Методика предварительной диагностики механизмов для систем мониторинга технической безопасности тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат технических наук Гаганов, Павел Геннадьевич

• Гаганов, Павел Геннадьевич
• кандидат технических наук
• 2006

Оглавление диссертации кандидат технических наук Гаганов, Павел Геннадьевич

I. ОБЗОР ПРЕДМЕТНОЙ ОБЛАСТИ И ПОСТАНОВКА ЗАДАЧИ ДИССЕРТАЦИИ.

1.1. Введение. 1.2. Актуальность проблемы.

1.3. Обзор предметной области работы, основные методы.

1.3.1. Особенности процессов утилизации химического оружия.

1.3.2. Основные понятия теории надежности. Особенности проблемы надежности для химико-технологических систем повышенной опасности (ХТСПО).

1.3.3. Пути повышения надежности химико-технологических систем.

1.3.4. Описание объекта.

1.3.4.1. Характеристика объекта 1597.

1.3.4.2. Агрегат огневого обезвреживания твердых отходов.

1.3.4.3. Печь прокалки твердых отходов ТХ800.

1.3.5. Кластерный анализ.

1.3.5.1. Проверка статистической значимости.

1.3.5.2. Области применения кластерного анализа.

1.3.5.3. Алгоритмы кластерного анализа.

1.3.6. Процедура классификации.

1.3.6.1. Алгоритм нахождения коэффициентов классифицирующих функций.

1.3.6.2. Обобщенная функция расстояния.

1.3.6.3. Вероятность принадлежности к классу.

1.3.6.4. Проверка точности процедуры классификации.

1.3.7. Поиск сложных непериодических шаблонов в последовательностях чисел и символов.

1.3.8. Развитие дефекта и стоимость ликвидации его последствий.

1.3.9. Методы поиска дефектов оборудования и проблемы их реализации.

1.4. Выводы и постановка задачи диссертации.

II. РАЗРАБОТКА АЛГОРИТМОВ.

2.1. Детектирование аномальных информативных признаков в стационарных технологических процессах.

2.2. Алгоритм детектирования аномальных информативных признаков в динамических технологических процессах.

2.2.1. Введение.

2.2.2. Предпосылки создания метода.

2.2.3. Понятие шаблона. Основы методов, базирующихся на идее SSA.

2.2.4. Изложение сущности разработанного метода.

2.2.5. Реализация режима реального времени.

2.2.5.1. Стратегия скользящего анализа.

2.2.5.2. Ведение глобальной библиотеки шаблонов.

2.2.5.3. Обоснование выбора длины «гусеницы».

III. РАЗРАБОТКА ПРОГРАММНОГО СРЕДСТВА.

Функциональная блок-схема программного средства.

3.1. Интерфейс программного средства. Описание органов управления.

3.1.1. Загрузка и сохранение исходных данных.

3.1.1.1. Вкладка «Файл данных».

3.1.1.2. Вкладка «Числовой ряд».

3.1.1.3. Вкладка «Траекторная матрица».

3.1.2. Генератор шаблонов.

3.1.3. Детектор шаблонов.

3.1.4. Библиотека шаблонов. л 3.1.2. Блок исследования свойств алгоритма.

3.1.2.1. Окно «Исследование быстродействия алгоритма».

3.1.2.2. Окно «Исследование вероятности ложного срабатывания».

3.1.2.3. Окно «Исследование границы детектируемости шаблонов».

IV. ИССЛЕДОВАТЕЛЬСКАЯ ЧАСТЬ.

4.1. Исследование быстродействия алгоритма.

4.1.1. Описание методики исследования быстродействия.

4.1.2. Результаты исследования быстродействия.

4.1.3. Случай №1. Нормальный режим. Рмин = 19, АПмакс=0,01. Nui~2.

4.1.4. Случай№2. Нормальный режим. Рмин = 15, АПмакс=0,1. NUI~30.

4.1.5. СлучайШ. Рмин = 15, АПмакс=0,6. Nu~100.

4.1.6. Случай №4. Выключение режима поиска периодичности. Объем конечной библиотеки N-250.

4.1.7. Случай №5. Уменьшение минимальной длины шаблона. Объем конечной библиотеки N-300.

4.1.8. Сводный график. Выводы.

4.1.9. Сравнительный анализ ресурсоемкостиразработанного метода и методов поиска закономерностей, основанных на классических процедурах классификации.ПО

4.2. Исследование вероятности ложного срабатывания.

4.2.1. Описание методики исследования вероятности ложного срабатывания.

4.2.2. Результаты исследования вероятности ложного срабатывания.

4.2.3. Случай№1. РПП выключен, Кмиц = З.С5~ 0,15.

4.2.4. Случай№2. АПмак = 20%, Кшн = 3. С5 ~ 0,13.

4.2.5. Случай №3. РПП выключен, Кмт = 4. С5~ 0,10.

4.2.6. Случай №4. РПП выключен, Кмт = 5.С5~ 0,08.

4.2.7. Сводный график. Выводы.

4.2.8. Зависимость С5 от длины исходного ряда.

4.3. Исследование границы детектируемости.

4.3.1. Понятие меры шероховатости ряда.

4.3.2. Описание методики исследования границы детектируемости.

4.3.3. Результаты исследования границы детектируемости.

4.3.4. Случай №1. Ряд «Давление пара на входе в 33 клапан». Мш = 0,117.

4.3.5. Случай№2. Ряд «ENGINES». Мш = 0,127.

4.3.6. Случай№3. Ряд «MONTGOME1». Мш = 0,158.

4.3.7. Случай№4. Ряд «Давление пара на входе в 33 клапан». Мш = 0,117. АПмакс = 10%.

4.3.8. Сводный график. Выводы.

Введение диссертации (часть автореферата) на тему «Методика предварительной диагностики механизмов для систем мониторинга технической безопасности»

Автоматизация работы объектов повышенной опасности, и в частности, опасных химических производственных и технологических процессов, является сегодня неотъемлемой частью повышения их безопасности и снижения вероятности возникновения аварийных ситуаций. Цена аварии на подобных объектах, как правило, имеет катастрофический масштаб, поскольку последствия возникновения подобных ситуаций затрагивают не только и не столько сам объект, но и площади, превосходящие его в сотни и тысячи раз. Большинство веществ, которые обрабатываются или синтезируются на объектах этого класса, связаны с опасностью для жизни.

На настоящий момент автоматические системы управления и мониторинга практически полностью контролируют химические объекты повышенной опасности по следующим причинам:

1) Статистически обосновано, что более половины причин аварий обусловлены человеческим фактором, поэтому любое управляющее воздействие, которое может быть автоматизировано, отдается под управление АСУ.

2) Подавляющее число применяемых технологических химических процессов требует полной изоляции от человека.

3) Для контроля многих процессов времени реакции человека совершенно недостаточно.

Таким образом, безопасность рассматриваемых объектов зависит в значительной мере от развития автоматических систем управления, оперативности и точности систем мониторинга, от интеллектуальности применяемых систем принятия решений.

Заключение диссертации по теме «Автоматизация и управление технологическими процессами и производствами (по отраслям)», Гаганов, Павел Геннадьевич

4.3.3. Результаты исследования границы детектируемости.

С уменьшением меры шероховатости ряда граница детектируемости шаблона также уменьшается, причем зависимость можно охарактеризовать как линейную с большой долей достоверности. Однако, смещение этой линейной зависимости на графике существенно зависит от исходной структуры ряда, а в частности, от исходной меры шероховатости ряда. На примере рядов с различной исходной мерой шероховатости, описанных выше, эта зависимость будет показана.

Проведенные исследования показывают, что в результате процедур сглаживания, даже при достижении производными рядов равной меры шероховатости, исходная разница границ детектируемости заданного шаблона в этих рядах остается в прежнем своем виде, лишь пропорционально уменьшаясь с уменьшением меры шероховатости.

Очень существенное влияние на поведение границы детектируемости шаблонов в исходном ряде оказывают текущие настройки детектора, а в частности, параметр максимально допустимой апериодичности шаблона. Более подробные выводы приведены после сводного графика (см. пп. 4.3.8).

Ниже приведены результаты экспериментов по определению границы детектируемости, проведенных с описанными выше исходными рядами.

4.3.4. Случай №1. Ряд «Давление пара на входе в 33 клапан». Мш = 0,117

Зависимость границы детектируемости (отношения амплитуды шаблона к динамическому диапазону ряда, %) от меры шероховатости ряда

52х ■и; у - GO, !1о2 м f

0,00 0,05 0,10 0,15

Настройки детектора:

1) Длина гусеницы - системой ставится равной длине шаблона.

2) Минимальный размер шаблона ставится системой равным длине шаблона минус 1.

3) Максимальная длина пропуска 3.

4) Минимальное количество включений 3.

5) Максимальная доля шума 0 (искажения не допускаются).

6) Шаблоны с равными периодами допускаются.

7) Максимальная апериодичность - 60%.

Линейная линия тренда границы детектируемости соответствует уравнению у = 55,Зх+1,2. Масштабы осей абсцисс и ординат выбраны данным образом с целью дальнейшего наглядного сравнения с последующими графиками.

4.3.5. Случай №2. Ряд «ENGINES». Мш = 0,127.

Зависимость границы детектируемости (отношение амплитуды шаблона к динамическому диапазону ряда, %) от меры шероховатости ряда

У = 6< 1,49" 'х + 1,60 со /

0 0,05 0,1 0,15

Настройки детектора:

1) Длина гусеницы - системой ставится равной длине шаблона.

2) Минимальный размер шаблона ставится системой равным длине шаблона минус 1.

3) Максимальная длина пропуска 3.

4) Минимальное количество включений 3.

5) Максимальная доля шума 0 (искажения не допускаются).

6) Шаблоны с равными периодами допускаются.

7) Максимальная апериодичность - 60%.

Линейная линия тренда границы детектируемости соответствует уравнению у = 69,5х+1,6.

4.3.6. Случай №3. Ряд «M0NTG0ME1». Мш = 0,158.

Зависимость границы детектируемости (отношения амплитуды шаблона к динамическому диапазону ряда, %) от меры шероховатости ряда

У = 6 ,9х и, 3

0,00 0,05 0,10 0.15

Настройки детектора:

1) Длина гусеницы - системой ставится равной длине шаблона.

2) Минимальный размер шаблона ставится системой равным длине шаблона минус 1.

3) Максимальная длина пропуска 3.

4) Минимальное количество включений 3.

5) Максимальная доля шума 0 (искажения не допускаются).

6) Шаблоны с равными периодами допускаются.

7) Максимальная апериодичность - 60%.

Линейная линия тренда границы детектируемости соответствует уравнению у = 61,9х+1,1.

4.3.7. Случай №4. Ряд «Давление пара на входе в 33 клапан». Мш = 0,117. АПмакс = 10%.

Зависимость границы детектируемости (отношения амплитуды шаблона к динамическому диапазону ряда, %) от меры шероховатости ряда

У = 142 49х h 2,9 823

V

0,00 0,05 0,10 0,15

Настройки детектора:

1) Длина гусеницы - системой ставится равной длине шаблона.

2) Минимальный размер шаблона ставится системой равным длине шаблона минус 1.

3) Максимальная длина пропуска 3.

4) Минимальное количество включений 3.

5) Максимальная доля шума 0 (искажения не допускаются).

6) Шаблоны с равными периодами допускаются.

7) Максимальная апериодичность - 10%.

Данный эксперимент был проведен с целью демонстрации влияния одного из параметров детектора, максимально допустимой апериодичности, на поведение границы детектируемости.

4.3.8. Сводный график. Выводы. а

Зависимость границы детектируемое™ (отношения амплитуды шаблона к динамическому диапазону ряда, %) от меры шероховатости ряда (сводный) ENGINES. Мш=0,127. АПмакс=0,6

MONTGOME1. Мш=0,158. АПмакс=0,6

- • -л - - - Давление пара в клапане №33. Мш=0,117. АПмакс=0,6

- - • Давление пара в клапане №33. Мш=0,117. АПмакс=0,1

20

15

10

0,00

0,05

0,10

0,15

На сводном графике наглядно представлено расположение кривых границ детектируемости для рассмотренных рядов относительно друг друга. При прочих равных условиях, линии границ детектируемости рядов лежат по к высоте соответственно своей исходной структуре, а в частности, соответственно мерам шероховатости. С другой стороны, очевидной взаимосвязи поведения границы детектирования и меры шероховатости взятых рядов не наблюдается. Так, наиболее «грубый» ряд с точки зрения меры шероховатости «MONTGOME1» требует меньшей амплитуды вносимого шаблона, чтобы тот мог быть детектирован системой, в сравнении с рядом «ENGINES». Но ряд «Давление», обладающий наименьшей мерой шероховатости среди рассматриваемых, обладает и самой низкой границей детектируемости. Очевидно, что исходя только из меры шероховатости, невозможно сказать, какой из двух случайно взятых рядов будет обладать меньшей границей детектируемости.

Однако, несмотря на выявленные разночтения, исследование показало, что можно говорить об очевидной схожести поведения границ детектируемости всех рассмотренных рядов при прочих равных условиях. Границу детектируемости любого ряда можно с достаточной точностью аппроксимировать прямой линией, наклон которой будет практически постоянен для всех рядов в пределах равных настроек детектора. Смещение линии варьируется в незначительных пределах в зависимости от структуры конкретного ряда.

Настройки детектора значительно изменяют поведение границы детектируемости. Традиционно, наиболее значимыми параметрами являются те, которые меняют чувствительность детектора в целом (см. также «Исследование быстродействия алгоритма»). В данном исследовании показано влияние параметра максимально допустимой апериодичности шаблонов.

Напомним, максимально допустимая апериодичность - один из факторов, влияющих на правила внесения обнаруженного шаблона в библиотеку. В режиме поиска границы детектируемости, подбирается минимально возможная амплитуда шаблона, при котором он детектируется с учетом установленных правил. Работа идет на критически малых амплитудах шаблона, поэтому часть включений может быть серьезно повреждена вследствие слабого сигнала информативной помехи, следствие которой имитирует шаблон. Тогда, в процессе детектирования, блок детектора не обнаруживает подобные дефектные включения, и результирующая апериодичность следования включений шаблона возрастает. Если апериодичность шаблона не удовлетворяет требованию максимально допустимой апериодичности, он не считается информативным и отбрасывается. Таким образом, система обнаруживает, что для детектирования требуется более высокая амплитуда шаблона.

Эксперимент на ряде «Давление пара на входе в 33 клапан» показал, что при снижении в детекторе максимально допустимой апериодичности шаблона с 60% до 10%, граница детектируемости поднимается более чем в два раза. Также оказалось, что при снижении меры шероховатости граница детектируемости также падает быстрей. Иначе говоря, линия тренда имеет более крутой наклон.

Возвращаясь к теме выбора оптимального значения параметра максимально допустимой апериодичности (см. пп 4.1.4, 4.2.7), приходим к выводу, что снижение этой границы приводит не только к положительному эффекту снижения вероятности ложного срабатывания и повышению быстродействия, но и, к сожалению, повышает границу детектируемости шаблонов, причем существенным образом. Для каждого конкретного процесса должен производиться выбор оптимального значения этого параметра в соответствии с текущими рабочими условиями.

V. Заключение

В заключении проведенной работы отметим основные решенные задачи:

1. Проведено исследование предметной области, обоснована актуальность, цель и задачи работы (гл.1);

Исследование существующих методов идентификации ситуаций [32, 33, 34,69,77 ] показало, что главным критерием эффективной работы системы идентификации является наличие совокупности наиболее информативных факторов, описывающих текущее состояние целевого объекта. Существует большое разнообразие алгоритмов идентификации и принятия решений, и разработка нового метода из разряда подобных классификационных оказалась бы менее продуктивной, чем разработка системы формирования новых признаков конкретно для процессов на технологических объектах, о чем и было принято решение. Эти признаки отражают наличие «аномальностей» в обрабатываемом сигнале безотносительно источника сигнала. Под аномальными признаками понимается наличие периодических серий импульсов, характерных для биений механических систем. Поиск подобных признаков осуществляется из положения о том, что наличие периодических, закономерных колебаний часто свидетельствует о зарождающемся дефекте исследуемого механического узла, что подтверждается многими источниками [7, 8,10,11].

2. Осуществлена разработка алгоритмов детектирования аномальных информативных признаков в стационарных и динамических режимах технологических процессов (гл. 2);

В соответствии с целью и задачами работы проведена разработка методов ранней диагностики дефектов оборудования с использованием существующей системы информационных потоков объекта. Основываясь на традиционных принципах диагностики зарождающихся дефектов механизмов и машин [8, 10, 11, 30 и др.], были разработаны методы детектирования аномальных информативных признаков в стационарных и динамических технологических процессах. Первый метод был разработан с использованием классического метода кластерного анализа и исходил из предположения, что трендом полезного сигнала можно пренебречь в пределах текущего ряда. На этапе реализации он показал слишком большую чувствительность к характеристикам ряда при лишь приемлемом быстродействии. Поэтому было принято решение о поиске принципиально иного подхода и создании метода, более толерантного к поведению полезного сигнала, его динамичности. Алгоритм SSA («Гусеница»), независимо разработанный в США и России [73, 74,78, 79], дал основу для разработки нового метода детектирования информативных признаков в динамических технологических процессах. Кратко можно сказать, что этот подход основан на принципе поиска в сигнале закономерностей, коими являются искомые периодические серии импульсов.

Разработана методика применения алгоритма для динамических процессов на технологических объектах (гл. 2).

Для формирования целостной методики повышения уровня технической безопасности, являющейся целью работы, проведена разработка ряда сопроводительных стратегий и методик применения алгоритма на реальных объектах и адаптации его к конкретным технологическим процессам.

Разработана стратегия применения разработанного метода в системах, функционирующих в режиме реального времени. Особенности алгоритма позволяют максимально увеличить оперативность работы, если имеется возможность анализа новой точки рабочего ряда сразу после ее получения. Пусть имеется вычислительный ресурс, позволяющий анализировать ряд в соответствии с данным алгоритмом в режиме «по наполнению» буфера (ожидается заполнение буфера поступающими данными, происходит анализ буфера, и вновь ожидание заполнения). Расчеты показывают (см. п.п. 2.2.5.1.), что при наличии ресурса оценочно в 4 раза более мощного, чем данный, можно применить особый режим работы, называемый «скользящим анализом», когда обработка и выдача текущего результата начинается сразу по приходу одной новой точки.

Разработана стратегия ведения глобальной библиотеки шаблонов (см. п.п. 2.2.5.2), которая необходима при анализе в реальном времени постоянно поступающего потока данных. С ее помощью можно находить компромисс между оперативностью детектирования признаков (шаблонов) и вероятностью ложного срабатывания.

Разработана стратегия обоснования выбора длины «гусеницы» (см. п.п. 2.2.5.3), необходимая для начальной адаптации метода к конкретным применениям.

Разработано программное средство «Детектор аномальных признаков в динамических процессах», реализующее алгоритм детектирования аномальных информативных признаков в динамических технологических процессах (гл.З).

Программное средство реализовано в среде Borland С++ Builder 6.0 на основе разработанных классов объекта-строки и шаблона. Оно оснащено блоком сценариев исследования, при помощи которого была проведена оценка характеристик и свойств разработанного алгоритма.

Ядро программного средства вошло в состав алгоритмического обеспечения системы мониторинга объекта уничтожения химического оружия (ОУХО) в г. Камбарка Удмуртской республики.

Программное средство п олучило свидетельство о государственной регистрации №2005612251 от 02.09.2005.

5. Проведено исследование свойств метода для динамических процессов при помощи программного средства на основе случайных рядов, сгенерированных системой и реальных временных рядов технологических процессов (гл. 4). Сформированы рекомендации к применению метода на реальных объектах. В зависимости от параметров детектора исследованы:

• быстродействие алгоритма

• вероятность ложного срабатывания детектора

• поведение границы детектируемости шаблонов

Исследования показали сравнительно высокое быстродействие алгоритма, позволили выявить и прогнозировать поведение вероятности ложного срабатывания в зависимости от настроек детектора и параметров исходного ряда. Также было проведено исследование поведения границы детектируемости шаблонов в зависимости от меры шероховатости исходного ряда.

В целом метод детектирования аномальных информативных признаков в динамических технологических процессах выглядит перспективным средством повышения безопасности функционирования технологических объектов. Он позволяет без вмешательства в структуру существующей системы мониторинга и принятия решений, добавить новый информативный фактор в совокупность используемых идентификационных признаков объекта, и вес его может быть весьма существенным. Ресурсоемкость алгоритма и вероятность ложного срабатывания прогнозируемы и могут быть учтены при внедрении в существующую систему. Внедрение в технологическую систему объекта 1597 по уничтожению артиллерийских и авиационных боеприпасов показало практическую применимость метода.

Совокупность приведенных результатов составляет методику повышения уровня технической безопасности объектов повышенной опасности, основанную на предварительной диагностике зарождающихся дефектов технологического оборудования.

Список литературы диссертационного исследования кандидат технических наук Гаганов, Павел Геннадьевич, 2006 год

1. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. -М.:Финансы и статистика, 1987.

2. Себер Дж. Линейный регрессионный анализ. М.: Мир, 1980.- 456 с.

3. Дайитбегов Д.М., Калмыкова О.В., Черепанов А.И. Программное обеспечение статистической обработки данных. -М.:Финансы и статистика, 1984. -192 с.

4. Алгоритмы и программы восстановления зависимостей. Вапник В.Н. (ред.) М.:Наука, 1984.-816 с.

5. Вапник В.Н. Восстановление зависимостей по эмпирическим данным. -М.:Наука, 1979.

6. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. В 2-х тт. Перев. с английского. М.: Мир, 1974г. 408 C.+200 с.

7. Светлицкий В.А. Случайные колебания механических систем. М.: Машиностроение, 1976,216 с.

8. Виброакустическая диагностика зарождающихся дефектов / Ф.Я. Балицкий, М.А. Иванова и др. М.: Наука, 1984,119 с.

9. Болотин В.В. Случайные колебания упругих систем. М.: Наука, 1979,335 с.

10. Вибрации в технике: справочник. Т. 5. Измерения и испытания/Под ред. Челомей В.Н. М.: Машиностроение, 1981.496 с.

11. Добрынин С.А., Фельдман М.С., Фирсов Г.И. Методы автоматизированного исследования вибрации машин. М.: Машиностроение, 1987,224 с

12. Редько С.Ф., Ушкалов В.Ф., Яковлев В.П. Идентификация механических систем. Киев, 1985

13. Кулаичев А.П. Компьютерный контроль процессов и анализ сигналов. -М.: Информатика и компьютеры, 1999

14. Куприянов М.С. Цифровая обработка сигналов: процессоры, алгоритмы, средства проектирования. СПб, 1999

15. Гольденберг JI.M., Левчук Ю.П., Поляк М.Н. Цифровые фильтры. М.: Связь, 1974

16. Вавилов А.А., Солодовников А.И. Экспериментальное определение частотных характеристик автоматических систем. М. Д.: ГЭИ, 1963. 256 с.

17. Измерение, обработка и анализ быстропеременных процессов в машинах / В.П. Максимов, И.В. Егоров, В.А. Карасев. М.: Машиностроение, 1987, 208 с.

18. Вейц В.Д., Коловский М.З., Кочура А.Е. Динамика управляемых машинных агрегатов. М.: Наука, 1984,352 с.

19. Фролов К.В. Методы совершенствования машин и современные проблемы машиноведения. -М.: Машиностроение, 1984,223 с.

20. Демиденко Е.З. Линейная и нелинейная регрессии. М.:Финансы и статистика, 1981. - 302 с.

21. Каримов Р.Н. Обработка экспериментальной информации. Часть 2. Регрессионный анализ. СГТУ, Саратов, 1999. 104 с.

22. Каримов Р.Н. Обработка экспериментальной информации. Часть 3. Многомерный анализ. СГТУ, Саратов, 2000. -104с.

23. Робастность в статистике. Подход на основе функций влияния: Пер. с англ. -М.: Мир, 1989.-512 с.

24. Хьюбер П. Робастность в статистике: Пер. с англ. М.: Мир, 1984. - 304с.

25. Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Классификация и снижение размерности. М.: Финансы и статистика, 1989. - 607 с.

26. Факторный, дискриминантный и кластерный анализ: Пер. с англ., /Дж.-Он Ким, Ч.У.Мьюллер и др. М.: Финансы и статистика, 1989. - 215с.

27. Кендалл М.Дж., Стьюарт А. Многомерный статистический анализ временные ряды: Пер. с англ . -М.:Наука. Гл. ред. физ.-мат. лит., 1976. -736 с.

28. Афифи А., Эйзенс С. Статистический анализ. Подход с использованием ЭВМ. Пер. с англ. -М.:Мир, 1982. 488с.

29. Кафаров В.В., Дорохин И.Н., Марков Е.П. «Системный анализ процессов химической технологии. Применение метода нечетких множеств». М: Наука 1986.

30. Химмельблау Д. «Обнаружение и диагностика неполадок в химических и нефтехимических процессах». JI: Химия 1983

31. Бесчастнов М.В., Соколов В.М. «Предупреждение аварий в химических производствах» М: Химия, 1985

32. Поспелов Д. А. «Основы ситуационного управления: теория и практика» М.: Наука 1986.

33. Клыков Ю. И. «Ситуационное управление большими системами» М.: Энергия 1974.

34. Кузин Р. Е., Шаталов В. В., Комаров А. В. и др. «Автоматизированная система радиационного и химического мониторинга ВНИИ химической технологии для опасных химических производств» // Приборы и системы управления №12 1998, стр.24.

35. Иващук В. В. «Построение эффективных алгоритмов идентификации технологических объектов управления» // Приборы и системы. Управление, контроль, диагностика. №10 2001, стр. 68.

36. Андерсон Т. Статистический анализ временных рядов. М: Мир, 1976. -523 с.

37. Бартлегг М.С. Введение в теорию случайных процессов. М.: Изд-во иностр. лит., 1958. - 384 с.

38. Беляев В.И., Ивахненко А.Г., Флейшман Б.С. Кибернетические методы прогнозирования научно-технического прогресса // Автоматика. 1986. - № З.-С. 49-57.

39. Бронштейн Е.М., Бруснловский П.М. Процедура формирования коллективного прогноза // Применение методов теории информации. М.: Сов.радио, 1984. С. 66-67.

40. Брусиловский П.М., Гаев JI.B. Коллективные решения в задаче прогнозирования бинарных временных рядов // Изв. АН СССР. Сер. техн. киберн. 1987. - № 3. - С. 75-81.

41. Брусиловский П.М., Розенберг Г.С. Проверка неадекватности имитационных моделей динамической системы с помощью алгоритмов МГУА // Автоматика. -1981. № 6. - С. 43-48.

42. Брусиловский П.М., Фридлянд A.M. Методические указания по использованию пакета программ "Анализ и прогноз временных рядов коллективом предикторов". Уфа: Изд-во Уфим. авиац. ин-та, 1986. - 40 с.

43. Вайну Я.Я.-Ф. Корреляция рядов динамики. М.: Статистика, 1977. - 119 с.

44. Венецкий И.Г., Кильдишев Г.С. Основы теории вероятностей и математической статистики. М.: Статистика, 1968. - 360 с.

45. Горелова B.JL, Мельникова Е.Н. Основы прогнозирования систем. М.: Высшая школа, 1986. - 285 с.

46. Гренандер У. Случайные процессы и статистические выводы. М.:Изд. иностр. лит., 1961. - 167 с.

47. Дайитбегов Д.М., Калмыкова О.В., Черепанов А.И. Программное обеспечение статистической обработки данных. М.: Финансы и статистика, 1984. - 192 с.

48. Енюков И.С. Методы, алгоритмы, программы многомерного статистического анализа. М.: Финансы и статистика, 1986. - 230 с.

49. Ершов Э.Б. Об одном методе объединения частных прогнозов // Статистический анализ экономических временных рядов и прогнозирование. М.: Наука, 1975. С. 87-105.

50. Жуковский Е.Е., Брунова Т.И. Статистические методы оптимального комплексования альтернативных прогнозов // Применение статистических методов в метеорологии. М.: Гидрометеоиздат, 1978. - С. 40-50.51.