041-Czifrovye-dvojniki-v promyshlennost.html (дата обращения: 23.05.2020).

7. Цифровые двойники в высокотехнологичной промышленности. Экспертно-аналитический доклад [Электронный ресурс] // Инфраструктурный центр «Технет» НТИ. М., 2019. URL: https://technet-nti.ru/article/ekspertno-analiticheskij-doklad-cifrovye-dvojniki-vvysokotehnologichnoj-promyshlennosti (дата обращения: 07.12.2020 г.).

8. Брук П. Цифровые двойники, основанные на симуляции мультифизических процессов [Электронный ресурс] / П. Брук // САПР. - 2019. -URL: https://sapr.ru/article/25888 (дата обращения: 23.05.2020).

9. Цифровые технологии в отрасли приборостроения : учебно-методическое пособие [Ю. О. Уразбахтина и др.] : [Электронный ресурс] / Уфимск. гос. авиац. техн. ун-т. - Уфа : УГАТУ, 2021. - URL: https: //www. ugatu. su/media/uploads/MainS ite/Ob%20universitete/IzdateHM_ izd/2021-191.pdf.

10. Кангин, В. В. Разработка Scada-систем: учебное пособие / В.В. Кангин, М.В. Кангин, Д.Н. Ямолдинов. - Вологда: Издательство Инфра-Инженерия, 2019. - 564 с.

11. Остроух, А.В. Интеллектуальные информационные системы и технологии: Монография / А.В. Остроух, А.Б. Николаев. - СПб.: Лань, 2019. - 308 c.

12. Раннев, Г.Г. Измерительные информационные системы: Учебник / Г.Г. Раннев. - М.: Академия, 2015. - 368 с.

13. Пьявченко, Т. А. Автоматизированные информационно-управляющие системы с применением SCADA-системы Trace Mode. Учебное пособие / Т.А. Пьявченко. - М.: Лань, 2015. - 336 с.

14. ГОСТ 26016-81. Единая система стандартов приборостроения. Интерфейсы, признаки классификации и общие требования.

15. ГОСТ Р 8.596-2002. ГСИ. Метрологическое обеспечение измерительных систем. Основные положения.

16. ГОСТ 8.437-81. ГСИ. Системы информационно-измерительные. Метрологическое обеспечение. Основные положения.

17. ГОСТ Р 59276-2020 Системы искусственного интеллекта. Способы обеспечения доверия. Общие положения.

18. Нестеров, А. В. Промышленная сушка / А. В. Нестеров. — 3-е изд. — Санкт-Петербург.: Лань, 2023. - 304 с.

19. Уваров, М. Е. Сушильная установка барабанного типа : учебное пособие / М. Е. Уваров. — Москва : РТУ МИРЭА, 2021. - 66 с.

20. Лыков, М.В. Сушка в химической промышленности / М.В. Лыков. -М.: Химия, 1970. -432 с.

21. Редько, В.Г. Эволюция, нейронные сети, интеллект: Модели и концепции эволюционной кибернетики /В.Г. Редько. - М.: Ленанд, 2019. - 224 с.

22. Данилов, В. В. Нейронные сети : учебное пособие / В. В. Данилов. — Донецк : ДонНУ, 2020. - 158 с.

23. Филиппов, Ф. В. Моделирование нейронных сетей глубокого обучения : учебное пособие / Ф. В. Филиппов. — Санкт-Петербург : СПбГУТ им. М.А. Бонч-Бруевича, 2019. - 79 с.

24. Цуриков, А. Н. Моделирование и обучение искусственных нейронных сетей : учебное пособие / А. Н. Цуриков. — Ростов-на-Дону : РГУПС, 2019. - 112 с.

25. Ростовцев, В. С. Искусственные нейронные сети : учебник для вузов / В. С. Ростовцев. — 2-е изд., стер. — Санкт-Петербург : Лань, 2021. - 216 с.

26. Данилов, В. В. Проектирование искусственных нейронных сетей : методические указания / В. В. Данилов. — Донецк : ДонНУ, 2020. - 133 с.

27. Антонио, Д. Библиотека Keras - инструмент глубокого обучения. Реализация нейронных сетей с помощью библиотек ^еапо и TensorFlow / Д. Антонио, П. Суджит ; перевод с английского А. А. Слинкин. — Москва : ДМК Пресс, 2018. —294 с.

28. Пегат, А. Нечеткое моделирование и управление : учебное пособие / А. Пегат ; перевод с английского А. Г. Подвесовского, Ю. В. Тюменцева. — 4-е изд. — Москва : Лаборатория знаний, 2020. - 801 с.

29. Лукьяненко, И. С. Статистика : учебник для спо / И. С. Лукьяненко, Т. К. Ивашковская. — 2-е изд., стер. — Санкт-Петербург : Лань, 2022. - 200 с.

30. Берков, Н. А. Теория вероятностей и математическая статистика : учебно-методическое пособие / Н. А. Берков, Т. А. Горшунова. — Москва : РТУ МИРЭА, 2022.-182 с.

31. Полшков, Ю. Н. Теория вероятностей и математическая статистика : учебное пособие / Ю. Н. Полшков. — Донецк : ДонНУ, 2020. - 224 с.

32. Интегрированные системы проектирования и управления. SCADA : учебное пособие / Х. Н. Музипов, О. Н. Кузяков, С. А. Хохрин [и др.]. — Санкт-Петербург : Лань, 2022. - 408 с.

33. Пьявченко, Т. А. Автоматизированные информационно-управляющие системы с применением SCADA-системы TRACE MODE: учебное пособие / Т. А. Пьявченко. — Санкт-Петербург: Лань, 2022. - 336 с.

34. Artemova S.V Energy-saving control of the heating process/ S.V. Artemova, M.A. Kamenskaia, A.I. Ladynin, A.G. Shmeleva, Vu Tri Chien // Vestnic TSTU., 2023. pp.17-26. DOI: 10.17277/vesnik.2023.01.pp.17-26.

35. Mostovskoy M.V. Adjustable electric drive of coordinate systems of laser instalations: Simulation modelling in the matlab simulink packade. / M.V. Mostovskoy, S.V. Artemova, M.A. Kamenskaia, N.M. Shmeleva, S.S. Kananadze, Vu Tri Chien. // Vestnic TSTU., 2023. pp.239-253. DOI: 10.17277/vesnik.2023.02.pp.239-253.

36. Мостовской М.В. Имитационное моделирование регулируемого электропривода координатных систем лазерных установок. / М.В. Мостовской, С.В. Артемова, М.А. Каменская, Н.М. Шмелева, С.С. Кананадзе, Ву Чи Чиен // Южно -Сибирский научный вестник., 2023. 3. - с.61-68. DOI: 10.25699/SSSB.2023.49.3.021.

37. Ву Ч. Ч. Нечеткая логика в управлении процессом сушки в сушильных установках вальце-ленточного типа / Ч. Ч. Ву, С. В. Артемова, М.А. Каменская. - Текст: непосредственный // Цифровая трансформация в энергетике: сборник трудов конференции, Тамбов, 21-22 декабря 2020 года. - Тамбов: Издательство Першина Р.В., 2020. - С. 68-71.

38. Артемова С.В. Нейронные сети оценки параметров технологических процессов / С.В. Артемова, Ч. Ч. Ву, М.В. Каменская. - Текст: непосредственный // Цифровая трансформация в энергетике: сборник трудов конференции, Тамбов, 21-22 декабря 2020 года. - Тамбов: Издательство Першина Р.В., 2020. - С. 127130.

39. Артемова С.В. Методы машинного обучения в информационно-измерительных и управляющих системах тепор- технологическими аппаратами/

С.В. Артемова, М.А. Каменская, Ч. Ч. Ву.- Текст : непосредственный // Цифровая трансформация в энергетике: сборник трудов конференции, Тамбов, 21-22 декабря 2020 года. - Тамбов: Издательство Першина Р.В., 2020. - С. 12-15.

40. Артемова С.В. Методы машинного обучения при энергосберегающем управлении энергоемкими объектами /С.В. Артемова, М.А. Каменская, Ч. Ч. Ву.

- Текст: непосредственный // Цифровиация агропромышленного комплекса: сборник трудов конференции, Тамбов, 21-23 октября 2020 года. - Тамбов: Издательство Першина Р.В., 2020. - С. 39-42.

41. Артемова С.В. Интеллектуальная система мониторинга влажности спиртовой барды / С.В. Артемова, М.А. Каменская, Ч. Ч. Ву. - Текст: непосредственный // Цифровиация агропромышленного комплекса: сборник трудов конференции, Тамбов, 21-23 октября 2020 года. - Тамбов: Издательство Першина Р.В., 2020. - С. 35-39.

42. Artemova S.V. Pasty materials prompt assessment method / S.V. Artemova, A.I. Ladynin, Vu Tri Chien, M.M. Kamenskaia, T.A. Ryabchik - Текст : непосредственный // Proceedings of the 2021 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering: Сборник трудов конференции, Moscow, 26-28 января 2021 г. - Москва: Издательство Institute of Electrical and Electronics Engineers Inc., 2021. -С 794-796. DOI: 10.1109/ElConRus51938.2021.9396353.

43. Артемова С.В. Фреймовая модель оперативной оценки влажности в барабанной сушильной установки / С.В. Артемова, М.А. Каменская, Ву Чи Чиен

- Текст: непосредственный // Энергосбережение и эффективность в технических системах: сборник трудов конференции, Тамбов, 16-17 ноября 2021 г. - Тамбов: Издательский центр ФГБОУ ВО "Тамбовский государственный технический университет"., 2021. - С. 6-7.

44. Артемова С.В. Фреймовая модель оперативной оценки в автоматизированных системах управления технологическими процессами / С.В. Артемова, А.И. Ладынин, Шмелева А.Г., Ву Чи Чиен, М.А. Каменская. - Текст: непосредственный // Энергосбережение и эффективность в технических системах:

сборник трудов конференции, Санкт-Петербургск, 2021 года. - Санкт-Петербургск: Издательский центр ФГБОУ ВО "Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В.И. Ульянова (Ленина)"., 2021. - С. 85-87.

45. Artemova S.V. Technological processes operational assessment frame model in automated control systems / S.V. Artemova, A.I. Ladynin, A.G. Shmeleva, Vu Tri Chien, M.A. Kamenskaia, T.A. Ryabchik. - Текст: непосредственный // IEEE International conference on control in technical systems, 21-23 сентября 2021 года: Сборник трудов конференции, St, 2021 года. - Москва: Издательство Saint Petersburg Electrotechnical University "LETI"., 2021. -С 27-29. DOI: 10.1109/CTS53513.2021.9562783.

46. Ву.Ч.Ч. Разработка модели искусственной нейронной сети для оценки влажности спиртовой барды в процессе сушки / Ч.Ч. Ву. - Текст: непосредственный // Радиоэлектроника. Проблемы и перспективы развития: VII Всероссийская молодежная научная конференция, посвященная дню радио и связи, Тамбов, 11-13 мая 2022 года. -Тамбов: Издательство Издательский центр ФГБОУ ВО «Тамбовский государственный технический университет»., 2022. - С 134-135.

47. Artemova S.V. Intelliden information system architecture optimal structure design based on genetic algorithms / S.V. Artemova, A.G. Shmeleva., A.I. Ladynin, Vu Tri Chien, M.A. Kamenskaia. - Текст: непосредственный // Proceedings of the 2022 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering: Сборник трудов конференции, Moscow, 25-28 января 2022 года. -Москва: Издательство Institute of Electrical and Electronics Engineers Inc., 2022. -С 537-540. URL: https://elibrary.ru/item.asp?id=48588790. DOI: 10.1109/ElConRus54750.2022.9755803.

48. Патент № 2766517 C1 Российская Федерация, МПК F26B 25/22. Способ оценки влажности материала в процессе сушки в барабанной сушильной установке: № 2021112482: заявлено 29.04.2021: опубликовано. 15.03.2022 /

Артемова С.В, Ву Ч.Ч., Каменская М.А.; заявитель ФГБОУ ВО «МИРЭА-Российский технологический университет». - 12 с. - Текст: непосредственный.

49. Патент №2444725 С2 Российская Федерация, МПК G01N 25/00. Способ оценки влажности пастообразного материала в процессе его сушки в вальцеленточной сушильной установке: № 2010109120: заявлено 11.03.2010: опубликовано. 10.03.2012 / Артемова С.В., Грибков А.Н., Брянкин К.В., Назаров

A.С.; заявитель ФГБОУ ВО «Тамбовский государственный технический университет- 9 с. - Текст : непосредственный.

50. Молдабаева, М. Н. Контрольно-измерительные приборы и основы автоматики : учебное пособие / М. Н. Молдабаева. - Москва ; Вологда : Инфра-Инженерия, 2019. - 332 с.

51. Сычевский, В.А. Теоретические основы сушки: методическое пособие /В.А. Сычевский. - Минск: БНТУ, 2017.-43 с.

52. Ключев, А. О. Аппаратные средства информационно-управляющих систем. Учебное пособие / А.О. Ключев, П.В. Кустарев, А.Е. Платунов — СПб: Университет ИТМО, 2015. — 65 с.

53. Артемова, С.В. Использование интеллектуальных первичный измерительный преобразовательов для оперативной оценки влажности движущегося пастообразного материала в процессе сушки / С. В. Артемова, А.А. Артемов, В.М. Мелисаров, П.А. Подхватилин. - Текст : непосредственный // Измерительная техника. - 2016. - № 4. - С. 16-18.

54. Артемова, С.В. Интеллектуальная информационно-управляющая система энергосберегающего управления / С. В. Артемова, А.А. Артемов, М.А. Каменская. - Текст : непосредственный // Научно- техническая информация. -2019.-№2.-С. 9-17.

55. Артемова, С.В. Интеллектуальная система управления процессом сушки пастообразных материалов в вальце-ленточных сушильных установках / С.

B. Артемова, А.Г. Шмелева, М.А. Каменская, М.И. Бесхмельнов, Е.С. Митяков. -Текст : непосредственный // Современные наукоемкие технологии. - 2022. - № 3. -С. 9-15.

56. Артемова, С. В. Методология построения интеллектуальных информационно-управляющих систем тепло-технологичекими аппаратами : специальность 05.11.16 «Информационно-измерительные и управляющие системы», диссертация на соискание ученой степени доктора технических наук / Артемова, Светлана Валерьевна; Тамбовский государственный технический университет. - Тамбов : Изд. дом «Тамбовский государственный технический университет», 2014. - 421 с. - Место защиты: Тамбовский государственный технический университет URL : https://search.rsl.ru/ru/record/01005097920 (дата обращения : 16.09.2022). - Текст : непосредственный + Текст : электронный.

57. Куркин, И. А. Алгоритмическое обеспечение информационно-управляющей системы динамическими режимами барабанной сушильной установки на множестве состояния функционирования : специальность 05.11.16 «Информационно-измерительные и управляющие системы», Диссертация на соискание ученой степени кандидата технических наук / Куркин, Илья Александрович ; Тамбовский государственный технический университет. -Тамбов : Изд. дом «Тамбовский государственный технический университет», 2015. - 162 с. - Место защиты: Тамбовский государственный технический университет URL : http://dn.tstu.ru/images/science/diss/2015/%D0%9A%D 1 %83%D 1 %80%D0%BA%D0 %B8%D0%BD/kurkm_thesys.pdf (дата обращения : 16.09.2022). - Текст : непосредственный + Текст : электронный.

58. Грибков, А.Н. Информационно-управляющая система динамическими режимами в многосекционных сушильных установках : специальность 05.11.16 «Информационно-измерительные и управляющие системы», Диссертация на соискание ученой степени кандидата технических наук / Грибков, Алексей Николаевич ; Тамбовский государственный технический университет. - Тамбов : Изд. дом «Тамбовский государственный технический университет», 2015. - 148 с. - Место защиты: Тамбовский государственный технический университет URL : https://elibrary.ru/item.asp?id=16098581 (дата обращения : 16.09.2022). - Текст : непосредственный + Текст : электронный.

59. Безбородова, О. Е. Обеспечение эффективности информационно-измерительных и управляющих систем / О. Е. Безбородова, О. Н. Бодин, М. Н. Крамм, В. В. Шерстнев - Текст : непосредственный // Измерение. Мониторинг. Управление. Контроль. - 2020. - № 4 (34). - С. 5-16. - DOI 10.21685/2307-55382020-4-1.

60. Артемова, С.В. Визуализация анализа энергосберегающего управления инерционным объектом первого порядка / С.В. Артемова, А.А. Артемов, В.М. Мелисаров, П.А. Подхватилин - Текст : непосредственный // Естественные и технические науки. - 2018. - № 11 (125). - С. 366-369.

61. Иванников, В. П. Информационно-измерительная техника и технологии / В. П. Иванников. - Вологда. Инфра- Инженерия, 2022. - 356 с.

62. Захаров В. А. Метрологическое обеспечение измерительных систем / В. А. Захарова // Уральский федеральный университет имени первого Президента России Б.Н. Ельцина. — Екатеринбург : Издательство Уральского университета, 2018.— 168 с.

63. Муромцев, Ю.Л. Основы автоматики и системы автоматического управления : учебное пособие / Ю.Л. Муромцев, Д.Ю. Муромцев. - Тамбов : Изд-во Тамб. гос. техн. ун-та, 2008. - Ч. 1.-96 с.

64. Корячко, В. П. Интеллектуальные системы и нечеткая логика : учебное пособие / В.П. Корявко, М.А. Бакулева, В.И. Орешков. - Москва: Издательство: Общество с ограниченной ответственностью «Научно-издательский центр ИНФРА-М», 2017. -352 с.

65. Демидова Г.Л., Лукичев Д.В. Регуляторы на основе нечеткой логики в системах управления техническими объектами: Учебное пособие - : Университет ИТМО, 2017. -81с.

66. Горбаченко, В. И. Интеллектуальные системы: нечеткие системы и сети : учебное пособие для вузов / В. И. Горбаченко, Б. С. Ахметов, О. Ю. Кузнецова. — 2-е изд., испр. и доп. — Москва : Издательство Юрайт, 2021. -105 с.

67. Гмурман, В. Е. Теория вероятностей и математическая статистика : учебник для вузов / В. Е. Гмурман. — 12-е изд. — Москва : Издательство Юрайт,

2020. - 479 с.

68. Курт, У. Байесовская статистика: Star Wars, LEGO, резиновые уточки и многое другое : практическое руководство / У. Курт. - Санкт-Петербург : Питер,

2021. 304 с.

69. Интеллектуальная система контроля выполнения машиностроительных процессов / В.А. Холопов, Е.Н. Каширская, А.Г. Шмелева, Е.В. Курнасов // Журнал «Машиностроение и надежность». 2019. Т. 48. нет. 5. С. 464-475.

70. Грибков, А. Н. Информационно-управляющая система динамических режимов сушилки / А/Н. Грибков, И.А. Куркин // Тезисы докладов 2-й Международной конференции с элементами научной школы «Актуальные проблемы энергосбережения и энергоэффективности в технических системах». Конф. с элементами научной школы «Актуальные проблемы энергосбережения и энергоэффективности в технических системах», Тамбов, 2015, стр. 77-78.

114

ПРИЛОЖЕНИЕ

ТЕКСТЫ ОСНОВНЫХ ПРОГРАММНЫХ МОДУЛЕЙ Программа расчета влажности материала #1. Модель 1. Импорт необходимых библиотек import tensorflow as tf import datetime %load_ext tensorboard from tensorflow import keras from tensorflow.keras import layers import pathlib

import matplotlib.pyplot as plt import numpy as np import pandas as pd import seaborn as sns print("Version: ", tf._version_)

# 2. подготовка данных

# Чтение исходных данных с использованием pandas column_names = ['x1','x2','x3','x4','x5',

'x6', 'x7', 'x8', 'y']

raw_dataset = pd.read_csv("D:/modelneuralnetwork/Cars.csv", names=column_names,

skipinitialspace=True) dataset = raw_dataset.copy() dataset.tail()

# Разделение данных на обучающие и тестирующие

# Использование 80% данных для обучения и 20% данных для тестирования train_dataset = dataset.sample(frac=0.8, random_state=0)

test_dataset = dataset.drop(train_dataset.index) sns.pairplot(train_dataset[['x1','x2','x3','x4','x5', 'x6', 'x7', 'x8', 'y']], diag_kind="kde")

train_stats = train_dataset.describe()

train_stats.pop("y")

train_stats = train_stats.transpose()

train_stats

# Извлечь label из examble train_labels = train_dataset.pop("y") test_labels = test_dataset.pop("y")

# Приступим к нормализации входных данных, чтобы все поля имелиmea n=0 va std=1.0

def norm(x):

return (x - train_stats['mean']) / train_stats['std']

# денормализация данных def denorm(x):

return (x * train_stats['std'] + train_stats['mean']) normed_train_data = norm(train_dataset) normed_test_data = norm(test_dataset)

# 7. Testing

loss, mae, mse = new_model.evaluate(normed_test_data, test_labels, verbose=2)

print('Testing set MAE: {:5.2f} Y'.format(mae))

print('Testing set MSE: {:5.2f} Y'.format(mse))

test_predictions = new_model.predict(normed_test_data).flatten()

plt.axes(aspect='equal')

plt. scatter(test_labels, test_predictions)

plt.xlabel('True Values [y]')

plt.ylabel('Predictions [y]')

lims = [92, 100]

plt.xlim(lims)

plt.ylim(lims)

plt.plot(lims, lims)

plt.show()

#Для предсказаний model = new_model

test_predictions = model.predict(normed_test_data).flatten() pred= pd.DataFrame(test_predictions) pred.to_excel('D: /network 1 _save/test_data. xlsx') test_labels.to_excel('D:/network1_save/test_label.xlsx') test_dataset.to_excel('D:/network1_save/test_dataset.xlsx')

# Предсказуемые значения на обучающей выборке train_predictions = model.predict(normed_train_data).flatten() pred= pd.DataFrame(train_predictions) pred.to_excel('D: /network 1 _save/train_data. xlsx') train_labels.to_excel('D:/network1_save/train_label.xlsx') #Весовые коэффициенты входного слоя:

weights_1 = model.layers[0].get_weights()[0]

#Смещения входного слоя"

biases_1 = model.layers[0].get_weights()[1]

#Весовые коэффициенты 1- скрытого слоя '

weights_2 = model.layers[1].get_weights()[0]

#Смещения 1- скрытого слоя

biases_2 = model.layers[1].get_weights()[1]

#Весовые коэффициенты 2 - скрытого слоя '

weights_3 = model.layers[2].get_weights()[0]

#Смещения 2 - скрытого слоя

biases_3 = model.layers[2].get_weights()[1]

#Весовые коэффициенты выходного слоя

weights_4 = model.layers[3].get_weights()[0]

#Смещения 2- скрытого слоя

biases_4 = model.layers[3].get_weights()[1]

# Весовые коэффициенты входного слоя: " , weights_1 import pandas as pd

data_ch= weights_1

df_weights_1= pd.DataFrame(data_ch)

df_weights_1 .to_excel('D:/network1_save/weights1.xlsx')

df_weights_1

# Смещения входного слоя data_ch= biases_1

df_biases_1= pd.DataFrame(data_ch)

df_biases_1 .to_excel('D:/network1_save/biases 1 .xlsx')

df_biases_1

# Весовые коэффициенты 2- скрытого слоя data_ch= weights_2

df_weights_2= pd.DataFrame(data_ch) df_weights_2.to_excel('D: /network 1 _save/weights2.xl sx')

df_weights_2

#

data_ch= biases_2

df_biases_2= pd.DataFrame(data_ch)

df_biases_2.to_excel('D:/network1_save/biases2.xlsx')

df_biases_2

# # Весовые коэффициенты 3- скрытого слоя data_ch= weights_3

df_weights_3= pd.DataFrame(data_ch)

df_weights_3 .to_excel('D:/network1_save/weights3 .xlsx')

df_weights_3

#

data_ch= biases_3

df_biases_3= pd.DataFrame(data_ch)

df_biases_3.to_excel('D:/network1_save/biases3.xlsx')

df_biases_3

# Весовые коэффициенты 4- скрытого слоя

data_ch= weights_4

df_weights_4= pd.DataFrame(data_ch)

df_weights_4.to_excel('D: /network 1 _save/weights4.xl sx')

df_weights_4

data_ch= biases_4

df_biases_4= pd.DataFrame(data_ch)

df_biases_4.to_excel('D:/network1_save/biases4.xlsx')

df_biases_4

#1. Модель 2. Импорт необходимых библиотек

import tensorflow as tf

import datetime

%load_ext tensorboard

from tensorflow import keras

from tensorflow.keras import layers

import pathlib

import matplotlib.pyplot as plt import numpy as np import pandas as pd import seaborn as sns print("Version: ", tf._version_)

# 2. подготовка данных

# Чтение исходных данных с использованием pandas column_names = ['x1','x2','x3','x4','x5', 'x6', 'x7', 'x8', 'y']

raw_dataset = pd.read_csv("D:/modelneuralnetwork/Cars.csv", names=column_names)

dataset = raw_dataset.copy()

dataset.pop('x1')

dataset.tail()

# Использование 80% данных для обучения и 20% данных для тестирования train_dataset = dataset.sample(frac=0.8, random_state=0)

test_dataset = dataset.drop(train_dataset.index)

train_stats = train_dataset.describe()

train_stats.pop("y")

train_stats = train_stats.transpose()

train_stats

# Извлечь label из examble train_labels = train_dataset.pop("y") test_labels = test_dataset.pop("y")

# Приступим к нормализации входных данных, чтобы все поля имелиmea n=0 va std=1.0

def norm(x):

return (x - train_stats['mean']) / train_stats['std'] normed_train_data = norm(train_dataset) normed_test_data = norm(test_dataset) from keras.optimizers import Adam from keras.utils import np_utils from tensorflow.keras import regularizers def build_model(): model = keras.Sequential() model.add(layers.Dense(36, activation='relu', input_shape=[len(train_dataset.keys())])) model. add(layers.Dense(36,

activation='relu',

kernel_regularizer=regularizers. 11 _l2(l 1=1 e-5, l2= 1 e-4), bias_regularizer=regularizers.l2( 1 e-4), activity_regularizer=regularizers.l2( 1 e-5))) model. add(layers.Dense(36,

activation='relu',

kernel_regularizer=regularizers.11 _l2(l 1=1 e-5, l2= 1 e-4), bias_regularizer=regularizers.l2( 1 e-4), activity_regularizer=regularizers.l2( 1 e-5)))

model. add(layers.Dense( 1 )) modeLcompile(optimizer-adam',loss-mean_squared_error',metrics=[Mmae'7,mseM] )

return model model = build_model() model.summary()

# Train model trong 40000 epoch, sù dung 10% training data cho validation. model = build_model()

early_history = model.fit(normed_train_data, train_labels,

epochs = 40000, validation_split = 0.1, batch_size = 64)

# 5. Нарисовать кривые learning curve history_dict = early_history.history

hist = pd.DataFrame(early_history.history) hist['epoch'] = early_history.epoch hist.tail() plt.figure()

plt.plot(early_history.epoch, history_dict['mae'], 'b-', label-Basic Train')

plt.plot(early_history.epoch, history_dict['val_mae'], 'r-', label-Basic Val')

plt.ylim([0, 10])

plt.ylabel('MAE [MPG]')

plt.legend()

plt.show()

plt.figure()

plt.plot(early_history.epoch, history_dict['mse'], 'b-', label-'Basic Train')

plt.plot(early_history.epoch, history_dict['val_mse'], 'r-', label-'Basic Val')

plt.ylim([0, 20])

plt.ylabel('MSE [MPGA2]')

plt.legend()

plt.show()

model.save('saved_model/my_model2')

new_model = tf.keras.models.load_model('saved_model/my_model2')

new_model. summary()

# 7. Testing

loss, mae, mse = model.evaluate(normed_test_data, test_labels, verbose=2)

print('Testing set MAE: {:5.2f} Y'.format(mae))

test_predictions = model.predict(normed_test_data).flatten()

plt.axes(aspect='equal')

plt. scatter(test_labels, test_predictions)

plt.xlabel('True Values [y]')

plt.ylabel('Predictions [y]')

lims = [92, 100]

plt.xlim(lims)

plt.ylim(lims)

plt.plot(lims, lims)

plt.show()

#1. Модель 3. Импорт необходимых библиотек

import tensorflow as tf

import datetime

%load_ext tensorboard

from tensorflow import keras

from tensorflow.keras import layers

import pathlib

import matplotlib.pyplot as plt import numpy as np import pandas as pd import seaborn as sns print("Version: ", tf._version_)

# 2. подготовка данных

# Чтение исходных данных с использованием pandas column_names = ['x1','x2','x3','x4','x5', 'x6', 'x7', 'x8', 'y']

raw_dataset = pd.read_csv("D:/modelneuralnetwork/Cars.csv", names=column_names)

dataset = raw_datasetcopy()

dataset.pop('x2')

dataset.tail()

# Использование 80% данных для обучения и 20% данных для тестирования train_dataset = dataset.sample(frac=0.8, random_state=0)

test_dataset = dataset.drop(train_dataset.index)

train_stats = train_dataset.describe()

tram_stats.pop("y")

train_stats = train_stats.transpose()

train_stats

# Извлечь label из examble train_labels = tram_datasetpop("y") test_labels = test_datasetpop("y")

# Приступим к нормализации входных данных, чтобы все поля имелиmea n=0 va std=1.0

def norm(x):

return (x - train_stats['mean']) / train_stats['std'] normed_train_data = norm(train_dataset) normed_test_data = norm(test_dataset) from keras.optimizers import Adam from keras.utils import np_utils from tensorflow.keras import regularizers def build_model(): model = keras.Sequential() model.add(layers.Dense(36, activation='relu', input_shape=[len(train_dataset.keys())])) model. add(layers.Dense(36,

activation='relu',

kernel_regularizer=regularizers. 11 _l2(l 1=1 e-5, l2= 1 e-4), bias_regularizer=regularizers.l2( 1 e-4),

activity_regularizer=regularizers.l2( 1 e-5))) model. add(layers.Dense(36,

activation='relu',

kernel_regularizer=regularizers. 11 _l2(l 1=1 e-5, l2= 1 e-4), bias_regularizer=regularizers.l2( 1 e-4), activity_regularizer=regularizers.l2( 1 e-5))) model. add(layers.Dense( 1)) model.compile(optimizer='adam',loss='mean_squared_error',metrics=["mae",MmseM])

return model model = build_model() model.summary()

# Train model trong 30000 epoch, su dung 10% training data cho validation. history = model.fit(

normed_train_data, train_labels, epochs=30000, validation_split=0.1, batch_size=64) #1. Модель 4. Импорт необходимых библиотек import tensorflow as tf import datetime %load_ext tensorboard from tensorflow import keras from tensorflow.keras import layers import pathlib

import matplotlib.pyplot as plt import numpy as np import pandas as pd import seaborn as sns print("Version: ", tf._version_)

# 2. подготовка данных

# Чтение исходных данных с использованием pandas column_names = ['x1','x2','x3','x4','x5', 'x6', 'x7', 'x8', 'y']

raw_dataset = pd.read_csv("D:/modelneuralnetwork/Cars.csv", names=column_names)

dataset = raw_dataset.copy()

dataset.pop('x3')

dataset.tail()

# Использование 80% данных для обучения и 20% данных для тестирования train_dataset = dataset.sample(frac=0.8, random_state=0)

test_dataset = dataset.drop(train_dataset.index)

train_stats = train_dataset.describe()

tram_stats.pop("y")

train_stats = train_stats.transpose()

train_stats

# Извлечь label из examble train_labels = tram_datasetpop("y") test_labels = test_dataset.pop("y")

# Приступим к нормализации входных данных, чтобы все поля имелиmea n=0 va std=1.0

def norm(x):

return (x - train_stats['mean']) / train_stats['std'] normed_train_data = norm(train_dataset) normed_test_data = norm(test_dataset) from keras.optimizers import Adam from keras.utils import np_utils from tensorflow.keras import regularizers def build_model(): model = keras.Sequential() model.add(layers.Dense(36, activation='relu', input_shape=[len(train_dataset.keys())])) model. add(layers.Dense(36,

activation='relu',

kernel_regularizer=regularizers. 11 _l2(l 1=1 e-5, l2= 1 e-4),

bias_regularizer=regularizers.l2( 1 e-4), activity_regularizer=regularizers.l2( 1 e-5))) model. add(layers.Dense(36,

activation='relu',

kernel_regularizer=regularizers. 11 _l2(l 1=1 e-5, 12= 1 e-4), bias_regu1arizer=regu1arizers.12( 1 e-4), activity_regu1arizer=regu1arizers.12( 1 e-5))) model. add(1ayers.Dense( 1 )) modeLcompile(optimizer-adam',loss-mean_sqmred_error',metrics=[Mmae'7,mseM] )

return model model = bui1d_mode1() mode1.summary()

# Train model trong 60000 epoch, sù dung 10% training data cho validation. history = modelfit(

normed_train_data, train_labels,

epochs = 60000, validation_split=0.1, batch_size=64)

# 5. Нарисовать кривые learning curve history_dict = history.history

hist = pd.DataFrame(history.history) hist['epoch'] = history.epoch hist.tail() plt.figure()

plt.plot(history.epoch, history_dict['mae'], 'b-', label='Basic Train')

plt.plot(history.epoch, history_dict['val_mae'], 'r-', label='Basic Val')

plt.ylim([0, 10])

plt.ylabel('MAE [MPG]')

plt.legend()

plt.show()

plt.figure()

plt.plot(history.epoch, history_dict['mse'], 'b-', label='Basic Train')

plt.plot(history.epoch, history_dict['val_mse'], 'r-', label='Basic Val')

plt.ylim([0, 20])

plt.ylabel('MSE [MPGA2]')

plt.legend()

plt.show()

model.save('saved_model/my_model4')

new_model = tf.keras.models.load_model('saved_model/my_model4') new_model. summary() # 7. Testing

loss, mae, mse = model.evaluate(normed_test_data, test_labels, verbose=2)

print('Testing set MAE: {:5.2f} Y'.format(mae))

test_predictions = model.predict(normed_test_data).flatten()

plt.axes(aspect='equal')

plt. scatter(test_labels, test_predictions)

plt.xlabel('True Values [y]')

plt.ylabel('Predictions [y]')

lims = [92, 100]

plt.xlim(lims)

plt.ylim(lims)

plt.plot(lims, lims)

plt.show()

#1. Модель 5. Импорт необходимых библиотек

import tensorflow as tf

import datetime

%load_ext tensorboard

from tensorflow import keras

from tensorflow.keras import layers

import pathlib

import matplotlib.pyplot as plt import numpy as np

import pandas as pd import seaborn as sns print("Version: ", tf._version_)

# 2. подготовка данных

# Чтение исходных данных с использованием pandas column_names = ['x1','x2','x3','x4','x5', 'x6', 'x7', 'x8', 'y']

raw_dataset = pd.read_csv("D:/modelneuralnetwork/Cars.csv", names=column_names)

dataset = raw_dataset.copy()

dataset.pop('x4')

dataset.tail()

# Использование 80% данных для обучения и 20% данных для тестирования train_dataset = dataset.sample(frac=0.8, random_state=0)

test_dataset = dataset.drop(train_dataset.index)

train_stats = train_dataset.describe()

train_stats.pop("y")

train_stats = train_stats.transpose()

train_stats

# Извлечь label из examble train_labels = train_datasetpop("y") test_labels = test_datasetpop("y")

# Приступим к нормализации входных данных, чтобы все поля имелиmea n=0 vá std=1.0

def norm(x):

return (x - train_stats['mean']) / train_stats['std'] normed_train_data = norm(train_dataset) normed_test_data = norm(test_dataset) from keras.optimizers import Adam from keras.utils import np_utils from tensorflow.keras import regularizers def build_model():

model = keras.Sequential() model.add(layers.Dense(36, activation='relu', input_shape=[len(train_dataset.keys())])) model. add(layers.Dense(36,

activation='relu',

kernel_regularizer=regularizers. 11 _l2(l 1=1 e-5, 12= 1 e-4), bias_regu1arizer=regu1arizers.12( 1 e-4), activity_regu1arizer=regu1arizers.12( 1 e-5))) model. add(1ayers.Dense(36,

activation='relu',

kerne1_regu1arizer=regu1arizers. 11 _12(11=1 e-5, 12= 1 e-4), bias_regu1arizer=regu1arizers.12( 1 e-4), activity_regu1arizer=regu1arizers.12( 1 e-5))) model. add(1ayers.Dense( 1 ))

mode1.compi1e(optimizer='adam',1oss='mean_squared_error',metrics = ["mae","mse"]) return model model = build_model() model.summary()

# Train model trong 50000 epoch, sù dung 10% training data cho validation. history = modelfit(

normed_train_data, train_labels,

epochs = 50000, validation_split=0.1, batch_size=64)

# 5. Нарисовать кривые learning curve history_dict = history.history

hist = pd.DataFrame(history.history) hist['epoch'] = history.epoch hist.tail() plt.figure()

plt.plot(history.epoch, history_dict['mae'], 'b-', label='Basic Train') plt.plot(history.epoch, history_dict['val_mae'], 'r-', label='Basic Val')

plt.ylim([0, 10]) plt.ylabel('MAE [MPG]') plt.legend() plt.show() plt.figure()

plt.plot(history.epoch, history_dict['mse'], 'b-', label='Basic Train')

plt.plot(history.epoch, history_dict['val_mse'], 'r-', label='Basic Val')

plt.ylim([0, 20])

plt.ylabel('MSE [MPGA2]')

plt.legend()

plt.show()

model.save('saved_model/my_model5')

new_model = tf.keras.models.load_model('saved_model/my_model5') new_model. summary() # 7. Testing

loss, mae, mse = model.evaluate(normed_test_data, test_labels, verbose=2)

print('Testing set MAE: {:5.2f} Y'.format(mae))

test_predictions = model.predict(normed_test_data).flatten()

plt.axes(aspect-equal')

plt. scatter(test_labels, test_predictions)

plt.xlabel('True Values [y]')

plt.ylabel('Predictions [y]')

lims = [92, 100]

plt.xlim(lims)

plt.ylim(lims)

plt.plot(lims, lims)

plt.show()

#1. Модель 6 Импорт необходимых библиотек import tensorflow as tf import datetime

%load_ext tensorboard from tensorflow import keras from tensorflow.keras import layers import pathlib

import matplotlib.pyplot as plt import numpy as np import pandas as pd import seaborn as sns print("Version: ", tf._version_)

# 2. подготовка данных

# Чтение исходных данных с использованием pandas column_names = ['x1','x2','x3','x4','x5', 'x6', 'x7', 'x8', 'y']

raw_dataset = pd.read_csv("D:/modelneuralnetwork/Cars.csv", names=column_names)

dataset = raw_dataset.copy()

dataset.pop('x5')

dataset.tail()

# Использование 80% данных для обучения и 20% данных для тестирования train_dataset = dataset.sample(frac=0.8, random_state=0)

test_dataset = dataset.drop(train_dataset.index)

train_stats = train_dataset.describe()

train_stats.pop("y")

train_stats = train_stats.transpose()

train_stats

# Извлечь label из examble train_labels = train_dataset.pop("y") test_labels = test_dataset.pop("y")

# Приступим к нормализации входных данных, чтобы все поля имелиmea n=0 и std=1.0

def norm(x):

return (x - train_stats['mean']) / train_stats['std']

normed_train_data = norm(train_dataset) normed_test_data = norm(test_dataset) from keras.optimizers import Adam from keras.utils import np_utils from tensorflow.keras import regularizers def build_model(): model = keras.Sequential() model.add(layers.Dense(36, activation='relu', input_shape=[len(train_dataset.keys())])) model. add(layers.Dense(36,

activation='relu',

kernel_regularizer=regularizers. 11 _l2(l 1=1 e-5, l2= 1 e-4), bias_regularizer=regularizers.l2( 1 e-4), activity_regularizer=regularizers.l2( 1 e-5))) model. add(layers.Dense(36,