Разработка моделей и методов нечеткого логического вывода для управления производственными объектами в условиях априорной неопределенности тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат наук Синявская, Екатерина Дмитриевна

• Синявская, Екатерина Дмитриевна
• кандидат наук
• 2014

Оглавление диссертации кандидат наук Синявская, Екатерина Дмитриевна

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

1. АНАЛИЗ ИЗВЕСТНЫХ МЕТОДОВ УПРАВЛЕНИЯ ПРОИЗВОДСТВЕННЫМИ ОБЪЕКТАМИ В УСЛОВИЯХ АПРИОРНОЙ НЕОПРЕДЕЛЕННОСТИ

1.1. Формализация производственных объектов управления

в условиях неопределённости

1.2. Задача управления процессом выпечки в хлебопекарной камере

в условиях априорной неопределенности

1.3. Методы управления производственными объектами в условиях априорной неопределенности

1.4. Выбор нечетких методов для задачи управления хлебопекарной печью

в условиях априорной неопределенности

1.5. Особенности экспертного задания параметров нечеткой модели

1.6. Методы настройки параметров нечеткой модели управления

1.7. Обоснование предмета диссертационных исследований

1.8. Выводы

2. РАЗРАБОТКА МОДЕЛИ НЕЧЕТКОГО ЛОГИЧЕСКОГО ВЫВОДА ДЛЯ УПРАВЛЕНИЯ ПРОИЗВОДСТВЕННЫМИ ОБЪЕКТАМИ В УСЛОВИЯХ АПРИОРНОЙ НЕОПРЕДЕЛЕННОСТИ

С ПРИМЕНЕНИЕМ ВЕРОЯТНОСТНОГО ПОДХОДА

2.1. Построение общей структуры нечеткой модели для управления производственными объектами в условиях априорной неопределенности

2.2. Разработка модели нечеткого логического вывода для управления производственными объектами на примере регулирования температуры

в хлебопекарной камере

2.3. Экспертное задание функций принадлежности в соответствии с вероятностной трактовкой

2.4. Оценка адекватности модели нечеткого логического вывода для управления температурой в хлебопекарной камере без учета блока настройки

2.5. Общий вид разработанного алгоритма работы модели нечеткого логического вывода для управления производственными объектами

в условиях априорной неопределенности

2.6. Выводы

3. СИНТЕЗ ВЕРОЯТНОСТНОГО АЛГОРИТМА НАСТРОЙКИ ПАРАМЕТРОВ НЕЧЕТКОЙ МОДЕЛИ ДЛЯ УПРАВЛЕНИЯ ПРОИЗВОДСТВЕННЫМИ ОБЪЕКТАМИ

3.1. Описание методов настройки параметров нечеткой модели для управления производственными объектами

3.2. Анализ особенностей методов настройки параметров нечеткой модели

для управления производственными объектами

3.3. Структура вероятностного алгоритма настройки параметров нечеткой модели для управления производственными объектами

3.4. Определение переменных параметров вероятностного алгоритма для настройки нечеткой модели

3.5. Формализация алгоритма на основе вероятностного подхода настройки параметров нечеткой модели управления производственными объектами

3.6. Структурная схема вероятностного алгоритма

3.7. Выводы

4. ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ ВЕРОЯТНОСТНОГО АЛГОРИТМА НАСТРОЙКИ ПАРАМЕТРОВ РАЗРАБОТАННОЙ НЕЧЕТКОЙ МОДЕЛИ УПРАВЛЕНИЯ

I (

4.1. Основные характеристики разработанного программного комплекса

4.2. Планирование экспериментальных исследований

4.3. Вычислительный эксперимент по сравнению нечеткой и аналитических моделей управления температурой в хлебопекарной камере

4.4. Построение и экспериментальное исследование эмпирических функций распределения на основе численных значений функций принадлежности

4.5. Исследование эффективности алгоритма на основе вероятностного подхода для настройки параметров нечеткой модели управления производственным объектом

4.6. Сравнение результатов работы вероятностного и метаэвристических алгоритмов настройки параметров нечеткой модели на основе вычислительного эксперимента

4.7. Выводы

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ 1

Введение диссертации (часть автореферата) на тему «Разработка моделей и методов нечеткого логического вывода для управления производственными объектами в условиях априорной неопределенности»

ВВЕДЕНИЕ

Развитие производственных процессов получило широкое распространение на сегодняшний день. Это связано с тем, что широкий класс объектов можно классифицировать как производственные процессы, к которым относятся объекты термических, химических, металлургических, горнодобывающих отраслей и процессы переработки сельскохозяйственной продукции [1-7]. Совершенствование технологий и уровня жизни привели к повышению требований технических и экономических показателей производства. Работа производственных процессов переходит в режим автоматизированного и автоматического управления. Это привело к необходимости разработки эффективных систем управления заданными производственными процессами [1,3-6, 8].

В процессе управления производственные процессы рассматриваются как производственные объекты управления. Трудность разработки эффективной системы управления связана с тем, что производственные объекты управления можно объединить по многим признакам в класс трудноформализуемых объектов управления (ОУ) [7, 92, 93]. Трудноформализуемые производственные объекты управления можно охарактеризовать, как нелинейные и нестационарные ОУ с распределенными параметрами, функционирующие в условиях априорной неопределенности [94-99]. Неопределенность носит различный характер, может иметь различную природу и неоднозначно влиять на состояние производственных объектов и процесс управления этими объектами.

Существуют различные виды неопределенности [100- 103], однако, в случае управления трудноформализуемыми производственными объектами имеет место априорная неопределенность, к которой можно отнести неточность, неполноту и недостоверность информации о рассматриваемом объекте и среде его функционирования [9, 100, 104]. Можно выделить несколько способов описания неопределенности, среди которых теория вероятности, теория ошибок, теория

возможностей, теория нечётких множеств и нечеткая логика [10- 12, 102, 105 — 108].

После анализа представленных способов описания неопределенности можно утверждать, что теория нечетких множеств и нечеткая логика являются наиболее эффективным средством описания всех видов неопределенности. Это связано с тем, что теория нечетких множеств и нечеткая логика используют качественные характеристики и лингвистические переменные для описания неопределенности. Подтверждением этого факта является большое количество исследований в этой области таких ученых, как Заде Л., Валли П., Орлова А.И., Борисова А.Н., Алексеева A.B., Крумберга O.A., Дюбуа Д., Прада А., Туниссена Д.П. и др. [9- 11, 13, 100, 102, 103].

Важной задачей в процессе управления трудноформализуемыми производственными объектами является учет априорной неопределенности. Наиболее распространенными методами управления производственными процессами являются традиционные методы, основанные на теории автоматического управления (ТАУ) [8, 14- 19]. Преимуществами традиционных методов являются проработанный алгоритм действий при разработке системы управления, наличие математического аппарата, проверенных теорий и способов решений, высокая точность получаемых результатов при управлении определенным классом объектов. Однако, ТАУ не позволяет учитывать априорную неопределенность, также для многих трудноформализуемых производственных объектов управления невозможно найти точную математическую модель. Это приводит к неэффективному управлению производственными процессами, функционирующими в условиях априорной неопределенности, и снижению получаемой точности результатов [20 - 23].

Помимо традиционных методов управления существуют и методы искусственного интеллекта. Некоторые методы искусственного интеллекта основываются на нечеткой логике и теории нечетких множеств. Использование принципов нечеткой логики и теории нечетких множеств позволяет учитывать априорную неопределенность данных об ОУ и среде его функционирования при

разработке системы управления этим объектом. Наибольший вклад в создание и развитие нечеткой логики и нечетких методов управления внесли Заде Л., Беллман Р., Борисов А.Н., Алексеев A.B., Тэрано Т., Сугэно М., Мамдани М., Орловский С.А., Поспелов Д.А., Аверкин А.Н., Кофман А. и др. [9,10,2431, 108-111].

К трудноформализуемым производственным объектам управления относятся и объекты термических отраслей [93, 112 - 115]. Термические процессы охватывают нефтеперерабатывающее, химическое, металлургическое, горнодобывающее, энергетическое и пищевое производство, тогда как основными объектами термического производства являются печи, котлы, топки и другое тепловое оборудование. Основными характерными чертами таких объектов являются отсутствие данных о статических и динамических характеристиках, наличие значительных запаздываний и тепловой инерции, сложность идентификации текущего состояния объекта, невозможность плавного изменения расхода топлива и перехода к другому температурному режиму [7, 93]. Таким образом, для термических процессов характерна работа в условиях априорной неопределенности, и поэтому для них также является актуальной задача нахождения эффективного метода управления и построения адекватной модели управления.

К рассматриваемой области термических процессов следует также отнести процесс управления температурой в хлебопекарной камере. Основной задачей, связанной с работой процесса выпечки в хлебопекарной камере, является контроль и регулирование температуры в соответствии с требуемыми показателями технологического процесса. Сложность регулирования температуры связана с многорежимностью процесса управления, наличием качественной информации, неполнотой данных и их недостоверностью. Поэтому оператор вынужден сам принимать решение в процессе управления. Решение этих задач является актуальным вопросом для российских и зарубежных исследователей [32,33, 116, 117].

В диссертации разработка нечеткой модели управления производственными

объектами, функционирующими в условиях априорной неопределенности, выполняется на примере управления температурой в хлебопекарной камере.

Применение нечетких методов для разработки модели управления температурой в хлебопекарной камере можно обосновать следующим образом [34-39, 118]:

- отсутствие адекватной математической модели для рассматриваемого производственного объекта;

- учет априори неизвестных параметров, влияющих на функционирование процесса выпечки и результаты его работы. К таким неизвестным параметрам можно отнести загрузку печи, изменение рецептуры, качество сырья, отклонение температуры от заданных значений, начальную температуру тестовых заготовок;

- учет качественной и экспертной информации;

- управление рассматриваемым процессом с учетом опыта и наблюдений оператора;

- изменение параметров процесса выпечки во время его работы.

Однако, помимо достоинств нечетких методов можно выделить и ряд сложностей при их реализации. Это связано с возникновением субъективности при задании параметров нечеткой модели [119]. Т.е., с одной стороны, формализуется качественная информация при экспертном задании, а, с другой стороны, не исключается возможность неоднозначного определения параметров нечеткой модели [120]. Этот фактор может привести к снижению адекватности разрабатываемой нечеткой модели и получению неоптимальных результатов работы.

Следовательно, целесообразно оценить адекватность нечеткой модели и при необходимости выполнить коррекцию ее параметров [121]. Оценка нечеткой модели позволит определить величину отклонения полученных значений от требуемых и принять решение о необходимости дальнейшей настройки параметров нечеткой модели.

В качестве основных методов настройки параметров нечеткой модели можно выделить метаэвристические методы и методы, основанные на

вероятностном подходе [40,41,122- 125]. Основу метаэвристических методов составляет близость с эволюционными, естественными, биологическими, химическими и физическими процессами. Суть метаэвристических методов -осуществление последовательного перебора возможных решений на заданной области значений до того момента, пока полученное решение не будет удовлетворять целевой функции. Однако, метаэвристические методы требуют больших вычислительных и временных затрат, а также могут приводить к нахождению не оптимального, а лишь приблизительного решения.

Методы настройки параметров нечеткой модели управления производственными объектами, основанные на вероятностном подходе, используют связь теории вероятности и нечеткой логики [42, 105, 126]. Связь нечеткости и вероятности прослеживается в ряде исследований [105, 123 - 126]. Также теория вероятности использует проработанный математический аппарат. Основу вероятностных методов настройки составляет принцип использования методик теории вероятности и вычисления желаемого решения по имеющимся данным о результатах работы нечеткой модели.

Диссертация посвящена разработке нечеткой модели управления производственными объектами, функционирующими в условиях априорной неопределенности, оценке ее адекватности и реализации алгоритма на основе вероятностного подхода для настройки параметров нечеткой модели. Это определяет и подтверждает актуальность исследований диссертационной работы.

Объектами исследования диссертации являются нечеткие модели для управления производственными объектами управления, функционирующими в условиях априорной неопределенности, представляющие собой класс трудноформализуемых объектов управления, в частности хлебопекарная печь.

Целью диссертационной работы является разработка нечеткой модели для управления производственными объектами, функционирующими в условиях априорной неопределенности, оценка ее адекватности и реализация алгоритма настройки на основе вероятностного подхода для корректировки параметров

разработанной нечеткой модели.

Достижение поставленной цели может быть осуществлено при помощи методов нечеткого логического вывода, нечеткой логики, теории нечетких множеств, а также теории вероятности. В экспериментальных исследованиях применялось моделирование на ЭВМ.

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

- анализ известных методов управления производственными объектами, функционирующими в условиях априорной неопределенности;

- разработка модели нечеткого логического вывода для управления производственными объектами, функционирующими в условиях априорной неопределенности;

- разработка подхода к решению задачи оценки адекватности нечеткой модели для управления производственными объектами, полученной в результате экспертного задания ее параметров;

- синтез алгоритма настройки параметров нечеткой модели для управления производственными объектами на основе вероятностного подхода;

- разработка специализированного программного комплекса по исследованию нечеткой модели для управления производственными объектами и вероятностного алгоритма настройки ее параметров.

Практическая ценность результатов исследований результатов диссертационного исследования определена их применением при решении задач оценки и корректировки нечеткой модели в процессе управления производственными объектами, функционирующими в условиях априорной неопределенности. Результаты работы доведены до практической программной реализации и могут применяться в производственных процессах, к которым относятся процессы термических (включая пищевые, в частности, хлебопекарные предприятия), химических, металлургических, горнодобывающих отраслей.

Новыми научными результатами диссертационной работы являются:

- разработана модель нечеткого логического вывода для управления

производственными объектами, функционирующими в условия априорной неопределенности. Разработанная нечеткая модель отличается использованием расширенной структуры, объединяющей в себе нечеткий алгоритм, сбор статистических данных, оценку результатов моделирования, базу заданных значений и алгоритм настройки параметров нечеткой модели, что позволяет обеспечить целевые значения показателей управления рассматриваемым объектом;

- предложен подход к решению задачи оценки адекватности нечеткой модели для управления производственными объектами. Данный подход отличается использованием статистических данных о результатах экспериментального исследования нечеткой модели, выполнением объединений продукционных правил относительно их заключений, формированием базы заданных значений. Разработанный подход позволяет оценить меру субъективности при экспертном задании параметров разрабатываемой нечеткой модели;

- синтезирован алгоритм настройки параметров нечеткой модели для управления производственными объектами на основе вероятностного подхода. Данный алгоритм отличается использованием параметров оценки нормального распределения, что позволяет выполнить корректировку функций принадлежности выходных нечетких переменных и обеспечить высокие значения показателей быстродействия при достижении желаемых значений параметров нечеткой модели.

В первом разделе диссертации выполнен анализ производственных процессов как производственных объектов управления, описаны состояния и параметры рассматриваемого класса объектов. На основании предложенного описания производственных процессов выявлены трудности в их управлении, поскольку они относятся к трудноформализуемым производственным объектам, функционирующим в условиях априорной неопределенности. Проведен анализ уже существующих подходов к классификации неопределенностей, определено понятие априорной , неопределенности. Рассмотрены существующие способы

описания неопределенностей. Обоснован выбор методов теории нечётких множеств и нечёткой логики для описания априорной неопределенности.

Для решения задач управления производственными объектами, функционирующими в условиях априорной неопределенности, рассмотрены известные методы управления. Представлены такие методы управления, как традиционные и нечеткие. Выявлены особенности данных подходов, установлены их достоинства и недостатки. Исходя из приведенной аргументации, доказано, что применение нечетких методов является наиболее эффективным решением для данного класса задач.

В качестве примера задачи управления производственным объектом, функционирующим в условиях априорной неопределенности, рассмотрен процесс управления температурой в хлебопекарной камере. Проведен анализ работы хлебопекарного процесса, определены сложности и задачи его функционирования. Обоснована целесообразность применения нечетких методов для управления температурой в хлебопекарной камере.

Выявлены сложности при реализации нечетких методов в процессе управления производственными объектами. Предложено реализовать процедуру оценки нечеткой модели и при необходимости настройки ее параметров.

Предложено использовать алгоритм на основе вероятностного подхода для настройки параметров нечеткой модели. Рассматриваемый алгоритм позволяет оценить работу нечеткой модели для управления производственными объектами и при необходимости скорректировать ее параметры для получения желаемых значений работы нечеткой модели.

Таким образом, обосновано применение нечетких методов для управления производственными объектами, функционирующими в условиях априорной неопределенности, и использование вероятностного подхода при синтезе алгоритма настройки параметров разрабатываемой нечеткой модели.

Во втором разделе диссертации была разработана нечеткая модель для управления производственными объектами в общем виде, рассмотрена ее структура и составляющие элементы. Был проведен анализ алгоритмов нечеткого

логического вывода. Рассмотрены наиболее распространенные алгоритмы, среди которых алгоритмы Мамдани и Сугено. Обоснован выбор алгоритма Мамдани.

На основе общего алгоритма нечеткого логического вывода была разработана нечеткая модель для управления производственными объектами на примере управления температурой в хлебопекарной камере. Формирование базы правил и задание функций принадлежности (ФП) выполнено экспертным путем.

Для того, чтобы оценить величину отклонения полученных выходных переменных от требуемых, была разработана база заданных значений, в которой для входных условий определены требуемые выходные значения. Приведен общий вид структурной схемы алгоритма работы нечеткой модели для управления производственными объектами без учета блока настройки.

Выполнено экспериментальное исследование разработанной нечеткой модели для управления производственными объектами на примере управления температурой в хлебопекарной камере без учета блока настойки. В результате полученных данных показана необходимость применения алгоритма настройки для корректировки параметров разработанной нечеткой модели.

В третьем разделе диссертации был синтезирован алгоритм настройки параметров нечеткой модели управления производственными объектами. Был проведен анализ метаэвристических методов настройки, применяемых для корректировки параметров нечеткой модели, на примере генетического алгоритма и алгоритма имитации отжига. Были выявлены их основные особенности для задач настройки параметров нечетких моделей. Также был проведен анализ метода настройки на основе вероятностного подхода. Обоснованы причины применения вероятностных методов для задач настройки параметров нечетких моделей.

Представлена общая структура синтезированного алгоритма настройки параметров нечеткой модели на основе вероятностного подхода и исследованы его составляющие. Пошагово определена последовательность действий при задании алгоритма настройки на основе вероятностного подхода. Перед

< проведением процесса настройки выполнено построение эквивалентов

* *

{

гистограмм частостей на основе значений ФП и проверка гипотезы о соответствии эмпирических функций распределения, полученных на основе ФП, нормальному закону.

В качестве параметра настройки использовались ФП выходных нечетких переменных. В качестве параметров оценки синтезированного алгоритма настройки применялись среднеквадратическое отклонение по расходу топлива (СКО) и соотношение между сжигаемым топливом и подаваемым воздухом. Для выбранных показателей были заданы пороговые значения.

Представлена структурная схема разработанного алгоритма на основе вероятностного подхода для настройки параметров нечеткой модели управления температурой в хлебопекарной камере. Предложенный алгоритм настройки служит основой для написания программного комплекса и проведения экспериментальных исследований.

В четвертом разделе проведено экспериментальное исследование разработанной нечеткой модели для управления производственными объектами на примере управления температурой в хлебопекарной камере и ее алгоритма настройки на основе вероятностного подхода. Разработан программный комплекс, реализованный на языке высокого уровня МАТЬАВ в среде программирования МАТЬАВ 7.9.0 (112009Ь), позволяющий исследовать работу предложенной нечеткой модели для управления производственными объектами, функционирующими в условиях априорной неопределенности, и ее алгоритма настройки на основе вероятностного подхода.

На первоначальном этапе выполнено экспериментальное исследование нечеткой модели для управления производственными объектами без учета блока настройки. Полученные результаты сравнивались с результатами работы аналитических моделей для управления тем же производственным объектом.

Далее было выполнено экспериментальное исследование разработанного алгоритма настройки на основе вероятностного подхода. Полученные результаты сравнивались с результатами до введения блока настройки. Проведено экспериментальное исследование работы разработанного алгоритма настройки на

основе вероятностного подхода с генетическим алгоритмом и алгоритмом имитации отжига, выявлены достоинства разработанного алгоритма перед метаэвристическими алгоритмами.

Заключение содержит выводы о работе.

Результаты работы внедрены:

- на предприятии ИП Едина Л.И. Мучной цех «Лилия» приняты к использованию модель нечеткого логического вывода для управления температурой в процессе выпечки и алгоритм на основе вероятностного подхода для оценки адекватности применяемой нечеткой модели и настройки ее параметров;

- при выполнении научно-исследовательской работы «Разработка методов многокритериальной оптимизации параметров гибридных адаптивных интеллектуальных регуляторов плохо формализованных технических объектов» были использованы алгоритм оценки адекватности нечетких моделей объектов при экспертном задании переменных параметров этих моделей, вероятностный алгоритм настройки параметров нечеткой модели;

- в учебном процессе на кафедре систем автоматического управления Института радиотехнических систем и управления Южного федерального университета.

Научные и практические результаты, полученные в диссертации и изложенные в статьях, использованы при подготовке и проведении практических и лабораторных занятий по дисциплинам «Методы оптимизации», «Дискретная математика», «Моделирование систем управления», «Автоматические и автоматизированные системы управления на производстве и в обучении» на кафедре систем автоматического управления Института радиотехнических систем управления Южного федерального университета.

Основные результаты докладывались и обсуждались на следующих конференциях;

- Международный семинар «Системный анализ, управление и обработка информации », пос. Дивноморское: ДГТУ, 2011;

' Р

- Всероссийская научная конференция «Перспективы развития гуманитарных и технических систем», г. Таганрог: ТТИ ЮФУ, 2011;

- IX - X Всероссийская научная конференция молодых ученых, аспирантов и студентов. «Информационные технологии, системный анализ и управление», г. Таганрог: ТТИ ЮФУ, 2011 - 2012;

- Восьмая ежегодная научная конференция студентов и аспирантов базовых кафедр Южного научного центра РАН, г. Таганрог: ЮНЦ РАН, 2011;

- Международный молодежный конкурс «Студент и научно-технический прогресс», г. Ростов-на-Дону: ЮФУ, 2012 (1 место);

- Международная конференция по мягким вычислениям и измерениям (БСМ 12 - 14), Санкт-Петербург. СПбГЭТУ (ЛЭТИ), 2012-2014 гг.;

- 60-ая научная студенческая конференция студентов и аспирантов, г. Таганрог: ТТИ ЮФУ, 2013;

- II Всероссийская конференция молодых ученых, аспирантов и студентов «Современные технологии, естествознание, педагогика», г. Элиста, 2013;

-Региональный конкурс «Гордость нации «ТЭК Дона -2012» в номинации «Научно-исследовательская работа аспирантов», Ростов-на-Дону, 2013 (2 место);

- IX Всероссийский молодежный форум «Инновационный потенциал молодежной науки», УФА: ФГБОУ ПО «БГПУ им. М. Акмуллы», 2013;

- II Всероссийская научно-практическая конференция «Молодежь, наука, инновации», Грозный: ГГНТУ имени академика М.Д. Миллонщикова, 2013.

По теме диссертации опубликованы 12 статей, среди которых 4 включены в перечень изданий, рекомендованных ВАК, 5 тезисов докладов.

Все результаты, представленные в диссертационной работе, получены автором лично. В совместных научных публикациях имеет место неделимое соавторство.

Диссертационная работа содержит 173 страницы машинописного текста, включая введение, четыре раздела, заключение, список литературы из 163-х наименований, 39 рисунков, 23 таблицы, а также приложение.

1. АНАЛИЗ ИЗВЕСТНЫХ МЕТОДОВ УПРАВЛЕНИЯ ПРОИЗВОДСТВЕННЫМИ ОБЪЕКТАМИ В УСЛОВИЯХ АПРИОРНОЙ

НЕОПРЕДЕЛЕННОСТИ

1.1. Формализация производственных объектов управления в условиях

неопределённости

1.1.1. Концепция разработки системы управления производственными объектами. Все производственные процессы реализуются на совокупности взаимосвязанного оборудования, машин и устройств, которые представляют собой производственные объекты управления [16, 43].

Производственные объекты функционируют согласно их назначению, а для обеспечения эффективности работы производственных объектов управления и поддержания требуемых режимов функционирования проектируются системы управления [1, 3, 8,14 - 18].

Целесообразность разработки системы управления можно рассматривать с двух сторон: улучшение экономики производства и технологическое усовершенствование производственных процессов [1,44]. Для достижения этих целей при проектировании систем управления могут быть использованы различные модели, методы и алгоритмы управления, в зависимости от решаемых задач и целей управления, полноты и точности информации о производственном объекте управления и окружающей его среде.

Способы описания производственных объектов управления занимают ключевое положение на всех этапах разработки системы управления. В качестве способов описания производственных объектов управления можно выделить следующие [1]:

- словесный;

- графический;

- математический;

- программный.

Последовательная реализация данных способов описания дает исчерпывающую информацию о рассматриваемом производственном объекте управления.

Список литературы диссертационного исследования кандидат наук Синявская, Екатерина Дмитриевна, 2014 год

СПИСОК ЛИТЕРАТУРЫ

1. Анисимов, С.А. Основы управления технологическими процессами / С.А. Анисимов, В.Н. Дынькин, А.Д. Касавин, В.А. Лотоцкий, A.C. Мандель, Н.С. Райбман, В.М. Чадеев; под ред. Н.С. Райбмана. - М.: Наука, 1978. - 440с.

2. Ревенков, A.B. Теория и практика решения технических задач: учебное пособие / А. В. Ревенков, Е.В. Резникова. М.: Форум, 2008. - 384 с.

3. Растригин, Л.А. Современные принципы управления сложными объектами / Л.А. Растригин. - М.: Сов. радио, 1980. - 232с.

4. Вальков, В.М. Автоматизированные системы управления технологическими процессами / В.М. Вальков, В.Е. Вершин. - 3-е изд. - Л.: Политехника, 1991. -269 с.

5. Соснин, О.М. Основы автоматизации технологических процессов и производств: учебное пособие для студ. вузов / О.М. Соснин. - М.: Академия, 2007.-240 с.

6. Капустин, Н.М. Автоматизация производственных процессов в машиностроении / Н.М. Капустин, П.М, Кузнецов, А.Г. Схиртладзе; под ред. Н.М. Капустина: учебник для ВТУЗОВ. — М.: Высшая школа, 2004. - 415 с.

7. Петров, И.К. Курсовое и дипломное проектирование по автоматизации производственных процессов / И.К. Петров. - М: Высшая школа, 1986. - 352 с.

8. Красовский, A.A. Современная прикладная теория управления: Оптимизационный подход в теории управления / A.A. Колесникова. - Таганрог: Изд-во ТРТУ, 2000. - Ч. 1. - 400 с.

9. Орлов, А. И. Теория принятия решений: учебник / А.И. Орлов. - М.: Экзамен, 2006. - 573 с.

10. Беллман, Р. Принятие решений в расплывчатых условиях / Р. Беллман, Л.А. Заде // Вопросы анализа и процедуры принятия решений. - М.: Мир, 1976. -С. 172-215.

11. Дюбуа, Д. Теория возможностей. Приложения к представлению знаний в

информатике / Д. Дюбуа, А. Прад. - М.: Радио и связь, 1990. - 288 с.

12. Тейлор, Дж. Введение в теорию ошибок / Дж. Тейлор. - М.: Мир, 1985. -

272 с.

13. Борисов, А.Н. Модели принятия решений на основе лингвистической переменной / А.Н. Борисов, A.B. Алексеев, O.A. Крумберг. - Рига: Зинатне, 1982. -256 с.

14. Брюханов, В.Н. Теория автоматического управления: учебник для вузов / В.Н. Брюханов. - М.: Высшая школа, 1999. - 268 с.

15. Ерофеев, A.A. Теория автоматического управления: учебник для студ. вузов / A.A. Ерофеев. - СПб.: Политехника, 2002. - 302 с.

16. Бабаков, H.A. Теория автоматического управления. Теория линейных систем автоматического управления: учеб. для ТЗЗ вузов по спец. «Автоматика и телемеханика»: в 2 ч. / Н. А. Бабаков, А. А. Воронов, А. А. Воронова; под ред. А. А. Воронова. - 2-е изд., перераб. и доп. — М.: Изд-во Высшая школа, 1986. - 4.2. -367 с.

17. Цыпкин, Я.З. Основы теории автоматических систем / Я.З. Цыпкин. -М.: Наука, 1977.-560 с.

18. Зайцев, Г.Ф. Теория автоматического управления и регулирования / Г. Ф. Зайцев - 2-е изд., перераб. и доп. - К: Выща шк., 1989. - 431 с.

19. Гайдук, А.Р. Системы автоматического управления. Примеры, анализ и синтез / А.Р. Гайдук. - Таганрог: Изд-во ТРТУ, 2006. - 415 с.

20. Финаев, В.И. Модели систем принятия решений: учебное пособие / В.И. Финаев. - Таганрог: Изд-во ТРТУ, 2005. - 118с.

21. Новиков, С.И. Методы нечеткой логики в задачах автоматизации тепловых процессов электростанций / С.И. Новиков, В.Р. Шахнович, A.B. Сафронов // Вестник ИГЭУ. - Иваново: Изд-во ИГЭУ, 2010. - Вып. 4- С. 1 - 4.

22. Ульянов, C.B. Нечеткие модели интеллектуальных промышленных регуляторов и систем управления. Научно-организационные, технико-экономические и прикладные аспекты / C.B. Ульянов, О.Ю. Тятюшкина, Е.В. Колбенко // Системный анализ в науке и образовании. - 2011. - Вып. 2. - С. 1 -

23. Ходашинский, И.А.. Технология идентификации нечетких моделей типа Синглтон и Мамдани / И.А. Ходашинский // Труды VII Международной конференции «Идентификация систем и задачи управления» SICPRO '09. -Москва, 2008. - С. 137 - 163.

24. Асаи, К. Прикладные нечеткие системы / К. Асаи, Д. Ватада, С. Иваи; под ред. Т. Тэрано, К. Асаи, М. Сугэно; пер. с япон. - М.: Мир, 1993. - 184 с.

25. Орловский, С.А. Проблемы принятия решений при нечеткой информации / С.А. Орловский. - М.: Наука, 1981. - 206 с.

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

27. Борисов, А.Н. Принятие решений на основе нечетких моделей. Примеры использования / А.Н. Борисов, O.A. Крумберг, И.П. Федоров. - Рига: Зинатне, 1990.- 184 с.

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

29. Поспелов Д.А. Логико-лингвистические модели в системах управления / Д.А. Поспелов. - М.: Энергоатомиздат, 1981. - 231с.

30. Аверкин А.Н. Нечеткие множества в моделях управления и искусственного интеллекта / А.Н.Аверкин, И.З. Батыршин и др.; под. ред. Д.А. Поспелова. - М.: Наука, 1986. - 312 с.

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

32. Иващук, В. Автоматизированное управление промышленным производством хлебно-булочного ассортимента / В. Иващук, Л. Журавлева // НАУЧНИ ТРУДОВЕ НА РУСЕНСКИЯ УНИВЕРСИТЕТ - 2012. - Т. 51, серия 9.2.-С. 36-39.

33. Данин, В.Б. Оптимизация режима стабилизации температуры пекарной камеры на основе использования метода разделения движений / В.Б. Данин, А.Ю. Кириков // Научный журнал НИУ ИТМО. Серия "Процессы и аппараты пищевых

производств". - 2014. - Выпуск 1(17). - С. 1 - 9.

34. Синявская, Е.Д. Анализ точности работы нечеткой модели и оптимизация ее параметров на примере управления температурой в хлебопекарной камере / Е.Д. Синявская // Материалы II Всероссийской научно-практической конференции «Молодежь, наука, инновации». - Грозный: ГГНТУ им. академика М.Д. Миллонщикова, 2013. - Том 1. - С. 95 - 100.

35. Синявская, Е.Д. Автоматизированная система управления процессами на хлебопекарном предприятии / Е.Д. Синявская // Материалы V студенческой научно-практической конференции «ГИГ10пром-201Г. от теории к практике». -Днепропетровск: Изд-во ГИПОпром, 2011. - С. 67 - 70.

36. Синявская, Е.Д. Автоматизация производственных процессов на хлебозаводах / Е.Д. Синявская, В.И. Финаев // Сборник материалов VIII Всероссийской научной конференции молодых ученых, аспирантов и студентов. «Информационные технологии, системный анализ и управление» (ИТСАиУ-2010). - Таганрог: ТТИ ЮФУ, 2010. - С. 142 - 143.

37. Синявская, Е.Д. Система автоматического управления хлебопекарным процессом // Сборник трудов Международной научной конференции «Современные исследовательские и образовательные технологии». - Таганрог: Изд-во ТТИ ЮФУ, 2010. - Ч. 3 - С. 48 - 52.

38. Синявская, Е.Д. Автоматизация и управление хлебопекарного процесса / Е.Д. Синявская // Сборник материалов XLIX Международной научной студенческой конференции «Студент и научно-технический прогресс». -Новосибирск: Изд-во МНСК, 2011 - С. 120.

39. Синявская, Е.Д. Разработка системы управления термическими процессами / Е.Д. Синявская // Материалы Международного молодежного конкурса «Студент и научно-технический прогресс». - Росшв-на-Дону: Изд-во ЮФУ, 2012. - С. 225 -227.

40. Гладков, JI.A. Генетические алгоритмы / JI.A. Гладков, В.В. Курейчик, В.М. Курейчик; под ред. В.М. Курейчика. - 2-е изд., испр. и доп. - М.: ФИЗМАТЛИТ, 2006. - 320 с.

41. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, JI. Рутковский; пер. с польского. И.Д. Рудинского. - М.: Горячая линия - Телеком, 2006. - 452 с.

42. Батыршин, И.З. Методы представления и обработки нечеткой информации в интеллектуальных системах / И.З. Батыршин // Новости искусственного интеллекта. -1996.-№2.-С.9-65.

43. Синявская, Е.Д. Системы принятия решений для производственных процессов в условиях априорной неопределенности / Е.Д. Синявская // Сборник материалов IX Всероссийской научной конференции молодых ученых, аспирантов и студентов «Информационные технологии, системный анализ и управление» (ИТСАиУ-2011). - Таганрог: Изд-во ТТИ ЮФУ, 2011. - С. 119 - 121.

44. Изаков, Ф.Я. Курсовое и дипломное проектирование по автоматизации технологических процессов / Ф.Я. Изаков, В.Р. Казадаев, А.Х. Ройтман, Б.В. Шмаков. -М.: Агропромиздат, 1988. - 183 с.

45. Алтунин, А.Е. Модели и алгоритмы принятия решений в нечетких условиях: монография / А.Е. Алтунин, М.В. Семухин. - Тюмень: Изд-во Тюменского государственного университета, 2000. - 352 с.

46. Пытьев, Ю.П. Возможность. Элементы теории и применения / Ю.П. Пытьев. - М.: Едиториал УРСС, 2000. - 192 с.

47. Садовский, В.Н. Основания общей теории систем: Логико-методологический анализ / В.Н. Садовский. - М.: Наука, 1974. - 279 с.

48. Финаев, В.И. Основы теории систем: учебное пособие / В.И. Финаев, О.Д. Глод. - Таганрог: Изд-во ТРТУ, 2000. - 80 с.

49. Месарович, М. Общая теория систем: математические основы / М. Месарович, И. Такахара. - М.: Мир, 1978. - 311 с.

50. Гришин, A.C. Комплексная механизация и автоматизация производственных процессов на хлебозаводах / A.C. Гришин, М.И. Полторак. -М.: Пищевая промышленность, 1976. - 280 с.

51. Афанасьева, О.В. Микробиологический контроль хлебопекарного производства / О.В. Афанасьева. -М.: Пищевая промышленность, 1976. - 28 с.

52. Громцев, С.А. Хлебопекарные и кондитерские печи: метод, указания к лабораторной работе по курсу «Технологическое оборудование отрасли» для студентов спец. 170600 и 270300 всех форм обучения / С.А Громцев, И.Б. Корнильев. - СПб.: СПбГУНиПТ, 2002. - 21 с.

53. Антипов, С.Т. Машины и аппараты пищевых производств: учебник для вузов / С.Т. Антипов, И.Т. Кретов, А.Н. Остриков. - М.: Высш. шк., 2001. - кн. 2. -680 с.

54. Хромеенков, В.М. Технологическое оборудование заводов и макаронных фабрик / В.М. Хромеенков. - СПб.: ГИОРД, 2004. - 496 с.

55. Ауэрман, Л.Я. Технология хлебопекарного производства: учебник / Л.Я. Ауэрман. - 9-е изд.; перераб. и доп. - СПб: Профессия, 2005. - 416 с.

56. Синявская, Е.Д. Управление термическим процессом в условиях априорной неопределенности данных / Е.Д. Синявская // Материалы международной конференции по мягким вычислениям и измерениям (8СМ 2012). -СПб: СПбГЭТУ (ЛЭЩ), 2012.- С. 79-82.

57. Яхъяева, Г.Э. Нечеткие множества и нейронные сети: учебное пособие / Г.Э. Яхъяева. - М.: Интернет-Университет информационных технологий; БИНОМ. Лаборатория знаний, 2006. - 316 с.

58. Круглов, В.В. Нечеткая логика и искусственные нейронные сети / В.В. Круглов, М.И. Дли, Р.Ю. Голубов. - 2001. - 224 с.

59. Павлов, А. Н. Принятие решений в условиях нечеткой информации: учеб. пособие /А.Н. Павлов, Б.В. Соколов. - СПб: ГУАП, 2006. - 72 с.

60. Берштейн, Л.С. Модели и методы принятия решений в интегрированных интеллектуальных системах / Л.С. Берштейн, В.П. Карелин, А.Н. Целых. -Ростов-на-Дону: Изд-во Ростовского университета, 1999. - 278с.

61. Берштейн, Л.С. Нечеткие модели принятия решений: дедукция, индукция, аналогия: монография / Л.С. Берштейн, А.В. Боженюк. - Таганрог: Изд-во ТРТУ, 2001.-110 с.

62.°Синявская, Е.Д. Аналитический обзор моделей принятий решения / Е.Д. Синявская //Сборник материалов докладов Международной IX Всероссийской

научной конференции студентов и аспирантов «Техническая кибернетика, радиоэлектроника и системы управления». - Таганрог: Изд-во ГШЮФУ, 2008. - Т. 1 - С. 209

63. Синявская, Е.Д. Системы принятия решений в условиях априорной неопределенности исходных данных / Е.Д. Синявская // Известия ЮФУ. Технические науки. Тематический выпуск. «Методы и средства адаптивного управления в электроэнергетике». -Таганрог: Изд-во ТТИ ЮФУ, 2012. -№2 (127). -С. 186-190.

64. Леоненков, A.B. Нечеткое моделирование в среде MATLAB и fuzzy TECH / A.B. Леоненков. - СПб: БХВ-Петербург, 2005. - 736 с.

65.П1товба, С.Д. Проектирование нечетких систем средствами MATLAB / С.Д. Штовба. М.: Горячая линия - Телеком, 2007 - 288с.

66. Штовба, С.Д. Проектирование систем управления / Fuzzy Logic Toolbox [Электронный ресурс] / С.Д. Штовба. Режим доступа: http://matlab.exponenta.ru/

67. Алиев, P.A. Управление производством при нечеткой исходной информации / P.A. Алиев, А.Э. Церковный, Г. А. Мамедова. - М.: Энергоатомиздат, 1991. -240 с.

68. Алексеев, A.A. Методы управления и диагностики в технических системах с применением нечеткой логики / A.A. Алексеев, Ю.А. Кораблев, М.Ю. Шестопалов. - Спб.: Изд-во СПбГЭТУ (ЛЭТИ), 2008. - 188 с.

69. Синявская, Е.Д. Анализ точности при построении нечетких систем / Е.Д. Синявская // Известия ЮФУ. Технические науки. Тематический выпуск. «Методы и средства адаптивного управления в электроэнергетике». - Таганрог: Изд-во ТТИ ЮФУ. -2013.-№2(127).-С. 133-137.

70. Синявская, Е.Д. Оценка степени достоверности результатов при разработке нечеткой модели / Е.Д. Синявская // Материалы международной конференции по мягким вычислениям и измерениям (SCM 2013). - СПб: СПбГЭТУ (ЛЭТИ), 2013.-С.99-102.

71. Панченко, Т.В. Генетические алгоритмы: учебно-методическое пособие / Т.В. Панченко; под редакцией Ю. Ю. Тарасевича. - Астрахань: Издательский дом «Астраханский университет», 2007. - 87 с.

72. Наместников, А.М. Разработка и исследование нечетких систем и генетических алгоритмов для решения задач автоматизированного проектирования конструкций РЭС: дис. ... канд. тех. наук: 05.13.12 / Наместников Алексей Михайлович. - Ульяновск: УГТУ, 2000. - 206 с.

73.Штовба, С.Д. Обеспечение точности и прозрачности нечеткой модели Мамдани при обучении по экспериментальным данным / С.Д. Штовба // Проблемы управления и информатики. - 2007. - №4. - С.1 - 13.

74. Синявская, Е.Д. Анализ точности и оптимизация работы нечеткой модели / Е.Д. Синявская // Материалы IX Всероссийского молодежного форума «Инновационный потенциал молодежной науки». - УФА: ФГБОУ ВПО «БГПУ им. М. Акмуллы», 2013.-С. 214-217.

75. Стаскевич, Н.Л. Справочник по газоснабжению и использованию газа / Н.Л. Стаскевич, Г.Н.Северинец, Д.Я. Вигдорчик. - Л.: Недра, 1990. - 762с.

76. Васильев, Е.М. Метаэвристический алгоритм обучения нейронных сетей / Е.М. Васильев, В.В. Меренков // Электротехнические комплексы и системы управления. - 2009. - № 3. - С.56 - 59.

77. Синявская, Е.Д. Настройка нечеткой модели вероятностными методами / Е.Д. Синявская // Материалы международной конференции по мягким вычислениям и измерениям (БСМ 14). - Санкт-Петербург: СПбГЭТУ (ЛЭТИ). -2014.-С. 106- 109.

78. Синявская, Е.Д. Оценка точности и оптимизация нечеткой модели управления / Е.Д. Синявская // Научно-практический журнал «Аспирант». - 2014. №2.-С. 59-61.

79. Адлер, Ю.П. Планирование эксперимента при поиске оптимальных условий / Ю.П. Адлер, Е.В. Маркова, Ю.В. Грановский. - М.: Наука, 1976. - 276 с.

80. Гмурман, В.Е. Теория вероятностей и математическая статистика / В.Е. Гмурман. - 9-е изд., стер. - М.: Высшая школа, 2003. - 479 с.

81. Ниворожкина, Л.И. Теория вероятностей и математическая статистика. / Л.И. Ниворожкина, З.А. Морозова. - М.: Эксмо, 2008. - 432 с.

82. Ротштейн, А.П. Идентификация нелинейной зависимости нечеткой

базой знаний с нечеткой обучающей выборкой / А.П. Ротштейн, С.Д. Штовба // Кибернетика и системный анализ. - 2006. - №2. - С. 17-24.

83. Р 50.1.033-2001 Рекомендации по стандартизации. Прикладная статистика. Правила проверки согласия опытного распределения с теоретическим. Критерии типа хи-квадрат. Издание официальное. - Москва: ГОССТАНДАРТ РОССИИ. - Ч. I. - 2002. - 80 с.

84. Шторм, Р. Теория вероятностей. Математическая статистика. Статистический контроль качества / Р. Шторм. - М.: Мир, 1970. - 368 с.

85. Таушанов, 3. Вычисление энтропийного коэффициента при малых выборках / 3. Таушанов, Е. Тонева, Р.Пенова // Изобретательство, стандартизация и качество. - София, 1973. - № 5.

86. Тонева, Е. Аппроксимация распределений погрешности средств измерений / Е. Тонева // Измерительная техника. - 1981. - № 6. - С. 15-16.

87. Бурдун, Г.Д. Основы метрологии / Г.Д. Бурдун, Б.Н. Марков. - М.: Изд-во стандартов, 1985. - 120 с.

88. Финаев, В.И. Планирование экспериментов и обработка данных: учебное пособие / В.И. Финаев. - Таганрог: Изд-во ЮФУ, 2013. - 92 с.

89. Вентцель, Е.С. Теория вероятности / Е.С. Вентцель. - М.: Изд-во «Наука». 1969, - 576 с.

90. Гмурман, В.Е. Руководство к решению задач по теории вероятностей и математической статистике. - 9-е изд., стер. / В.Е. Гмурман - М.: Высшая школа, 2004.— 404 с.

91. Синявская, Е.Д. Оптимизация на основе вероятностного подхода нечетких моделей управления производственными объектами управления [Электронный ресурс] / Е.Д. Синявская // Электронный научный журнал «Инженерный вестник Дона». - 2014. - № 3. - Режим доступа: http://ivdon.ru/ru/magazine/archive/n3y2014/2462.

92. Kang, J. An adaptive PID neural network for complex nonlinear system control / J. Kang, W. Meng, A. Abraham, H. Liu // Neurocomputing. - 2014. - № 135. -Pp. 79-85.

93. Ren, Y.Q. Dynamic switching based fuzzy control strategy for a class of distributed parameter system / Y.Q. Ren, X.G. Duan, H.X. Li, C.L. P. Chen // Journal of Process Control. - 2014. - № 24. - Pp. 88-97.

94. Savran, A. A fuzzy model based adaptive PID controller design for nonlinear and uncertain processes / A. Savran, G. Kahraman // ISA Transactions. - 2014. - № 53. -Pp. 280-288.

95. Escaco, J.M. Neurofuzzy model based predictive control for thermal batch processes / J.M. Escaco, C. Bordons, C. Vilas, M.R. Garcia, A.A. Alonso // Journal of Process Control. - 2009. -№ 19. - Pp. 1566-1575.

96. Cosenza, B. Nonlinear fuzzy control of a fed-batch reactor for penicillin production / B. Cosenza, M. Galluzzo // Computers and Chemical Engineering. - 2012. -№36.-Pp. 273-281.

97. Wang, X. Analysing network uncertainty for industrial product-service delivery: A hybrid fuzzy approach / X. Wang, C. Durugbo // Expert Systems with Applications. -2013. -№ 40. - Pp. 4621-4636.

98. Benavides, P. Studying various optimal control problems in biodiesel production in a batch reactor under uncertainty / P. Benavides, U. Diwekar // Fuel. -2013. - № 103. - Pp. 585-592.

99. Bagdasaryan, A. Discrete dynamic simulation models and technique for complex control systems / A. Bagdasaryan // Simulation Modelling Practice and Theory.- 2011.-№ 19.-Pp. 1061-1087.

100. Thunnissen, D.P. Uncertainty Classification for the Design and Development of Complex Systems / D.P. Thunnissen // 3rd Annual Predictive Methods Conference, Newport Beach, California. - June 2003. - Pp. 1-10.

101. Levitt, T S. Choosing uncertainty representations in artificial intelligence / T.S. Levitt // International Journal of Approximate Reasoning. - 1988. - № 2. - Pp. 217 -232.

102. Walley, P. Measures of uncertainty in expert systems / P. Walley // Artificial Intelligence. - 1996. - № 83. - Pp. 1 - 58.

103.Zadeh, L.A. Generalized theory of uncertainty (GTU)—principal concepts

j - ■ i

and ideas / L.A. Zadeh // Computational Statistics & Data Analysis. - 2006. - № 51. -Pp. 15-46.

104. Oberkampf, W.L. Challenge problems: uncertainty in system response given uncertain parameters / W.L. Oberkampf, J.C. Helton, C.A. Joslyn, S.F. Wojtkiewicz, S.Ferson // Reliability Engineering and System Safety. - 2004. - № 85. - Pp. 11-19.

105. Luhandjula, M.K. On some optimisation models in a fuzzy-stochastic environment / M.K. Luhandjula, J.W. Joubert // European Journal of Operational Research. - 2010. - № 207. - Pp. 1433-1441.

106. Didier, D. Possibility Theory, Probability Theory and Multiple-valued Logics: A Clarification / D. Didier, H. Prade // Annals of Mathematics and Artificial Intelligence. - 2001. - № 32. - Pp. 35 - 66.

107. Didier, D. Resolution principles in possibilistic logic / D. Didier, H. Prade // International Journal of Approximate Reasoning. - 1990. - Volume 4, Issue 1. - Pp. 121.

108. Zadeh, L.A. The role of fuzzy logic in the management of uncertainty in expert systems / L.A. Zadeh // Fuzzy sets and systems. - 1983. - Volume 11, Issues 1 -3.-Pp. 197-198.

109. Zadeh, L.A. Fuzzy Sets as the Basis for a Theory of Possibility / L.A. Zadeh // Fuzzy Sets and Systems. - 1978. - № 1. - Pp. 3 - 28.

110. Zadeh, L.A. Toward extended fuzzy logic - A first step / L.A. Zadeh // Fuzzy Sets and Systems. - 2009. -№ 160. - Pp. 3175 - 3181.

111. Zadeh, L. A. Is there a need for fuzzy logic? / L.A. Zadeh // Information Sciences. - 2008. - № 178. - Pp. 2751-2779.

112. Alonso, A.A. Real time optimization for quality control of batch thermal sterilization of prepackaged foods / A.A. Alonso, A. Arias-Méndez, E. Balsa-Canto, M.R. García, J.I. Molina, C. Vilas, M. Villafin // Food Control. - 2013. - № 32. - Pp. 392-403.

113. Salazar, M.. PID control for a single-stage transcritical C02 refrigeration cycle / M. Salazar, F. Méndez // Applied Thermal Engineering. - 2014. - № 67. - Pp. 429-438.

114. Moon, J.W. Comparative study of artificial intelligence-based building thermal control methods - Application of fuzzy, adaptive neuro-fuzzy inference system, and artificial neural network / J.W. Moon, S.K. Jung, Y. Kim, S.H. Han // Applied Thermal Engineering. - 2011. - № 31. - Pp. 2422 - 2429.

115. Camacho, E.F. Control of thermal solar energy plants / E.F. Camacho, M. Berenguel, A.J. Gallego // Journal of Process Control. - 2014. - № 24. - Pp. 332 - 340.

116. Paquet-Durand, O. Monitoring baking processes of bread rolls by digital image analysis / O. Paquet-Durand, D. Solle, M. Schirmer, T. Becker, B. Hitzmann // Journal of Food Engineering. - 2012. - № 111. - Pp. 425-431.

117. Khatir, Z. Optimisation of the energy efficiency of bread-baking ovens using a combined experimental and computational approach / Z. Khatir, J. Paton, H. Thompson, N. Kapur, V. Toropov // Applied Energy. - 2013. - № 112. - Pp. 918-927.

118. Cordon, O. A historical review of evolutionary learning methods for Mamdani-type fuzzy rule-based systems: Designing interpretable genetic fuzzy systems / O. Cordon // International Journal of Approximate Reasoning. - 2011. - № 52. -Pp. 894-913.

119. Nagy, E. Fuzzy Membership Function Optimization / E. Nagy // 9th International Conference on Mathematical Problems in Engineering, Aerospace and Sciences. AIP Conf. Proc. 1493. - 2012. - Pp. 684-690.

120. Permana, K.E. Fuzzy Membership Function Generation using Particle Swarm Optimization / K.E. Permana, S.Z. Mohd Hashim // Int. J. Open Problems Compt. Math. - Vol. 3. - №. 1. - March 2010. - Pp. 27 - 41.

121.Zhoua, S.M. Low-level interpretability and high-level interpretability: a unified view of data-driven interpretable fuzzy system modeling / S.M. Zhoua, J.Q. Ganb // Fuzzy Sets and Systems. - 2008. - № 159. - Pp. 3091-3131.

122. Yagiura, M. On Metaheuristic Algorithms for Combinatorial Optimization Problems / M. Yagiura, T. Ibaraki // Graduate School of Informatics. - Kyoto: Kyoto University, 2011. - Pp. 1 - 43.

123.Pota, M. Transforming probability distributions into membership functions of fuzzy classes: A hypothesis test approach / M. Pota, M. Esposito, G. De Pietro //

)

ill r

Fuzzy Sets and Systems. - 2013. - № 233. - Pp. 52-73.

124. Pourahmadi-Nakhli, M. A nonlinear-hybrid fuzzy/probabilistic load flow for radial distribution systems / M. Pourahmadi-Nakhli, A.R. Seifi, R. Taghavi // Electrical Power and Energy Systems. - 2013. - № 47. - Pp. 69-77.

125. Tang, M. Generation of a probabilistic fuzzy rule base by learning from examples / M. Tang, X. Chen, W. Hu, W. Yu // Information Sciences. - 2012. - № 217. -Pp. 21-30.

126. Zadeh, L.A. Probability measures of Fuzzy events / L.A. Zadeh //Journal of Mathematical Analysis and Applications - August 1968. - Volume 23, Issue 2 - Pp. 421 -427.

127. Savran, A. A multivariable predictive fuzzy PID control system / A. Savran // Applied Soft Computing. - 2013 - № 13. - Pp. 2658 - 2667.

128. Dequan, S. Application of Expert Fuzzy PID Method for Temperature Control of Heating Furnace / S. Dequan, G. Guili, G. Zhiwei, X. Peng // Engineering. -2012 -№29. -Pp. 257-261.

129. Jahedi, G. Genetic algorithm-based fuzzy-PID control methodologies for enhancement of energy efficiency of a dynamic energy system / G. Jahedi, M.M. Ardehali // Energy Conversion and Management. - 2011. - № 52. - Pp. 725 - 732.

130. Dubois, D. Evidence measures based on fuzzy information / D. Dubois, H. Prade // Automatica. - September 1985. - Volume 21, Issue 5. - Pp. 547 - 562.

131. Wong, S.Y. Designing process controller for a continuous bread baking process based on CFD modeling / S.Y. Wong, W. Zhou, J. Hua // Journal of Food Engineering. - 2007. - № 81. - Pp. 523-534.

132. Zadeh, L.A. Fuzzy logic and the calculi of fuzzy rules, fuzzy graphs, and fuzzy probabilities / L.A. Zadeh // Computers & Mathematics with Applications. - June 1999. - Volume 37, Issues 11-12. -35 p.

133. Dubois, D. The role of fuzzy sets in decision sciences: Old techniques and new directions / D. Dubois // Fuzzy Sets and Systems. -2011. - № 184. - Pp. 3-28.

134. Omid, M. Design of fuzzy logic control system incorporating human expert knowledge for combine harvester / M. Omid, M. Lashgari, H. Mobli, R. Alimardani, S.

Mohtasebi, R. Hesamifard // Expert Systems with Applications. -2010. - № 37. - Pp. 7080-7085.

135. Yang, T. Fuzzy model-based predictive control of dissolved oxygen in activated sludge processes / T. Yang, W. Qiu, Y. Ma, M. Chadli, L. Zhang // Neurocomputing. - 2014. - № 136. - Pp. 88-95.

136. Markowski, A.S. Fuzzy logic approach to calculation of thermalhazard distances in process industries / A.S. Markowski, D. Siuta // Process Safety and Environmental Protection. - 2014. - Volume 92. - Pp. 338 - 345.

137. Wong, S.Y. Designing process controller for a continuous bread baking process based on CFD modeling / S.Y. Wong, W. Zhou, J. Hua // Journal of Food Engineering. - 2007. - № 81. - Pp. 523-534.

138. Yanar ,T.A. Fuzzy model tuning using simulated annealing / T.A. Yanar, Z. Akyiirek // Expert Systems with Applications. - 2011. - № 38. - Pp. 8159-8169.

139. Thakur, M. A modified real coded genetic algorithm for constrained optimization / M. Thakur, S.S. Meghwani, H. Jalota // Applied Mathematics and Computation. - 2014. - № 235. - Pp. 292-317.

140. Oliveira Jr., H.A. Solving nonlinear systems of functional equations with fuzzy adaptive simulated annealing / H. A. Oliveira Jr., A. Petraglia // Applied Soft Computing. - 2013. - № 13. - pp. 4349-4357.

141. Madic, M. Comparison of meta-heuristic algorithms for solving machining optimization problems / M. Madic, D. Markovic, M. Radovanovic // FACTA UNIVERSITATIS. Series: Mechanical Engineering, 2013. - Vol. 11, № 1. - Pp. 29 -44.

142. Baudrita, C. Representing parametric probabilistic models tainted with imprecision / C. Baudrita, D. Duboisb, N. Perrota // Fuzzy Sets and Systems. - 2008. -№ 159.-Pp. 1913- 1928.

143. Soares, S. Comparison of a genetic algorithm and simulated annealing for automatic neural network ensemble development / S. Soares, C.H. Antunes, R. Araujo // Neurocomputing. - 2013. - № 121. - Pp. 498-511.

144. Kim, Y. Fuzzy model forecasting of offshore bar-shape profiles under high

waves / Y. Kim, K.H. Kim, B.S. Shin // Expert Systems with Applications. - 2014. -Volume 41, Issue 13. - Pp. 5771 - 5779.

145. Zadeh, L.A. A note on similarity-based definitions of possibility and probability / L.A. Zadeh // Elsevier Inc. - 2014 - Pp. 334 - 336.

146 .§akiroglu, A.M. Optimization of Fuzzy Membership Function Using Clonal Selection/ A.M. §akiroglu, A. Arslan // ICANNGA. - B. Beliczynski et al. (Eds.), 2007. - Part I, LNCS 4431. - Pp. 694-701.

147. Barragán, A.J. A general methodology for online TS fuzzy modeling by the extendedKalman filter / A.J. Barragán, B.M. Al-Hadithib, A. Jiménez, J.M. Andújar // Applied Soft Computing. - 2014. - № 18. - Pp. 277-289.

148. Chang, Y.H. Fuzzy sliding-mode control for ball and beam system with fuzzy ant colony optimization / Y.H. Chang, C.W. Chang, C.W. Tao, H.W. Lin, J.S. Taur // Expert Systems with Applications. - 2012. - № 39. - Pp. 3624-3633.

149. Alcal',R. Genetic Lateral and Amplitude Tuning of Membership Functions for Fuzzy Systems / R. Alcal', J. Alcal'a-Fdez, M. Jos'e Gacto, F. Herrera // International Conference on Machine Intelligence. - Tozeur - Tunisia. - November 5-7, 2005.-Pp. 589-595.

150. Fliss, I. Exploiting Particle Swarm Optimization in Multiple Faults Fuzzy Detection / I. Fliss, M. Tagina // Journal of computing. - 2012. - Volume 4, Issue 2. -Pp. 1 - 12.

151. Kahramanli, H. A Modified Cuckoo Optimization Algorithm for Engineering Optimization / H. Kahramanli // International Journal of Future Computer and Communicatio. - August 2012. - Vol. 1, № 2. - Pp. 199 - 201.

152. Mullen, R. A review of ant algorithms / R. Mullen, D. Monekosso, S. Barman, P. Remagnino // Expert Systems with Applications. - 2009. - № 36. - Pp. 9608-9617.

153. Ahmadizar, F. Reliability optimization of a series system with multiple-choice and budget constraints using an efficient ant colony approach / F. Ahmadizar, H. Soltanpanah // Expert Systems with Applications. - 2011. - № 38. - Pp. - 3640-3646.

154. Katagiri, H. Interactive multiobjective fuzzy random programming through

the level set-based probability model / H. Katagiri, M. Sakawa // Information Sciences. -2011.-№181.-Pp. 1641-1650.

155. Bowie, M. Fuzzy Clustering, Feature Selection, and Membership Function Optimization / M. Bowie // Seminar Paper, DIUF - Department of Informatics University of Fribourg, Switzerland, 2004. - Pp. 1-13.

156. Pholdee, N. Comparative performance of meta-heuristic algorithms for mass minimisation of trusses with dynamic constraints / N. Pholdee, S. Bureerat // Advances in Engineering Software. - September 2014. - Volume 75. - Pp. 1-13

157. Mahmoodabadia, M.J. A novel combination of Particle Swarm Optimization and Genetic Algorithm for Pareto optimal design of a five-degree of freedom vehicle vibration model / M.J. Mahmoodabadia, A. Adljooy Safaieb, A. Bagheric, N. Nariman-zadehd // Applied Soft Computing. - 2013. - № 13. - Pp. 2577 -2591.

158. Fu, C. UAS See-and-Avoid Strategy using a Fuzzy Logic Controller Optimized by Cross-Entropy in Scaling Factors and Membership Functions / C. Fu, M.A. Olivares-Mendez, P. Campoy, R. Suarez-Fernandez // 2013 International Conference on Unmanned Aircraft Systems (ICUAS). - Grand Hyatt Atlanta, Atlanta, GA-May 28-31, 2013.-Pp. 532-541.

159. Sturgess, H.A. The choice of classic intervals / H.A. Sturgess // J. Am. Statist. Assoc. - March 1926. - 47 p.

160. Afshordi, N. Using Learning Automata for Tuning Fuzzy Membership Functions in Learning Driver Preferences [Electronic resource] / N. Afshordi, M.R. Meybodi. URL: meybodi/paper/Afshordi-Meybodi.pdf

161. Surmann, H. Learning feed-forward and recurrent fuzzy systems: A genetic approach / H. Surmann, M. Maniadakis // Journal of Systems Architecture. - 2001. - № 47.-Pp. 649-662.

162. Khatir, Z. Computational fluid dynamics (CFD) investigation of air flow and temperature distribution in a small scale bread-baking oven / Z. Khatir, J. Paton, H. Thompson, N. Kapur, V. Toropov, M. Lawes, D. Kirk. // Applied Energy. - 2012. - № 89.-Pp. 89-96.

163. Yusof, R. Optimization of fuzzy model using genetic algorithm for process control application / Rubiyah Yusof, Ribhan Zafira Abdul Rahman, Marzuki Khalid, Mohd Faisal Ibrahim // Journal of the Franklin Institute. - 2011. - № 348. - Pp. 1717— 1737.

ПРИЛОЖЕНИЕ 1 Акты внедрения

У !'Ы,РЖЛЛ1и

г ^рлаи^ ^^^радно! ошическич

¿пленяя

Гришен«> 2014 г.

¡1111ШШИвЯ1

о внедрении результатов диссертации

«Разработка моделей и методов нечеткого логического вывода для управления производственными объектами в условиях априорной неопределенности» на соискание ученой степени кандидата технических наук Синявской Екатерины Дмитриевны

Настоящим актом подтверждаегся. что и >чсбном процессе кафедры систем автоматического управления Института рлдиогсхннческих систем и управления ФГДОУ ВО 10ФУ используются следующие материалы диссертационной работы Синявской. Е.Д. разработка -моделей и методов нечеткого логического вывода для управления'"'производственными объектами в условиях априорной неопределенности», представленной на соискание ученой степени кандидата технических наук

1. Предложенные во втором -разделе диссертации модель нечеткого логического вывода для управления производственными объектами в условиях априорной неопределенности и алгоритм оценки адекватности нечеткой модели при экспертном задании ее параметров используются и качестве материала для практических тццятнй при постановке курсов: «.Моделирование систем управления», «Дискретная математика», а также в качестве тематики студенческих научных проектов и докладов:

2.Предсшалсннын и третьем разделе диссертации вероятностный алгоритм настройки параметров нечеткой модели для управления производственными объектами используется в качестве маа-рнала для практических занятий при подготовке дисциплины «Методы оптимизации^»;

5. 1\| млиок.мпыл и -.с I иер .о р.. 4 , ср1 ....л.1 пр.ч раммиын кимплс.-.с для н.снсримеп к'-м.'им и исследи: апн;; исчс.к-.-л ■.млели ч и;:.:., ¡енни •¡1|ччи.лмс]ненп!:ми ооьс.чГа-.тп и в.-ро.Чммсим.о а.: или: мл нас1р.;П!.н ее н:1;).1\:е1рон иепо/плукье;: !. 1.мчссь:е и.-лерлала ;;л:> Ллчораюрныч ¡пийыи при и;к;';ни:;!.с !.\рс<>н ■■.Лыомап-.чес^ие и амомшл .про^шные сиск-мы >при: ¡ен;1Я на про;: ;.¡идеи.е л в 4inn.ii»> и »мМоделирова^не сис.ем чнра.менпл».

14 коьо.и: ie.ii. ол!;лл:-.ирс;;о1 о .'Уш^слсмие и тсхниче-Л-пл сп.мемач-

УТВЕРЖДАЮ: »Г" Директор ИП Едина Л.И. ~ ручной цех «Лилия»

П. Едина

* - * "'ЧЙТ у

(/^/^МЛШ Г.

АКТ

о внедрении результатов диссерщшш

«Разработка моделей и методов нечеткого лог ическо) о вывода для у правления производственными объемами в условиях априорной неопределенности» на соискание ученой схепени кандидат технических паук Синявской Екатерины Дмитриевны

Результаты кандидатской диссертации Синявской Е.Д. «Разработка моделей и методов нечеткого логического вывода для управления производственными объектами в условиях априорной неопределенности» использованы в работе предприятия при управлении хлебопекарным процессом.

В работе предприятия были использованы следующие научные результаты диссертационный исследований:

- метод формализации данных и решения задачи управления хлебопекарным и хлебобулочным процессом;

- нечеткий метод управления температурой в хлебопекарной камере;

- вероятностные методы опенки эффективности результатов работы модели системы управления хлебопекарным и хлебобулочным процессом;

- программные приложения для решения задачи управления темпера1урой в хлебопекарной камере.

Использование научных результатов диссертации позволило получить следующий технический эффект при решении задач:

- аргументированного обоснования применения нечетких исходов управления производственными обьектами, функционирующими в условиях априорной неопределенности, при решении задачи управления темпера1урой в хлебопекарной камере;

- нахождения оптимальных параметров системы управления процессом выпечки;

При разработке нечеткой модели управления температурой в хлебопекарной камере и

алгоритма настройки ее параметров использовались следующие практические результаты диссертационной работы;

- программный комплекс, обеспечивающий процесс функционирования нечеткой модели управления температурой в хлебопекарной камере и алгоритма настройки ее параметров.

Технологический и технический эффект от применения результаюв диссертации при разработке нечеткой модели управления температурой в хлебопекарной камере состоит в следующем:

-"снижение трудозатрат во время управления процессом выпечки на 18%;

- снижение количества бракованной продукции на 6%:

- снижение ■зиергозатра! в процессе выпечки на 19%.

Экономический л|)фекх от внедрения резулыатов дисесртциопной работы составляет примерно 52 тьтс. руб.

Зам. директора '-ум./1^, ^

Мучного цеха «Лилия» ' / Н.В. Годунова

У ПИ-Г/КДЛЮ:

л

'Цсрнмй проректор !()ФУ ■__ N1.1.1. ГероПИаН

АКТ

о Л(КЧ'.о;>и-.1;1,1|

«¡'ачраоогка моделей и методов нечеткого логического вывода для управления произволе! венными объектами в условиях априорной

неопределенности» на соискание ученой степени кандидата технических наук Синявской Екатерины Дмитриевны

Настоящим актом подтверждается, что результаты диссертационной работы ' Синявской Екатерины Дмитриевны внедрены, при выполнении научно-исследовательской работы «Разработка методов многокритериальной оптимизации . параметров ' гибридных адаптивных интеллектуальн ы ч регуляторов плохо формализованных технических объектов», выполняемой в рамках проектной части внутреннего гранта ФГАОУ ВПО «Южный федеральный университет» в 2014 году.

Ч.),м. »ан. каие.трой ('АУ

В.15. Шадрина

■