Методология интеллектуального управления слабоформализуемыми химико-технологическими процессами тема диссертации и автореферата по ВАК РФ 05.13.06, доктор технических наук Проталинский, Олег Мирославович

• Проталинский, Олег Мирославович
• доктор технических наук
• 2004

Оглавление диссертации доктор технических наук Проталинский, Олег Мирославович

Введение.

ГЛАВА ПЕРВАЯ

АНАЛИЗ ЗАДАЧ УПРАВЛЕНИЯ СЛАБОФОРМАЛИЗУЕМЫМИ ХИМИКО-ТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ И ПОСТАНОВКА ПРОБЛЕМЫ ИССЛЕДОВАНИЯ.

1.1. Анализ сложных слабоформализуемых химико-технологических процессов.

1.2. Искусственный интеллект в задачах автоматизации сложных технологических процессов (обзор литературы).

1.3. Анализ интеллектуальных методов управления автоматизации химико-технологических процессов.

1.4. Постановка задачи исследования.

ГЛАВА ВТОРАЯ

КОНЦЕПЦИЯ ИНТЕЛЛЕКТУАЛЬНОГО УПРАВЛЕНИЯ СЛАБОФОРМАЛИЗУЕМЫМИ ХИМИКО-ТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ.

2.1. Принципы интеллектуального управления слабоформализуемыми химико-технологическими процессами.

2.2. Формализация качественной информации.

2.2.1. Применение нечетких множеств для формализации качественной информации.

2.2.2. Формирование элементов универсальных множеств.

2.3. Построение баз знаний и оценка их качества.

2.3.1. Синтез модели базы знаний.

2.3.2. Показатели качества баз знаний.

2.3.3. Формирование баз знаний с заданными показателями качества.

2.4. Разработка вычислительной процедуры генерации решений.

214.1. Модификация вычислительной процедуры при обработке информации с использованием нечетких множеств.

2.4.2. Исследование быстродействия вычислительных процедур.

2.5. Адаптация баз знаний при интеллектуальном управлении химико-технологическими процессами.

2.5.1. Фазификация первичной информации с учетом ее случайной погрешности.

2.5.2. Обучение баз знаний при интеллектуальном управлении.

2.5.3. Исследование параметров адаптации баз знаний.

2.5.4. Адаптация баз знаний.

2.6. Построение гибридных математических моделей.

ГЛАВАТРЕТЬЯ

ПОСТРОЕНИЕ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ

ГЕНЕРАЦИИ РЕШЕНИЙ РЕАЛЬНОГО ВРЕМЕНИ.

3.1. Структура интеллектуальной системы генерации решений.

3.2. Алгоритмы функционирования интеллектуальной системы генерации решений реального времени.

3.3. Режимы функционирования интеллектуальной системы генерации решений.

3.4. Использование интеллектуальной системы генерации решений для тренинга персонала.

3.5. Реализация гибридной модели с использованием интеллектуальной системы генерации решений.

3.6. Реализация интеллектуальной системы генерации решений с использованием CASE-технологий.

3.7. Основы применения интеллектуальной системы генерации

4 решений для автоматизации химико-технологических процессов.

ГЛАВА ЧЕТВЕРТАЯ

МЕТОД ИДЕНТИФИКАЦИИ ПРЕДАВАРИЙНЫХ СИТУАЦИЙ НА ТЕХНОЛОГИЧЕСКИХ

ОБЪЕКТАХ УПРАВЛЕНИЯ.

4.1. Постановка задачи распознавания предаварийных ситуаций.

4.2. Классификация предаварийных ситуаций.

4.3 Разработка метода идентификации предаварийных ситуаций и их причин.

4.3.1. Использование интеллектуальной ситуационной модели для распознавания предаварийных ситуаций.

4.3.2. Идентификация причин предаварийных ситуаций.

4.3.3. Модификация метода идентификации предаварийных ситуаций.

4.4. Диагностика достоверности первичной информации при идентификации предаварийных ситуаций.

4.4.1. Избыточность и ее использование для проверки достоверности информации.

4.4.2. Диагностика достоверности первичной информации и определение ее источника.

4.4.3. Восстановление информации от недостоверного источника.

4.5. Построение системы идентификации предаварийных ситуаций.

4.5.1. Структура системы идентификации предаварийных ситуаций.

4.5.2. Человеко-машинный интерфейс системы идентификации.

4.5.3. Синтез машины управления системы идентификации.

4.6. Формирование баз знаний системы идентификации предаварийных ситуаций.

4.6.1. Описание технологического процесса получения серы на установке Клауса.

4.6.2. Анализ химико-технологического процесса как источника предаварийных ситуаций.

4.6.3. Математическая модель термического реактора установки Клаусса.

4.6.4. Имитационное моделирование как инструмент синтеза баз знаний;.

ГЛАВА ПЯТАЯ

ОПТИМАЛЬНОЕ УПРАВЛЕНИЕ СЛАБОФОРМАЛИЗУЕМЫМИ ХИМЖО-ТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ;.

5.1. Постановка задачи оптимального управления слабоформализуемыми химико-технологическими процессами.

5.2. Построение гибридной математической модели каталитического риформинга и постановка задачи его оптимального управления.

5.2.1. Технологический процесс каталитического риформинга.

5.2.2. Построение диаграммы взаимного влияния факторов на основе анализа процесса каталитического риформинга.

5.2.3; Задача оптимального управления процессом каталитического риформинга.

5.2.4. Построение сотовой модели каталитического риформинга.

5.2.5. Проверка адекватности математической модели процесса каталитического риформинга.

5.3. Поиск оптимальных управлений с использованием гибридных моделей.

5.3.1. Анализ особенностей гибридных математических моделей при оптимальном управлении.

5.3.2. Разработка поискового алгоритма оптимизации с использованием гибридных моделей.

5.3.3. Исследование эффективности алгоритма оптимизации.

5.3.4. Определения момента времени решения задачи оптимизации.

5.4. Реализация системы оптимального управления процессом каталитического риформинга.

5.4.1. Структура системы оптимального управления.

5.4.2. Исследование эффективности управления методом имитационного моделирования.

ГЛАВА ШЕСТАЯ

ПОСТРОЕНИЕ СИСТЕМ АВТОМАТИЧЕСКОГО РЕГУЛИРОВАНИЯ СЛАБОФОРМАЛИЗУЕМЫМИ ТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ.

6.1. Постановка задачи построения систем регулирования слабоформализуемыми технологическими процессами.

6.2. Система стабилизации качества продукции.

6.2.1. Анализ технологического процесса как слабоформализуемого.

6.2.2. Структура системы стабилизации с использованием качественной информации.

6.3. Проектирование системы стабилизации качества продукции.

6.3.1. Проектирование нечеткого регулятора и компенсатора.

6.3.2. Обучение и адаптация нечеткого регулятора.

6.3.3. Построение и адаптация модели объекта управления.

6.3.4. Синтез машины управления.

6.3.5. Эксплуатация системы регулирования качества продукции.

6.4. Реализация систем стабилизации с использованием концепции интеллектуального управления.

Основные результаты работы и выводы.

Введение диссертации (часть автореферата) на тему «Методология интеллектуального управления слабоформализуемыми химико-технологическими процессами»

Одним из основных способов интенсификации производства является внедрение автоматизированных систем управления технологическими процессами на базе последних достижений в области вычислительной техники. Развитие компьютерных систем привело к значительному увеличению скорости обработки, возрастанию объема единовременно хранимой информации, появлению эффективных устройств ее сбора, передачи и преобразования. Именно это позволило в настоящее время осуществлять обработку больших потоков информации в режиме реального времени.

Совершенствование методов математического моделирования и теории автоматического управления стимулировало разработку более эффективных алгоритмов управления технологическими процессами, расширение класса объектов автоматизации. Эти два фактора и предопределили интенсивное, развитие автоматизированных систем управления технологическими процессами (АСУТП) и внедрение средств автоматизации в различные производственные процессы в настоящее время, что позволило добиться успехов в управлении технологическими процессами, обладающими свойствами нестационарности, распределенности, автоматизация которых ранее была затруднена.

Несмотря на несомненные успехи в этой области, существует достаточно большой класс задач, где уровень автоматизации существенно уступает современным требованиям к технологическим процессам практически во всех отраслях промышленности: химической и нефтеперерабатывающей, пищевой и рыбной, производства стали и стекла, текстильной и др.

Такое положение объясняется функционированием технологических процессов в условиях неопределенности, под которой понимают недостаток информации, необходимой для формализации той или иной задачи.

Неопределенность приводит к невозможности аналитического описания технологического процесса, хотя достаточно часто может быть компенсирована путем набора соответствующих статистических данных и построения на их основе моделей (например, регрессионных) или применения методов синтеза формальных математических моделей > (например, в виде передаточных функций). Такие методы описания отнесем к традиционным.

Но возникают случаи, когда данные методы использования информации не дают ожидаемого результата в силу принципиальной невозможности получения таковой, что объясняется наличием двух основных факторов:

- отсутствием средств или методов измерения координат объекта управления;

- невозможностью математического описания традиционными методами технологических процессов, ввиду их сложности и мало изученности.

Таким образом, рассматриваемая неопределенность не может быть компенсирована4 (в отличие от приведенного выше случая); статистическими или формальными методами. Поэтому целесообразно говорить о неформализуемой неопределенности.

Указанные факторы, обусловливающие неопределенность, значительно снижают эффективность управления технологическим процессом, а часто делают его в принципе невозможным. Это объясняется тем, что функционирующие системы ; управления различного уровня, — локальные АСР, робастные, адаптивные, интегрированные АСУ — требуют формализованного описания задач априори и количественного представления текущей информации. В зависимости от типа системы необходимая степень формализации информации изначально может быть различной. AGP требуют не только математического описания динамических свойств объекта по каналу возмущения и • управления, но й знания вида возмущений. Адаптивные системы, располагая минимальной информацией, компенсируют ее недостаток в режиме реального времени за счет поступления от первичных преобразователей и обработки текущих значений - координат объекта. Наличие текущей информации в количественном 5 виде является необходимым условием работы этих систем, что в рассматриваемых нами случаях не всегда возможно. ♦

Остановимся подробнее на задачах автоматизации технологических процессов, решение которых в настоящее время затруднено ввиду указанных факторов, определив при этом их место в общей структуре АСУТП. Отметим, что указанные факторы могут присутствовать при решении задач автоматизации как порознь, так и одновременно.

Первый приведенный нами фактор — невозможность, количественного контроля координат объекта - обычно присутствует при решении информационных задач АСУТП. Его наличие может объясняться рядом причин: принципиальным отсутствием методов или средств измерения, инерционностью существующих традиционных методов контроля или средств измерения, ненадежностью функционирования первичных преобразователей.

Общей чертой описанных выше ситуаций является возможность качественной оценки оператором значений координат объекта управления: визуально или органолептически, и описания его в вербальной форме. Отметим, что необходимость подобной качественной оценки: обычно не имеет самостоятельного характера, а является подзадачей при; решении других задач автоматизации ТП.

Второй приведенный фактор - невозможность математического описания традиционными методами технологических процессов, ввиду их сложности и малоизученности - обычно присутствует при решении задач

АСУТП высокого уровня, к которым могут быть отнесены:

- регулирование технологических процессов в условиях высокой зашумленности и отсутствия традиционной модели динамики;

- оптимальное управление при отсутствии достаточно полной и адекватной математической модели;

- диагностика состояния технических средств и выявление отказов оборудования;

- распознавание отклонений от номинальных режимов на технологическом объекте управления;

- управление технологическими процессами в условиях пуска-останова;

- прогнозирование развития ситуации на технологическом объекте.

Можно привести достаточно большое количество примеров перечисленных задач для технологических процессов в различных отраслях промышленности.

При функционировании технологического процесса в условиях неформализуемой неопределенности существенную роль играет оператор, ведущий процесс, - лицо, принимающее решение (Jll IP). Можно указать достаточно большое количество объектов, где задачи управления и контроля, решаемые в настоящий момент JII1Р, существенны и приобретают большую значимость в системе управления процессом: прогнозирование рисков, обнаружение отказов оборудования и технических средств, управление в переходных процессах (пуско-останов, смена режимов работы объекта), регулирование объектов при отсутствии количественного контроля.

Несмотря на то, что традиционные методы контроля, математического описания или управления не дают желаемых результатов, оператор справляется с этими задачами с определенной степенью эффективности, опираясь на собственные представления о закономерностях явлений, опыт, интуицию. Поскольку эти понятия во многом определяют квалификацию ЮТР, то и эффективность решения задач автоматизации во многом зависит от последней.

В связи с этим возникает потребность использования нетрадиционных методов для решения задач управления, основанных на качественном описании, имитации и воспроизведении процессов интеллектуальной деятельности J11 IP. Появление такого научного направления; как искусственный интеллект, позволяет решать подобный тип задач [1].

Восьмидесятые годы характеризуются г интенсивным развитием систем, в основе функционирования которых лежат методы искусственного интеллекта. Развитие подобных систем в то время обусловлено возникшей необходимостью решения задач в различных отраслях человеческих знаний, где традиционные методы не давали желаемого результата вследствие слабой формализуемости предметной > области. Резкий скачок в совершенствовании средств вычислительной техники (увеличение быстродействия и объемов памяти ЭВМ) создал предпосылки для реализации систем искусственного интеллекта, которые требуют значительных машинных ресурсов. Изучение основ процесса человеческого мышления, построения памяти, психологических аспектов принятия управленческих решений позволило формализовать эти стороны деятельности; человека. Именно эти три составляющие и предопределили появление и интенсивное развитие научного направления, получившего название «искусственный интеллект» (ИИ).

Под методами ИИ понимают достаточно широкий набор методов, решающих разные задачи. Они могут быть направлены на разработку методов взаимодействия человека и машины, общения с ЭВМ на; естественном языке (ЕЯ-системы), обработки визуальной информации, распознавания образов и решение других задач. Общая цель методов искусственного интеллекта — замена человека вычислительным устройством при принятии решений и его общение с ЭВМ естественным путем.

Направлений развития искусственного интеллекта достаточно много, но мы упомянем только те, которые, по нашему мнению, могут внести вклад в решение задач управления технологическими процессами, особенности которых уже рассматривались выше.

В настоящее время наиболее популярным направлением является разработка экспертных систем (ЭС). Цель функционирования ЭС - выдача решений по конкретной проблеме, обычно в узкой предметной области, на базе имеющихся знаний на основании конкретного запроса оператора. Основу экспертных систем составляют базы знаний^ приобретение и накопление которых и является одной из основных задач их функционирования. ЭС, как правило, обладают механизмом объяснения выдаваемых ими решений и возможностью гибкого диалога с оператором.

Появление в конце 60-х гг. математической теории нечетких множеств [2-4] породило новое направление в развитии методов ИИ и их применении при автоматизации технологических процессов: формализация интеллектуальной деятельности оператора и построение на этой основе алгоритмов управления. Именно это направление развития методов ИИ позволило существенно продвинуться при решении задач автоматизации доселе трудно описываемых технологических процессов. Нечеткие множества дали возможность для формализации качественного описания оператором значений параметров технологического процесса и особенностей его функционирования. Теория нечетких множеств явилась основой для построения нечетких регуляторов, их применения в тех сферах теории управления, где традиционные методы ранее не приносили желаемых результатов: регулирование технологических объектов с высокой динамикой, сильной зашумленностью, высоким уровнем нелинейных искажений. Математический аппарат нечетких множеств способствовал развитию новых методов построения математических моделей технологических процессов на основе формализации качественной информации.

Еще одним направлением развития искусственного интеллекта является применение нейронных сетей. Это направление получает достаточно широкое распространение при решении задач управления многостадийными, дискретными и распределенными процессами. <

Подводя итог выше сказанному, отметим, что метод» ИИ являются в щ настоящее время аппаратом, потенциально позволяющим решать достаточно широкий класс задач автоматизации технологических процессов. Несмотря на несомненные успехи, методы ИИ используются в АСУТП пока недостаточно эффективно. Применение их в этом направлении носит несистематический характер, не определены классы задач, где использование ИИ являлось бы эффективным, нет единого концептуального подхода к их использованию, недостаточно внимания уделено методам совместного использования традиционного и качественного описания.

Сложившееся положение объясняется разнообразием предметных областей решаемых задач и функционированием АСУ ТП в режиме реального времени, что существенно затрудняет реализацию интеллектуальных систем и ограничивает практическую сферу их применения. Вместе с тем методы искусственного интеллекта являются тем инструментом, который позволит компенсировать слабую формализуемость технологических процессов. Это даст возможность расширить класс решаемых задач автоматизации технологических процессов и тем самым повысить эффективность их управления.

Таким образом, актуальной является цель настоящей работы -ф повышение эффективности управления слабоформализуемыми химикотехнологическими процессами за счет расширения класса задач их автоматизации.

Научная проблема соответствует поставленной цели: синтез концепции управления и автоматизации слабоформализуемыми химико-технологическими процессами с использованием методов искусственного интеллекта.

Для достижения указанной цели решим следующие задачи:

- выделить класс задач автоматизации, где применение методов искусственного интеллекта приведет к повышению эффективности управления технологическими процессами;

- сформулировать принципы использования искусственного интеллекта для автоматизации и управления технологическими процессами;

- разработать методы интеллектуального управления в; реальном времени, воплощающие эти принципы;

- реализовать концепцию в виде алгоритмического и программного обеспечения интеллектуальной системы управления реального времени;

- разработать методику применения концепции и интеллектуальной системы управления для автоматизации технологических процессов;

- реализовать приложение разработанных методов к решению сформулированных задач автоматизации конкретных объектов управления.

Работа выполнена; в соответствии с постановлением Правительства РФ от 28.05.96 «О приоритетных направлениях развития науки и техники и критических технологий» по направлению «Интеллектуальные системы управления», с тематикой госбюджетной НИР Астраханского государственного технического университета «Разработка и описание систем управления и технических средств автоматизации технологических процессов» № 05.03 с 02.1993г. по 12.1998г., «Разработка систем управления и технических средств автоматизации технологических процессов» № 07.08 с 02.1999г. по 12.2002г., «Теоретический анализ и математическое моделирование интеллектуальных информационных систем» с 02.2003г. по настоящее время № 08.08.03.

Объем работы. Диссертационная работа состоит из введения, шести глав, выводов, списка используемой литературы и приложений.

Заключение диссертации по теме «Автоматизация и управление технологическими процессами и производствами (по отраслям)», Проталинский, Олег Мирославович

Основные результаты работы и выводы

Общим результатом работы является научно обоснованное решение проблемы создания и реализации концепции и методологии интеллектуального управления и автоматизации слабоформализуемых химико-технологических процессов. При решении данной проблемы получены следующие основные результаты:

1. Выделен класс сложных слабоформализуемых химико-технологических процессов и задач их автоматизации, где применение искусственного интеллекта является эффективным.

2. Сформулирована концепция, включающая систему принципов, достаточную для решения широкого круга задач автоматизации, и методологию интеллектуального управления химико-технологическими процессами: в реальном времени.

3. Разработанная методология интеллектуального управления включает:

- метод формирования элементов универсального множества при формализации качественной информации;

- метод синтеза продукционных баз знаний для интеллектуальных систем управления реального времени с заданными показателями качества;

- быстродействующую процедуру обработки качественной информации в реальном времени с использованием нечетких множеств, позволившую увеличить скорость генерации решения на порядок по сравнению с известными алгоритмами;

- метод адаптации баз знаний интеллектуальных систем управления нестационарными объектами, основанный на формировании текущих правил и определении показателей их качества;

- метод построения гибридных сотовых математических моделей слабоформализуемых химико-технологических процессов с использованием качественной и количественной информации.

4. Для реализации концепции синтезировано программное обеспечение интеллектуальной системы генерации решений реального времени на основе CASE-технологий; система имеет универсальное назначение и позволяет в зависимости от загружаемого контента и организации взаимодействия модулей, решать широкий спектр задач интеллектуального управления химико-технологическими процессами; оригинальность программных; продуктов подтверждена соответствующими свидетельствами фонда алгоритмов и программ.

5. Создана методика применения, концепции интеллектуального управления, реализующаяся путем анализа химико-технологического процесса как слабоформализуемого и конфигурирования системы генерации решений для решения конкретной задачи.

6. На основе разработанной методологии предложены методы диагностики' достоверности первичной информации и идентификации предаварийных ситуаций на технологических объектах управления. В качестве примера разработана система идентификации предаварийных ситуаций установки Клаусса в производстве серы.

7. Поставлена и решена задача оптимизации статического режима химико-технологических процессов с использованием гибридных математических моделей. Синтезирована система оптимального управления статическим режимом процесса каталитического риформинга. Исследована и показана эффективность использования качественной информации для этих целей.

8. Поставлена и решена задача синтеза автоматических систем стабилизации слабоформализуемых нестационарных процессов на; базе адаптивного нечеткого регулятора на примере процесса термической обработки рыбной продукции.

9. Система идентификации предаварийных ситуаций внедрена

Научно-производственном объединении «Мониторинг» (г. Москва) и находится в режиме опытной эксплуатации систем автоматизации установки очистки газов УО-50. Запланировано использование этой системы в составе АСУ 111 очистки газа при тиражировании установки У0-50.

Метод диагностики достоверности первичной информации реализован в составе программного обеспечения АСУТП энергоблоков Астраханской ТЭЦ-2 и находится в режиме промышленной эксплуатации.

Алгоритмы автоматического регулирования технологического процесса термической обработки рыбной продукции прошли опытную эксплуатацию на ОАО «Астраханский рыбокомбинат», в результате чего была подтверждена их работоспособность. Использование этих алгоритмов запланировано в составе АСУТП производства рыбоконсервной продукции.

Учебный вариант программной оболочки интеллектуальной системы продукции решений используется в Астраханском государственном техническом университете, Саратовском государственном университете, Ярославском институте повышения квалификации руководящих работников и специалистов химической и нефтехимической промышленности для подготовки инженерных и научных кадров.

Список литературы диссертационного исследования доктор технических наук Проталинский, Олег Мирославович, 2004 год

1. Искусственный интеллект. Справочник. В 3-х кн. Кн. 1. / Под ред. Э.В. Попова. - М.: Радио и связь. 1990. - 464 с.

2. Zadeh L.A. Fuzzy Sets. Information and control. 1965. Vol. 8. -P. 338—353.

3. Заде Л.А. Основы нового подхода к анализу сложных систем и процессов принятия решений. — В кн: Математика сегодня. М.: Знание, 1974.-С. 5-49.

4. Заде Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений. — М.: Мир, 1976. — 165 с.

5. Серегин М.Ю. Современное состояние и возможные пути решения .проблем построения систем управления. технологическими процессами // Приборы и системы. Управление, контроль, диагностика. -2004.-№1.-С. 2-8.

6. Феллер В. Введение в теорию вероятности и её приложения. Т.1. -М.: Мир, 1984.-586 с.

7. Мешалкин В.П. Экспертные системы в химической технологии. -М.: Химия, 1995.-368 с.

8. Плановский А.Н., Николаев Г.И. Процессы и аппараты химической и нефтехимической технологии: Учеб. для вузов. — 3-е изд. -М.: Химия, 1987.-496 с.

9. Тимофеев Л.В., Юсупов P.M. Интеллектуальные системы автоматического управления // Известия РАН. Техническая кибернетика. -1994.-№5.-С. 142-148.

10. Захаров В.Н. Интеллектуальные системы управления: основные понятия и определения. // Известия РАН. Теория и системы управления. -1997.-№3.-С. 138-145.

11. Mamdani Е.Н., Assilian S.A. Fuzzy Logic Controller For Dynamic Plant. International Journal of Man-Machine Study. 1975. Vol. 7. - P. 1-13.

12. Ostergaard J.J. Fuzzy logic control at a heat exchanger process. Pull N 7601, Elec / Power Enging. Dept.Techn. University of Denmark. DK 281 Lengby. June. 1976. P. 11-16.

13. Kickert W.J.M., van Nauta Lemke H.R. Application of a Fuzzy Controller in a Warm Water Plant. Automatica, 1976, Vol. 12. P. 301-308.

14. Carter L.A., Rutherford D.A. A Heuristic Adaptive Controller for a Sinter Plant. IFAC Symp. on Automation in Mining, Johannesburg. 1976.-P. 22-25.

15. Carter L.A., Hagne M.J. Fuzzy Control of Raw Mix Permeability of Sinter Plant. Proc. Fuzzy Workshop, QMC, London, 1976. -P.33-38:

16. King R.J., Mamdani E.H. The Application of Fuzzy Control System to Industrial Processes. Automatica, 1977, Vol. 13. P. 235-242.

17. Mamdani E.H., Baaklin N. Descriptive Method of Deriving Control Policy in a Fuzzy Logic Controller . Electrical Letters, 2 25/6, Dec. 1975.-P. 625-626.

18. Kickert W. Towards an Analysis of Linguistics Modeling. // Fuzzy Sets and systems. 1979. Vol. 2. P. 293-307.

19. Tong R.M. A Control engineering review of Fuzzy Systems // Automatica. 1977. - Vol. 13. - P. 559-569.

20. Tong R.M. Synthesis of Fuzzy Models for Industrial Processes-Some Recent results // International Journal of General Systems. 1978. -Vol. 4.-P. 143-163.

21. Балакирев B.C., Проталинский O.M. Применение математического аппарата нечетких множеств при автоматизации технологических процессов // Измерение, контроль, автоматизация. — 1985.-№2 -С. 86-94.

22. Алиев Р.А., Церковный А.Э., Мамедова Г.А. Управление производством при нечеткой исходной информации. М.: Энергоиздат,1991.-237 с.

23. Kaoru Hirota. Industrial application of Fuzzy Technology. Tokyo,1992.-310 p.

24. Ait Ali Yahia, R; Boucherit M.S. Fuzzy Control of a Distillation Column. Proceeding 10"th Zittau Fuzzy Colloquium, 2002. P. 95-102.

25. Usenko V.V., Arakelian E.K. Model of the Fast fuzzy Controllers. Proceeding 8"Л Zittau Fuzzy Colloquium, 2000. P. 134-139.

26. Chang S. S.L., Zadeh L. A. On fuzzy mapping and control // IEEE Trans. Syst. Man and Cybern. SMC-2, 1. 1972. - N-P. 30-34.

27. Negoita C., Ralescu D.A. Application of Fuzzy Sets to Systems Analysis. Editura Technica. Bucharest. Birkhauser Velag Basel and Stuttgart. -1975.-170 p.

28. Jain R. Outline of New Approach for the Analysis of Fuzzy Systems // Int. J. Control. 1976. - N 23. - P. 622-640.

29. De Glas M. A Mathematical Theory of Fuzzy Systems. In: Fuzzy Inform, and Decision Proc., M.M. Gupta and E. Sanches (eds), North-Holland Publ. Сотр. 1982. P. 38 - 64.

30. Ray K.S., Majumber D. Fuzzy Logic Controller of Nonlinear Maltivariable Steam Generating Unit Using Decoupling Theory // IEEE Trans, on. Syst., Man and Cybern. 1985. - N 4. - P. 539-558.

31. Усков А.А. Устойчивость замкнутых систем управления с нечеткой логикой // Приборы и системы. Управление, контроль, диагностика. 2003. - №3. - С.8-9.

32. Усков А.А. Эмпирический принцип синтеза нечетких логических регуляторов. // Приборы и системы. Управление, контроль, диагностика. 2004. -№1.- С. 16-18.

33. Procyk Т.J., Mamdani E.H. A Linguistic Self-Organizing Process Control Automata. 1979. Vol. 15.-P. 15-30.

34. Procyk T.I. A Self-organazing Controller For Syngle Input. Single Output Systems. - International Report, Queen Mary College, London, 1976. -P. 32-36.

35. King P.J., Mamdani E. H. The application of fuzzy control systems industrial process // Automatica. 1977. - № 13. - P. 23 5-242.

36. Mamdani E. H. Andveces in the Linguistic Synthesis of Fuzzy Controllers // Int. J. Man-mach. Stud. 1976. - Vol 8. - P. 669-678.

37. Mamdani E. H. Rule-based Fuzzy Approach to the Control of Dynamic Processes // IEEE Trans, on Comput. 1981. - № 12. - P. 432-440.

38. Nanus В.; Modriak О.; Tuma, L. Fuzzy controller with variable structure Proceeding Ю'л Zittau Fuzzy Colloquium, 2002. P. 103-109.

39. Resnik 1., Chanayem O., Boursmistrev A. PID plus fuzzy controller structures as a design base for industrial applications. Engineering application of artificial intelligence. 13 (2000)-P. 419-430

40. Rotach V. Expert Methods in the Theory of Automatic Control. Proceeding 7~th Zittau Fuzzy Colloquium, 1999.-P. 168-173.

41. Hisbullan, М.А.Н.; Ramachandran. K.B. Design of Hybrid Scheme fuzzy logic Controller with Fermententation Precess. Proceeding 10th Zittau Fuzzy Colloquium, 2002. P. 110-117

42. Rotach V., Grishin K. Qualitative Expert Estimation of Control Algorithms and Their Optimization by Methods of the Modified Theory of Adaptation. Proceeding 10"л Zittau Fuzzy Colloquium, 2002. P. 149-155.

43. Usenko, V. Realization Features of Crips and Fuzzy Control algorithms. Proceeding 10"th Zittau Fuzzy Colloquium, 2002. P. 156-163.

44. Mizumoto M. Realization of PID controls by fuzzy control methods //Fuzzy Set and Systems. 1995. - № 7. - P. 171-182.

45. Butkiowoez В. S. Properties of a System with hybrid Fuzzythconventional PID Controller. 5' International Conference on Soft Computing. MENDEL'99. 1999. P. 223-227.

46. Rotach V. The Analysis of Traditional and Fuzzy PID Rigulators. Proceeding 8"* Zittau Fuzzy Colloquium, 2000. P. 165-172.

47. Pivonka P., Blaha P. Comparative Analysis of Classical and Fuzzy PID Control algorithms. Proceeding 7"th Zittau Fuzzy Colloquium, 1999.-P. 176-181.

48. Полупанов И.В., Проталинский O.M. Оценка эффективности нечетких регуляторов при проектировании АСР. В кн: Автоматизированное проектирование химических производств. М.: МИХМ, 1987.-С. 104-106.

49. Panko М., Aruketyan Е. About Application of Fuzzy Description in Optimization Tasks on Power Plants. Proceeding Zittau Fuzzy Colloquium, 2002.-P. 308-310.

50. Medriak O., Votoubee R. Laboratory Tasks for Fuzzy Control. Proceeding 10"л Zittau Fuzzy Colloquium, 2002. P. 137-148.

51. Егоров А.А. Искусственный интеллект в промышленных АСУ и контроллерах: Мифы и реальность, дань моде или объективная необходимость? // Промышленные контроллеры и АСУ. — 2003. -№10.-С. 65-65.

52. Ротач В.Я. Возможен ли синтез нечетких регуляторов с помощью теории нечетких множеств // Промышленные контроллеры и АСУ. -2004. №1. - С. 33-34.

53. Дорохов И.Н., Марков Е.П., Кафаров В.В. Особенности методологии нечетких множеств для описания физико-химических систем //ТОХТ. 1980.-№ 6. - С. 908-919.

54. Кафаров В.В., Дорохов И.Н., Марков Е.П. Принцип описания химико-технологичиских процессов с помощью нечетких множеств // Докл. АН СССР.-1978.-Т. 243:- №1.-С. 159-161.

55. Марков Е.П. Формализация и переработка качественной информации в задачах моделирования оптимизации химико-технологических процессов / Дисс. на соискание ученой степени канд. техн. наук / МХТИ. М., 1981.-15 с.

56. Кафаров В.В., Дорохов И.Н: Системный анализ процессов химической технологии. Основы стратегии. — М.: Наука, 1976. 499 с.

57. Sugeno М., Bukamoto Y., Ierano Т. Subjective valuation of Fuzzy Objects. -Preprints IF AC, Symposium on Automatic Control, Budapest, 1974. P. 629-636.

58. Sanchez E. Resolution of Composite Fuzzy Relation; Equation // Information and control. 1976. - Vol. 30. - P. 38-48.

59. Czogala E., Pedrycz W. Control Problems in Fuzzy Systems // Fuzzy Sets and systems. 1982. - Vol. 7. - P. 257-272.

60. Czogala E., Pedrycz W. On Identification in Fuzzy Systems and it's Applications In Control Problems // Fuzzy Sets and systems., — 1981.-Vol. 6.-P. 73-83.

61. Проталинский O.M. Идентификация нечетких математических моделей в режиме реального времени // Вестник АГТУ. Автоматика и прикладные вопросы математики и физики. Астрахань: Изд-во АГТУ, 2000.-С.41.

62. Алиев Р.А., Абдикеев Н.М., Шахназаров М.М. Производственные системы с искусственным интеллектом. — М.; Радио и связь, 1990. — 263 с.

63. Prade Н., Dubuis D. Fuzzy Sets and systems. Theory and Applications. Paris, 1980. - 320 p.

64. Попов Э.В. Экспертные системы. Решение неформализованных задач в диалоге с ЭВМ. М.: Наука, 1987. - 286 с.

65. Построение экспертных систем / Под ред. Ф. Хейес-Рота. -М.: Мир, 1987.-443 с.

66. Попов Э.В. Экспертные системы реального времени //Открытые системы. 1995 - №2. - С.66 - 71.

67. Л.Б. Хокинсон, К.Дж. Никербокер, Р.Л. Мур. Экспертная система для управления производственными процессами в реальном масштабе времени. В кн.: Искусственный интеллект: применение в химии.-М.: Мир, 1988.-С. 84.

68. F. Hayes-Roth, N. Jacobstein. The State of Knowledge-Based Systems. Communications of the ACM, March. 1994. - V.37. - N 3 . - P. 27-39.

69. P. Harmon. The market for intelligent software products Intelligent Software Strategies. 1992. - V.8. -N.2. - P. 5-12.

70. P. Harmon. The Size of the Commercial AI Market in the US. Intelligent Software Strategies. 1994. - V.10. - N.l. - P. 1-6.

71. Дж. К. Беллауз. Система химической диагностики для электростанций. В кн.: Искусственный интеллект: применение в химии. - М.: Мир, 1988. - С. 68-83.

72. P. Harmon. The AI Tools Market The Market for Intelligent Software Building Tools. Part I. Intelligent Software Strategies. 1994. - VI0: -N.2.-P. 1-14.

73. B.R. Clements and F. Preto. Evaluating Commercial Real Time Expert System Software for Use in the Process Industries. C&I, 1993. P. 107-114.

74. Попов Э.В., Фоминых И.Б., Кисель Е.Б., Шапот М.Д. Статические и динамические экспертные системы. — М.: Финансы и статистика, 1996. — 320 с.

75. Кафаров В.В., Мешалкин В.П. Принципы разработки интеллектуальных систем в химической технологии // Докл. АН СССР. -1989. Т. 306. -№2. - С. 409-413.

76. Кафаров В.В., Мешалкин В.П., Лившиц М.М. Принципы разработки автоматизированных систем ситуационного управления магистральным транспортом газа // Докл. АН СССР. 1991. - Т. 317. -№6.-С. 168-174.

77. Фоминых И.Б. Принципы построения гибридных интеллектуальных систем реального времени // Материалы Международного конгресса «Искусственный интеллект в 21 веке». М.: Наука, 2001. - С. 570-582.

78. McCulloch W.S., Pitts W A logical calculus the ideas imminent in nervous activity // Bull. Mathematical Biophysics. 1943. - Vol. 5. — P. 115-133.

79. Hebb D.O. The organization of behavior. N.Y.: Wiley & Sons, 1949.-214 p.

80. Rosenblatt F. The perception: A probabilistic model for information storage and organization in the brain // Psychological Review. — 1985. — Vol. 65. -P. 386-408:

81. Розенблат Ф. Принципы нейродинамики. M.: Энергия, 1965.-480 с.

82. Parallel Distributed Processing: Explorations in the Microstructures of Cognition / Ed by Rumelhart D. E. and McClelland: J.L. -Cambridge, MA: MIT Press. 1986. P. 56-61.

83. Минский M., Пайперт С. Перцептроны. M.: Мир, 1971- 261 с.

84. Проталинский O.M., Дианов P.C. Автоматизированная система управления разработкой газового месторождения с применением нейронной сети. // Промышленные контроллеры и АСУ. — 2003.-№12.-С. 30-32.

85. Zadeh L. Fuzzy logic, neural network and soft computing. Communications of the ACM. -1994. -Vol. 37. №3. - P. 30-39.

86. Яблонский С.Б., Чегис И.А. О текстах для электрических схем: Успехи математических наук.-М.: 1995.-Т. 10-Вып. 4(66).-С. 182-184.

87. Кузнецов П.И., Пчелинцев Л. А., Гайденко А.С. Контроль и поиск неисправностей в сложных системах. — М.: Советское радио, 1965. — 239 с.

88. Пашковский Г.С. Задачи оптимального обнаружения и поиска отказов в РЭЛ. Под ред. И.А. Ушакова. — М.: Радио и связь, 1981. — 220 с.

89. Брюлле Д.Д. Отыскание неисправностей в технических устройствах // Зарубежная радиоэлектроника. — 1961. — №7. С. 27—34.

90. Ксенз С.П. Поиск неисправностей в радиоэлектронных системах методом функциональных проб. — М.: Советское радио, 1965. — 135 с.

91. Селлерс Ф. Методы обнаружения ошибок в работе ЭЦВМ М.: Мир, 1972.-310 с.

92. Коллакорт Р. Диагностирование механического оборудования / Сокр. пер. с англ. В. М. Павловой. Д.: Судостроение, 1980. - 296 с.

93. ГОСТ 20 417-75. Техническая диагностика. Общие положения о принципах разработки диагностирования.

94. Мищенко А.А. Автоматизированные системы технической диагностики сложных машин. М.: НИИ Информтяжмаш, 1978. - 54 с.

95. Гуляев В.А. Диагностика вычислительных машин. — Киев: Техника, 1981. 167 с.

96. Чжен Г., Меннинг Е., Мети Г. Диагностика отказов вычислительных систем. — М.: Мир, 1972. — 232 с.

97. Murphy Т.Е. Setting UP an Expert System // Y&CS Process Control Mag. - 1985. - V. 58. - N 3. - P. 54-60.

98. Цыганков М.П; Научные основы корректирующего управления качеством функционирования автоматизированных технологических комплексов / Автореферат дисс. на соискание ученой степени д-ра техн. наук. Москва, 2003. - 31 с.

99. Саплин М.С. Фотоэлектрическое устройство, воспринимающие цифровые печатные знаки // Электронные вычислительные машины. -1960.-№1.-С. 110-123.

100. Той J.T. Some approaches to optimum feature extraction. — In: computer and information sciences. New York: Acad. Press, 1967. - P. 77-91.

101. Sherman H. A quasi-topological method for recognition of line patterns. In: Proc. Intern. Conf. Inf. Proc., UNESCO. - Paris, 1959, June.-P. 118-127.

102. Айзерман М.А., Браверман. Э.М., Розоноейр Л.И: Теоретические основы метода потенциальных функций в задаче об обучении автоматов распознанию ситуаций на классы // Автоматика и телемеханика. 1964. ~№6. - С. 917-937.

103. Айзерман М.А., Браверман. Э.М., Розонайр Л.И. Методы потенциальных функций в теории обучения машин. М.: Наука, 1970. - 384 с.

104. Себестиан Г.С. Процессы принятия решений при распознании образов. Киев: Техника; 1965. — 151 с.

105. Ивахненко А.Г., Лапа В.Г. Кибернетические предсказывающие устройства. Киев: Наукова думка, 1965. - 214 с.

106. Ивахненко А.Г. Кибернетические системы с комбинированным управлениям. Киев: Техника, 1968; - 512 с.113; Ивахненко А.Г. Самообучающиеся системы распознания и автоматического регулирования. — Киев: Техника, 1969. — 392 с.

107. Ивахненко А.Г. Системы эвристической самоорганизации в технической кибернетике. Киев: Техника, 1971. - 372 с.

108. Айзерман М.А., Француз А.Г. Распознание образов на конечном множестве описаний // Проблемы бионики. 1970. - Вып. 4. - С. 70-74.

109. Француз А.Г. О возможном биологическом механизме опознания образов. В кн.: Механизмы опознания зрительных образов. Проблемы физиологической оптики. - М.: Наука, 1967. - С. 53-69.

110. Француз А.Г. Линейные и полилинейные решающие правила и их применение в некоторых задачах медицинской диагностики и химической технологии. — В кн.: Практические применения распознавания распознания образов. М.: Изд-во ВЦ АН СССР, 1972. - С. 53-61.

111. Вапник В.Н., Журавель А.А., Червоненкис А.Я. Алгоритмы обучения распознанию образов ОП1, ОП2, ОПЗ, использующие метод обобщенного портрета. — В кн.: Алгоритмы обучения распознания образов. М.: Советское радио, 1973. - С. 89-110

112. Каваленский В.А. Методы оптимальных решений в распознании изображений. М.: Наука, 1967. — 328 с.

113. Вапник В.Н., Червоненкис А.Я. Теория распознания образов (статистические проблемы обучения). М.: Наука, 1974. - 415 с.

114. Каваленский В.А. Распознание путем имитации процесса, прождающего изображения. В кн.: Распознания образов и конструирование читающих автоматов. - Киев: Наукова думка, 1969. - Вып. 2. — С. 3-24.

115. Фу К. Структурные методы в распознании образов. — М.: Мир, 1977.-320 с.

116. Журавлев Ю.И., Торговицкий И.Ш. Оптимальный метод объектной классификации в задачах распознания образов // Автоматика и телемеханика. 1965. - №11. - С. 48-51.

117. Уотермен Д. Руководство по экспертным системам. — М.: Мир, 1989.-390 с.

118. Представление и использование знаний / Под ред. X. Уэно, М: Исидзука. М.: Мир, 1989. - 221 с.

119. Минский М. Фреймы для представления знаний. — М.: Мир, 1979.-152 с.

120. Минский М. Структура для представления знания // Психология машинного зрения. — М.: Мир, 1978. — С. 249-336.

121. Алексеев А.В. Интерпретация и определение функции принадлежности нечетких множеств. — В кн.: Методы и системы принятия решений. Рига, 1979. - С. 42-50.

122. Бешелев С.Д., Гурвич Ф.Г., Математико-статистические методы экспертных оценок. М.: Статистика, 1980. - 263 с.

123. Кофман А. Введение в теорию нечетких множеств. — В кн.: Радио, 1982.-432 с.

124. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. — Санкт-Петербург: Изд-во «Питер», 2001. — 381 с.

125. Поспелов И .Г., Поспелова Л.Я. Динамическое описание систем продукций и проверка непротиверечивости продукционных экспертных систем / Известия АН СССР. Техническая кибернетика. 1987. — №1. — 376 с.

126. Проталинский О.М. Построение математических моделей технологических процессов на основе теории нечетких множеств и баз: знаний //Известия высших учебных заведений. Северо-Кавказский регион. Технические науки. Приложение №3. 2003. - С. 60-62.

127. Проталинский О.М. Филоненко А.В. Оптимизация вычислительных процедур в задачах распознавания образов с использованбием нечетких множеств. // Вестник Тамбовского государственного технического университета. Тамбов. - 2000. - Т. 6. — №1. - С. 54.

128. Радерфорд Д.А., Блор Г.С. Применение нечетких алгоритмов для управления // ТИИЭР. 1976. - Т. 64. - №4. - С. 198-199.

129. Проталинский О.М. Синтез продукционных баз знаний интеллектуальных систем управления реального времен. // Известия высших учебных заведений. Северо-Кавказский регион. Технические науки. Приложение №2. — 2004; — С. 6-9.

130. Рабинович C.F. Погрешности измерений. — Л.: Энергия. 1978.-262 с.

131. Смирнов Н.В., Дунин-Барковский И.В. Курс теории вероятностей и математическая статистика для технический приложений. -М.: Наука, 1965.-511 с.

132. Проталинский О.М;, Ткачев С.А. Адаптация баз знаний интеллектуальных моделей технологических объектов управления. // Известия* высших учебных заведений. Северо-Кавказский регион. Технические науки. Приложение №2. — 2004. — С. 3-6.

133. Проталинский О.М., Антонов О.В. Методы построения комбинированных математических моделей технологических процессов / Сборник трудов XVI Международной научной конференции

134. Математические методы в технике и технологиях ММТТ—XVI». — Ростов-на-Дону: РГАСХМ. -2003. Т.8 - С. 49-50

135. Антонов О.В. Проталинский G.M. Построение комбинированных математических моделей технологических процессов. // Известия ВУЗов. Северо-Кавказский регион. Технические науки. 2003. -№4 - С.4—7.

136. Jane R. Outline of an Approach for the Analysis of Fuzzy Systems. — Int. J. Control. 1976. - Vol. 25. - P. 627-640.

137. Леоненков А. Нечеткое моделирование в среде MATLAB fuzzyTECH. Санкт-Петербург: БХВ-Петербург, 2003. - 720 с.

138. Проталинский О.М. Оптимальное управление технологическими процессами с использованием качественной информации (на примере одностадийного производства стекловолокна) / Дисс. на соискание ученой степени канд. техн. наук. -М., 1985 — 221 с.

139. Деннинг В., Эссиг., Маас С. Диалоговые системы человек—ЭВМ. Адаптация к требованиям пользователя / Под. ред. В.В. Мартынюка. М.: Мир, 1984.-112 с.

140. Дудников В., Янкина М. и др. АСУ ТП на базе SCADA-пакета GENESIS32:, опыт, решения, наработки // Современные технологии автоматизации. 2003. - №2. - С. 38-46.

141. Зайцев А. Новый уровень интеграции систем управления производством // Современные технологии автоматизации. — 1997. -№1. —С.22-26.

142. Калянов Г.Н. CASE-структурный системный анализ (автоматизация и применение). — М.: Лори. — 1996. — 242 с.

143. IEEE. STD. 1348 1995. IEEE. Recomented practice for adoption of CASE. - 1995. - 315 p.

144. Поспелов Д.А. Ситуационное управление: теория и практика. — М.: Наука, 1986.-288 с.

145. Проталинский О.М., Филоненко А.В. Управление технологическим процессами в режиме предаварийной ситуации / Сборник трудов XV международной научной конференции «Математические методы в технике и технологиях ММТТ-XV». — Тамбов, 2002. Т.5. - С. 113-114.

146. Проталинский О.М1 Филоненко А.В. Распознавание предаварийных ситуаций на технологических объектах управления с использованием нечетких множеств // Известия высших учебных заведений. Северо-Кавказский регион. Технические науки. 2003. — №3. - С. 19-21

147. Проталинский О.М., Филоненко А.В. Распознавание предаварийных ситуаций на технологических объектах управления // Промышленные контроллеры и АСУ. 2003. - №8. — С. 26-27.

148. Мельников Ю.Н. Достоверность информации в сложных системах; — М.: Советское радио, 1973 . — 192 с.

149. Мельников Ю.Н. Основы построения АСУ. Раздел обеспечения достоверности информации в АСУ. М: Изд-во МЭИ; 1978. — 50 с.

150. Мельников Ю.Н., Сорокин; А.А. Модель выбора способов повышения достоверности в условиях неполной информации / Труды МЭИ. Автоматизация проектирования. 1979. - Вып. 398. - С. 66-70.

151. Проталинский О.М. Проверка достоверности первичной информации в АСУТП с использованием; нечетких множеств // Известия высших учебных заведений; Северо-Кавказский регион. Технические науки. Приложение №3. 2003. — С. 60-62.

152. Проталинский О.М; Диагностика информационных каналов АСУТП с использованием баз знаний // Приборы и системы. Управление, контроль, диагностика. 2004. - №1. — С. 9-11.

153. Проталинский О.М. Модуль идентификации предаварийных ситуаций в составе SCADA-системы // Промышленные контроллеры ш АСУ. -2003. -№ 9. С.28-30.

154. Проталинский О.М; Использование баз знаний при идентификации предаварийных ситуаций // Промышленные контроллеры и АСУ. 2003. - № 10. - С. 41-43.

155. Шеннон Р. Имитационное моделирование систем — искусство и наука.-М:: Мир, 1978.-307 с.

156. Шурин P.M., Онопко Т.В., Калинина Н.В;, Плинер В.М. Производство газовой серы методом Клаусса // Промышленная и санитарная очистка газов. Обзорная информация. Серия ХМ-14. М.: ЦИНТИХИМНЕФТЕМАШ. 1986. - С. 37^8.

157. Плинер: В.М. Термодинамический анализ работы установок производства серы с целью повышения их эффективности /Автореферат дисс. на соискание ученой степени канд. техн. наук. -М., 1988. 15 с.

158. Полупанов И.В. Моделирование и оптимальное управление технологическими процессами с использованием нечетких алгоритмов (на примере производства серы методом □ лауса) / Дисс. На соискание ученой степени канд. техн. наук. — Москва, 1990. — С. 1441

159. Балакирев B.C., Володин В.М., Цирлин А.Н. Оптимальное управление процессами химической технологии.-М.: Химия. 1978. - 383 с.

160. Беллман Р., Заде JI. Принятие решений в расплывчатых условиях. В сб.: Вопросы анализа и процедуры принятия решений. -М.: Мир, 1976-С. 172-215.

161. Bellmann R.E., Kalaba R., Zadeh L.M. Abstraction and Pattern Classification // Jour. Math. Anal. And Appl: - 1967. - Vol. 13. - P. 1-7.

162. Бельцов Б.А. О математическом описании процесса платформинга // Химия и технология топлив и масел. — 1966. -№ 8. С. 11-12.

163. Вольф А., Крамах Е. Кинетические модели каталитического риформинга // Химия и технология топлива и масел. 1979. -№12.-С. 10-14.

164. Глазов Г.И., Сидорин В.П. Каталитический риформинг и экстракция ароматических углеводородов. -М.: Химия, 1981. 188 с.

165. Гуреев А.А., Жоров Ю.М., Смидович Е.В. Производство высокооктановых бензинов. М.: Химия, 1981. — 224 с.

166. Жоров Ю.М., Карташов Ю.Н., Панченков F.M. и др. Математическая модель в стационарном режиме платформинга с учетом реакций изомеризации // Химия и технология топлив и масел. -1980.-№7.-С. 9-12.

167. Жоров Ю.М., Панченков Г.М., Тараньян Ю.А. и др. Разработка математического описания платформинга для оптимизации процессов // Кинетика и катализ. 1967. - Т. I.Villi - Вып. 3. - С. 658 - 662.

168. Зейналов М.Ф. Управление установкой двухступенчатого каталитического крекинга в условиях неопределенности / Дисс. на соискание ученой степени канд. техн. наук. — Баку, 1986. 100 с.

169. Рубекин Н.Ф. Адаптивные системы управления непрерывными технологическими процессами в нефтехимии. — М.: Химия, 1975. С. 142.

170. Проталинский О.М., Антонов О.В. Комбинированная математическая модель процесса каталитического реформинга // Известия высших учебных заведений. Северо-Кавказский регион. Технические науки. Приложение №5. 2003 . - С. 137-142

171. Плекунин В.И., Воронина Е.Д. Теоретические основы организации и анализа выборочных данных в эксперименте. — Л.: Изд-во ЛГУ, 1979. 232 с.

172. Химмельблау Д.М. Прикладное нелинейное программирование. -М.: Мир, 1975.-532 с.

173. Реклейтис Г., Рейвиндран А., Рэгсдел К. Оптимизация в технике: в 2-х кн. М.: Мир, 1986. - 320 с.

174. Hooke R, Jeeves Т.A. Direct Search Solution of Numerical and statistical Problems. Computer Jeurn. 1964 - Vol. 7. - P. 308-313.

175. Антонов O.B. Проталинский О.М Оптимальное управление технологическими процессами с использованием комбинированных математических моделей // Промышленные контроллеры и АСУ. — 2004. №2. - С. 2.

176. Ломанн В. Разработка нечетких алгоритмов оперативного управления качеством полиэтиленом высокого давления в двухзонном трубчатом реакторе /Дисс. на соискание ученой степени канд. техн. наук. — М., 1984.- 136 с.

177. Лейкин B.C., Сердобинцев С.И. Автоматизация' производственных процессов рыбообрабатывающей промышленности. — М.: Агропромиздат, 1989. 230 с.

178. Сердобинцев С.П. Автоматика и автоматизация производственных процессов в рыбной промышленности. — М.: Колос, 1994. — 335 с.

179. Лазаревский А. А. Технико-химический контроль в рыбообрабатывающей промышленности. Пособие для работников заводских и исследовательских лабораторий. — М.: Пищепромиздат, 1995.-520 с.

180. Головин А.Н. Контроль производства рыбной продукции. -М.: 1978.-184 с.

181. Гельфанд С.Ю. Дьяконова Э.В. Статистические методы контроля качества продукции в консервной и пищеконцентратной промышленности. М.: Легкая и пищевая промышленность, 1984. - 160 с.

182. Проталинский О.М. Применение методов искусственного интеллекта при автоматизации технологических процессов. — Астрахань, АГТУ.-2004.-215 с.

183. Проталинский О.М. Синтез АСР технологическими объектами с использованием качественной информации // Промышленные контроллеры и АСУ. 2004. - №3. - С. 26-28.

184. Проталинский О.М., Полупанов И.В. Автоматическое управление технологическими процессами в рыбной промышленности с использованием нечетких алгоритмов / Деп. сб.: Интенсификация процессов добычи рыбы. М.:ЦНИИТЭИРХ, 1987. - С. 44-49.

185. Прохватилова Л.И. Идентификация математической модели обжарочной печи // Известия высших учебных заведений. Раздел «Пищевая промышленность». 1992. - №5. - С. 98-99.

186. Остапчук Н.В. Основы математического моделирования процессов пищевых производств. — Киев, 1991. — 232 е.

187. Исследование качества сырья и готовой консервной продукции. /Сб. статей. Под ред. канд. техн. наук А.Ф. Наместникова. — М.: Пищевая промышленность; ВНИИКОП, 1974.- 113 с.