Методы, модели и алгоритмы создания автоматизированных систем контроля и управления для повышения эффективности механической обработки изделий тема диссертации и автореферата по ВАК РФ 05.13.06, доктор технических наук Бобырь, Максим Владимирович

• Бобырь, Максим Владимирович
• доктор технических наук
• 2012

Оглавление диссертации доктор технических наук Бобырь, Максим Владимирович

ОГЛАВЛЕНИЕ.

ВВЕДЕНИЕ.

1. ОБЩАЯ ХАРАКТЕРИСТИКА ПРОБЛЕМЫ ПОВЫШЕНИЯ ПРОИЗВОДИТЕЛЬНОСТИ ПРИ МЕХАНИЧЕСКОЙ ОБРАБОТКЕ ИЗДЕЛИЙ.

1.1. Анализ существующих методов и средств повышения точности при механической обработке изделий

1.1.1. Методы и средства оценки показателей точности металлорежущего оборудования.

1.1.2. Методы и средства повышения точности оборудования с ЧПУ.

1.2. Анализ и характеристика автоматизированных систем управления механической обработкой изделий

1.2.1. Формализация методов структурирования баз знаний для автоматизированных систем управления.

1.2.2. Анализ механизмов принятия решений для автоматизированных систем управления.

1.3. Анализ нечетко-логических методов управления

1.3.1. Правило Заде для систем принятия решений.

1.3.2. Модифицированный алгоритм Мамдани.

1.3.3. Модифицированный алгоритм Ларсена.

1.3.4. Алгоритм Тсукамото.

1.3.5. Алгоритм Сугэно.

1.3.6. Упрощенный алгоритм нечетко-логического вывода.

1.3.7 Анализ существующих нечетко-логических систем управления.

1.3.8 Недостатки традиционных нечетко-логических систем.

1.3.9 Недостатки адаптивных нейро-нечетких систем вывода Тсукамото-Сугэно

Выводы:

2. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ПРОЦЕССА УПРАВЛЕНИЯ МЕХАНИЧЕСКОЙ ОБРАБОТКОЙ ИЗДЕЛИЙ С ИСПОЛЬЗОВАНИЕМ АППАРАТА НЕЧЕТКОЙ ЛОГИКИ.

2.1 Математическая модель построения функций принадлежностей

2.1.1 Метод построения функции принадлежности на основе статической обработки мнений группы экспертов.

2.1.2 Метод построения функции принадлежности на основе парных сравнений

2.1.3 Параметрические методы построения функций принадлежности.

2.2 Математическая модель проектирования нечетких баз знаний

2.3 Математическая модель принятия решений для трапециевидных функций принадлежности

2.4 Математическая модель диагностики элементов оборудования с ЧПУ на основе обратного нечетко-логического вывода

2.5 Математическая модель оценки устойчивости нечетко-логической системы управления

2.6 Метод обработки нечетко-логических данных о ходе технологического процесса

2.7 Критерии оценке функционирования технологического процесса механической обработки изделий

Выводы:

3. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ПОЛУЧЕНИЯ ДОСТОВЕРНОЙ ОЦЕНКИ О ХОДЕ ПРОТЕКАНИЯ ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА МЕХАНИЧЕСКОЙ ОБРАБОТКИ деталей на основе методов корреляционно-регрессионного анализа

3.1. Математическая модель при нелинейной корреляции

3.2. Количественные критерии оценки сходимости метода обработки нечетко-логических данных и корреляционных моделей

3.3. Математическая модель при линейной корреляции

3.4. Математическая модель при ограниченном количестве опытов

3.5. Математическая модель при множественной корреляции

3.6. Метод получения достоверных данных о ходе технологического процесса

3.7. Инженерная методика проведения корреляционно-регрессионного анализа

Выводы:

4. теоретические основы адаптации автоматизированных нечетко-логических систем управления механической обработки изделий на основе нейро-нечетких систем вывода.

4.1. Параметрическая адаптация на основе нейро-нечетких систем вывода

4.2. Математическая модель нейро-нечеткой обработки данных хода технологического процесса

4.3. Обобщенная функционально-структурная организация автоматизированной системы с нейро-нечетким управлением

4.4. Прогнозирование возможных состояний адаптивной нейро-нечеткой системы вывода

Выводы:

5. АЛГОРИТМИЧЕСКОЕ ОБЕСПЕЧЕНИЕ ПРОЦЕССОМ УПРАВЛЕНИЯ МЕХАНИЧЕСКОЙ ОБРАБОТКИ ИЗДЕЛИЙ.

5.1. Алгоритм заполнения нечетких баз знаний

5.2. Алгоритм обработки нечетко-логических данных о ходе технологического процесса

5.3. Параллельные алгоритмы реализации корреляционно-регрессионного анализа при парной и множественной корреляциях и расчет критерия сходимости алгоритмов

5.5. Алгоритм обучения нейро-нечеткой модели обработки данных хода технологического процесса

5.5. Алгоритм принятия решения для назначения режима резания при механической обработке изделий

5.6. Промышленное применение автоматизированных нечетко-логических систем управления механической обработкой изделий

5.6.1 Автоматизированная система стабилизации процесса резания на токарном оборудовании с ЧПУ.

5.6.2 Методы модернизации оборудовании с ЧПУ на основе нечеткой логики.

6. РЕЗУЛЬТАТЫ ПРОМЫШЛЕННЫХ ИСПЫТАНИЙ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ КОНТРОЛЯ И УПРАВЛЕНИЯ МЕХАНИЧЕСКОЙ ОБРАБОТКОЙ ИЗДЕЛИЙ

6.1 Автоматизированная система контроля и управления механической обработкой изделий

6.1.1 Структурно-функциональная организация автоматизированной системы контроля и управления механической обработкой изделий.

6.1.2 Исследование метода управления скоростью резания при механической обработке изделий.

6.2 Экспериментальное исследование влияния параметров режима резания на процесс механической обработки изделий

6.3 Определение достоверности результатов экспериментальных исследований

6.4 Эффективность применения автоматизированной системы контроля и управления механической обработки изделий

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ СПИСОК ЛИТЕРАТУРЫ

Введение диссертации (часть автореферата) на тему «Методы, модели и алгоритмы создания автоматизированных систем контроля и управления для повышения эффективности механической обработки изделий»

Актуальность исследования. В условиях вступления России в ВТО и сокращения экспорта отечественного станкостроительного оборудования, а также повышения конкуренции в области машиностроения вопросы, связанные с внедрением перспективных технологий и разработкой новейших средств автоматизации прецизионного оборудования, позволяющих вывести его на мировой уровень, становятся весьма актуальными в масштабах экономики всей страны. Снижение конкурентоспособности машиностроительного оборудования объясняется непрерывно увеличивающимся применением импортных комплектующих при сборке российских станков. Поэтому перевод машиностроительного комплекса на инновационный путь развития позволит не только увеличить темпы развития других отраслей промышленности, но и создать основу для значительного повышения эффективности экономики страны в целом. При этом следует отметить, что изделия, производимые машиностроительным комплексом, являются основой авиационной, приборостроительной, электронной, автомобильной, судостроительной и других отраслей промышленности.

Основным показателем качества продукции машиностроительного предприятия является точность изготовления деталей при снижении себестоимости их производства. Так на сегодняшний день прецизионное оборудование с ЧПУ обеспечивает точность в диапазоне 1^-5 мкм. Однако современный уровень машиностроения и все возрастающий рост конкуренции требуют доведения этого показателя до 0,1-^1 мкм. Достижение таких характеристик металлообрабатывающего оборудования невозможно без совершенствования несущей конструкции как самого металлорежущего оборудования, так и систем управления процессом механической обработки изделий.

Благодаря фундаментальным работам большого круга ученых достигнуты значительные успехи в изучении технологических процессов (ТП) механической обработки изделий (МОИ). Основные закономерности обеспечения точности изложены в трудах Ю.М. Соломенцева, Б.С. Балакшина, В.А. Тимирязева, A.C. Проникова, В.Н. Подураева, В.Э. Пуша и ряда других ученых. В данных работах были сформированы теоретические и реализационные основы построения автоматизированных станочных модулей, обеспечивающих необходимое качество формообразования поверхностей деталей и заданную надежность работы станков.

Современный уровень требований, предъявляемых к качеству выпускаемых изделий, обусловливает необходимость разработки высокоточного оборудования с ЧПУ нового поколения, сочетающего в своей структуре новейшие методы и средства автоматизированного контроля с применением компьютерных способов обработки измерительной информации о ходе ТП и функционировании станков для управления его исполнительными, механизмами. Вопросы построения таких систем управления изложены в работах Б.М.Бржозовского, В.Л.Заковоротного, М.Б. Флека, C.B. Полякова, A.A. Игнатьева и ряда других ученых. Однако, изложения требований к организации и построению автоматизированных систем управления высокоточной обработкой деталей в условиях мелкосерийного производства и неполноты, недостоверности информации о количественных величинах входных и выходных характеристик при действии возмущающих воздействий в режиме реального времени на процесс механической обработки изделий как объекта управления в этих работах не приводится.

В настоящее время для учета неполноты информации при разработке современных систем управления исполнительными механизмами оборудования с ЧПУ все более широкое распространение получают нечетко-логические системы, позволяющие в режиме реального времени контролировать и адекватно реагировать на возмущающие воздействия. Это ведет к увеличению запаса технологической точности и, как следствие, к снижению процента бракованных изделий.

Степень разработанности проблемы. Собственно вопросами проектирования нечетко-логических систем управления применительно к общим вопросам теорий неопределенности, нечеткой логики и множеств занимались и внесли значительных вклад российские и зарубежные ученые:

A.Н. Аверкин, P.A. Алиев, А.Е. Алтунин, Д.А. Поспелов, А.Н. Мелихов, JI.C. Бернштейн, Н.Г. Малышев, С.Д. Штовба, A.B. Леоненков, Л. Заде, А. Кофман, Д. Дюбуа, X. Прад, Т. Тэрано, К. Асаи и ряд других деятелей науки. Вопросам реализации алгоритмов нечетко-логического вывода посвящены труды Е. Мамдани, М. Мизумото, М. Сугэно, Т. Такаги, Й. Тсукамото, Г. Ларсена, а доказательство аппроксимирования нечетко-логических систем рассмотрено в работах Б. Коско. В указанных работах не рассмотрены вопросы синтеза специализированных систем, позволяющих увеличить оперативность процесса принятия решений за счет редукции числа заключений нечетко-логического вывода. При этом реализация нечетко-логического вывода основана на так называемых «жестких» вычислениях, что неизбежно приводит нечетко-логическую систему к несоответствию критерию аддитивности, то есть отклик результирующей величины не будет пропорционален изменению входных параметров. Гибридные системы, рассмотренные в работах ученых

B.В. Круглова, В.В. Борисова, A.B. Кузьмина, А. Пегата, В. Педруца, А.П. Ротштейна, Л. Рутковского, Д. Рутковской и ряда других авторов и основанные на «мягких» вычислениях, лишены этого ограничения. Но они также имеют низкую оперативность принятия управляющего решения, так как количество заключений нечетко-логического вывода в подобных системах всегда равно количеству нечетко-логических правил, записанных в базу знаний при её разработке. В адаптивных нейро-нечетких системах вывода, рассмотренных в моделях Сугэно-Такаги, эти проблемные вопросы устранены. При этом следует заметить, что данная модель имеет высокую погрешность обучения нейро-нечеткой системы, а отсутствие математического аппарата формирования эталонной выборки, на основе которой осуществляется процесс обучения нейро-нечеткой сети, обусловливает низкую степень внедрения и использования в современных автоматизированных системах управления точностью механической обработки изделий.

Таким образом, в настоящее время имеет место проблемная ситуация между объективной необходимостью повышения качества и оперативности управления параметрами ТП МОИ и возможностями существующих автоматизированных систем контроля и управления.

Эта проблемная ситуация определила постановку актуальной проблемы - повышение точности, оперативности контроля процесса механической обработки изделий и решение этой задачи на основе создания автоматизированной системы с использованием адаптивного нейро-нечеткого управления.

Научный аспект сформулированной проблемы заключается в развитии теоретических основ проектирования адаптивных нейро-нечетких систем управления ТП механической обработки изделий и контроля качества обработки поверхностей деталей.

Практическая часть проблемы включает в себя синтез функционально-структурной организации и разработку инженерно-технических средств, обеспечивающих повышение точности, оперативности контроля и управления процессом механической обработки изделий, и оптимизации переходных режимов в авиационных автоматизированных системах управления.

Основная часть диссертационной работы выполнялась в рамках трёх грантов Президента РФ МК-277.2012.8 по теме «Разработка теоретических основ адаптации сложных технических систем методами нечеткой логики с прогнозированием вероятных состояний», МК-470.2009.8 по теме «Теоретические основы построения автоматизированных систем управления технологическими процессами на основе нечеткой логики» и МК-1180.2005.8 по теме «Исследование принципов функционирования автоматизированных систем контроля и методов их управления на основе нечеткой логики», в рамках Федеральной целевой программы «Научные и научно-педагогические кадры инновационной России» на 2009-2013 годы (государственный контракт №14.740.11.1003) по теме «Разработка теоретических основ, принципов и алгоритмов адаптации сложных информационно-технических систем методами нечеткой логики с учетом прогнозирования возможных состояний», а также в рамках Аналитической ведомственной целевой программы «Развитие научного потенциала высшей школы» на 2012-2014 годы (Регистрационный №01201251622) по теме «Разработка теоретических основ и алгоритмов адаптации сложных технических систем с прогнозированием вероятных состояний», по договору №1274 от 17.11.2008 с ОКБ «Авиаавтоматика».

Целью диссертационной работы является разработка теоретических и реализационных основ создания аппаратно-программных средств управления механической обработкой изделий, обеспечивающих повышение точности и оперативности контроля технологического процесса на основе создания автоматизированной системы с использованием адаптивного нейро-нечеткого управления.

В соответствии с поставленной целью в работе решаются следующие основные задачи:

1. Анализ состояния проблемы управления технологическим процессом обработки изделий в современных условиях, обоснование направления исследования.

2. Разработка обобщенной математической модели процессов контроля и адаптивного управления, обеспечивающей требуемую точность МОИ.

3. Разработка метода обработки нечетких данных о ходе ТП, обеспечивающего повышение оперативности процесса управления.

4. Разработка системы методов обработки информации, обеспечивающих получение достоверных данных о ходе ТП изготовления изделий.

5. Разработка нейро-нечеткой математической модели обработки данных ТП, а также процесса нечетко-логического вывода и компенсации возмущающих воздействий в режиме реального времени.

6. Синтез обобщенной функционально-структурной организации автоматизированной системы с адаптивным нейро-нечетким управлением, обеспечивающей повышение точности и оперативности контроля при механической обработки изделий.

7. Создание системы алгоритмов и специализированного программного обеспечения контроля качества и управления МОИ с разработкой вектора целевых критериев, позволяющего оценить качество функционирования автоматизированной системы с нейро-нечетким управлением.

8. Экспериментальные исследования автоматизированной системы с использованием адаптивного нейро-нечеткого управления в реальных условиях эксплуатации.

Объект исследования. Система управления и контроля технологическим процессом механической обработки изделий.

Предмет исследования Математические модели, методы, алгоритмы и автоматизированные устройства управления точностью механической обработки изделий и контроля качества готовых деталей.

Методы исследования. Для решения поставленных в работе задач использованы теоретические основы управления сложными технологическими системами, нечеткой логики и нечетких множеств, синтеза сложных адаптивных систем, нейро-нечетких сетей, матричной алгебры, методы теории вероятности и корреляционно-регрессионного анализа, вычислительной математики и математической статистики, обработки результатов эксперимента, а также достижения современной технологии машиностроения.

Научная новизна результатов работы и основные положения, выносимые на защиту, заключаются в следующем:

1. Создана обобщенная математическая модель процессов контроля и адаптивного управления, отличающаяся редукцией числа нечетко-логических выводов при формировании управляющих решений с учетом информативных данных о ходе технологического процесса, обеспечивающая сокращение времени принятия решений, включающая частные математические модели:

1.1 Построения функций принадлежности на основе статистической обработки экспертной информации, парных сравнений и параметрических методов их построения.

1.2 Проектирования нечеткой базы знаний, позволяющей в режиме реального времени формировать данные, необходимые для функционирования нечетко-логических систем управления.

1.3 Принятия решений при трапециевидных функциях принадлежности, в основу которой положен выбор основных управляющих параметров процесса резания в режиме реального времени.

1.4 Диагностики элементов оборудования с ЧПУ на основе обратного нечетко-логического вывода, позволяющей в режиме реального времени определять неисправности в работе системы управления.

1.5 Устойчивости нечетко-логической системы управления, позволяющей в режиме реального времени произвести её оценку.

2. Разработан метод обработки нечетко-логических данных, заключающийся в реализации этапов:

2.1 Определение и параметризация функций принадлежности с целью обеспечения более равномерной корреляционной зависимости, отображающей взаимосвязь между входными и выходными переменными при реализации нечетко-логического вывода.

2.2 Формирование матрицы нечетких отношений, обеспечивающей сокращение количества заключений нечетко-логического вывода с учетом информативных данных о ходе технологического процесса.

2.3 Устранение пустых решений в заключениях нечетко-логических выводов с целью увеличения оперативности принятия решений за счет редукции переборов предпосылок нечетко-логического вывода.

2.4 Уменьшение размерности данных, вводимых в информационную базу системы автоматизированного управления, путем сокращения избыточности объема обрабатываемой информации, что обеспечивает ускорение процесса обработки данных и принятия решений о назначении режима резания для оборудования с ЧПУ.

3. Разработан метод получения достоверных данных о ходе технологического процесса, особенностью которого является наличие этапов:

3.1 Определение критерия оценки сходимости алгоритмов при парной и множественной корреляциях между величинами, полученными с помощью метода обработки нечетко-логических данных и решения уравнений регрессии.

3.2 Формирование критерия оценки скорости сходимости алгоритмов, позволяющих оценивать в режиме реального времени наличие возмущающих воздействий, действующих на технологическую систему.

3.3 Определение вектора возмущающих воздействий в процессе МОИ, отличающегося учетом статических и динамических погрешностей, возникающих в системе станок-приспособление-инструмент-деталь, что позволяет прогнозировать точность обработки.

4. Создана математическая модель нейро-нечеткой обработки данных хода технологического процесса, основанная на формировании матрицы нечетких отношений и метода случайного поиска, обеспечивающего уменьшение числа итераций в процессе принятия управляющих решений.

5. Синтезирована функционально-структурная организация автоматизированной системы с адаптивным нейро-нечетким управлением механической обработки изделий, особенностью которой является введение следующих функциональных блоков: ввода информации; определения степеней истинности; матрицы нечетких отношений; ввода выходной переменной; усечения термов выходной переменной; объединения усеченных термов выходной переменой; дефаззификации и связей между ними.

6. Разработана система алгоритмов функционирования автоматизированной системы с адаптивным нейро-нечетким управлением механической обработки изделий, включающая:

6.1 Алгоритм заполнения нечетких баз знаний.

6.2 Алгоритм, реализующий метод обработки нечетко-логических данных.

6.3 Параллельные алгоритмы расчета критерия сходимости при парной и множественной корреляции.

6.4 Алгоритм принятия решений для назначения режима резания.

6.5 Алгоритм обучения нейро-нечеткой математической модели обработки данных хода технологического процесса для принятия решений о назначении режима резания при механической обработке изделий.

7. Предложен вектор целевых критериев, позволяющий в режиме реального времени оценить качество функционирования средств, разработанных на основе обобщенной математической модели процессов контроля и адаптивного управления.

Теоретическая значимость работы заключается в развитии методов и алгоритмов проектирования адаптивных автоматизированных систем контроля и управления технологическим процессом механической обработки изделий на основе нейро-нечетких сетей.

Практическая ценность диссертационной работы состоит в том, что её результаты являются основой разработки широкого класса автоматизированных систем с использованием адаптивного нейро-нечеткого управления для контроля ТП механической обработки изделий, позволяющих:

-обеспечить заданные показатели производительности при требуемой точности;

- повысить оперативность и обоснованность принимаемых технико-технологических решений;

- расширить условия применения нечетко-логических методов управления и контроля в ходе ТП механической обработки изделий;

- обеспечить количественные оценки параметров качества изготовляемых изделий на машиностроительных предприятиях;

- повысить уровень автоматизации непрерывных ТП;

- создать объективные условия увеличения уровня технологической культуры и качества изделий машиностроительного производства;

-в рамках двойной технологии использовать нечеткую логику при анализе, прогнозировании и синтезе автоматизированных авиационных систем, требующих высокой точности поддержки параметров управления в условиях ограниченного времени принятия решений.

Практическая ценность и новизна подтверждаются также тем, что на основе предложенных технических решений разработан ряд системно обоснованных методов, способов и устройств управления точностью и контроля ТП механической обработки изделий на оборудовании с ЧПУ на основе нечетко-логического управления с улучшенными метрологическими характеристиками, защищенных патентами на изобретения (Патенты №№: 2397058, 2386519, 2381888, 2381887, 2379169, 2371295, 2325247, 2309034, 2288809, 2288808, 2280540, 92826, 91918, 91910, 91687, 50136, 27868, 26142, а также Программы для ЭВМ №№ 2010616290, 2007610188).

Реализация результатов работы. Предложенные технические решения и основные научные положения и выводы диссертационной работы прошли проверку в условиях опытно-промышленной эксплуатации в Excel Csepel (Венгрия), Spesima (Болгария-Германия), ОХП ОКБ «Авиаавтоматика», НИЦ «г. Курск» ФГУП «18 ЦНИИ» МО РФ, ОАО «Геомаш». В результате проверки была подтверждена эффективность использования разработанной автоматизированной системы с использованием адаптивного нейро-нечеткого управления ТП механической обработки изделий, что подтверждено соответствующими актами внедрения.

Научно-методические результаты, полученные в диссертационном исследовании, используются в учебном процессе при выполнении курсового и дипломного проектирования и выпускных квалификационных работах бакалавра и магистра техники и технологий на кафедре вычислительной техники Юго-Западного государственного университета и проведении занятий по дисциплинам «Основы теории управления», «Интеллектуальные системы», «Теория принятия решений в условиях неопределенности», «Микропроцессорная техника».

Апробация работы. Основные теоретические положения и практические результаты диссертационной работы докладывались, обсуждались и получили положительную оценку на 31 Международных, Всероссийских и региональных конференциях и симпозиумах: «Автоматизация и энергосбережение машиностроительного и металлургического производств, технология и надежность машин, приборов и оборудования» (Вологда) в 2012 году; «Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации» (Курск) в 2012, 2010, 2008, 2005, 2003, 2001 годах; «Перспективные технологии, оборудование и аналитические системы для материаловедения и нанометриалов» (Алматы, Казахстан) в 2011 году; «Перспективы развития систем управления оружием» (Курск) в 2011 г.; «Интеллектуальные и информационные системы» (Тула) в 2011, 2009, 2004 годах; «Информационные и телекоммуникационные технологии в интеллектуальных системах» (Швейцария, Лугано) в 2010 году, (Испания, Мальорка) в 2007 году, (Италия, Катания) в 2006 году; «Современные инструментальные системы, информационные технологии и инновации» (Курск) в 2012, 2010, 2008, 2007, 2006 годах; «Медико-экологические информационные технологии» (Курск) 2010, 2009, 2006, 2001 годах; «Информационно-измерительные, диагностические и управляющие системы» (Курск) в 2009 году; «Молодежь и XXI век» (Курск) в 2008 году; «Промышленные контролеры: от А до Я» (Москва) в 2005 году; «Вибрационные машины и технологии» (Курск) в 2005 году; «Образование. Наука. Производство» (Белгород) в 2004 году; «Материалы и упрочняющие технологии» (Курск) в 2003, 2001 годах; а также на научно-технических семинарах Юго-Западного государственного университета (КурскГТУ), прошедших в период 2000-2012 гг.

Соответствие диссертации паспорту научной специальности. Содержание диссертации соответствует паспорту специальности 05.13.06 -Автоматизация и управление технологическими процессами и производствами, а именно п.З «Методология, научные основы и формализованные методы построения автоматизированных систем управления технологическими процессами (АСУТП) и производствами (АСУП), а также технической подготовкой производства (АСТПП) и т.д.» в части разработки функционально-структурной организации автоматизированной системы с адаптивным нейронечетким управлением на основе обобщенной математической модели процессов контроля и адаптивного управления технологическим процессом механической обработки деталей; п.10 «Методы синтеза специального математического обеспечения, пакетов прикладных программ и типовых модулей функциональных и обеспечивающих подсистему АСУТП, АСУП, АСТ1111 и др.» в части синтеза системы алгоритмов и специализированного программного обеспечения контроля качества и управления механической обработкой изделий с разработкой вектора целевых критериев, позволяющего оценить качество функционирования разработанной автоматизированной системы; п. 15 «Теоретические основы, методы и алгоритмы интеллектуализации решения прикладных задач при построении АСУ широкого назначения (АСУТП, АСУП, АСТПП и др.)» в части разработки математической модели нейро-нечеткой обработки данных хода технологического процесса и метода обработки нечетко-логических данных о ходе технологического процесса механической обработки деталей.

Публикации. По теме диссертации опубликовано 125 научных работ, включая 2 монографии, 43 статьи, 12 патентов на изобретения, 7 патентов на полезную модель, 2 свидетельства о регистрации программы для ЭВМ, 67 публикаций материалов и тезисов докладов. Основные научные результаты диссертации отражены в 34 статьях в рецензируемых научных журналах и изданиях.

Структура и объем диссертации. Диссертация состоит из введения, 6 разделов, заключения, списка литературы, включающего 215 наименований, и 6 приложений. Основная часть диссертации изложена на 335 страницах машинописного текста, содержит 114 рисунков и 55 таблиц.

Заключение диссертации по теме «Автоматизация и управление технологическими процессами и производствами (по отраслям)», Бобырь, Максим Владимирович

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

Диссертационная работа посвящена решению имеющей большое народнохозяйственное значение научно-технической проблемы повышения точности, оперативности контроля процесса механической обработкой изделий на основе создания автоматизированной системы с использованием адаптивного нейро-нечеткого управления в условиях современного машиностроительного предприятия.

В ходе решения этой проблемы получены следующие основные результаты:

1. Выполнен анализ существующих математических моделей, способов и систем контроля и управления механической обработкой изделий, на основании которого обоснована объективная необходимость повышения эффективности управления технологическим процессом.

2. Определены внешние возмущающие факторы, приводящие к нарушению технологического процесса, проведен анализ степени их влияния на точность механической обработки изделий.

3. Разработаны теоретические основы управления процессом механической обработки изделий, включающие обобщенную математической модель процессов контроля и адаптивного управления, обеспечивающую требуемую точность механической обработки изделий, отличающуюся редукцией числа нечетко-логических выводов при формировании управляющих решений учетом информативных данных о ходе ТП, обеспечивающей сокращение времени принятия решений, включающей следующие частные математические модели:

-построения функций принадлежности на основе обработки экспертной информации, парных сравнений и параметрических методов их построения;

- синтеза нечетких баз знаний, позволяющих в режиме реального времени с учетом правил управления формировать данные, необходимые для принятия управляющих воздействий в ходе ТП механической обработки изделий;

-принятия решений при трапециевидных ФП, в основу которой положен выбор единственного управляющего параметра в режиме реального времени из диапазона рекомендуемых величин;

- диагностики элементов оборудования с ЧПУ на основе обратного нечетко-логического вывода, позволяющей в режиме реального времени определять неисправности;

- оценки устойчивости нечетко-логических систем управления, позволяющей в режиме реального времени произвести её оценку.

4. Разработан метод обработки нечетко-логических данных о ходе технологического процесса, обеспечивающий повышение оперативности процесса управления не менее чем на 10% путем редукции пустых решений, появляющихся в заключениях нечетко-логического вывода, заключающийся в реализации следующих этапов:

- определения и параметризации функций принадлежности с целью обеспечения более гладкой корреляционной поверхности, отображающей взаимосвязь между входными и выходными переменными при соблюдении критерия разбиения единицы;

- формирования матрицы нечетких отношений, обеспечивающей редукцию заключений нечетко-логического вывода и учет информативных данных о ходе технологического процесса;

- устранения пустых решений в заключениях нечетко-логических выводов с целью увеличения оперативности принятия решений за счет сокращения переборов предпосылок нечетко-логического вывода;

-уменьшения размерности данных, вводимых в информационную базу системы автоматизированного управления, путем уменьшения избыточности объема обрабатываемой информации.

5. Разработан метод получения достоверных данных о ходе технологического процесса, особенностью которого является наличие этапов:

-определения критерия оценки сходимости алгоритмов при парной и множественной корреляциях между величинами;

- формирования критерия оценки скорости сходимости алгоритмов, позволяющих оценивать наличие возмущающих воздействий, действующих на технологическую систему в режиме реального времени;

- определения вектора возмущающих воздействий, действующих при механической обработке изделий, позволяющего прогнозировать точность механической обработки изделий.

6. Разработана математическая модель нейро-нечеткой обработки данных хода технологического процесса, учитывающая особенности формирования матрицы нечетких отношений и метода случайного поиска, обеспечивающая уменьшение числа итераций для процесса принятий управляющих решений, позволяющая сократить время обучения сети в 1,5 раза по сравнению с традиционными адаптивными нейро-нечеткими системами вывода в реальном масштабе времени.

7. Синтезирована функционально-структурная организация автоматизированной системы с адаптивным нейро-нечетким управлением механической обработкой изделий, включающей в себя следующие блоки: ввода информации; определения степеней истинности; матрицы нечетких отношений; ввода выходной переменной; усечения термов выходной переменной; объединения усеченных термов выходной переменой; дефаззификации, обеспечивающей повышение точности и оперативности контроля; разработана система сбора данных, а также проведены исследования качества её функционирования, подтверждающие достижение требуемой точности в процессе механической обработки изделий.

8. Разработана система алгоритмов функционирования автоматизированной системы с использованием адаптивного нейро-нечеткого управления механической обработкой изделий, реализованная в виде специализированного программного обеспечения. Осуществлена оценка качества их функционирования.

9. Методы автоматизации испытаний, контроля и диагностики элементов оборудования с ЧПУ на основе разработанной автоматизированной системы с использованием нейро-нечеткого управления позволили увеличить оперативность принятия управляющего решения не менее чем в 1,5 раза, и повысить точность обработки деталей не менее чем на 10%, что является основным показателем эффективности ТП механической обработки изделий.

Список литературы диссертационного исследования доктор технических наук Бобырь, Максим Владимирович, 2012 год

1. Соломенцев Ю.М. Теория автоматического управления. М.: Высшая школа, 2000. 270 с.

2. Адаптивное управление технологическими процессами / Ю.М. Соломенцев и др. . М.: Машиностроение, 1980. 536 с.

3. Новиков В.Ю., Схиртладзе А.Г. Технология станкостроения: учеб. пособие. М.: Машиностроение, 1990. 256 с.

4. Чернянский П.М. Основы проектирования точных станков. Теория и расчет: учеб. пособие. М: КНОРУС, 2010. 240 с.

5. Тимирязев В.А., Схиртладзе А.Г. Малогабаритное устройство для измерения деформаций в стыках ИС // Металлорежущие станки и автоматические линии. 1978. №8. С. 9-13.

6. AM Staff Accuracy Drives Machine Tools // American Machinist. 2007. №12. V.21. режим доступа: http://americanmachinist.com/304/ issue/article/false/ 77334/issue.

7. Серков H.A. Основные направления повышения точности металлорежущих станков // Проблемы машиностроения и автоматизации. 2010. №2. С.26-35.

8. Балакшин Б.С. Адаптивное управление станками. М.: Машиностроение, 1973. 688 с.

9. Подураев В.Н. Автоматически регулируемые и комбинированные процессы резания. М.: Высшая школа, 1977. 294 с.

10. Проектирование металлорежущих станков и станочных систем: справочник-учебник. В 3-х томах. Т.1 // А. С. Проников и др. . М.: Изд-во МГТУ им. Н. Э. Баумана. Машиностроение, 1994. 444 с.

11. Справочник технолога-машиностроителя: в 2 т. Т. 2 / под ред. А. Г. Косиловой и Р. К. Мешерякова. М.: Машиностроение, 1985. 496 с.

12. ПушВ.Э. Металлорежущие станки. М.: Машиностроение, 1985. 575 с.

13. Балакшин Б.С. Теория и практика технологии машиностроения. Том 2. М.: Машиностроение, 1982. 367с.

14. Дунаев С.Ю., Карелин В. А Исследование зависимости силы резания от скорости подачи раскройного ножа // Автоматизация и современные технологии. 2001 .N4. С. 20-23.

15. Меррит А. Теория автоколебаний металлорежущих станков // Конструирование и технология машиностроения. 1965. Т.87. №4. С.62-72.

16. Коваленко A.B. Точность обработки на станках и стандарты. М.: Машиностроение, 1992. 160 с.

17. П.Кузнецов В.Д. Физика резания и трения металлов и кристаллов. М.: Наука, 1977.310 с.

18. Бобров В.Ф. Основы теории резания металлов. М.: Машиностроение, 1975. 344 с.

19. Анухин В.И. Допуски и посадки. Выбор, расчет, указание на чертежах: учеб. пособие. СПб.: Изд-во СПбГТУ, 2001. 219 с.

20. Электронный ресурс. http://ru.wikipedia.org/wiki/Monforts материал из Википедии - Режим доступа: свободный (http://www.technopolice.ru/ images/technopolice/catalog2008/26.pdf).

21. Физические эффекты в машиностроении: справочник / В.А. Лукьянец, З.И. Алмазова, Н.П. Бурмистрова. и др.. М.: Машиностроение, 1993. 224 с.

22. Акулынин Г.Ю., Бобырь М.В., Ширабакина Т.А. Система фиксации деталей на основе электрореологического эффекта // Известия высших учебных заведений. Приборостроение. 2012. Т. 55. № 2. С. 47-50.

23. Заковоротный В.Л., Фам Д.Т., Нгуен С.Т. Моделирование деформационных смещений инструмента относительно заготовки при точении // Вестник Донского государственного технического университета. 2010. Т. 10. № 7. С. 10051015.

24. Андрейчиков Б.И. Методы коррекции динамических ошибок в станках с программным управлением // Автоматика и телемеханика. 1962. №9. С. 11651178.

25. Титов B.C., Бобырь М.В., Милостная H.A. Операционные системы реального времени для систем ЧПУ // Промышленные АСУ и контроллеры. 2008. №7. С. 31-33.

26. Бржозовский Б.М., Мартынов В.В., Карпов А.Н. Исследование преобразующих свойств динамических систем металлорежущих станков методом математического моделирования // Информационные технологии в проектировании и производстве. 1998. № 3. С. 46-50.

27. Заковоротный В.JI., Лукьянов А.Д., Флек М.Б. Определение оптимальных траекторий формообразующих движений при обработке резанием // Вестник Донского государственного технического университета. 2001. Т. 1. № 3. С. 86-94.

28. Поляков C.B., Сластинин С.Б. Построение модели для диагностирования технологических процессов с использованием графов // Контроль. Диагностика. 2001. №4. С. 10-14.

29. Филимонов Н.Б., Солодовников В.В. Динамическое качество систем автоматического регулирования: Уч. пособ. М.: МВТУ им. Н.Э.Баумана, 1987. 84с.

30. Растригин Л.А. Адаптация сложных систем. Рига: Знание, 1981. 375 с.

31. Методы классической и современной теории автоматического управления. Учебник в пяти томах. Т. 4. Теория оптимизации систем автоматического управления / Н.Б. Филимонов и др. . М.: Изд-во МГТУ им. Н.Э. Баумана, 2004. 744 с.

32. Производственные системы с искусственным интеллектом / P.A. Алиев, Н.М. Абдикеев, М.М. Шахназаров. М: Радио и связь. 1990. 264 с.

33. Рубанов В.Г. Математические модели элементов систем управлениям: Учеб. пособие. Харьков: Харьковский авиационный институт, 1980. 92 с.

34. Рубанов В.Г., Филатов А.Г. Интеллектуальные системы автоматического управления. Нечеткое управление в технических системах. Белгород: Изд-во БГТУ им. Шухова, 2005. 171 с.

35. Kobsa A. Knowledge Representation: a Surway of its Mechanisms, a Sketch of its Semantics // Cybernetics and System. 1984. № 15. Pp. 41-89.

36. Поспелов Д.А. Справочник. Искусственный интеллект. Кн.2. Модели и методы. М.: Радио и связь, 1990. 304 с.

37. Бова В.В., Курейчик В.В., Нужнов Е.В. Проблемы представления знаний в интегрированных системах поддержки управленческих решений // Известия Южного федерального университета. Технические науки. 2010. Т. 108. № 7. С.107-113.

38. Кравченко Т.К., Середенко H.H. Создание систем поддержки принятия решений: интеграция преимуществ отдельных подходов // Искусственный интеллект и принятие решений. 2012. № 1. С.38-42.

39. Проталинский О.М., Щербатов И.А. Система поддержки принятия решений для операторов слабоформализуемых ТП // Автоматизация в промышленности. 2009. № 7. С. 43-47.

40. Иванов A.C. Модель представления продукционных баз знаний на ЭВМ // Известия Саратовского университета. Новая серия. Серия: Математика. Механика. Информатика. 2007. Т. 7. № 1. С. 83-88.

41. Девятков В.В. Системы искусственного интеллекта. М.: Изд-во МГТУ им. Н.Э. Баумана, 2001. 352 с.

42. Лорьер Ж.-Л. Системы искусственного интеллекта. М.: Мир, 1991. 568 с.

43. Айбазова A.A. Адаптация в продукционных моделях нечеткого логического вывода // Известия Южного федерального университета. Технические науки. 2011. Т. 118. №5. С. 100-105.

44. Мустафаев В.А. Анализ нечетких продукционных моделей динамических взаимодействующих процессов // Вестник компьютерных и информационных технологий. 2012. № 5. С. 25-30.

45. Анисимов П.А., Поздеева О.В. Организационные системы и модели знаний // Проблемы управления. 2004. № 2. С. 9-13.

46. Рассел С., Норвиг П. Искусственный интеллект. Современный подход. М.:Вильямс, 2006. 1408 с.

47. Quillian, M.R. Semantic Memory // Report AFCRL-66-89. Cambridge: MIT Press, 1966. Pp. 251-259.

48. Roussopoulos N.D. A semantic network model of data bases // Department of Computer Science. University of Toronto. 1976. TR№104. Pp. 150-164.

49. Hayes-Rough F., Waterman D., Lenat D. Principles of pattern-directed inference system // Pattern-directed inference system. N.Y.: Academic Press. 1978. Pp. 577601.

50. Комплексное использование баз знаний в автоматизированных системах технологической подготовки производства / Е.И. Яблочников, Б.И. Молочник, A.A. Саломатина // Известия высших учебных заведений. Приборостроение. 2010. Т. 53. №6. С. 51-54.

51. Попов В.Э. Экспертные системы: Решение неформализованных задач в диалоге с ЭВМ. М.: Наука, 1987. 288 с.

52. Гилл Ф., Мюррей У., Райт М. Практическая оптимизация. М.: Мир, 1985. 210с.

53. Экспериментальная установка и методика контроля качества механической обработки поверхности кристаллов силленитов / A.C. Сизов, Е.А. Спирин, А.Н. Чаплыгин, Д.В. Булатников // Заводская лаборатория. Диагностика материалов. 2008. Т. 74. № 11. С. 11-15.

54. Нильсон Н. Принципы искусственного интеллекта. М.: Радио и связь, 1985. 376 с.

55. Ахо A.B., Хопкрофт Д.Э., Ульман Д.Д. Структуры данных и алгоритмы. М.: «Вильяме», 2001. 384с.

56. Анализ погрешностей привода подачи металлорежущего станка и способов их снижения / В.В. Бушу ев, В. А. Кузовкин, В.В. Молодцов, В.В. Филатов // Измерительная техника. 2006. № 6. С. 18-22.

57. Резников В.М. Проблемы синтеза и комбинирования логики и вероятности // Философия науки. 2007. № 4 (35). С. 7-18.

58. Нэйлор К. Как построить машину вывода. Экспертные системы. Принципы работы и примеры. М.: Радио и связь, 1987. С.62-83.

59. Caudell Т.Р. Genetic algorithms sa a tool for the analysis of adaptive resonance theory neural network sets / Proceedings of International workshop on combinations of genetic algorithms and neural networks. COGANN-92. 1992. Pp. 184-20.

60. Пупков К.А., Коньков В.Г. Интеллектуальные системы. М.: МГТУ им. Н. Э. Баумана, 2003. 345 с.

61. Boyd S., Ghaoui Е., Feron Е., Balakrishnan V. Linear matrix inequalities in systems and control theory // Philadelphia: Society for Industrial and Applied Mathematics, 1994. 193 p.

62. Цыпкин Я.З. Основы теории автоматических систем. М., Наука, 1977. 560 с.

63. Filimonov N.B., Demenkov M.N. Variable Horizon Robust Predictive Control via Adjustable Controllability Sets // European Journal of Control. 2001. V. 7. № 6. Pp. 596-604.

64. Заде JI. Основы нового подхода к анализу сложных систем и процессов принятий решений // Математика сегодня. М.: Знание, 1974. С. 5-49.

65. Алиев М.И., Исаева Э.А., Алиев И.М. Теория вероятностей и теория нечетких множеств JI. Заде: различия и сходство // Искусственный интеллект и принятие решений. 2012. №3. С. 21-28.

66. Аверкин А.Н., Агафонова Т.В., Титова Н.В. Системы поддержки принятия решений на основе нечетких моделей // Известия Российской академии наук. Теория и системы управления. 2009. № 1. С. 89-100.

67. Заде JL Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976. 165 с.

68. Zadeh L. Fuzzy sets as basis for a theory of possibility // Fuzzy sets and systems. 1978. №1. Pp.3-28.

69. Zadeh L. The concept of a linguistic variable and its application to approximate reasoning. Part 1, 2 // Inf. Sci. 1975. N8. Pp. 199-249.

70. Мелихов A.H., Берштейн JI.C., Коровин С.Я. Ситуационные советующие системы с нечеткой логикой. М.: Наука, 1990. 272 с.

71. Mamdani Е.А. Application of fuzzy logic to approximate reasoning using linguistic synthesis // IEEE Trans. Computers. 1977. Vol. C26. №12. Pp. 1182-1191.

72. Pedrycz Witold, Fernando Gomide. Introduction to fuzzy sets: analysis and design. Massachusetts: MIT Press. Cambridge, 1998. 465 p.

73. Новак В., Перфильева И., Мочкрож И. Математические принципы нечеткой логики // М.: Физматлит, 2006. 352с.

74. Mizumoto М. Fuzzy controls under various reasoning methods // Information Sciences. 1988. Vol45. Pp. 129 141.

75. Wen Z., Tao Y. Fuzzy-based determination of model and parameters of dual-wavelength vision system for on-line apple sorting // Opt. Eng. 1998. Vol.37. №1. Pp.293-299.

76. Сизов A.C., Халин Ю.А., Игнатенко A.H. Нечётко-множественная модель многокритериальной оценки конкурентоспособности предприятия // Известия Юго-Западного государственного университета. 2011. № 5-1. С. 53-57.

77. Алиев Р.А., Церковный А.Э., Мамедов Г.А. Управление производством при нечеткой исходной ифнормации // М.: Энергоатомизд, 1991. 240 с.

78. Яхъяева Г.Э. Нечеткие множества и нейронные сети: Учеб. пособие. М.: БИНОМ. Лаборатория знаний, 2012. 798 с.

79. Tsukamoto Y. Fuzzy logic based on Lukasiewicz logic and its application to diagnosis and control: Doctoral dissertation of Т. I. T. 1979. 400 p.

80. Ягер P.P. Нечеткие множества и теория возможностей. Последние достижения. М.: Радио и связь, 1986. 408с.

81. Автоматизированная система управления эффективной мощностью при шлифовании / B.C. Титов, Н.А. Милостная, М.В. Бобырь, П.В. Глобин // Известия Юго-Западного государственного университета. 2012. № 2-1. С. 8-12.

82. Анциферов А.В., Бобырь М.В., Титов B.C. Автоматизированная система управления скоростью обработки деталей на оборудовании с ЧПУ // Известия Юго-Западного государственного университета. 2012. № 2. 4.1. С. 13-16.

83. Сугэно М. Нечеткие множества и их применение в логическом управлении // Кэйсоку то сайге. 1979. Т. 18. №2. С. 150-160.

84. Шилин А.Н., Коптелова И.А., Гиркин М.В. Использование уравнений совместимости элементов в методике морфологического синтеза оптико-электронных приборов // Известия Волгоградского государственного технического университета. 2009. Т. 3. № 3. С. 64-69.

85. Бобырь М.В., Титов B.C. Модернизация АСУ оборудованием с ЧПУ на основе аппарата нечеткой логики // Проблемы машиностроения и автоматизации. 2010. №2. С. 40-43.

86. Титов B.C., Бобырь М.В., Милостная H.A. Автоматическая компенсация тепловых деформаций шпиндельных узлов прецизионного оборудования с ЧПУ // Промышленные АСУ и контроллеры. 2006. № 11. С. 31-35.

87. Тэрано Г., Асаи К., Сугэно М. Прикладные нечеткие системы. М.: Мир, 1993. 368 с.

88. Бобырь М.В. Модифицированный алгоритм нечетко-логического вывода в задачах управления оборудованием с ЧПУ // Мехатроника. Автоматизация. Управление. 2011. №4. С. 26-32.

89. Бобырь М.В., Титов B.C., Беломестная А.Л. Стабилизация теплового режима в процессе резания // Мехатроника. Автоматизация. Управление. 2010. №6. С. 38-41.

90. Леоненков A.B. Нечеткое моделирование в среде MATLAB и fuzzyTECH. СПб.: Изд. BHV, 2008. 736с.

91. Пегат А. Нечеткое моделирование и управление. М.: ИУИТ; БИНОМ, Лаборатория знаний, 2012. 798 с.

92. Takagi Т., Sugeno М. Fuzzy identification of systems and its applications to modeling and control. IEEE Trans, on SMC. 1985. Vol.15. №1. Pp. 116-132.

93. Рутковская Д., Пилиньский М., Рутковский JI. Нейронные сети, генетические алгоритмы и нечеткие системы. М.: Горячая линия-Телеком, 2006. 452 с.

94. Нечеткие множества в моделях управления и искусственного интеллекта / А.Н. Аверкин, И.З. Батыршин, А.Ф. Блишун / под общ. ред. Д.А. Поспелова. М.: Наука, 1986.312 с.

95. Штовба С.Д. Проектирование нечетких систем средствами MatLAB. М.: Горячая линия Телеком, 2007. 288 с.

96. Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. М.: Радио и связь, 1981. 286 с.

97. Штовба С.Д. Введение в теорию нечетких множеств и нечеткую логику: электронный ресурс. режим доступа: свободный http://www.matlab.exponenta.ru.

98. Штовба С.Д. Проектирование нечетких систем средствами MatLAB. М.: Горячая линия Телеком, 2007. 288 с.

99. Бобырь М.В. Методы построения функций принадлежностей для нечетких баз знаний // Промышленные АСУ и контроллеры. 2011. №2. С.27-32.

100. Саати Т.Д. Взаимодействие в иерархических системах // Техническая кибернетика. 1979. №1. С.68-84.

101. Потемкин В.Г. Справочник по MATLAB: Электронный ресурс. режим доступа: свободный. http://www.nsu.ru/matlab/ MatLabRU/ml/book2/chapter7/eig.asp.htm.

102. Кофман А. Введение в теорию нечетких множеств. М.: Радио и связь, 1982. 432 с.

103. Заде JI. Понятие лингвистической переменной и его применение к принятию приближенных решений: пер. с англ.. М.: Мир, 1976. 165 с.

104. Ogawa Н., Fu К. S., Yao J.T.R. Knowledge representation and inference control of SPERIL-II // Proc. of Annual Conference of the Association for Computing Machinery. San Francisco, 1984. Pp. 127-134.

105. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб.: Питер, 2000. 384 с.

106. Хаякава В., Екои Н. Экспертная система для оценки и принятия решений по разрушению бетона. Токио: Никэй Компюта, 1986. 190 с.

107. Ishizuka М., Fu К. S., Yao J.T.R. Rule-based damage assessment system for existing structure // Solid mechanics archives. 1983. №8. Pp. 93-118.

108. Ткалич С.А. Нейросетевая модель процесса прогнозирования аварийной ситуации // Системы управления и информационные технологии. 2008. № 3 (33). С. 196-200.

109. Бобырь М.В. Методы построения функций принадлежностей для нечетких баз данных // Промышленные АСУ и контроллеры. 2011. №2. С.27-32.

110. Wang, L.X., Mendel, J.M. Generation fuzzy rules of learning from examples, IEEE Transactions on system, Man, and Cybernetics. 1992. Vol.22. №6. Pp. 14141427.

111. Wang, L.X. Adaptive fuzzy Systems and control. Design and stability analysis. Prentice hall. Englewood Clifffs. 1994. 300 p.

112. Рутковская Д., Пилиньский M., Рутковский JI. Нейронные сети, генетические алгоритмы и нечеткие системы // М.:Горячая линия-Телеком, 2008. 452 с.

113. Бобырь М.В., Титов B.C. Метод коррекции параметров режима резания в системах с ЧПУ // Мехатроника. Автоматизация. Управление. 2010. № 7. С. 4953.

114. Дюбуа Д, Прад А. Теория возможностей. Приложения к представлению знаний в информатике. М.: Радио и связь, 1990. 288 с.

115. Смирнов В.А., Хасанова А.А. Особенности реализации системы управления на нечеткой логике // Известия Челябинского научного центра УрО РАН. 2003. № 4. С. 80-82.

116. Поспелов Д.А. Моделирование рассуждений. Опыт анализа мыслительных актов. М.: Радио и связь, 1989. 184 с.

117. Бобырь М.В. Диагностика оборудования с ЧПУ методами нечеткой логики // Промышленные АСУ и контроллеры. 2010. № 1. С. 18-20.

118. Sugeno М. On Stability of Fuzzy Systems Expressed by Fuzzy Rules with Singleton Consequents // IEEE Trans. Fuzzy Systems. 1999. №7. Pp. 201-224.

119. Ying H. Practical Design of Nonlinear Fuzzy Controllers with Stability Analysis for Regulating Processes with Unknown Mathematical Models // Automatica. 1994. № 30. Pp. 1185-1195.

120. Castillo O., C'azarez N., Rico D. Intelligent control of dynamic systems using type-2 fuzzy logic and stability issues // International Mathematical Forum. 2006. №. 28. Pp. 1371 1382.

121. Цыпкин Я.З. Основы теории автоматических систем. М: Наука, 1977. 560с.

122. Бобырь М.В., Бобровский Д.С. Устойчивость нечетко-логических систем управления // «Интеллект 2011»: материалы Всероссийской научно-технической конференции. Тула: ТулГУ, 2011. С. 18-20.

123. Designing a Fuzzy Logic Controller to Enhance Directional Stability of Vehicles under Difficult Maneuvers / Mehrdad N. Khajavi , G. Paygane, A. Hakima // World Academy of Science, Engineering and Technology 2009. № 50. Pp. 914919.

124. Stability criteria for uncertain Takagi-Sugeno fuzzy systems with interval time-varying delay / C.H. Lien, K.W. Yu, W.D. Chen, Z.L. Wan, Y.J. Chung // IET Control Theory Appl. 2007. №.3. Vol.1. Pp. 764-769.

125. Lendek Zs., Babuvska R., De Schutter B. Stability of cascaded Takagi-Sugeno fuzzy systems // Proceedings of the 2007 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE 2007). 2007. Pp. 505-510.

126. Kosko B. Global Stability of Generalized Additive Fuzzy Systems // IEEE Transactions on systems, MAN, and Cybernetics. Part C: Applications and reviews. 1998. № 3.Vol. 28. Pp. 441-452.

127. Кудинов Ю.И., Кудинов И.Ю. Устойчивость нечетких автоматных и реляционных динамических систем // Мехатроника. Автоматизация. Управление. 2010. №6. С. 2-12.

128. Gang J., Laijiu Ch. Linguistic stability analysis of fuzzy closed loop control systems // Fuzzy Sets and Systems. 1996. Vol.82. Pp. 27-34.

129. Кудинов Ю.И. Синтез нечеткой системы управления // Известия РАН. Теория и системы управления. 1999. №1. С. 166-172.

130. Титов B.C., Бобырь М.В., Иванов В.И. Система автокоррекции нуля // Автоматизация и современные технологии. 2010. № 12. С. 23-26.

131. Метод коррекции дрейфа нуля операционных усилителей / B.C. Титов, М.В. Бобырь, Н.А. Милостная, A.JI. Беломестная // Известия высших учебных заведений. Приборостроение. 2010. Т. 53. № 9. С. 72-75.

132. Бобырь М.В., Титов B.C., Анциферов А.В. Алгоритм высокоскоростной обработки деталей на основе нечеткой логики // Мехатроника. Автоматизация. Управление. 2012. № 6. С. 21-26.

133. Бобырь М.В., Титов B.C., Анциферов A.B. Адаптивный мультисетевой алгоритм нечетко-логического вывода для оборудования с ЧПУ // «Распознавание 2012»: материалы 10-ой Международной конференции. Курск, 2012. С. 186-188.

134. Ферстер Э., Ренц Б. Методы корреляционного и регрессионного анализа. М.: Финансы и статистика, 1983. 302 с.

135. Бреславцева И.В., Афанасьев М.М. Анализ составляющих чистой прибыли банка методами корреляционно-регрессионного анализа // Альманах современной науки и образования. 2012. № 4. С. 40-44.

136. Лялин В.М., Пещеров A.B. Корреляционно-регрессионный метод анализа начальных полей скоростей процесса обратного выдавливания // Известия Тульского государственного университета. Серия: Технические науки. 2009. №2-2. С. 95-102.

137. Claudin С., Poulachon G., Lambertin М. Correlation between drill geometry and mechanical forces in mql conditions // Machining Science and Technology. 2008. №12. Pp. 133-144.

138. Рубанов В.Г. Статистическая динамика систем управления: Учеб. пособие. Белгород: БелГТАСМ, 2000. 113 с.

139. Солонин, И.С. Математическая статистика в технологии машиностроения. М.: Машиностроение, 1972. 215 с.

140. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. М.: Статистика, 1973. 399 с.

141. Титов B.C., Бобырь М.В., Беломестная A.JI. Интеллектуальная система управления подачей при обработке деталей резанием // Промышленные АСУ и контроллеры. 2010. № 8. С. 17-20.

142. Бобырь М.В., Емельянов С.Г., Титов B.C. Теоретические основы построения автоматизированных систем управления технологическими процессами на основе нечеткой логики: монография. Старый Оскол: Тонкие наукоемкие технологии, 2009. 232 с.

143. Устройство управления точностью обработки деталей на высокоточном оборудовании ЧПУ // Пат. № 2288808. Изобретения № 34, кл. В 23 В 25/06, В 23Q 15/12.2006.

144. Бобырь М.В., Титов B.C., Милостная H.A. Особенности оценки точности измерений размеров при использовании высокоточных автоматизированных систем // Промышленные АСУ и контроллеры. 2005. № 6. С. 17-21.

145. Бобырь М.В., Титов B.C., Беседин A.B. Анализ методов автоматизации управления высокой точностью технологических процессов // Промышленные АСУ и контроллеры. 2003. № 7. С. 29-32.

146. Спиридонов A.A. Планирование эксперимента при исследовании технологических процессов. М.: Машиностроение, 1981. 184 с.

147. Титов B.C., Бобырь М.В., Милостная Н.А.Распознавание контуров деталей на основе использования лазерных преобразователей информации // Промышленные АСУ и контроллеры. 2007. № 3. С. 22-25.

148. Автоматизированная система контроля на основе ультразвуковых датчиков / B.C. Титов, Бобырь М.В., Иванов В.И., Бартенева Ю.Л. // Датчики и системы.2007. № 7. С. 7-9.

149. Автоматизированная система теплового контроля печатных плат / Бобырь М.В., Иванов В.И., Милостная H.A., Ширабакина Т.А. // Датчики и системы.2008. № 7. С. 36-38.

150. Ершов Е. В. Математическое и программное обеспечение оптико-электронной системы управления процессом спекания шихты на агломерационной машине конвейерного типа. Череповец: ЧВИИРЭ, 2002. 128с.

151. Яковлев С.П., Григорович В.Г. Применение математической статистики и теории планирования эксперимента в обработке металлов давлением. Тула: Изд-во ТПИ, 1980. 80 с.

152. Pearson E.S., Hartley Н.О. Biometrika Tables for Statisticians. N.Y.: Cambridge University Press, 1954. Vol. 1. 210 p.

153. Заковоротный В.Л., Бордачев E.B. Прогнозирование и диагностика качества обрабатываемой детали на токарных станках с ЧПУ // Известия высших учебных заведений. Машиностроение. 1996. № 1. С. 95-96.

154. Цыпкин Я.З. Адаптация и обучение в автоматических системах. М.: Наука, 1968. 400 с.

155. Растригин, Л.А. Адаптация сложных систем / Л.А. Растригин. Рига.: Зинатне. 1981. 375 с.

156. Растригин Л.А. Современные принципы управления сложными объектами. М.: Сов. радио. 1980. 232 с.

157. Мартинов Г.М., Любимов А.Б., Обухов А.И. Проблема адаптации систем ЧПУ класса PCNC к станкам лазерной графики // Мехатроника. Автоматизация. Управление. 2009. № 1. С. 59-62.

158. Жданов А.А., Караваев М.В. Применение нечеткой логики в имитационной системе автономного адаптивного управления // Труды Института Системного Программирования Российской Академии Наук: Том 3. М.: ИСПРАН, 2002. С. 119-135.

159. Авдеев Б.Я., Антонюк Е.М., Долинов С.Н. Адаптивные телеизмерительные системы. Л.: Энергоиздат, 1981. 248 с.

160. Титов В.С., Бобырь М.В., Милостная Н.А. АСУ включением/выключением устройства удаления стружки и пыли на оборудовании с ЧПУ // Автоматизация в промышленности. 2006. № 12. С. 1011.

161. Шпилевая О.Я. Оптимальные и адаптивные системы управления. Новосибирск: НГТУ, 2006. 43с.

162. Марчук Г.И., Аганбегян А.Г., Бобко И.М. Адаптивная АСУ производством. М.: Статистика, 1981. 176 с.

163. Курейчик В.М., Лебедев Б.К., Лебедев О.Б. Гибридный алгоритм разбиения на основе природных механизмов принятия решений // Интеллектуальные системы и принятие решений. 2012. №2. С. 124-131.

164. Rajesh, R. Variable Gain Takagi-Sugeno Fuzzy Logic Controllers / R. Rajesh, M.R. Kaimal // Informática. 2006. V. 17. № 3. Pp. 427-444.

165. Круглов B.B., Дли М.И., Голунов Р.Ю. T Нечеткая логика и искусственные нейронные сети. М.: Физматлит, 2001. 224 с.

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

167. Мещеряков В.А., Денисов И.В. Алгоритм функционирования адаптивной системы нейро-нечеткого управления рабочим процессом стрелового крана // Автоматизация в промышленности. 2011. № 201105. С. 54-57.

168. Бобырь М.В., Титов B.C., Червяков JI.M. Адаптация сложных систем управления с учётом прогнозирования возможных состояний // Автоматизация и современные технологии. 2012. № 5. С. 3-10.

169. Титов B.C., Бобырь М.В., Милостная H.A. АСУ прогнозированием точности обработки деталей // Автоматизация в промышленности. 2008. № 4. С.3-4.

170. Бобырь М.В. Управление оборудованием с ЧПУ на основе нечетко-логического вывода // Программа для ЭВМ №2010616290. 2010.

171. Бобырь М.В. Управление оборудованием с ЧПУ на основе нечетко-логического вывода // Программа для ЭВМ №2010616290. 2010.

172. Справочник технолога-машиностроителя: в 2 т. Т. 1 / под ред. А.Г. Косиловой и Р. К. Мешерякова. 4-е изд., перераб. и доп. М.: Машиностроение, 1986. 656 с.

173. Прикладные нечеткие системы / Т.Тэрано, К. Асаи, М. Сугено и др. М.: Мир, 1993. С 368.

174. Бобырь М.В., Титов B.C., Милостная H.A. Система лазерного контроля обработки деталей в реальном времени // Промышленные АСУ и контроллеры. 2005. № 11. С. 21-25.

175. Бобырь М.В., Титов B.C. Статистический анализ точности обработки деталей // Промышленные АСУ и контроллеры. 2004. № 7. С. 31-34.

176. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. М.: Статистика, 1973.399 с.

177. К.Т Н., доцент А.С. Романченко1. Декан факультета ИВТд.т.н., профессор С.В. Дегтярев1. Зам. зав. кафедрой ВТк.т.н., доцент И.Е. Чернецкаяgmm^ Bulgarisch Deutsche Oesellschaft1. S SPESIMAB

178. El BULGARIA 1113 SOFIA P О В 148 gl BULGARIA 1592 SOFIA. 9 Asen Yordanov Blv TEL [phone] FAX. [phone]« E-mail info@speslma eu Web www spesima.eu

179. Ген. директор „СПЕСИМА" ООДх tí У1. УТВЕРЖДАЮ- t /¿I---'* ' подпись19 » октябрь 2011 г1. Д-р инж. В. Славковфамилия

180. АКТ О ВНЕДРЕНИИ внедрения диссертационной работы Бобырь Максима Владимировича

181. Данный акт не является основанием для проведения финансовых операций;