Автоматизация процесса поиска рецептуры лакокрасочного материала тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат технических наук Миронов, Артём Анатольевич

• Миронов, Артём Анатольевич
• кандидат технических наук
• 2006

Оглавление диссертации кандидат технических наук Миронов, Артём Анатольевич

ВВЕДЕНИЕ.

СОДЕРЖАНИЕ РАБОТЫ.

ГЛАВА 1. АНАЛИЗ ПОДХОДОВ К ПОИСКУ РЕЦЕПТУРЫ ЛАКОКРАСОЧНОГО МАТЕРИАЛА.

1.1. ВИДЫ, НАЗНАЧЕНИЕ И СПОСОБЫ ПОЛУЧЕНИЯ ЛАКОКРАСОЧНЫХ МАТЕРИАЛОВ.

1.2. ПРОЦЕСС ПОИСКА РЕЦЕПТУРЫ ЛАКОКРАСОЧНОГО МАТЕРИАЛА.

1.3. ПОДХОДЫ СПЕЦИАЛИСТОВ К ПОИСКУ РЕЦЕПТУРЫ ЛАКОКРАСОЧНОГО МАТЕРИАЛА.

1.4. СОВОКУПНОСТЬ ИСХОДНЫХ ТРЕБОВАНИЙ К ФУНКЦИЯМ И СТРУКТУРЕ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ПОИСКА РЕЦЕПТУРЫ ЛАКОКРАСОЧНОГО МАТЕРИАЛА.

1.5. СРАВНЕНИЕ ЭФФЕКТИВНОСТИ ПРИМЕНЕНИЯ РЕГРЕССИОННОЙ И ИМИТАЦИОННОЙ МОДЕЛИ НА ПРИМЕРЕ МОДЕЛИРОВАНИЯ ВЛИЯНИЯ ДОБАВКИ НА ТВЕРДОСТЬ ЛАКОКРАСОЧНЫХ ПОКРЫТИЙ.

ВЫВОДЫ ПО ГЛАВЕ 1.

ГЛАВА 2. КРИТЕРИЙ КАЧЕСТВА КАК ОСНОВА АВТОМАТИЗИРОВАННОГО ПРОЦЕССА ПОИСКА РЕЦЕПТУРЫ ЛАКОКРАСОЧНОГО МАТЕРИАЛА.

2.1. ВЫБОР КРИТЕРИЯ ОПТИМАЛЬНОСТИ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ.

2.2 ФОРМИРОВАНИЕ ОБОБЩЕННОГО КРИТЕРИЯ

ОПТИМАЛЬНОСТИ.

ГЛАВА 3. МЕТОДИКА РЕШЕНИЯ ЗАДАЧИ УПРАВЛЕНИЯ.

3.1. ПОСТАНОВКА ЗАДАЧИ УПРАВЛЕНИЯ.

3.2. АЛГОРИТМ РЕШЕНИЯ ЗАДАЧИ УПРАВЛЕНИЯ.

ГЛАВА 4. АВТОМАТИЗИРОВАННАЯ СИСТЕМЫ ПОИСКА РЕЦЕПТУРЫ ЛАКОКРАСОЧНОГО МАТЕРИАЛА.

4.1. СТРУКТУРА АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ПОИСКА

РЕЦЕПТУРЫ ЛАКОКРАСОЧНОГО МАТЕРИАЛА.

4.2 МОДУЛИ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ПОИСКА РЕЦЕПТУРЫ ЛАКОКРАСОЧНОГО МАТЕРИАЛА.

4.2.1. МОДУЛЬ РАСЧЕТА УНИВЕРСАЛЬНОГО КРИТЕРИЯ КАЧЕСТВА.

4.2.2. МОДУЛЬ ОБРАБОТКИ ЗНАНИЙ.

4.2.3 МОДУЛЬ ОТБОРА КОМПОНЕНТОВ.

4.2.4. МОДУЛЬ СПЕЦИАЛЬНОГО ПЛАНА ЭКСПЕРИМЕНТА.

4.2.5. МОДУЛЬ СИНТЕЗА ИМИТАЦИОННОЙ МОДЕЛИ.

4.2.6. МОДУЛЬ АНАЛИЗА ИМИТАЦИОННОЙ МОДЕЛИ.

4.2.7. МОДУЛЬ СРАВНЕНИЯ.

4.2.8. БАЗА ЗНАНИЙ.

4.2.9. ДИАЛОГОВЫЙ МОДУЛЬ.

ГЛАВА 5. АСПР В СИСТЕМЕ УПРАВЛЕНИЯ ПРЕДПРИЯТИЕМ.

5.1. Техническая поддержка АСПР.

5.2. Информационная поддержка АСПР.

ГЛАВА 6. ПРАКТИЧЕСКОЕ ПРИМЕНЕНИЕ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ПОИСКА РЕЦЕПТУРЫ.

6.1. Получение рецептуры разбавителя марки РЭ.

6.2. Процесс получения рецептуры эмали.

6.2.1. Техническое задание.

6.2.2. Описание работы автоматизированной системы поиска рецептуры на примере получения эмали.

Введение диссертации (часть автореферата) на тему «Автоматизация процесса поиска рецептуры лакокрасочного материала»

Актуальность работы

Лакокрасочные материалы (JIKM) призваны обеспечить длительную и надежную работу изделий в конкретных условиях эксплуатации. Поскольку они применяются в виде лакокрасочных покрытий (ЛКП), то, говоря о свойствах ЖМ, подразумевают свойства покрытий, которые они образуют.

Создание рецептуры ЖМ зависит от востребованности. На данный момент потребительский спрос склоняется в сторону более совершенных в техническом плане ЛКМ. Поэтому на лакокрасочных предприятиях России большое внимание уделяется процессу поиска рецептуры ЛКМ с заданными техническими характеристиками.

Основу поиска рецептуры составляет выбор компонентов с последующим определением их концентраций. Использование компонентов в рецептуре обосновывается целенаправленным изменением одного или нескольких свойств ЖМ. Природа взаимного влияния компонентов недостаточно изучена, что позволяет утверждать о существовании множества скрытых связей.

На практике проводится экспериментальный подбор рецептуры, что занимает длительное время. Поэтому эффективное управление процессом поиска оптимальной рецептуры является актуальной задачей.

В настоящее время существует несколько видов автоматизированных систем, предназначенных для поиска рецептуры. Они являются либо автоматическими справочниками, либо решают задачу с помощью методов планирования эксперимента. Некоторые из них позволяют обрабатывать данные с помощью нейросетевых моделей. Самым большим их недостатком является то, что центральное место в управлении процессом поиска рецептуры отводится специалисту. Он анализирует информацию, содержащуюся в справочниках, с целью поиска необходимых компонентов. При планировании эксперимента задается диапазон варьирования рецептуры и выбирается вид модели, что может повлиять на адекватность модели и затруднить поиск рецептуры.

Количество экспериментов зависит от квалификации специалиста, поскольку инженер, только закончивший ВУЗ, значительно уступает опытному специалисту. Следовательно, эффективность применения существующих автоматизированных систем невысока вследствие наличия субъективного управляющего фактора.

Целью диссертационной работы является разработка методики поиска оптимальной рецептуры, позволяющей получить лакокрасочный материал максимального качества и сократить время разработки.

Достижение поставленной в работе цели возможно при решении следующих задач:

1. Сформулировать задачу управления процессом поиска рецептуры ЛКМ.

2. Выделить определяющие переменные и обосновать критерии управления процессом поиска рецептуры.

3. Разработать алгоритм решения задачи управления процессом поиска рецептуры JIKM и построить на его основе методику поиска рецептуры лакокрасочного материала.

4. Разработать автоматизированную систему поиска рецептуры ЛКМ (АСПР)

5. Внедрить разработанную автоматизированную систему поиска рецептуры лакокрасочного материал на предприятии.

6. Предложить аппаратно-программную поддержку информационно-измерительного комплекса и оценить его место в системе управления предприятия.

Научная новизна работы состоит в следующем:

Разработана методика поиска оптимальной рецептуры лакокрасочного материала на основе универсального критерия качества, позволяющая минимизировать влияние субъективных факторов и осуществлять прогноз рецептуры на основе анализа ретроспективной информации

Достоверность результатов

Достоверность научных положений и выводов диссертации базируется на корректном применении методов теории систем автоматизации технологических процессов, а также методик физико-химического и математического анализа.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность разработки автоматизированных систем поиска рецептуры лакокрасочного материала (ЖМ). Сформулированы цели и задачи работы.

В первой главе рассмотрены основные виды, назначение и способ получение JIKM. Проведен анализ процесса поиска рецептуры JIKM с заданными свойствами. Проведена критическая оценка существующих практических подходов для поиска рецептуры. Представлена совокупность исходных требований к функциям и структуре автоматизированной системы для поиска рецептуры ЖМ (АСПР).

Во второй главе разработан универсальный критерий качества для объективной оценки качества ЖМ.

В третьей главе разработана методика решения задачи управления.

В четвертой главе предложена структура АСПР и алгоритмы работы ее модулей.

В пятой главе предложена возможность интеграции АСПР в управляющую систему предприятия.

В шестой главе представлены результаты апробации АСПР для получения разбавителя и эмали.

В заключении приведены основные результаты работы.

В приложениях приведен акт внедрения АСПР в производство, сертификат качества ОТК ЗАО «НПК ЯрЛИ» на разбавитель и заключение на опытную эмаль.

Заключение диссертации по теме «Автоматизация и управление технологическими процессами и производствами (по отраслям)», Миронов, Артём Анатольевич

3. Результаты исследования могут быть использованы в учебно-методической работе и в учебном процессе

Апробация работы

Основные положения диссертации представлялись на международных конференциях: «Математические методы в технике и технологиях» (ММТТ-18 - Казань 2005); «Полимерные композиционные материалы и покрытия» (Ярославль, 2005); в журнале «Лакокрасочные материалы и их применение» (№3-2005, №5-2005).

ЗАКЛЮЧЕНИЕ

Список литературы диссертационного исследования кандидат технических наук Миронов, Артём Анатольевич, 2006 год

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

2. Аронов Н. В., Оборудование и механизация цехов неметаллических защитных покрытий, М.: Наука, 1969 243 с.

3. Беленький Е. Ф., Рискин И. В., Химия и технология пигментов, 3 изд. Л., 1960-364 с.

4. Беляева К. П., Тодорова Т. В., Штанько Н. Г., Лакокрасочные материалы для отделки изделий из дерева, М., 1971 217 с.

5. Бидюк П.И., Зворыгина Т.Ф. Структурный анализ методик построения регрессионных моделей по временным рядам наблюдений // УсиМ. 2003. -№2. -С.93-99.

6. Блишун А.Ф., Шапиро Д.И. Принятие решений на основе лингвистического представления ситуационных данных и критериев // Изв. АН СССР. Техническая кибернетика. 1981. № 5. С. 212-217

7. П.Борисов А.Н. Анализ решений и теория нечетких множеств // Методы и системы принятия решений. Методы и модели анализа решений. Рига. 1981. С. 5-10.

8. Борисов А.Н. Корнеева Г.В. Лингвистический подход к построению моделей принятия решений в условиях неопределенности //Методы принятия решений в условиях неопределенности. Рига, 1980. № 7. С. 4-11.

9. В.Борисов А.Н. Корнеева Г.В. Лингвистический подход к построению моделей принятия решений в условиях неопределенности //Методы принятия решений в условиях неопределенности. Рига, 1980. № 7. С. 4-11.

10. Борисов А.Н., Крумберг О.А. Анализ решений при выборе технологических объектов // Методы принятия решений в условиях неопределенности. Рига, 1980. №7.- С. 126-134.

11. Борисов А.Н., Попов В.А. Один класс задач многокритериальной оптимизации при лингвистическом задании критериев // Методы и модели управления и контроля. Рига, 1979. С. 56 - 61.

12. Брусакова И.А. Модели представления измерительных знаний в информационно-измерительных технологиях : Учеб. пособие И. А. Брусакова ; М-во образования РФ. С.-Петерб. гос. электротехн. ун-т "ЛЭТИ" СПб. : Изд-во СПбГЭТУ "ЛЭТИ", 2002 с. 82-83.

13. Быков А.Ю. Модели и алгоритмы построения распределенных систем поддержки принятия решений : Автореф. дис. . канд. техн. наук : 05.13.01 Моск. гос. гор. ун-т М., 2003 24 с.

14. Быков А.Ю. Модели и алгоритмы построения распределенных системподдержки принятия решений : Дис. . канд. техн. наук : 05.13.01 М., 2003 -148 с.ил. Библиогр.: с.139-148.

15. Вагнер Г. Основы исследования операций: В 3 т. М.: Мир, 1972 -1973. т. 3.210 с.

16. Васильев В.И., Шевченко А.И. Комбинированный алгоритм оптимальной сложности // Искусственный интеллект. 2002. - №3. - С. 504-509.

17. Вентцель Е.С. Исследование операций: задачи, принципы, методология,- М.: Наука, 1980.- 208 с.

18. Верстнин И.С. Методологический аспект теории расплывчатых понятий.-М., 1978.-40 с.

19. Вилкас Э.Й., Майминас Е.З. Решения: теория, информация, моделирование. М.: Радио и связь, 1981.- 328 с.

20. Гаврилов А.В. Гибридные интеллектуальные системы А.В. Гаврилов ; М-во образования Рос. Федерации. Новосиб. гос. техн. ун-т Новосибирск : НГТУ, 2003 с. 144-160.

21. Гермашев И.В., Дербишер В.Е., Кокорина Т.М., Мурашкина И.А. Оценка качества трикотажа с применением теории нечетких множеств // Технология текстильной промышленности. 1999. - №4 (250). - С. 7-10.

22. Гольдберг М. М. Энциклопедия полимеров, т. 2, М., 1974 460 с.

23. Гольдберг М. М., Материалы для лакокрасочных покрытий, М., 1972 -220 с.

24. Горбатюк Н.В. Разработка моделей и инструментальных средств когнитивных агентов "совместной деятельности" : Автореф. дис. . канд. техн. наук : 05.13.18 Юж.-Рос. регион, центр информатизации высш. шк. Ростов н/Д, 2003 24 с.

25. Горбатюк Н.В. Разработка моделей и инструментальных средств когнитивных агентов "совместной деятельности" : Дис. . канд. техн. наук : 05.13.18 Таганрог, 2003 247 с.ил - Библиогр.: с. 196-210.

26. Гордеев Г.Д., Иванова Л.Я., Казанцев С.К. и др. Внешнеэкономическая деятельность предприятия. Учебник для ВУЗов. М.: Закон и право, ЮНИТИ, 1996. 345 с.

27. Дринберг А. Я., Гуревич Е. С., Тихомиров А. В., Технология неметаллических покрытий. Л., 1957;

28. Дринберг А. Я., Технология пленкообразующих веществ, 2 изд. Л., 1955.

29. Дубровин В.И., Субботин С.А., Построение адаптивных систем диагностики на основе нейронных сетей с латеральным торможением // Радиоэлектроника. информатика. Управления, 1999, №2. С. 110-114.

30. Ериллинджер Д. Временные ряды. Обработка данных и теория. М.: Мир, 1980.-535с.37.3ахаров В.Н., Изв. РАН, Теория и системы управления, 1997, №3.

31. Ивахненко А.Г. Долгосрочное прогнозирование и управление сложными системами. К.: Техшка, 1975. - 312 с.

32. Индейкин Е.А. Ермилов П.И. Пигменты в лакокрасочной промышленности, 1975. -360 с.

33. Информационные системы в металлургии: Екатеринбург. :УГТУ,-1102001.

34. Казначеева А.В. Математическое и программное обеспечение фреймовой модели на основе СОМ-технологий : Дис. канд. техн. наук : 05.13.11 М., 2003 167 с.ил - Библиогр.: с. 155-165.

35. Калмыков С.А., Шокин Ю.И., Юлдашев З.Х. Методы интервального анализа. Новосибирск: «Наука», 1986. - 223 с.

36. Карташева Т.М. Вопросы оптимизации при разработке рецептуры и технологии получения новых полимерных материалов: Автореф. дис. канд. техн. наук. М. 1969. 20 с.

37. Карякина М.И. Испытание лакокрасочных материалов и покрытий. -М.: Химия, 1988.-272 с.

38. Кафаров В.В., Дорохов И.Н., Марков Е.Р. Системный анализ процессов химической технологии. Использование метода нечетких множеств. -М.:Наука, 1986.

39. Киплик Д. И., Техника живописи, М. —JL, 1950.

40. Ковалев С.М. Нечетко-темпоральные модели структурного анализа и идентификации динамических процессов в слабо формализованных задачах принятия решений : Дис. д-ра техн. наук : 05.13.01, 05.13.17 Таганрог, 2002 337 с.ил - Библиогр.: с.311-323.

41. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одного переменного. Докл. АН СССР, 1957. Т. 114, No. 5. С. 953-956.

42. Коновалов В.И., Коробова И.Л., Га-тапова Н.Ц., Нечаев В.М. Использование нейронных сетей и нечетких множеств в химической технологии (на примере прогнозирования качества высушиваемых материалов). Вестник, ТГТУ, 2000. 6, №4, С. 590-610.

43. Коновалов В.И., Коробова И.Л., Гатапова Н.Ц., Нечаев В.М. Использование нейронных сетей и нечетких множеств в химической технологии (на примере прогнозирования качества высушиваемых материалов) // Вестник- Ill

44. ТГТУ. Тамбов, 2000. - Т.6, С. 590-610.

45. Крисилов В.А., Побережник С.М. Аппроксимация сложных зависимостей структурно-гибкими полиномиальными и гармоническими рядами // УсиМ. -2003.-№2.-С. 80-86.

46. Круглов В.В., Дли М.И.,. Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. М.:ФИЗМАТЛИТ, 2001.

47. Любимов Б. В., Специальные защитные покрытия в машиностроении, 2 изд., М. —Л., 1965;

48. Ляшенко И.М., Снитюк О.И. Синтетична оптимтщя структури виробництва на приклад агропромислового комплексу Черкасько обласл // Еко-номчна шбернетика. 2002. - №3-4. - С. 67-73.

49. Макаров, И.М., Новые методы управления сложными системами: Сб.научн.тр. М.: Наука, 2004.

50. Математические модели представления информации и задачи обработки данных Сб. ст. АН СССР, Сиб. отд-ние, ВЦ; Под ред. Дробышева Ю. П. Новосибирск : ВЦ СО АН СССР ,1986- 152 с.

51. Милославов А.С. Логические модели представления знаний : Авто-реф. дис. канд. филос. наук : 09.00.07 Санкт-Петербургский гос. ун-т СПб., 1999 22 с.

52. Миронов А.А., Ермилов С.П., О расширении информационных возможностей маятникового прибора // Лакокрасочные материалы и их применение №9,2003-С 2-5.

53. Модели и системы представления знаний. Сб. науч. тр. Межвузовский Моск. ин-т радиотехники, электрон, и автоматики; Редкол.: В. В. Нечаев (отв. ред.) и др. М.: МИРЭА ,1990- 108 с.

54. Модели представления знаний. Анализ изображений и интеллектуальная графика, 2002 76, 1. с.ил., табл. - Библиогр.: с. 74-76.

55. Моисеев Н.Н. Математические задачи системного анализа. М.: «Наука», 1981.-488 с.

56. Негойце К. Применение теории систем и проблем управления. М.: Мир, 1981.- 180 с.

57. Новик Ф.С., Арзов Я.Б. Оптимизация процессов технологии металлов методами планирования эксперимента. М.: Машиностроение, 1980. - 304 с.72.0рловский С.А. Проблемы принятия решений при нечеткой исходной информации. М.: Наука, 1981. - 208 с.

58. Пантелеев М.Г. Модели и средства построения экспертных систем : Учеб. пособие М.Г. Пантелеев, С.В. Родионов; М-во образования РФ. С.-Петерб. гос. электротехн. ун-т "ЛЭТИ" СПб. : Изд-во СПбГЭТУ "ЛЭТИ" , 2003 71 с.ил.,21 см. - Библиогр.: - с. 70.

59. Пигменты. Введение в физическую химию пигментов, под ред. Д. Паттерсона, пер. с англ.,Л.,1971.

60. Пилявский В.П., Вольфовский Е.Г., Соболев О.Б., Хайкин A.M., Виноградова Е.Н. Принципы функционирования информационной системы по свойствам пигментов // ЛКМ и их крименение 1975, №3

61. Подиновский В.В., Ногин В.Д. Парето оптимальные решения многокритериальных задач. - М.: Наука, 1982. - 256 с.

62. Поспелов Д.А. (Ред.). Нечеткие множества в моделях управления и искусственного интеллекта. М.:Наука, 1986. - 312 с.

63. Поспелов Д.А., Изв. РАН., Теория и системы управления, 1995, №5

64. Программное обеспечение для приготовления лакокрасочных материалов. Automation -Software // Technica (Suisse).-1997.-46, №5. С. 33.

65. Программное обеспечение для составление рецептур. Kautsch. Und Gummi. Kunstst.-1997.-50, №9.-C.664.

66. Пэйн Г. Ф., Технология органических покрытий, пер. с англ., т. 2, Л., 1963;

67. Реклейтис Г., Рейвиндран А., Рэгсдел К. Оптимизация в технике: В 2 т. М.: Мир, 1986. Т.2.-320 с.

68. Рыбина Г.В., Модели, методы и программные средства для построения интегрированных экспертных систем : Дис. . д-ра техн. наук : 05.13.11 М., 2004 409 с.ил. - Библиогр.: с.348-362.

69. Саати Т., Керне К. Аналитическое планирование. Организация систем. М.: Радио и связь, 1991. 224 с.

70. Севастьянов П.В., Туманов Н.В. Многокритериальная идентификация и оптимизация технологических процессов. Минск: Наука и техника, 1990. -224 с.

71. Симанков B.C., Луценко Е.В., Лаптев В.Н. Системный анализ в адаптивном управлении: Монография (научное издание). /Под науч. ред. В. С. Симанкова. Ин-т совр. технол. и экон. Краснодар, 2001. - 258 с.

72. Сирица В.М. Модели представления и методы приобретения знаний для построения экспертных систем : Учеб. пособие В. М. Сирица; М-во общ. и проф. образования РФ. Моск. гос. авиац. ин-т (техн. ун-т) М.: Изд-во МАИ, 1998-86 с.ил.,20см.-с. 85.

73. Сланский Б., Техника живописи, М., 1962.

74. Справочник по лакокрасочным покрытиям в машиностроении / под ред. Гольдберга М. М. и др., М., 1964 198 с.

75. Справочник по лакокрасочным покрытиям в машиностроении, М., 1964- 186 с.

76. Хахалин Т.К. Интеллектуальные системы : Учеб. пособие / Г. К. Хахалин; Моск. автомобил.-дорож. ин-т (гос. техн. ун-т) (МАДИ-ГТУ) Ч. 1

77. Хеммннг Р.В. Численные методы: для научных работников и инженеров: Пер. с англ. М.: Наука, 1972. - 400 с.

78. ЮО.Шампетье Г., Рабата Г., Химия лаков, красок и пигментов, пер. с франц., т. 2, М., 1962;

79. Ю1.Шарапов В.М., Снитюк В.Е. Биокибернетический метод определения оптимума целевой функции в условиях неопределенности // Искусственный интел-лект.-2002.-№4.-С. 123-128.

80. Ю2.П1вецов А.Н. Модели и методы построения корпоративных интеллектуальных систем поддержки принятия решений : Дис. . д-ра техн. наук : 05.13.01 СПб., 2004 461 с.ил. - Библиогр.: с.371-408.

81. ЮЗ.Шутилин Ю.Ф., Глебов Е.Н. Оптимизация рецептуры кровельных композиций // Каучук ирезина.-1998.-№3.-С.44-46

82. Ю4.Энциклопедия полимеров, т. 2, М., 1974.

83. ЮбЛзенин А.В. Задача векторной оптимизации с нечеткими коэффициентами важности критериев // Математические методы оптимизации и управления в сложных системах. Калинин, 1981. - С. 38 - 51.

84. Baldwin J.F., Pilsworth B.W. A Theory of fuzzy probability // Proc. 9th Int. Symp. Multiple. Valuid Logic 1979. New York. 1979. - P. 53 - 61.

85. Bellman R., Gierts M. On the analytic formalism on the theory of fuzzy-117

86. Sets // Information Science. 1973. V. 5. P. 149 156.

87. Bellman R., Zadeh L Decision-making in fuzzy environment // Management Science. 1970. V. 17. P. 141 -164.

88. Bezerra Clovis de M. Компьютерное прогнозирование цвета флуоресцентных красителей с помощью нейросетей. Computer match pridiction for fluorescent dyes by neuralnetworks. Hawkyard C.3. 3. Soc.Dyers and Colour.: JSDC.2000.116. №506, -C. 163-169.

89. Biles W., Swein J. Optimization Wiley, 1980. 310 p.

90. Chu A., Kalaba R., Springarn R. A Comparison pf Two Methods for Determining the weights of Belonging to Fuzzy Sets // J. of Optimization theory and applications. 1979. Vol. 27. № 4. P. 531 538.

91. Chu A., Kalaba R., Springarn R. A Comparison pf Two Methods for Determining the weights of Belonging to Fuzzy Sets // J. of Optimization theory and applications. 1979. Vol. 27. № 4. P. 531 538.

92. Chu A., Kalaba R., Springarn R. A Comparison pf Two Methods for Determining the weights of Belonging to Fuzzy Sets // J. of Optimization theory and applications. 1979. Vol. 27. № 4. P. 531 - 538.

93. Control Engeneering, July 1997

94. Cornell, J. A. (1990a). How to run mixture experiments for product quality. Milwaukee, Wisconsin: ASQC.

95. Cornell, J. A. (1990b). Experiments with mixtures: designs, models, and the analysis of mixture data (2nd ed.). New York: Wiley.

96. Deming, S. N., Morgan, S. L. (1993). Experimental design: A chemomet-ric approach. (2nd ed.). Amsterdam, The Netherlands: Elsevier Science Publishers B.V.-243 p.

97. Dubois D., Prade H. Fuzzy sets and systems. Theory and applications. -New York: Asad. Press, 1980. XVIII. 344 p.

98. Eder Klaus Оптимизация рецептур с использованием нейронных сетей // Chem,-Ing.-Techn.-1997.-69, №12, С. 1686.

99. Handke К., Herrluch N., Wierer J. Гибкое программное обеспечение для банков данных по полимерным материалам. FlexibleWerkstoff-Detenbank-Saftware / // Kunststoffe.-1996.-86,№4,--С. 500-502.

100. Hannan Е. Linear programming with multiple fuzzy goals // Fuzzy Sets and Systems. 1981. Vol. 6. № 3. P. 235 489.

101. HaykmS. Neural Network. A Comprehensive Foundation.- New York: Macmillan College Publishing Company, 1994. -691 p.

102. Huang 0., Pan D., Xiao S., Zhang H., Luo О.Применение нейронных сетей для оценки температуры вулканизации в эквивалентной вулканизации резин // Huanan ligong daxue xuebao.Ziran kexue ban=J.S.China Univ. Technol. Natur.Sci.-1998.-26, №10.-C. 120-125.

103. Kautsch. Und Gummi. Kunstst Программное обеспечение для составление рецептур -1997.-50, №9.-С.б64.

104. Khuri, А. I., & Cornell, J. А. (1987). Response surfaces: Designs and analyses. New York: Marcel Dekker, Inc.

105. Mason, R. L., Gunst, R. F., & Hess, J. L. (1989). Statistical design and analysis of experiments with applications to engineering and science. New York: Wiley.

106. Montgomery, D. C. (1991) Design and analysis of experiments (3rd ed.). New York: Wiley.

107. Negoita C. The current interest in fuzzy optimization // Fuzzy Sets and Systems. 1981. Vol. 6. № 3. P. 261 -269.

108. Neural Network Toolbox User's Guide / Demuth H., Beale М,- Natick: Math Works Inc, 1997,-700 p.

109. Park J., Sandbergl.W. Universal approximation using radial basis function networks //Neural Computation. — 1991. — vol.3. — P. 246— 257.

110. Piepel, G. F. (1988). Programs for generating extreme vertices and cen-troids of linearly constrained experimental regions. Journal of Quality Technology, №20, P 125-139.

111. Piepel, G. F., & Cornell, J. A. (1994). Mixture experiment approaches: Examples, discussion, and recommendations. Journal of Quality Technology, -№26, P.177-196.

112. Ramesh J. A procedure for multiple-aspect decision making using fuzzy sets // Int. J. Syst. Sci. 1977. Vol. 8. № 1. P. 1 - 7.

113. Ramesh J. A procedure for multiple-aspect decision making using fuzzy sets /Лnt. J. Syst. Sci. 1977. Vol. 8. № 1. P. 1 - 7.

114. Saaty T. Scaling Method for Priorities in Hierarchical Structures // J. of Mathematical Psychology. 1977. Vol. 15. № 3. P. 234 281.

115. Saaty Т., Thomas L. Decision Making for Leaders. Pittsburgh: RWS Publications, 1992. 243 p.

116. Sasaki Т., Akiyama T. Traffic control process of expressway by fuzzy logic // Fuzzy Sets and Systems. 1988. Vol. 26. P. 165 - 178.

117. Scheffe, H. (1963). The simplex-centroid design for experiments with mixtures. Journal of the Royal Statistical Society, B25, P. 235-263. i,

118. Snee, R. D. (1979). Experimental designs for mixture systems with multi-component constraints. Communications in Statistics Theory and Methods, A8(4), - P.303-326.

119. Snee, R. D. (1985). Computer-aided design of experiments some practical experiences. Journal of Quality Technology, 17, P. 222-236.

120. Tanaka Hideo, Asai Kiyaii. Fuzzy linear programming based on fuzzy functions //Bull. Univ. Osaka Prefect. 1980. Vol. 29. № 2. P. 113 125.

121. Tong R., Bonissone P. A linguistic approach to decision-making with fuzzy sets // IEEE Trans. Syst. Mang. and Cybern. 1980. Vol. 10. № 11. P. 716 -723.

122. Yager R. Fuzzy decision making including unequal objectives // Fuzzy Sets and Systems. 1978. Vol. 1. № 2. P. 87 - 95.

123. Yager R. Fuzzy Sets, probabilistic and decision // J. Cybern. 1980. V. 10. №1-3. P.l -18.-120146. Yager R. Fuzzy subsets of type II in decisions // J. Cybern. 1980 V.10. № 1-3.-P. 137- 159.

124. Yager R. Multiple objective decision-making using fuzzy sets // Int. J. Man-Mach. Sfud. 1979. Vol. 9. № 4. P. 375 382.

125. Zadeh L.A. Fuzzy algorithms // Information and Control. 1968. V.12. P. 94-102.

126. Zadeh L.A. Fuzzy Sets // Information and Control. 1965. V.8. P. 338353.

127. Zollo G., Iandoli L., Cannavacciuolo A. The performance requirements analysis with fuzzy logic // Fuzzy economic review. 1999, Vol. IV, № 1, P. 35-69.