Автоматизированное управление технологическими процессами с использованием алгоритмов нечеткой фильтрации тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат наук Павлов, Дмитрий Александрович

• Павлов, Дмитрий Александрович
• кандидат наук
• 2015

Оглавление диссертации кандидат наук Павлов, Дмитрий Александрович

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

1 АНАЛИЗ СУЩЕСТВУЮЩИХ ПОДХОДОВ К РЕШЕНИЮ ОБРАТНЫХ ЗАДАЧ ПРИ АВТОМАТИЗИРОВАННОМ УПРАВЛЕНИИ ТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ ПРОМЫШЛЕННОСТИ

1.1 Анализ задач управления в промышленности с использованием математических моделей обратных задач

1.2 Разновидности обратных задач в промышленности

1.3 Существующие методы решения обратных задач

1.4 Выводы

2 СТРУКТУРНЫЕ МОДЕЛИ АВТОМАТИЗИРОВАННОГО УПРАВЛЕНИЯ ТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ С ИСПОЛЬЗОВАНИЕМ НЕЧЕТКОЙ ФИЛЬТРАЦИИ

2.1 Постановка задачи оценивания состояния объекта в промышленности

2.2 Структура модели управления технологическими процессами с использованием алгоритмов фильтрации

2.3 Варианты применения нечеткого фильтра в контуре управления технологическими процессами

2.4 Выводы

3 АЛГОРИТМЫ РЕШЕНИЯ ОБРАТНЫХ ЗАДАЧ В СИСТЕМАХ АВТОМАТИЗИРОВАННОГО УПРАВЛЕНИЯ ТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ С ПРИМЕНЕНИЕМ НЕЧЕТКОГО ФИЛЬТРА КАЛМАНОВСКОГО ТИПА

3.1 Описание алгоритмов решения обратных задач с применением нечеткого фильтра калмановского типа

3.2 Структура программ модельных экспериментов по анализу качества решения обратных задач

3.3 Результаты модельных экспериментов по оценке качества решения обратных задач

3.4 Выводы

4 РАЗРАБОТКА И ПРАКТИЧЕСКОЕ ПРИМЕНЕНИЕ КОМПЛЕКСА ПРОГРАММ «RETTAS_1», РЕАЛИЗУЮЩЕГО ПРЕДЛОЖЕННЫЕ АЛГОРИТМЫ УПРАВЛЕНИЯ ТП ПРОМЫШЛЕННОСТИ

4.1 Архитектура системы управления установкой переработки БМО

4.2 Разработка и методика применения программного комплекса «-RETTAS_1a>

4.3 Результаты применения программного комплекса <rR£TTAS_l» для управления установкой переработки БМО

4.4 Выводы

Основные результаты и предложения

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А. Методика подключения СУБД MySQL к MatLAB

ПРИЛОЖЕНИЕ Б. Текст программы модельного эксперимента для алгоритма AFNNET1

Введение диссертации (часть автореферата) на тему «Автоматизированное управление технологическими процессами с использованием алгоритмов нечеткой фильтрации»

ВВЕДЕНИЕ

Промышленные объекты управления обычно отличаются большим количеством факторов, влияющих на протекающие в них технологические процессы (ТП). Применяемые для управления этими объектами автоматические системы управления характеризуются многоконтурностыо, большой размерностью векторов и матриц, описывающих их поведение [1-3]. Многомерность возникающих задач, наличие большого количества случайных факторов делает затруднительным, а часто и невозможным аналитическое решение задач поиска оптимальных траекторий управления ТП, определения параметров происходящих в системе процессов [4, 5]. В такой ситуации при разработке алгоритмического обеспечения автоматизированных систем управления технологическими процессами (АСУТП) становится актуальным применение численных методов при расчете параметров регуляторов и контуров управления.

В свою очередь, нахождение реакции какой либо системы на совокупность входных воздействий не всегда является той задачей, решение которой интересует исследователя. В ряде практических ситуаций при разработке АСУТП целесообразно использовать указанные методы для определения управляющих воздействий исходя из целевых выходных параметров, характеризующих ТП. По принятой классификации задачи данного типа задачи относятся к классу некорректных, а точнее, к подклассу обратных задач. [6, 7]. Для прямых задач предложено достаточное количество методов решения, так как они соответствуют привычной постановке проблемы - есть данные на входе объекта и надо определить, что будет на его выходе, если модель объекта известна. Этого нельзя сказать про методы решения обратных задач, которые чаще всего базируются на учете специфики предметной области. В тоже время, необходимость нахождения или, по крайней мере, оценки входных сигналов по известным выходным достаточно часто возникает на практике в рентгеновской компьютерной томографии, магнитно-резонансной томографии, реконструкции искаженных

изображений, спектроскопии, геологоразведке, геофизике, в задачах по неразрушающему контролю, анализе промышленных объектов [8- 14].

К таким объектам относится установка плазмотермического обезвреживания биомедицинских отходов (БМО), исследование которой проводилось в данной работе. БМО - это особая, опасная категория отходов. К ним относятся продукты утилизации медицинских учреждений, парикмахерских, салонов красоты, косметологических кабинетов и других организаций. Транспортировка, переработка и захоронение БМО требуют строжайшего соблюдения всего цикла утилизации. Ежегодно в России на предприятиях и медицинских учреждениях образуются более 3 млн. тонн БМО, которые не могут быть нигде размещены и захоронены, а только подлежат сжиганию. Эта огромная и разнообразная по составу масса отходов должна постоянно обезвреживаться и уничтожаться с учетом соблюдения норм экологической и промышленной безопасности.

Проведенный анализ плазмотермической установки показал, что управление и контроль процессом утилизации требует решения ряда задач, часть из которых, по своей постановке сводятся к обратным, в частности, определение состояния утилизируемой среды по показаниям датчиков и измерительной аппаратуры. Решение указанных задач позволит сделать контроль более полным и приведет к повышению эффективности процесса утилизации.

Методологические основы решения некорректно-поставленных задач изложены в работах отечественных ученых: академиков АН СССР А.Н. Тихонова, С. J1. Соболева, академиков РАН М. М. Лаврентьева, А. А. Самарского, Садовничего В.А., профессоров Сизикова B.C., Крутько П.Д., Грешилова А.А а также зарубежных ученых: L Kunyansky, В Holman, М. Haltmeier, Gaikovich К. Р.

В данных работах заложены методологические основы решения некорректно поставленных задач, представлены различные подходы к их решению и отмечено, что при практической реализации методов решения некорректных задач значительное влияние оказывают неточность исходных данных и наличие шумов измерений. Разработка методов, позволяющих снизить

влияния этих факторов представляет собой актуальное направление исследований. При этом отмечается, что возрастание мощности современных вычислительных машин позволяет сделать выбор направления исследований в сторону методов, обеспечивающих глубинный анализ данных на основе интеллектуальных подходов и предлагающих численные решения, являющиеся наиболее значимыми для практических приложений в самых разных предметных областях.

Резюмируя сказанное, можно сделать вывод, что разработка методов решения обратных задач на базе применения современных подходов к получению численных решений представляет собой актуальное направление исследований, имеющее большое практическое значение.

Основные разделы диссертационной работы соответствуют Плану фундаментальных исследований Российской академии наук на период до 2025 года (IV. Информатика и информационные технологии по направлениям: п. 35. Когнитивные системы и технологии, нейроинформатика и биоинформатика, системный анализ, искусственный интеллект, системы распознавания образов, принятие решений при многих критериях, п. 36. «Системы автоматизации, САЬ8-технологии, математические модели и методы исследования сложных управляющих систем и процессов»), а также Перечню критических технологий Российской Федерации («Технологии информационных, управляющих, навигационных систем»).

Цель диссертационного исследования: разработать алгоритмы автоматизированного управления технологическими процессами в условиях неточности исходных данных и наличия шумов измерений на основе использования в составе специального математического и программного обеспечения АСУТП методов нечеткой фильтрации.

Для достижения поставленной цели необходимо решить следующие взаимосвязанные задачи:

1. Провести анализ существующих постановок некорректных задач при автоматизированном управлении ТП промышленности.

2. Разработать алгоритм автоматизированного управления ТП промышленности на основе решения обратных задач, позволяющий снизить влияние неточности и нечеткости задания исходной информации.

3. Предложить алгоритм управления ТП промышленности на основе решения обратных задач, обеспечивающий нечеткую фильтрацию шума измерений с применением калмановской структуры оценивания состояния процесса в условиях, когда структура модели данного процесса известна.

4. Предложить модификацию алгоритма решения обратных задач в процессе автоматизированного управления ТП промышленности, обеспечивающего фильтрацию шума измерений при использовании нечеткой модели исследуемого процесса.

5. Оценить точность алгоритмов решения обратных задач в автоматизированного процессе управления ТП с использованием результатов тестовых модельных экспериментов.

6. Разработать архитектуру и режимы функционирования комплекса программ обработки информации в АСУПТ с использованием предложенных алгоритмов.

7. Разработать модуль обработки информации, поступающей от измерительной аппаратуры, на основе предложенных алгоритмов для использования в составе АСУТП переработки биомедицинских отходов (БМО).

Объект исследования: автоматизированные системы управления сложными технологическими процессами промышленности.

Предмет исследования: алгоритмы автоматизированного управления ТП промышленности на основе решения обратных задач.

Научная новизна. К наиболее существенным научным результатам, полученным лично соискателем, относятся:

1. Предложены структурные модели автоматизированного управления ТП промышленности, отличающиеся использованием нечеткой фильтрации калмановского типа в контурах оценивания системы управления. Разновидности

данных моделей предполагают наличие различного число контуров оценивания: с применением нечеткой фильтрации только непосредственно на выходе ТП и с возможным добавлением контура оценивания вектора управляющих воздействий в условиях погрешностей и «шумов» измерительной аппаратуры на входе ТП

2. Предложен алгоритм управления ТП на основе решения обратных задач с использовании аппарата искусственных нейронных сетей при построении нечеткого фильтра калмановского типа. Фильтр используется для снижения влияния шумов измерений сигнала с выхода управляемого процесса на вход искусственной нейронной сети. Предложены две разновидности данного алгоритма - для постановки задачи управления, когда точно известен оператор преобразования системы, в которой реализуется ТП, и постановки, когда оператор неизвестен с достаточной степенью точности.

3. Разработан алгоритм управления ТП промышленности на основе решения обратных задач с использованием нечеткого фильтра, который предполагает приведение описания данного процесса от дискретного аналога интеграла Фредгольма I рода к виду дискретного аналога фильтра Калмана. Для формирования модели процесса управления предложено применение нечеткого логического вывода на основе базы правил, которая формируется либо экспертами, либо с применением технологии извлечения знаний на основе нечеткой кластеризации.

4. Проведено исследование влияния соотношения «сигнал-шум» на точность решения обратных задач при управлении ТП промышленности для представленных вариантов построения системы управления. На основе результатов данных исследований сформулированы рекомендации для принятия решения о применимости предложенных алгоритмов для конкретного вида технологического процесса.

Теоретическая и практическая значимость результатов исследования.

Выявлена ограниченность существующих методов решения обратных задач теории управления применительно к автоматизированному управлению ТП, которая проявляется в их узкой специализации и сложности в реализации с

помощью используемых контроллеров при большой размерности входных и выходных сигналов. В результате данного анализа была обоснована целесообразность использования алгоритмов нечеткой калмановской фильтрации при автоматизированном управлении ТП.

2. Разработанные варианты алгоритмов управления ТП на основе решения обратных задач с использованием нечеткого фильтра и искусственных нейронных сетей расширяют область применимости численных методов решения обратных задач при использовании методов интеллектуализации решения прикладных задач при построении АСУ широкого назначения (АСУТП, АСУП, АСТПП и др.).

3.Разработан комплекс программ <<11ЕТТА8_1>>, реализующий предложенные алгоритмы управления ТП промышленности с использованием нечеткой фильтрации калмановского типа на основе решения обратных задач, применение которого позволяет снизить ошибку оценки параметров управляющих воздействий в условиях неточности и неопределенности исходной информации. Входной информацией для программного обеспечения служат вектора данных об управляемом процессе и база правил для нечеткого фильтра. Комплекс программ «11ЕТТА8_1» может быть практически использован для автоматизированного управления ТП на основе решения обратных задач в различных АСУТП в промышленности.

4. Разработано программное обеспечение модуля анализа данных в составе АСУТП переработки БМО, применение которого позволило повысить его эффективность.

Методология и методы исследования в диссертации: методы исследования, проектирования, алгоритмизации, оптимизации и имитационного моделирование функционирования АСУТП, системного анализа, теории автоматического управления, исследования некорректно-поставленных задач, нечетких множеств и искусственных нейронных сетей. При разработке комплекса программ применялось объектно-ориентированное программирование.

Положения, выносимые на защиту.

1. Структурные модели автоматизированного управления ТП

промышленности с использованием нечеткой фильтрации калмановского типа в контурах оценивания системы управления.

2. Алгоритм автоматизированного управления ТП на основе решения обратных задач с использованием искусственной нейронной сети и нечеткого фильтра калмановского типа для ситуации, когда известен оператор преобразования системы, реализующей указанные процессы.

3. Алгоритм управления ТП с использованием искусственной нейронной сети и нечеткого фильтра калмановского типа в случаях, при которых оператор преобразования системы, реализующей указанные процессы, неизвестен с достаточной степенью точности.

4. Алгоритм управления ТП в промышленности на основе решения обратных задач, который предполагает приведение формализованного описания системы, реализующей данный процесс, от дискретного аналога интеграла Фредгольма I рода к виду дискретного аналога фильтра Калмана.

5. Архитектура и режимы функционирования комплекса программ «RETTAS_1», который может быть практически использован для решения обратных задач в различных АСУТП в промышленности..

Достоверность научных результатов, выводов и рекомендаций, сформулированных в диссертации, обусловлена использованием достоверных исходных данных, подтверждается результатами вычислительных экспериментов, а также практической реализацией алгоритмов при автоматизированном управлении технологическим процессом переработки БМО.

Апробация работы. Основные положения и результаты диссертационной работы докладывались и обсуждались на конференциях: II Международной научно-практической конференции «Информатика, математическое моделирование, экономика» (Смоленск, 2012), II Междунар. научн.-техн. конф. «Энергетика, информатика, инновации-2012» (Смоленск, 2012), III Международной научно-практической конференции «Информатика, математическое моделирование, экономика» (Смоленск, 2013), I Конгресс молодых ученых (Санкт-Петербург 2013), XII Международная заочная научно-

практическая конференция "Теория и практика современной науки» (Москва, 2013), V international research and practice conference «European Science and Technology» (Munich, Germany,2013) , III International Research and practice conference "Science, Technology and Higher Education" (Westwood, Canada, 2013), 9-a международна научна практична конференция «Бъдещето въпроси от света на науката» (София, Болгария2013), IX Mi^dzynarodowej naukowi-praktycznej konferencji «Wyksztalcenie i nauka bez granic - 2013» (Przemysl, Польша, 2013), XI Международная научно-техническая конференция студентов и аспирантов «Информационные технолгии, энергетика и экономика» (Смоленск, 2014), VIII Всероссийская конференция студентов, аспирантов и молодых учёных (Москва, МГТУ МИРЭА, 2014).

Обоснованность полученных теоретических разработок определяется корректным применением системного подхода, методов иммитационого моделирования АСУТП, методов теории искусственного интеллекта, теории нечетких множеств и теории искусственных нейронных сетей, принятия решений, согласованностью в частных случаях новых полученных результатов с известными теоретическими положениями.

Реализация результатов работы. Предложенные алгоритмы практически использованы в ОАО «Сафоновский электромашиностроительный завод» и ООО «Экоплазма» при создании специального математического и алгоритмического обеспечения системы автоматизированного управления промышленной установкой переработки БМО.

Публикации. Основные результаты диссертационной работы отражены в 17 публикациях, в том числе в 5 статьях в изданиях перечня ВАК.

1 АНАЛИЗ СУЩЕСТВУЮЩИХ ПОДХОДОВ К РЕШЕНИЮ ОБРАТНЫХ ЗАДАЧ ПРИ АВТОМАТИЗИРОВАННОМ УПРАВЛЕНИИ ТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ ПРОМЫШЛЕННОСТИ

1.1 Анализ задач управления в промышленности с использованием математических моделей обратных задач

Управление различными технологическими процессами и объектами представляет собой одну из главных составляющих комплекса мероприятий, направленных на развитие промышленного потенциала страны. Уровень автоматизации определяет конкурентные преимущества предприятия и поэтому проектирование и внедрение систем автоматического управления занимает ведущее место в работе исследовательских и конструкторских учреждений.

Сложность современных систем управления технологическими процессами, обусловленная их многосвязностью и многоуровневостью задач управления приводит к ситуации, когда централизованное управление становится невозможным в силу необходимости резкого возрастания сложности алгоритмов функционирования этих систем. В условиях повышения агрегированное™ технологичесикх процессов и увеличении потоков информации о них начинает проявляться закон Эшби, в соответствии с которым для эффективного управления объектом, система управления должна обладать не меньшим многообразием, чем сам объект.

Поэтому управление современными сложными ТП промышленности строится по иерархическому признаку, согласно которого система более высокого уровня выдает команды управления на системы более низкого уровня в соответствии с общим алгоритмом управления, а также осуществляет выбор частных критериев управления.

Иерархия предполагает выделение в основной задаче управления древовидной структуры уровней подчиненность подзадач общей задачи управления. Каждому уровню предписвыаются и выделяются ресурсы, как

временные, так и вычислительные, определенные характером решаемых на этом уровне задач. Эти задачи условно можно разделить на классы или группы в зависимости от потребности в ресурсах.

К первой группе отнесятся задачи, требующие реакции в течении долей секунд или нескольких секунд, куда можно отнести сбор данных и прямое цифровое регулирование.

Вторая группа задач, требующая реакцию в течении нескольких секунд, включает в себя адаптивное управление, обеспечивающее подстройку к изменяющимся параметрам внешней среды.

К третьей группе, с требуемым временем реакции от нескольких секунд до нескольких минут относятся задачи оптимального управления, позволяющие провести регулируемый объект по оптимальной траектории от начальной точки до конечной, обеспечивая при этом экстремальное значение какого либо критерия.

В последнюю группу включаются задачи управления, для решения которых допускается тратить до нескольких часов. Это уже задачи организационного плана управления персоналом, диспетчерезации, планирования работы цехов и так далее.

Необходимость применения древовидных структур в построении подчиненности задча управления приводит, соответственно, к иерархическому построению и самих систем управления (ИСУ), когда локальные задачи регулирования решаются на нижних уровнях, а по мере возрастания степени иерархии задачи становятся всес более общими и сложными с токи зрения алгоритмизации и целеполагания.

В свою очередь локальные подсистемы управления осуществляют выполнение требуемых законов регулирования в режимах пуска и нормальной эксплуатации. Наличие локальных систем управления позволяет снизить размерность решаемых ими задач управления, так как число контролируемых в них параметров обычно невелико.

В основе методологии проектирования систем управления лежит

разделение промышленных ТП по различным классификационным признакам и выбора в соответствии с этой классификацией того или иного метода анализа и синтеза. В основу классификации могут быть положены различные критерии и признаки. Так, по характеру протекания технологические процессы делятся на циклические, непрерывно-циклические и непрерывные. Локальные системы автоматического управления обычно используются для управления непрерывных, реже непрерывно-циклических процессов.

Другой классификационный признак опирается на количество входных и выходных величин: одномерные (один вход и один выход) и многомерные. Многомерный ТП является многосвязным, если наблюдается взаимное влияние каналов управления друг на друга, в противном случае многомерный ТП определяется как несвязный.

Часто разделение ТП и объектов проводится по виду статических характеристик на линейные и нелинейные, причем в последнем случае статическая характеристика может быть гладкой и линеаризуемой в окрестностях рабочей точки, а может носить и существенно нелинейный характер ( например, имеет гистерезис).

Важной особенностью промышленных ТП является то, что управляемая величина зависит не только от времени, но и от текущих координат измерения. Такая ситуация отражается описанием ТП дифференциальными уравнениями в частных производных. Однако, при использовании измерений одного датчика, расположенного в одной точке объема, система дифференциальных уравнений сводится к уравнениям с обычной производной, что существенно упрощает построение математической модели и ее анализ.

Промышленные ТП подвергаются различным по характеру воздействиям, при этом, в зависимости от интенсивности случайных воздействий на ТП, последние делятся на стохастические (в которых нельзя пренебречь случайным характером части сигналов) и детерминированные.

Спектр задач автоматизации управления ТП промышленности весьма широк и во многом зависит от специфики того или иного производства, однако

можно выделить основные проблемы, решаемые при проектировании систем управления [15]:

1. Извлечение полезной информации о сигналах и процессах управления.

2. Обоснование выбора состава блоков и конфигурации автоматической системы регулирования.

3. Проведение разработки и определения оптимальных параметров регуляторов.

4. Снижение влияния шумов (фильтрация сигналов).

5. Разработка алгоритмов, обеспечивающих коррекцию в прямых цепях и цепях обратных связей исполнительных устройств.

Необходимым процессом на первых шагах создания проекта САУ выступает определение пространства величин, которые необходимы для получения информации об объекте или ТП с достаточной степенью полноты, достаточной для синтеза управления на основе принятых к примеению методов. Отметим, что в зависимости от этих методов характеристики этих величин, да и их количество может изменяться. Та, например, применение интеллектуальных методов позволяет решать задачи управления в условиях неопределенности исходных данных. Сама необходимая информация может быть представлена также в различных формах, таких как оценки сигналов и состояний, в форме моделей ТП, переменных состояния объектов управления, результатов измерений входов и выходов.

Рассматривая процесс построения математических моделей объектов управления и сигналов, то здесь возможно применение методов идентификации и оценивания параметров. В ряде случаев, особенно, если прибегать к упрощению задачи, модели ТП, кроме того, могут быть получены и с помощью теоретических выкладок. Те сигналы, которые недоступны для измерения, но нужны для оценки состояния ТП, можно восстанавливать, используя методы теории наблюдателей или оценки состояния.

Завершив описание математической модели ТП управления, а также

определив соответствующий набор регулируемых и управляемых переменных, требуется выбрать тип системы управления из нижеперечисленных разновидностей:

— одномерные системы управления, у которых имеется однин вход и однн выход;

— многомерные системы управления со многими входами и многими выходами, но без взаимного влияния отдельных каналов;

— многосвязные системы, в которых присутствуют перекрестными связи;

На последнем этапе проектирования проводится разработка алгоритмов фукнционирования регуляторов, реализующих заданные законы в различных контурах и цепях управления, выполняется оптимальная настройка регуляторов, адаптируя их к конкретным условиям функционирования в данном контуре управления. Эти процедуры можно реализовывать различными способами:

— ручная настройка параметров, руководствуясь несложными правилами;

— автоматизированная настройка с помощью вчислительного процесса на ЭВМ;

— применение адаптивных алгоритмов управления.

Целесообразно применять несколько подходов и методов синтеза, а за тем,

уже получив несколько алгоритмов управления с разными характеристиками и свойствами, выбрать наилучший на основании предъявляемых к управлению требований.

Присутствующие в реальных устройствах высокочастотные шумы должны фильтроваться, так как они вносят помехи в измерения управляемых переменных, а сами недоступные измерению.

Для придания требуемых качеств процессу управления широко используются различные виды и алгоритмы коррекции и корректирующих устройств управления, поэтому, при разработке алгоритмов управления следует учитывать динамические свойства этих корректирующих алгоритмов [16, 17]. В

зависимости от конструкции исполнительных устройств могут применяться различные алгоритмы коррекции в цепях прямых или обратных связей. Учитывая, что обработка информации о сигналах происходит на цифровых вычислительных машинах, то необходимо учитывать погрешности, возникающие за счет квантования по времени и уровню и уже с учетом этого проверять работоспособность всех алгоритмов управления и фильтрации [18]. Понимая, что в каждом конкретном случае, систем управления будет иметь свои специфические особенности, можно сформировать общую схему управления, которая представлена на рисунке 1.1

Рисунок 1.1 - Общая схема управления ТП промышленности

Выполнение процедур оптимизации требует знания модели управляемого ТП, заданной в форме какого-либо формализованного описания. Наличие такого описания позволяет применить соответствующие методы оптимизации как для параметрической, так и для структурной. Если параметрическая настройка регуляторов для достижения оптимальных значений показателей качества требует простых математических моделей, то структурная требует уже совершанно другой уровень сложности алгоритма поиска решения [19]. Но даже для проведения однократной параметрической оптимизации при запуске САУ, часто

Список литературы диссертационного исследования кандидат наук Павлов, Дмитрий Александрович, 2015 год

СПИСОК ЛИТЕРАТУРЫ

1. Дорф Р., Бишоп Р. Современные системы управления. М.: Лаборатория Базовых Знаний. 2002. - 832 с.

2. Ившин В., Петрухин М. Современная автоматика в системах управления технологическими процессами. М.: Инфра-М. 2013. 400 с.

3. Кафаров В.В., Мешалкин В.П. Анализ и синтез химико-технологических систем.-М.: Химия, 1991.432с

4. Мешалкин В.П. Экспертные системы в химической технологии. Основы теории, опыт разработки и применения. - М.: Химия, 1995. 368с.

5. Мешалкин В.П., Клименкова Л.А. Концепция ситуационного управления многоассортиментными химико-технологическими предприятиями в условиях рынка // Российское предпринимательство. 2002.- № 8 (32).- с. 61-65.

6. Тихонов А.Н., Арсенин В. Я. Методы решения некорректных задач.- М.: Наука, 1979.

7. Бронштейн H.H., Семендяев К.А. Справочник по математике для инженеров и учащихся втузов. Изд-е 13-е. - М.: Наука, 1986. - 544 с

8. Сизиков B.C. Устойчивые методы обработки результатов измерений. -СПб.: «СпецЛит», 1999. - 240 с.

9. Кочиков И.В., Курамшина Г.М., Пентин Ю.А., Ягола А.Г. Обратные задачи колебательной спектроскопии. - М.: МГУ, 1993. - 204 с.

10. Сизиков B.C. Математические методы обработки результатов измерений. - СПб.: Политехника, 2001. - 240 с

11. Старков В.Н. Конструктивные методы вычислительной физики в задачах интерпретации. - Киев: Наук, думка, 2002. - 264 с.

12. Барков A.B., Баркова H.A. Вибрационная диагностика машин и оборудования. Анализ вибрации. - СПб.: СПбГМТУ, 2004. - 156 с.

13. Русов В.А. Диагностика дефектов вращающегося оборудования по вибраци-онным сигналам. - Пермь, 2012

14. Ширман А.Р., Соловьев А.Б. Практическая вибродиагностика и мониторинг состояния механического оборудования. - М.: Наука, 1996. - 276 с.

15. Изерман Р. Цифровые системы управления: Пер. с англ. - М.: Мир, 1984. -541 с.

16. Зайцев Г.Ф. Теория автоматического управления и регулирования. М.: Высшая школа. 1989. - 432 с.

17. Воронов А.А Основы теории автоматического регулирования и управления. М.: Высшая школа. 1977. - 519 с.

18. Бесекерский В.А. Теория систем автоматического управления. 4-е издание, переработанное и дополненное. М.: Профессия 2003. - 751 с

19. Егупов Н.Д. Синтез регуляторов и теория оптимизации систем автоматического управления. Том 2. М.: Изд-во МГТУ им Н.Э. Баумана. 2000. - 736 с.

20. Брикман М.С. Интегральные модели в современной теории управления. Рига.: Зинатие, 1979.

21. РозенвассерЕ.Н. Периодически нестационарные системы управления. М.: Наука, 1973.

22. Яценко Ю.П. Интегральные модели систем с управляемой памятью. Киев: Наук, думка, 1991. - 220 с.

23. Манойлов В.В., Заруцкий И.В. Возможности алгоритма сверток с производными для оценки параметров масс-спектров, содержащих наложившиеся пики // Научное приборостроение. - 2009. - Т. 19, № 4. - С. 103-108.

24. Верлань А.Ф., Сизиков B.C. Интегральные уравнения: методы, алгоритмы, программы. Киев: Наук, думка, 1986. - 544 с.

25. Fleckl Т., Jager Н., Obernberger I. Experimental verification of gas spectra calculat-ed for high temperatures using the HITRAN/HITEMP database // J. Phys. D: Appl. Phys. - 2002. - Vol. 35. - P. 3138-3144.

26. Engl H.W., Hanke M., Neubauer A. Regularization of Inverse Problems. -Dor-drecht: Kluwer, 1996. - 328 p.Akesson E.O., Daun K.J. Parameter selection methods

for axisymmetric flame to-mography through Tikhonov regularization // Appl. Optics. -2008.-Vol. 47, N3.-P. 407.

27. Hansen P.C. Discrete Inverse Problems: Insight and Algorithms. -Philadelphia: SIAM, 2010. - 213 p.

28. Автоматизированная система контроля и управления промышленными объектами АСК-3./ А. Фендриков, С. Коновалов, В. Речмедилов и др. Современные технологии автоматизации. № 4. 2014. Электронный ресурс. Режим доступа: http://www.cta.rU/cms/f/342598.pdf.

29. Кривых А. В. Повышение разрешения спектроанализаторов на основе математической обработки измерительных данных. Автореферат дис. на соискание ученой степени кандидата технических наук. Санкт-Петербург. 2014. 23 с.

30. Иерархические системы управления. Научная библиотека избранных естественно-научных изданий научная-библиотека.рф. Электронный ресурс. Режим доступа: http://edu.sernam.ru/book kiberl .php?id=517

31. Бакушинский А.Б., Гончарский A.B. Некорректные задачи. Численные методы и приложения. М.: Изд-во МГУ, 1989.

32. Kojdecki М.А. New criterion of régularisation parameter choice in Tikhonov's method // Biuletyn WAT (Biul. Mil. Univ. Technol.). - 2000. - Vol. 49. - No. 1(569).-P. 47-126

33. Сизиков B.C. О способах невязки при решении некорректных задач // Журн. вычисл. матем. и матем. физики. - 2003. - Т. 43, № 9. - С. 1294-1312

34. Василенко Г.И. Теория восстановления сигналов. - М.: Советское радио. 1979.-272 с.

35. Иванов В.К., Васин В.В., Танана В.П. Теория линейных некорректных задач и ее приложения. М.: Наука, 1978.

36. Лаврентьев М.М., Романов В.Г., Шишатский С.П. некорректные задачи математической физики и анализа. М.: Наука, 1980.

37. Морозов В.А. Регулярные методы решения некорректно поставленных задач. М.: Наука. 1987. - 115 с.

38. Тихонов А.Н., Гончарский A.B., Степанов В.В., Ягола А.Г. Численные методы решения некорректных задач. М.: Наука. 1990. - 232 с.

39. Воскобойников Ю.Е., Мухина И.Н. Локальный регуляризирующий алгоритм восстановления контрастных сигналов и изображений // Автометрия. -2000.-№3.-С. 45-53.

40. Астафьева Н.М. Вейвлет-анализ: основы теории и примеры применения. // Успехи физических наук. — 1996. — Т. 166, № 11. — С. 1145— 1170.

41. Мадатов А.Г., Митрофанов Г.М. . Середа В.-А.И. Аппроксимационный подход при динамическом анализе многоканальных сейсмограмм. 3. Прикладные аспекты//Геология и физика. — 1992. —№4. — С. 112-122.

42. Марков A.A., Шпагин Д.А. Ультразвуковая дефектоскопия рельсов,— СПб.: Образование и культура, 1999. - 223 с.

43. Апарцин A.C., Солодуша C.B., Таиров Э.А. Математические модели нелинейной динамики на базе рядов Вольтерра и их приложения // Изв.РАЕН, сер.МММИУ, т.1. 1997.-№2.-С. 115-125.

44. Методы корректной обработки дифрактограмм //В кн.: Численный анализ методы и алгоритмы. / Батищев В.И., Галкин В.Я., Жуковский Е.Л., Трубин В.А. —Москва: МГУ, 1986. —С. 100-111.

45. Мирский Г. Я. Аппаратурное определение характеристик случайных процессов. — М.: Энергия, 1972. — 456 с.

46. Мирский Г.Я. Характеристики стохастический взаимосвязи и их измерение. — М.: Энергоатомиздат, 1985.— 112 с.

47. Ушаков В.М., Данилов В.И. Формирование диаграмм направленности преобразователей с неравномерным распределением давлений по излучающей поверхности пьезопластины // Дефектоскопия. — 1997. — № 5.-С. 14-26.

48. Хармут Х.Ф., Хеннинг Ф. Передача информации ортогональными функциями. — М.: Связь, 1975. - 268 с.

49. Золин А.Г. Разработка алгоритмов решения обратных задач промышленной диагностики аппроксимационным методом. Автореферат

диссертации на соискание ученой степени кандидата технических наук. Специальность 05.13.01. Самара. 2010.

50. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети: Учеб. пособие. - М.: Изд-во Физико-математической литературы, 2001.-224 с.

51. Гаврилова Т.А. Базы знаний интеллектуальных систем. - СПб.: Питер 2001.-384 с.

52. Мешалкин В.П., Стоянова О.В., Дли М.И. Исследование искусственных нейронных сетей, используемых для моделирования свойств создаваемых композиционных наноматериалов // Известия Вузов. Химия и химическая технология. 2011. Том 54. Выпуск 5. С.124-127.

53. Системы искусственного интеллекта. Практический курс.Учебное пособие для вузов/Под ред. В.А. Чулюкова. М.: БИНОМ. 2008. - 296 с.

54. Леоненков А.В. Нечеткое моделирование в среде MATLAB и fuzzyTECH. СПб.: БХВ-Петербург. 2005. 725 с.

55. Яхъева Г.Э. Нечеткие множества и нейронные сети. М.: Бином2006. -

318 с.

56. Батыршин И.З. Основные операции нечеткой логики и их обобщения. Казань: Отечество. 2001. - 100 с.

57. Блюмин С.Л., Шуйкова И.А. Модели и методы принятия решений в условиях неопределенности. Липецк: ЛЭГИ, 2001. - 138 с.

58. Прикладные нечеткие системы: Перевод с япон./ К. Асаи, Д. Ватада, С. Иваи и др.; под ред. Т.Тэрано, К. Асаи, М. Сугено. - М.: Мир, 1993. - 368 с.

59. Уоссермен Ф.Нейрокомпьютерная техника.Теория и практика. М.: Мир. 1992.- 184 с.

60. Watanabe Н., and Dettloff. Reconfigurable fuzzy logic processor: A full custom digital VLCI, in Int. Workshop on Fuzzy Systems Applications, Iiruka, Japan, Aug. 1988, pp. 49-50.

61. Борисов A.H. , Алексеев А.В. , Меркурьева Г.В. и др. Обработка нечеткой информации в системах принятия решений. М.: Радио и связь.1989.-3 84 с.

62. Yasunobu S., and Hasegawa T. Predictive fuzzy control and its applications for automatic container crane operation system, in Proc. 2nd. IFSA Congress, Tokyo, Japan, Julie 1987.

63. Yasunobu S., Miyamoto S., and Ihara H. Fuzzy control for automatic train operation system, in Proc.

64. Yasunobu S., Miyamoto S., and Ihara H. Fuzzy control for automatic train operation system, in Proc. 4th. IFAC/IFIP/IFORS Int. Congress on Control in Transportation Systems, Baden-Baden, April, 1983.

65. Цыпкин Я.З. Основы теории автоматических систем. М.: Наука. 1977. -

560 с.

66. Бесекерский В.А., Изранцев В.В. Системы автоматического управления с микро-ЭВМ. М.: Наука. 1987. - 320 с.

67. Тихонов В.И., Харисов В.Н. Статистический анализ и синтез радиотехнических систем и устройств. М.: Радио и связь. 1991. - 608 с.

68. Левин Б.Р., Шварц В. Вероятностные модели и методы в системах связи и управления. М.: Радио и связь. 1985. -312 с.

69. Теория автоматического управления. Ч. 2 / Н.А.Бабков, А.А.Воронов, А. А.Воронова и др.; Под ред. А.А.Воронова. М.: Высш. шк. 1986. - 504 с.

70. Фильтрация и стохастическое управление в динамических системах / Под ред. К.Т.Леондеса - М.: Мир. 1980. - 408 с.

71. Икрамов Х.Д. Численное решение матричных уравнений. М.: Наука. 1984.- 192 с.

72. Круглов В.В., Пучков А.Ю. Оптимальная линейная фильтрация в условиях случайной дискретизации сигналов.- М.: Деп. ВИНИТИ 24.11.94. N 26851394.

73. Круглов В.В, Пучков А.Ю. Алгоритм определения параметров дискретного фильтра Калмана при случайной дискретизации сигналов // Сб.науч. трудов "Устройства и системы автоматического управления ". / Смоленский филиал МЭИ 1996. С. 24-27.

74. Явойш И.Ю. Статистическая оптимизация систем управления со случайной дискретностью в заряжающих манипуляторах ЗРК ближнего действия. Дисс... канд. техн. наук. Минск: Минское Высшее военное инженерное училище.

1993.

75. Дли М.И. Исследование методов обработки данных в условиях случайной дискретизации сигналов. Дисс. канд. техн.наук. М.: Моск. энерг. ин-т.

1994.

76. Круг Г.К., Круглов В.В., Прохоренкова А.Т. Обработка сигналов при их случайной дискретизации. М.: Деп. в ВИНИТИ. N 4032-В90. 1990.

77. Пучков А.Ю. Разработка методов фильтрации в постановке Р. Калмана в условиях случайной дискретизации сигналов. Автореферат диссертации на соискание ученой степени кандидата технических наук. М., 1999. - 20 с.

78. Шарпаев А.К. Инструменты прогнозирования конъюнктуры рынка текстильной продукции с использованием интеллектуального фильтра Калмана. Автореферат диссертации на соискание ученой степени кандидата экономических-наук.М.: 2010.-19 с

79. Пучков А.Ю. Шарпаев А.К. Определение коэффициента усиления фильтра Калмана с применением методов нечеткой логики. Сб. трудов XXII Международной научной конференции «Математические методы в технике и технологиях - ММТТ-22. В 10 т. Т. 10. Секции 11 /Под общ. ред. B.C. Балакирева. -Псков : Изд-во Псков, гос. политехи, ин-та, 2009. С. 136-139

80. Пучков А.Ю. Шарпаев А.К. Интеллектуальный фильтр Калмана для прогнозирования показателей деятельности предприятияЛ Проблемы и пути усовершенствования экономического механизма предпринимательской деятельности: Сб. научн. тр. II Междунар. научн.-практич. конф. в 4т. - Т. 4. -Днепропетровск: Белая Е. А., 2010. - 136 с. С 127 - 130

81. Артамонов Г.Т., Тюрин В.Д. Анализ информационно-управляющих систем со случайным интервалом квантования сигнала по времени. М.: Энергия. 1977.- 112 с.

82. Баранов JI.A. Квантование по уровню и временная дискретизация в цифровых системах управления. М.: Энергоатомиздат. 1990. - 304 с.

83. Mullen K.M., van Stockkum I.H.M. The variable projection algorithm in time-resolved spectroscopy, microscopy and mass spectrometry applications // Numerical Algorithms. - 2009. - Vol. 51. N 3. - P. 319-340.

84. Усков A.A., Круглов B.B. Два подхода к самоорганизации базы правил системы нечеткого логического вывода // Информационные технологии. 2006. № 2. С. 14-18.

85. Kaiman R. Е. A new approach to linear filtering and prediction problems // Journal of Basic Engineering 82 (1). 1960. P. 35-45.

86. Штовба С.Д. Проектирование нечетких систем средствами MATLAB. -М.: Горячая Линия - Телеком, 2007. - 288 с.

87. Бояринов Ю.Г., Борисов В.В., Мищенко В.И., Дли М.И. Метод построения нечеткой полумарковской модели функционирования сложной системы. Программные продукты и системы. 2010. № 3. С. 26.

88. Хайкин С. Нейронные сети. Полный курс. М.: Издательство: Вильяме. 2006. 1104 с.

89. Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. М.: Издательство: Горячая Линия - Телеком. 2002. 382 с.

90. Усков А. А., Кузьмин А. В. Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика. - М.: Горячая Линия - Телеком, 2004. 144 с.

91. Вазан М. Стохастическая аппроксимация. М.: Мир, 1972. - 296 с.

92. Пучков А.Ю. Применение нечеткой логики для определения величины шага в методе стохастической аппроксимации. /Сб. трудов XXII Междунар. научной конф. «Математические методы в технике и технологиях - 22. В 10 т. Т.6. Секции 6. 7 /Под общ. ред. B.C. Балакирева. - Псков : Изд-во Псков, гос. политехи, ин-та, 2009. С. 82-83.

93. Инсинератор ИН-50 поможет сделать мир чище. [Электронный ресурс] Режим доступа: http://wmv.equipnet.ru/articles/tech/tech 576.html.

94. Джексон П. Введение в экспертные системы. М.: Изд. дом «Вильяме». 2001.-624 с.

95. Мешалкин В.П., Гимаров В.А., Зайцевский И.В. Локальные математические модели для управления промышленным предприятием. - М.: ФизМатЛит 2003,-119с

96. Гольцман В. MySQL 5.0. СПБ.: Питер. 2009. - 253 с.

97. Павлов Д.А., Абраменкова И. В., Пучков А.Ю. Нейро-нечеткий метод снижения чувствительности решения обратных задач к вариациям данных// Программные продукты и системы. 2011. №4 (96). С. 72 - 75 .

98. Павлов Д.А., Пучков А.Ю. Варианты построения алгоритма поиска решения обратных задач с применением нейронных сетей // Программные продукты и системы. 2012. №2 (98). С. 149 - 153 .

99. Павлов Д.А., Пучков А.Ю. Алгоритмы поиска решения обратных задач при непрерывном и дискретном времени // Научное обозрение (научный журнал). 2013. №1. С. 174- 176.

100. Павлов Д.А., Пучков А.Ю. Метод решения обратных задач для экономических объектов // Научное обозрение (научный журнал). 2013. №9. С. 372 -375.

101. Павлов Д.А. Нечеткий фильтр Калмана в структуре алгоритма решения обратных задач для экономических объектов // Программные продукты и системы». 2013. №4. С. 199-203.

102. Павлов Д.А. Варианты построения алгоритмов решения обратных задач на основе применения нейронных сетей. // Информатика, математическое моделирование, экономика: сб. науч. статей по итогам Второй Международной научно-практич. конф. В 3- томах. Т.1. / Смоленск: Смоленский филиал AHO ВПО ЦС РФ «Российский университет кооперации» 2012. - С. 160- 163.

103. Павлов Д.А., Пучков А.Ю. Влияние априорной информации на структуру алгоритма решения обратных задач. // Энергетика, информатика, инновации-2012: сб. тр. 2-й Междунар. научно-техн. конф. в 2 т. Т.1. / Смоленск: филиал МЭИ в г. Смоленске, 2012. С. 297 - 302.

104. Павлов Д.А., Пучков А.Ю. Поиск решения обратных задач при непрерывном и дискретном времени. // Информатика, математическое моделирование, экономика: сб. научных статей по итогам Третьей Международной научно-практич. конф. В 3 т. Т.1. / Смоленск: Смоленский филиал AHO ВПО ЦС РФ «Российский университет кооперации» 2013 г. С. 27 - 30.

105. Павлов Д.А. Метод снижения чувствительности решения обратных задач к вариациям исходных данных. // Сб. тезисов докладов Конгресса молодых ученых, Выпуск 1. - СПб: НИУ ИТМО, 2013. С.126.

106. Павлов Д.А. Подход к решению обратных задач на основе интеллектуальных методов. // Теория и практика современной науки: материалы XII Международной научно-практической конференции, В 2-х т. Том I. / М.: Изд-во «Спецкнига», 2013. - 496 с. С. 180 - 183.

107. PavlovD.A. , Putchkov A.Y. Object's status check based on dynamics inverse solutions// European Science and Technology: materials of the V international research and practice conference, Vol. I, Munich, Germany. 2013 .P. 470-472.

108. PavlovD.A. , Putchkov A.Y. Kalman's filter in structure of the solution of the return task// III International Research and practice conference "Science, Technology and Higher Education", Westwood, Canada. 2013. P. 481-482.

109. Павлов Д.А., Дли М.И., Пучков А.Ю. Применение интеллектуальных алгоритмов при решении обратных задач в экономике. // Бъдещето въпроси от света на науката: сб. тр. 9-й междунар. научно-практич. конф. София, Болгария. 2013. Т. 37. / София: «Бял Град-БГ» ООД. С. 40-45.

110. Павлов Д.А., Пучков А.Ю. Интеллектуальный алгоритм решение обратных задач. IX Mi^dzynarodowej naukowi-praktycznej konferencji «Wyksztalcenie i nauka bez granic - 2013». Przemysl, Польша. 2013. Volume 8. P. 19-21.

111. Павлов Д.А. Исследование влияния погрешности данных и шума измерений на точность решения обратных задач. // Информационные технологии, энергетика и экономика: сб. трудов 11-й Междунар. научно-технич. конф. студентов и аспирантов (электроэнергетика и электротехника, теплоэнергетика и энергосбережение, математическое моделирование и совершенствование

технических систем и технологических процессов) 17-18 апреля 2014 г. / Смоленск: Издательство: «Универсум», в 3 т. Т. 1 -232 с. С.187-190.

112. Павлов Д.А., Пучков А.Ю. Архитектура системы управления установкой плазмотермического обезвреживания БМО. // Энергетика, информатика, инновации - 2014: сб. трудов междунар. научно-технич. конф. 16 - 17 октября 2014 г. Смоленск. В 2 т. Т. 1. Секции 1, 2, 3, 4./ Смоленск: Универсум, 2014. - 504 с. С. 235 -238.

113. Павлов Д.А. Интеллектуальный метод решения обратных задач. // Искусственный интеллект: философия, методология, инновации: сб. трудов VIII Всероссийской конф. студентов, аспирантов и молодых учёных. Часть I. Секции 15. г. Москва, МГТУ МИРЭА, 20-22 ноября 2014 г. / Под общей редакцией Е.А. Никитиной — М.: Радио и Связь, 2014. — 212 с. С. 115 - 120.

ПРИЛОЖЕНИЕ А МЕТОДИКА ПОДКЛЮЧЕНИЯ СУБД MYSQL К MATLAB

Запустите файл mysql-connector-odbc-5.2.6-win32.msi, поставляемый вместе с СУБД и следуйте инструкциям мастера установки. После установки зайти в Панель управления, пункт Администрирование. Найдите пункт Источники данных ODBC и кликните на нем дважды левой кнопкой мыши. В появившемся окне нажмите кнопку Добавить и Вы увидите окно, изображенное на рисунке А.1.

Выберите MySQLODBC 5.2 UnicodeDriver (так как, если Вы помните, при создании нашей базы данных мы устанавливали кодировку UTF-8). После этого Вы увидите окно, изображенное на рисунке А.2. Заполните его так же, как это показано на рисунке, подставив в поле password свой пароль, который Вы придумали при создании пользователя.

После того как Вы заполнили поля, нажмите кнопку Test. Если Вы все сделали правильно, то Вы увидите сообщение «Connectionsuccessful». После этого нажмите кнопку Ок.

Теперь, чтобы получить данные из созданной Вами базы данных в среде Matlab, необходимо наладить подключение.

Для этого в коде программы необходимо написать следующие строки: conn = database.ODBCConnection(,Base,,,newUserVBaшпapoль,); Здесь Base - экземпляр Вашей базы данных, который Вы создали на прошлом этапе. Второй аргумент - имя пользователя, последний - Ваш пароль.

После выполнения данной команды, переменная conn содержит экземпляр объекта подключения к базе данных.

Для выполнения запроса необходимо выполнить следующую команду: query = (exec(conn,'select * from Bank'));

Получить возвращаемый выполненным запросом результат можно с помощью команды:

res = fetch(query);

При этом необходимо учесть, что после этого переменная res содержит в себе несколько свойств, таких как тип, текст запроса и так далее, в том числе и данные, соответствующие выпаленному запросу. Для получения этих данных необходимо обратиться к свойству переменной res: res.Data.

МП—НТШГЙ1 iIIHIIi Hill ДГТШШТТШГПИТ Создание нового источника данных

Выберите драйвер, для которого задается источник.

Имя Версия Oi

ШШШШП 5 02 Об 00 О.

MySQL ODBC 5 2 Unicode Dnver 5 02 06 00 Oi

SQL Native Client 2005 90 3042 00 Mi

SQL Server S 03 Э&00 16334 M

< Назад Готово Отмена

Рисунок А. 1 - Создание нового источника данных

MySQL Connector/ODBC Data Source Configuration

t\ MySQL

Connector/ODBC

Connection Parameters

Base

Data Source Name: Description: ® TCPflP Server: localhost O Named Pipe: User:

newUser

Password: Database:

base2

Details >>

J

CI

OK

_I

Port: 3306

Test

Cancel Help

Рисунок A.2 - Настройка соединения

ПРИЛОЖЕНИЕ Б ТЕКСТ ПРОГРАММЫ МОДЕЛЬНОГО ЭКСПЕРИМЕНТА ДЛЯ

АЛГОРИТМА AFNNET1

% На ТП с линейной характеристикой подается сигнал INP_ob. %Выход ТП измеряется: z = OUT_ob + N, где OUT_ob - выход ТП, % N - шум измерений. Измерения фильтруются фильтром, получаем % сигнал Xoz, который подается на вход нейросети, на выходе которой % пролучаем Inp_ob_ns_FK - то есть решение обратной задачи ( входной сигнал % ТП). Программа рассчитывает СКО решения с фильтрром и без,а также % при малых отклонениях исходных данных. % Перечень других сигналов: % INP_ob - точный вход % OUT_ob - точный выход

% INP_ob_RV - вход ТП с отклонениями исх. данных - на INP_ob накладывается шум с % ковариационой матрицей RV

% Inp_ob_ns - решение обр. зад нейросетью без предварительной фильтрации измерений. % Inp_ob_ns_FK - решение обр. зад нейросетью с предварительной фильтрацией измерений %и точном входе.

%Inp_ob_ns_FK_RV - решение обр. зад нейросетью с фильтрации измерений и %отклонениями исх. данных.

% Прграмма строит зависимость СКО от дисперсии шума измерений и флуктуации % данных при решении обр.зад. с фильтром и без, а также зависимость СКО от % соотношений сигнал-шум для отклонений исх данных и шума измерений

ele clear

dt=. 1; % интервал дискретизации

%_ Создание имитации сигнала на входе в объект_

t=(0:dt:pi*2); %диапазон изменения аргумента

L=length(t)

%INP_ob=0.3*cos(5*t)+2*sin(t); % модель вх. сигнала как детерминированной функции %INP ob=0.3*t;

%save 'd:\nss' TREND -ascii % запись матрицы в файл R0B=12;

prom= sqrt(12*R0B);

INP_ob=3-0.5*prom+prom*rand(l,L); % модель входного сигнала как случайного процесса СКО= ROB

%_ Модель преобразования сигнала ТП_

% предполагаем, что ообъект осуществляет преобразование у=2х Kob=l;

OUT_ob=Kob*INP_ob;

% параметры нечеткого фильтра п=1; % размерность вектора %F=1; % матрица системы

% считывание файла с блоком нечеткого вывода для фильтра F_fuzzy=readfis('fuzyKalman.fis');

В=0; % матрица входа (считаем, что управления нет, потому 0) Н=1; % матрица измерений

Q=1; % ковариационная матрица входного белого шума V

U=zeros(n,L); %вектор управления (при прогнозе сигнала считаем, что его нет)

X_=zeros(n,L); % вектор предсказания

Xoz=zeros(n,L);% вектор оценок

P_=zeros(n,L); % матрица предсказаний ошибки

P=zeros(n,L); % матрица ошибки

K=zeros(n,L); % матрица коэффициентов усиления

spped_z=zeros(n,L); % матрица скоростей изменения выходного сигнала

%_создание диапазона изменения соотношения сигнал/шум

SNRl_t=l: 10:60; SNR2_t=l: 10:50; L_snrl=length(SNRl_t); L_snr2=length(SNR2_t); RVt=zeros( 1, L_snr 1); Rt=zeros( 1 ,L_snr2);

for i=l:L_snrl

RVt(l,i)=ROB/l 0Л(0.1 * SNRl_t(l,i)); end

for i=l :L_snr2

Rt( 1 ,i)=KobA2 * ROB/10Л(0.1 *SNR2_t(l ,i)); end

Rt=0.05:l :6+0.06; % вектор изменения дисперсии шума измерений L_Rt=length(Rt);

RVt=0.05:0.5:4+0.06; % вектор изменения дисперсии отклонения исх. данных L_RVt=length(RVt);

SNR_Ml=zeros(L_Rt,L_RVt); % матрица для хранения SNR для вх. сигнала SNR_M2=zeros(L_Rt,L_RVt); % матрица для хранения SNR для вых. сигнала CKO_toch_M=zeros(L_Rt,L_RVt); % матрица СКО для точных вх данных CKO_netoch_M=zeros(L_Rt,L_RVt); % матрица СКО для отклонений вх данных ik=L_Rt*L_RVt; %счетчик циклов

for iR=l :L_Rt % цикл по изменению дисперсии шума измерений R=Rt(l,iR)

%_Наложение шума на сигнал на выходе объекта_

% Шум измерений N с ковариационной матрицей R и нулевым мат.ожиданием prom= (12*R)A(0.5);

N=-0.5*prom+prom*rand(l,L);% вектор шума

dispC дисперсия шума: '),sum(N.A2)/(L-l) % проверка дисперсии

z=OUT_ob+N; % вектор измерений = сиигнал + шум

for i=2:L % формирование вектора скоростей изменения сигнала

spped_z(n,i)=(z(n,i)-z(n,i-l))/dt; end

%нормировка значений для дальнейшей передачи в БНВ

spped_zMax=max(max(spped_z));

zMax=max(max(z));

spped_zMin=max(max(spped_z)); zMin=min(min(z));

spped_z_norm=(spped__z-spped_zMin)/(spped_zMax-spped_zMin); z_norm=(z-zMin)/(zMax-zMin); % формирование значений F на сонове БЫВ

Ffuzzy_matr=[]; %матрица значений F на каждом шаге расчета (нестац. случай) for i=l:L

Ffuzzy_matr(n,i)=evalfis([z_norm(n,i) spped_z_norm(n,i)],F_fuzzy); end

for iRV=l:L_RVt % цикл по изменению дисперсии флуктуации вх. данных измерений RV=RVt(l,iRV);

ik=ik-l % счетчик количества циклов

%_ Наложение вариаций исходных данных на входе объекта_

% неточность входных данных, которые будут использоваться при обучении нейросети %с ковариационной матрицей (дисперсией) RV и нулевым мат.ожиданием prom= (12*RV)A(0.5);

NV=-0.5*prom+prom*rand(l,L);% вектор входного шума

disp(' дисперсия неточности вхю данных: '),sum(NV.A2)/(L-l) % проверка дисперсии INP_ob_RV=INP_ob+NV; % вектор зашумленных исх. данных

%_Создание нейронной сети и ее обучение на истинной выборке_

net=newcf([min(INP_ob) max(INP_ob)],[15 15 l],{'purelin' 'purelin' 'purelin'});

net=train(net,OUT_ob,INP_ob);

Inp_ob_ns=sim(net,z);

% Создание такой же нейронной сети и ее обучение на выборке INP_ob_RV netRV=newcf([min(INP_ob_RV) max(INP_ob_RV)],[15 15 l],{'tansig' 'purelin' 'purelin'}); netRV=train(netRV,OUT_ob,INP_ob_RV); rand('seed', iRV*56) prom= (12*R)A(0.5); N=-0.5*prom+prom,|!rand(l ,L); z=OUT_ob+N; % новая реализация измерений spped_z;

Inp_ob_ns_RV=sim(netRV,z); plot(t,INP_ob,'k',t,Inp_ob_ns_RV,'r'),pause(3)

%_Фильтрация выходного сигнала ТП_

Р_( 1,1 )=OUT_ob( 1,1); Р( 1,1 )=OUT_ob( 1,1); к=2;

while k<=L

% предсказание F=Ffuzzy_matr(n,k-1); X_(l,k)=F*Xoz(l,k-l)+B*U(l,k-l); P_(l,k)=F*P(l,k-l)*F+Q; % корректировка предсказания К( 1 ,k)=(P_( 1 ,k) * Н)/(Н * Р_( 1 ,k) * H+R); Xoz(l ,k)=X_(l ,k)+K(l ,k)*(z(l ,k)-H*X_(l ,k)); P(l,k)=(l-K(l,k)*H)*P_(l,k); k=k+l; end

Inp_ob_ns_FK=sim(net,Xoz); % решение при точных входных данных

Inp_ob_ns_FK_RV=sim(netRV,Xoz); % решение при отклонениях входных данных

figure

plot(t,INP_ob,'b',t,Inp_ob_ns,'—g',t,Inp_ob_ns_FK,,-*r,,t,Inp_ob_ns_FK_RV,'o-ml)

СКОО;

for i=2:L

CKO=CKO+(INP_ob(l ,i)-Inp_ob_ns(l ,i))A2; end

%disp('CKO решения без нечеткого фильтра')

CKO=sqrt(CKO/L);

СКО=0;

for i=2:L

CKO=CKO+(INP_ob(l ,i)-Inp_ob_ns_FK(l ,i))A2; end

%disp('CKO решения с нечетким фильтром при точном входе ')

CKO_toch=sqrt(CKO/L);

СКО^О;

for i=2:L

CKO=CKO+(INP_ob( 1 ,i)-Inp_ob_ns_FK_RV( 1 ,i))A2; end

%disp('CKO решения с нечетким фильтром при отклонениях входных данных ') CKO_netoch=sqrt(CKO/L); % Расчет соотношений сигнал/шум

ACK_INP_ob=sqrt(sum(INP_ob.*INP_ob)/L); % ср. квадратич. ампл. вх. сигнала ACK_NV=sqrt(sum(NV.*NV)/L); % ср. квадратич. ампл. шума измерений

ACK_OUT_ob=sqrt(sum(OUT_ob.*OUT_ob)/L); % ср. квадратич. ампл. вых. сигнала ACK_N=sqrt(sum(N.*N)/L); % ср. квадратич. ампл. шума измерений

SNR1=10*logl 0((ACK_INP_ob/ACK_NV)A2);% сигнал/шум для откл. исх. дан. SNR2=10*loglO((ACK_OUT_ob/ACK_N)A2); % сигнал/шум для шума измерений. SNR_Ml(iR,iRV)=SNRl; SNR_M2(iR,iRV)=SNR2;

CKO_toch_M(iR,iRV)=CKO_toch; % заполнение матрицы СКО для точных вх данных CKO_netoch_M(iR,iRV)=CKO_netoch; %матрица СКО для отклонений вх данных end end

CKO_toch_M;

CKO_netoch_M;

figure

% графики зависимости СКО от дисперсий R и RV

[X,Y]=meshgrid(Rt,RVt);

mesh(X,Y,CKO_toch_M')

хкЬеК^О.уЬЬеК^У^гкЬеК'СКОШсЬ')

figure

mesh(X,Y,CKO_netoch_M') xlabel('R'),ylabel('RV').,zlabel('CKOnetoch') % графики зависимости СКО от SNR1 и SNR2 figure

[X,Y]=meshgrid(SNR2_t,SNRl_t); mesh(X,Y,CKO_netoch_M') xlabel('SNR2,),ylabel('SNRr),zlabel('CKOnetoch')