Системный анализ и управление сложными биосистемами на базе нейро-нечетких регуляторов тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Володин, Александр Андреевич

• Володин, Александр Андреевич
• кандидат наук
• 2014

Оглавление диссертации кандидат наук Володин, Александр Андреевич

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

ГЛАВА 1. Анализ методов и алгоритмов решения задач синтеза интеллектуальных систем "управления динамическими объектами биосистем на основе нечетких и нейросетевых технологий

1.1 Анализ общесистемных свойств и видов неопределенности информации, характерных для процесса управления сложными динамическими объектами биосистем

1.2 Анализ методов и алгоритмов решения задач синтеза систем на основе нечеткой логики применительно к управлению динамическими объектами биосистем

1.3 Анализ методов и алгоритмов решения задач синтеза систем на основе нейросетевых технологий применительно к управлению динамическими объектами биосистем

1.4 Цель и задачи диссертационной работы

Выводы по главе 1

ГЛАВА 2. Синтез и моделирование систем управления процессами биосинтеза с помощью метода аппроксимирующих преобразований

2.1 Разработка критерия эффективности и выбор оптимальных условий управления и моделирования процесса биосинтеза

2.2 Метод аппроксимирующих преобразований в задачах управления и моделирования биосистем

2.3 Синтез нелинейных регуляторов потоков субстрата и продукта в непрерывной биосистеме на основе метода аппроксимирующих преобразований

2.4 Синтез нелинейных регуляторов потоков субстрата и продукта на основе комбинации сигмоидщ»1х функций для управления непрерывной биосистемой

Выводы по главе 2

ГЛАВА 3 Синтез системы управления биосистемой в реакторе непрерывного действия с нечеткими и нейро-нечеткими регуляторами

3.1 Особенности синтеза нечетких и нейросетевых систем управления биопроцессами при априорной неопределенности и нечеткости их моделей

3.2 Построение и исследование нейро-нечетких регуляторов потоков субстрата и продукта для управляемой непрерывной биосистемы

3.3 Модифицированный метод получения уравнений регрессии при неполной ортогональности плана эксперимента для оценки влияния параметров нейронной сети на показатели качества управления

£

3.4 Нейро-нечеткая система стабилизации температуры ферментационного

процесса

Выводы по главе 3

ГЛАВА 4. Методика интеллектуальной поддержки принятия решений в задачах многокритериального выбора алгоритмов управления биосистемами

4.1 Сравнительный анализ подходов к решению задач многокритериального выбора алгоритмов управления сложной системой

4.2 Обоснование перечня критериев сравнения нечетких и нейро-нечетких алгоритмов управления биосистемой

4.3 Решение многокритериальной задачи сравнения и выбора алгоритмов управления биосистемой на основе метода анализа иерархий

4.4 Методика многокритериального анализа задачи выбора на основе нечеткой теории принятия решений

4.5 Методика интеллектуальной поддержки при принятии решений в задачах

управления на основе нейросетевой классификации режимов биосистемы

Выводы по главе 4

Заключение

Список использованных источников

Приложение А. Компьютерное моделирование биотехнологических процессов и систем

»

Приложение Б. Акт о внедрении и использовании результатов диссертационной работы в ООО «Арнест - ИТ»

Приложение В. Акт о внедрении результатов диссертационной работы в

ООО «Промавтоматика»

Приложение Г. Акт об использовании результатов диссертационной работы в ФГАОУ ВПО «Северо-Кавказский федеральный университет»

№2014610019

Приложение Е. Свидетельство о регистрации программы для ЭВМ №2013660740

*

Введение диссертации (часть автореферата) на тему «Системный анализ и управление сложными биосистемами на базе нейро-нечетких регуляторов»

Введение

Для повышения конкурентоспособности и снижения импортозависимо-«

сти по важнейшим традиционным биотехнологическим продуктам — лекарственным препаратам, биологически активным веществам, белково-витаминным концентратам, бактерийным и вирусным препаратам, производимым в Российской Федерации, требуется более широкое использование передовых информационных и интеллектуальных технологий при управлении ферментационной системой, одной из основных составляющих производства, как по сложности реализации, так и по влиянию на его рентабельность [1]. Минэкономразвития России определена важнейшая роль биотехнологических систем, предназначенных для решения задач промышленной микробиологии по производству биологически активных веществ, белково-витаминных концентратов, антибиотиков, бактерийных и вирусных препаратов. Объем производства биотехнологической продукции в России к 2020 году, согласно разработанной Минэкономразвития программе «БИО-2020», возрастет до 800 млрд. рублей в сравнении с 24 млрд. рублей в 2010 году [2]. Для сокращения времени на разработку новых технологий и внедрения их в производство важная роль отводится созданию систем автоматического управления (САУ) на основе интеллектуальных методов построения алгоритмического и математического обеспечения САУ.

»

Далеко не все процессы, а в особенности процессы живых систем, поддаются формализации, что приводит к необходимости привлечения человека, его способности ориентироваться в слабо структурируемой ситуации и находить решение слабо формализуемых задач в условиях неопределенности. Система определяется как сложная, если для построения ее модели недостаточно информации [3]. На основе принципа подобия [4] биотехнологической и информационной систем сформулируем характерные свойства биотехнологических систем как аналогов свойств сложных автономных систем. К характерным свойствам сложной системы следует отнести [3,5]:

1. Отсутствие адекватного математического описания и какого-либо универсального алгоритма оценки состояния системы на основании информации о предыдущем состоянии и наблюдаемых входных сигналах.

2. Нестационарность сложных систем (СС), проявляющаяся в дрейфе характеристик системы, в изменении ее параметров, в эволюции сложной системы во времени.

3. Наличие зашумленности вследствие обилия всякого рода второстепенных, с точки зрения решаемой задачи, процессов. Вызываемую этими второстепенными процессами реакцию в поведении системы удобнее рассматривать как случайный фактор, зашумленность, чем разбираться в их механизме.

4. Невоспроизводимость как самой сложной системы, так и экспериментов со сложной системой, что связано, прежде всего, с зашумленностью и нестационарностью СС. Проявляется эта черта в различной реакции системы на одну и ту же ситуацию или управление в различные моменты времени.

5. Нетерпимость к управлению по причине независимости существования СС от целей субъекта, желающего управлять ею.

Перечисленные свойства не являются формальными признаками и отсутствие одного или даже нескольких из указанных свойств вовсе необязательно делает систему простой. Традиционные существующие методы проектирования САУ сложными объектами с перечисленными свойствами во многом не удовлетворяют современным требованиям [6]. Причины заключаются в следующем [7]:

- во-первых, при традиционных методах проектирования отсутствует этап системного анализа системы управления как единого целого и вследствие этого корректировки в структуру системы и связи между ее функциональными элементами вносятся на этапе опытно-промышленных испытаний системы;

- во-вторых, недостаточное внимание уделяется выделению системообразующего фактора при анализе сложных систем, в частности биотехниче-

ских, биологических, биотехнологических и других живых систем, что не позволяет учитывать в полной мере составляющие системы и те связи, которые обеспечивают полноценное функционирование сложной системы, ее системную целостность, структуру и форму [8];

— в-третьих, синтез классических регуляторов требует знания математической модели объектов, получение которой по мере усложнения объектов и возрастающих требований к управлению ими, способствующих проявлению их сложного характера и отнесению их к сложным системам, существенно затрудняется либо становится невозможным. При включении модели в управление влияние неопределенностей в математической модели на качество управления трудно учесть при разработке алгоритма;

— в-четвертых, по мере усложнения систем практически исключается многовариантное проектирование, а этап поддержки принятия решений при| выборе алгоритмического и других видов обеспечений системы управления отсутствует;

ь

— в-пятых, время разработки продолжает расти вместе с усложнением систем.

Все это обуславливает необходимость модификации и разработки но- 4/ вых методов и алгоритмов решения задач синтеза систем управления сложными объектами, в частности объектами биотехнологических систем. На сегодняшний день для решения подобного рода задач управления широко используются интеллектуальные методы. При этом выделяют следующие типы интеллектуальных систем управления: на основе нейросетевых технологий и на основе нечеткой (fuzzy) логики [9,10j. Системы управления с нечеткими регуляторами хорошо зарекомендовали себя при управлении сложными объектами с параметрами, изменяющимися в широких пределах [11]. Системы с нейросетевыми регуляторами не требуют построения базы правил. Системы управления на основе объединения указанных принципов, т.е. с нейро-нечеткими регуляторами, способны во многом удовлетворить современным требованиям проектируемых динамических систем. Кроме того, используя

технологию синтеза интеллектуальных алгоритмов управления, возможно провести оптимизацию сложных контуров САУ.

Вопросы, связанные с теоретическими и практическими аспектами применения перечисленных подходов, представлены в многочисленных работах отечественных и зарубежных исследователей: А.И. Галушкина, А.Н. Горбаня, В.А. Терехова, С.А. Шумского, В.В. Круглова, А.Г. Ивахненко, Н.И. Червякова, Т. Кохонена, Сигеру Омату и др. Универсальность методов определяет широту их применения, в том числе в сфере управления биотехнологическими процессами. Вместе с тем, управлению сложными биосистемами не уделено должного внимания, в публикациях отсутствуют как попытки систематизации известных подходов, так и описания конкретных методик синтеза интеллектуальных алгоритмов управления. В связи с чем, исследования в данной области представляют теоретический и, несомненно, практический интерес.

Принято считать, что сложными являются, прежде всего, технические, биологические, экономические и социальные системы. Между тем, многие биотехнические и биотехнологические системы, по причине отсутствия адекватного математического описания, минимальной доступной информации о поведении объекта, могут быть отнесены, как отмечено выше, к сложным системам. Реальные процессы (объекты) этих систем в большинстве своем нелинейны, нестационарны и зашумлены, со сложными внутренними связями, априорная информация о форме и силе зависимости между переменными минимальна, что значительно усложняет получение адекватного математического описания. Существенная нестационарность процессов биосистем, заключающаяся в изменении во времени характеристик процесса, а также их слабая воспроизводимость требуют применения новых современных принципов управления - интеллектуальных алгоритмов управления, особенно если управление осуществляется в реальном масштабе времени.

Между технологическими параметрами и качеством продуктов биосинтеза до настоящего времени не установлены надежные количественные зави-

симости. Существующие теоретические и экспериментальные исследования, объясняющие отдельные элементы и закономерности функционирования процесса биосинтеза, составляют набор рабочих гипотез процесса, которым может воспользоваться оператор при управлении процессом. Важную роль играют его собственный опыт и интуиция.

Ввиду сложности объекта управления, существенной нелинейности, нестационарности, трудностей построения динамической модели, неопределенности взаимодействия элементов, а также при большой вариации параметров и недостаточной информации об объекте наиболее эффективным является использование систем управления, построенных на базе нечеткой логики (НЛ), нейронных сетей (НС) и нейро-нечетких регуляторов. Отсутствие эффективных, проверенных на практике методов, алгоритмов управления и моделирования сложных биосистем, соответствующих методик поддержки принятия решений при проектировании алгоритмического обеспечения систем управления определяют актуальность данной диссертационной работы.

Наличие большого числа публикаций по проблеме построения систем на базе нечеткой логики и нейронных сетей в различных областях свидетельствует как об ее актуальности, так и об отсутствии ее окончательного решения для задач синтеза систем управления биопроцессами. Из вышеизложенного следует, что разработка интеллектуального управления сложными биосистемами в условиях неопределенности является актуальной задачей системного анализа и управления в технике и технологиях.

Диссертационная работа выполнялась в рамках аналитической ведомственной целевой программы «Развитие научного потенциала высшей школы на 2009 — 2011 гг.» по теме НИР «Теоретические основы построения интеллектуальных систем автоматического управления с применением модифицированных нелинейных, нейросетевых и модулярных регуляторов» (гос. регистр. № 01201066013) и научного направления Северо-Кавказского федерального университета «Информационно-телекоммуникационные системы», утвержденного на научно-техническом совете 28.06.2012 г.

Целью диссертационной работы является повышение эффективности функционирования систем управления сложными биосистемами путем разработки и применения нейро-нечетких регуляторов потоков субстрата, биомассы и температуры в биореакторе, включая вопросы поддержки принятия решений при сравнении и многокритериальном выборе алгоритмов управления на этапе проектирования.

Объектом исследований являются системы управления биообъектами на базе аппроксимирующих и нейро-нечетких регуляторов и алгоритмы поддержки принятия решений при выборе рациональных регуляторов с учетом нечетких предпочтений.

Предметом исследований являются методы и алгоритмы решения задач управления сложными биосистемами на базе аппроксимирующих и нейро-нечетких регуляторов с помощью моделирования динамического поведения биообъектов, включая вопросы исследования связей между функциональными блоками гибридной интеллектуальной системы управления и закономерностей ее функционирования.

Научная задача исследований состоит в разработке новых и совершенствовании существующих систем управления сложными биообъектами на основе нейро-нечетких регуляторов, а также в разработке методики сравнения и многокритериального выбора алгоритмов управления биосистемой на основе применения иерархических моделей принятия решений с учетом нечетких предпочтений.

Для решения общей научной задачи исследований проведена ее декомпозиция на ряд следующих частных задач:

1. Анализ методов и алгоритмов решения задач синтеза интеллектуальных систем управления динамическими объектами биосистем на базе нечетких и нейросетевых регуляторов в условиях неопределенности исходной информации.

2. Системный анализ особенностей сложных биосистем и моделирование их динамического поведения как объектов управления с нечеткими и нелинейными характеристиками.

3. Разработка алгоритмов решения задач управления биосистемой в реакторе непрерывного ^действия с аппроксимирующими и нейро-нечеткими регуляторами и их сравнительный анализ.

4. Разработка методики обработки данных при получении уравнений регрессии для оценки влияния параметров обучаемой нейронной сети на показатели качества управления с использованием ортогональных преобразований матрицы планирования эксперимента с неуправляемыми факторами;

5. Разработка методики нейросетевой классификации биосистем в условиях разнородности и фрагментарности массивов данных и, как следствие, ограниченности их содержательного анализа традиционными статистическими методами.^

6. Разработка методики создания систем поддержки принятия решений для слабоструктурированных ситуаций при многокритериальном выборе алгоритмического обеспечения интеллектуальных систем управления биообъектами с помощью нечетких парных сравнений альтернатив.

Методы исследования. В работе использованы методы системного анализа, теории автоматического управления, нечеткой логики, теории искусственных нейронных сетей, планирования эксперимента, принятия решений и математического моделирования.

Достоверность и обоснованность полученных в диссертационной работе результатов и формулируемых на их основе выводов обеспечивается корректным применением математического аппарата, использованием в вычислительных экспериментах широко апробированных специализированных программных средств. Справедливость выводов относительно эффективности предложенных моделей и алгоритмов управления подтверждена математическим моделированием.

и

Научная новизна полученных результатов заключается в следующем:

- на основе выявленных закономерностей управляемой биосистемы предложено уравнение, формализующее процесс смены факторов лимитирования в математической модели биосистемы, которое в отличие от известных реализуемых в модели логических условий использует для переключения факторов сигмоидные.функции, что дает возможность представить управляемую биосистему непрерывными уравнениями, упрощая при этом анализ устойчивости и моделирование управляемой биосистемы;

- впервые разработана система управления биореактором непрерывного действия с нелинейными законами управления, отличающаяся от ранее известных использованием регуляторов на основе комбинации сигмоидных функций, аппроксимирующих релейные, что обеспечивает улучшение характеристик регуляторов относительно релейного управления и, как следствие, устранение колебательности как в области малых отклонений, так и при значительных отклонения^ на входе регулятора;

- впервые осуществлен синтез нечеткого регулятора потоков субстрата и биомассы в реакторе с использованием гауссовых функций принадлежности и входных лингвистических переменных - переменных состояния: концентрации лимитирующего субстрата, концентрации биомассы и уровня в реакторе, что способствует повышению эффективности процесса биосинтеза за счет четкой реализации режимов подачи субстрата и отбора биомассы из реактора и, как следствие, повышения точности стабилизации уровня жидкости в реакторе;

- предложена нет°Дика получения уравнений регрессии для оценки влияния параметров нейронной сети на показатели качества управления при неполной ортогональности плана эксперимента с неуправляемыми факторами, отличающаяся от известной тем, что позволяет устранить неопределенность в решении системы путем доортогонализации исходной матрицы и за счет этого определить соответствующие коэффициенты уравнений, исполь-

зуемых для настройки нейросетевой системы управления и, как следствие, повысить качество обучения нейронной сети;

— впервые разработан нейро-нечеткий регулятор стабилизации температуры в реакторе, реализующий систему нечеткого вывода Сугено в виде пятислойной нейронной сети прямого распространения сигнала, позволяющий при ограничении на управляющее воздействие повысить точность поддержания заданной температуры относительно ПИД-регулятора на 2,1% и снизить пиковый расход хладоагента на 43%, обеспечивая робастность к возмущениям по температуре охлаждающей воды и тепловыделению процесса;

— разработана методика и алгоритм интеллектуальной поддержки принятия решений в задаче многокритериального выбора алгоритмов для управления биосистемой, отличающаяся тем, что в ней использован метод анализа иерархий в совокупности с методом нечетких множеств и учитывается информация о состоянии биосистемы на основе разработанного нейросетевого классификатора процессов биосинтеза по степени лимитирования. Это позволяет исключить противоречивость исходных суждений и повысить значимость качественных компонентов оценивания при выборе лучших вариантов алгоритмов управления в нечеткой среде.

Практическая ценность работы. Практическое использование научных результатов позволяет:

— расширить область применения интеллектуального управления за счет построения САУ сложными биосистемами с нейро-нечеткими регуляторами и возможной адаптации их к широкому кругу объектов;

— проводить обработку данных при построении уравнений регрессии для оценки влияния параметров нейронной сети на показатели качества управления при неполной ортогональности плана эксперимента с неуправляемыми факторами;

— обеспечить поддержку принятия решения при многокритериальном выборе алгоритмов управления интеллектуальных систем с нечеткими и

нейросетевыми регуляторами, что обеспечивает возможности проектирования более эффективных систем управления;

— проводить моделирование систем управления с использованием программ для ЭВМ и интегрировать разработанную методику оценки и выбора алгоритмов управления в существующие системы информационной поддержки процесса принятия решений в виде программного продукта.

Основные положения, выносимые на защиту:

— формализация процесса смены факторов лимитирования в математической модели управляемой биосистемы с использованием в качестве переключающих функций сигмоидных, обеспечивающих описание моделируемой системы непрерывными уравнениями;

— система управления биопроцессом в реакторе непрерывного действия с использованием в законах управления нелинейных, непрерывных функций на основе сигмоидных функций, отличающаяся от ранее известных реализацией произведения этих функций, что позволяет реализовать несимметричные управляющие воздействия, эффективные при нелинейных характеристиках управляемого объекта;

- методика синтеза нечетких регуляторов потоков с использованием гауссовых функций принадлежности, с использованием в качестве входных лингвистических переменных - концентраций лимитирующего субстрата, биомассы и уровня в биореакторе, обеспечивающих выполнение ограничения на скорость разбавления среды;

- методика обработки данных при получении уравнений регрессии для оценки влияния параметров обучаемой нейронной сети на показатели качества управления с исгГользованием ортогональных преобразований матрицы планирования эксперимента с неуправляемыми факторами;

- нейро-нечеткий регулятор стабилизации температуры в биореакторе, реализующий систему нечеткого вывода Сугено в виде пятислойной нейронной сети прямого распространения сигнала при ограничении на управляющее воздействие;

— методика и алгоритм интеллектуальной поддержки принятия управленческих решений в задаче многокритериального выбора алгоритмов для управления биосистемрй с использованием метода анализа иерархий в совокупности с методом нечетких множеств, учитывающая информацию о состоянии процессов биосинтеза по степени лимитирования на основе нейросете-вого классификатора.

Области исследования. Диссертационные исследования соответствуют пунктам 4 и 5 паспорта специальности 05.13.01 - Системный анализ, управление и обработка информации.

Апробация работы. Основные результаты работы докладывались и обсуждались на: II международной научно-практической конференции «Современная наука: теордя и практика» (Ставрополь, СевКавГТУ, 2011); XXV Международной научной конференции «Математические методы в технике и технологиях — ММТТ-25» (Волгоград, 2012); пятой международной научно-технической конференция «Инфокоммуникационные технологии в науке, производстве и образовании» (Кисловодск, 2012); пятом международном научном конгрессе «Нейробиотелеком-2012» (СПб., 2012); X Всероссийской научной конференции молодых ученых, аспирантов и студентов «Информационные технологии, системный анализ и управление — ИТСАиУ» (Таганрог, 2012); XVII Международной научно-практической конференции «Системный анализ в проектировании и управлении» (Санкт-Петербург, 2013); II международной научно-практической конференции «Актуальные направления фундаментальных и прикладных исследований» (Москва, 2013); Всероссийской конференции студентов и молодых ученых с международным участием (Березники, 2012); 41 научно-технической конференции по итогам работы ППС СевКавГТУ за 2011 год (Ставрополь, 2012); 14-ой Международной научно-практической конференции «Методы и алгоритмы прикладной математики в технике, медицине и экономике» (Новочеркасск, 2014).

Публикации. Основные результаты диссертации опубликованы в 19 научных работах, в числе которых 6 статей в рецензируемых научных

журналах и изданиях, рекомендованных ВАК РФ для публикации основных результатов диссертаций, 2 свидетельства на программу для ЭВМ.

Реализация и внедрение результатов работы. Теоретические и практические результаты диссертационной работы использованы при выполнении НИР «Структурно-параметрический синтез многорежимных систем в условиях неопределенности с использованием методов нечеткого и нейросетевого управления» (№ гос. регистр. 01201062867), реализованы в ООО «Промавтоматика» (г. Георгиевск) и ООО «Арнест - Информационные технологии» (г. Невинномысск), а также в учебном процессе Невинномысского технологического института (филиала) Северо-Каказского федерального университета», что подтверждено актами.

Структура и объем диссертации. Диссертация состоит из введения, четырех глав, заключения, приложения. Ее содержание изложено на 214 страницах, включая 40 рисунков, 18 таблиц и список использованных источников, содержащий 206 наименований.

В первой главе проведен анализ методов и алгоритмов решения задач синтеза интеллектуальных систем управления динамическими объектами на базе нечетких и нейросетевых регуляторов и обоснована целесообразность их использована при синтезе систем управления сложными биосистемами в условиях неопределенности.

Показано, что проблема управления сложными живыми системами, к которым относятся и биотехнологические системы, в условиях неопределенности относится к актуальным проблемам современной теории и практики автоматического управления. Во-первых, для такого класса систем типичным становится случай, когда отсутствует точное математическое описание объекта управления, процесс плохо воспроизводится, а изменение его параметров происходит неизвестным образом в ходе функционирования. Во-вторых, вместе с появлением новых процессов и объектов возникают более высокие требования к разрабатываемым системам управления, которые невозможно обеспечить существующими системами. В-третьих, каждый процесс имеет

свои особенности, которые, с одной стороны, требуется учитывать при управлении, а, с другой стороны, они не в полной мере могут быть учтены существующими подходами к синтезу систем. Установлено, что для синтеза систем управления в таких условиях большими возможностями обладают методы нечеткой логики и нейросетевой технологии, обеспечивающие ро-бастные и адаптивные свойства. Однако применение этих методов ограничено, в основном, техническими объектами и системами. При этом большинство работ носит частный или эмпирический характер, результаты по выбору структуры и настройки нечетких и нейросетевых регуляторов получены, в основном, подбором и путем многократного моделирования, а их практическая реализация сопряжена с рядом технических и вычислительных трудностей, причем результаты синтеза интеллектуальных САУ промышленными биосистемами практически отсутствуют. На основе проведенного анализа сформулированы задачи исследования.

Во второй главе проведен системный анализ подходов к моделированию микробиологических процессов для целей использования биосистемы в качестве объекта управления. На основе моделирования процессов и систем разработан критерий эффективности решения задач управления. Установлено, что, несмотря на использование в модели биосистемы сложных нелинейных зависимостей и логических условий, максимально учесть влияние внешних и внутренних возмущений невозможно. Это затрудняет использование такой модели при построении системы управления. Для исключения логических условий при неустановившемся характере лимитирующих факторов в работе предложено для описания поведения биосистемы при наличии таких факторов использовать непрерывные нелинейные функции, выполняющие роль переключающих функций. Такими свойствами обладают сигмоидные функции. Использование сигмоидной функции позволяет исключить логические условия, описать динамику системы непрерывными уравнениями и проводить моделирование^ биосистемы со всеми ее кинетическими зависимостями.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Володин, Александр Андреевич

ЗАКЛЮЧЕНИЕ

1. На основе систематизации и анализа методов и алгоритмов решения задач интеллектуального управления динамическими объектами установлено, что методы обработки информации на основе нечеткой логики, нейросе-тевой технологии и нечетких методов принятия решений широко применяются в различных интеллектуальных системах. Однако в системах управления сложными биосистемами их применение рассмотрено не достаточно. Поэтому обоснована целесообразность и необходимость в разработке интеллектуальных САУ биообъектами с использованием нейро-нечетких регуляторов.

2. На основе проведенных теоретических и прикладных исследований системных связей и закономерностей функционирования систем с нечеткими и нейросетевыми регуляторами установлено, что их комбинированное применение для решения задач синтеза САУ является одним из перспективных направлений повышения эффективности управления биообъектами в условиях неопределенности.

3. Сравнение систем управления динамическими биообъектами показало, что при помощи нелинейных регуляторов с аппроксимирующим управлением на базе комбинации сигмоидных функций достигается более высокое качество управления при использовании одной и той же информации по сравнению с классическим ПИД- и релейным регуляторами. Однако при неконтролируемых возмущениях и использовании для синтеза регуляторов сильно упрощенных моделей объекта в условиях неопределенности, эффективность их снижается.

4. Разработанная методика синтеза адаптивной нейро-нечеткой системы управления, включающая в себя определение архитектуры, разработку структуры и модели взаимодействия ее элементов, оценку влияния параметров нейронной сети на показатели качества системы, позволяет повысить

эффективность применения САУ при неполных априорных сведениях относительно модели объекта управления и возмущений.

5. Разработанная методика обработки экспериментальных данных при идентификации уравнений регрессии с использованием ортогональных преобразований исходной матрицы планирования эксперимента с неуправляемыми факторами позволяет исследовать влияние параметров нейронной сети на показатели качества переходного процесса и обоснованно выбирать параметры нейросетевого регулятора в системе управления.

6. Впервые разработаны практически реализуемые системы управления с нечеткими и нейро-нечеткими регуляторами потоков субстрата и биомассы

4

с треугольными и гауссовыми функциями принадлежности, дана их сравнительная характеристика. Показано, что неконтролируемые возмущения по максимальной удельной скорости роста, имеющие неопределенный характер, компенсируются указанными регуляторами, при этом переходные процессы близки к квазирелейному регулированию, а в целом достигается одновременное улучшение ряда качественных показателей переходных процессов в САУ.

7. Исследованиями подтверждено, что при необходимости расширения границ компенсации внешних и внутренних возмущений при изменяющихся параметрах объекта в условиях неопределенности целесообразны гибридные САУ с нейро-нечеткими регуляторами. Впервые разработана нейро-нечеткая система стабилизации температуры для нелинейного объекта — биореактора с учетом ограничения на управляющее воздействие, внедрение которой позволит повысить точность поддержания заданной температуры относительно ПИД-регулятора на 2,1 % и снизить пиковый расход хладоагента на 43 %.

8. Разработан нейросетевой классификатор биологических процессов по степени лимитирования субстратом в условиях разнородности и фрагментарности массивов данных и, как следствие, ограниченности их содержательного анализа традиционными статистическими методами. Алгоритм его функционирования в реальном времени позволяет получать необходимые ре-

зультаты решения задачи в условиях малой выборки, характерной для биосистем, и использовать полученные результаты для выбора режима ведения процесса и алгоритма управления.

9. Разработана методика оценки и выбора рациональных алгоритмов управления систем в нечеткой среде на основе последовательного применения иерархических моделей принятия решений и функций принадлежности. В основу методики положены систематизация критериев и системных требований к САУ и принцип иерархии, предполагающий последовательную декомпозицию множества целей с ростом степени детализации к нижним уровням. Построение иерархий хорошо согласуется с принципами системного подхода к анализу задачи и обеспечивает поддержку принятия решений в процессе формирования и формализации экспертных предпочтений.

10. Программная реализация разработанной методики оценки и выбора рациональных алгоритмов САУ не вызывает затруднений и может быть интегрирована в существующие системы информационной поддержки процесса принятия в виде программного продукта.

Практическая полезность разработанных решений подтверждена актами о внедрении.

Список литературы диссертационного исследования кандидат наук Володин, Александр Андреевич, 2014 год

Список использованных источников

1. Оптимизация процесса проектирования биотехнологических производств путем разработки элементов САПР. URL: - http://bio-x.ru/articles/optimizaciya-processa-proektirovaniya-biotehnologicheskih-proizvodstv (дата обращения: 04.06.2012).

2. Программа «БИО-2020». URL:

http://rosbiotech.com/news/view.php?ID=45 (дата обращения: 03.06.2012).

«

3. Медянцев, Д.В. Нейросетевые информационные системы для автоматизации технологических процессов: 05.13.06 - Автоматизация и управление технологическими процессами и производствами (в промышленности): автореф. дис. ... канд. техн. наук / Денис Викторович Медянцев. — Томск, 2007.-22 с.

4. Жданов, A.A. Автономный искусственный интеллект. 2-е издание / A.A. Жданов. - М.: БИНОМ, 2009. - 359 с.

5. Лубенцов, В.Ф. Системы автоматического управления процессами ферментации: Монография / В. Ф. Лубенцов. - Сев.-Кав. гос. техн. ун-т. Ставрополь: СевКавГТУ, 2005. - 200 с.

6. Пролетарский, A.B. Системный синтез интеллектуальных систем управления космических аппаратов и комплексов // Наука и образование: электронное научно-техническое издание. - 2007. - № 3. URL: http://technomag.edu.ru/doc/64655.html (дата обращения: 08.09.2011).

7. Масютина, Г.В. Синтез робастных систем управления с использованием каскадно-связанных модифицированных нелинейных, нечетких и нейросетевых регуляторов: дис. ... канд. техн. наук: 05.13.01: защищена 1.12.2011/ Галина Владимировна Масютина. - Ставрополь, 2011. - 228 с.

8. Анохин, П.К. Принципиальные вопросы общей теории функциональных систем 1973. URL: http://www.raai.org/library/books/anohin/anohin.htm (дата обращения: 12.06.2012).

9. Усков, A.A. Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика / A.A. Усков, A.B. Кузьмин. — М.: Горячая линия - Телеком, 2004. - 144 с.

10. Гостев, В.И. Синтез нечетких регуляторов систем автоматического управления / В.И. Гостев. - К.: «Радюаматор», 2003. - 512 с.

11. Sefa, I. Simulation of fuzzy logic controlled grid interactive inverter / I. Sefa, N. Altin. - University of Pitesti - Electronics and computers science. Scientific bulletin, No. 8, Vol.2, 2008.

12. Москвин, C.B. Системный анализ эффективности управления биологическими системами низкоэнергетическим лазерным излучением: 05.13.01: автореф. дис. д-ра биолог, наук / Сергей Владимирович Москвин. — ФГУ «Государственный научный центр лазерной медицины Росздрава» Тула, 2008.-41 с.

13. Анохин П.К. Принципиальные вопросы общей теории функциональных систем. - М.: Наука, 1973. - С. 5-61.

14. Системный подход к анализу процесса биосинтеза. URL: http://tweetbot.m/biotehnologiya-spirta/500-sistemnyy-podhod-k-analizu-processa-biosinteza-chast-3.html (дата обращения: 13.07.2013).

15. Гузаиров М. Б., Ильясов Б. Г., Герасимова И. Б. Системный подход к анализу сложных систем и процессов на основе триад // Проблемы управления. 2007. № 5. URL: http://cyberleninka.ru/article/n/sistemnyy-podhod-k-analizu-slozhnyh-sistem-i-protsessov-na-osnove-triad (дата обращения: 07.11.2012).

16. Рубин, А.Б. Кинетика биологических процессов / А.Б. Рубин, Н.Ф. Пытьева, Г.Ю. Ризниченко. - М.: Изд-во МГУ, 1987. - 300 с.

17. Ризниченко, Н.Ф. Математические модели биологических продукционных процессов / Н.Ф. Ризниченко, А.Б. Рубин. - М.: Изд-во МГУ, 1993. -300 с.

18. Рубин А.Б. Биофизика: в 2 т. 2000. Том 1. URL: http://biofizika.narod.ru/rubin/index.htm (д?та обращения: 07.12.2012).

19. Фурсова П.В. Левин А.П.. Дифференциальные уравнения в моделировании сообществ микроорганизмов Успехи современной биологии, 2006, т. 126, №2, с. 149-179.

20. Потапенко, Е. М. Высокоточное управление неопределенными объектами. Сравнение методов управления / Е. М. Потапенко, А. Е. Казурова // 36. наук. Праць Дшпродзержинського техн. ушверситету (техшчш науки). Тематичний вип. «Проблеми автоматизованого електропривода. Теор1я й практика». - Дншродзержинськ : ДДТУ, 2007. - С. 412-414.

21. Анализ видов неопределенности информации, характерных для процесса управления сложными системами. URL: http://www.plink.ru/tnm/gll 1.htm (дата обращения: 12.08.2011).

22. Лубенцов, В.Ф. Методы динамической идентификации биотехнологических объектов / В.Ф. Лубенцов, Д.В. Болдырев. — Ставрополь: СевКавГ-ТУ, 2005. - 84 с.

23. Лубенцов, В.Ф. Практический математико-статистический анализ биотехнологических систем / В.Ф. Лубенцов. — Ставрополь: Изд-во СевКав-ГТУ, 2000. -111 с.

24. Месарович, М- Теория иерархических многоуровневых систем / М. Месарович, Д. Мако, Я.Такахара. - М.: Мир, 1973. - 344 с.

25. Хьюбер, Дж.П. Робастность в статистике / Дж.П. Хьюбер. — М.: Мир, 1984.-304 с.

26. Atsushi, Degawa. Улучшение методов обнаружения и подавления «плохой» информации при оценке состояния энергосистем / Degawa Atsushi // «Дэнки гаккай ромбуси. Trans. Inst. Elec. Eng. Jap.», 1984. - № 2. - P. 69-76 (яп.).

27. Негойце, К. Применение теории систем к проблемам управления / К. Негойце. - М.: Мир, 1981. - 179 с.

28. Leitmann, G. Deterministic control of uncertain systems / G. Leitmann // «Mat. Model. Sei. and Technol» 4 th International Conference Zurich, 15-17 August 1983.-New York, 1983.-P. 1-9.

29. Миллер, Г.Б. Оптимизация управления в линейных стохастических дифференциальных системах с неопределенными параметрами возмущений / Г.Б. Миллер, А.Р. Панков // Информационные процессы, Том 6, № 2, 2006. — С. 131-143.

*

30. Пелевин, А.Е. Робастная стабилизация линейного объекта при неопределенных параметрах модели / А.Е. Пелевин // Изв. РАН. Теория и системы управления, 2003, № 1. — С. 40-46.

31. Габасов, Р. Реализация в реальном времени оптимальных обратных связей по выходу для линейных систем в условиях неопределенности / Р. Га-басов, Ф.М. Кирилова, Т.И. Песецкая // Изв. РАН. Теория и системы управления, 2005, № 4. - С. 44-56.

32. Макаров, И.М. Искусственный интеллект и интеллектуальные системы управления / И.М. Макаров, В.М. Лохин, C.B. Манько, М.П. Романов.

«

— Отделение информ. технологий и вычислит, систем РАН. — М.: Наука, 2006. -333с.

33. Электронный ресурс. bmt.bmstu.ru>ershov/autodiag.doc

34. Зак А. М. Использование рандомизации импульса управляющего воздействия в регуляторах на основе нечеткой логики в производстве стеновых железобетонных панелей. URL: http://nit.miem.edu.ru/sbornik/2009/secl/027.html (дата обращения: 01.09.2012).

35. Методы робастного, нейро-нечёткого и адаптивного управления: Учебник / Под ред. Н.Д. Егупова, 2-е изд. - М.: Изд-во МГТУ им. Баумана, 2002. - 744 с.

36. Афанасьев, В.Н. Робастное управление нелинейной системой, содержащей неопределенные параметры / В.Н. Афанасьев, Е.Р. Бовшук // Вестн. РУДН. Серия инженерные исследования. - 2009. - №4. - С. 1-11.

37. Афанасьев, В.Н. Управление неопределенными динамическими объектами / В.Н. Афанасьев. - Физматлит, 2008. - 165 с.

38. Полько, П.Г. Имитационная модель цифровых контуров автоматической стабилизации технологических параметров на основе правил нечетко-

•

го управления / П.Г. Полько, О.С. Логунова // Вестн. НТУ "ХПГ. Тематический выпуск: Информатика и моделирование. - Харьков: НТУ "ХПГ. - 2010. -№31.-С. 133-144.

39. Куленко М.С., Буренин C.B. Исследование применения нечетких регуляторов в системах управления технологическими процессами / «Вестник ИГЭУ» Вып. 2, 2010. - С. 1-5. URL: http://boOk.net/index.php?p=chapter&bid=l 106&chapter=l (дата обращения: 13.08.2011).

40. Бобко, В.Д. О нечеткой динамической коррекции параметров ПИД-регулятора. / В.Д. Бобко, Ю.Н. Золотухин, A.A. Нестеров // Автометрия. — 1998.-№ 1.-С. 50-55.

41. Усков, A.A. Системы управления с нечеткими супервизорными ПИД-регуляторами / A.A. Усков, Е.В. Киселев // Приборы и системы. Управление. Контроль. Диагностика. - 2005. - № 9. - С. 31-33.

42. Кудинов Ю.И., Келина А.Ю. Сравнение линейного и нечеткого ПИД-регуляторов. URL: http://www.rusnauka.com/13_NMN_2011/Economies/ 10_83520.doc.htm (дата обращения: 13.08.2012).

43. Бойко, И. М.,Частотные методы анализа и проектирования систем с разрывным управлением и их применения: автореф. дис. ... д-ра техн. наук / Игорь Михайлович Бойко. — Тула, 2009. - 38 с.

44. Бобко, В.Д. Нечеткая реализация скользящих режимов в системе возбуждения синхронного генератора / В.Д. Бобко, Ю.Н. Золотухин, A.A. Нестеров // В кн. Труды Международной конференции «Проблемы управления и моделирования в сложных системах», (15-17 июня 1999, Самара). Самара: Изд. Самарский научный центр РАН. - 1999. - С. 229-234.

45. Кокорев С. В., Букреев В. Г. Система нечеткого регулирования температуры электронагревательных установок // Известия ТПУ 2005 № 6. URL: http://cyberleninka.ru/article/n/sistema-nechetkogo-regulirovaniya-temperatury-elektronagrevatelnyh-ustanovok (дата обращения: 20.10.2012).

46. Воробьёв К. А., Хуторской И. Н. Использование аппарата нечеткой логики в интересах адаптации системы управления самонаводящихся зенитных управляемых ракет / Электронный математический и медико-биологический журнал. Т. 9. Вып. 1. - 2010. URL: http://www.smolensk.m7user/sgma/MMORPH/N-25-html/cont.htm (дата обращения: 20.12.2012).

47. Погодаев, Д. А. Нечеткий регулятор в управляющей системе / Д. А. Погодаев, Е. JT. Штеренберг // Вести высших учебных заведений Черноземья. - 2008. - №2(12). - С. 64-67.

48. Куо, Б. Теория и проектирование цифровых систем управления / Б. Куо. - М.: Машиностроение, 1986. - 449 с.

49. Арсеньев, Г. Н. Синтез нечетких регуляторов для систем регулирования температуры теплоносителей / Г. Н. Арсеньев, В. Ю. Терещенко // Информационно-измерительные и управляющие системы. — 2011. - №7 — С. 5965.

50. Мотченко А.И., Кобец Д.В. Система нечеткого управления динамическими объектами с функцией ограничения координат. URL: http://archive.nbuv.gov.ua/portal/natural/SNTDGTU/2008_28/S50.pdf (дата обращения: 20.10.2012).

51. Кобец Д. В., Середа С. Н. Оптимизация систем нечеткого управления источниками питания индукционных установок Проблеми енергоресур-созбереження в електротехшчних системах. Наука, освгга i практика 339 № 1/2011 (1). URL: http://archive.nbuv.gov.ua/portal/natural/Ees/2011_3/160.pdf (дата обращения: 10.09.2012).

52. Усков, A.A. Алгоритм синтеза нечетких логических регуляторов на основе самоорганизации / A.A. Усков // Приборы и системы. Управление, контроль, диагностика. - 2004. - № 8. - С. 1-3.

53. Ротач, В.Я. Автоматизация настройки систем управления / В.Я. Ро-тач, A.C. Клюев. - М.: Энергоиздат, 1998. - 272 с.

54. Олссон, Г. Цифровые системы автоматизации и управления / Г. Ол-ссон, Дж. Пьяни. - СПб., 2007. - 577 с.

55. Михайленко, B.C. Нечеткие контролеры в системах автоматизированного управления / B.C. Михайленко // Холодильная техника и технология. - 2004. - № 3 (98). - С. 79-82.

56. Нечеткие системы и мягкие вычисления. URL: http://fuzzy.tversu.ru/ (дата обращения: 26.09.2012).

57. Answers for Fuzzv-control-svstem. URL: http://www.answers.com/topic/fuzzv-control-svstem (дата обращения: 13.09.2012).

58. Welcome to the fiizzyTECH Home Page! URL: http://www.fuzzytech.com. (дата обращения: 04.03.2012).

59. Экспериментальные исследования. URL: http://www.cs.berkeley.edu/~zadeh/stimfl.html. (дата обращения: 27.09.2012).

60. Kosko В. (1992) Fuzzy systems as universal approximators. Proc. IEEE Int. Conf. on Fuzzy Syst.,San Diego, CA, 1153-1162.

61. Ситников, M. С. Анализ и синтез интеллектуальных систем автоматического управления с нечеткими регуляторами: автореф. дис. ... канд. техн. наук / Михаил Сергеевич Ситников. - М., 2008. - 18 с.

62. Вялых, И.А. Нечеткое управление реакторным блоком установки каталитического крекинга / H.A. Вялых, С.Н. Кондратов, А.Г. Шумихин // Автоматизация в промышленности. - 2010. — № 7. — С. 53-57.

63. Михайленко B.C., Ложечников В.Ф.. Сравнительный анализ нечеткого и ПИД-регуляторов при управлении объектами третьего и четвертого порядка с колебательностью. URL: http://www.nbuv.gov.ua/portal/Natural/htit/2009_l/Mikhajlenko.pdf (дата обращения: 29.10.2012). .

64. Угреватов, А.Ю. Применение регуляторов на нечёткой логике / А.Ю. Угреватов // Известия высших учебных заведений. Поволжский регион. Технические науки. — 2007. — № 3. - С. 9-15.

65. Угреватов, А.Ю. Приёмы управления сложными динамическими объектами с применением методов нечёткой логики / А.Ю. Угреватов // Сборник статей Международной научно-технической конференции «Проблемы автоматизации и управления в технических системах». - Пенза: ИИЦ ПГУ, 2008.-С. 105-109.

66. Соколов А.Ю. Знаниеориентированные модели и методы в системах управления принятия решений. URL: http://sumschool.sumdu.edu.ua/is-02/rus/lectures/sokolov/sokolov.htm (дата обращения: 20.06 2009).

67. Москвич, Д.А. Анализ подходов к построению современных систем адаптивного управления с использованием традиционных принципов и интеллектуальных технологий (экспертных систем и нейросетевых структур) / Д.А. Москвич // Вестник СевКавГТУ, серия «Физико-химическая». — 2003. — №1(7).-С. 165-168.

68. Каяшева, Г.А. Дискретно-логические регуляторы с минимизацией продолжительности отработки системы продукционных правил и повышенной точностью (на примере систем автоматического управления технологическими процессами в химической промышленности): автореф. дис. ... канд. техн. наук / Галина Александровна Каяшева. - Уфа, 2008. - 19 с.

69. Шидловский, C.B. Система автоматического регулирования, инвариантная к параметрическим возмущениям, на базе нечеткой логики / C.B. Шидловский // Вестник Томского государственного университета. — 2006. — №290.-С. 247-250.

70. Роман, М.Р. Выбор оптимальных алгоритмов систем регулирования в условиях нечеткой информации: автореф. дис. ... канд. техн. наук / Магди Рауф Марзук Роман. - М., 2008. - 20 с.

71. Глухих В.Г., Никитенко A.A., Еременко Д.С. Коррекция кусочно-линейной функции управления непрерывной продувки котлоагрегатов. URL: htpp://www.mstu.edu.ru/publish/conf/l lntk/sectionl9_17.html (дата обращения: 20.06 2011).

72. Mamdani, E.H. Applications of Fuzzy Algorithms for Control of Simple Dynamic Plant / E.H. Mamdani, S. Assilian. - Proc. IEEE 121, No. 12, 1974. -Pp.1585-1588.

73. Meiritz, A. Model of an adaptive fuzzy controller with explicit transfer function, Proceeding of Fuzzy 96 / A. Meiritz, G.H. Schildt. — Zittau, Germany, 1996.-Pp. 58-66.

74.Усенко, B.B. Модель быстрого фази контроллера / В.В. Усенко // Труды международн. науч. конф. CONTROL 2000. - M.: МЭИ, 2000. - С. 6873.

75. Зайцев, А.И. Универсальный адаптивный регулятор для систем управления электроприводами постоянного тока на базе нечеткой логики / А.И. Зайцев, A.C. Ладанов // Электротехнические комплексы и системы управления. - 2006. - № 2. - С. 17-20.

76. Михасев, А.Ю. Исследование влияния вида базы правил нечеткого регулятора на вид переходного процесса / А.Ю. Михасев, И.М. Кольцов / Научная сессия МИФИ-2005. Том 5. Автоматика. - 2005. - С.32-33.

77. Бураков М.В., Коновалов A.C. Разработка интеллектуальных систем управления динамическими объектами методом декомпозиции базы 3HaHHfi.URL:http:wwwinftech.webservis.ru/it.conference/isanditc/2000/section2/r us/arrus2.html (дата обращения: 20.08 2012).

78. Бисаринова Р.Ж. Алгоритм регулирования технологических параметров котла в нечеткой среде. URL: htpp://www.rosteplo.ru/Tech_ _stat/it_86dJdj.html (дата обращения: 27.06 2012).

79. Фролов, C.B. Реализация нечеткого импульсного регулятора / C.B. Фролов, И.А. Елизаров, С.А. Лоскутов // Промышленные АСУ и контроллеры.-2006. № 1.-С. 23-25.

80. Масютина, Г.В. Синтез и анализ каскадной системы управления с нечетким модифицированным регулятором / Г.В. Масютина, В.Ф. Лубенцов // Вестник СевКавГТУ. Технические науки. Ставрополь: Изд-во СевКавГТУ. -2010.-№4.-С. 97-103.

81. Искандеров, Г. М. Нечеткие логические регуляторы в системе управления ферментатором / Г. М. Искандеров // Материалы V региональной НТК «Вузовская наука — Северо-Кавказскому региону». Технические и прикладные науки. Ч. 2. Ставрополь: СевКавГТУ. - 2001. - С. 32-33.

82. Анисимов, Д. Н. Использование нечеткой логики в системах автоматического управления / Д. Н. Анисимов // Приборы и системы. Управле-

»

ние, контроль, диагностика. - 2001. - № 8. - С. 39-42.

83. Караваев, М.В. Применение нечеткой логики в имитационной системе автономного адаптивного управления. URL: htpp://www.aac— lab.com/files/sbornic_karavaev.pdf (дата обращения: 26.09 2012).

84. Мелихова O.A. Нечеткие интеллектуальные системы. URL: http://pitis.tsure.ru/files5/09.htm (дата обращения: 20.10.2012)

85. Электронный ресурс / http://texproc.ru/index.php/biblioteka/90-o-intellektualnykh-sistemakh-upravleniya/nechlog/13 8-map?limitstart=0 (дата обращения 3.10.2012).

86. Медведев, М.Ю. Аналитический синтез управлений нелинейными многосвязными объектами в условиях неопределенности / М.Ю. Медведев. — Таганрог: Изд-во ТТИ ЮФУ, 2010. - 402 с.

87. Медведев, М. Ю. Управление нелинейными многосвязными объектами в условиях неопределенности: автореф. дис. ... д-ра техн. наук / Михаил Юрьевич Медведев. - Таганрог, 2010. - 32 с.

88. Капалин В. И., Витохин И. В., Нгуен Д. Ч., Нгуен Н. X. Нейросете-вое моделирование систем управления // Научные ведомости БелГУ. Серия: История. Политология. Экономика. Информатика. 2009. №11-1-1. URL: http://cyberleninka.rU/article/n/neyrosetevoe-modelirovanie-sistem-upravleniya (дата обращения: 25.07.2013).

89. Масина, О.Н. Об оптимальных по устойчивости законах управления / О.Н. Масина // Труды Института системного анализа Российской академии наук. Динамика нелинейных систем. - 2005. - 17(1). - С. 42-47.

90. Торгашов, А.Ю. Робастная устойчивость системы с регулятором на основе непараметрической прогнозирующей модели / А.Ю. Торгашов // Изв. РАН. Теория и системы управления. - 2008. - № 2. — С. 43-49.

91. Ляшенко, С.А. Оптимизация управления сложными технологическими процессами в сахарном производстве на основе применения нейросе-тевых регуляторов / С.А. Ляшенко // Вестник ХНТУ. - 2011. - № 2(41). - С. 39-46.

92. Синтез нечеткого регулятора электропривода постоянного тока в среде MatLab. URL: http://mehatronics.ru/2010/12 (дата обращения: 2.05.2011).

93. Пакшин, П. В. Применение линейных матричных неравенств в среде MATLAB для синтёза управления со статической обратной связью по выходу / П. В. Пакшин, А. В. Рябов // Тезисы докладов Всероссийской научной конференции «Проектирование научных и инженерных приложений в среде MATLAB». - Москва, 2002. - С. 109-110.

94. Рябов, А. В. Робастная стабилизация линейных дискретных систем со статической обратной связью по выходу: автореф. дис.... канд. техн. наук / Рябов Антон Владимирович. - Нижний Новгород, 2007. - 16 с.

95. Макаров, Г.Н. Нейроуправление двумерного динамического объекта / Г.Н. Макаров // Нейрокомпьютеры»: разработка, применение. — 2009. — №10.-С. 52-56.

96. Методы построения баз знаний для управления нелинейными динамическими системами / A.A. Мишин [и др.] // Электронный журнал «Системный анализ в науке и образовании». - 2011. — Вып. 2. — С. 1-34.

97. Zhiqiang Gao, Thomas A. Trautzsch and James G. Dawson Устойчивая самонастраивающаяся система управления на основе нечеткой логики для регулирования температуры в производственных процессах. URL: http://cact.csuohio.edu/index.php?option=com_docman&task=doc_download&gid =151&Itemid=70 (дата обращения: 24.08.2012).

98. Белоглазов, Д.А. Построение гибридного регулятора с использованием нейронных сетей / Д. А. Белоглазов // Системный анализ, обработка

информации и управление: межвузовский сборник научных работ, вып. 1. -Ростов-на-Дону: Изд-во ДГТУ. - 2007. - С. 93 -97.

99. Михайлюк, П.П. Программный комплекс синтеза нейро-нечетких моделей технологических процессов / П.П. Михайлюк // Системы управления и информационные технологии. — 2007. - №1.3(27). — С. 365-370.

100. Коломейцева, М.Б. Применение нейронных сетей в системе

управления динамическими объектами / М.Б. Коломейцева, Д.Л. Хо // Мате-

«

матические методы в технике и технологиях - ММТТ-2000: Сб. трудов Международ. науч. конф. В 7-и т. Т. 6. Секции 11, 12, 13. Санкт-Петербургский гос. технол. ин-т (техн. ун-т). - Санкт-Петербург, 2000. — С. 155-156.

101. Рудакова, Т.А. Робастная стабилизация динамических систем с использованием нейросетевых моделей и модулярных регуляторов: дис. ... канд. техн. наук: 05.13.01 / Татьяна Анатольевна Рудакова. - Ставрополь, СевКавГТУ, 2009. - 225 с.

102. Дибе, Г. Нейро-нечеткий цифровой регулятор энергии электронов линейного ускорителя / Г. Дибе, С.Г. Удовенко, A.A. Шамраев // Зб1рник наукових праць Харювського ушверситету Повггряних Сил, випуск 3(21). — 2009.-С. 108-112.

103. Kosko, В. Adaptive Joint Fuzzy Sets for Function Approximation / B. Kosko, S. Mitaim // Proceedings of the 1997 International Conference on Neural Networks (ICNN-97). - 1997. - pp. 537-542.

104. Фролов C.B., Елизаров И.А., Назаров B.H., Третьяков A.A. Нечеткий нейро-И-регулятор на базе микроконтроллера Ремиконт Р-130. / Тамбовский гос. техн. ун-т. URL: http://inftech.webservis.ru/it/conference/scm/2000/session4/frolov.htm (дата обращения: 1.08.2012).

105. Змитрович А. И, Интеллектуальные информационные системы. — Мн.: НТООО "ТетраСистемс", 1997. - 368 с.

106. Денисов, И. В. Моделирование системы нечеткого управления рабочим процессом стрелового крана / И. В. Денисов, В. А. Мещеряков, B.C. Итяксова // Омский научный вестник. - 2009. - № 3(83). - С. 123-126.

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

108. Колдаев, А. И. Разработка нечеткого нейроконтроллера с применением методов вейвлет-преобразований: дис. ... канд. техн. наук: 05.13.01 / Александр Игоревич Колдаев. - Ставрополь, 2012.-150 с.

109. Володин A.A. Анализ методов стабилизации состояния биологической системы на базе нечеткой логики и нейронных сетей // Материалы II международной научно-практической конференции «Современная наука: теория и практика». Т.*1. Естественные и точные науки. Ставрополь: СевКав-ГТУ, 2011. -С. 89-91.

110. Бабаянц, A.B. Постановка задачи управления типовым микробиологическим производством / A.B. Бабаянц [и др.] // Автоматизация микробиологических производств (Сборник работ, вып. II ). — НИПИ «Нефтехи-мавтоматика», 1976.— С. 13-21.

111. Бирюков, В.В. Оптимизация периодических процессов микробиологического синтеза / В.В. Бирюков, В.М. Кантере. - Москва, «Наука», 1985-293 с.

112. Володин A.A., Лубенцова Е.В. Выбор критерия эффективности и оптимальных условий управления и моделирования процесса биосинтеза // Фундаментальные исследования. - 2012. - № 11 (часть 1). - С. 109-115.

113. Компьютерное моделирование биотехнологических процессов и систем: Учеб. пособие / Д.С. Дворецкий [и др.]. - Тамбов: Изд-во Тамб. гос. техн. ун-та, 2005. - 80 с.

114. Кафаров, В.В. Системный анализ процессов химической технологии / В.В. Кафаров, И.Н. Дорохов. - М.: Наука, 1976. - 500 с.

115. Лубенцова Е.В., Володин A.A. Метод аппроксимирующих преобразований в решении задач управления и моделирования биосистем // Информационные системы и технологии. — 2013. — № 4 (78). - С. 26-35.

116. Тарасьев A.M., Усова A.A. Алгоритмы построения оптимальных траекторий по аппроксимирующим управлениям в задачах на бесконечном промежутке времени. URL: spisok.math.spbu.ru/2013/txt/papers/s9_3.docx (дата обращения: 26.03.2012).

117. Tarasyev, А. М. Stabilizing the Hamiltonian System for Constructing Optimal Trajectories / A. M. Tarasyev, A.A. Usova. — Proceedings of the Steklov Institute of Mathematics, Vol. 277, 2012. - pp. 248-265.

118. Александров В. M. Построение аппроксимирующей конструкции для вычисления и реализации оптимального управления в реальном времени, Сиб. журн. вычисл. матем., 15:1 (2012), 1-19. URL: http://mi.mathnet.ru/rus/sjvm/vl 5/il/p 1 (дата обращения: 13.03.2012).

119. Балык В.М., Игнатьев И.Н., Кулакова Р.Д., Никулин A.M., Щербак П.В. Выбор оптимальных законов управления летательным аппаратом по аппроксимирующим алгоритмам. URL: readings.gmik.ru/.../2003-vibor-optimalnih-zakonov-upravl (дата обращения: 13.07.2012).

120. Катковник, В.Я. Непараметрическая идентификация и сглаживание данных / В.Я. Катковник. - М.: Наука, 1985. — 336 с.

121. Дли, М.И. Локально-аппроксимационные модели сложных объектов / М.И. Дли. - М.: Наука. Физматлит, 1999. — 112 с.

122. Круглов, BJB. Искусственные нейронные сети. Теория и практика / В.В. Круглов, В.В. Борисов. - М.: Горячая линия-Телеком, 2002. — 382 с.

123. Дюк, В. Data Mining. Учебный курс / В. Дюк, А. Самойленко. — СПб.: Питер, 2001. - 368 с.

124. Усков, A.A. Гибридная полиномиально-радиально-базисная нейронная сеть / A.A. Усков, Д.В. Санатин // Нейрокомпьютеры: разработка, применение. - 2005. - № 12. - С. 3-7.

125. Смольников, JI. П. Расчет кусочно-линейных систем / Л. П. Смольников, Ю. А. Бычков. - Л.: Энергия, 1972. - 161 с.

126. Розенфельд, А. С. Переходные процессы и обобщенные функции / А. С. Розенфельд, Б. И. Яхинсон. - М.: Наука, 1966. - 440 с.

127. Никитин A.B., Шишлаков В.Ф. Параметрический синтез нелинейных систем автоматического управления: Монография / Под ред. В. Ф. Шишлакова; СПбГУАП. СПб., 2003.-358 с.

128. Шишлаков, В. Ф. Синтез нелинейных САУ с различными видами

модуляции: Монография / В. Ф. Шишлаков. - СПбГУАП. СПб., 1999. - 268 с.

«

129. Фельдбаум, A.A. Основы теории оптимальных автоматических систем / A.A. Фельдбаум. - Издание 2-е М.: Наука. 1966. - 624с.

130. Попов, Е. П. Теория нелинейных систем автоматического регулирования и управления / Е. П. Попов. - М.: Наука, 1979. - 256 с.

131. Лубенцов, В.Ф. Метод синтеза систем с нелинейными законами управления, аппроксимирующими разрывные функции / В.Ф. Лубенцов // Материалы XXXIV научно-технической, конференции по результатам научно-исследовательской работы профессорско-преподавательского состава, аспирантов и студентов за 2004 год. - Ставрополь: СевКавГТУ, 2005. — С. 126.

132. Юсупбеков, Н.Р. Управление процессами ферментации с применением микро-ЭВМ / Н.Р. Юсупбеков, A.B. Бабаянц, A.A. Мунгиев, Э.М. Якубович - Ташкент: Фан, 1987. - 200 с.

133. Круглов, В.В. Искусственные нейронные сети. Теория и практика / В.В. Круглов, В.В. Борисов. -М.: Горячая линия. Телеком, 2001. - 382 с.

134. Колпиков, Ю. Г. Исследование и оптимальное управление процессом периодической ферментации со вторичным метаболизмом целевого продукта: автореф. дис. ... канд. техн. наук: 05.13.07 / Юрий Григорьевич Колпиков. - Ташкент, 1980. - 20 с.

135. Ризниченко, Г. Ю. Лекции по математическим моделям в биологии. Часть 1 / Г. Ю. Ризниченко. - Ижевск: НИЦ «Регулярная и хаотическая динамика», 2002. - 232 с.

I I

/

193

136. Ризниченко Г. Ю., Рубин А. Б. Математические модели биологических продукционных процессов. Учебное пособие. М.: Изд-во Моск. ун-та. 1993. - 302 с. URL: http://spkurdyumov.ru/education/kurs-lekcij-matematicheskie-modeli-v-biologii/ (дата обращения: 9.03.2012).

137. Арзамасцев, А.А. Математические модели кинетики микробного синтеза: возможности использования и новые подходы к разработке / А.А. Арзамасцев, А.А. Андреев // Вестник Тамб. ун-та. Серия: Естеств. и техн. науки.- 2000.- т. V., № 1. - С. 111-130.

138. Monod J. Recherches sur la croissance des cultures bactériennes. — Paris: Hermann. 1942. - 210 pp. URL: http://en.wikipedia.org/wiki/Monod_equation (дата обращения: 24.03.2012).

139. Паников, H.C. Кинетика роста микроорганизмов. Общие закономерности и экологические приложения / Н. С. Паников. - Рос. акад. наук, Инт микробиологии. М.: Наука, 1991. - 309 с.

140. Баснакьян, И.А. Математическое описание основных кинетических закономерностей процесса культивирования микроорганизмов / И.А. Баснакьян, В.В. Бирюков, Ю.М. Крылов // В кн.: Итоги науки и техники. Микробиология. Т. 5. Управляемое и непрерывное культивирование микроорганизмов. — М.: 1976. - С. 5-75.

141. Bajpai, R.K. A mechanistic model for penicillin production / R.K. Bajpai, M. Reuss, J. Chem. - Technol and Biotechnol, 1980. - vol. 30. - P. 332344.

142. Иерусалимский, H.Д. Количественная зависимость между концентрацией продуктов обмена и скоростью роста микроорганизмов / Н.Д. Иерусалимский, Н.М. Неронова // Доклады Академии наук СССР. - 1965. — т. 161, №6.-С. 1437-1440.

143. Фурсова, П.В. Дифференциальные уравнения в моделировании сообществ микроорганизмов / П.В. Фурсова, А.П. Левич // Успехи современной биологии. -2006. - т. 126, № 2. - С. 149-179.

144. Алексеев, В. В. Физическое и математическое моделирование экосистем / В. В. Алексеев, И. И. Крышев, Т. Г. Сазыкина. — С.-Пб.: Гидроме-теоиздат, 1992. - 367 с.

145. Володин A.A., Лубенцова Е.В. Математическое моделирование биосистемы с использованием аппроксимирующих функций // Инфокомму-никационные технологии в науке, производстве и образовании: Пятая международная научно-техническая конференция. - Кисловодск: СевероКавказский гуманитарно-технический институт, 2012. - С. 40-42.

146. Володин A.A., Лубенцова Е.В. Модель описания микробиологической системы с помощью теории нечетких множеств // Материалы 41 научно-технической конференции по итогам работы 1111С СевКавГТУ за 2011 год. Том первый. Естественные и точные науки. Технические и прикладные науки. - Ставрополь: СевКавГТУ, 2012. — С. 19-20.

147. Володин A.A., Лубенцова Е.В. Вероятностный подход при моделировании и управлении биотехнологической системой на основе теории нечетких множеств // Молодежная наука в развитии регионов: материалы Все-рос. конф. студентов и молодых ученых с международным участием (Березники, 25 апреля 2012) . - Пермь: Березниковский филиал Перм. нац. исслед. политехи, ун-та, 2012 . - С. 85-86.

148. Базарский, О.В. Оценка вероятности выполнения посадки летательного аппарата на основе теории нечетких множеств: Математические методы в технике и технологиях / О.В. Базарский, В.В. Михайлов, С.Л. Кирно-сов // ММТТ-20. сб. трудов XX Международ, науч. конф. В 10-и т. Т. 2. Секция 2,6 / под общ. ред. B.C. Балакирева. — Ярославль: Изд-во Яросл. гос. техн. ун-т, 2007.-С. 189-190.

149. Тихонова, H.A. Идентификация одномерных релейных динамических объектов методом последовательной линеаризации: дис.... канд. техн. наук: 05.13.01 / Наталья Алексеевна Тихонова. — Красноярск, 2006. - 128 с.

150. Федосов, Б.Т. Описание и моделирование нелинейных объектов управления. Аппроксимация статических характеристик, имеющих экстремумы. URL:http://model.exponenta.nj/bt/bt_154_Extrem_Contr.htm#Ll 1

(дата обращения 10.09.2012).

151. Терёхин, В.В. Моделирование в системе MATLAB: Учебное пособие / В.В. Терёхин. - Кемеровский государственный университет. — Новокузнецк: Кузбассвузиздат, 2004. - 376 с.

152. Блажевич, О. В. Культивирование клеток: Курс лекций / О. В. Блажевич. - Мн.: БГУ, 2004. - 78 с.

153. Харитонова Л.Ю. Закономерности процесса культивирования аэробных микроорганизмов в одно- и двухсекционном биореакторе. URL: http://www.nauka-shop.com/mod/shop/productID/30497/ (дата обращения 17.07.2011)

154. Володин, A.A. Применение нелинейных регуляторов потоков субстрата и продукта для управления непрерывной биосистемой / A.A. Володин, Е.В. Лубенцова, В.Ф. Лубенцов // Вестник СКФУ. № 4 (37). 2013. Изд-во: СКФУ, Ставрополь. - С. 9-15.

155. Володин, A.A. Система управления непрерывным процессом биосинтеза на основе сигмоидальных функций / A.A. Володин, Е.В. Лубенцова // Информационные технологии, системный анализ и управление - ИТ-САиУ-2012 / Сборник*трудов X Всероссийской научной конференции молодых ученых, аспирантов и студентов. - Таганрог: Изд-во Южного федерального университета, 2012. - Т.2. - С. 247-251.

156. Володин, A.A. Свидетельство о регистрации электронного ресурса № 19282. Инв. номер ВНТИЦ № 50201350643. Модель оптимизации процесса сушки полимерного покрытия / A.A. Володин, Е.В. Лубенцова. Зарег. 27.06.2013. М.: ОФЭРНиО, 2013.

157. Омату, С. Нейроуправление и его приложения. Кн. 2 / С. Омату, М. Халид, Р. Юсоф. - М.: Радиотехника, 2000. - 272 с.

158. Уоссермен, Ф. Нейрокомпьютерная техника: Теория и практика / Ф. Уоссермен - М.: Мир, 1992. - 240 с.

159. Архангельский, В. И. Системы fiizzy-управления / В. И. Архангельский, И. Н. Богаенко, Г. Г. Грабовский, Н. А. Рюмшин. - К: «Техшка», 1997.-208 с.

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

161. Леоненков, A.B. Нечеткое моделирование в среде MATLAB и fuzzy TECH / A.B. Леоненков. - СПб.: БХВ-Петербург, 2003. - 726 с.

162. Синявская, Е.Д. Разработка композиционной модели управления для совершенствования работы технологического процесса. URL: http://www.confcontact.com/2012_03_15/tr.2_sinyavska.php (дата обращения 12.11.2012).

163. Дарина Скриль. Исследование системы передачи мобильной связи с нейронечеткой идентификацией тракта передачи. URL: pinchuk-fund.ru>storage/students/works/2008/440.doc (дата обращения 10.09.2012).

164. Володин, A.A. Построение и исследование нейро-нечетких регуляторов потоков субстрата и продукта для управляемой непрерывной биосистемы / A.A. Володин, Е.В. Лубенцова, В.Ф. Лубенцов // Вестник СКФУ. № 3 (36). 2013. Изд-во: СКФУ, Ставрополь. - С. 14-20.

165. Володин, A.A. Нечеткие технологии в управлении процессами биосинтеза / A.A. Володин, Е.В. Лубенцова // Информационные технологии, системный анализ и управление — ИТСАиУ-2012 / Сборник трудов X Всероссийской научной конференции молодых ученых, аспирантов и студентов. - Таганрог: Изд-во Южного федерального университета, 2012. - Т.2. — С. 263-267.

166. Лубенцова, Е.В. Интеллектуальные технологии в управлении нечетко-определенными объектами биосистемы / Е.В. Лубенцова // Математические методы в технике и технологиях - ММТТ-26 [текст]: сб. трудов XXVI

Междунар. науч. конф.: в 10 т. Т. 8. Секция 7 / под общ. ред. A.A. Большакова. -Нижний Новгород: Нижегород. гос. техн. ун-т, 2013. - С. 71-72.

167. Адлер, Ю.П. Планирование эксперимента при поиске оптимальных условий / Ю.П. Ддлер, Е.В. Маркова, Ю.В. Грановский. - М.: Наука, 1976.-279 с.

168. Володин, A.A. Модифицированный метод получения уравнений регрессии при неполной ортогональности плана эксперимента / A.A. Володин, Г.В. Масютина, Е.В. Лубенцова // Фундаментальные исследования. — 2012. - № 11 (часть 6). - С. 1459-1465.

169. Раскин, Л.Г. Искусственная ортогонализация пассивного эксперимента в условиях малой выборки нечетких данных / Л.Г. Раскин, Д.А. Демин // IKC3T. - 2010. - № 1. - С. 20-23. URL: www.nbuv.gov.ua/Portal/natural/Ikszt/2010_1/1_2010_4.pdf (дата обращения 28.09.2012).

170. Масютина, Г.В. Оценка показателей качества нейросетевой системы управления на основе линейных математических моделей // Фундаментальные исследования. - № 4. - С. 115-120. URL: www.rae.ru/fs/?section=conten&op=show_article&article_id=7793646 (дата обращения: 28.09.2012).

171. Ноткин, Б.С. Эффективная нейросетевая идентификация инверсной динамики объекта управления для синтеза прогнозирующих систем управления / Б.С. Ноткин, К.В. Змеу // Идентификация систем и задачи управления: труды IV Международной конференции (SICPRO 05), Москва 25-28 января 2005 г. - М.: ИПУ РАН, 2005. - С. 887-900.

172. Медведев, B.C. Нейронные сети. MATLAB 6: пакеты прикладных программ. Кн. 4 / B.C. Медведев. Под общ. ред. канд. техн. наук. В.Г. Потемкина. - М.: Диалог-МИФИ, 2002. - 496 с.

173. Мелихова O.A. Нечеткие интеллектуальные системы. URL: http://pitis.tsure.ru/files5/09.htm (дата обращения 20.10.2012).

»

174. Suhail M. Using an Adaptive Neuro-Fuzzy Inference System (AnFis) Algorithm for Automatic Diagnosis of Skin Cancer // Odeh. Journal of Communication and Computer. - 2011. - Vol.8. - P.751-755.

175. Володин, А.А. Интеллектуальная система стабилизации температурного режима биопроцесса / А.А. Володин, Е.В. Лубенцова // Материалы II международной научно-практической конференции «Актуальные направления фундаментальных и прикладных исследований». - М.: 2013. - С. 117-120.

176. Kumar, G.P. Periodic operation of a bioreactor with input multiplicities

/ G.P. Kumar, J.V.K. Subrahmanya, M. Chidambaram // Can. J. Chem. Eng. —

«

1993. - №71. - pp. 766-770.

177. Гордеева Ю.Л. Моделирование оптимальных условий биосинтеза / Программные продукты и системы. - 2011, № 3. URL: http://www.swsys.ru/index.php?page=article&id=2840 (дата обращения 12.09.2011).

178. Яровенко, В.Л. Моделирование и оптимизация микробиологических процессов спиртового производства / В.Л. Яровенко, Л.А. Ровинский. — М.: Пищевая промышленность, 1978. - 237 с.

179. Пегат, А. Нечеткое моделирование и управление / А. Пегат. — М.: Бином, 2009. - 798 с.

180. Володин, А.А. Метод и алгоритм поддержки принятия решений при выборе алгоритмов управления биосистемой / А.А. Володин, В.Ф. Лу-бенцов // Системный анализ в проектировании и управлении. Часть 1 : сборник научных трудов XVII Междунар. науч.-прак. конф. - СПб.: Изд-во Политехи. ун-та, 2013. - С. 138-141.

181. Володин, А.А. Адаптивная нейро-нечеткая система управления биотехнологическим процессом / А.А. Володин, Е.В. Лубенцова // Инфоком-муникационные технологии в инновациях, медико-биологических и технических науках: сборник научных трудов Пятого международного научного конгресса «Нейробиотелеком-2012». - СПб.: Политехника, 2012. - С. 223-226.

182. Аверченков, В.И. Математическое моделирование анализа и обоснования решений по выбору оптимальной конфигурации программно-технических средств на основе применения сетевых моделей принятия решений / В.И. Аверченков, А.Г. Подвесовский, С.М. Брундасов // - 2003. — www.econ.asu.ru/lib/sbom/regec2003/pdf/21 .pdf.

183. Андрейчикова, O.A. Принятие решений в условиях взаимной зависимости критериев и альтернатив сложных технических систем / O.A. Андрейчикова // Информационные технологии, 2001. - № 11. - С. 14-19.

184. Прилипко, В.А. Разработка и реализация методики проектирования технических средств для АСУТП на примере СМ ЭВМ. Автореф. дисс. ... канд. техн. наук. ... спец. 05.13.05. М., 2010. -24 с.

185. Андрейчиков, А. В. Анализ, синтез, планирование решений в экономике / A.B. Андрейчиков, О.Н. Андрейчикова - М.: Финансы и статистика, 2000.-368 с.

186. Фишберн, П. С. Теория полезности для принятия решений: Пер. с англ. / П.С. Фишберн. - М.: Наука, 1977. - 352 с.

187. Заде, JI.A. Понятие лингвистической переменной и его применение к принятию приближенных решений. Пер. с англ. / Под ред. H.H. Моисеева, С.А. Орловского. / JI.A. Заде - М.: Мир, 1976. - 165 с.

188. 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.

189. Саати, T.JI. Принятие решений. Метод анализа иерархий / Т.Л. Саати . - Пер. с англ. - М.: Радио и связь, 1993. - 320 с.

190. Трофимец, В.Я. К вопросу разработки основных вычислительных процедур метода анализа иерархий // Электронный журнал «Исследовано в России», № 7, 2004, с. 848-863. http://zhurnal.gpi.ru/articles/2005/102.pdf.

191. Saaty, T.L. Decision making with Dependence and Feedback. / T.L. Saaty // The Analityc Network Process. Pittsburgh : PWS Publications, 2000. -370 p.

192. Ногин В.Д. Упрощенный вариант метода анализа иерархий на основе нелинейной свертки критериев / В.Д. Ногин // ЖВМиМФ, 2004, т. 44, № 7, С. 1259-1268.

193. Ротштейн, А.П. Нечеткий мнох'окритериальный анализ вариантов с применением парных сравнений / А.П. Ротштейн, С.Д. Штовба // Известия РАН. Теория и системы управления. - 2001. - № 3. - С. 150-154.

194. Ротштейн, А.П. Многокритериальный выбор бренд-проекта с помощью нечетких парных сравнений альтернатив / А.П. Ротштейн, С.Д. Штовба, Е.В. Штовба // Управление проектами и программами. - 2006. — №2. -С. 138-146.

195. Штовба С.Д. Введение в теорию нечетких множеств и нечеткую логику URL: http://matlab.exponenta.ru/fuzzylogic/bookl/4_6.php.

196. Беллман, Р. Принятие решений в расплывчатых условиях / Р. Бел-лман, JI. Заде. - В кн.: Вопросы анализа и процедуры принятия решений. — М.: Мир, 1976.-С. 172-215.

197. 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.

198. Володин, A.A. Нейросетевой классификатор процессов биосинтеза по степени лимитирования субстратом / A.A. Володин, Е.В. Лубенцова, A.A., A.A. Евдокимов, В.Ф. Лубенцов // Нейрокомпьютеры: разработка и применение. - 2013. - № 2. Изд-во: «Радиотехника». - С. 61-69.

199. Бобровский, А.И. Нейрокомпьютерная технология в задачах классификации морских объектов / А.И. Бобровский, В.В. Черныш // Петербургский журнал электроники. - 1997. - № 2. - С. 48-52.

200. Дубровин, В.И. Программный комплекс нейросетевой диагностики / В.И. Дубровин, С.А. Субботин // Программные продукты и системы. — 2000. - № 3. — С.21-23.

201. Кендалл, М. Многомерный статистический анализ и временные ряды / М. Кендалл, А. Стьюарт. - М.: Наука, 1976. - 736 с.

202. Pao, C.P. Линейные статистические методы / С.Р. Рао. — М.: Наука, 1968. - 548 с.

203. Жернаков, C.B. Разработка баз знаний прецендентов в среде активных экспертных систем на основе ансамблевых нейросетей / C.B. Жернаков // Приборы и системы. Управление, контроль, диагностика. - 2002. — № 3. -С. 64-68.

204. Секретов, М.В. Нейросетевой классификатор типов узора папиллярного рисунка отпечатков пальцев / М.В. Секретов, В.И. Волчихин, B.C. Безяев // Нейрокомпьютеры: разработка, применение. - 2012. - № 3. — С. 6064.

205. Лубенцов, В.Ф. Алгоритм нейросетевой классификации ферментативных процессов по степени лимитирования / В.Ф. Лубенцов, A.A. Володин, A.A. Евдокимов, Е.В. Лубенцова // XXV Международная научная конференция. Математические методы в технике и технологиях - ММТТ-25. Сб. трудов. В 10 т. Т.4. Секции 6, 7, 13 / Под общ. ред. A.A. Большакова. — Волгоград: Изд-во Волгогрг гос. техн. ун-т, 2012; Харьков: Национ. техн. ун-т «ХПИ», 2012. - С.46-49.

206. Лубенцова, Е.В. Математическое моделирование биотехнологических процессов в ферментаторах непрерывного действия / Е.В. Лубенцова, A.A. Володин // Методы и алгоритмы прикладной математики в технике, медицине и экономике: материалы 14-ой Междунар. науч.-практ. конф., г. Новочеркасск, 14 марта 2014 г. / Юж.-Рос. Гос. политехн.ун-т (НПИ) им. М.И. Платова. - Новочеркасск: ЮРГПУ (НПИ), 2014. - С. 16-20.

ПРИЛОЖЕНИЕ А Компьютерное моделирование биотехнологических процессов и систем

Невозможность чёткого разделения явлений и, как следствие, математического описания биологических объектов приводит к необходимости проводить приближённую оценку влияния различных уровней взаимодействия и использовать относительно простые математические модели кинетики. Это, безусловно, связано с потерей информации и приводит к необходимости решения задачи моделирования и синтеза управления процессом в условиях неопределенности.

Для моделирования и синтеза управления биотехнологическими процессами в силу их сложности применяют системный подход. Согласно ему, математическая модель сложной биосистемы должна включать описание различных по своей природе объектов и явлений. Поэтому, анализируя биологическую систему в целом, применяют метод декомпозиции, разделяя исходную систему на ряд подсистем: строятся модели теплопереноса, массооб-мена, кинетики роста микроорганизмов и биохимических процессов. Рассмотрим особенности математического описания отдельных подсистем.

Прежде всего, следует отметить, что процессы роста и размножения микроорганизмов детально изучены соответствующими разделами математической биологии, выведены строгие закономерности для разных условий, как в естественных, так и в искусственных средах [135-140]. С учетом этого за основу модели принимаем уравнение Моно со следующим уточнением: потоки вводимого субстрата ds и отбора биомассы дрожжей dx, вообще говоря, не совпадают и являются функциями, изменяющимися во времени. Дело в том, что в начале процесса ферментаторы заполняются субстратом и закваской до половины рабочего объема, и то и другое вносится, как правило, в количествах максимально возможных или близких к этому. Затем включается аэрация, дрожжи размножаются и концентрация РВ начинает падать, после падения её до определенного уровня начинается доливка субстрата, сус-

ла, а по достижению объема, близкого к рабочему, приступают к отбору дрожжей. Ферментатор входит в рабочий режим и потоки субстрата и дрожжей сравниваются А, = Д, = £>. Такую систему можно описать системой трех дифференциальных уравнений, в которой помимо концентрации субстрата и дрожжей введена ещё одна переменная — относительное заполнение аппарата к:

5 -х- Ох(х,5,Н)х

(к _

з + К

= \х, /г)у0 -\-Мт —17 х ~ (*» ^ .

т М Л

Г п 5 + К = -£>,(*,*,/*)+£>, /г)

(П.А.1)

Соответственно величина А=1 при нормальном рабочем объеме, а в начальный момент /г(о) = 0,5.

Оценим тепловыделение в ферментационной системе.

При составлении уравнений теплового баланса пренебрегаем теплопередачей через стенки биореактора, поскольку их площадь более чем в 10 раз меньше, чем площадь холодильника и коэффициент теплопередачи металл-воздух тоже меньше примерно в 10 раз, чем коэффициент теплопередачи ме-

Вт

талл-вода, который принимаем равным а = 350-

м

2 о

[9]. Аналогично прене-

брегаем уносом тепла отходящим воздухом, поскольку теплоёмкость воздуха

(1,05

Дж кг-0 С

) мала в сравнении с водой. Таким образом, пренебрегая потерями

тепла и, приняв минимальное значение коэффициента теплопередачи, получим следующие уравнения изменения температуры в биореакторе и в холодильнике:

йТ

МИс— = ЭвЩсТя - ВхМгсТ + МН(1ф{$)- аБ^Т -Ть) М,с^- = а8внутрН(Тк-Ту)+0,МьсТг-0„М„сТи

(П.А.2)

где Т- температура в биореакторе; Т8 - температура сусла; 7/, - температура в холодильнике; Ту - температура воды входящей в холодильник; М— рабочая масса биореактора, соответственно текущая рабочая масса это её произведение на заполнение Ми - масса холодильника; 5 и 8внутр площадь холодильника наружная и внутренняя; с - теплоёмкость раствора и воды.

Считаем, что текущие поверхности теплообмена равны их произведению на заполнение. С учетом того, что тепло, уходящее из биореактора через внешнюю стенку холодильника а8к(Т - ГА), равно приходящему теплу

с&внутр^и ~Т*)> уравнения (П.А.2) принимают вид:

л. «»р. ' (аА'3>

dt Mhc

Совместим эту систему с уравнением Моно и с учетом численных значений коэффициентов и температурной зависимости для /лт, получим:

(Г-39)2

¿tm = 0.34е~ 500 ;s0 = 40;K = 9;Y = 0.8;A(0) = 0.5;x(0) = 20;j(0) = 40;Г, = 39. (П.А.4)

dx í

— = jume 500 —x-Dx-x dt s + 9

, 1 (Г-39)2

— = Df-40-—цте~ 500 —-—x — D -s dt ' 0.8 5 + 9

^ = . (П.А.5)

dt s x .4200 m 5 + 9 200000-4200 v h'

dTh 350-3600-800 / T\^nT nT

h{T-Th)+DhTv-DhTh

А 10000-4200

Температуру среды принимаем равной оптимальной температуре 39°С.

С учетом полученной системы уравнений можно отметить, что ферментационная система как объект управления имеет два канала возможных возмущений: это изменения/^ и колебания температуры охлаждающей воды, поступающей в холодильник.

_ •

При получении динамических характеристик объекта управления на основе полученной модели отметим следующее. Центральное место в системе моделирования занимает блок Mono с системой дифференциальных уравнений (П.А.5). Он реализован как функция со многими входами и выходами: function [dx,ds,dh,mut]= Mono(x,s,mu,Ds,Dx) K=9;s0=40;Y=0.8; dx = mu*s*x/(K+s)-x*Dx; ds =sO*Ds-s*Dx-mu*s*x/(K+s)/Y; dh=Ds-Dx; mut=mu* s*x/(K+s);

„ dx ds dh

В блоке вычисляются производные —,—,—, которые затем интегри-

dt dt dt

руются в блоках интегрирования и полученные значения количества дрожжей х и концентрации сусла s подаются на соответствующие входы блока, на другие входы которого подаются значения Dx(x,s,h) и Dx(x,s,h), вычисляемые в блоке reí. Функция reí представлена ниже: function [Ds,Dx] = rel(s,h,d) if or(and((s<12),(h<0.9)),and(h>0.9,h<l))

Ds=d; else

Ds=0; end

if h>=0.99;

Dx=d; else

Dx=0; end

В систему дифференциальных уравнений Moho введены уравнения теплового баланса с помощью блока relaypid.mdl. Структура связей между блоками модели показана на рисунке П.А. 1. Чтобы не загромождать общую

схему, этот блок помещен внутрь подсистемы вместе с блоками интегрирования, введения констант и вычисления подтитровки. Структура подсистемы показана на рис. П.А.2.

Ст5 relaypid *

He Eck View Snxjtation Format Took

ЕШ8

D|fiSHa|*«be|<i=»i>iHi2C:|> «

jNoinul

ТЕ! 83 a а Ф m [ » s m <$>

MgltiPlot Ouph

Рисунок П.A. 1 - Структура связей модели

Блоки relay и Info аналогичны рассмотренным ранее в relay.mdl. Для вывода данных о температуре и потоке Dh на график создана подсистема Info Т. Для задания возможных возмущений по цт и Tv в системе имеются блоки Mum Tv и Tvl, которые имеют следующий вид: function [mu,Tv]= MumTv(t) mu =0.34*(0.25*sin(0*t)+l); Tv=12*(0.5*sin(0*t)+1).

Переменная t описывает время в часах. Когда необходимо исследовать влияние возмущений на систему, коэффициенты в синусоидах задаются отличными от нуля (например 0,1; 0,05 и т.д.). При необходимости в этом блоке

можно записать также любые иные функциональные зависимости для этих возмущений. В блоке Ту1 задана ступенчатая функция изменения температуры входящей в холодильник воды.

Й relaypid/Mono system of differential equations ft heat balance * ШЯШШШШШй

File Ed* View Simulation Format Tools Help

"I100 lNwmal jJISta В Фа\ fe

Glin Olinl NH4

Рисунок П.А.2 - Структура подсистемы

На основе полученной структурной схемы модели проведена идентификация процесса с помощью реализации виртуального эксперимента. Суть этого «эксперимента» в следующем. В блоке Dh-experiment задается ступенчатая функция потока, а блок MultiPlot Graph - это специальный блок Sim-ulink для снятия кривых разгона объекта по температуре. Ход эксперимента иллюстрируют рисунки П.А.З - П.А.5.

\

□ Sink Block Parameters: MultiPlot Graph

MultiPlot Graph (mask) (link)

Plots input (Y) against time (t) at each time step to create an T-Y plot. Ignores data outside the ranges specified by t-min, t-max. y-min, y-max.

Parameters t-min (view):

t-max (view):

75

y-min:

27

y-max:

47

Sample time:

-1

Title

Variable for Export to Workspace simoyu

OK

i

J

Cancel

Help

Apply

Рисунок П.А.З - Блок MultiPlot Graph для анализа кривых разгона объекта по температуре

При проведении компьютерного моделирования возмущение по //„, исключаем, задав коэффициенты при синусоидах в блоке Mum Tv равными нулю. При ступенчатом воздействии на поток Dh получаем кривые разгона объекта по температуре Т в блоке MultiPlot Graph. Для определения параметров модели объекта использована программа из пакета TAU20. Переменная simoyu из пакета TAU20 экспортируется в файл текстового формата, с которым работает эта программа, и проводится обработка полученных данных. Результаты идентификации объекта представлены на рис. П.А.4, П.А.5.

В результате идентификации получена передаточная функция объекта по каналу регулирования температуры в биореакторе.

<г Идентификация объекта по методу Симою

Файл Расчет Отчет ?

¡щш

| Ось абсцисс- время, ординат - выходная переменная

34

Время

529--

Рисунок П. А.4 - График кривой разгона объекта управления

Исходные данные и результаты

Исходные данные | Передаточные Функции | Даные о переходный процессе:

т

№ -

0 о

1 2,14091041

2 4,52796352

3 7.10937054

4 9,83596154

5 12.6615205

6 15,5430535

7 18.4409928

8 21.3193410

9 24.1457593

10 26.8916034 •

и ОО Е01 0111

15"

Количество точек |71 Шаг по времени р

Нарисовать график I

Загрузить данные

Щ Сохранить данные

1 Расчет

В качестве наилучшей выбрана модель закрьгть

а)

Исходные данные и результаты

Исходные данные Передаточные Функции |

И

ш->

2<]

НомерПФ: 11 2| 3| 4| 5Р> 7| 8| 9| Г Выбрать! Параметры передаточной Функции:

а[1] = 13.75619 а[2]= 133.75658 А

ш

и/м _ 00 пооослоооспсо 11.22453"$ +1

"" 133.75658"«2 +13.75619\<—

«I J ^

Переходная кривая Сравнить кривую с исходной

Записать передаточную Функцию в Файл

В качестве наилучшей выбрана модель

^ Закрыть

б)

Рисунок П.А.5 - Исходные данные (а) и результаты моделирования (б)

ПРИЛОЖЕНИЕ Б о внедрении и использовании результатов диссертационной работы

в ООО «Арнест — ИТ»

логического института (филиала) Северо-Кавказского федерального университета (НТИ СКФУ) зам. директора по НИР д-р техн. наук, профессор кафедры информационных систем, электропривода и автоматики (ИСЭА) Лубенцов В.Ф. и аспирант кафедры ИСЭА Володин A.A., с другой стороны, составили настоящий акт в том, что основные результаты диссертационной работы A.A. Володина, содержащиеся в представленной технической документации, а именно: методика обработки информации активно-пассивного эксперимента с неуправляемыми переменными в исходной матрице планирования эксперимента, позволяющая получать уравнения регрессии и проводить оценку влияния параметров нейронной сети на показатели качества переходных процессов системы управления; методика оценки и выбора рациональных алгоритмов управления систем в нечеткой среде на основе последовательного применения иерархических моделей принятия решений и функций принадлежности, предполагающая последовательную декомпозицию множества целей с ростом степени детализации к нижним уровням иерархии, хорошо согласуемая с принципами системного подхода к анализу задачи и обеспечивающая поддержку принятия решений в процессе формирования и формализации экспертных предпочтений; программная реализация разработанной методики оценки и выбора рациональных алгоритмов САУ, которая может быть интегрирована в существующие системы информационной поддержки процесса принятия в виде программного продукта, приняты для внедрения и использования в разработках алгоритмического и программного обеспечений информационно-управляющих систем, что дает возможность снизить затраты ресурсов, средств и времени на разработку современных систем управления.

АКТ

внедрения и использования результатов диссертационной работы A.A. Володина

Мы, нижеподписавшиеся, представители ООО «Арнест - Информационные технологии» (ООО «Арнест-ИТ») зам. директора Королев A.B., с одной стороны, и Невинномысского техно-

От ООО «Арнест - ИТ»:

От НТИ (филиала) СКФУ:

Аспирант кафедры ИСЭА