Система нейро-нечеткого управления динамическими изменениями технологической среды тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Алхатем Али

• Алхатем Али
• кандидат наук
• 2022

Оглавление диссертации кандидат наук Алхатем Али

Введение

Глава 1 Анализ современного состояния проблемы синтеза систем нейро-нечеткого управления сушки влажных материалов

1.1. Основные аспекты осуществления качественной сушки влажных материалов с нейро-нечетким управлением

1.2. Влажность древесины как определяющий параметр функционирования сушильной камеры

1.3. Этапы сушки древесины с учетом подобранных параметров

1.4. Анализ показателей качества сушки с учетом подобранных параметров26

1.5. Обоснование выбора и принципы построения рациональных режимов сушки влажных материалов

1.6. Обоснование качества и особенностей сушки древесины как трудно контролируемого процесса

1.7. Обоснование выбора СВЧ-камеры для сушки древесины I категории качества

Выводы по главе

Глава 2 Разработка модели обучения искусственной нейронной сети на основе нейро-нечеткого вывода и обучающей выборки

2.1. Решение задачи оптимальной сушки древесины в конкретной камере

2.2. Обучение искусственной нейронной сети и построение математической модели на основе конкретной сушильной камеры и обучающей выборки

2.3. Внедрение данных в работу искусственной нейронной сети как концепт развития направления сушки акустической древесины

2.4. Модель обучения искусственной нейронной сети на основе нейро-нечеткого вывода

Выводы по главе

Глава 3 Методика построения системы нейро-нечеткого управления динамической средой для камерной сушки влажных материалов и кондиционируемых хранилищ

3.1. Анализ существующих систем управления кондиционированием воздушной среды

3.2. Проблемы реализации систем кондиционирования в регионально-территориальном плане

3.3. Проблемы автоматизации систем кондиционирования воздуха хранилищ63

3.4. Методика автоматизированного управления контролем режимов динамических процессов камерной сушки влажных материалов

3.5. Методика построения системы нейро-нечеткого управления динамической средой для камерной сушки влажных материалов и кондиционируемых хранилищ

Выводы по главе

Глава 4 Система нейро-нечеткого управления динамическими изменениями воздушной среды сушильных камер и древесных хранилищ

4.1. Взаимосвязь регулируемых параметров в системе кондиционирования воздуха

4.2. Математическая формулировка критерия оптимальности для системы искусственной нейронной сети с нейро-нечеткой логикой

4.3. Система нейро-нечеткого управления динамическими изменениями воздушной среды

Выводы по главе

Заключение

Библиографический список

Приложение

Введение диссертации (часть автореферата) на тему «Система нейро-нечеткого управления динамическими изменениями технологической среды»

Введение

Актуальность темы исследования. Сегодня вместе с бурным развитием вычислительной техники наблюдается повсеместная автоматизация и интеллектуализация процессов управления во всех технологических сферах. Рассматриваемые в диссертационной работе системы управления воздушной средой применяются в технических агрегатах, в которых основное воздействие на объект управления оказывает сама воздушная среда. В работе рассматриваются две системы управления воздушной средой - это система управления сушкой влажных материалов и система управления кондиционированием древесных хранилищ. В обеих системах наблюдается наличие нечетких размытых данных, в сушильной камере - это текущее состояние высушиваемого материала, а в системе кондиционирования - состояние качества контроля условий окружающей среды. Наличие нечетких размытых данных существенно усложняет процесс управления. Данные системы широко применяются и будут применяться в обозримом будущем. Сегодня режимы управления этими системами осуществляются на основе мнений экспертов, однако это не соответствует современным требованиям обеспечения интеллектуализации процессов управления, выдвигаемым в стратегии национального развития России. «Развитие информационных систем, помогающих человеку принимать решения, началось с появления в 1950-х гг. экспертных систем, описывающих алгоритм действий по выбору решения в зависимости от конкретных условий. На смену экспертным системам пришло машинное обучение, благодаря которому информационные системы самостоятельно формируют правила и находят решение на основе анализа зависимостей, используя исходные наборы данных (без предварительного составления человеком перечня возможных решений), что позволяет говорить о появлении искусственного интеллекта», - говорится в Национальной стратегии развития искусственного интеллекта на период до 2030 г., утвержд. указом Президента Российской Федерации от 10 октября 2019 г. № 490.

Указанные обстоятельства обусловливают актуальность диссертационной работы, ее цель, решаемую научную задачу, объект и предмет исследования

в области обеспечения должного уровня контроля систем управления воздушной средой, а также кондиционирования древесных хранилищ и работы сушильной камеры с учетом уровня качества выходной продукции и минимизации человеческих ресурсов.

В диссертационной работе для обеспечения интеллектуализации систем управления воздушной средой используется нейро-нечеткая система логического вывода. Данная система строится на основе двух современных технологий искусственного интеллекта. Система использует технологию искусственной нейронной сети (ИНС) для обучения правильному логическому выводу на основе анализируемых данных о процессе управления воздушной средой и технологию нечетких множеств для обработки размытых нечетких данных и предоставления лингвистических переменных для ИНС.

Актуальность применения систем искусственного интеллекта при создании систем управления сушкой древесины обусловлена сложностью процессов управления. В работе обосновано применение нейро-нечеткой логики и нейронных сетей в системе управления. Это позволяет снизить влияние человеческого фактора и получить высококачественную древесину.

Диссертация посвящена решению востребованной и нерешенной сегодня задачи построения интеллектуальной системы управления воздушной средой на основе современной технологии нейро-нечеткого логического вывода и ИНС, что определяет ее актуальность.

Целью диссертационной работы является повышение эффективности процесса сушки материалов за счет синтеза систем нейро-нечеткого управления процессом камерной сушки древесины и кондиционируемых древесных хранилищ.

Для достижения поставленной цели в диссертационной работе были решены следующие задачи:

1. Осуществить аналитическое сравнение и обзор современных существующих систем управления воздушной среды, в том числе в области лесозаготовочной промышленности.

2. Разработать методику автоматизированного управления контролем режимов динамических процессов камерной сушки влажных материалов с учетом динамических изменений, определяемых ИНС в форме лингвистических переменных, отличающуюся наличием корректировки режима сушки конкретной камеры.

3. Разработать методику построения системы нейро-нечеткого управления динамической средой для камерной сушки влажных материалов и кондиционируемых хранилищ, отличающуюся учетом показателей качества сушки и режимов управления технологической средой.

4. Разработать модель обучения ИНС на основе нейро-нечеткого вывода и обучающей выборки из входных и выходных параметров управления динамическими процессами сушильных камер и кондиционируемых хранилищ, отличающуюся представлением управляемых параметров в форме лингвистических переменных.

5. Разработать систему нейро-нечеткого управления динамическими изменениями воздушной среды на основе разработанных методик и модели.

Объектом исследования являются системы управления воздушной среды и подходы к выбору оптимального технического решения поставленных задач.

Предметом исследования являются методики и компьютерные программы оптимизации управления системами воздушной среды для камерной сушки древесины и кондиционируемых хранилищ.

Методы исследования. При решении рассматриваемых в диссертационной работе задач использовались методы математического анализа для исследования моделей объектов управления, методы теории вероятностей и математической статистики для определения наиболее значимых наблюдаемых параметров процессов управления воздушной средой, математический аппарат теории нечетких множеств для адекватного представления данных в форме лингвистических переменных и обратно и методы оптимизации для определения алгоритмов обучения нейро-нечеткого логического вывода.

Научная новизна исследования заключается в следующем:

1. Разработана методика автоматизированного управления контролем режимов динамических процессов камерной сушки влажных материалов с учетом динамических изменений, определяемых ИНС в форме лингвистических переменных, методика отличается наличием корректировки режима сушки конкретной камеры, что позволяет исключить вмешательство эксперта и способствует снижению энергетических и материальных затрат.

2. Разработана методика построения системы нейро-нечеткого управления динамической средой для камерной сушки влажных материалов и кондиционируемых хранилищ, снижающая роль человеческого фактора в определении показателей качества сушки и режимов управления технологической средой в процессе сушки.

3. Разработана модель обучения ИНС на основе нейро-нечеткого вывода и обучающей выборки из входных и выходных параметров управления динамическими процессами сушильных камер и кондиционируемых хранилищ, отличающаяся представлением управляемых параметров в форме лингвистических переменных, что способствует повышению качества выпускаемой продукции (высушенного материала) за счет снижения эксплуатационных ошибок.

Теоретическая значимость результатов заключается в применении методов нейро-нечеткой системы логического вывода и ИНС в качестве универсального подхода для управления сложными технологическими процессами в различных сферах научной деятельности.

Достоверность и обоснованность результатов исследований, выводов и рекомендаций работы определяется логически обоснованным выбором решений на основе детального анализа множества существующих задач и возможности их практических реализаций в прикладных системах нейро-нечеткого управления камерной сушки древесины и кондиционируемых древесных хранилищ.

Соответствие темы диссертации паспорту специальности. Диссертационное исследование выполнено в рамках Паспорта научной специальности «Системный анализ, управление и обработка информации» и

соответствует п. 3 «Разработка критериев и моделей описания и оценки эффективности решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации», п. 4 «Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации» и п. 10 «Методы и алгоритмы интеллектуальной поддержки при принятии управленческих решений в технических системах».

Практическая ценность результатов работы состоит в разработке и реализации программного обеспечения, проверенного на процессах сушки резонансной ели (акустическая древесина) в сушильной камере и внутри кондиционируемого хранилища и обеспечивающего высокое качество итогового продукта при меньших экономических затратах.

На защиту выносятся:

1. Методика автоматизированного управления контролем режимов динамических процессов камерной сушки влажных материалов с учетом динамических изменений, определяемых ИНС в форме лингвистических переменных, методика отличается наличием корректировки режима сушки конкретной камеры.

2. Методика построения системы нейро-нечеткого управления динамической средой для камерной сушки влажных материалов и кондиционируемых хранилищ, отличающаяся учетом показателей качества сушки и режимов управления технологической средой, снижающая роль человеческого фактора в процессе сушки.

3. Модель обучения ИНС на основе нейро-нечеткого вывода и обучающей выборки из входных и выходных параметров управления динамическими процессами и кондиционируемых хранилищ, отличающаяся представлением управляемых параметров в форме лингвистических переменных, способствующих повышению качества за счет снижения эксплуатационных ошибок.

4. Система нейро-нечеткого управления динамическими изменениями воздушной среды на основе разработанных методик и алгоритма, позволяющая

интеллектуализировать современные процессы сушки и кондиционирования хранилищ с помощью ИНС.

Реализация научных результатов. Отдельные полученные результаты диссертационного исследования были применены и реализованы в прикладных научно-исследовательских работах и в научных проектах следующих организаций:

- кафедра информационно-измерительные системы ФГБОУ ВО «Московский государственный университет геодезии и картографии» для проведения учебного процесса по дисциплинам «Основы автоматического регулирования» и «Информационные процессы и системы»;

- кафедра конструирование и производство радиоаппаратуры ФГБОУ ВО «Пензенский государственный университет» (Акт о внедрении результатов диссертационной работы Алхатема Али) по направлению подготовки курса «Информационные технологии проектирования РЭС».

Личный вклад автора. Все результаты, составляющие основное содержание диссертации, получены лично автором. В работах, выполненных в соавторстве, автор внес основной вклад в части формулировки и формализации задач исследований, разработки систем нейро-нечеткого управления процесса камерной сушки древесины и кондиционируемых древесных хранилищ и решения актуальных проблем сушки влажных материалов, что составило более 70 % от всех проведенных исследований.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих конференциях: XXXII Международной научно-практической конференции «Научный форум: Технические и физико-математические науки»; XXVI Международном симпозиуме «Надежность и качество - 2021» и на научных семинарах кафедры механики и мехатроники Инженерной академии Российского университета дружбы народов.

Публикации. Основные результаты диссертации опубликованы в 8 печатных работах, среди которых 4 статей в рецензируемых журналах из перечня

ВАК РФ, 2 работ в изданиях, индексируемых в международной наукометрической базе данных Scopus и 2 работы в других изданиях. Получено 1 свидетельство о государственной регистрации программ для ЭВМ.

Структура и объем диссертации. Диссертация состоит из введения, четырех глав, заключения, библиографического списка из 160 наименований и приложения, включающего два акта о внедрении. Общий объем диссертационной работы составил 120 страниц, из них 102 страницы основного текста диссертации, включая 1 6 рисунков и 1 таблицу.

Диссертационная работа посвящена исследованию и разработке системы нейро-нечеткого логического управления технологическими процессами, в которых в качестве воздействующего фактора используется воздушная среда. Управление осуществляется параметрами воздушной среды, температурой, влажностью, давлением и т.п. Основа математического аппарата нечетких множеств состоит в использовании для описания неточных величин функции принадлежности, которая принимает значения от 0 до 1. В зависимости от значений этой функции определяется принадлежность данных тому или иному множеству. Разрабатываемая система нейро-нечеткого управления использует неточные данные, которые преобразуются в лингвистические переменные с помощью процесса фаззификации. Далее для этих лингвистических переменных определяются правила выполнения логических операций и комбинация логического вывода. Полученные в результате логического вывода лингвистические переменные преобразуются вновь в точные данные с помощью обратного процесса дефаззификации. В результате система нейро-нечеткого логического вывода выдает точные значения режимов управления технологическим процессом. Для получения правильного логического вывода система обучается на множестве примеров успешной работы технологического оборудования, в которых известны оптимальные режимы управления для определенных входных данных. Разработанный метод нейро-нечеткого логического вывода в работе применяется для управления процессом сушки

влажных материалов в сушильных камерах и процессом кондиционирования древесных хранилищ.

12

Глава 1

АНАЛИЗ СОВРЕМЕННОГО СОСТОЯНИЯ ПРОБЛЕМЫ СИНТЕЗА СИСТЕМ НЕЙРО-НЕЧЕТКОГО УПРАВЛЕНИЯ СУШКИ ВЛАЖНЫХ МАТЕРИАЛОВ

Искусственные нейронные сети появились в середине ХХ в., хотя согласно официальной информации первые научные работы по ИНС приписывают к 1943 г. или к 1949 г., когда появилась знаменитая и затем запрещенная в нашей стране книга Н. Винера по кибернетике; реальное создание ИНС как вычислительного инструмента следует отнести к 1958 г., когда была описана в работе Ф. Розенблатта структура первого перцептрона.

Долгое время среди большого количества ученых, прикладных математиков, программистов, вычислителей ИНС не считались серьезным научным направлением. К ИНС начали присматриваться после 1986 г., когда появился алгоритм обратного распространения ошибки, backpropagation. Серьезные исследования и применение ИНС начались в 1990-е гг., когда появились мощные вычислители и алгоритмы для обучения многослойных ИНС. В настоящий момент наблюдается очевидный «бум» по применению и внедрению ИНС в различные области деятельности человека. В последнее время в Интернете устойчиво распространяется информация, что ИНС в ближайшие десятилетия заменит половину человеческих профессий.

Сегодня существует большое количество разновидностей ИНС. Самые популярные из них перцептрон и сверточные или конволюционные нейронные сети. Сверточные сети используются часто при входном векторе с большим количеством компонент, например при обработке изображений. В данном случае вектором входа является само изображение или вектор со значением компонент, равным значению пиксела изображения. Чтобы уменьшить количество обрабатываемых элементов и при этом не потерять существенную информацию, в некоторых слоях выполняются операции пуллинга и свертки. В операции пуллинга исходная матрица разбивается на подматрицы кратной размерности, и

эти подматрицы умножаются поэлементно на матрицу ядра, имеющую ту же размерность. Все элементы после перемножения складываются. В результате получается значение элемента новой матрицы. Размерность новой матрицы равна количеству вложений без пересечения подматрицы в исходную матрицу. Если, например, исходная матрица была размерностью 20 х 20, а матрица ядра была размерностью 5 х 5, то после операции пуллинга получим матрицу размерностью

4 х 4. Операция свертки отличается от операции пуллинга тем, что подматрицы исходной матрицы также умножаются на матрицу ядра поэлементно, но с пересечением, т.е. со сдвигом на одни элемент вправо и вниз. Если, например, исходная матрица была размерностью 20 х 20 , а матрица ядра была размерностью

5 х 5, то после операции свертки получим матрицу размерностью 16 х 16.

Для выполнения определенных операций, в основном распознавания или аппроксимации, разработаны специальные виды ИНС. Например, радиально-базисные ИНС используются для аппроксимации различных функций. В сети есть три слоя: входной, скрытый и выходной. В скрытом слое количество выходов превышает количество входов. В скрытом слое определяется некоторая нелинейная функция, например функция Гаусса. Линейная комбинация этой функции с различными значениями параметров, определяющих вид этой функции, аппроксимирует выходные данные, полученные для соответствующих пяти входных в ИНС данных. Для функции Гаусса определяющим параметром является ее центр.

Для задачи кластеризации данных по признакам используется однослойная ИНС, самоорганизующая карта признаков, Self-Organizing Feature Map (SOMF) или карта Коханена. В сети имеется только один слой, в котором элементы входного вектора связаны со всеми элементами выходного вектора. Выходной вектор определяет класс, которому должен принадлежать входной вектор. Веса между элементами настраиваются так, чтобы определить класс для выходного вектора.

ИНС Хопфилда является сетью с обратной связью. Цель использования этой ИНС заключается организации ассоциативной памяти. Сеть Хопфилда является рекуррентной и используется для обучения распознавания. Основные

результаты, полученные с помощью ИНС, связаны в основном с распознаванием образов.

В настоящее время специализированные ИНС используются довольно редко. В основном используются многослойный перцептрон и сверточные ИНС. Успех применения ИНС для решения различных прикладных задач связан прежде всего с совершенствованием алгоритмов обучения и применением для обучения мощных вычислительных средств. Процесс обучения ИНС делят на два класса: обучение с учителем и обучение без учителя. Обучение с учителем предполагает наличие обучающей выборки, т.е. множества известных значений выходных векторов, определенных по значениям входных векторов. Таким образом, при обучении с учителем имеется большое количество примеров и ИНС должна повторить значения этих примеров. Однако длительное обучение и требования удовлетворения обучению с высокой точностью могут привести к ситуации переобучения. Переобучение возникает в тех случаях, когда ИНС обучается точно только по обучающей выборке и для новых данных дает существенную ошибку. Для устранения переобучения обучающую выборку делят на две неравномерные части, 90 % примеров используют для обучения, а остальные 10 % для проверки результатов обучения. В процессе обучения погрешности для обеих частей выборки будут уменьшаться. Момент, когда погрешность обучающей части выборки уменьшается, а погрешность проверочной части увеличивается, соответствует началу этапа переобучения. В этом случаем процесс обучения останавливают.

Обучение без учителя выполняется тогда, когда нет примеров правильного решения или нет множества значений выходных векторов по заданным значениям входных векторов. Для проверки решения существует оценочная функция. Подставив в функцию значения входных и выходных векторов, получаем оценку правильности решения. При обучении без учителя используют также обучение с подкреплением. В этом случае вместе с оценочной функцией существуют еще дополнительные функции, значения которых, по полученным с ИНС данным, указывают на близость найденного решения к правильному решению [114].

В настоящее время появился термин «глубокое обучение». Он связан с обучением ИНС с большим количеством слоев. Основной формой глубокого обучения является обучение с учителем. При глубоком обучении используют большое количество данных. Обучающая выборка при глубоком обучении может составлять несколько миллиардов элементов. Вычисление оценки функционала для всей выборки требует существенных затрат машинного времени. Для устранения этого недостатка разработаны специальные алгоритмы стохастического градиентного спуска. В данных алгоритмах первоначально из обучающей выборки случайно определяется подмножество данных, для которых вычисляются критерии обучения. Среди алгоритмов стохастического градиентного спуска наиболее популярны алгоритм адаптивной оценки моментов, Adaptive Moment Estimation (ADAM) и адаптивный градиентный алгоритм, Adaptive Gradient Algorithm (AdaGrad). Алгоритм ADAM использует скользящие средние для градиентов и вторых моментов градиентов. Алгоритм AdaGrad является модификацией алгоритма стохастического градиентного спуска с отдельной скоростью обучения для каждого параметра.

Автоматизация сложных технологических процессов требует оперативного изменения режимов управления в соответствии с текущим состоянием управляемого процесса. Одной из основных проблем управления сложными технологическими процессами является отсутствие строгой математической модели описания функциональной зависимости управляющих воздействий от множества значений параметров, характеризующих текущее состояние технологического процесса. В таких условиях часто прибегают к услугам экспертов. Выбор режимов функционирования определяется экспертными системами, которые содержат информацию, полученную от экспертов. Здесь существует проблема, заключающаяся в поиске этих экспертов и в обучении экспертов при замене оборудования с новыми предельными характеристиками. Эксперту необходимо время для изучения технологического процесса с учетом особенностей нового оборудования.

Другой существенной проблемой автоматизации сложных технологических процессов является неточность исходных данных. Как правило, многие данные

невозможно принципиально определить точно в процессе работы. Например, при нагреве некоторых материалов или изделий возможно определить температуру нагревательного элемента и приблизительно определить температуру камеры, где происходит нагревание, но невозможно точно определить, как нагревается само изделие.

Современный уровень развития автоматических систем определяется их интеллектуализацией. Сегодня для управления процессами все чаще используются интеллектуальные технологии. Одной из основных особенностей этого нового направления является процесс обучения. Автоматическая система настраивается с помощью оптимизационных алгоритмов по заданным числовым критериям или на примерах, определяющих правильную форму управления. Характерным признаком интеллектуальной системы является использование в ней искусственных нейронных сетей, нечетких множеств, генетического или других эволюционных алгоритмов [159].

1.1. Основные аспекты осуществления качественной сушки

влажных материалов с нейро-нечетким управлением

Сушка влажных материалов - это важный технологический процесс, который происходит в сушильных камерах в основном с помощью нагрева воздуха. Такой вид сушки называется конвективной и осуществляется путем непосредственного соприкосновения высушиваемого материала с сушильным агентом, в качестве которого обычно используют нагретый воздух или топочные газы, как правило, в смеси с воздухом. Тепло для сушки получают с помощью сжигания твердого, жидкого или газообразного топлива. Обычно для сушки используют природный газ, греющий пар или электроэнергию.

Самый дешевый вид топлива - природный газ. В конвективных сушках в качестве сушильного агента используются также дымовые газы, полученные при сжигании природного газа в горелках или топках. Греющий пар вырабатывают на теплоэлектростанциях, и предприятия, расположенные вблизи

этих теплоэлектростанций, покупают пар для своих нужд, в том числе и для сушки. В некоторых случаях пар вырабатывается непосредственно в парогенераторах. Это более дорогой вид обогрева, кроме того, температура греющего пара обычно не превышает 160-180 °С. Самым дорогим видом подвода тепла является электрический нагрев. Он используется обычно в малотоннажных производствах, когда другие виды топлива недоступны или их использование нерационально. Основным преимуществом электрического нагрева является его доступность и простота применения. Для конвективной сушки используются электрокалориферы.

Подавляющее большинство сушильных агрегатов имеют коэффициент полезного действия не более 40-45 %. Сушка является энергоемким процессом, поэтому стоимость топлива или теплоносителя является важным экономическим показателем при выборе способа сушки.

Другой путь повышения эффективности энергозатрат в процессе сушки состоит в улучшении режимов сушки за счет введения систем автоматического управления, обеспечивающих обратную связь по управлению нагревом сушильного агента в зависимости от значений параметров, определяющих процесс высушивания влажного материала.

Список литературы диссертационного исследования кандидат наук Алхатем Али, 2022 год

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. СП 60.13330.2016. Отопление, вентиляция и кондиционирование воздуха. - Москва, 2017.

2. ГН 2.1.6.3492-17. Предельно допустимые концентрации (ПДК) загрязняющих веществ в атмосферном воздухе городских и сельских поселений. -Москва, 2017.

3. ГН 2.1.6.2309-07. Ориентировочные безопасные уровни воздействия (ОБУВ) загрязняющих веществ в атмосферном воздухе населенных мест. -Москва, 2007.

4. ГН 2.2.5.3532-18. Предельно допустимые концентрации (ПДК) вредных веществ в воздухе рабочей зоны. - Москва, 2018.

5. Алхатем, А. Нейро-нечеткое регулирование кондиционированием офисных зданий с учетом показателя временной комфортности / Али Алхатем // Труды Международного симпозиума Надежность и качество. - 2021. - Т. 1. -С. 144-146. - ISSN 2220-6418 2021.

6. Алхатем, А. Объемно-планировочные решения как основа выбора системы кондиционирования в офисных зданиях / Али Алхатем // Современная наука. Актуальные проблемы теории и практики. Серия: Естественные и технические науки. - 2019. - № 6-2. - С. 33-36.

7. Алхатем, А. Проблемы автоматизации систем кондиционирования воздуха офисных зданий / А. Алхатем // Modern Science. - 2019. - № 5-3. - С. 183187.

8. Алхатем, А. Подходы к поиску оптимального технического решения для выбора системы кондиционирования офисных зданий / Али Алхатем // Современная наука. Актуальные проблемы теории и практики. Серия: Естественные и технические науки. - 2019. - № 7. - С. 66-69.

9. Алхатем, А. Математическая формулировка критерия оптимизации кондиционирования в офисных зданиях / Али Алхатем // Перспективы науки. Серия: Технические науки. - 2020. - № 1 (124). - C. 10-14.

10. Алхатем, А. Взаимодействие регулируемых параметров в системах кондиционирования воздуха в офисных зданиях / Али Алхатем // Перспективы науки. Серия: Технические науки. - 2020. - № 4 (128). - С. 10-13.

11. Аметистов, Е. В. Основы теории теплообмена. - Москва : Издательство МЭИ, 2000. - С. 180-242.

12. Андреев, Д. А. Математические модели, алгоритмы и программы расчета систем термостатирования в строительстве : диссертация на соискание ученой степени кандидата технических наук / Андреев Д. А. - Переславль-Залесский, 2004. - С. 120-150.

13. Антонов, A. B. Системный анализ : учебник для вузов / A. B. Антонов. -Москва : Высшая школа, 2004. - С. 454-480.

14. Арнольд, Л. В. Техническая термодинамика и теплопередача / Л. В. Арнольд, Г. А. Михайловский, В. М. Селиверстов. - Москва : Высшая школа, 1979. - С. 446-470.

15. Арыстан, Д. Нечеткая логика / Д. Арыстан // National Buisness. - 2016. -№ 3-4 (23). - С. 46-48.

16. Ашихмин, В. Н. Введение в математическое моделирование : учебное пособие / В. Н. Ашихмин, М. Г. Вояршинов, М. В. Гитман, Н. Э. Келлер // Интернет Инжиниринг. - 2000. - 336 с.

17. Ахременков, А. А. Термодинамический анализ систем отопления / А. А. Ахременков, E. H. Степанов, A. M. Цирлин // Известия высших учебный заведений: Проблемы энергетики. - 2013. - № 5-6. - С. 90-99.

18. Беляев, Н. М. Методы теории теплопроводности / Н. М. Беляев, A. A. Рядно. - Москвы : Высшая школа, 1982. - С. 671-720.

19. Бирюков, Е. В. Практическая реализация нечеткой нейронной сети при краткосрочном прогнозировании электрической нагрузки / Е. В. Бирюков, М. С. Корнеев // Научная сессия МИФИ-2005 : сборник научных трудов VII Всероссийской научно-технической конференции «Нейроинформатика-2005». -Москва : МИФИ, 2005. - Ч. 2. - С. 207-214.

20. Бишоп, Р. Колебания / Р. Бишоп ; пер. с англ. под редакцией Я. Г. Пановко. - 3-е изд. - Москва : Наука. Гл. ред. физ.-мат. лит., 1968. -С. 192-205.

21. Богословский, В. Н. Строительная теплофизика (теплофизические основы отопления, вентиляции и кондиционирования воздуха) / В. Н. Богословский. - Москва : Высшая школа, 1982. - С. 415-477.

22. Богословский В. Н. Тепловой режим здания / В. Н. Богословский. -Москва : Стройиздат, 1979. - С. 248-278.

23. Богословский, В. Н. Строительная теплофизика (теплофизические основы отопления, вентиляции и кондиционирования воздуха) : учебник / В. Н. Богословский. - Москва : АВОК Северо-Запад, 2006. - С. 400-451.

24. Богословский, В. Н. Кондиционирование воздуха и холодоснабжение /

B. Н. Богословский, О. Я. Кокорин, Л. В. Петров. - Москва : Стройиздат, 1985. -

C. 120-165.

25. Большая советская энциклопедия. - Москва : Советская энциклопедия, 1973. - Т. 13. - С. 180-230.

26. Борисов, А. Н. Принятие решений на основе нечетких моделей: Примеры использования / А. Н. Борисов, О. А. Крумберг, К. П. Федоров. - Рига : Знание, 1990. - С. 184-200.

27. Бухмиров, В. В. Тепломассообмен : учебное пособие / В. В. Бухмиров ; ФГБОУВПО «Ивановский государственный энергетический университет имени В. И. Ленина». - Иваново, 2007. - С. 360-401.

28. Васильев, Ф. П. Методы оптимизации / Ф. П. Васильев. - Москва : Факториал Пресс, 2002. - С. 824-851.

29. Васильев, Б. Ф. Натурные исследования температурно-влажностного режима жилых зданий в жарком климате / Б. Ф. Васильев ; ЦНТИ по гражданскому строительству и архитектуре. - Москва, 1968. - С. 85-102.

30. Васильев, Б. Ф. Натурные исследования температурно-влажностного режима жилых зданий / Б. Ф. Васильев. - Москва : Госстройиздат, 1957. -С. 210-254.

31. Видии, Ю.В. Инженерные методы расчетов процессов теплопереноса / Ю. В. Видии. - Красноярск, 1974. - С. 144-185.

32. Вишневский, Е. П. Достоинства адсорбционного метода глубокого осушения воздуха крытых ледовых арен / Е. П. Вишневский, М. Ю. Салин // Журнал С.О.К. - 2008. - № 8. - С. 145-159.

33. Гагарин, В. Г. Об окупаемости затрат на повышение теплозащиты ограждающих конструкций зданий / В. Г. Гагарин // Новости теплоснабжения. -2002. - № 1. - С. 3-12

34. Гагарин, В. Г. Требования к теплозащите и энергетической эффективности в проекте актуализированного СНиП Тепловая защита зданий / В. Г. Гагарин, В. В. Козлов // Жилищное строительство. - 2011. - № 8. - С. 2-6.

35. Гагарин, В. Г. Об оценке энергетической эффективности энергосберегающих мероприятий / В. Г. Гагарин, П. П. Пастушков // Инженерные системы. АВОК - Северо-Запад. - 2014. - № 2. - С. 26-29.

36. Галкин, В. П. Исследования влажностных, деформационных и прочностных свойств древесины ясеня / В. П. Галкин // Лесной вестник. - 2010. -Т. 19, № 2. - С. 210-212.

37. Галкин, В. П. Сушка крупномерных пило- и лесоматериалов / В. П. Галкин, Г. Н. Курышов, А. А. Косарин, С. А. Моисеев, Д. И. Деянов // Лесной вестник. - 2020. - Т. 24, № 2. - С. 51-56.

38. Галкин, В. П. Математическая модель системы контроля процесса сушки древесины в поле СВЧ / В. П. Галкин, В. И. Мелехов, В. А. Шульгин, В. Г. Санаев // Лесной вестник. - 2015. - № 1. - С. 59-65.

39. Галкин, В. П. Влияние растягивающих напряжений на изменение величины усушки / В. П. Галкин, В. Г. Санаев, Б. Н. Уголев, А. А. Калинина // Лесной вестник. - 2016. - Т. 20, № 4. - С. 4-9.

40. Глебов, А. А. Модель краткосрочного прогнозирования электропотребления с помощью нейро-нечетких систем / А. А. Глебов //

Южно-Российский вестник геологии, географии и глобальной энергии. - 2006. -№ 7 (20). - С. 142-146.

41. Гороховский, А. Г. Синтез оптимальной по быстродействию системы управления сушкой пиломатериалов / А. Г. Гороховский, Е. Е. Шишкина // Системы. Методы. Технологии. - 2021. - Т. 49, № 1. - С. 98-103.

42. Гримитлин, М. И. Распределение воздуха в помещениях / М. И. Гримитлин. - Москва : Стройиздат, 1982. - С. 164-189.

43. Дегтярев, Ю. Н. Системный анализ и исследование операций / Ю. Н. Дегтярев. - Москва : Высшая школа, 1996. - С. 334-356.

44. Дзелзитис, Э. Э. Математические модели элементов СКВ / Э. Э. Дзелзитис // Вентиляция и кондиционирование воздуха. - Рига : РПИ, 1980. - С. 56-72.

45. Дивеев, А. И. Нейро-нечеткое управление процессом сушки пиломатериалов / А. И. Дивеев, А. В. Полтавский, А. Алхатем // Надежность и качество сложных систем. - 2021. - Т. 35, № 3. - С. 93-97.

46. Дмитрович, А. Д. Определение теплофизических свойств строительных материалов / А. Д. Дмитрович. - Москва : Госстройиздат, 1963. - С. 204-215.

47. Дорф, Р. Современные системы управления / Р. Дорф, Р. Бишоп. -Москва : Лаборатория Базовых Знаний, 2002. - С. 832-873.

48. Дрейцер, Г. А. Теплообмен при свободной конвекции : учебное пособие / Г. А. Дрейцер. - Москва : Издательство МАИ, 2002. - С. 97-115.

49. Дубов, Ю. А. Многокритериальные модели формирования и выбора вариантов систем. Теория и методы системного анализа / Ю. А. Дубов, С. П. Травкин, В. Н. Якимец. - Москва : Наука. Глав. ред. физико-математической литературы, 1986. - С. 296-325.

50. Дубынин, Н. В. Архитектурно-строительные термины / Н. В. Дубынин // Жилищное строительство. - 2007. - № 6. - С. 28-29.

51. Емельянов, С. В. Избранные труды по теории управления / С. В. Емельянов. - Москва : Наука, 2006. - С. 246-251.

52. Еремкин, А. П. Тепловой режим зданий / А. П. Еремкин, Т. Н. Королева. - Москва : АСВ, 2000. - С. 368-375.

53. Журавлев, Б. А. Наладка и регулирование систем вентиляции и кондиционирования воздуха / Б. А. Журавлев, Г. Я. Загальский, П. А. Овчинников [и др.]. - Москва : Стройиздат, 1980. - С. 448-456.

54. Зайченко, Ю. П. Нечеткие модели и методы в интеллектуальных системах : учебное пособие для студентов высших учебных заведений / Ю. П. Зайченко. - Киев : Издательский Дом «Слово», 2008. - С. 344-356.

55. Исаченко, В. П. Теплопередача : учебник для вузов / В. П. Исаченко, В. А. Осипова. - 4-е изд., перераб. и доп. - Москва : Энергоиздат, 1981. - С. 446-449.

56. Карелина, Е. Б. Разработка интеллектуальной системы управления технологическим процессом бестарного хранения муки / Е. Б. Карелина, Д. Ю. Клехо, Ю. П. Батырев // Лесной вестник. - 2020. - Т. 24, № 2. - С. 124-130.

57. Кини, Р. Л. Принятие решений при многих критериях: предпочтения и замещения / Р. Л. Кини, X. Райфа, В. В. Подиновский, И. Ф. Шахнов : перевод с английского. - Москва : Радио и связь, 1981. - С. 560-585.

58. Кирюха, В. В. Оптимизация температурных параметров воздушной среды производственных помещений большой площади / В. В. Кирюха, Н. Ф. Мазур // Приморские зори : сб. - Владивосток : ТАНЭБ, 2003. - С. 123-135.

59. Кокорин, В. Д. Кондиционирование воздуха - что это такое? /

B. Д. Кокорин // АВОК: Вентиляция, отопление, кондиционирование воздуха, теплоснабжение и строительная теплофизика. - 2004. - № 1. - С. 58-60.

60. Кокорин, О. Я. Современные системы кондиционирования воздуха / О. Я. Кокорин. - Москва : Изд-во физ.-мат. лит-ры, 2003. - С. 95-106.

61. Кокорин, О. Я. Кондиционирование воздуха и холодоснабжение / О. Я. Кокорин, В. Н. Богословский, Л. В. Петров. - Москва : Стройиздат, 1985. -

C. 367-384.

62. Кокорин, О. Я. Энергосберегающие системы кондиционирования воздуха в спортивных и общественных зданиях / О. Я. Кокорин, Н. В. Товарас, А. П. Иньков // Холодильная техника. - 2008. - № 6. - С. 110-118.

63. Копко, В. М., Теплоснабжение и вентиляция / В. М. Копко, Н. К. Зайцева, Г. И. Базыленко ; под общей редакцией Копко В. М. - Минск : Высшая школа, 1985. - С. 139-143.

64. Корн, Г. Справочник по математике для научных работников и инженеров / Г. Корн, Т. Корн. - Москва : Физматлит, 1970. - С. 720-726.

65. Космынин, А. В. Экспериментальная установка для определения основных характеристик кольцевых решеток сопловых аппаратов турбин / А. В. Космынин, С. С. Ермишкин, В. С. Виноградов, К. В. Мордвин // Вестник Комсомольск-на-Амуре государственного технического университета. - 2000. -№ 2, ч. 3. - С. 174-178.

66. Лебединская, А. Р. Современные программные средства для проектирования тепловой защиты здания с учетом требований энергосбережения и энергоэффективности / А. Р. Лебединская // Перспективы развития строительного комплекса. - 2015. - № 1. - С. 49-54.

67. Леоненков, А. В. Нечёткое моделирование в среде МАТЬАВ и fuzzyTECH / А. В. Леоненков. - Санкт-Петербург : БХВ-Петербург, 2005. -С. 716-730.

68. Липецкий, С. Б. Оценка термодинамического совершенства и оптимизация теплообменников / С. Б. Липецкий, А. М. Цирлин // Теплоэнергетика. - 1988. - № 10. - С. 65-68.

69. Лотов, А. В. Компьютер и поиск компромисса. Метод достижимых целей / А. В. Лотов, В. А. Бушенков, Г. К. Каменев, О. Л. Черных. - Москва : Наука, 1977. - С. 237-241.

70. Лыков, А. В. Теория сушки / А. В. Лыков. - Москва : Энергия, 1968. -

472 с.

71. Мальцер, А. Опыт проектирования и эксплуатации систем вентиляции и кондиционирования воздуха зданий учебных центров / А. Мальцер // АВОК: Вентиляция, отопление, кондиционирование воздуха, теплоснабжение и строительная теплофизика. - 2007. - № 3. - С. 22-36.

72. Миллер, Ю. В. Методики определения минимального воздухообмена: традиционные и новые подходы / Ю. В. Миллер // АВОК: Вентиляция, отопление,

кондиционирование воздуха, теплоснабжение и строительная теплофизика. -

2019. - № 2. - С. 10-16.

73. Михеев, М. А. Основы теплопередачи : учебник для вузов / М. А. Михеев, П. М. Михеева. - 2-е изд., стереотип. - Москва : Энергия, 1977. -С. 344-347.

74. Моисеев, Н. Н. Математические задачи системного анализа : учебное пособие / Н. Н. Моисеев. - Москва : Наука. Гл. ред. физ.-мат. лит., 1981. -С. 488-492.

75. Наумов, А. А. Выбор энергоэффективных систем кондиционирования воздуха офисных зданий / А. А. Наумов // АВОК: Вентиляция, отопление, кондиционирование воздуха, теплоснабжение и строительная теплофизика. -2000. - № 5. - С. 20-24.

76. Наумов, А. Л. СО2: критерий эффективности систем вентиляции / А. Л. Наумов, Д. В. Капко // АВОК: Вентиляция, отопление, кондиционирование воздуха, теплоснабжение и строительная теплофизика. - 2015. - № 1. - С. 12-22.

77. Наумов А. Л. Особенности выбора систем климатизации зданий / А. Л. Наумов // АВОК: Вентиляция, отопление, кондиционирование воздуха, теплоснабжение и строительная теплофизика. - 2013. - № 8. - С. 42-52.

78. Наумов, А. Л. Локальные системы кондиционирования воздуха в офисных зданиях / А. Л. Наумов, Д. В. Капко // АВОК: Вентиляция, отопление, кондиционирование воздуха, теплоснабжение и строительная теплофизика. -2012. - № 2. - С. 14-24.

79. Нестеров, А. В. Сушка. / А. В. Нестеров. - Санкт-Петербург : Лань,

2020. - 240 с.

80. Нефелов, С. Техника автоматического регулирования в системах вентиляции и кондиционирования воздуха / С. Нефелов. - 2-е изд., перараб. и доп. -Москва : Стройиздат, 1984. - С. 328-330.

81. Нимич, Г. В. Современные системы вентиляции и кондиционирования воздуха / Г. В. Нимич, В. А. Михайлов, Е. С. Бондарь. - Москва : АВОК-ПРЕСС, 2003. - 154-157.

82. Ногин, В. Д. Принятие решений в многокритериальной среде: количественный подход / В. Д. Ногин. - Москва : Физматлит, 2002. - С. 176-180.

83. Панкратов, В. В. Системы автоматизации и безопасность здания / В. В. Панкратов, Н. В. Шилкин // АВОК: Вентиляция, отопление, кондиционирование воздуха, теплоснабжение и строительная теплофизика. -2006. - № 8. - С. 76-78.

84. Панкратов, В. В. Ввод в эксплуатацию систем автоматизации и диспетчеризации / В. В. Панкратов, Н. В. Шилкин // АВОК: Вентиляция, отопление, кондиционирование воздуха, теплоснабжение и строительная теплофизика. - 2008. - № 8. - С. 70-78.

85. Пегат, А. Нечеткое моделирование и управление / А. Пегат. - Москва : Бином. Лаборатория знаний, 2009. - С. 798-791.

86. Перегудов, Ф. И. Введение в системный анализ / Ф. И. Перегудов, Ф. П. Тарасенко. - Москва : Высшая школа. 1989. - С. 191-200.

87. Петровский, А. В. Теория принятия решений : университетский учебник / А. В. Петровский // Прикладная математика и информатика. Академия. -2009. - С. 400-405.

88. Полтавский, А. В. Совершенствование подхода к повышению точности системы управления беспилотным летательным аппаратом в вертикальной плоскости наведения. Приборы и системы. Управление, контроль, диагностика / А. В. Полтавский, Г. Н. Ахобадзе. - 2020. - № 10. - С. 22-27.

89. Полтавский, А. В. Информационно-измерительная и управляющая система контроля подвижных объектов беспилотного летательного аппарата / А. В. Полтавский // Стратегическая стабильность. - 2019. - № 4 (89). - С. 62-66.

90. Полтавский, А. В. Подход к патентованию адаптивной системы управления беспилотным летательным аппаратом по крену и тангажу / А. В. Полтавский, А. А. Бурба // Изобретательство. - 2018. - Т. 18, № 7. - С. 20-24.

91. Полтавский, А. В. Вариант патентования системы управления беспилотным летательным аппаратом по крену и тангажу / А. В. Полтавский, А. А. Бурба // Изобретательство. - 2018. - Т. 18, № 5. - С. 25-30.

92. Полушкин, В. И. Отопление, вентиляция и кондиционирование воздуха (теоретические основы создания микроклимата в помещении) : учебное пособие / В. И. Полушкин, О. Н. Русак, С. И. Бурцев [и др.]. - Санкт-Петербург : Профессия, 2002. - С. 145-148.

93. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский. - Москва : Горячая линия-Телеком, 2006. - С. 363-367.

94. Рымкевич, А. А. Системный анализ оптимизации общеобменной вентиляции и кондиционирования воздуха / А. А. Рымкевич. - Санкт-Петербург : Издательство «АВОК Северо-Запад», 2003. - С. 272-276.

95. Рымкевич, А. А. Управление системами кондиционирования воздуха / А. А. Рымкевич, М. Б. Халамейзер. - Москва : Машиностроение, 1977. - С. 121-128.

96. Самарский, А. А. Введение в численные методы : учебник для вузов / А. А. Самарский. - Москва : Наука, 1987. - С. 288-291.

97. Семенов, Б. А. Нестационарная теплопередача и эффективность теплозащиты ограждающих конструкций зданий / Б. А. Семенов. - Саратов : СГТУ, 1996. - С. 172-174.

98. Смирнов, В. А. Особенности реализации системы управления на нечеткой логике / В. А. Смирнов, А. А. Хасанова // Известия Челябинского научного центра. - 2003. - № 4 (21). - С. 33-38.

99. Сотников, А. Г. Системы кондиционирования воздуха с количественным регулированием / А. Г. Сотников. - Ленинград : Стройиздат, 1976. - С. 168-173.

100. Староверов, Б. А. Комплексное применение нейронных сетей для автоматизации прогнозирования электропотребления на региональном уровне / Б. А. Староверов, М. А. Мормылёв // Вестник Ивановского государственного энергетического университета. - 2009. - № 4. - С. 1-4.

101. Степанов, И. Д. Автоматизация инженерных систем. Комплектные приточные вентиляционные системы / И. Д. Степанов // АВОК: Вентиляция, отопление, кондиционирование воздуха, теплоснабжение и строительная теплофизика. - 2009. - № 2. - С. 38-48.

102. Стефанов, Е. В. Вентиляция и кондиционирование воздуха / Е. В. Стефанов. - Санкт-Петербург : АВОК - Северо-Запад. - 2005. - С. 79-81.

103. Табунщиков, Ю. А. Математическое моделирование и оптимизация тепловой эффективности зданий / Ю. А. Табунщиков. - Москва : АВОК-ПРЕСС, 2002. - С. 74-79.

104. Табунщиков, Ю. А. Расчет теплопотерь помещения при раздельном учете конвективного и лучистого теплообмена / Ю. А. Табунщиков // АВОК: Вентиляция, отопление, кондиционирование воздуха, теплоснабжение и строительная теплофизика. - 2007. - № 8. - С. 64-70.

105. Таутиев, Х. Д. Исследование регулирования процессов кондиционирования воздуха в производстве синтетических волокон : автореферат диссертации на соискание ученой степени кандидата технических наук / Таутиев Х. Д. - Москва : МИСИ, 1976. - С. 20-24.

106. Теория систем с переменной структурой / под редакцией С. В. Емельянова. - Москва, 1970. - С. 356-358.

107. Умнякова, Н. П. Теплопередача через ограждающие конструкции с учетом коэффициентов излучения внутренних поверхностей помещения / Н. П. Умнякова // Жилищное строительство. - 2014. - № 6. - С. 14-17.

108. Усков А. А. Системы с нечеткими моделями объектов управления : Монография / А. А. Усков. - Смоленск : СФРУК, 2013. - С. 153-157.

109. Филлипс, Ч. Системы управления с обратной связью / Ч. Филлипс, Р. Харбор. - Москва : Лаборатория Базовых Знаний, 2001. - С. 616-619.

110. Хайдаров, С. В. Экспериментальное исследование тепло и массообмена в диаметральных дисковых вентиляторах : автореферат диссертации на соискание ученой степени кандидата технических наук / Хайдаров С. В. -Новосибирск : Ин-т теор. и прикл. мех. СО РАН, 2000. - С. 14-16.

111. Харланов, С. А. Монтаж систем вентиляции и кондиционирования воздуха : учебник для ПТУ / С. А. Харланов, В. А. Степанов. - 4-е изд., перераб. и доп. - Москва : Высшая школа, 1991. - С. 262-265.

112. Ходашинский, И. А. Методика построения компактных и точных нечетких систем типа Такаги-Сугено / И. А. Ходашинский, К. С. Сарин // Доклады Томского государственного университета систем управления и радиоэлектроники. - 2016. - Т. 19, № 1. - С. 50-56.

113. Ходашинский, И. А. Об одном методе инициализации нечетких систем типа Такаги-Сугено / И. А. Ходашинский, К. С. Сарин, С. А. Черепанов // Автометрия. - 2016. - Т. 52, № 2. - С. 61-70.

114. Хижняков, Ю. Н. Алгоритмы нечеткого, нейронного и нейро-нечеткого управления в системах реального времени / Ю. Н. Хижняков. - Пермь : Изд-во ПНИПУ, 2013. - 160 с.

115. Цирлин, А. М. Методы оптимизации в необратимой термодинамике и микроэкономике / А. М. Цирлин. - Москва : Физматлит, 2003. - С. 420-422.

116. Цирлин, А. М. Необратимые оценки предельных возможностей термодинамических и микроэкономических систем / А. М. Цирлин. - Москва : Наука, 2003. - С. 349-351.

117. Цирлин, А. М. Об оптимальной организации систем нагрева и охлаждения / А. М. Цирлин, А. А. Ахременков // Теоретические основы химической технологии. - 2012. - Т. 46, № 1. - С. 109-114.

118. Цирлин, А. М. Системы управления зданиями и задача энергосбережения / А. М. Цирлин, А. А. Ахременков, А. Э. Софиев // Приборы. -2008. - № 6 (96). - С. 46-48.

119. Цирлин, А. М. Предельные возможности процессов теплообмена / А. М. Цирлин, Н. А. Беляева // Теплоэнергетика. - 1998. - № 9. - С. 53-55.

120. Цирлин, А. М. Программная поддержка построения области реализуемости термодинамических систем / А. М. Цирлин, Н. Н. Григоревский // Программные продукты и системы. - 2009. - № 2 (86). - С. 80-84.

121. Цыганков, В. М. Современные инструменты для расчета тепловой оболочки здания / В. М. Цыганков // Все о ЖКХ. - 2015. - № 1. - С. 24-25.

122. Чупалов, В. С. Воздушные фильтры / В. С. Чупалов. - Санкт-Петербург : СПГУТД, 2005. - С. 167-170.

123. Шорин, С. Н. Теплопередача : учебное пособие для вузов / С. Н. Шорин. - Москва : Высшая школа, 1980. - С. 489-492.

124. Шубин, Г. С. Сушка и тепловая обработка древесины : учебник / Г. С. Шубин. - Москва : Лесная промышленность, 1990. - 336 с.

125. Юдина, А. Ф. Строительство жилых и общественных зданий : учебник для студентов учреждений среднего профессионального образования / А. Ф. Юдина. - Москва : Академия, 2011. - С. 368-371.

126. Юрков, Н. К. Методика расчета быстродействующего исполнительного элемента кузнечно-штамповочной машины с системой диагностического управления / Н. К. Юрков, В. П. Перевертов, М. Н. Пиганов // Надежность и качество сложных систем. - 2018. - № 3 (23). - С. 40-49.

127. Юрков, Н. К. Система управления кластерами и сетями "MOSIX" / Н. К. Юрков, Н. В. Горячев, А. А. Прошин // NovaInfo.Ru. - 2018. - T. 1, № 88. -C. 21-26.

128. Юрков, Н. К. Использование искусственной нейронной сети типа GRNN в задачах прогнозирования / Н. К. Юрков, П. Г. Андреев, Т. В. Андреева // Международная конференция по мягким вычислениям и измерениям. - Санкт-Петербург, 2017. - T. 2. - С. 63-66.

129. Юрков, Н. К. Модели и алгоритмы управления интегрированными производственными комплексами : монография / Н. К. Юрков. - Пенза : Инф.-изд. центр ПГУ, 2003. - 198 с.

130. Юрков, Н. К. Интеллектуальные компьютерные обучающие системы : монография / Н. К. Юрков. - Пенза : Изд-во ПГУ, 2010. - 304 с.

131. Юрков, Н. К. Машинный интеллект и обучение человека : монография / Н. К. Юрков. - Пенза : Инф.-изд. центр ПГУ, 2008. - 226 с.

132. Яхъяева, Г. Э. Нечеткие множества и нейронные сети : учебное пособие / Г. Э. Яхъяева. - 2-е изд., испр. - Москва : Интернет-ун-т информ. технологий : Бином. Лаборатория знаний, 2016. - С. 302-308.

133. Alcalá, R. Local identification of prototypes for genetic learning of accurate TSK fuzzy rule-based systems / R. Alcalá, J. Alcalá-Fdez, J. Casillas,

O. Cordón, F. Herrera // International Journal of Intelligent Systems. - 2007. - Vol. 22, № 9. - P. 909-941.

134. Alhatem, A. Conditioning Innovation of Office Buildings / Ali Alhatem // Journal of Advanced Research in Dynamical and Control Systems. - 2019. - Vol. 11, 08-Special Issue. - P. 476-478.

135. Alhatem, A. Local and centralized office conditioning systems / Ali Alhatem // Journal of Physics: Conference Series. - 2020. Vol. 1679, iss. 5. - P. 15-18.

136. Alonso, M. Virtual vs. real: Trading off simulations and physical experiments in reinforcement learning with bayesian optimization / Alonso Marco, F. Berkenkamp, Ph. Hennig, A. P. Schoellig, A. Krause, S. Schaal, S. Trimpe // ICRA, IEEE. - 2017. - P. 1557-1563.

137. Bartas, I. G. Estimation of temperature patterns in multiply-shielded systems / I. G. Bartas, E. Mayer // Trans. ASME. - 2008. - Vol. 19, № 8. - P. 16-19.

138. Berry, R. S. Thermodynamic optimization of finite-time processes / R. S. Berry, V. A. Kazakov, S. Sieniutycz, Z. Szwast, A. M. Tsirlin // Wiley. - 2000. -P. 120-125.

139. Bezdek, J. C. Pattern recognition with fuzzy objective function algorithms / J. C. Bezdek. - New York : Plenum, 1981. - P. 226-227.

140. Chiu, S. L. Fuzzy model identification based on cluster estimation / S. L. Chiu // Journal of Intelligent and Fuzzy System. - 1994. - Vol. 2, № 3. -P. 267-278.

141. Derome, D. Modeling of moisture behavior of wood planks in nonvented flat roofs / Derome, Y. Fortin, P. Fazio // J. of Architectural Eng., ASCE. - 2003. -P. 40-45.

142. Dexter, L. The application of self-tuning PID control to HVAC systems / L. Dexter, Geng G., P. Haves // Proceeding of the Colloquium on Control in Building Energy Management Systems, May 30. - London, UK, 1990. - P. 4-7.

143. Fanger, P. Thermal Comfort - Analysis and Applications in Environmental Engineering / P. Fanger. - Copenhagen : Danish Technical Press, 1970. - P. 124-127.

144. Hatten, M. J. The Commonwealth Building: Groundbreaking History with a Ground - July 2019 water Heat Pump / M. J. Hattenand, B. M. Morrison // ASHRAE Journal. - 2019. - Vol. 37 (7), № 45. - P. 158-164.

145. Hossain, M. A. Optimal fuzzy model constructions with statistical information using genetic algorithm / M. A. Hossain, P. C. Shill, B. Sarker, K. Murase // International Journal of Computer Science & Information Technology. - 2011. - Vol. 3, № 6. - P. 241-257.

146. Hunt, K. J. Neural networks for control systems - a survey / K. J. Hunt, D. Sbarbaro, R. Zbikowski, P. J. Gawthrop // Automatica (J. IFAC). - 1992. - № 6. -P. 1083-1112.

147. Ishibuchi, H. Empirical study on learning in fuzzy systems by rice test analysis / H. Ishibuchi, K. Nozaki, H. Tanaka, Y. Hosaka, M. Matsuda // Fuzzy Sets System. - 2014. - Vol. 64. № 2. - P. 129-144.

148. Jang J.-S.R. ANFIS: adaptive network based fuzzy inference system / J.-S.R. Jang // IEEE Transaction Systems, Man and Cybernetics. - 2013. - Vol. 23, № 3. - P. 665-684.

149. Krakow, K. I. PI control of fan speed to maintain constant discharge pressure / K. I. Krakowand, S. Lin // ASHRAE Trans. Res. - 1995. - № 101. -P. 398-407.

150. Li, B. Optimal On-Off control of an Air Conditioning and Refrigeration System / B. Li, V. Chandan, B. Mohs, A. G. Alleyne // IFAC Control Engineering Practice. - 2010. - P. 52-55.

151. Nakanichi E. Mathematical Modelelling of the Dynamik Behavior of Temperature and Humidity in a Confined Spase / E. Nakanichi, N. C. Pereira, L. T. Fan, C. Hwang // Building Sciences. - 2000. - Vol. 8. - P. 39-49.

152. Novikov, I. I. The efficiency of atomic power stations / I. I. Novikov // At. Energ. - 1957. - Vol. 3 (11). - P. 409. [English translation in J. Nuclear Energy II 7. 25-128. 2015. 2002. - № 2. - P. 14-17].

153. Oustaloup, A. Frequency-band complex noninteger differentiator: characterization and synthesis / A. Oustaloup, F. Levron, B. Mathieu, F. M. Nanot // IEEE Transactions on Circuits and Systems I. - 2003. - Vol. 47, № 1. - P. 25-39.

154. Calandra, R. An experimental comparison of Bayesian optimization for bipedal locomotion / Roberto Calandra. André Seyfarth, Jan Peters, and Marc Peter Deisenroth // In ICRA. - 2014. - P. 1951-1958.

155. Sugeno, M. Successive identification of a fuzzy model and its applications to prediction of a complex system / M. Sugeno, K. Tanaka // Fuzzy Sets and Systems. -2001. - Vol. 42, № 3. - P. 315-334.

156. Sugeno, M. A fuzzy-logic-based approach to qualitative modeling / M. Sugeno, T. Yasukawa // IEEE Transaction Fuzzy System. - 1993. - Vol. 1, № 1. -P. 7-31.

157. Takagi, T. Fuzzy identification of systems and its application to modeling and control / T. Takagi, M. Sugeno// IEEE Transaction Systems, Man and Cybernetics. -2000. - Vol. 15, № 1. - P. 116-132.

158. Tsirlin, A. M. Finite-time thermodynamics Conditions of minimal dissipation for thermodynamics process with given rate / A. M. Tsirlin, V. A. Mironova, S. A. Amelkin, V. A. Kazakov // Phys. Rev. E. - 2008. - Vol. 58, № 1. - P. 125-127.

159. Urban, R. A. Design Considerations and Operating Characteristics of Variable Volume Systems / R. A. Urban // ASHRAE Journal. - 1989. - Vol. 12 (2). -P. 77-84.

160. Vieiraa, S. M. Two cooperative ant colonies for feature selection using fuzzy models / S. M. Vieiraa, J. M. C. Sousa, T. A. Runkler // Expert Systems with Applications. - 2010. - Vol. 37, № 4. - P. 2714-2723.

Приложение 1 Акты внедрения

«утверждаю»

Проректор по учебной работе

а геодезии и картографии» ¡гл (миигаик)

ФГБОУ во «московский государственный университет

« 8( » ^ос^ос^^з— 2022 г.

/А.Л. Степанченко/

АКТ

внедрения результатов диссертационной работы Алхатема Али

В диссертационной работе Алхатема Али на соискание ученой степени кандидата технических наук, выполненной на тему «Система нейро-нечеткого управления динамическими изменениями технологической среды» получены результаты, имеющие практический интерес для кафедры «Информационно-измерительные системы» при проведении учебного процесса по дисциплинам -«Основы автоматического регулирования» и «Информационные процессы и системы», а также для подготовки научно-квалификационных и курсовых работ по следующей тематике:

- методы обучения искусственной нейронной компьютерной сети на основе эволюционных алгоритмов оптимизации с применением нейро-нечеткой логики и обучения на основе экспертных данных;

- анализ обучаемости компьютерной искусственной нейронной сети с точки зрения формирования задач нейро-нечеткого вывода по принципу нейпосети А№18;

- система нейро-нечеткого контроля воздушной среды с автоматическим контролем режимов динамических изменений и идентификации параметров.

Разработанные подход и структура системы нейро-нечеткого контроля для воздушной среды внедрены в виде рекомендации по совершенствованию процесса обучения к вышеуказанным дисциплинам университета. Использование результатов позволяет рассмотреть новые методы и современные подходы для автоматизации информационно-измерительных систем управления с применением нейронных сетей и нейро-нечеткой логики в условиях воздействий различной природы с учетом их неопределенности.

Заведующий кафедрой «Информационно-измерительные системы», />о

доктор технических наук, профессор . С/^-с^ 5/А.А. Майоров

¿У. ¿2.

«УТВЕРЖДАЮ»

научно-технической комиссии о внедрении н

Алхатема Али «Система нейро-нечеткого )

ак

СВО «Пензенский «ньШ университет» ¿¿V А.Д. Гуляков

:кими изменениями

юдов диссертации

технологической среды», представленной на соискание ученой степени кандидата технических наук по специальности 2.3.1 - Системный анализ, управление и обработка

информации (технические науки).

Комиссия в составе д.т.н., профессора, зав. каф. «КиПРА» Юркова Н.К., к.т.н., доцента Трусова В.А. и к.т.н., доцента Кочегарова И.И. составила настоящий акт о том, что результаты диссертационной работы Алхатема Али, представленной на соискание ученой степени кандидата технических наук, внедрены в учебный процесс кафедры «КиПРА» ФГБОУ ВО «ПГУ».

В диссертационной работе представлена математическая модель сушильной СВЧ-камеры, полученная на основе обучения искусственной нейронной сети и обучающей выборки. Результаты обучения показали, что обученная нейронная сеть может использоваться вместо математической модели объекта управления и является полностью работоспособной. На основе обучения и математической модели была разработана система нейро-нечеткого управления динамическими изменениями технологической среды, модули которой с высокой точностью и без вмешательства технолога

обеспечивают высокий уровень контроля над процессами технологической среды. Система является самообучаемой и способна самостоятельно находить оптимальные параметры для осуществления контроля технологических процессов за счет внедрения эволюционных алгоритмов оптимизации.

Созданная автором система нейро-нечеткого управления динамическими изменениями технологических процессов внедрена в образовательный процесс кафедры конструирования и производства радиоаппаратуры в виде рекомендаций по подготовке к учебным занятиям по направлению курса «Информационные технологии проектирования

<

РЭС».

Зав. каф. «КиПРА».