Моделирование и анализ уровня качества металлопродукции конвертерного производства тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат технических наук Иванченко, Константин Сергеевич

• Иванченко, Константин Сергеевич
• кандидат технических наук
• 2008

Оглавление диссертации кандидат технических наук Иванченко, Константин Сергеевич

ВВЕДЕНИЕ.

1. АНАЛИЗ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ КОНВЕРТЕРНОГО

ПРОИЗВОДСТВА И ПОСТАНОВКА ЗАДАЧИ ИССЛЕДОВАНИЯ.

1.1 Характеристика технологических процессов конвертерной плавки.

1.2. Особенности технологических процессов в установке непрерывной разливки стали.

1.3. Анализ методов моделирования.

1.4. Цель работы и постановка задачи исследования.

2. МОДЕЛИРОВАНИЕ ПРОЦЕССОВ ПРОГНОЗИРОВАНИЯ НА ОСНОВЕ АППАРАТА НЕЧЕТКИХ МНОЖЕСТВ.

2.1. Анализ моделей прогнозирования дефектов.

2.2. Построение нечетких моделей прогнозирования дефектов.

2.3. Задание исходной структуры нечеткой модели.

2.4. Выводы по второй главе.

3. АЛГОРИТМИЗАЦИЯ ПРОЦЕДУР ИДЕНТИФИКАЦИИ НЕЧЕТКИХ МОДЕЛЕЙ.

3.1. Алгоритмы параметрической и структурной идентификации.:.

3.2. Организующий алгоритм.

3.3. Программная реализация алгоритмов идентификации нечетких моделей

3.4. Выбор нечеткой модели прогнозирования.

3.5. Выводы по третьей главе.

4. ОБУЧЕНИЕ НЕЧЕТКИХ МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ ДЕФЕКТОВ.

4.1. Предпосылки необходимости обучения-нечетких моделей^.

4.2. Совершенствование алгоритмов обучения.

4.3. Формирование и обновление массива данных для обучения нечётких моделей.

4.4. Выводы по четвертой главе.

5. ПРОГРАММНЫЙ КОМПЛЕКС ДЛЯ ПРОГНОЗИРОВАНИЯ ДЕФЕКТОВ

МЕТАЛЛОПРОДУКЦИИ.

5.1. Структура программного комплекса для прогнозирования дефектов.

5.2. Описание программного обеспечения.

5.3. Опытная проверка программного комплекса.

5.4. Выводы по пятой главе.

Введение диссертации (часть автореферата) на тему «Моделирование и анализ уровня качества металлопродукции конвертерного производства»

Актуальность работы. В настоящее время крупнотоннажные промышленные предприятия работают в условиях очень жестких требований к качеству выпускаемой продукции. Типичным представителем таких предприятий является конвертерное производство, оснащенное большегрузными конвертерами и установками непрерывной разливки стали (УНРС) большой" мощности. Продукцией конвертерного производства являются« литые заготовки-слябы, которые после естественного охлаждения и последующего лабораторного анализа поверхностных дефектов поступают в прокатное производство.

Лабораторный анализ дефектов проводится- выборочно на небольшом количестве слябов, тем самым заметно повышается ошибка определения дефектов. Точный прогноз дефектов на каждом слябе возможен лишь с помощью математических моделей, устанавливающих связи между технологическими переменными^ количественными оценками образующихся дефектов.

Отличительными особенностями технологических процессов конвертерного производства являются: нестационарность, большое число переменных и исключительная сложность и нелинейность связей между ними, довольно частое изменение номенклатуры продукции и соответственно производственных условий, избыток данных по одним видам продукции и недостаток - по другим. В этих условиях целесообразно использовать нечеткие модели, требуемая точность прогнозирования1 которых обеспечивается, алгоритмами идентификации и при-недостатке информации алгоритмами обучения.

Таким образом, актуальность данной работы продиктована необходимостью разработки нечётких моделей и алгоритмов идентификации и обучения; предназначенных для- прогнозирования, дефектов металлопродукции конвертерного производства.

Связь с государственными программами и НИР. Диссертационные исследования соответствуют научному направлению Международного института компьютерных технологий «Вычислительные системы и программноаппаратные комплексы для моделирования и управления», Липецкого государственного технического университета «Методы и модели искусственного интеллекта в задачах идентификации и управления технологическими процессами» и поддержаны грантом РФФИ по проекту 08-08-00052.

Цель работы. Целью работы является разработка нечетких многосвязных моделей и алгоритмов идентификации, образующих программный комплекс и предназначенных для прогнозирования качества металлопродукции в конвертерном производстве.

Для достижения сформулированной цели в работе должны быть решены следующие задачи исследования:

• построить нечеткую многосвязную модель прогноза дефектов, т.е. выбрать ее структуру, операции фазификации и дефазификации и механизм вывода решения;

• разработать алгоритмы параметрической и структурной идентификации, обеспечивающие адекватность нечётких моделей прогноза дефектов;

• разработать алгоритмы обучения нечетких моделей в условиях нехватки технологической информации;

• создать программный комплекс для прогнозирования дефектов металлопродукции и осуществить его опытную промышленную проверку по технологическим данным конвертерного производства.

Методы исследования. В работе использованы методы теории нечетких множеств, математического моделирования и идентификации, генетические алгоритмы оптимизации.

Научная новизна. В диссертационной работе получены следующие результаты, характеризующиеся научной новизной:

- —нечеткая-многосвязная модель прогнозирования"качества; отличающаяся способностью быстро настраиваться на изменение номенклатуры продукции и производственных условий и с высокой точностью описывать зависимости между тебхнологическими переменными и соответствующими количественными оценками дефектов продукции;

-двухуровневый алгоритм обучения, отличающийся; действующими в определенной последовательности алгоритмами структурно - параметрического и параметрического обучения нечетких моделей с помощью алгоритмов определения коэффициентов линейных уравнений, параметров ФП, количества правил, переменных и ФП и обеспечивающий требуемую точность прогнозирования дефектов металлопродукции с допустимыми- затратами машинного времени;- ■ / алгоритм формирования и обновления; массивовг данных, предназначенных для обучения соответствующих нечётких моделей, отличающийся возможностью обрабатывать и использовать технологическую информацию, наиболее полно отражающую текущее состояние объекта и изменение его характеристик во времени; структура программного обеспечения нечётких моделей и алгоритмов прогнозирования дефектов слябов, отличающаяся реализацией- специальных средств интеграции в систему управления качеством: продукции конвертерного производства.

Практическая ценность. Разработанные нечеткие многосвязные модели, прогнозирующие дефекты металлопродукции, алгоритмы структурно-параметрического и параметрического обучения, обработки данных, принятые и использованные ОАО «Черметавтоматика» в системе управления качеством на Череповецком металлургическом комбинате, могут быть также применены для создания систем прогнозирования качества продукции на других предприятиях химической и металлургической промышленности.

Результаты диссертационной работы также используются в учебном процессе ЛГТУ при подготовке инженеров по специальности "Прикладнаяматематика".

Апробация работы. Основные положения, диссертации докладывались на Международных конференциях «Цифровые методы и технологии» (Таганрог, 2005), «Энергетика и энергоэффективные технологии» (Липецк, 2006), «Современные научные достижения» (Днепропетровск, 2007), на, Всероссийской конференции «Современная металлургия начала нового тысячелетия» (Липецк, 2006), на научном семинаре «Методы и модели искусственного интеллекта» (Липецк, 2007).

Публикации. Основные результаты исследования опубликованы в печати в 11 научных работах. В том числе, 2 работы опубликованы в изданиях, рекомендованных ВАК.

В работах, опубликованных в соавторстве, лично соискателем в [1, 3] рассмотрен программный комплекс для построения и идентификации нечетких моделей, в [2] проведена идентификация нечетких моделей прогнозирования качества, в [4, 7, 9] разработаны усовершенствованные алгоритмы обучения и прогнозирования качества продукции, в [5] обоснован выбор нечеткой модели, в [6, 10] исследован алгоритм нечеткой* БСМ-кластеризации, в [8] проанализированы нейро-нечеткие системы, в [11] разработан алгоритм формирования и обновления данных для обучения нечеткой модели.

Структура и объем работы. Диссертационная работа состоит из введения, пяти глав, заключения, списка использованной литературы и приложения. Основная часть работы изложена на 136 страницах машинописного текста, содержит 39 рисунков и 7 таблиц. Список литературы включает 113 наименований. Приложение на 24 страницах включает 18 таблиц.

Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Иванченко, Константин Сергеевич

5.4. Выводы по пятой главе

В пятой главе получены следующие результаты:

1. Разработан программный комплекс, предназначенный для прогноза дефектов металлопродукции, оснащенный алгоритмами обработки информации, структурного и параметрического обучения нечетких моделей и функционирующий в реальных условиях конвертерного производства.

2. Составлена программа промышленных испытаний, на основании которой успешно проведена опытная проверка программного комплекса для прогнозирования дефектов металлопродукции в АСУ «Качество» на конвертерном производстве ОАО «Северсталь».

ЗАКЛЮЧЕНИЕ

В диссертационной работе решена актуальная задача прогнозирования качества металлопродукции конвертерного производства. Основные результаты теоретических и экспериментальных исследований:

1. Сформулирована задача прогнозирования дефектов металлопродукции, в которой обосновывается выбор критерия, входных переменных и выходных переменных — дефектов; выраженных в баллах, а также параметров и структурных элементов нечётких моделей, нуждающихся в определении с помощью алгоритмов идентификации.

2. Для целей прогнозирования построены три типа нечетких многосвязных моделей, содержащих в правых частях продукционные правила, константы, нечеткие множества, линейные уравнения и оснащённых алгоритмами задания исходной структуры, механизмами нечеткого вывода и алгоритмами вычисления выхода.

3. Разработаны алгоритмы идентификации коэффициентов линейных уравнений, параметров функций принадлежности, количества нечетких правил и значимых переменных, а также организующий алгоритм, реализующий последовательность их выполнения и обеспечивающий адекватность нечёткой модели прогноза.

4. Разработан программный комплекс для построения и идентификации нечёткой модели, с помощью которого проведена идентификация трёх типов нечётких моделей и среди них выбрана нечёткая линейная модель, обладающая наименьшей ошибкой вычисления баллов дефектов.

5. Разработаны алгоритмы-последовательного структурно-параметрического-и-параметрического обучения, обеспечивающие адекватность нечетких моделей при допустимых затратах времени на обучение.

6. Проведено исследование влияния структуры данных на эффективность обучения нечётких моделей, позволившее разработать методику формирования и обновления ограниченного по размерам массива данных, закрепленных за каждой нечеткой моделью и используемых для ее обучения.

7. Разработан программный комплекс, предназначенный для прогноза дефектов металлопродукции, оснащенный алгоритмами обработки информации, структурного и параметрического обучения нечетких моделей и функционирующий в реальных условиях конвертерного производства.

8. Составлена программа промышленных испытаний, на основании которой успешно проведена опытная проверка программного комплекса для прогнозирования дефектов металлопродукции в АСУ «Качество» на конвертерном производстве ОАО «Северсталь».

Список литературы диссертационного исследования кандидат технических наук Иванченко, Константин Сергеевич, 2008 год

1. Авдеев В.П. Построение моделей в системах управления // Изв. вузов Сер. Черная Металлургия. 1981. №12. - С. 100-104.

2. Асаи К., Ватада Д., Иваи С. и др. Прикладные нечеткие системы. М.: Мир. 1993.-352 с.

3. Баптизманский В.И. Теория кислородно-конвертерного процесса.- М. Металлургия. 1975. -375 с.

4. Баптизманский В.И., Охотский В.Б. Физико-химические основы кислородно-конвертерного процесса. К.: Вища школа. 1981.-184 с.

5. Беленький A.M. и др. Автоматическое управление металлургическими процессами: Учебник для вузов.- М. Металлургия. 1989. 384 с.

6. Бигеев A.M. Математическое описание и расчеты сталеплавильных процессов. М.: Металлургия. 1982. - 159 с.

7. Венков А.Г. Построение и идентификация нечетких математических моделей технологических процессов в условиях неопределенности. Дисс. канд. техн. наук. — ЛГТУ.: Липецк. 2002. 154 с.

8. Выплавка и внепечная обработка конвертерной стали. Технологическая инструкция. Череповецкий металлургический комбинат. 1991. - Том 1,2.

9. Головко В.А. Нейронные сети: обучение, организация и применение. Кн. 4. М.: ИПРЖР. 2001. - 256 с.

10. Гусев A.A. Разработка математических моделей и системы технологических алгоритмов управления заключительным этапом продувки в конвертерном процессе: Автореф. дис. канд. техн. наук. М, МИСиС. — 2000. — 16 с.

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

12. Емельянов В.В., Курейчик В.М., Курейчик В.В. Теория и практика эволюционного моделирования. — М.: Физматлит. 2003. — 432с.

13. Жуховицкий A.A., Белащенко Д.К., Бокштейн Б.С. Физико-химические основы металлургических процессов.- М. Металлургия. 1973. 392 с.

14. Заде JI. Понятие лингвистической переменной и его применение к принятию приближенных решений. М. :Мир. 1976. - 165 с.

15. Иону Е.П., Чирихина C.JL, Астанчик Т.С. и др. Дефекты поверхности литых заготовок, разлитых на криволинейных установках. Часть 1. Центральная лаборатория ЧерМК. 1988. - 23 с.

16. Казаков A.A. Непрерывные сталеплавильные процессы. — М.: Металлургия. 1977.-271 с.

17. Кандель А., Байатт У.Д. Нечеткие множества, нечеткая алгебра, нечеткая статистика //ТИИЭР, 1978. Т. 66. № 12. - С. 37-51.

18. Коллатц JI. Функциональный анализ и вычислительная математика. -М.: Мир. 1989.-447 с.

19. Колпаков C.B., Тедер Л.И., Дубровский С.А. Управление конвертерной плавкой. -М.: Металлургия. 1981. 144 с.

20. Кофман А. Введение в теорию нечетких множеств. — М.: Радио и связь. 1982.-432 с.

21. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практикаю М.: Горячая линия - Телеком. 2002. - 382 с.

22. Кудинов Ю.И. Нечеткие модели вывода в экспертных системах // Известия РАН. Теория и системы управления, 1997. № 5. - С. 75-83.

23. Кудинов Ю.И., Кудинов И.Ю. Программный комплекс для построения и исследования нечётких динамических моделей // Сборник статей 2-ой Всероссийской НТК «Искусственный интеллект в XXI веке».- Пенза. 2004. С. 7376.

24. Кудинов Ю.И., Кудинов И.Ю., Келина А.Ю., Суслова С.А. Построение и идентификация нечеткой модели многосвязного объекта // Вести высших учебных заведений Черноземья, 2005. — № 1. — С. 35-39.

25. Кудинов Ю.И., Иванченко К.С., Частухин A.A. Нечеткая FCM-кластеризация и ее модификации // Вести высших учебных заведений Черноземья, 2005. № 2. - С. 45-47.

26. Кудинов Ю.И., Иванченко К.С. Нечеткий обучающийся алгоритм прогнозирования качества продукции // Материалы Международной научной конференции «Цифровые методы и технологии». Часть 2. Таганрог: ТРТУ, 2005. - С. 45-48.

27. Кудинов Ю.И., Кудинов И.Ю., Келина А.Ю., Иванченко К.С. Анализ нейро-нечетких систем // Вести высших учебных заведений Черноземья. Липецк: ЛГТУ, 2006. -№ 2. С. 9-13.

28. Кудинов Ю.И., Кудинов И.Ю., Иванченко К.С. Особенности нечеткой FCM-кластеризации // Сборник научных трудов Всероссийской научно-технической конференции «Современная металлургия начала нового тысячелетия». Часть 3. Липецк: ЛГТУ, 2006. - С. 82-86.

29. Кудинов Ю.И., Иванченко К.С., Кудинов И.Ю. Программный комплекс для построения и идентификации нечетких моделей // Промышленные АСУ и контроллеры, 2006. № 12. - С. 39-42.

30. Кудинов Ю.И., Иванченко К.С., Кудинов И.Ю. Совершенствование алгоритмов обучения // Вести учебных заведений Черноземья, 2007. №4. - С. 36-39.

31. Кудинов Ю.И., Иванченко К.С., Кудннов И.Ю. Разработка алгоритмов прогнозирования дефектов металлопродукции // Вести высших учебных заведений Черноземья, 2007. № 1. — С. 11-16.

32. Кудинов Ю.И., Иванченко К.С., Кудинов И.Ю. Разработка и идентификация нечётких моделей прогнозирования качества // Мехатроника, автоматизация, управление, 2007. — №12. С. 12-15.

33. Кузнецов J1.A., Алексеев В.А, Черных М.В. Статистическое моделирование процесса формирования химического состава стали // Вестник ЛГТУ -ЛЭГИ, 2001.-№1 (7).-С. 171-180.

34. Кузнецов Л.А., Домашнев П.А., Черных М.В. Сетевая модель формирования химического состава готовой стали в кислородно-конвертерном производстве//Вестник ЛГТУ-ЛЭГИ, 2001.-№1 (7).-С. 180-187.

35. Кузнецов Л.А., Погодаев А.К., Гостеев В.Г. Применение нейронных сетей для обучения экспертной системы управления качеством// Вестник ЛГТУ -ЛЭГИ, 2001.-№1 (7).-С. 167-170.

36. Кузнецов-Л.А., Черных М.В., Алексеев В.А., Домашнев П.А. Дискретная модель формирования химического состава стали // Вестник ЛГТУ -ЛЭГИ, 2001.-№1 (7). С. 188-196.

37. Курейчик В.М. Генетические алгоритмы. Состояние. Проблемы. Перспективы // Теория и системы управления, 1999. №1. - С. 144-160.

38. Кучеренко O.JL, Волобцева Г.Н., Буряк А.И. и др. Особенности разработки и технологические внедрения интеллектуальных систем управлениям сталеплавильном производстве ММЗ// Металлург, 2004. №12. .-G. 28-30.

39. ЛипухинТО:В., Булатов Ю.И., Бок Г., Кноор М:М. Автоматизация основных металлургических процессов. М: Металлургия: 1990:-280 с.

40. Малышев H.F., Бершнтсйн JI.G., Боженюк А.В. Нечёткие модели для экспертных систем в САПР. М.: Энергоатомиздат. 1991. - 136с.

41. Модели принятия решении на основе лингвистической переменной / А.Н. Борисов, А.В.Алексеев, О.А.Крумберг и др. Рига. :3инатне. 1982.-256с.,

42. Плясунов Д.Ю., Арапов К.А. Применение нейронных сетей для анализа металлографических изображений// Сборник трудов .межрегиональной научной конференции «Наука-и производство Урала». Новотроицк. 2005: - С. 273-278.

43. Расстригин Л;А., Маджаров Н.Е. Введение в идентификацию объектов; управленияг—Mr: Энергия, 1977.-216 с. . -. .; "

44. Рожков И.М., Травин О.В., Туркенич Д.И. Математические.модели конвертерного процесса. М.: Металлургия. 1978: — 184 с.

45. Рутес B.C., Аскольдов В.И., Евтеев Д^П. и др. Теория непрерывной разливки: М.: Металлургия. 1971. — 296 с.

46. Рутковская Д., Пилинский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. — М.: Горячая линия Телеком. 2004. — 452 с.

47. Смирнов А.П. Проблемы надежности управления в сложных производственных системах // Изв. вузов Сер. Черная металлургия, 2003. №1. - С. 62-66.

48. Смирнов А.П., Якунин А.Г. Модель управления операциями участка «сталь-прокат» в классе нечетких систем // Изв. вузов Сер. Черная металлургия, 2001.-№3.-С. 66-69.

49. Соколов Г.А. Производство стали. М.: Металлургия. 1982. — 496 с.

50. Сургучев Г.Д Математическое моделирование сталеплавильных процессов. -М.: Металлургия. 1978. 224 с.

51. Туркенич Д.И., Литвиенко Е.Ф., Югов П.И. Термодинамическая модель усвоения элементов при раскислении конвертерной стали // Изв. вузов Сер. Черная металлургия, 1981. С. 9.

52. Хайкин С. Нейронные сети: полный курс, 2-е издание. М.: Вильяме. 2006.- 1104 с.

53. Химмельблау Д. Прикладное нелинейное программирование. — М.: Мир. 1975.-535 с.

54. Цымбал В.П., Падалко А.Г. Образно-наглядное моделирование сталеплавильных процессов // Изв. вузов Сер. Черная металлургия, 1981, №2. - С. 112-115.

55. Цыпкин Я.3. Основы информационной теории идентификации. М.: Наука. 1984.-320с.

56. Цыпкин Я.З. Основы теории обучающихся систем. М.: Наука. 1970— -252 с.

57. Чертов А.Д., Довлядов М.В. Применение интеллектуальных технологий в черной металлургии // И.П. Бардин и металлургическая наука: к 120-летию со дня рождения академика И.П. Бардина: Сборник научных трудов. -М.: Металлургия. 2003. С. 22-36.

58. Щербаков В.А., Сапожников JI.A. Методы синтеза квазиразомкнутого управления в АСУ сталеплавильными процессами // Изв. вузов Сер. Черная металлургия, 1977, №9. - С. 172-176.

59. Яценко А.К., Кочо B.C. Методы оптимального управления сталеплавильными процессами. М.: Металлургия. 1990. - 215 с.

60. Abe S., Lan M.-S. Fuzzy rule extraction directly from numerical data for function approximation //IEEE Trans. Systems Man and Cybernet.,1995. -V. 25, № 1. -P. 119-129.

61. Ali Y.M., Zhang L. A. A methodology for fuzzy modeling of engineering systems // Fuzzy Sets and Systems, 2001. V. 118. - P. 181 -197.

62. Angeline P.T., Sounders G.M., Pollach J.B. An evolutionary algorithm that constructs recurrent neural networks // IEEE Trans, on Neural Networks, 2003 V. 5, №1.-P. 54-65.

63. Arafeh L., Singh H., Putatunda S.K. A neuro-fiizzy logic approach to material processing // IEEE Trans. Systems Man, Cybern. Part С, 1999. - V. 29, №3. -P. 362-370.

64. Bezdek J.C. Pattern recognition with fuzzy objective function algorithms. -Plenum Press, New York. 1982.

65. Bissessuz Y., Martin E.B., Morris A.J., Kitson P. Fault detection in hot steel rolling using neural networks and multivariate statistics // IEEE Proc. Control Theory Appl., 2000. V. 147, №6. - P. 633-640.

66. Booker L.B., Goldberg D.E., Holland J.H. Classifier systems and genetic algorithms // Artif. Intell, 1989. V. 40. - P. 235-282.

67. Chen M.-Y., Linkens D.A. A systematic neuro-fuzzy modeling framework with application to material property prediction // IEEE Trans. Systems Man, Cybern. -Part B, 2001.-У. 31, №5. P. 7.81-790. .

68. Cox I.J., Lewis R.W., Rasing R.S. and etc. Application of neural computing in basic oxygen steelmaking // J. of Materials Processing Techn., 2002. V.120, №13. -P. 310-315.

69. Deb K., Reddy A.R., Singh G. Optimal scheduling of casting sequence using genetic algorithm // Mater, and Manuf. Processes, 2003. V.18, №3. - P.409-432.

70. Dunn J.C. A fuzzy relative of the ISODATA process and its use in detecting compact well-separated cluster // J. Cybernet., 1973. — V. 3, №3. — P. 32-57.

71. Er M.J., Liao J., Lin J. Fuzzy neural networks-based quality prediction system for sintering process // IEEE Trans. Fuzzy Systems, 2000. V.8, №3. - P. 314324.

72. Gupta M.M., Qi J. Theory of T-norms and fuzzy inference methods // Fuzzy Sets and Systems, 1991. V.40. - P. 431-450.

73. Gutte H., Schuls T., Neuhof G. and etc. Process control in the oxygen steel production // Acta Metallurgica Sinica, 2000. V. 13, №6. - P. 1101-1112.

74. Holland J.H. Adaptation in natural and artificial systems: An introductory analysis with application to biology. Control and artificial intelligence // Holland. — USA: University of Michigan. 1975.

75. Hong T.-P., Lee C.-Y. Induction of fuzzy rules and membership function from training examples // Fuzzy Sets and Systems, 1996. № 84. - P. 33-47.

76. Horikawa S., Furuhashi T., Uchikawa Y. On fuzzy modeling using fuzzy neural network with back-propagation algorithm // IEEE Trans, on Fuzzy Systems, 1992. V. 3, № 5. - P. 801-806.

77. Huang-Y.-P., Wang-S.-F. Designing-a-fuzzy model-by adaptive macroevo- -lution genetic algorithms // Fuzzy Sets and Systems, 2000. № 113. - P. 367-379.

78. Ishigami H., Fukudo T., Shibata T., Aria F. Structure optimization of fuzzy neural network by genetic algorithm // Fuzzy Sets and Systems, 1995. V. 71, №3. -P. 257-264.

79. Jang J.-S: R.ANFIS: adaptive-network-based fuzzy inference system // IEEE Trans. Systems Man, Cybern., 1993 . V. 23, №3 . - P. 665-685.90: Kohonen T. The self-organizing map // Proceedings of the IEEE, 1990: V. 78.-P. 1464-1480.

80. Lin G.-T., Eee G:G.S. Neural-network-based fuzzy logic control and decision System•// IEEE Transactions on Computers, 1991. V.40: №12. P; 1320-1336.

81. Loia V., Sessa S., Staiano A., Taglioferri R. Merging fuzzy logic, neural networks and genetic computation in the design of a decision support system // Int. J. Intell. Syst., 2000 . -V. 15. - P. 575-594. ■

82. MamdaniiE. Advances in the linguistic synthesis of fuzzy controllers // Int. J. Man-Machine Stud., 1976. -V. 8. P. 669-678.

83. Nelles O., Fisher M. Fuzzy model identification of PH process//Proc. of the Intern; ICSC Symp. on Fuzzy Logic and Application ISFL'97: Zurich, 1997. P. 359-365.

84. Palmer C.C., Kershenbaum A. An approach to a problem in network design using genetic algorithm//Networks, 1995. V. 26. - P. 151-163'.

85. Peng L.-M., Mao X.-M., Xu K.-D. Simulation andcontrol model for interactions among-process parameters of directional solidification continuous casting // Trans, of the Nonferrous Metals Society of China, 2000. V.10, №4. - P. 449-452.

86. Sugeno M., Yasukawa T.A. A fuzzy-logic based approach to qualitive modeling // IEEE Trans. Fuzzy Systems, 1993. -V. 1, № 1. - P. 7-31.

87. Sun C.-T. Rule —base structure identification in an adaptive-network-based fuzzy inference system // IEEE Trans, on Fuzzy Systems, 1994. — V. 2. № 1. — P. 6473.

88. Takagi Y., Sugeno M. Fuzzy identification of Systems and its application to modeling and control // IEEE Trans. Systems Man and Cybern,-1985. V. SMC -15.-P. 116-132.

89. Tang R.-S., Man K.-F., Liu Z.-F., Kwong S. Minimal fuzzy memberships and rules using hierarchical genetic algorithm // IEEE Trans, on Industrial Electronics, 1998. V. 45, №1. - P. 162-169.

90. Tsinas L., Dachwold B. A combined neural and genetic learning algorithm // Proc. IEEE Int. Conf. on Neural Networks, 1994. V.l. - P. 770-774.

91. Wang L.-X., Mendel M. Generating fuzzy rules by learning from examples // IEEE Trans. Systems Man Cybernet., 1992. V. 22. № 6. - P. 1414-1427.

92. Wang Y., Xing Y., Ruan X. Moldability evaluation for modeled parts based on fuzzy reasoning // High Technology Letter, 2002. V.8, №2. - P. 62-67.

93. Whitley D., Starkweather T., Bogart C. Genetic algorithms and neural networks: optimizing connections and connectivity // Parallel Computing, 1990. - V. 14.-P. 347-361.

94. Widrow B., Hoft M. Adaptive switching circuits // In 1960 IRE WESCON Convention Record. DUNNO, 1960. - P. 96-140.

95. Zadeh L.A. Fuzzy sets // Inform. & Contr., 1965. № 8. - P. 338-353.

96. Zadeh L.A. Fuzzy algorithmic approach to the definition of complex and imprecise concepts // Int. J. Man-Machine Stadies. 1976. - № 6. - P. 249-291.

97. Xie S.-M., Tao J., Chai T.-Y. Intelligent method for BOF endpoint phosphorus estimation // Contr. Theory-and Appl., 2003. V. 20, №4r-P. 555-559r

98. Yang J.-M.', Hong J.-T., Kao C.-Y. A genetic algorithm with adaptive mutations and family competition for training neural networks // Int. J. of Neural Syst., 2000. V. 10, №5. - P. 333-352.