Диагностика информационной подсистемы АСУТП ТЭЦ с использованием технологий искусственного интеллекта тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат технических наук Репин, Андрей Иванович

• Репин, Андрей Иванович
• кандидат технических наук
• 2006

Оглавление диссертации кандидат технических наук Репин, Андрей Иванович

ВВЕДЕНИЕ.

ГЛАВА 1 ОБЗОР МЕТОДОВ ДИАГНОСТИРОВАНИЯ ОТКАЗОВ ИЗМЕРИТЕЛЬНЫХ КАНАЛОВ И ПОСТАНОВКА ЗАДАЧИ.

1.1. Алгоритмы обнаружения полных отказов ИИК.

1.1.1. Алгоритмы допускового контроля параметра.

1.1.2 Алгоритм допускового контроля скорости изменения сигнала измерительной информации.

1.2. Алгоритмы обнаружения частичных отказов.

1.2.1. Алгоритмы, применяемые при аппаратном резервировании

1.2.2. Метод тестовых сигналов.

1.2.3. Алгоритмы, использующие связи между измеряемыми величинами.

1.3. Экспертные системы.

1.4. Диагностика частичных отказов ИИК как задача классификации и распознавания образов.

1.4.1. Постановка задачи классификации.

1.4.2. Аналитический обзор методов распознавания образов.

1.4. Выводы.

ГЛАВА 2 МАТЕМЕТИЧЕСКАЯ МОДЕЛЬ ПОЛУЧЕНИЯ ТЕПЛОВОЙ

ЭНЕРГИИ НА ПАРОВЫХ И ВОДОГРЕЙНЫХ КОТЛАХ ТЭЦ.

2.1. Описание теплогенерирующей технологической схемы ТЭЦ-27.

2.2 Материальный баланс потребления топлива.

2.2.1 Результаты расчета ГРП.

2.3 Балансовые уравнения для парового котла ТГМЕ-464.

2.3.1 Информационное обеспечение.

2.3.2 Расчёт составляющих теплового баланса для парового котла ТГМЕ-464 (на примере котла №1).

2.3.3 Расчёт составляющих материального баланса по воде и пару для парового котла ТГМЕ-464 (на примере котла №1)

2.3.4 Результаты расчета для парового котла №1.

2.4 Балансовое уравнение для водогрейного котла КВГМ-180-150.

2.4.1 Информационное обеспечение.

2.4.2 Расчёт составляющих теплового баланса для водогрейного котла КВГМ-180-150 (на примере котла №1).

2.4.3 Результаты расчета для водогрейного котла №1.

2.5 Оценка погрешностей расчета.

2.6 Программная реализация алгоритма коррекции результатов измерений.

2.7 Выводы.

ГЛАВА 3 РАЗРАБОТКА НЕЙРОСЕТЕВЫХ КОМПОНЕНТ

СИСТЕМЫ ДИАГНОСТИКИ.

3.1. Основные положения теории нейросетевою моделирования.

3.1.1. Модель нейрона.

3.1.2. Топологии нейросетей.

3.1.3. Обучение искусственных нейросетей.

3.2. Примеры практического применения нейронных сетей.

3.2.1. Прогнозирование.

3.2.2. Распознавание образов и классификация.

3.2.3. Кластеризация и поиск закономерностей. ф 3.2.4. Оптимальное управление и моделирование.

3.3. Обзор различных архитектур нейронных сетей, предназначенных для задач классификации.

3.3.1. Нейрон-классификатор.

3.3.2. Многослойный персептрон. ф 3.3.3. Сети Ворда.

3.3.4. Сети Кохонена

3.4. Решение задач классификации с использованием искусственных нейросетей с нечетким выводом.

3.4.1. Синтез нейросетей для решения задачи классификации.

3.5. Выводы.

ГЛАВА 4 РАЗРАБОТКА АЛГОРИТМА ОБУЧЕНИЯ

ДИАГНОСТИЧЕСКОЙ НЕЙРОСЕТИ.

4.1. Классический генетический алгоритм оптимизации. ф 4.1.1. Генетическое представление информации.

4.1.2. Генетические операторы.

4.1.3. Оптимизация с помощью генетического алгоритма.

4.2. Модифицированный генетический алгоритм.

4.3. Описание методики и результаты тестирования МГА. ф 4.4. Программная реализация МГА.

4.4.1. Реализация МГА для пакета MathCAD.

4.4.2. Реализация МГА в программе "Optim-MGA".

4.5. Выводы.

ГЛАВА 5 ДИАГНОСТИРОВАНИЕ ЧАСТИЧНЫХ ОТКАЗОВ ИЗМЕРИТЕЛЬНЫХ КАНАЛОВ ПАРОВОГО КОТЛА.

5.1. Множественная обработка результатов измерений технологических параметров с использованием алгоритма коррекции.

5.2. Модель "идеального" производства. ф 5.3. Отбор наиболее информативных параметров.

5.4. Формирование обучающих выборок и синтез структуры диагностических нейросетей.

5.5. Тестирование диагностических нейросетей.

5.6. Выводы.

Введение диссертации (часть автореферата) на тему «Диагностика информационной подсистемы АСУТП ТЭЦ с использованием технологий искусственного интеллекта»

Важнейшей задачей АСУТП энергетических производств в условиях рыночной экономики является получение достоверной информации для расчета технико-экономических показателей (ТЭП). В связи с этим, необходимым условием повышения достоверности расчетов ТЭП является качественное измерение технологических параметров и своевременное диагностирование отказов измерительных каналов и технологического оборудования.

В настоящее время для диагностики частичных отказов используются алгоритмы, основанные на информационной избыточности. Информационная избыточность может быть создана искусственно за счет аппаратного резервирования. Кроме того, в качестве информационной избыточности часто используются вероятностные и функциональные связи между измеряемыми величинами.

В диссертационной работе предлагается методика диагностирования частичных отказов информационно-измерительных каналов (ИИК) и оборудования ТЭЦ, использующая в качестве информационной избыточности функциональные связи между измеряемыми параметрами -уравнения материального и теплового балансов котлов.

В диссертационной работе показано, что при использовании такого вида информационной избыточности задачу диагностики можно свести к задаче классификации и распознавания образов. В настоящее время существует довольно много алгоритмов распознавания образов. Самым перспективным и многообещающим методом в теории распознавания образов является парадигма искусственного интеллекта, включающая технологии нейросетевого моделирования, эволюционные алгоритмы оптимизации, нечеткую логику, экспертные системы и т.п. Системы диагностики, использующие подобный подход обладают свойствами гибкости, адаптивности и интеллектуальности.

Разработка нейросетевых систем диагностики связана с рядом трудностей. До сих пор не существует единой методики выбора структуры нейросетей и их обучения.

Целью диссертационной работы является разработка методики диагностирования частичных отказов информационно-измерительных каналов (ИИК) АСУТП ТЭЦ.

Разработанная методика испытана на теплогенерирующем оборудовании ТЭЦ-27 ОАО "МОСЭНЕРГО".

Для достижения поставленной цели необходимо решить следующие задачи:

1. Исследовать технологическую схему ТЭЦ-27 и выбрать источники информационной избыточности;

2. Разработать алгоритм и создать программное обеспечение для коррекции результатов измерений применительно к теплогенерирующей структуре ТЭЦ-27.

3. Провести анализ массива измеренных параметров для одного из паровых котлов за определенный промежуток времени.

4. Разработать методику сведения задачи диагностики к задаче нечеткой классификации.

5. Исследовать возможности искусственных нейросетей для решения задачи нечеткой классификации.

6. Разработать алгоритм и создать программное обеспечение для обучения диагностических нейросетей.

7. Сгенерировать таблицу обучающих выборок, обучить и протестировать диагностические нейросети.

Научная новизна диссертационной работы состоит в следующем: разработан и исследован формализованный метод эволюционного и нейросетевого моделирования для диагностики частичных отказов информационных подсистем АСУТП в теплоэнергетике; предложена методика представления обработанных архивных данных в виде многомерного "облака"; решена задача синтеза нейросетевых компонент системы диагностики; разработан и исследован алгоритм оптимизации многопараметрических и многоэкстремальных задач; представлена методика тестирования и сравнения эволюционных алгоритмов оптимизации.

Практическая ценность диссертационной работы состоит в том, что: Разработана и официально зарегистрирована программа для ЭВМ "Эффект" (коррекция измеряемых параметров для расчета технико-экономических показателей на ТЭЦ). Программа передана в ПТО ТЭЦ-27;

Разработана и официально зарегистрирована программа для ЭВМ "Optim-MGA" (оптимизация многоэкстремальных и многопараметрических задач).

Достоверность научных положений и результатов проведенных исследований обеспечивается применением современных методов нейросетевого и эволюционного моделирования. При разработке методики диагностирования использовалась авторская версия алгоритма многоэкстремальной оптимизации, реализованного в официально зарегистрированной программе для ЭВМ "Optim-MGA", который успешно используется для решения других прикладных задач оптимизации.

Апробация работы. Результаты научных исследований по теме диссертации докладывались и обсуждались на заседании кафедры АСУТП МЭИ (ТУ), на международной научно-практической конференции Control 2005 "Теория и практика построения и функционирования АСУТП" (г. Москва 2005 г.), на одиннадцатой международной научно-технической конференции студентов и аспирантов "Радиоэлектроника, электротехника и энергетика" (г. Москва 2005 г.), на всероссийской конференции "ИММОД-2003" (г. Санкт-Петербург 2003 г.) и на всероссийской научно-технической интернет-конференции для студентов и аспирантов "Информатика в измерительных и управляющих системах", декабрь 2004 г.

Публикации. По результатам научных исследований опубликовано 13 работ.

Объем и структура работы. Диссертация состоит из введения, пяти глав, заключения, основных выводов по работе, библиографического списка использованной литературы и приложений. Изложена на 170 страницах машинописного текста, включает 47 рисунков, 19 таблиц, 95 наименований использованных литературных источников, 5 приложений.

Заключение диссертации по теме «Автоматизация и управление технологическими процессами и производствами (по отраслям)», Репин, Андрей Иванович

ОСНОВНЫЕ ВЫВОДЫ ПО РАБОТЕ

1. Исследована теплогенерирующая технологическая схема ТЭЦ-27. В качестве источника информационной избыточности для диагностирования частичных отказов ИИК выбраны уравнения теплового балансов паровых и водогрейных котлов, уравнения материального баланса паровых котлов и материальный баланс распределения топлива между котлами ТЭЦ.

2. Разработан алгоритм коррекции результатов измерений применительно к теплогенерирующей структуре ТЭЦ-27. Для реализации алгоритма коррекции на действующем производстве разработана и официально зарегистрирована в Российском Агентстве по патентам и товарным знакам программа для ЭВМ "Эффект". Программа передана в ПТО ТЭЦ-27.

3. С помощью алгоритма коррекции обработана выборка измеряемых параметров парового котла №1 ТЭЦ-27 за месяц. Показано, что полученные реализации корректирующих поправок имеют вид случайных процессов, состоящих из случайной и систематической составляющих, и практически не зависят от изменения нагрузок котла.

4. Разработана методика сведения задачи диагностики частичных отказов к задаче нечеткой классификации. Произведен аналитический обзор методов распознавания образов. Для решения задачи нечеткой классификации предложено использовать искусственные нейросети, обучаемые с помощью эволюционных алгоритмов оптимизации.

5. Исследованы возможности искусственных нейросетей для решения задач нечеткой классификации и сделаны рекомендации по выбору их структуры.

6. Для обучения диагностических нейросетей разработан алгоритм многопараметрической многоэкстремальной оптимизации. Алгоритм реализован в виде официально зарегистрированной в Российском Агентстве по патентам и товарным знакам программе для ЭВМ "Ор11ш-МОА".

Произведено сравнение разработанного алгоритма с известными версиями генетических алгоритмов и показано, что алгоритм способен с большей вероятностью и с меньшим числом обращения к функции цели достигать глобального экстремума, чем классические версии генетических алгоритмов.

7. Получены тренировочные шаблоны и обучены нейросети для диагностики частичных отказов каналов измерения расходов газа, питательной воды и пара. Сделаны рекомендации по формированию обучающих и тестирующих выборок

8. Обученные диагностические нейросети протестированы и сделаны рекомендации по определению порога принятия решения о частичном отказе. Произведена оценка минимальной разрешающей способности, с которой можно зафиксировать частичные отказы рассматриваемых ИИК.

ЗАКЛЮЧЕНИЕ

Совершенствование вычислительной техники в последнее десятилетие позволило для решения задач диагностики применять алгоритмы классификации и распознавания образов. Использование в подобных задачах нейросетевых технологий дало возможность качественно распознавать трудноразличимые образы, классифицировать события в условиях действия помех и быстро обрабатывать большие объемы информации.

Разработанная методика диагностирования частичных отказов измерительных каналов была апробирована на паровом котле ТЭЦ-27. Источником информационной избыточности приняты уравнения материального и теплового балансов котла. Использование этой информации позволило диагностировать частичные отказы каналов измерения расходов газа, пара и питательной воды, а также оценивать состояние работы производственного оборудования. Для более глубокой диагностики остальных параметров, измеряемых на котле следует усложнять используемую математическую модель вводя дополнительные источники информационной избыточности.

Достоинство разработанной методики заключается в том, что она применима для производств, работающих на различных видах твердого и жидкого топлива или на их смесях, а также для различных структур тепломеханического оборудования. Предлагаемый подход позволяет быстро в реальном режиме времени проводить перенастройку диагностической системы без потери качества и адаптироваться к изменениям технологической ситуации. Методика диагностирования частичных отказов ИИК положена в основу разрабатываемой в настоящее время на кафедре АСУТП МЭИ экспертной интеллектуальной системы для диагностики информационных подсистем и оборудования АСУТП.

Представленная в диссертационной работе методика диагностирования состоит из следующих этапов:

1. Анализ объекта диагностирования, составление системы балансовых соотношений, оценка текущих состояний измерительных каналов и технологического оборудования.

2. Множественная обработка результатов измерений на скользящем временном интервале с помощью алгоритма коррекции и выделение значимых для балансовых соотношений технологических параметров. (Программа для ЭВМ "Эффект").

3. Синтез диагностических нейросетей и выбор диапазонов вариаций параметров для термов Н,Ы и I.

4. Составление обучающих и тестирующих выборок частичных отказов.

5. Тренировка и тестирование нейросетей. (Алгоритм оптимизации "ОрНт-МОА"). Определение порогов принятия решения о частичных отказах.

6. Контроль состояния измерительных каналов на скользящем временном интервале с помощью обученных нейростей и вывод оперативному персоналу сообщений о частичных отказах ИИК в случае их возникновения.

Разработанная методика диагностирования частичных отказов информационных подсистем и оборудования АСУТП является универсальной и может быть распространена на различные структуры тепломеханического оборудования любой сложности, как в теплоэнергетике, так и в других отраслях промышленности.

Внедрение разработанной методики на производстве повысит достоверность получаемой информации и позволит добиться более высокого качества управления.

Список литературы диссертационного исследования кандидат технических наук Репин, Андрей Иванович, 2006 год

1. Автоматическое управление в химической промышленности/Под ред. Е.Г. Дудникова. М.:Химия, 1987. 368 с.

2. Агамалов О.Н. Оценка технического состояния электрооборудования в реальном масштабе времени методом нейро-нечеткой идентификации. Exponenta Pro. Математика в приложениях. 2003. №2. С.36-44.

3. Алгоритм расчета ТЭП ТЭЦ-27 МОСЭНЕРГО для автоматизированного рабочего места производственно-технического отдела (АРМ ПТО)/ Отчет по НИР в 3-х томах, Арх. № 14777, индекс ОТ и Т 2318. М.: АОО ВТИ, 1999.

4. Анищенко В.А., Щербич В.И., Казанская Т.Н., Крамаренко В.И. Повышение достоверности используемой в АСУТП информации путем коррекции измерений // Теплоэнергетика, №7, М.-1982.

5. Барабаш Ю.Л. Коллективные статистические решения при распознавании. М.: Радио и связь, 1983. - 224 с.

6. Вайнцвайг М.Н. Алгоритм обучения распознаванию образов "Кора" // Алгоритмы обучения распознаванию образов / Под ред. В.Н. Вапника. М.: Сов. радио, 1973. С. 110-116.

7. Гамм А.З. Статистические методы оценивания состояния электроэнергетических систем. -М.: Наука, 1976. 220 с.

8. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Г.К.Вороновский, К.В. Махотило, С.Н. Петрашев, С.А. Сергеев. Харьков, Основа, 1997. Адрес в интернет: http://mahotilo.narod.ru

9. Головко В.А. Нейроинтеллект: Теория и применения. Книга 1 Организация и обучение нейронных сетей с прямыми и обратными связями. Брест: БПИ, 1999. - 260 с. Книга 2 Самоорганизация,отказоустойчивость и применение нейронных сетей Брест: БПИ, 1999. - 228 с.

10. Горбань А.Н., Дубинин-Барковский B.JL, Кирдин А.Н. "Нейроинформатика". СП "Наука". РАН. 1998.

11. Горбань А.Н., Россиев Д.А. "Нейронные сети на персональном компьютере". СП "Наука". РАН. 1996.

12. Горелик A.JL, Скрипкин В.А. Методы распознавания. М.: Высш. шк., 1984.-219 с.

13. Гурский Д.А. Вычисления в MathCAD/ Д.А. Гурский. Мн.: Новое знание, 2003.-814 е.: ил.

14. Дейтел Харви, Дейтел Пол. Как программировать на С++: Третье издание. Пер. с англ. -М.: ЗАО "Издательство БИНОМ", 2001 г.-1152 с.

15. Дуда Р., Харт П. Распознавание образов и анализ сцен: Пер.с англ. -М.: Мир, 1978.-510 с.

16. Душков В.А., Смирнов Б.А., Терехов В.А. Инженерно-психологические основы конструкторской деятельности. М.: Высш.шк., 1990.

17. Дуэль М.А. Автоматизированные системы управления энергоблоками с использованием средств вычислительной техники. М.: Энергоатомиздат, 1983.

18. Дюк В.А. Компьютерная психодиагностика. СПб: Братство, 1994. -365 с.

19. Ежов A.A., Шумский С.А. "Нейрокомпьютинг и его применение в экономике и бизнесе". 1998.

20. Журавлев Ю.И., Никифоров В.В. Алгоритмы распознавания, основанные на вычислении оценок.//Кибернетика.1971.№ 3. С. 1-11.

21. Иванова Г.М., Кузнецов Н.Д., Чистяков B.C. Теплотехнические измерения и приборы: Учебник для теплоэнергетических специальностей вузов. М. : Энергоатомиздат, 1984 . - 232 с.

22. Ицкович Э.Л. Контроль производства с помощью вычислительных машин. М., "Энергия", 1975.

23. Иыуду К.А. Надежность, контроль и диагностика вычислительных машин и систем: Учеб. пособие для вузов по спец. "Вычислительные машины, комплексы, системы и сети". -М.:Высш. шк., 1989.-216 е.: ил.

24. Каган Б.М., . Мкртумян И.Б. Основы эксплуатации ЭВМ.- М.: Энергоатомиздат, 1983.

25. Карибский В.В., Пархоменко П.П., Согомонян Е.С. и др. Основы технической диагностики. М.: Энергия, 1977.

26. Кендалл М., Стьюарт А. Статистические выводы и связи. М .: Наука, 1973.-899 с.

27. Копытов Е., Лабендик В., Кабелев Н. Особенности диагностических систем с элементами искусственного интеллекта. Computer Modelling & New Technologies, 2001, Volume 5, №1, 119-123.

28. Крохин Г. Д. Функциональная диагностика энергоустановок электростанций (Математические модели и диагностический комплекс): Автореферат дис. . канд. техн. наук. Новосибирск, НГТУ. 1997. 26 с.

29. Крохин Г.Д. Распознавание образов при диагнозе элементов и узлов турбинной установки ТЭС. Межвуз. сб. науч. тр. "Физико-технические и экологические проблемы теплоэнергетики". Новосибирск: НГТУ,1993. С. 3-7.

30. Кузнецов Н.С., Лабендик В.П. Особенности формирования диагностических матриц для контроля состояния проточной части авиационных ГТД. Изв. ВУЗОВ "Авиационная техника". №3. 89-93.

31. Луценко Е.В. Теоретические основы и технология адаптивного семантического анализа в поддержке принятия решений (На примереуниверсальной автоматизированной системы распознавания образов "ЭЙДОС-5.1"). Краснодар: ЮОИ МВД РФ, 1996. - 278 с.

32. Махотило К.В. Разработка методик эволюционного синтеза нейросетевых компонентов систем управления// Диссертация на соискание ученой степени кандидата технических наук.— Харьков, ХГПУ, 1998

33. Методические указания по составлению отчета электростанции и акционерного общества энергетики и электрификации о тепловой экономичности оборудования. РД 34.08.552-95. М.: СПО ОРГРЭС, 1995.

34. Мудров В.И., Кутко B.JI. Методы обработки измерений. -М.: Советское радио, 1976.-192 с.

35. Новицкий П.В., Зограф И.А. Оценка погрешностей результатов измерений. JL: Энергоатомиздат. Ленингр. Отд-ние, 1985.- 248 е., ил.

36. Паппас К.Х., Мюррей У.Х. Отладка в С++ М.:ЗАО "Издательство БИНОМ", 2001 г.-512 с.

37. Пархоменко П.П., Согомонян Е.С. Основы технической диагностики: Оптимизация алгоритмов диагностирования, аппаратурные средства. -М.: Энергия, 1981.

38. Плетнев Г.П. Автоматизированные системы управления объектами тепловых электростанций: Учебник для вузов,- 2-е изд., перераб. И доп. М.: Издательство МЭИ, 1995. 352 е., ил.

39. Преображенский В.П. Теплотехнические измерения и приборы: Учебник для вузов по специальности "Автоматизациятеплоэнергетических процессов". 3-е изд., перераб,- М.: "Энергия", 1978.-704 е., ил.

40. РД 34.09.101 94. Типовая инструкция по учету электроэнергии при её производстве, передаче и распределении. М.: ОРГРЭС, 1995.

41. Репин А.И., Сабанин В.Р., Смирнов Н.И. Программа для ЭВМ "Универсальная программа для оптимизации многоэкстремальных задач (Optim-MGA)". Свидетельство об официальной регистрации программы № 2004610862 от 8 апреля 2004 г.

42. Репин А.И.,Сабанин В.Р., Смирнов Н.И Автоматические системы регулирования на основе нейросетевых технологий// Сборник трудов конференции Control 2003 .М.:Издательство МЭИ, 2003.

43. РМГ 29-99. Государственная система обеспечения единства измерений. Метрология. Основные термины и определения.

44. Сабанин В.Р., Смирнов Н.И., Болгов М.А., Дорошин В.В., Костык В.И. Алгоритм коррекции результатов измерения в программах обработки балансовых испытаний энергетических котлов//Сб. научн. тр. МЭИ. М.: Издательство МЭИ, 1998. С. 106-112.

45. Сабанин В.Р., Смирнов Н.И., Репин А.И. К вопросу о параметрической оптимизации алгоритмов управления и диагностики. //Промышленные АСУ и контроллеры.2004.№ 12. С. 27-31.

46. Сабанин В.Р., Смирнов Н.И., Репин А.И. Модифицированный генетический алгоритм для задач оптимизации и управления// Exponenta Pro. Математика в приложениях. 2004. №3-4.С.78-85.

47. Сабанин В.Р., Смирнов Н.И., Репин А.И., Аракелян Э.К., Макаров О.Н., Андреев С.Н. Математическое и программное обеспечение алгоритма коррекции измеряемых параметров для расчета технико-экономических показателей на ТЭЦ//Вестник МЭИ. 2003. №1. С.21-27.

48. Симанков В. С., Луценко Е. В. Адаптивное управление сложными системами на основе теории распознавания образов: Монография (научное издание) /Техн. ун-т Кубан. гос. технол. ун-та. Краснодар, 1999. -318 с. Адрес в Интернет : http://lc.kubagro.ru.

49. Смирнов Н.И., Сабанин В.Р., Репин А.И. Оптимизация настроечных параметров регулирующий устройств в АСР // Теория и практика построения и функционирования АСУ ТП: Труды Международ, науч. конф. М.: Издательство МЭИ, 2003. С.52-57.

50. Соболенко H.A., Тягунов М.Г., Хоанг К.Т.Д., Шкурин А.Н. Представление знаний об оборудовании электростанций для автоматизированной системы диагностики его состояния // Известия РАН. Энергетика. 1993. № 4. С. 97-102.

51. Терновых Ю.П., Жамков Ю.И. Информационная избыточность и контроль достоверности в системах управления. Приборы и системы управления, 1976, № 6, с. 7-8.

52. Тихомиров Ю. В. Самоучитель MFC СПб.: БХВ-Петербург, 2000 г.-640 с.

53. Ту Дж., Гонсалес Р. Принципы распознавания образов: Пер. с англ. -М.: Мир, 1978.-410 с.

54. Уоссермен Ф. "Нейрокомпьтерная техника"- М.: Мир, 1992.

55. Фомин А.Ф., Новоселов О.Н., Плющев A.B. Методы и средства повышения достоверности измерений непрерывных процессов// Измерения, контроль, автоматизация. №4 (38). 1981.

56. Фу К. Структурные методы в распознавании образов: Пер.с англ. -М.: Мир, 1977.-320 с.

57. Цейтлин P.A., Степанов В.И., Шестов Э.Д. К вопросу о точности автоматизированного вычисления технико-экономических показателей энергоблока. Теплоэнергетика, 1975, №1, с. 8-13.

58. Цыпкин Я.З. Основы информационной теории идентификации. -М.: Наука, 1984.-520 с.

59. Шилдт Г. Полный справочник по С, 4-е издание.: Пер. с англ.-М.: Издательский дом "Вильяме", 2002.-704 с.

60. Шилдт Г. Самоучитель С++: Пер. с англ.- 3-е изд.-СПб.: БХВ-Петербург, 2002.- 688 с.

61. Шитиков В.К., Розенберг Г.С., Зинченко Т.Д. Количественная Гидроэкология: Методы Системной Идентификации. Тольятти: ИЭВБ РАН, 2003.-463 с.

62. Attia A.A.,Horacek P. Adaptation of genetic algorithms for optimization problem solving// 7th International Conference on Computing MENDEL 2001. Brno, 2001. P. 36-41.

63. Bishop C.M. "Neural networks and Pattern Recognition". Oxford Press. 1995.

64. Fausett L.V. "Fundamentals of Neural Networks: Architectures, Algorithms and Applications", Prentice Hall, 1994.

65. Goldberg D.E. Genetic Algorithms in Search Optimizations and Machine Learning.-Addison.Wesly, 1989.

66. Haykin S. Neural Networks. A comprehensive foundation.-New York, NY: Macmillan, 1994.-696 p.

67. Holland J.H. Adaptation in natural and artificial systems. An introductory analysis with application to biology, control, and artificial intelligence. -London: Bradford book edition, 1994 211 p.

68. Kohonen T. "Self-organization and Associative Memory", Berlin: SpringlerVerlag, 1989.

69. Neider J.A.,Mead R., A Simplex Method For Function Minimization, Computer J., No 7, 1964 P. 308-313.

70. Repin A., Sabsnin V., Smirnov N. Artificial intelligence technologies in problems of diagnostic // Proc. 12th Zittau Fuzzy Colloquium, Zittau, 2005 (Germany).

71. Shepherd G.M., Koch C. Introduction to synaptic circuits // The Synaptic Organization of the Brain (G.M. Shepherd, ed.). New York: Oxford University Press, 1990.-p. 3-31.

72. Werbos P.J. Backpropagation and neurocontrol: A review and prospectus//Proc. of International Joint Conf.On Neural Networks.-Vol.l.-Washington, DC.-1989.-P.209-216.

73. Zhang B.-T., Muhlenbein H. Evolving optimal neural networks using genetic algorithms with Occam's rasor//Complex systems. 1993.-№7(3). P. 199 -220.

74. Zhenyong Chen, Yongyong He, Fulei Chu, Jingyuan Huang. Evolutionary strategy for classification problems and its application in fault diagnostics// Engineering Applications of Artificial Intelligence. №16. 2003. 31-38.

75. Lehrstuhl Prof. Dr. Wolfram-M. Lippe, Institut für Informatik Westfälische Wilhelms Universität-Münster. Сайт в Интеренет http://wwwmath.uni-muenster.de/math/SoftComputing/ (на нем. яз.)

76. Сайт компании "НейроПроект" http://www.neuroproject.ru

77. On-line расчеты в Интернет на Mathcad Application Server (MAS) http ://w w w. vpu .ru/mas

78. Сайт в Интернет "Технологии искусственного интеллекта в управлении и диагностике" http://neuralnetwork.narod.ru