Модели и алгоритмы системы диагностики процесса агломерации железных руд тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Ендияров, Сергей Валерьевич

• Ендияров, Сергей Валерьевич
• кандидат технических наук
• 2012

Оглавление диссертации кандидат технических наук Ендияров, Сергей Валерьевич

1 АНАЛИЗ ПРОБЛЕМНОЙ СИТУАЦИИ И ПОСТАНОВКА ЗАДАЧ ИССЛЕДОВАНИЯ.

1.1 Проблема управления и диагностики процесса агломерации.

1.2 Аналитический обзор существующих методов оптимизации и диагностики процесса агломерации железных руд.

1.3 Особенности разработки интеллектуальных систем.

1.4 Системный анализ процесса агломерации железных руд.

1.4.1 Исследование характеристик технологического комплекса производства агломерата.

1.4.2 Исследование характеристик режимных параметров процесса агломерации.

1.4.3 Исследование влияния соотношений сортов твердого топлива на процесс агломерации.

1.4.4 Исследование коэффициентов чувствительности балансовой основности аглошихты.

1.5 Выводы по главе.

2 РАЗРАБОТКА МОДЕЛЕЙ ДИАГНОСТИКИ, ПРОГНОЗИРОВАНИЯ И ОПТИМИЗАЦИИ ПРОЦЕССА АГЛОМЕРАЦИИ ЖЕЛЕЗНЫХ РУД

2.1 Разработка моделей прогнозирования качественных показателей агломерата.

2.2 Разработка моделей оптимизации процесса агломерации.

2.2.1 Расчет корректировки расхода флюсов при изменении основности агломерата.

2.2.2 Модель корректировки расхода твердого топлива при изменении соотношений сортов в смеси.

2.2.3 Использование нейро-нечеткой сети для поиска оптимальных корректирующих воздействий.

2.3 Разработка модели оптимизации для поиска оптимальных управляющих воздействий.

2.4 Разработка моделей диагностики процесса агломерации.

2.4.1 Диагностика процесса агломерации на основе расчета доверительных интервалов.

2.4.2 Диагностика процесса спекания на основе коэффициентов передачи.

2.4.3 Диагностика соотношений сортов твердого топлива по косвенным признакам.

2.4.4 Обнаружение тенденций изменения расходов компонентов шихты

2.6 Выводы по главе.

3 РАЗРАБОТКА АЛГОРИТМОВ СИСТЕМЫ ДИАГНОСТИКИ ПРОЦЕССА АГЛОМЕРАЦИИ ЖЕЛЕЗНЫХ РУД.

3.1 Разработка алгоритмов прогнозирования основных качественных показателей агломерата.

3.2 Разработка алгоритмов оптимизации процесса агломерации железных руд.

3.3 Разработка алгоритмов диагностики процесса агломерации железных руд.

3.4 Разработка обобщенного алгоритма функционирования системы диагностики процесса агломерации железных руд.

3.5 Выводы по главе.

4 ОЦЕНКА ЭФФЕКТИВНОСТИ МОДЕЛЕЙ И АЛГОРИТМОВ СИСТЕМЫ ДИАГНОСТИКИ ПРОЦЕССА АГЛОМЕРАЦИИ ЖЕЛЕЗНЫХ РУД.

4.1 Описание основных особенностей системы диагностики процесса агломерации железных руд.

4.2 Оценка эффективности использования модели оптимизации процесса

4.3 Оценка эффективности использования моделей и алгоритмов диагностики.

4.4 Оценка эффективности моделей прогнозирования качественных показателей агломерата.

4.5 Перспективы применения разработанных алгоритмов и моделей системы диагностики процесса агломерации железных руд.

4.6 Выводы по главе.

Введение диссертации (часть автореферата) на тему «Модели и алгоритмы системы диагностики процесса агломерации железных руд»

Актуальность темы. Многолетняя практика показала, что окускование пылеватых руд и концентратов путем спекания и получения офлюсованного агломерата обеспечило значительное снижение удельного расхода кокса на выплавку чугуна и увеличение производительности доменных печей. Это произошло благодаря тому, что по качеству офлюсованный агломерат не уступает кусковой руде.

Так как применение агломерата в доменных печах способствует улучшению качества чугуна, повышению производительности печей и снижению расхода кокса, то качественная подготовка аглошихты к спеканию является одним из важнейших факторов, определяющих эффективность агломерационного, а следовательно, и доменного производства. Подготовка шихты заключается в обеспечении рациональных значений ее химического, гранулометрического составов и влажности. Конечной задачей процессов подготовки шихты являйся обеспечение высокого качества агломерата и максимальной производительности агломашин.

Процесс производства агломерата протекает в условиях возмущающих воздействий: изменения химико-минералогического и зернового состава компонентов спекаемой шихты, условий дозирования, транспортирования, смешения и увлажнения шихты, а также укладки шихты на агломерационную машину. Наличие рециклов, длительного времени запаздывания между опробованиями приводит к тому, что корректировка хода процесса, основанная на опыте и знаниях персонала, не позволяет достигнуть эффективной работы комплекса производства агломерата. Период дискретности между поступлением результатов опробования некоторых компонентов шихты настолько велик, что данная информация вовсе не может быть использована для корректировки хода процесса агломерации.

Для повышения эффективности принятия решений по корректировке хода процесса агломерации железных руд необходимо осуществлять 5 диагностику состояния процесса с целью определения фактического состояния объекта. Кроме того, вследствие существенного запаздывания информации о химическом составе компонентов шихты рационально использовать прогнозирование основных качественных показателей агломерата для оперативной выработки корректирующих воздействий. Таким образом, разработка моделей и алгоритмов системы диагностики процесса агломерации железных руд является актуальной научно-технической задачей.

Объект исследования. Технологический комплекс производства агломерата.

Предмет исследования. Математические модели и алгоритмы системы диагностики процесса производства железорудного агломерата.

Цель диссертационной работы. Уменьшение колебаний химического состава агломерата и снижение расхода твердого топлива на спекание шихты за счет разработки моделей и алгоритмов системы диагностики процесса агломерации железных руд.

Задачи исследования. Исходя из цели работы, были поставлены следующие задачи:

- Исследовать основные характеристики процесса агломерации железных руд как объекта диагностики;

- Разработать модели и алгоритмы системы диагностики процесса агломерации железных руд;

- Разработать модели прогнозирования основных качественных показателей агломерата;

- Разработать модель оптимизации процесса агломерации железных руд.

Методы исследования. Для решения поставленных задач использовались методы теории множеств, теории вероятности, аналитической геометрии, теории оптимизации, нечетких множеств, вычислительного эксперимента, математической статистики, методы 6 системного анализа, объектно-ориентированного анализа и проектирования, математического моделирования.

Научная новизна и основные положения, выносимые на защиту:

1. Модели и алгоритмы статистической диагностики процесса агломерации железных руд для оперативного оповещения обслуживающего персонала в случае возникновения разладки процесса. При этом особенностью разработанных моделей является робастность по отношению к распределению исходного сигнала, а так же его нестационарности;

2. Модели прогнозирования основных качественных показателей агломерата, отличающиеся применением для прогнозирования содержания железа и монооксида железа в агломерате нейро-нечетких сетей Такаги-Сугено с учетом низкочастотных составляющих сигналов, что позволило в сравнении с авторегрессионными моделями значительно снизить погрешность прогнозирования;

3. Модель оптимизации процесса агломерации железных руд, позволяющая производить поиск оптимальных корректирующих воздействий. При этом в отличие от известных моделей корректировки процесса агломерации, предложенная модель оптимизации позволяет учитывать все основные качественные показатели одновременно, что достигается применением методов глобальной оптимизации;

4. Модель и алгоритм диагностики соотношений сортов твердого топлива, который позволяет по косвенным показателям процесса спекания, восстанавливать текущие соотношения сортов твердого топлива. До настоящего времени в литературе не была описана возможность восстановления соотношений сортов твердого топлива по результатам измерений косвенных показателей процесса.

Практическая ценность работы и реализация результатов работы.

Практическая ценность диссертационной работы состоит в том, что разработанные модели и алгоритмы системы диагностики процесса 7 агломерации железных руд, позволяют повысить достоверность контроля, прогнозировать основные качественные показатели агломерата и выдавать рекомендации по корректировке расходов компонентов шихты, что позволяет стабилизировать химический состав агломерата, снизить расход твердого топлива на спекание.

Установлено, что предложенная модель оптимизации позволила снизить колебания качественных показателей агломерата: в 5,08 раз по основности, в 4 раза по железу и в 3,9 раз по монооксиду железа. Кроме того, сравнение фактических данных по расходам компонентов твердого топлива с расходами, полученными в результате моделирования, показало, что предложенная модель корректировки позволила снизить расход твердого топлива на 3,57%. Введение диагностических алгоритмов и моделей позволило сократить время пребывания объекта в не желательном состоянии в среднем в 2,5 раза.

Результаты диссертационной работы внедрены в виде практических методик реализации этапов создания системы диагностики сложных технических систем и процессов внедрены в учебный процесс кафедры информатики УГГУ с 1 мая 2012 года по дисциплинам «Моделирование систем», «Информационные технологии», «Основы теории управления» для студентов 3-го, 4-го курсов специальности «220200 - Автоматизированные системы обработки информации и управления» (АСУ), кафедры общетехнических дисциплин с 1 мая 2012 года по дисциплинам «Численные методы», «Компьютерное моделирование», «Математическое моделирование» для студентов 3-го, 4-го курсов специальности «080801 -Прикладная информатика (в образовании), «050203.00 - Физика и информатика» института физики и технологии УРГППУ.

Кроме того разработанная модель оптимизации, на основе метода роя частиц, а так же алгоритмы и модели диагностики используются в ООО

Интеллект» (г. Екатеринбург). Результаты работы в виде программного обеспечения «Система диагностики и управления процессом агломерации 8 железных руд» (этап производства железорудного агломерата) (свид. № 2012619126 от 08.10.2012 и № 2012619059 от 05.10.2012) внедрены в ООО «НПО УГГУ» (г. Екатеринбург).

Апробация результатов. Основные результаты диссертационной работы докладывались и обсуждались на: Международной научно-практической конференции «Связь-пром 2011», проводимой в рамках VIII международного форума «Связь-промэкспо 2011» (г. Екатеринбург, 2011), 69-ой межрегиональной научно-технической конференции «Актуальные проблемы современной науки, техники и образования» (г. Магнитогорск, 2011), Международной научно-практической конференции «Связь-пром 2010» в рамках VII евро-азиатского форума «Связь-промэкспо 2010» (г. Екатеринбург, 2010), Международной научно-практической конференции молодых ученых и студентов проводимой в рамках международной научно-практической конференции «Уральская горная школа-регионам» (г. Екатеринбург, 2011), Всероссийской научной конференция с международным участием «Информационные технологии в горном деле» (г. Екатеринбург, 2011), Международной научно-практической конференции молодых ученых и студентов проводимой в рамках международной научно-практической конференции «Уральская горная школа-регионам» (г. Екатеринбург, 2012).

Публикации. По теме диссертационной работы опубликовано 28 печатных работ, в том числе: 7 - в журналах, определенных ВАК, 4 - в зарубежных рецензируемых журналах, 2 - свидетельства о государственной регистрации программы для ЭВМ, 6 - материалах международных конференций, 11 - в других сборниках.

Структура диссертации. Диссертация состоит из введения, 4 глав, 6 приложений, заключения, списка литературы (165 наименования). Общий объем работы составляет 179 машинописных страниц, включая 82 рисунков и 18 таблиц. Приложения включают 34 страницы.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Ендияров, Сергей Валерьевич

4.6 Выводы по главе

По результатам данной главы можно сформулировать следующие основные выводы:

1 Проведено сравнение результатов применения предложенного алгоритма оптимизации с экспериментальными данными процесса и алгоритмом корректировки, основанным на балансовой основности аглошихты;

2 Предложена методика оценки эффективности работы диагностических алгоритмов и моделей, основанных на обнаружении статистических событий. Приведены расчеты среднего числа отклонений в единицу времени ^ и средней длительности выбросов для основных контролируемых показателей процесса;

3 Расчет эффективности применения моделей и алгоритмов диагностики и оптимизации позволил значительно снизить колебания основных качественных показателей агломерата по отношению к экспериментальным данным (в 5,08 раз по основности, в 4 раза по железу и в 3,9 раз по монооксиду железа) и алгоритму корректировки, основанному на балансовой основности (в 2,09 раз по основности, в 2,97 раза по железу и в 2,87 раз по монооксиду железа);

4 Сравнение фактических данных по расходам компонентов твердого топлива с расходами полученными в результате моделирования показал, что предложенный алгоритм оптимизации позволяет снизить расход твердого топлива на 3,57 %. Кроме того введение диагностических алгоритмов и моделей позволило сократить время пребывания объекта в не желательном состоянии в среднем в 2,5 раза;

5 Расчет эффективности моделей прогнозирования основных качественных показателей агломерата показал, что применение нейро-нечетких сетей позволило значительно снизить погрешность прогнозирования качественных показателей агломерата. Кроме того, включение в модель низкочастотных составляющих сигнала позволило уменьшить погрешность прогнозирования Бе и БеО еще приблизительно в 2 раза (погрешности: Рел = 0.064,БеСУ =0.147 ).

ЗАКЛЮЧЕНИЕ

В данной диссертационной работе были рассмотрены проблемы связанные с диагностикой процесса агломерации железных руд. В ходе исследовательской работы были разработаны различные модели и алгоритмы системы диагностики, которые могут быть использованы для повышения качества агломерата как за счет снижения колебания его химического состава, так и за счет разработанных моделей и алгоритмов диагностики, позволяющих сделать корректировку хода процесса более прозрачной и простой посредством снижения уровня неопределенности.

В диссертационной работе в рамках решения поставленной научно-технической задачи уменьшения колебаний химического состава агломерата и снижения расхода твердого топлива на спекание шихты за счет разработки моделей и алгоритмов системы диагностики процесса агломерации железных руд получены следующие основные результаты:

1. С точки зрения диагностики, агломерация представляет собой чрезвычайно сложный процесс. Основными причинами этого являются длительное время запаздывания, связанное с подготовкой и химическим анализом проб, наличие рециклов, сложных химико-физических превращений, происходящих с шихтой во время спекания. Оптимизация процесса агломерации на основе знаний и опыта сотрудников приводит к флуктуациям химического состава агломерата.

При этом было установлено, что сигналы, характеризующие химический состав шихты, содержат низкочастотные периодические составляющие (основность -41ч; углерод - 59 ч; БеО - 24 ч; Бе - 20 ч; СаО (известняк) - 32 ч; 8Юг (руда) - 42 ч). Кроме того выявлено, что для данных сигналов характерно наличие больше одного режима (основность - 5 режимов; углерод - 4 режима; БеО - 2 режима; СаО - 4 режима; Бе - 5 режимов), что подтверждает гипотезу о нестационарности рассматриваемых сигналов;

2. Разработаны модели и алгоритмы системы диагностики процесса агломерации железных руд, позволяющие снизить колебаниях химического состава железорудного агломерата и уменьшить расход твердого топлива на спекание, за счет восстановления фактического состояния процесса;

3. Решена задача оптимизации процесса агломерации железных руд, которая позволяет удовлетворить все ограничения, накладываемые на качественные показатели агломерата. Для решения поставленной задачи было предложено использовать гибридный метод оптимизации на основе метода роя частиц, что позволило обеспечить 99 % вероятность нахождения оптимального решения задачи;

4. Расчет эффективности применения моделей и алгоритмов системы диагностики показал, что их использование позволило значительно снизить колебания основных качественных показателей агломерата по отношению к экспериментальным данным (в 5,08 раз по основности, в 4 раза по железу и в 3,9 раз по монооксиду железа) и модели корректировки, основанной на балансовой основности (в 2,09 раз по основности, в 2,97 раза по железу и в 2,87 раз по монооксиду железа);

5. Сравнение фактических данных по расходам компонентов твердого топлива с расходами полученными в результате моделирования показывает, что предложенная модель оптимизации позволяет снизить расход твердого топлива на 3,57 %. Кроме того введение диагностических алгоритмов и моделей позволило сократить время пребывания объекта в не желательном состоянии в среднем в 2,5 раза;

6. Разработаны модели прогнозирования основных качественных показателей агломерата на основе нейро-нечетких сетей Такаги-Сугено. Результаты сравнения моделей нейро-нечетких сетей и авторегрессии показали, что использование нейро-нечетких сетей позволило значительно снизить погрешность прогнозирования качественных показателей агломерата. Кроме того, включение в модель низкочастотных составляющих сигнала позволило уменьшить погрешность прогнозирования Бе и БеО еще приблизительно в 2 раза (погрешности:/^ = 0.064,БеСУ =0.147 ).

Список литературы диссертационного исследования кандидат технических наук Ендияров, Сергей Валерьевич, 2012 год

1. Коротич В. И., Фролов Ю. А., Бездежский Г. Н. Агломерация рудных материалов: науч. изд. — Екатеринбург: изд УГТУ - УПИ, 2003. — 400 с.

2. Клейн, В.И. Теплотехнические методы анализа агломерационного процесса / В.И. Клейн, Г.М. Майзель, Ю.Г. Ярошенко, А.А. Авдеенко. Под ред. Ю.Г. Ярошенко. Екатеринбург: ГОУ ВПО УГТУ-УПИ, 2004. - 224 с.

3. Вегман Е. Ф. Теория и технология агломерации.—М.: Металлургия, 1974. — 288 с.

4. Спекание агломерата на аглофабрике № 4 : Технологическая инструкция ТИ-101-ГОП-10-95. Магнитогорск, 2000.

5. Unaki Н., Miki К. New Control System of Sinter Plants at Chiba Works, IF AC Automation in Mining, Mineral and Metal Processing, pp. 209-216, Tokyo, Japan, 1986.

6. Zhuwu M. Automation for Ironmaking, Metallurgy Industry Press, ISBN 7-5024-3639-1, Beijing, 2005.

7. Iwada Kunihiro. Применение экспертной системы на аглофабрике № 3 в Тобата / Iwada Kunihiro // Дзайре то пуросэсу Curr. Adv. Mater, and Proc.- 1991.-№1.-С. 123.

8. Fukagama, Т. Автоматизированная система управления агломерационным процессом с искусственным интеллектом / Т. Fukagama // Кавасаки сэйтэцу тихо Kawasaki steel gino. - 1991. - №3. - С. 203-209.

9. Hamada Katsushige. Прогрессивная АСУТП агломерационным процессом / Hamada Katsushige, Murai Tatsunori, Jyoko Tadatsugu, Nakamura Yuji, Morioki Keiji // Сумитомо киндзоку Sumitomo Metals. - 1992. №1. -C. 151-160.

10. Matsuda Kouichi. Моделирование системы контроля в процессе спекания на основе теории сетей и нечетких множеств / Matsuda Kouichi,

11. Tamura Naoki, Nose Kazuo, Noda Takashi, Okata Tashihito, Osuzu Katsuji// Tetsu to Nagane J. Iron and Steel Inst. Jap. - 1992. - №7. C. 1045-1052.

12. И. Ткаченко Г.Г., Хрущев И.А. Управление качеством продукции в коксохимическом и агломерационном производствах. Бюллетень ЦНИИЧМ. Обзорная информация. Автоматизация металлургического производства. М., 1991. Вып. 3. 22 с.

13. Xiao-hui F., Xu-ling C., Tao J. Real-time operation guide system for sintering process with artificial intelligence // Journal of central south university of technology, China, vol. 12, issue 5, 2005, pp. 531-535.

14. Xiang J., Wu M. Intelligent Integrated Optimization Control Design of Comprehensive Production Indices for Sintering Process // Control Conference, China, 2007, pp. 750-754.

15. Dai-fei L., Xu-ling C. Development and Application of Sintering Process Data Mining System // Management and Service Science, Wuhan, 2009, pp. 1-4.

16. Xu-ling C., Xiao-hui F., Tao J. Operation Guidance System for Iron Ore Sintering Process // Intelligent System Design and Engineering Application, Changsha, 2010, pp. 1053-1055.

17. Xiao-hui F., Xu-ling C., Wang Y. Expert System for Sintering Process Control // Expert systems, Croatia, 2010, pp. 65-90.

18. Xiao-hui F., Lijuan J., Xu-ling C. Air Leakage Online Monitoring and Diagnosis Model for Sintering // 2012 TMS Annual Meeting & Exhibition, 3rd International Symposium on High Temperature Metallurgical Processing, United States, Florida, 2012.

19. Terpák, J., L. Doreák and I. Kostial (1997). Modelling, Monitoring and Control of the Agglomeration Process. Transactions of the Technical University of Kosice, Vol.5, No.l, pp.37-42.

20. Terpák, J., L. Doreák and I. Kostial (2002). Analyse of the combined blast furnace wind parameters. Acta Metallurgica Slovaca, Vol.8, No.4, pp.202207.

21. Vanderheyden, B. and C. Mathy (2001). Mathematical model of the sintering process taking into account different input gas conditions. Revue de Métallurgie, No.3, pp.251-257.

22. Myllymaki, P. and J. Poutiainen (2000). Sinteringn machine burn-through management by fuzzy speed control. In: Future Trends in Automation in Mineral and Metal Processing, IF AC Workshop, Finland, 22-24 August 2000, pp. 172-176.

23. Muchi, I. and J. Higuchi (1972). Theoretical Analysis of Sintering Operation. Transaction ISIJ, Vol.12, pp. 54-63.

24. Kyseová, К. and J. Surisin (1998). Chemical Analysis of Complex Metallurgical Systems. Acta Metallurgica Slovaca, Vol.4, No.l, pp.150-152.

25. Kwon, W.H., Y.H.Kim, S.J.Lee, and K.N.Paek (1998). Event-Based Modeling and Control for the Burnthrough Point in Sintering Processes. IEEE Tr. Control System Technology, Vol.6, No.6, pp. 172-176.

26. Kostial, I., J. Terpák, L. Doreák, P. Nemovsky (1998). Sintering process control. In: Preprints of the 9th IF AC Symposium, Cologne, Germany, 1-3 September 1998, pp. 163-167.

27. Kostial, I. and L. Doreák (1988). Application of New Radiative Heat Transfer Models for Simulation and Control of Heat Devices. In: Proceedings of 12th IMACS World Congress, Paris, France, Vol.2, pp. 367-369.

28. Техническая диагностика объектов контроля /В.В Карибский, П.П. Пархоменко М.; Энергия, 1967.-80с.

29. Проблемы автоматизации агломерационного производства: Материалы всесоюзной конференции/ Ин-т автоматики; Ред. Н.В. Федоровский. -Киев, 1973.-374 с.

30. Мозгалевский А.В. Техническая диагностика устройств и систем управления -Л.; 1972 29с.

31. Баширов М.Г., Сайфутдинов Д.М., Филимошкин В.А. «Диагностика насосного оборудования по параметрам электромагнитной цепи электропривода»//Современныенаукоемкие технологии, 2004,№2 с. 142144.

32. Kostial I., Doreak L., Terpak J. Optimal control of the sintering process // Proceedings of the 16th IF AC World Congress, vol. 16, part 1, Czech Republic, 2005.

33. Langer M., Vogel B. Synthesis of plantwide quality prediction system for a sintering plant // 15th Triennial World Congress, Barcelona, Spain, vol. 15, Part 1,2002.

34. Sintering technologies Electronic resource. / Outotec: more out of ore -Mode of access: http://www.outotec.com/36252.epibrw

35. Sinter solutions Electronic resource. / Technology, mechanics, automation and electrical engineering from a single source Mode of access: http://www.industry.siemens.com/datapool/industry/industrysolutions/meta ls/simetal/en/Sinter-Solutions-en.pdf

36. Малыгин A.B., Зобнин Б.Б., Головырин С.С., Сурин A.A., Невраев В.П., Гуркин М.А., Катаев PJL Система управления качеством агломерата // Сталь, N 1, 2005.

37. Ершов, Е.В. Анализ гранулометрического состава агломерата с использованием методов обработки изображений Текст. / Е.В. Ершов, В.В. Селивановских, О.Г. Ганичева, В.В. Плашенков // Известия вузов. Приборостроение. 2007. Т. 50, № 8. С. 65 - 68.

38. Ершов, Е.В. Анализ макроструктуры агломерата в реальном масштабе времени / Е.В. Ершов, Е.В. Королева // Прогрессивные процессы и оборудование металлургического производства: Материалы 2-й Всероссийской НТК. Череповец: ЧТУ, 2001. - С. 35-36.

39. Ершов, Е.В. Контроль процесса спекания шихты на агломерационной машине с использованием методов обработки изображений на ЭВМ Текст. / А.И.Потапов, Е.В. Ершов, О.Л.Селяничев //Дефектоскопия. 1995.-№6.-С.19-21.

40. Feigenbaum Е. A. The art of artificial intelligence: Themes and case studies of knowledge engineering//The fifth International Joint Conference on Artificial Intelligence. Boston: MIT, 1977. - P. 1014-1029.

41. Newell A., Simon M.A. Human problem solving. Englewood Cliffs, New Jersey: Prentice-Hall, 1972.

42. Harmon P. The Market for intelligent Software Products Intelligent Software Strategies, 1992. V.8. '2. - P.5 -12.

43. March Headline: JavaScript surpasses Perl and Python Electronic resource. / TIOBE Programming Community Index for March 2012 Mode of access: http://www.tiobe.com/index.php/content/paperinfo/tpci/index.html

44. Попов Э.В. Статические и динамические экспертные системы: Учеб. пособие/Э.В. Попов, И.Б. Фоминых, Е.Б. Кисель, М.Д. Шапот. М.: Финансы и статистика, 1996. - 320с.: ил.

45. Гамма Э., Хелм Р., Джонсон Р., Влиссидес Дж. Приемы объектно-ориентированного проектирования. Паттерны проектирования. — СПб: Питер, 2001. — 368 е.: ил. (Серия «Библиотека программиста»)

46. Forsyth R. Expert Systems: Principles and Case Studies, ed. Forsyth R, Chapman and Hall Ltd, 1989.

47. Lassila O., Swick R. Resource Description Framework (RDF) Model and Syntax Specification. W3C recommendation, Feb.1999, http://www.w3.org/TR/1999/REC-rdfsyntax-19990222.

48. Brickley D., Guha R.V. Resource Description Framework (RDF) Schema Specification. W3C proposed recommendation, Mar. 1999, http://www.w3.org/TR/1999/PR-rdf-schema-19990303.

49. Champin P. RDF Tutorial. http://www710.univlyonl. fr/~champin/rdf-tutorial/. 2001.

50. RDFCore: Resource Description Framework (RDF) Schema Specification 1.0

51. Horrocks P. I., Patel-Schneider and F. van Harmelen. From SHIQ and RDF to OWL: The making of a Web Ontology Language. http://www.cs.man.ac.uk/~horrocks/Publications/download/2003/HoPH03a.pdf

52. OWL Web Ontology Language. Overview. http://www.w3.org/TR/2004/REC-owl-features-20040210/.

53. Khondoker M., Mueller P. Comparing Ontology Development Tools Based on an Online Survey // Proceedings of the World Congress on Engineering, vol. 1, London, U.K., 2010.

54. Отнес P., Эноксон Л. Прикладной анализ временных рядов. Основные методы: — М.: Мир, 1982. 428 с.

55. Дженкинс Г., Ватте Д. Спектральный анализ и его приложения: В 2 т./ Пер. с англ. Ф. М. Писаренко с предисловием А. М. Яглома М.: Мир, 1971.- 158 с.

56. Бокс Дж., Дженкинс Г. Анализ временных рядов: прогноз и управление. Выпуск 1. М.: Мир, 1974. 390 с.

57. Петере Э. Хаос и порядок на рынках капитала. Новый аналитический взгляд на циклы, цены и изменчивость рынка. М.: Мир, 2000.-333 с.

58. Craymer М. R. The least squares spectrum, its inverse transform and autocorrelation function: theory and some applications in geodesy. Ph.D. Dissertation, University of Toronto, Canada, 1998. 159 p.

59. Ендияров С. В. Современный подход к анализу периодических составляющих временных рядов // В мире научных открытий: серия «Математика. Механика. Информатика». Красноярск. Февраль. 2012. N 1. С. 20-30.

60. Ендияров С. В. Автоматическая идентификация периодических составляющих временного ряда на основе конечного множества подходов //

61. Перспективы развития информационных технологий: сб. материалов V междунар. научно-практ. конф. Новосибирск. С. 31-36.

62. Yendiyarov S., Petrushenko S. Robust Probabilistic Online Change detection Algorithm based on the Continuous Wavelet Transform // World Academy of Science, Engineering and Technology, France, Issue 60, December 2011, pp. 1810-1814.

63. Burrus C., Ramesh A. Introduction to wavelets and wavelet transforms: A Primer/ C. Burrus, A. Ramesh. USA.: Prentice hall, 1998. - 281 P

64. И.М.Дремин, О.В.Иванов, В.А.Нечитайло. Вейвлеты и их использование. Успехи физических наук. Т. 171, №5. 2001.

65. В.П.Дьяконов. MATLAB 6.0/6.1/6.5/6.5+SP1 + Simulink 4/5. Обработка сигналов и изображений. М.: СОЛОН-Пресс, 2005. - 592 с.

66. Л.В.Новиков Основы вейвлет-анализа сигналов. Учебное пособие. Санкт-Петербург.: Модус, 1999. - 152 с.

67. А.А.Шевченко, Е.В.Битюкова. Применение вейвлет-анализа при обработке данных ВСП. Технологии сейсморазведки, № 2, 2006.

68. Маллат С. Вэйвлеты в обработке сигналов. М.: Мир, 2005.

69. Holschneider М. Wavelets: An Analysis Tool. Oxford University Press, 2005.

70. Короновский А. А., Храмов A. E. Анализ хаотической синхронизации динамических систем с помощью вейвлетного преобразования // Письма в ЖЭТФ. 2004. Т. 79, № 7. С. 391-395.

71. Koronovskii A. A., Hramov А. Е. Time scale synchronization of chaotic oscillators // Physica D. Vol. 206, № 3-4. P. 252-254.

72. Постников Е. Б. Вычисление непрерывного вейвлет-преобразования как решение задачи Коши для системы дифференциальных уравнений в частных производных // Журнал вычислительной математики и математической физики. 2006. Т. 46, № 1. С. 77-82.

73. Skeel R. D., Berzins М. A method for the spatial discretization of parabolic equations in one space variable // SIAM Journal on Scientific & Statistical Computing. 1990. Vol. 11. P. 1-32.

74. Постников Е. Б. О точности синхронизации вейвлетной фазы хаотических сигналов // ЖЭТФ. 2007. Т. 132, № 3. С. 742-745.

75. Permann D., Hamilton I. Wavelet analysis of time series for the Duffing oscillator: The detection of order within chaos // Physical Review Letters. 1992. Vol. 69. P. 2607-2610.

76. Новиков JI.B. Основы вейвлет-анализа сигналов. С.-Пб., Изд-во СПбГТУ, 1999.

77. Астафьева Н.М. Вейвлет-анализ: основы теории и примеры применения // Успехи физических наук. 1998- Т. 166. - № 11. - С. 11451170.

78. Будников Е.Ю., Кукоев И.Ф., Максимов А.В. Вейвлет- и Фурье-анализ электрических флуктуаций в полупроводниковых и электрохимических системах // Измерительная техника. 1999. - № 11. - С. 40-44.

79. Гречихин В.А., Евтихиева O.A., Есин М.В., Ринкевичус Б.С. Применение вейвлет-анализа моделей сигналов в лазерной доплеровской анемометрии // Автометрия, 2000. № 4. - С. 51-58.

80. Дольников В.А., Стрелков H.A. Оптимальные вейвлеты // Изв. Тульского гос. ун-та, серия математика, механика, информатика, 1997. т. 4. -№ 5. - С. 62-66.

81. Дремин И.М., Иванов О.В., Нечитайло В.А. Вейвлеты и их использование//Успехи физических наук, 2001. т. 171.-№ 5. -С. 465-501.

82. Дремин И.М.,Иванов О.В., Нечитайло В.А. Практическое применение вейвлет-анализа // Наука производству, 2000. № 6. - С. 13-15.

83. Желудев В.А. О цифровой обработке сигналов при помощи сплайн-вейвлетов и вейв лет-пакетов // ДАН, 1997. т. 355.-№5.-С. 592596.

84. Захаров В.Г. Разработка и применение методов вейвлет-анализа к нелинейным гидродинамическим системам: Дис. . канд. физ.-мат. наук.-Пермь, 1997.-84 с.

85. Иванова Т.И., Шишенков В.А. Вейвлет-спектр новый инструмент для диагностики / Сб. матер. Межд. научн.-техн. конф. «Новые материалы и технологии на рубеже веков». - Пенза, 2000. - Ч. 2. - С. 187189.

86. Петухов А.П. Введение в теорию базисов всплесков. С.-Пб., Изд-во СПбГТУ, 1999.

87. Алексеев К.А. Метрологическое обеспечение датчиков переменных давлений с использованием пакета Wavelet Toolbox // Датчики систем измерения, контроля и управления, ИИЦ ПТУ, 2001.

88. Астафьева Н.В. Вейвлет-анализ: основы теории и примеры применения // УФН, 1996, №11, с. 1145 1170.

89. Дремин И.М., Иванов О.В., Нечитайло В.А. Вейвлеты и их применение // УФН, 2001, №5, с.465 501.

90. Алексеев К.А. Модели и алгоритмы вейвлет-обработки сигналов датчиков с применением лифтинга. Ч. 1 Теоретические основы лифтинга // Датчики и системы, 2002, №1, с. 3 - 9.

91. Алексеев К.А. Модели и алгоритмы вейвлет-обработки сигналов датчиков с применением лифтинга. 4.2 Численное моделирование // Датчики и системы, 2002, №2, с. 2 - 5.

92. Алексеев К.А. Вейвлет-ряды в задаче оценивания собственных частот датчиков // Датчики и системы, 2001, №12, с. 2 5.

93. Смоленцев Н.К. Основы теории вейвлетов. Вейвлеты в MATLAB. Кемеровский госуниверситет, Кемерово, 2003.

94. Воробьев В.И., Грибунин В.Г. Теория и практика вейвлет-преобразования. СПб.: Изд-во ВУС, 1999. - 208 с.

95. Новиков JI.B. Основы вейвлет-анализа сигналов. Учеб. пособие. СПб.: Изд-во 000 «МОДУС», 1999. - 152 с.

96. Петухов А.П. Введение в теорию базисов всплесков. СПб.: Изд-во СПбГТУ, 1999. - 132 с.

97. Истомина Т.В.,Чувыкин Б.В., Щеголев В.Е. Применение теории wavelets в задачах обработки информации: Монография. Пенза: Изд-во Пенз. Гос. ун-та, 2000. - 188 с.

98. Добеши И. Десять лекций по вейвлетам. Москва-Ижевск: НИЦ «Регулярная и хаотическая динамика», 2001. - 464 с.

99. Чуй Т.К. Введение в вейвлеты. М.: Мир, 2001. - 412 с. Дьяконов В.П., Абраменкова И.В. MATLAB. Обработка сигналов и изображений. Специальный справочник. - СПб.: Питер. 2002. - 608 с.

100. Дьяконов В.П. Вейвлеты. От теории к практике. М.: COJIOH-Р, 2002.-446 с.

101. Столниц Э., ДеРоуз Т., Салезин Д. Вейвлеты в компьютерной графике. Теория и приложения. Ижевск: НИЦ «Регулярная и хаотическая динамика», 2002. - 272 с.

102. Popov A., Zhukov M., Computation of continuous wavelet transform of discrete signals with adapted mother functions, Proceedings of the SPIE, Volume 7502 , pp. 75021E-75021E-6, 2009.

103. Математическая статистика: Учебник/Иванова B.M., Калинина В. Н., Нешумова JL А. и др. 2-е изд, перераб. и доп. - М.: Высш. школа, 1981. - 371 е., ил.

104. Обнаружение изменения свойств сигналов и динамических систем: Пер. с англ./М. Бассвиль, А. Вилски, А. Банвенист и др.; Под ред. М. Бассвиль, А. Банвениста. М.: Мир, 1989. - 278 е., ил.

105. Zobnin В., Yendiyarov S., Petrushenko S. Design of a wavelet based data mining technique // Buletinul Institutului Politehnic din Ia§i, Automatic Control and Computer Science Section, Romania, Issue 1, March, 2012, pp. 2749.

106. Зобнин Б. Б., Головырин С.С., Катаев P.JI. Прогнозирование основности агломерата в условиях ОАО «Северсталь» // Прогрессивные процессы и оборудование металлургического производства. Материалы IV Международной конференции, Череповец, 2003, с. 301-303.

107. Шупов Л.П. Математические модели усреднения. М.: Недра, 1978.-287с.

108. Graupe D. Principles of artificial neural networks (2nd Edition), World Scientific Publishing, Chicago, USA, 2007, pp. 320.

109. Пегат А. Нечеткое моделирование и управление / А. Пегат ; пер. с англ. — М. : БИНОМ. Лаборатория знаний, 2009. — 798 с. :ил. — (Адаптивные и интеллектуальные системы).

110. Kulkarni A.D., Cavanaugh С. Fuzzy Neural Network Models for Classification // Applied Intelligence, USA, vol. 18, N. 3, March, 2000, pp. 207215.

111. Зевин С.Л., Науменко B.B., Ищенко А. Д., Ищенко С. А. Способ стабилизации основности агломерата // Патент России № 2117056.1998.

112. Singiresu S. R. Engineering Optimization: Theory and Practice, A John Wiley & Sons, Inc., New York, 2009, pp. 710.

113. Kennedy J., Eberhart R. C. Swarm intelligence: collective, adaptive, Academic Press, USA, San Francisco, 2001, pp. 541.

114. Зайченко, Ю. П. Исследование операций Текст.: учебное пособие / Ю. П. Зайченко. 2-е изд., перераб. и доп. - К. : Вища шк., 1979. -392 с.

115. Wang J. Computational Intelligence in Manufacturing Handbook, CRC Press LLC, Boca Raton, Florida, 2001, pp. 560.

116. Bassville M., Nikiforov I. V. Detection of abrupt changes. Theory and application., Pretince-Hall, Englewood Cliffs, New Jersey, 1993, pp. 469.

117. Montgomery D. C. Introduction to Statistical Quality Control, Sixth Edition, John Wiley & Sons, Inc., USA, Jefferson City, 2009, pp. 754.

118. Siegmund D. Sequential Analysis: Tests and Confidence Intervals, Springer-Verlag, New York, 1985, pp. 292.

119. Montgomery D. C. Applied statistics and probability for engineers, Third Edition, John Wiley & Sons, Inc., USA, Jefferson City, 2003, pp. 822.

120. Gao R X. Wavelets: Theory and Applications for Manufacturing, Springer Science+Business Media, USA, New York, 2011, pp. 231.

121. Van Fleet P. J. Discrete wavelet transformations: an elementary approach with applications John Wiley & Sons, Inc., Hoboken, New Jersey, 2008, pp. 571.

122. Гнеденко Б. В., Коваленко И. Н. Лекции по теории массового обслуживания, КВИРТУ, 1963. 109 с.

123. Стратонович Р. Л. Избранные вопросы теории флюктуации в радиотехнике. М., «Советское радио»,'1961. 326 с.

124. Гнеденко Б. В., Беляев Ю. К., Соловьев А. Д. Математические методы в теории надежности. М., «Наука», 1965. 624 с.

125. Саати Т. П. Элементы теории массового обслуживания и ее