Методы и средства оперативной диагностики состояния электроцентробежных насосов нефтедобывающих скважин на основе нейронных сетей тема диссертации и автореферата по ВАК РФ 05.02.05, кандидат технических наук Коровин, Яков Сергеевич

• Коровин, Яков Сергеевич
• кандидат технических наук
• 2009

Оглавление диссертации кандидат технических наук Коровин, Яков Сергеевич

СОДЕРЖАНИЕ.

СПИСОК ОСНОВНЫХ СОКРАЩЕНИЙ.

ВВЕДЕНИЕ.

ГЛАВА 1. СОВРЕМЕННЫЕ МЕТОДЫ И СРЕДСТВА ОПЕРАТИВНОЙ ДИАГНОСТИКИ СОСТОЯНИЯ УСТАНОВОК

ЭЛЕКТРОЦЕНТРОБЕЖНЫХ НАСОСОВ.

1.1. Мехатронные системы и мехатронные объекты нефтегазодобычи.

1.2. Общие сведения о добыче нефти.

1.2.1. Фонтанный способ добычи нефти.

1.2.2. Газлифтный способ добычи нефти.

1.2.3. Добыча нефти с применением скважинных штанговых насосных установок.

1.2.4. Добыча нефти установками электроприводных диафрагменных насосов.

1.2.5. Добыча нефти установками электровинтовых насосов.

1.2.6. Добыча нефти установками электроприводного центробежного насоса.

1.3. Состав установки электроцентробежных насосов (УЭЦН).

1.3.1. Параметры, характеризующие режимы функционирования УЭЦН.

1.3.2. Неисправности, возникающие в режимах функционирования УЭЦН.

1.4. Методы оперативной диагностики УЭЦН, применяющиеся на предприятиях нефтедобывающего комплекса в РФ.

1.5. Системы поддержки принятия решений.

1.5.1. Общие сведения, определение понятия.

1.5.2. Требования к инструменту обработки информации в разрабатываемой СППР.

1.5.3. Современные методы интеллектуального анализа данных.

1.6. Выводы.

ГЛАВА 2. РАЗРАБОТКА НЕЙРОСЕТЕВЫХ МЕТОДОВ ОБРАБОТКИ ОПЕРАТИВНЫХ ДАННЫХ О СОСТОЯНИИ УЭЦН.

2.1. Искусственные нейронные сети.

2.1.1. Особенности нейронных сетей. Основные нейропарадигмы.

2.1.2. Схема функциональной структуры нейронной сети.

2.1.3. Алгоритм функционирования нейронной сети.

2.1.4. Недостатки классических нейросетевых методов и подходов в условиях решения задачи оперативной диагностики состояния УЭЦН.

2.2. Теорема о разбиении множества состояний мехатронного объекта на пересекающиеся подмножества признаков состояния.

2.3. Метод нейросетевой интерпретации жестких правил.

2.4. Метод обработки данных в нейросетевом модуле с применением параллельных нейропроектов.

2.5. Метод извлечения правил из нейронной сети.

2.6. Метод одновременного применения обучаемых и необучаемых нейронных сетей.

2.7. Выводы.

ГЛАВА 3. НЕЙРОСЕТЕВАЯ МЕТОДИКА ОПЕРАТИВНОЙ ДИАГНОСТИКИ СОСТОЯНИЯ СЛОЖНОГО МЕХАТРОННОГО

ОБЪЕКТА НЕФТЕГАЗОДОБЫЧИ.

3.1. Обобщенная схема последовательности выполняемых процедур.

3.1.1. Постановка задачи, анализ входных данных.

3.1.2. Алгоритм процедуры извлечения новых правил о мехатронном объекте нефтегазодобычи.

3.1.3. Конфигурирование входных и выходных параметров.

3.1.3.1. Алгоритм реорганизации распознаваемых классов.

3.1.4. Предварительная обработка данных.

3.1.4.1. Алгоритм кластеризации к-теапБ.

3.1.4.2. Алгоритм ГОБШЬ.

3.1.4.3. Алгоритм ГО!ШЬ-2.

3.1.5. Формирование выборок обучающих примеров.

3.1.6. Обучение нейронной сети.

3.1.6.1. Алгоритм обучения нейронной сети.

3.1.6.2. Алгоритм автоматизированной процедуры самообучения нейросетевого модуля.

3.1.7. Мониторинг в режиме реального времени.

3.2. Выводы.

ГЛАВА 4. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ НА ОСНОВЕ НЕЙРОННОЙ СЕТИ ДЛЯ ОПЕРАТИВНОЙ ДИАГНОСТИКИ СОСТОЯНИЯ УЭЦН.

4.1. Архитектура СППР УЭЦН-НС.

4.2. Параметры, использованные для обучения нейронных сетей, и классифицируемые неисправности УЭЦН.

4.3. Взаимосвязи между данными внутри информационной базы.

4.4. Пример реализации метода нейросетевой интерпретации жестких алгоритмов.

4.5. Основные экранные формы СППР "УЭЦН-НС".

4.6. Форматы протоколов и отчетов программы.

4.7. Общий алгоритм работы программы.

4.8. Практические результаты на данном этапе. Перспективы развития

ПК СППР "УЭЦН-НС".

4.9. Выводы.

Введение диссертации (часть автореферата) на тему «Методы и средства оперативной диагностики состояния электроцентробежных насосов нефтедобывающих скважин на основе нейронных сетей»

В настоящее время наблюдается постоянный рост сложности мехатронных комплексов, систем и объектов, в первую очередь, задействованных в критических областях деятельности, таких как атомная энергетика, нефтегазодобывающий комплекс, авиационная и оборонная промышленности, транспорт и т.п., что ставит совершенно новые требования по обеспечению безопасности и эффективности их функционирования.

В условиях современного уровня развития экономики Российской Федерации особое место среди таких отраслей занимает стратегически важная нефтегазодобывающая отрасль. Неисправности, отказы, аварии, возникающие в непрерывном процессе добычи нефти и газа, влекут за собой тяжелые экономические и экологические последствия.

Нефтегазодобывающий производственный процесс осуществляется за счет функционирования комплекса добывающего оборудования, представляющего собой совокупность мехатронных объектов различной степени сложности.

- Центральное место среди сложных мехатронных объектов нефтедобычи занимают установки электроцентробежных электроприводных центробежных) насосов (УЭЦН), применяющиеся для извлечения продукции на высокодебитовых скважинах [1]. Отказы в режимах функционирования УЭЦН являются основной причиной незапланированных внутрисменных простоев добывающего фонда скважин, что приводит к значительным материальным потерям.

В настоящее время качество и оперативность принимаемого диагностического решения о состоянии УЭЦН в значительной степени зависит от квалификации оператора (технолога нефтегазодобывающего управления, оператора цеха, инженера центральной технологической службы).

Учитывая большую номенклатуру анализируемых параметров и, как правило, огромные объемы анализируемой информации о режимах функционирования УЭЦН, вероятность ошибки оценки его состояния и непринятия оператором соответствующего оперативного управленческого решения достаточна велика.

В этой связи актуальной выступает задача разработки автоматизированной системы поддержки принятия решений (СППР) операторов УЭЦН нефтедобывающих скважин.

Целью диссертационной работы является сокращение числа отказов мехатронного комплекса фонда электроцентробежных насосов нефтедобывающих скважин за счет оперативной диагностики их состояния.

С учетом особенностей предметной области методы и подходы, применяемые в СППР операторов УЭЦН, должны обеспечивать качественную обработку диагностической информации в жестких временных рамках в условиях неполноты и противоречивости поступающих данных.

Данным требованиям соответствуют нейросетевые технологии анализа информации как наиболее эффективный метод обработки оперативных данных в многопараметрических, трудно формализуемых условиях нефтегазодобывающей отрасли [2,3,4].

В этой связи актуальная научная задача, решению которой посвящена диссертация, - разработка новых методов и средств оперативной диагностики состояния УЭЦН нефтегазодобывающей отрасли на основе технологии искусственных нейронных сетей.

Для достижения поставленной цели необходимо решить следующие задачи:

- провести анализ существующих систем диагностики состояния УЭЦН нефтегазодобывающей отрасли для определения недостатков применяемых в них методов и подходов;

- обосновать целесообразность разработки автоматизированной нейросетевой системы поддержки принятия решений (СППР) операторов УЭЦН нефтедобывающих скважин;

- провести анализ существующих нейросетевых методов и алгоритмов обработки информации на предмет их эффективности в условиях соблюдения требований обеспечения качественной диагностики состояния УЭЦН в режиме реального времени;

- модифицировать существующие и разработать новые нейросетевые методы анализа данных для их применения в разрабатываемой СППР;

- разработать методику оперативной диагностики состояния УЭЦН;

- разработать архитектуру и основные принципы функционирования автоматизированной нейросетевой СППР для оперативной диагностики состояния УЭЦН;

- программно реализовать предлагаемые методы и экспериментально исследовать эффективность их применения в реальных производственных условиях.

Объект исследования — нейросетевая система поддержки принятия решений операторов УЭЦН нефтедобывающих скважин.

Методы исследований основаны на теории мехатроники и робототехники, теории экспертных систем, теории множеств, теории системного анализа, теории вероятности, методах интеллектуального и кластерного анализа данных.

Достоверность и обоснованность научных исследований подтверждается практически полным совпадением теоретических положений с результатами испытаний созданного на их основе промышленного образца СППР для диагностики состояния установок ЭЦН, а также апробацией полученных научных результатов на международных и всероссийских конференциях[3-9].

Научная новизна полученных в диссертации результатов состоит в следующем:

- научно обосновано положение, что существует разбиение множества состояний мехатронного объекта на пересекающиеся подмножества признаков состояния, каждое из которых распознается отдельной нейронной сетью, такое, что при фиксированных аппаратных затратах позволяет распознавать состояние мехатронного объекта на основе конъюнктивной сборки с заданной вероятностью;

- разработан метод определения конфигурации нейронной сети, отличающийся тем, что определение конфигурации архитектуры нейронной сети с соответствующими весовыми коэффициентами осуществляется с применением метода дизъюнкивных нормальных форм, что позволяет производить нейросетевую интерпретацию априорных правил о функционировании мехатронного объекта;

- разработан метод извлечения правил из нейронной сети, отличающийся тем, что позволяет извлекать новые неизвестные закономерности (правила) о функционировании УЭЦН по результатам нейросетевой обработки;

- разработана методика оперативной диагностики состояния мехатронных объектов нефтегазодобычи на основе технологии нейронных сетей, позволяющая качественно оценивать состояние оборудования;

- разработана архитектура нейросетевой СППР операторов УЭЦН, отличающаяся тем, что анализ данных производится при одновременном использовании нейронной сети, обучаемой методом обратного распространения ошибки, и необучаемой нейронной сети с пороговой функцией активации, что позволяет в режиме реального времени производить диагностику текущего состояния мехатронного объекта с определением тенденции развития ситуации.

10

Новизна полученных результатов подтверждается отсутствием аналогичных результатов в открытых доступных источниках.

Положения и результаты, выносимые на защиту:

1. нейросетевая система поддержки принятия решений операторов УЭЦН нефтедобывающих скважин позволяет сократить число отказов в работе погружного оборудования за счет оперативной диагностики состояния УЭЦН;

2. существует разбиение множества состояний мехатронного объекта на пересекающиеся подмножества признаков состояния, каждое из которых распознается отдельной нейронной сетью, такое, что при фиксированных аппаратных затратах позволяет распознавать состояние мехатронного объекта на основе конъюнктивной сборки с заданной вероятностью;

3. метод нейросетевой интерпретации жестких правил о функционировании сложного мехатронного объекта.

4. методика оперативной диагностики состояния мехатронных объектов нефтегазодобычи на основе технологии нейронных сетей.

Научная и практическая ценность полученных в диссертации результатов состоит в разработке формальной методики диагностики оперативного состояния УЭЦН на основе технологии искусственных нейронных сетей.

Созданные на основе данной методики архитектура и программная реализация нейросетевой СГЕПР операторов УЭЦН [3-5] позволяют решать задачу оперативного предупреждения наступления отказов в режимах функционирования погружного оборудования с высоким качеством обработки данных и быстродействием в 5-6 раз выше аналогичных систем, построенных на жестких алгоритмах, что позволяет операторам принимать соответствующее управляющее решение.

Реализация результатов работы. Программный комплекс "УЭЦН-НС" (ПК СППР "УЭЦН-НС"), разработанный в рамках х/д №555221 от

01.09.2005 г. (шифр "Альфа") между НИИ МВС ТРТУ (в настоящее время НИИ МВС ЮФУ) и ОАО "Сургутнефтегаз" успешно внедрен в промышленную эксплуатацию в нефтегазодобывающих управлениях ОАО "Сургутнефтегаз" в 2006 году. Данный- программный комплекс выполняет функции оперативной диагностики состояния* УЭЦН путем проведения нейросетевого анализа данных о его функционировании, поступающих по каналам телеметрии, данных технологических замеров- и иных параметров

3].

За период промышленной эксплуатации СППР "УЭЦН-НС" был предотвращен ряд отказов оборудования, что позволило исключить высокие экономические потери, обусловленные затратами на демонтаж, ремонт ЭЦН, повторный запуск и вывод скважин на режим, а также убытками от незапланированного простоя единиц добывающего фонда [3].

Апробация работы.

Результаты диссертационной работы использовались: -в НИР "Разработка самообучаемой реконфигурируемой системы поддержки принятия решений по контролю состояния установок электроцентробежных насосов на основе нейронной сети" (№ 00-07-71), проведенного в рамках программы Президиума РАН "Поддержки инноваций и разработок";

-в НИР "Разработка и исследование методов и средств повышения безопасности и эффективности функционирования распределенных информационно-управляющих систем сложных технических объектов" (№г/р 01200852701) в рамках ФЦП "Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2007-2012 годы";

-в НИР "Разработка и исследование методов и алгоритмов создания интеллектуальных функциональных компонентов отказоустойчивых распределенных информационно-управляющих систем (РИУС) (№г/р

01200953310) в рамках аналитической ведомственной целевой программы "Развитие научного потенциала научной школы (2009-2010)".

Основные положения диссертационной работы докладывались и получили одобрение на:

- Международной научной конференции "Интеллектуальные и многопроцессорные системы (ИМС-2005)" (с. Дивноморское, Россия, 2005 г.);

- Международной научной конференции "Искусственный интеллект. Интеллектуальные и многопроцессорные системы (ИМС-2006)" (с. Кацивели, Украина, 2006);

- Международной научной мультиконференции "Мехатроника, автоматизация, управление (МАУ-2007)" (с. Дивноморское, Россия, 2007 г.);

- Научно-технической конференции "Высокопроизводительные вычислительные системы (ВПВС-2008)" (г. Таганрог, Россия, 2008);

- на II, III и IV Ежегодной научной конференции студентов и аспирантов базовых кафедр Южного научного центра (ЮНЦ) Российской академии наук (РАН) (2006, 2007, 2008 гг., г. Ростов- на-Дону);

- на II Всероссийской Школе-семинаре молодых ученых "Управление большими системами" (2007, г. Воронеж);

- на Научно-технической Школе-семинаре по мехатронике и робототехнике (Санкт-Петербург, Россия, 2007 г.).

Несколько докладов были выделены как лучшие и были отмечены призовыми местами.

Публикации. По теме диссертации опубликованы 16 работ, из которых 7 статей в ведущих научных отечественных журналах и зарубежных изданиях (включенных в перечень ВАК); 2 статьи опубликованы автором единолично, опубликовано 8 тезисов докладов, получено 1 свидетельство об официальной регистрации программы для ЭВМ.

Структура и объем диссертации. Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложений.

Заключение диссертации по теме «Роботы, мехатроника и робототехнические системы», Коровин, Яков Сергеевич

4.9. Выводы.

В Главе 4 приведено описание программной реализации системы поддержки принятия решений иа основе нейронной сети для контроля диагностического состояния установок электроцентробежных насосов нефтедобывающих скважин [102].

Разработанная СППР представляет собой клиент-серверное приложение, с пользователями, разделенными в соответствии с тремя категориями доступа (эксперт-технолог, инженер по знаниям и лицо, принимающее решения) и выполняющими в соответствии с данными категориями доступа определенные функции (подготовка данных для обучения нейронной сети, обучение нейронной сети, мониторинг состояния фонда УЭЦН).

В данной системе реализованы новые методы, подходы и алгоритмы, приведенные в предыдущих главах.

Мониторинг в режиме реального времени производится при помощи параллельно функционирующих нейронных сетей с разной организационной структурой.

СППР "УЭЦН-НС" успешно внедрена в промышленную эксплуатацию в ОАО "Сургутнефтегаз", что подтверждается соответствующим актом внедрения.

За период промышленной эксплуатации системой было выявлено несколько десятков неисправностей, в результате оперативно проведенных мероприятий были предотвращены отказы оборудования, что позволило избежать больших экономических потерь.

Система обеспечивает высокое качество классификации состояний УЭЦН за время в 5-6 раз быстрее по сравнению с системой, построенной на множестве продукционных правил.

ЗАКЛЮЧЕНИЕ

В диссертационной работе решена актуальная научно-техническая задача разработки методов и средств систем поддержки принятия решений для оперативной диагностики состояния УЭЦН на основе применения технологии искусственных нейронных сетей, достигнута цель сокращения числа отказов мехатронного комплекса фонда УЭЦН.

При этом получены научные и практические результаты:

- проведен анализ существующих методов диагностики состояния мехатронных объектов нефтегазодобывающей отрасли, обоснована необходимость применения нейросетевого аппарата обработки информации;

- научно обосновано положение о том, что существует разбиение множества состояний мехатронного объекта на пересекающиеся подмножества признаков состояния, каждое из которых распознается отдельной нейронной сетью, такое, что при фиксированных аппаратных затратах позволяет распознавать состояние мехатронного объекта на основе конъюнктивной сборки с заданной вероятностью;

- разработан новый метод нейросетевой интерпретации априорных зависимостей функционирования сложного мехатронного объекта, основанный на применении метода ДНФ, позволяющий решить проблему высокой зашумленности и противоречивости исторических данных для обучения нейронной сети;

- разработан метод извлечения правил при помощи нейронной сети, позволяющий повысить качество входных данных и достоверности принимаемого нейронной сетью решения;

- разработана организационная структура нейросетевого модуля в виде параллельно функционирующих нейронных сетей, позволяющая производить процедуру оперативной диагностики состояния УЭЦН в реальном времени;

- разработана методика и алгоритмы оперативной диагностики состояния сложных мехатронных объектов нефтегазодобычи различного назначения;

- разработаны программные средства СППР УЭЦН-НС в виде клиент-серверного приложения; данная СППР успешно внедрена в промышленную эксплуатацию в ОАО "Сургутнефтегаз", это внедрение позволило (за период промышленной эксплуатации) достичь высокого экономического эффекта за счет сокращения числа отказов оборудования и уменьшить время обработки диагностической информации в 5-6 по сравнению с ранее использовавшейся аналогичной системой, реализованной на основе жестких алгоритмов.

Внедрение основных результатов диссертации подтверждается соответствующими актами внедрения.

Список литературы диссертационного исследования кандидат технических наук Коровин, Яков Сергеевич, 2009 год

1. Матвеев Н.И. Классификатор параметров контроллеров станций управления. КП 37-001-03. / Матвеев Н.И. // Сургут, изд-во "Сургутнефтегаз", - 2007. - 114 с.

2. Коровин Я.С. Система поддержки принятия решений по контролю состояния УЭЦН на основе нейронной сети: архитектура, реализация, перспективы /Коровин Я.С. //Нефтяное хозяйство. — Изд-во "Нефтяное хозяйство" -2007. -№1. с. 80-85.

3. Korovin Y.S. Intellectual decision adoption support systems for technological processes management in oil/gas production industry on the basis of neuronetwork and multiagent technologies usage. / Galuyev G.A., Korovin

4. Y., Korovin Y.S. //Optical Memory and Neural Networks. New York, USA, "Allerton Press" - 2006 - № 3 - p.179-185.

5. Подураев Ю.В., Кулешов B.C. Принципы построения и современные тенденции развития мехатронных систем /Подураев Ю.В., Кулешов В.С // Мехатроника. -2000 №1. - С.5-10.

6. П.Мухин В.И. Исследование систем управления /В.И. Мухин. М.: Экзамен, 2002.-384 с.

7. Богачев Ю.П., Мехатронные модули движения-приводы машин нового поколения /Богачев Ю.П., Петриченко В.Н.// Приводная техника, № 1,1997.

8. Волкова В.А. Основы теории систем и системного анализа /Волкова В .А., Денисов A.A.// СПб.: Изд. СПб ГТУ, 2002;

9. Клиланд, Д. Системный анализ и целевое управление /Д. Клиланд, В. Кинг.// М.: Сов. радио, 1974. - 280 с

10. Юревич Е.И. Основы робототехники. 2-е издание. / Юревич Е.И.

11. СПб.: БХВ-Петербург, 2005.-416 с.

12. Сапожников В.В. Техническая эксплуатация устройств и систем железнодорожной автоматики и телемеханики Текст.: уч. пособие /В.В. Сапожников [и др.] М.: Маршрут, 2003. - 336 с.

13. Борисов В.В. Компьютерная поддержка сложных организационно-технических систем /Борисов В.В., Бычков В.А., Дементьев А.В., Соловьев А.П.// М.: Изд. "Горячая линия - Телеком", 2002.

14. Е. Russel. Management Misinformation Systems /E.Riissel, Ackoff// Management Sciene, December 1967. P. 147.

15. Бурков, B.H. Как управлять организациями. /В.Н.Бурков, Д.А.Новиков.// M: Синтег, 2004. - 400 с.

16. Трахтенгерц, Э. А. Компьютерная поддержка принятия решений: Научно-практическое издание. Серия "Информатизация России на пороге XXI века" /Э.А.Трахтенгерц// М.: СИНТЕГ, 1998. - 375 с

17. Little I.D.C. Models and Managers: The Concept of a Decision Calculus // Management Science, 1970. v. 16. -N 8.

18. Power D. J. Web-based and model-driven decision support systems: concepts and issues /Power D. J// Americas Conference on Information Systems, Long Beach, California, 2000

19. Marakas G. M. Decision support systems in the twenty-first century /Marakas G. M.// Upper Saddle River, N.J.: Prentice Hall, 1999.

20. Little I.D.C. Models and Managers: The Concept of a Decision Calculus /Little I.D.C.// Management Science, 1970. v. 16. - N 8.

21. Parsaye K. Surveying Decision Support: New Realms of Analysis Database Programming and Design /Parsaye K.// 1996. № 4.

22. Ginzberg M.S. Decision Support Systems: Issues and Perspectives /Ginzberg M.S., Stohr E.A.//

23. Power D. J. Web-based and model-driven decision support systems: concepts and issues /Power D. J.// Americas Conference on Information

24. Systems, Long Beach, California, 2000

25. Inmon W.H.Using the Data Warehouse 1994 / Inmon W.H., Hackthorn R.// Ситник В.Ф Системи пщтримки прийняття piiueiib К.: Техшка, 1995

26. Power D. J. Web-based and model-driven decision support systems: concepts and issues /Power D. J.// Americas Conference on Information Systems, Long Beach, California, 2000

27. Marakas G. M. Decision support systems in the twenty-first century /Marakas G. MM Upper Saddle River, N .J.: Prentice Hall, 1999.

28. Чаудхури Сураджит. Технология баз данных в системах поддержки принятия решений Текст. / Сураджит Чаудхури, Умешвар Дайал, Венкатеш Гаити // Открытые системы, 2002, №1.

29. Материалы открытого образовательного интернет портала www.intuit.ru

30. Головко, В.А. Нейронные сети: обучение, организация и применение /Головко, В .А. //- М.: ИПРЖР, 2001

31. McCulloch W., Pitts W. A logical calculus of ideas immanent in neurvous activity /McCulloch W., Pitts W. A // Bull. Math. Biophis, №5, 1943.-p.115-133.

32. Уоссерман Ф. Нейрокомпьютерная техника / Уоссерман Ф. // Москва, Мир, 1992

33. P. Patrick. Minimisation methods for training feedforward Neural Networks. / P. Patrick. // NEUARAL NETWORKS, 1994, Volume 7, Number 1, P. 1-11.

34. Нейронные сети. STATISTICA Neural Networks.// M.: Горячая линия-Телеком, 2000 г. с. 182

35. Авеньян Э.Д. Алгоритмы настройки многослойных нейронных сетей /Авеньян Э.Д.//Автоматика и телемеханика-1995-N 5. С.106-118

36. Джеффри Е. Хинтон. Как обучаются нейронные сети / Джеффри Е. Хинтон. // В мире науки 1992 - N 11 - N 12 - с. 103-107

37. Мс Culloch W. Agatha tyche: of nervous nets the lucky reckoners Text. /131

38. Mc Culloch W. //Proc. Symposium on mechanization of thougth processes, N.P.L., Teddington, 1959. P. 611-626.

39. Блюм M. Свойства нейрона со многими входами Текст. /Блюм М. //Принципы самоорганизации. -М.: Мир, 1966. С. 136-162.

40. Мкртчян С.О. Нейроны и нейронные сети Текст. /Мкртчян С.О. //М.: Энергия, 1971. —231с.

41. Потапов В.В. Формальные нейроны как элементы систем автоматического управления и вычислительной техники Текст. /Потапов В.В. //Энциклопедия измерений, контроля и автоматизации. М.: Энергия, 1970.-Вып. 14.-С. 41-44.

42. Павлов В.В. Применение нейроподобных элементов в промышленной автоматике Текст. /Павлов В.В. // Приборы и средства автоматизации, 1967.-Вып.8. —С. 15-32.

43. Мкртчян С.О. Проектирование логических устройств ЭВМ на нейронных элементах Текст. /Мкртчян С.О. // М.: Энергия, 1977. 200с.

44. Ходжкин А. Нервный импульс Текст. / Ходжкин А. // М.: Мир, 1965. 126с.

45. Позин Н.В. Моделирование нейронных структур Текст. / Позин Н.В. //М.: Наука, 1970.-264с.

46. Розенблатт Ф. ринципы нейродинамики (перцептроны и теория механизмов мозга) Текст. / Розенблатт Ф. // М.: Мир, 1965. 480с.

47. Kohonen Т. A simple paradigm for the self-jrganized formation of structured feature maps Text. /Kohonen T. // Lect. Notes Biomath, 1982, 45. — P. 248-266.

48. Kohonen T. Self-organized formation of structured feature maps Text. / Kohonen Т. II Cybern. Syst.: Recogn., Learn., Self-organ., Letchworth, N.Y., 1984.-P. 3-12.

49. Kohonen T. Representation of sensory information in self-organizing feature maps Text. / Kohonen Т., Mekisara K. // Neural Networks Comput.

50. Conf., Snowbird, Utah, Apr. 13-16, 1986, N.Y. 1986. P. 271-276.

51. Malsburg G. Nervous structures with dynamical links Text. /Malsburg G. // Ber. Bunsenqes. Phy. Chem., 1985, 89. №6. - P. 703-710.

52. Fukushima K. Cognitron: a self-organizing of pattern Text. /Fukushima K. // NHK Tech. Monogr., 1981. №30. 25p.

53. Fukushima K. Neocognitron; self-organizing network capable of position — invariant recognition of patters Text. /Fukushima K., Miyake S. // Proc. 5th Int. Conf. Pattern Recogn., Miami Beach, Ela, 1980. Vol. 1-2, N.Y, 1980. - P. 459-461.

54. Fukushima K. Neocognitron: a self-organizang neural network model for a mechanism of visual pattern recognition Text. / Fukushima K., Miyake S. // Lect. Notes Biomath, 1982, 45. P. 267-285.

55. Miyake S. A neural network model for the mechanism of feature-extraction. A self-organizing network with inhibition Text. / Miyake S., Fukushima K. // Biol.Cybern., 1084, 50. № 5. - P. 377-384.

56. Fukuchima K. A neural network model for selective attention in visual pattern recognition Text. / Fukuchima K. // Biol. Cybern., 1986, 55. N1. P. 515.

57. Carpenter G.A. Absolutely stable learning of recognition codes by a self-organizing neural network Text. / Carpenter G.A. Grossberg S. // Neural networks Comput. Conf., Snowbird, Utah, Apr 13-16, 1986 , N.Y. , 1986. P. 77-85.

58. Carpenter G.A., Stable self-organization of invariant recognition properties by real-time neural networks Text. / Carpenter G.A., Grossberg // Proc IEEE Int. Conf Syst., Man and Cybern., Alexandria, Va, Oct. 20-23, 1987, Vol. 2, N.Y, 1987.-P.571

59. Amari S. Competitiv and cooperative aspects in dynamics of neural excitation and self-organization Text. / Amari S // Lect. Notes Biomath, 1982, 45. P. 1-28.

60. Amari S. Field theory of self-organizing neural nets Text. /Amari S // IEEE Trans . Syst» Man and Cybern., 1983, 13. N5. - P.741-748.

61. Hopfield J. Neural networks and physical system with emergent collective computational abilities Text. / Hopfield J. //Proc. Nate Acad. S ci.US A, 1982, 79. P. 2554-2558.

62. Hopfield J., Tank D. Neural computation of desisions in optimisation problem Text. /Hopfield J., Tank D. // Biological Cybernetics, 1985. Vol 52. -P. 141-142.

63. Personaz L. Designing a neural network satisfying a given of constraints Text. / Personaz L., Guyon L, Dreyfus G. //Neural Networks Comput Conf., Snowbird, Utah, Apr. 13-16, 1986, N.Y., 1986. P. 356-359.

64. Personaz L. A simple selectionist learning rule for neural networks Text. / Personaz L., Guyon I., Johannet A., Dreyfus G., Toulouse G. // Neural Networks Comput. Conf., Snowbird, Utah, Apr- 13-16, 1986, N.Y., 1986, P. 360-363.

65. Hecht-Nielsen R. Neurocomputings picking the human brain Text. / Hecht-Nielsen R. // IEEE Spectrum, 25, N3. 1988» - P.36-41.

66. Sejnowski TJ. Higherorder Boltzmann machines Text. / Sejnowski TJ. // "Neural Networks Comput. Conf., Snowbird, Utah, Apr, 13-16, 1986, N.Y., 1986. P.398-403.

67. AckleyD. A learning Algorithm for Boltzmann Machines Text. / Ackley D., HintonG., Sejnowski T. // Cogn. Sei., N1, 9, 1985, P.147-169.

68. Anderson J. Cognitive and psychological computation with neural models Text. / Anderson J. // IEEE Trans. Syst., Man and Cybern., N5, 13, 1983. — P.799-815.

69. Hecht-Nielsen R. Counterpropagation networks Text. /Hecht-Nielsen R // IEEE First Int. Conf. on Neural Networks, Sheraton Harbor Island East. San Diego, California, June 21-24, 1987. - V.2. - P. 19-32.

70. Чернухин Ю.В. Об одном алгоритме самоорганизации нейронной сети текст. /Чернухин Ю.В, Галуев Г.А.// Проблемы бионики. Харьков: ХГУ, 1982. - Вып. 28. - С.99-106.

71. Крисилов В.А, Олешко Д.Н, Лобода A.B. Методы ускорения нейронных сетей / Крисилов В.А, Олешко Д.Н, Лобода A.B. // Вестник СевГТУ. Информатика, электроника, связь, Вып. 32, 2001, с. 19,

72. Тарасенко P.A., Крисилов В.А. Предварительная оценка качества обучающей выборки для нейронных сетей в задачах прогнозирования временных рядов / Тарасенко P.A., Крисилов В.А. // Труды Одесского политехнического университета, Вып.1 (13). 2001, с. 90

73. Загоруйко Н. Г. Прикладные методы анализа данных и знаний. /Новосибирск: ИМ СО РАН.- 1999.

74. Коровин Я.С. Методика объяснений нейросетевого вывода. О подходе к решению проблемы дефицита обучающих примеров ./Матвеев С.Н. / Искусственный интеллект. 1ПШ1 МОН i HAH Украини "Наука i освита".-№3, -2008.- с. 534-540.

75. Коровин Я.С. Методика объяснений нейросетевых решений. /Материалы 4 ежегодной международной научной молодёжной конференции ЮНЦ РАН, Изд-во ЮНЦ РАН, 2008, с. 152-155.

76. Клини С. Представление событий в нервных сетях и конечных автоматах Текст. /Клини С. //Автоматы. — М.: Изд-во иностр. лит, 1956. —403с.

77. Калбертсон Д. Математика и логика цифровых устройств Текст. /Калбертсон Д. //М.: Просвещение, 1965. 165с.

78. Hopfield J. Neurons with granded response have collective computational properties like those of two-state neurons Text. / Hopfield J. // Proc. Nate. Acad. Sci. USA. 1984. Vol. 81. - P. 3088-3092.

79. Галуев Г. А. Обучающаяся цифровая нейроноподобная система распознавания образов Текст. /Галуев Г. А.// Известия Сев» Кавказ. Науч. Центра Высш. Школы. Технические науки. 1985, №3. - С. 89-92.

80. Каляев А. В., Чернухин Ю.В., Галуев Г.А. Распознавание образов на основе цифровых нейроноподобнык структур Текст. / Каляев А. В., Чернухин Ю.В., Галуев Г.А.// Известия Сев. Кавказ. Научн. Центра Высш. Школы. Технические науки» 1982, №2. -С. 44-49.

81. Каляев А.В., Цифровая нейроноподобная система распознавания образов Текст. / Каляев А.В., Галуев Г.А // Депонированные научные работы.-М., 1987, №2. С. 20, № 325 (Деп. в ВИНИТИ 12. 10.86, № 7351-В86).

82. Галуев Г.А. Зрительные системы роботов на основе цифровых нейроноподобных сетей с перестраиваемой архитектурой Текст. / Галуев Г.А.// Депонированные научные работы, М., 1986, №2 - С.51, №623 (Деп. в ВИНИТИ 12. 11. 85 , № 7874-885).

83. Галуев Г.А. Зрительные системы роботов на основе цифровых нейроноподобных сетей Текст. / Галуев Г.А.// Зрение организмов и роботов»- Тезисы докладов Всесоюзного симпозиума. Вильнюс, 1985. — С.140-141.

84. Каляев А.В. Современное состояние нейрокибернетических исследований в СССР и за рубежом (Обзор) Текст. / Каляев А.В. , Чернухин Ю.В., Брюхомицкий Ю.А., Галуев Г.А., Луцкая И.Л//

85. Депонированные научные работы П, 1988, №9, - С. 12-13, №173 (Деп. в ВИНИТИ 05.05.88, №3512 -В88).

86. Галуев Г.А. Архитектура цифровых нейрокомпьютеров Текст. / Галуев Г.А.// Электронное моделирование 1991, т. 13, №2. - С.21-25.

87. Каляев А.В.Современное состояние и перспективы развития нейрокомпьютерной техники Текст. /Каляев А.В, Галуев Т. АЛ Электронное моделирование. 1990, т. 12. - N52. - С. 14-19.

88. Маховальд М. Кремниевая сетчатка Текст. /Маховальд М, Мид К.// В мире науки» 1991, №7. - С.32-39.

89. New Scientist. V,123, №1672, 1989, - P. 143.

90. Скоредов О.Б. Некоторые модели нейронных компьютеров и сетей Текст. / Скоредов О.Б.// Радиоэлектроника за рубежом (Обзоры). М, 1990. Вып. 8(48). - С. 32-44.

91. Садовой А. В, Сотник С. Л. Алгоритмы обучения нейронных сетей будущего /Садовой А. В, Сотник С. Л.// http://www.alicetele.com/~sergei/articles/algo/algo.htm

92. Дубровин В.И. Идентификация и оптимизация сложных технических процессов и объектов / Дубровин В.И. // Запорожье:ЗГТУ, 1997.-92 с

93. У Уставка минимального сопротивления изоляшш Задание минимального значена сопротивления изоляции, ниже которого произойдет отключение электрод в игетеля Уст mmR изотяшш кОч RAV ЯЛУ 30 500 30 10" хххх ХХХХ «Ом

94. У Уставка минимального давления на гриеме насоса Заданне минимального значения давления на приеме насоса, ниже которого гроизойдет отключение ПЭД Уст защ пцпРвх МПа RAV RAV 0 99,99 4 0,1 хххх хххх МПа

95. У Уставка максимального давления на приеме насоса Задание минимального значения давления на приеме насоса, выше которого произойдет отключение ПЭД Уст защ. шах Рвх МПа RAV RAV 0 99,99 25 0,1 хххх хххх МПа

96. У Уставка максимального пускового тока ПЭД Задание максимально допустимого значения пускового тока ПЭД в плавном, то тчиэвом или квазичастотном режимах пуска Ток пуска УПП А RAV R/W 0 3000 500 1 хххх ХХХХ А

97. У Уставка максимальной температуры обмотки ПЭД Задание максимально допустимого значения температуры обмотки ГОД. выше которой произойдет отключение ГОД Уст защ тахТ^д сС RAV RAV 0 130 115 1 хххх ХХХХ "С

98. У Уставка максимальной вибрации ГОД Задание максимального значения вибрации ПЭД выше которого произойдет отключение ПЭД Уст. защ max вибр ПЭД В RAV RAV 0 10 0,2 0,1 ХХХХ XXXXg

99. У Уставка минимального давления в затрубе Задание минимального значения дав тения в затрубе, ниже которого произойдет отключение ПЭД Уст защ сьлРз МПа RAV RAV 0 16 0,01 XX. XX хххх МПа

100. У Уставка максимального давления в затрубе Заданне максимального значения давления в затрубе, выше которого произойдет отключение ПЭД Уст защ. шх Рз МПа RAV RAV 0 16 0,01 хххх ХХХХ МПа

101. У Уставка максимального давления в б\6ере Задание максимального значения давления в буфере, выше которого произойдет отключение ПЭД Уст защ тхРб МПа КЛУ R/W 0 16 0,01 хххх ХХХХ МПа

102. У Уставка минимального дав пек ¡я в линии Задание минимального значения давления в линии, ниже которого произойдет отключение ПЭД Vct защ ттРдк. МПа RAV RAV 0 6 0,01 XX. XX ХХХХ МПа

103. У Задание режима работы ПЭД по программе Задание режима работы ПЭД по программе Режим программа 0-откл 1»вкл RAV RAV 00 1 0 1 хххх ХХХХ

104. У Уставка дисбаланса токов Задание максимального значения дисбаланса токов, при превышении которого произойдет отключение этектродвигзтетя Уст защ. дисб 1 "о RAV RAV 0 30 20 0,1 хххх XXXXÎ'o

105. У Уставка дисбаланса напряжений Заданне максимального значения дисбаланса напряжений, выше которого произойдёт отключение ПЭД Уст защ дисб U % RAV r/w 0 20 5 0 1 хххх ХХХХ0/.

106. У Уставка частоты турбинного вращения Задание максимального значения частоты турбинного вращения ПЭД. визе которого произойдет отключение ПЭД Уст maxfTyp6 вр Гц RAV RAV 0 5 5 1 хххх ХХХХ Гц

107. У Уставка чередования фаз Задание порядха чередования фаз напряжений питающей сети, при котором допускается запуск ПЭД Уст заш чередов фаз l-ABC/0-CBA RAV RAV 0 1 1 1 хххх ХХХХ

108. У Уставка максимального значения сигнала на дополнительном аналоговом входе 1 Заданне максимального значения сигнала на допотшгтельном аналоговом входе 1, выше которого произойдет отключение ПЭД Уст защ max Авх i в R/W RAV 0 999,9 0.1 хххх хххх%

109. У Уставка максимального значения сигнала на доготюггедьном аналоговом входе 2 Заданне максимального значения сигнала на дополнительном аналоговом входе 2, выше которого произойдет отключение ПЭД Уст. защ. max Авх 2 % RAV r/w 0 999,9 0,1 хххх ХХХХ".

110. У Уставка минимального значения сигнала на допотните-.ьном аналоговом входе 1 Задание минимального значения сигнала на дополнительном аналоговом входе 1 ниже которого произойдет отключение ПЭД Уст защ. mm Авх 1 Го RAV RAV 0 999,9 0,1 хххх ХХХХ%

111. У Уставка минимального значения сигнала на дополнительном аналоговом входе 2 Задание минимального значения сигнала на дополнш-ельноч аналоговом входе 2, ниже которого произойдет отключение ПЭД Уст защ mía Авх 2 а RAV RAV 0 999,9 0.1 хххх хххх%