Автоматизированное энергосберегающее нейроуправление температурным режимом агрегата непрерывного горячего цинкования тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат технических наук Головко, Никита Анатольевич

• Головко, Никита Анатольевич
• кандидат технических наук
• 2013

Оглавление диссертации кандидат технических наук Головко, Никита Анатольевич

ВВЕДЕНИЕ.

ГЛАВА 1. ТЕОРЕТИКО-ИНФОРМАЦИОННЫЙ АНАЛИЗ АГРЕГАТА НЕПРЕРЫВНОГО ГОРЯЧЕГО ЦИНКОВАНИЯ С ТОЧКИ ЗРЕНИЯ УПРАВЛЕНИЯ ПРОЦЕССОМ ТЕРМОХИМИЧЕСКОЙ ОБРАБОТКИ ЛИСТОВОГО ПРОКАТА.

1.1. Технологические особенности процесса термохимического отжига, совмещенного с горячим цинкованием на АНГЦ в условиях цеха покрытий ОАО «ММК».

1.2. Характеристика процесса термохимической обработки, совмещенной с горячим цинкованием.

1.3. Характеристика системы автоматического управления процессом термохимической обработки.

1.4. Характеристика АНГЦ, функционирующего в условиях

ОАО «ММК».

1.5. Обоснование требований к системе управления тепловым режимом печи АНГЦ.

1.6. Цели и задачи диссертационного исследования.

ГЛАВА 2. ИМИТАЦИОННАЯ МОДЕЛЬ НАГРЕВА ПОЛОСЫ НА АГРЕГАТЕ АНГЦ ДЛЯ ПРОГНОЗИРОВАНИЯ ТЕМПЕРАТУРЫ.

2.1. Эмпирическая основа для имитационного моделирования нагрева полосы.

2.2. Обоснование структуры имитационной модели процесса непрерывного отжига, совмещенного с горячим цинкованием.

2.2.1. Обоснование технологии нейросетевого моделирования для процесса непрерывного горячего цинкования.

2.2.2. Обоснование выбора типа искусственной нейронной сети для задачи имитационного моделирования процесса нагрева полосы на АНГЦ.

2.2.3. Описание методики обучения искусственной нейронной сети.

2.3. Методика синтеза имитационной модели процесса термохимического отжига на основе искусственных нейронных сетей.

2.3.1. Описание принципа построения нейросетевой модели процесса нагрева.

2.3.2. Процесс обучения имитационной модели процесса нагрева на основе искусственной нейронной сети.

2.3.3. Исследование имитационной модели процесса нагрева на основе искусственных нейронных сетей.

2.4. Методика редукции и обучения искусственной нейронной сети для создания модели процесса нагрева.

2.5. Выводы по главе 2.

ГЛАВА 3. СИНТЕЗ СИСТЕМЫ СТАБИЛИЗАЦИИ РЕЖИМА ТЕРМОХИМИЧЕСКОГО ОТЖИГА СОВМЕЩЕННОГО, С НЕПРЕРЫВНЫМ ГОРЯЧИМ ОЦИНКОВАНИЕМ.

3.1. Требования к системе стабилизации режима термохимического отжига, совмещенного с непрерывным оцинкованием.

3.2. Структура искусственной нейронной сети для системы стабилизации режима термохимического отжига, совмещенного с непрерывным оцинкованием.

3.3. Синтез системы поиска режима распределения температурных заданий по зонам участка нагрева.

3.4. Результаты вычислительного эксперимента по испытанию системы поиска режима распределения температурных заданий по зонам участка нагрева.

3.5. Синтез стабилизирующего регулятора для поддержания температурных уставок в зонах нагрева.

3.6. Организация испытаний стабилизирующего контура управления с ИНС-регулятором на компьютеризированном стенде.

3.7. Результаты испытания стабилизирующего контура управления с ИНС-регулятором.

3.8. Выводы по главе 3.

ГЛАВА 4. ТЕХНИЧЕСКАЯ РЕАЛИЗАЦИЯ СИСТЕМЫ УПРАВЛЕНИЯ ПРОЦЕССОМ ТЕРМОХИМИЧЕСКОГО ОТЖИГА И ИНТЕГРАЦИЯ ЕЕ В СТРУКТУРУ АСУ ТП ПРОИЗВОДСТВА.

4.1. Требования к аппаратно-программному комплексу и его интеграция в систему управления процессом термохимического отжига.

4.2. Структура аппаратно-программного модуля для сбора и обработки технологических данных с участка нагрева протяжной печи.

4.3. Структура программного модуля для реализации и обучения нейросетевой модели для описания процесса нагрева полосы на участке нагрева протяжной печи.

4.4. Структура программно-аппаратного модуля формирования и стабилизации температурных уставок регуляторов зон.

4.5. Оценка экономической эффективности внедрения системы управления процессом нагрева стальной полосы на участке нагрева протяжной печи АНГЦ.

4.6. Выводы по главе 4.

Введение диссертации (часть автореферата) на тему «Автоматизированное энергосберегающее нейроуправление температурным режимом агрегата непрерывного горячего цинкования»

Актуальность работы. За последние 10 лет отмечено снижение срока службы стальных изделий во всех сферах применения, обусловленное повышенной коррозионной активностью сред, в которых они эксплуатируются. Процесс горячего оцинкования приводит к расширению области применения металлических изделий в активных средах. По этой причине наблюдается увеличение спроса на оцинкованные изделия до 7 млн т в год. В условиях ОАО «Магнитогорский металлургический комбинат» (ОАО «ММК») процесс оцинкования осуществляется на агрегатах непрерывного горячего цинкования (АНГЦ).

В основе процесса горячего оцинкования лежит принцип распределенной во времени и пространстве термической обработки изделий. Качество получаемой продукции и эффективность технологических процессов определяются стабильностью поддержания параметров нагрева изделия: скоростью протягивания полосы и температурным режимом в зонах.

Отклонение от требуемой технологией термической программы, субъективный характер управления и негативное влияние внешних возмущающих факторов на термические процессы оказывают воздействие на качество выпускаемой продукции. Наблюдается рост объемов некондиционной продукции, достигающий 8 - 9 % от общего объема продукции. Отклонение от температурного режима приводит к перегреву или недогреву поверхности полосы, неравномерности цинкового покрытия, возникновению наплывов и отслоения, шероховатости цинковых покрытий и разрушению рабочих элементов печи.

Решению вопросов рационального термохимического отжига посвящено большое количество работ Аптермана В.Н., Еринова А.Е., Иванова И.А., Лисовского С.И. В работах рассматривается математическое моделирование теплового состояния полосы при движении по технологическим зонам в процессе оцинкования[8,23,25]. В основу этих моделей положено частное решение дифференциальных уравнений, описывающих процесс теплообмена в зонах печи. Вопросам выбора рационального и оптимального управления тепловым режимом для процесса горячего оцинкования посвящены работы Тымчака В.М. и Гельмана Г.А., которые предлагали представить зоны протяжной печи в виде последовательно-параллельного соединения инерционных звеньев второго порядка [18,26].

Однако, несмотря на проведенные исследования и значительное число публикаций в области управления агрегатами горячего цинкования остаются актуальными проблемы:

- отсутствие методик настройки и регулирования процесса отжига на агрегате горячего цинкования в автоматизированном режиме для полос толщиной от 6><1 О*4 м до 2,5x10"3 м;

- отсутствие программно-аппаратного комплекса для интеллектуальной поддержки принятия решений в АСУ для агрегата горячего цинкования, построенного на основе современной теоретической базы, позволяющей учитывать многозонную структуру технологического агрегата.

Для решения проблем в работе предложены математическое описание, методики и программная реализация, позволяющие синтезировать автоматизированный комплекс поиска и стабилизации распределения температур по зонам участка нагрева, построенных на основе искусственных нейронных сетей (ИНС).

Цель работы - уменьшение доли некондиционной продукции горячего цинкования в условиях энергосберегающего режима протекания процесса термохимического отжига при использовании автоматизированной системы управления, построенной на основе искусственных нейронных сетей и учитывающей зональную конструкцию АНГЦ.

Задачи исследования:

1) теоретико-информационный анализ технологических особенностей процесса термического отжига стальной полосы на агрегате непрерывного горячего цинкования;

2) проведение экспериментальных исследований в ходе функционирования агрегата горячего цинкования для выявления факторов, оказывающих существенное влияние на формирование температурных программ отжига;

3) разработка математического описания процесса термического отжига полосы, состоящего из трех взаимосвязанных подсистем имитационного моделирования процесса отжига полосы в башенной печи агрегата непрерывного горячего цинкования, поиска распределения температур по зонам участка нагрева протяжной печи агрегата горячего цинкования, стабилизации температурных уставок по зонам участка нагрева протяжной печи агрегата непрерывного горячего цинкования;

4) синтез адаптивного регулятора на основе искусственных нейронных сетей, позволяющего поддерживать на заданном уровне уставки температур по зонам печи;

5) реализация программно-аппаратного комплекса для управления процессом отжига стальной полосы на агрегате непрерывного горячего цинкования.

Объект исследования - системы поиска и стабилизации управления технологическим режимом непрерывного горячего оцинкования полосы.

Предмет исследования - информационное, математическое и программное обеспечение автоматизированного комплекса поиска и стабилизации распределения температур по зонам участка нагрева протяжной печи.

Научной новизной обладают:

1) модели для имитационного моделирования процесса отжига полосы в башенной печи агрегата непрерывного горячего цинкования, модели поиска технологически рациональных температурных уставок по зонам участка нагрева протяжной печи агрегата непрерывного горячего цинкования и стабилизации температурных уставок по зонам участка нагрева, отличительной особенностью которых является трансляция значений технологических параметров между подсистемами, что позволяет создать новый механизм технологически рационального управления многозонным агрегатом;

2) многослойный персептрон, охваченный обратными связями и обучаемый методом RPROP (resilient back propagation), используемый для поиска технологически рационального распределения температур по зонам участка нагрева полосы;

3) алгоритм работы универсального самонастраивающегося регулятора, способного управлять нестационарными объектами с многозонной структурой и технологическими параметрами, отличающийся от ранее известных тем, что нейронная сеть формирует управляющие воздействие, которое подается на вход исполнительного устройства.

Практическую значимость имеют:

1) разработанный комплекс поиска и стабилизации технологически рационального распределения температур по зонам печи, построенный на основе ИНС и способный прогнозировать температурное состояние многозонного агрегата в реальном времени, осуществлять поиск и поддержание уставок для регуляторов зон, что позволяет обеспечить выпуск продукции требуемого качества;

2) предложенное программно-аппаратное решение задачи поиска и стабилизации распределения температур по зонам печи, позволяющее обеспечить технологически рациональный и энергосберегающий режим работы агрегата, увеличить срок службы нагревательных элементов;

3) программная и аппаратная реализация комплекса поиска и стабилизации, построенного на основе ИНС и способного эффективно функционировать в условиях неполной и недостаточной информации о параметрах управляемого процесса.

Результаты исследований внедрены в промышленную эксплуатацию в виде обучающей модели для технологов цеха покрытий ОАО «Магнитогорский металлургический комбинат».

Научные аспекты исследований нашли отражение в учебно-методическом материале и используются в учебном процессе ФГБОУ ВПО «Магнитогорского государственного технического университета им. Г. И. Носова». Работа выполнена в рамках Федеральной целевой программы «Научные и научно-педагогические кадры инновационной России» на 2009 -2013 гг. по государственному контракту 14.740.11.0498 «Разработка алгоритмов и методов создания адаптивной нейросетевой системы управления многопараметрическими технологическими агрегатами», программы содействия развитию малых форм предприятия в научно-технической сфере по государственному контракту № 7056р/9625 «Разработка и исследование энерго- и ресурсосберегающих технологий и технических решений для производства конкурентоспособного продукта» и государственному контракту № 10059р/14223 «Разработка и исследование инновационных технологий и ресурсосберегающих технических решений для различных областей промышленности».

На защиту выносятся:

1) модели функционирования системы поиска и стабилизации технологически рационального распределения температур по зонам печи, основанные на аппарате искусственных нейронных сетей;

2) модели имитационного моделирования процесса отжига полосы в башенной печи агрегата непрерывного горячего цинкования для прогнозирования температурного состояния агрегата, поисковой системы для определения технологически рационального распределения, адаптивного регулятора для стабилизации технологических уставок температурного режима отжига полосы на участке нагрева протяжной печи агрегата непрерывного горячего цинкования;

3) алгоритмы поиска и стабилизации технологически рационального распределения температур по зонам печи и их программная реализация.

Апробация работы. Основные положения и результаты диссертационной работы обсуждались и были одобрены на международных научных конференциях «Создание и внедрение корпоративных информационных систем (КИС) на промышленных предприятиях Российской Федерации» (Магнитогорск, 2008); Всероссийском конкурсе инновационных проектов аспирантов и студентов «Информационно-телекоммуникационные системы» (Москва, 2008); «Применение ОСРВ QNX во встраиваемых системах» (Санкт-Петербург, 2008); «Всероссийская зимняя школа-семинар аспирантов и молодых ученых» (Уфа 2008, 2010); «Workshop on Computer Science Information Technologies» (Анталия, 2008); «Международная научно-практическая конференция Творческое наследие Б.И. Китаева» (Екатеринбург, 2010); «Новые технологии в металлургии» (Липецк 2011); «Математическое и программное обеспечение в промышленной и социальных сферах» (Магнитогорск, 2011); «Теория и практика тепловых процессов в металлургии» (Екатеринбург, 2012); «Проблемы информатики и моделирования» (Харьков, 2012).

Публикации по теме диссертации. По материалам диссертации опубликованы три статьи в изданиях из «Перечня.» ВАК, восемь статей в материалах международных и всероссийских научных конференций. Зарегистрирована одна программа для ЭВМ в ВНТИЦ.

Структура и объем работы. Диссертация состоит из введения, четырех глав с описанием теоретических и экспериментальных исследований, общих выводов, списка использованных источников из 81 наименования. Диссертация изложена на 149 станицах и включает 55 рисунков, 10 таблиц и 7 приложений.

Заключение диссертации по теме «Автоматизация и управление технологическими процессами и производствами (по отраслям)», Головко, Никита Анатольевич

4.6. Выводы по главе 4

В результате работы была разработана и реализована принципиальная схема интеграции трехкомпонентного комплекса нейросетевого управления процессом отжига стальной полосы на участке нагрева протяжной печи

АНГЦ. В структуре существующего АСУ ТП были рекомендованы заменены блоков математической модели, блок формирования температурных уставок по зонам и блок стабилизации уставок. Введенные изменения позволили создать адаптивную систему стабилизации температурного режима каждой из семи зон участка нагрева протяжной печи.

Для сбора, обработки и архивирования технологических данных с участка нагрева протяжной печи была разработана и реализована программно-техническая схема, позволяющая в реальном времени по ОРС интересу опрашивать первичные приборы учета, установленные на участке нагрева, осуществлять визуализацию технологического процесса а также обработки, архивирования и хранения в базе данных технологических данных, используемых для создания нейросетевой модели, описывающей процесс нагрева стальной полосы на участке нагрева протяжной печи АНГЦ.

Была реализована имитационная модель, описывающая процесс нагрева полосы на участке нагрева протяжной печи АНГЦ, основанная на принципе нейронных сетей. В качестве основы для технической реализации нейросетевой модели были выбраны контроллеры ОВЕН ПЛК154, на базе которых при помощи языка 8Т была реализована структура нейронной сети для построения модели участка нагрева.

Была разработана и технически реализована структура программно-аппаратного модуля формирования и стабилизации, температурных уставок регуляторов зон. В качестве основы для создания системы были выбраны контроллеры сери ОВЕН ПЛК150, на базе которых были разработаны нейро-сетвые архитектуры. Полученные в результате рекомендации уставки позволили снизить средний расход топлива в зоны с 1035 - 1040 до 950 -955 м3/ч, что на 6 - 7 % меньше существующего на данный момент на агрегате. Разработана техническая реализация адаптивного нейросетевого регулятора для поддержания найденных уставок в каждой из зон участка нагрева протяжной печи АНГЦ. На языке 8Т была разработана процедура, реализующая метод подстройки структуры сети под конкретный объект - OBDM, процедура была использована для самонастройки нейрорегулятора. Расход топлива на отл дельную горелку также снизился с 9,99 до 7,45 м /ч. Распределение топлива по зонам в данном случае достаточно равномерно. В то время как, для существующего режима работы агрегата характерно неравномерное распределение топлива по зонам.

В результате синтеза системы был рассчитан ожидаемый экономический эффект по двум статьям. Экономия топлива, полученная за счет снижения среднего расхода топлива на 6 - 7%, позволила достичь экономического эффекта в 544 881 руб/год, проектный коэффициент эффективности составил 1,7894. Стабилизация температурного режима отжига стальной полосы на участке нагрева позволяет достичь снижение доли некондиционной продукции на 2,2% от общего объема, что позволяет достичь экономического эффекта в 22000000 рублей в год за счет снижения доли некондиционной продукции на 2,2% проектный коэффициент эффективности составляет 72,24.

ЗАКЛЮЧЕНИЕ

В результате исследований:

1. Произведен теоретико-информационный анализ технологических особенностей процесса термического отжига стальной полосы на агрегате непрерывного горячего цинкования. Выполнено обоснование необходимости выбора нейросетевой структуры системы управления процессом нагрева стальной полосы на участке нагрева протяжной печи АНГЦ для достижения технологически заданного температурного режима протекания процесса термохимического отжига полосы и снижения доли выпуска некондиционной продукции. В ходе функционирования агрегата горячего цинкования были проведены экспериментальные исследования для выявления основных факторов, оказывающих влияние на формирование температурных программ отжига. Выявленные закономерности положены в основу нейросетевой модели участка нагрева.

2. Разработано математическое описание процесса термического отжига полосы, построенного на основании ИНС, состоящего из трех взаимосвязанных подсистем: подсистемы имитационного моделирования на базе искусственных нейронных сетей, описывающей участок нагрева полосы; подсистемы поиска и распределения температур по зонам участка нагрева; подсистемы стабилизации найденных уставок на основе искусственный нейронных сетей. Применение разработанной архитектуры подсистем позволило создать семейство нейронных сетей, описывающих процесс нагрева полосы в протяжной печи агрегата непрерывного горячего цинкования для всего диапазона изменения толщин и марок стали, на основе полученного прогноза осуществить нейросетевой многокомпонентный поиск распределения температурных уставок по зонам участка нагрева для достижения требуемого режима протекания процесса термохимического отжига и реализовать адаптивный процесс стабилизации найденных уставок на требуемом для протекания процесса уровне.

3. Выполнено математическое описание оптимизационной задачи поиска технологически рациональных уставок в технологических зонах участка нагрева протяжной печи для получения требуемого режима протекания процесса и температуры полосы на выходе участка нагрева. Для решения задачи была разработана и реализована архитектура поисковой нейронной сети. Разработана комплексная нейросетевая подсистема поиска и стабилизации технологически рационального распределения температурных уставок по зонам участка нагрева протяжной печи, позволяющая в автоматизированном режиме осуществлять поиск распределения температурных уставок по зонам участка нагрева с целью получения требуемой температуры полосы на выходе участка нагрева протяжной печи агрегата непрерывного горячего цинкования;

4. Разработана и реализована схема интеграции трехкомпонентного комплекса нейросетевого управления процессом отжига стальной полосы на участке нагрева протяжной печи АНГЦ. Выполнена техническая реализация нейросетевой системы управления на платформе ОВЕН ПЛК150 и 154. Полученная система управления позволяет в автоматизированном режиме формировать прогноз по температуре на выходе участка нагрева, осуществлять поиск распределения температурных уставок по зонам с целью получения требуемой температуры на выходе участка нагрева и в автоматическом режиме поддерживать найденные уставки на заданному уровне.

5. Проведение процесса термохимического отжига полосы на агрегате непрерывного горячего цинкования в соответствии с полученными в работе рекомендациями позволяет снизить долю некондиционной продукции на 1,2%, расход топлива в зонах участка нагрева на 6%.

Список литературы диссертационного исследования кандидат технических наук Головко, Никита Анатольевич, 2013 год

1. Абиев, Р.Г. Синтез систем автоматического управления с обучаемыми на нейронной сети нечетким контроллером / Р.Г. Абиев, P.A. Алиев, P.P. Алиев // Изв. РАН. Техническая кибернетика. 1994. - № 2. - С. 192197.

2. Аведьян, Э.Д. Алгоритмы настройки многослойных нейронных сетей / Э.Д. Аведьян // Автоматика и телемеханика. 1995. -№4.-С. 106-118.

3. Александров, А.Г. Оптимальные и адаптивные системы / А.Г. Александров -М.: Высш. шк., 1989. -263 с.

4. Александров, А.Г. Синтез регуляторов многомерных систем /

5. A.Г. Александров М.: Машиностроение, 1986. - 272 с.

6. Алиев, P.A. Производственные системы с искусственным интеллектом / P.A. Алиев, Н.М. Абдикеев, М.М. Шахназаров М.: Радио и связь, 1990.-150 с.

7. Алюшин, М.В. Аппаратная реализация быстродействующих ней-росетей на основе программируемой логики фирм AMD, ALTERA, XILINX / M.B. Алюшин. M.: МИФИ, 1999 - С. 45-52.

8. Андрейчиков, A.B. Интеллектуальные информационные системы / A.B. Андрейчиков, О.Н. Андрейчикова М.: Финансы и статистика, - 2003. -368 с.

9. Аптерман, В.Н. Протяжные печи / В.Н. Аптерман, В.М Тымчак -М.: Металлургия, 2000. 320 с.

10. Архангельский, В.И. Нейронные сети в системах автоматизации /

11. B.И. Архангельский, И.Н. Богаенко, Г.Г. Грабовский, H.A. Рюмшин К.: Техника, 1999.-234 с.

12. Барский, А.Б. Нейронные сети: распознавание, управление, принятие решений / А.Б. Барский М.: Финансы и статистика, 2004. - 176 с.

13. Бенькович, Е.С. Практическое моделирование динамических систем / Е.С. Бенькович, Ю.Б. Колесов, Ю.Б. Сениченков СП.: БХВ-Петербург, - 2002. - 464 с.

14. Борцов, Ю.А. Электромеханические системы с адаптивным и модальным управлением / Ю.А. Борцов , Н.Д. Поляхов Л.: Энергоатомиздат, 1984.-216 с.

15. Васильев, В. И. Интеллектуальные системы управления с использованием нечеткой логики / В.И. Васильев, Б.Г. Ильясов Уфа: УГАТУ, 1995.-80 с.

16. Васильев, В.В. Интеллектуальные системы управления с использованием нейронных сетей / В.В. Васильев, Б.Г. Ильясов, C.B. Жернаков -Уфа: УГАТУ, 1997. 92 с.

17. Васильев, В.И. Нейроуправление новый раздел теории управления сложными системами / В.И. Васильев, C.B. Пантелеев // Нейрокомпьютеры: разработка и применение. - 2005. - № 5. - С. 33-45.

18. Винер, Н. Кибернетика или управление и связь в животном и машине / Н. Винер М.: Сов. радио, 1968. - 357 с.

19. Галушкин, А.И. Нейроуправление. Базовое направление развития теории и практики управления сложными динамическими системами / А.И. Галушкин А.И., C.B. Пантелеев М.: ИДК-Пресс, 2001. -170с.

20. Гельман, Г.А. Автоматизация тепловых режимов протяжных печей / Г. А. Гельман М.: Металлургия, 2000 - 112 с.

21. Гилл, Ф. Практическая оптимизация / Ф. Гилл, У. Мюррей, М. Райт М.: Мир, 1985. - 210 с.

22. Горбань, А.Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей / А.Н. Горбань М.: Мир, 1990. -120 с.

23. Деревицкий, Д.П. Прикладная теория дискретных адаптивных систем / Д.П. Деревицкий, A.J1. Фрадков М.: Наука, 1981. - 216 с.

24. Дюк, В. A. Data mining: учебный курс / В.А. Дюк., А.А. Самой-ленко СП.: Питер, 2001.-250 с.

25. Еринов, А.Е. Промышленные печи с радиационными трубами / А.Е. Еринов, A.M. Семернин М.: Металлургия, 2001 - 280 с.

26. Змеу, К.В. Безмодельное прогнозирующее инверсное нейро-управление / Б.С. Ноткин, К.В. Змеу // Мехатроника, автоматизация, управление. -2006.-№5.-С. 8-15.

27. Знаменский, В.Ю. Технологии горячего цинкования / В.Ю. Знаменский М.: Руда и металлы, 2004. - 74 с.

28. Иванов, И.А. Регулирование тепловых металлургических процессов / И.А. Иванов, С.И. Лисовский М.: Металлургия, 2001 - 300 с.

29. Иванченко, А.Г. Персептрон системы распознавания образов /

30. A.Г. Иванченко К.: Наук, думка, 1972. - 150 с.

31. Интеллектуальные системы автоматического управления /

32. B.М.Лохин и др.; под ред. И.М.Макарова. М.: Физматлит, 2001. - 575 с.

33. Кислова, В.И. Экономическая эффективность автоматизированных систем управления технологическими процессами / В.И. Кислова М.: Наука, 2010.-272 с.

34. Кнут, Д. Искусство программирования. Том 1. Основные алгоритмы. 3-е изд / Д. Кнут М.: Вильяме, 2000. - 450 с.

35. Колмогоров, А.Н. О представлении непрерывных функций нескольких переменных суперпозициями непрерывных функций: сб. тр. меж-дунар. научн.- техн. конф / А.Н. Колмогоров М.: Пресс, 1990. - С. 45-54.

36. Комашинский, В.И. Нейронные сети и их применение в системах управления и связи / В.И. Комашинский, Д.А. Смирнов М.: Горячая Линия-Телеком, - 2002. - 94с.

37. Круглов, В. В. Искусственные нейронные сети. Теория и практика / В.В. Круглов, В.В. Борисов М.: Горячая линия - Телеком, 2002.- 382 с.

38. Логовский, A.C. Применение искусственных нейронных сетей для решения задач управления динамическими объектами / A.C. Логовский -М.: Финансы и статистика, 2007 350 с.

39. Медведев, B.C. Нейронные сети. MATLAB 6 / B.C. Медведев, В.Г. Потемкин М.: ДИАЛОГ-МИФИ, 2002 - 170 с.

40. Медведев, B.C. Адаптивные системы автоматического управления / B.C. Медведев М.: Изд-во МГТУ им. Н.Э. Баумана, - 1994. - 51 с.

41. Минский, М.Л. Персептроны / М.Л. Минский, С.П. Пейперт -М.: Мир, 1971.-261 с.

42. Мкртчян, С.О. Нейроны и нейронные сети. (Введение в теорию формальных нейронов) / С.О. Мкртчян М.: Энергия, 1971. - 175 с.

43. Нейрокомпьютеры и интеллектуальные роботы / под ред. Амосова Н.И. — Киев: Наук, думка, 1991. 271с.

44. Омату, С. Нейроуправление и его приложение / С. Омату, М. Ха-лид, Р. Юсоф М.: ИПРЖРБ, 2000,- 272с.

45. Осовский, С. Нейронные сети для обработки информации / С. Осовский М.: Финансы и статистика, 2002. - 344 с.

46. Павлов, Б.В. Системы прямого адаптивного управления / Б.В. Павлов, И.Г. Соловьев М.: ИПУ, 1989. - 120 с.

47. Петрогерц, А.Г. Оптимальные и адаптивные системы / А.Г. Пет-рогерц М.: Высш. шк. - 1999. - 266 с.

48. Поляхов, Н.Д. Адаптация и идентификация автоматических систем / Н.Д. Поляхов, В.В. Путов Л.: Энергоатомиздат, 1984. - 80 с.

49. Пупков, К.А. Методы робастного, нейронечеткого и адаптивного управления / К.А. Пупков, Н.Д. Егупов М.: МГТУ им. Н.Э. Баумана, 2001. -744 с.

50. Рассел, С. Искусственный интеллект: современный подход / С. Рассел М.:Вильямс, 2005. - 1424 с.

51. Розенблатт, Ф. Аналитические методы изучения нейронных сетей / Ф. Розенблатт М.: Мир, 1965. - 140 с.

52. Розенблатт, Ф. Принципы нейродинамики: Персептрон и теория механизмов мозга / Ф. Розенблатт М.: Мир, 1965. - 180 с.

53. Рябинин, А.Д. Некоторые особенности разностной обработки информации в нейронных сетях / А.Д. Рябинин, A.M. Шквар, А.И. Шевченко // Биологическая медицинская кибернетика и бионика. 1970. - №2. - С. 1326.

54. Солодовников, В.В. Методы идентификации объектов управления / В.В. Солодовников, В.Ф. Бирюков М.: Изд-МГТУ им. Н.Э. Баумана, -1986.-55 с.

55. Суровцев, И.С. Нейронные сети / И.С. Суровцев, В.И. Клюкин, Р.П. Пивоварова Воронеж: ВГУ, 1994. - 150 с.

56. Терехов, В. А. Нейросетевые системы управления / В.А. Терехов, Д.В. Ефимов, И.Ю. Тюкин И М.: ИПРЖР, 2002. - 480 е.: ил.

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

58. Терехов, В.А. Нейросетевые системы управления / В.А. Терехов, Д.В. Ефимов, И.Ю. Тюкин М.: Высш. шк., 2002. - 183 с.

59. Терехов, В.А. Исследование устойчивости процессов обучения многослойной нейронной сети. I, II / В.А. Терехов, И.Ю. Тюкин //Автоматика и телемеханика. 1999. - №10. - С. 145-161.

60. Терехов, В.А. Устойчивость по Ляпунову процессов обучения многослойной нейронной сети в динамических системах управления / В.А. Терехов, И.Ю. Тюкин // Изв. ВУЗов. Приборостроение. 1999. - № 9. - С. 86-92.

61. Уоссермен, Ф. Нейрокомпьютерная техника / Ф. Уоссермен М.: Мир, 2002.-150 с.

62. Управление и оптимизация производственно-технологических процессов / Вихров Н.М., Гаскаров Д.В. Грищенков A.A. и др.; под ред. Д.В. Гаскарова. СП.: Энергоатомиздат, 1995. - 303 с.

63. Фомин, В.Н. Адаптивное управление динамическими объектами / В.Н. Фомин, А.Л. Фрадков, В.А.Якубович М.: Наука, 1981. - 448 с.

64. Фрадков, А.Л. Адаптивное управление в сложных системах: беспоисковые методы./ А.Л. Фрадков М.: Наука, 1990. - 296 с.

65. Хайкин, С. Нейронные сети: полный курс: пер. с англ. 2-е изд., испр. / С. Хайкин - М.: Вильяме, 2006. - 1104 с.

66. Цыпкин, Я.З. Основы теории обучающихся систем / Я.З. Цыпкин -М.: Наука, 1970.-252 с.

67. Широков, Р.В. О возможных подходах к построению систем управления динамическими объектами с применением нейрокомпьютеров./ Р.В. Широков // Компьютерная техника и технология: сб. тр. междунар. науч.- техн. конф Ставрополь: СевКавГТУ, 2003. - С. 121-127.

68. Яковлев, В.Б. Адаптивные системы автоматического управления / В.Б. Яковлев Л.: ЛГУ, 1994. - 25 с.

69. Astrom, K.J. Computer Controlled Sytems: Theory and Design / K.J. Astrom, B.C. Wittenmark-NJ.: Prentice-Hall, 1997. 75 p.

70. Barry, T.C. Model-free Predictive Controller with Laguerre Polynomial / T.C. Barry, L.A. Wang Australia, Springer, 2004. - 89 p.

71. Camacho, E.F. Model Predictive Control / E.F. Camacho, C Bordons Australia, Springer, 1999. - 45 p.

72. Favoreel, W. SPC:Subspace predictive control / W. Favoreel, B.D. Moor Belgium, Katholieke Universiteit Leuven,1998. - 120 p.

73. Hagan, M.T. An introduction to the use of neural networks in control systems / M.T Hagan., H.B. Demuth -NJ.: John Wiley & Sons, 2002. 985 p.

74. Hunt, K. J. R Neural networks for control systems / K.J. Hunt , D. Sbarbaro, R. Zbikowski NJ.: John Wiley & Sons, 1992. - 1083 p.

75. Kadali, R. A data driven subspace approach to predictive controller design / R. Kadali, B. Huang, A. Rossiter NJ.: Prentice-Hall, 1997. - 75 p.

76. Kohonen, T. Self-organized formation of topologically correct feature maps / T. Kohonen // Biological Cybernetics. 1982. - №43. - P.59-69.

77. Learning-logic: Casting the cortex of the human brain in silicon, Parker D. B.: Technical Report // Center for Computational Research in Economics and Management Science. Cambridge, MA: MIT, - 1985. — 73 p.

78. LeCun, Y. Une procedure d'apprentissage pour reseau a seuil assymetrique / Y. LeCun // Cognitiva 85, 1985. -P.599-604.

79. Minsky, M. L. Theory of neural-analog reinforcement systems and its application to the brain-model problem: Ph.D. Thesis / M.L. Minsky Princeton University, Princeton, 1954. - 143 p.

80. Mistry, S.I. Indirect control of a class of nonlinear dynamic systems / S.I. Mistry, S.S. Nair // IEEE Trans, on Neural Networks. 1996. - №7 - P. 10151023.

81. Piche, S.W. Steepest descent algorithms for neural network controllers and filters / S.W. Piche // IEEE Trans, on Neural Networks. 1994. - №. 5, - P. 198-212.

82. Rumelhart, D. E. Learning representations by back-propagating errors / D. E. Rumelhart, G. E. Hinton, R.J. Williams // Nature (London). 1986. - №323. -P.533-536.

83. Willshaw, D. J. How patterned neural connections can be set up by self-organization / D.J. Willshaw // Proceedings of the Royal Society of London. -1976.-№194.-P.431-445.