Непараметрические модели и алгоритмы управления для автоматизированных систем в производстве алюминия тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат технических наук Синельников, Виталий Викторович

• Синельников, Виталий Викторович
• кандидат технических наук
• 2005

Оглавление диссертации кандидат технических наук Синельников, Виталий Викторович

Введение.

Глава 1. Непараметрические модели и регуляторы линейных. динамических систем.

1.1. Модели динамической системы.

1.1.1. Параметрическая модель линейной динамической. системы.

1.1.2. Неиараметрическая модель линейной динамической. системы.

1.1.3. Многомерная непараметрическая модель линейной динамической системы.

1U.4. Непараметрическая модель нелинейной динамической системы.

1.1.5. Модификация непараметрической модели ЛДС.

1.1.6. Численные исследования.

Выводы к главе 1.1.

1.2. Математическое описание и исследование. непараметрического регулятора ЛДС.

1.2.1. Краткое описание основных принципов регулирования. линейных динамических объектов.

1.2.2. Математическое описание и принцип работы. непараметрического регулятора.

1.2.3. Модификация неиараметрического алгоритма управления. 42 за пределами выборки.

1.2.4. Численные исследования.

Выводы к главе 1.2.

Выводы к главе I.

Глава 2. Математические модели технологических процессов электролиза алюминия.

2.1. Основные узлы электролизера.

2.2. Требования, предъявляемые к глинозему.

2.3. Способы управления электролизером.

2.4. Динамическая модель электролизера.

2.5. Алгоритм ППР ОСЭГ.

2.5.1. Технологическая постановка задачи.

2.5.2. Основные моменты теории приблизительных рассуждений используемые при разработке алгоритма.

2.5.3. Априорная информация и обозначения алгоритма.

2.5.4. Структурная схема алгоритма.

2.5.5. Функциональная схема алгоритма.

2.5.6. База правил блока 1.

2.5.7. База правил блока 2.

2.5.8. База правил блока 3.

2.5.9. Блок "усиления".

2.5.10. Блок принятия решения.

2.5.111 Техническая реализация алгоритма.

Выводы к главе 2.

2;6. Нейронные сети в решение задач прогнозирования значений технологических параметров процесса электролиза алюминия.

2.6.1. Алгоритм обратного распространения ошибки.

2.6.2.' Недостатки алгоритма обратного распространения ошибки.

2.6.3: Алгоритм обучения нейронной сети.

2.6.4. Численные исследования.

Выводы к главе 2:6.

2.7. Модуль автоматизированного формирования графика замены? анодов.

2.7.11.Технологическая постановка задачи.

217.2: Алгоритм ГЗА.

Выводы к главе 2.7.

Выводы к главе 2.

Глава 3. Моделирование и управление процессом прокаливания кокса» вращающейся печи анодного производства.

3.Г. Производство анодной массы

3.2. Аппаратно —технологическая схема прокалочного отделения

3.3. Технология прокаливания.

3.4: Технологическая постановка задачи.

3.5. Автоматизация контроля и регулирования режима прокалки;.

3.6. Математические основы модели и системы управления.

3.7. Результат работы ней ромод ел и и системы управления.

3.8. Техническая реализация программного обеспечения.

Выводы к главе 3.

Введение диссертации (часть автореферата) на тему «Непараметрические модели и алгоритмы управления для автоматизированных систем в производстве алюминия»

Актуальность. Задаче идентификации посвящено большое количество работ. Гроп Д.[5], Э.П. Сейдж и ДЛ. Мелса [29] описывают задачу идентификации в узком смысле. В работах П.Эйкхоффа [35] уделено большое внимание задаче оценивания параметров объекта различными методами, такими как метод максимального правдоподобия, МНК, метод минимального среднего риска, Байесовские оценки и др. Однако на практике встречаются ситуации, когда априорная информация об объекте чрезвычайно мала, например, трудно установить структуру, класс модели или объект линеен, а информация о характере переходного процесса отсутствует и т.д.

В работе рассматриваются некоторые задачи идентификации и управления в «широком» смысле, решение которых предполагается в условиях непараметрической неопределенности, то есть в случае, когда структуру объекта с точностью до набора параметров неизвестна. Необходимость в разработке непараметрических алгоритмов определяется тем фактом, что постановка задач идентификации и управления в «широком» смысле преобладает во множестве практических приложений. Зачастую исследователю приходится; сталкиваться с малоизученными процессами и объектами, структура моделей для которых неизвестна. Влияние случайных помех с неизвестными законами распределения еще более усложняют решение поставленных перед ним задач. Вследствие этого на современном этапе активно разрабатываются подходы к идентификации и управлению динамическими системами в условиях неопределенности. Одним из таких подходов является использование непараметрических методов теории идентификации.

Класс непараметрических оценок был впервые введен М. Розенблаттом [28] в 1956 г., изучался Э. Парзеном [55] и Э.А. Надарая [23,24], А.В. Медведевым[17], А.И. Рубаном [27] и др.

В диссертационной работе ставится задача разработки непараметрического регулятора, для функционирования которого достаточно знание того, что объект управления является линейным, при этом не требуется знать структуру и порядок дифференциального уравнения, и возможно проведение над ним экспериментов по снятию переходной характеристики.

Процесс синтеза непараметрического регулятора состоит из двух этапов: построение непараметрической модели линейной динамической системы (ЛДС) [18], в виде интеграла Дюамеля с последующим непараметрическим оцениванием весовой функции системы, и оценивание обратного оператора системы. На первом этапе оценивается импульсная переходная функция системы и на основе этой оценки производится построение модели объекта управления в виде интеграла Дюамеля. На втором этапе на основе построенной модели оценивается обратный оператор ЛДС, который является непараметрическим регулятором.

Из-за влияния случайных ошибок разомкнутая схема управления может обеспечивать неустойчивый процесс управления. Для того чтобы избежать подобного эффекта, вводится контур обратной связи.

Непараметрический уровень неопределенности теории идентификации охватывает огромное количество методов различной "природы", в том числе и методы теории нейронных сетей.

Первые шаги в области искусственных нейронных сетей: сделали в 1943 году Мак-Калох и Пите [54]. Они показали, что при помощи пороговых нейронных элементов можно реализовать исчисление любых- логических функций. В 80-х годах настоящий прорыв в математическом аппарате нейронных сетей: сделали одновременно ряд авторов, предложив: алгоритм обучения;, получивший названия "алгоритм обратного распространения ошибки".

В 1982 году Кохонен представил самоорганизующиеся нейронные сети, применяемые для задач распознавания: образов и сжатия информации[53]. Математический аппарат сетей Кохонена был использован; в создание класса, вероятностных нейронных сетей, основанных на восстановлении функции условной плотности распределения вероятностей в задачах рас познавания? и аппроксимации функции.

В* настоящее время исследования в области искусственных нейронных сетей ориентированы на создание специализированных систем для решения^ конкретных задач практики[14,3;33]. Одной из таких задач, является построение модели и системы управления, на. основе модели, процессом прокаливания кокса.

Необходимость в разработке нейросетевой системы управления заключается; в. том, что одни только локальные контуры регулирования; температурной: зоной печи прокаливания кокса не в состоянии обеспечить адекватную реакцию на меняющиеся характеристики технологического процесса; так как их математический аппарат предназначен: для управления по целям (уставкам регулятора), а не их оперативное изменение.

Используемая в диссертационной работе нейронная сеть общей регрессии: (НСОР) впервые была предложена Шпехтом в 1991 году [57-59]. Сеть содержит один скрытый слой, в котором: каждому нейрону соответствует пример из обучающей выборки. В ходе анализа работы HGOP было модифицировано ядро сети. Предложенная индикаторная; функция, уменьшает количество ошибок первого или второго рода возникающих в результате нехватки информации о химической составляющей поставщиков кокса. Обучение нейронной: сети основано на генетическом алгоритме. Предложен способ построения системы управления задающими воздействиями: регуляторов температурного режима печи, как задача теории оптимизации.

Если теория нейронных сетей и непараметрическая теория требуют выборки наблюдений за исследуемым процессом, то придуманная Л.Заде [8] в 1965 г. теория • нечетких множеств основана на математической формализации опыта, например технолога - эксперта, а не восстановления! стохастических зависимостей на основе выборок данных [32,43]. К области применения теории нечетких множеств можно отнести высоко агрессивные технологические процессы [1-25], описание которых в основном представлено с помощью лингвистических переменных.

В работе предложен алгоритм поддержки принятия решения об обработке стороны электролизера глиноземом, не оснащенного системой автоматической подачи глинозема. Необходимость в. разработке алгоритма заключается в том, что он формализует опыт технолога как единственное средство описания технологического процесса электролиза алюминия в целом. Это связано с тем, что установление регрессионных зависимостей затрудненно технологическими особенностями, а точнее большой стоимостью и коротким сроком: службы технического оборудования позволяющего получать, значения базовых технологических параметров непрерывно, например температуры электролита, температура ликвидуса и.т.д.

Таким образом, проблемы задач практики, возникающие, когда исследователю известна только лишь качественная информация или выборки данных, изучаемого процесса, не: известен класс модели и; система уравнений, описывающая процесс, способствуют активному развитию методов и алгоритмов непараметрического уровня? априорной информации; теории идентификации систем.

Цель работы заключается в повышении эффективности управления технологическими процессами производства алюминия; в условиях непараметрической априорной неопределенности.

Цель работы определила необходимость в решении следующих.задач:

1. Построение непараметрической модели линейной динамической системы (ЛДС) произвольного порядка и разработка на ее основе непараметрического регулятора ЛДС;

2. Создание на основе математического аппарата, теории; нечеткой; логики алгоритма управления загрузкой электролизера глиноземом;

3. Создание на основе теории! нейронных сетей многофакторной модели прогноза среднесуточных значений: технологических; параметров процесса электролиза алюминия;

4. Создание оптимизационной модели формирования' графика замены, анодов и алгоритмов ее решения;

5. С использованием теории: нейронных сетей построение модели процесса прокаливания кокса и системы управления задающими воздействиями регуляторов печи прокаливания;

6. Создание программного обеспечения моделей и алгоритмов управления.

Методы исследования. При выполнении диссертационной работы использовались методы теории* вероятностей; математической статистики, функционального анализа, теории автоматического управления, теории оптимизации;- теории нейронных сетей, теории нечеткой логики.

Научная новизна работы заключается в следующем:

1. Предложена модифицированная: непараметрическая; модель линейной динамической системы произвольного порядка и на ее основе создан непараметрический регулятор ЛДС;

2. Построен на основе математического аппарата теории нечеткой логики алгоритм управления загрузкой электролизера глиноземом, учитывающий качественную информацию о состояниях технологического процесса;.

3; Создана оптимизационная модель формирования графика замены анодов, которая позволяет равномерно распределять трудозатраты между сменами-электролизных корпусов;

4. Предложена модификация нейронной сети общей регрессии (МНСОР) и на ее основе построена многофакторная модель плотности кокса в зоне прокаливания;

5. Создана на основе МНСОР, оптимизационная^ система управления задающими воздействиями локальных регуляторов^ печи; повышающая, качество прокаленного кокса.

Практическая ценность работы и реализация полученных результатов.

Предложенные в диссертационной работе алгоритмы предназначены для использования; в составе информационно-технологических систем (ИТС) и ЛСУТП производства алюминия. На их основе разработано программное обеспечение, которое находится в промышленной эксплуатации,, о чем подтверждают акты использования результатов диссертационной работы.

На защиту выносятся:

1. Модифицированная непараметрическая модель линейной динамической системы произвольного порядка и созданный; на ее основе непараметрический регулятор ЛДС;

2. Алгоритм управления загрузкой электролизера глиноземом, учитывающий качественную информацию о технологическом процессе электролиза алюминия;

3. Оптимизационная модель формирования графика замены анодов и алгоритмы ее решения;

4. Модификация нейронной сети общей регрессии (МНСОР) и построенная на ее основе многофакторная? модель плотности кокса: в зоне прокаливания;:

5. Созданная на основе МНСОР, система управления задающими воздействиями л о кальных регуляторов печи прокаливания кокса.

Апробация: работы. Основные результаты диссертационной работы докладывались и обсуждались:

- на IV Всероссийской научно-практической конференции студентов, аспирантов и молодых специалистов- «Решетневские чтения»,. Красноярск, 2000 г.;

- XVI Международная научно практическая конференция; "Математические методы в технике и технологии", Ростов-на-Дону 2003 г.;

- на IV Всероссийской конференции молодых ученых по математическому моделированию и информационным технологиям, Красноярск, 2003 г.;

- на III Международной конференции "Идентификация систем и задачи управления", Москва 2004 г.;

- на X Международной конференции "Алюминий Сибири", Красноярск, 2004 г.;

- на семинарах кафедры Системного анализа и исследования операций Сибирского государственного аэрокосмической университета (19982004 гг.) и в Информационно - технологическом центре компании РУС АЛ.

Публикации. По результатам диссертационной работы опубликовано 9 статей. Личное участие автора заключается в математической постановке задач, научной новизне и программной реализации предложенных решений.

Структура и объем работы. Диссертация состоит из введения, трех глав, заключения, списка используемой литературы состоящей из 46 наименований и приложения. Содержание работы изложено на 110 страницах основного текста. В приложении приведены документы, свидетельствующие о практической реализации результатов исследований и разработок автора, а также свидетельства об официальной регистрации программного обеспечения.

Заключение диссертации по теме «Автоматизация и управление технологическими процессами и производствами (по отраслям)», Синельников, Виталий Викторович

Выводы к главе 31

В главе сформулирована математическая; постановка задачи идентификации процесса прокаливания кокса, суть которой заключается в сведении задачи динамики к задаче статики с помощью внедренных локальных систем стабилизации и регулирования технологическими параметрами процесса.

В качестве решения* задачи моделирования» была использована нейронная сеть общей рефессии. Ядро нейронной сети в ходе опытной эксплуатации было модифицировано. Нехватка дополнительной информации о химическом составе, влажности и крупности сырого кокса, определили введение индикаторной функции, которая решила проблему определения ошибок 1 или 2 рода.

Сформулирована и решена задача изменениям уставок регуляторам температурного режима, как задача теории оптимизации, где в качестве целевой функции используется квадратичная ошибка между желаемой плотностью кокса и выходом модели:

Ошибка прогнозирования составила 15%, что является вполне ожидаемым, так как процесс прокаливания кокса - "живой" технологический процесс с огромными числом воздействий которые можно отнести к случайным факторам.

Система управления, меняющая- задания локальным контурам регулирования, показала свою устойчивость в случае прокаливания одновременно более одного поставщика коса. Это подтверждает сравнительный анализ работы модели и системы управления на печи прокаливания № L и печей №2,3,4.

Нейросистема печи прокаливания; кокса №1 сдана в промышленную эксплуатацию и готова к тиражированию на печи №2,3,4.

Заключение

В соответствии с поставленной целью в диссертационной работе получены следующие основные результаты:

1. Разработаны модификации и исследованы непараметрические алгоритмы идентификации линейных и нелинейных динамических систем, рассматриваемых как модель Гаммерштейна;

2. Построен непараметрический регулятор линейных динамических систем, основанный на непараметрическом оценивании обратного оператора ЛДС;

3. Разработан алгоритма поддержки принятия решения обработки стороны электролизера глиноземом, при двенадцати кратной обработке;

4. Предложены модели прогноза среднесуточных значений технологических параметров корпусов электролизных цехов;

5. Разработан оптимизационный алгоритм графика замены анодов для технологии электролиза ОАО САЗа;

6. Разработана, на базе нейронной сети общей регрессии, модель и система управления^ печи прокаливания кокса ОАО КРАЗа. Модифицировано ядро-нейронной сети; Разработан алгоритм оптимизационного подхода к решению задачи управления уставками регуляторов температурного режима печи.

Результаты данной работы; могут, быть использованы для управления технологическими процессами, носящими линейный и нелинейный характер. Практическая часть диссертационной работы наглядно показывает использование вышеописанных методов для АСУТП и ИТС.

Список литературы диссертационного исследования кандидат технических наук Синельников, Виталий Викторович, 2005 год

1. Алиев P.A., Абдикеев Н.М., Шахназаров М.М. Производственные системы с искусственным интеллектом // М.: Радио и связь, 1990, 262 с.

2. Анашкин А.С. и др. Система оптимального управления газовым режимом конвертерного отделения плавильного цеха комбината "Печенганикель". -М.: Цветные металлы. -2001. -№8. -с. 106-109.

3. Березин А.И.\ и др. Нейросетевая модель прогноза качества производства анодной массы для условий ОАО "БрАЗ". -Mi: Цветные металлы. -2001. -№8. -с. 25-28.

4. Обработка нечеткой информации в системах принятия решений / А.Н. Борисов, А.В. Алексеев, Г.В. Меркурьева и др.- М.: Радио и связь, 1989.- 305 с.

5. Гроп Д. Методы идентификации систем. М.: Мир, 1979.

6. Головко. В.А. Нейронные сети: обучение, организация и применение. -М.: 2001.-256 с.

7. Грунина Г.С., Деменков Н.П., Евлампиев А.А. Решение многокритериальных задач оптимизации в условиях качественной неопределенности // Вестник МГТУ. 1998. - N1. - С. 45-53.

8. Заде Л. Понятие лингвистической переменной и его применение для принятия приближенных решений.- М.: Мир, 1976. -165с.

9. Иващенко Н.Н. Автоматическое регулирование. Теория и элементы систем,-М;: «Машиностроение», 1978.

10. Ю.Катковник В Я. Линейные-оценки., и стохастические задачи оптимизации.-М.: Наука, 1976. -437с.

11. ККатковник В.Я. Непараметрическая идентификация и сглаживание данных. -М.: Наука, 1985.-415с.

12. Колмогоров Л. Н. Представление непрерывных функций многих переменных суперпозицией функций одной переменной и сложением // ДАН, 1958, №.5, с.953-956.

13. Кофман А. Введение в теорию нечетких множеств. М.: Радио и связь, 1982. - 432с.

14. Лапаев И.И., Горбунов И.И., Мурашкин А.И. Автоматизация систем управления процессом прокаливания кока во вращающейся печи. — Красноярск. Технико-экономический вестник "Русского Алюминия". -2003. -№5.-с. 22-24.

15. Медведев А.В. Непараметрические системы адаптации. Новосибирск: Наука, 1983.-173с.

16. Медведев А.В. О сходимости непараметрических алгоритмов управления. — Фрунзе: Илим, 1975. С. 27-32.

17. Медведев А.В. Непараметрические оценки плотности вероятности и ее производных. Фрунзе: Илим, 1973.- С. 22-31.

18. Медведев А.В. Об идентификации линейных динамических систем // Алгоритмы и программы в системах обработки экспериментальных данных.-Фрунзе: Илим, 1975.- С. 14-26.

19. Медведев А.В. Адаптация в условиях нспараметрической неопределенности. Новосибирск: Наука, 1978. - С. 4-34.

20. Медведев А.В1, Цыкунова И.М. О сходимости непараметрических алгоритмов поиска экстремума. В сб.: «Обработка информации в автоматизированных системах». Фрунзе: Илим, 1974.

21. Минцис М.Я;, Поляков П.В., Сиразутдинов F.A. Электрометаллургия алюминия. Новосибирск: Наука, 2001. — 368 с.

22. Меламед И.И. Нейронные:сети и комбинаторнаяоптимизация.-Автоматика и телемеханика, 1994, jYyl 1, с.3-40.

23. Надарая1 Э.А. Непараметрические оценки плотности вероятности и кривой регрессии.- Тбилиси: Тбил. ун-т, 1983.-286с.

24. Надарая Э.А. Об оценке регрессии // Теория вероятностей и ее применение. Т9,вып. 1, 1964.-С. 157-159.

25. Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. М.: Наука, 1981.-206 с.

26. Пискажева Т.В; Динамическая модель электролизера. -К.: Технико-экономический вестник "Русского алюминия", 2003 г.

27. Рубан А;И. Методы анализа данных. Учеб. пособие: в 2 ч. Красноярск:: КГТУ, 1994.

28. Розенблат Ф. Принципы нейродинамики: Персептрон и теория механизмов мозга: Пер. с англ. М.: Мир, 1965.

29. Сейдж ЭЛ.", Мелса Д.Л. Идентификация систем управления. М.: Наука, 1974.

30. Скурихин А. Н. Нейронные сети: определения, концепции, применение. -Ml; ЦНИИ управления экономики и информатики, 1991.

31. Семенкин. E.G. Оптимизация технических систем. Красноярск: 1996. — 286с.

32. Спесивцев А.В. и др. Управляющие модели: металлургических процессов с использованием нечетких множеств. -М;: Цветные металлы. -1996. -№11. —с. 66-69.

33. Черкасов. В.Ю. и др. Экспертная система: управления процессом? измельчения и классификации на основе нейронных сетей; —М:: Цветные металлы. -2004 г. -№6. -с. 45-47.

34. Янко Э.А., Д.Н. Воробьев. Производство анодной массы. — М.: Металлургия, 1984 г, 103 с.

35. Современные методы идентификации систем:: Пер. с англ.- / Под ред. П. Эйкхоффа. Ml: Мир, 1983. - 400 с.

36. Anderson J. Neural models with cognitive implications II Basic Proc esses in: Reading Perception and: Comprehension Models, Hill-sadale, NJ: Hrlbaum, 1977, pp.27-90.

37. Arbib MA. (1995), Foreword;in R. Sun and L.A. Bookman (eds). Computational Architectures Integrating Neural and; Symbolic Processes, A Perspective on the State of the Art. Boston: Kluwcr Academic Publishers.

38. Cawsey A. (1998). The Essence of Artificial Intelligence. Hemel Hempstead: Prentice Hall.

39. Cleeremans A. (1993). Mechanisms of Implicit Learning, Gonnectionist Models of Sequence Processing. Cambridge, MA: MIT Press.

40. Dorffner G. (ed.) (1997). Neural Networks and a New Artificial Intelligence. London: International Thomson Computer Press.

41. Dyer M.G. (1994). Grounding language in perception; V. Honavar and L. Uhr (eds),. Artificial Intelligence and Neural Networks. Steps toward Principled Integration. London: Academic Press.

42. Elman J. (1990). Finding structure in time. Cognitive Science, 14, p; 179-—211.

43. Fausett L. (1994). Fundamentals of Neural Networks. Architectures,. Algorithms and Applications. Upper Saddle River, NJ: Prentice-Hall.

44. Noelle D.G. and Gottrell D.G. (1995). Towards instructable Connectionist systems; Ri. Sun and L.A. Bookman (eds), Computational Architectures Integrating Neural and Symbolic Processes

45. Miikkulainen R. (1994). Integrated Connectionist models Building AI systems on subsymbolic foundations, in V. Honavar and L. Uhr (eds)^ Artificial Intelligence and Neural Networks Steps toward Principled; Integration: London: Academic Press.

46. Miikkulainen Ri (1995). Subsymbolic parsing of embedded:structures, R Sun and. L A Bookman (eds), Computational Architectures Integrating Neural and Symbolic Processes, A Perspective on the State of the Art. Boston: Kluwer Academic Publishers.

47. Miikkulainen Rl and Dyer M.G. (1991). Natural language processing with modular neural networks and distributed lexicon. Cognitive Science, 15, p. 343399.

48. Nenov V.l. and Dyer M.G. (1994). Perceptually grounded language learning, Part 21 DETE: A neural/procedural model. Connection Science, 6(1).

49. Niklasson L and Sharkey N.E. (1997). Svstematicity and generalization in compositional Connectionist representations; G. Dorffher (ed), Neural Networks and a New Artificial Intelligence. London: International Thomson Computer Press.

50. Noelle D.C. and Cottrell D C. (1995). Towards instructable Gonnectionist systems; R. Sun and L.A. Bookman (eds), Computational Architectures Integrating Neural and Symbolic Processes, A Perspective on the State of the; Art. Kluwer Academic Publishers.

51. Bishop, G., Neural Networks for Pattern Recognition. Oxford University Press, 1995:

52. Hopfidd, J. Neural; Networks and physical systems with emergent collective computational abilities // Proceedings of the. NationaL Academy of Sciences USA\ S982; pp.2554~2558.

53. Kohonen, T. Sell-organized formation of topologically correct feature maps // Biological Cybernetics, 1982, no.43, pp.59-69.

54. Mcculloh, Pitts. A logical calculus of the ideas immanent in nervous activity // Bulletin of Mathematical Biophysics, 1943; №5, pp.115-133.

55. Parzen E. On Estimation of a Probability Density, Function and Mode // IEEE Transactions on Information Theory, vol. Pami-4, №6, 1982,- p. 663-666.

56. Rosenblatt M. Remarks on some nonparametric estimates of a density function // Ann. Math. Statist. 1956. - V.27, № 3. - Pp; 832-835.

57. Specht, D; Probabilistic Neural Networks. Neural Networks, 1990, 3, 109-118.

58. Specht, D. and Shapiro, P. Generalization Accuracy of Probabilistic Neural Networks Compared with Back-Propagation Networks. Proceedings of the International Joint Conference on Neural Networks, July 8-12, 1991, I, 887-892.

59. Specht, D. A General Regression Neural Network. IEEE Trans, on Neural Networks, Nov. 1991, 2, 6, 568-576.

60. Sangalli A., and Klir G.R. Fuzzy logic goes to market, New Scientist, 8 Feb., 1992.1. Список публикаций

61. В.X Манн, В.В. Синельников, К.Ф. Никандров, Е.В: Сиваш, И.А. Устинович. Свидетельство № 2004611493 об официальной регистрации программного обеспечения; "Система управления процесса прокаливания кокса'7/ г Москва. 2004.

62. В.В. Синельников, К.Ф. Никандров,. О.А. Требух, П.Н. Борисов. Модуль автоматизированного формирования графика замены анодов САЗа. // Технико-экономический вестник "Русского Алюминия". Вып. 5. -Красноярск. -2004. -с. 18-20.

63. В.В. Синельников, И.И. Лапаев, К.Ф. Никандров. Нейронные сети в автоматизированной«системе управления процессом прокаливания кокса// X Международная конференция-выставка «Алюминий Сибири — 2004»: сборник статей. Красноярск, 2004. —с. 262-2641

64. Е.Р. Agafonof, I.A. Krasnoshtanova, V.V. Sinelnikov. Nonparametric model of multi-connected systems in conditions of uncertainty. // Intelligent system. Proceedings of the V international symposium. -Moscow: BMSTU, 2002. -p. 396-400.

65. С помощью нейросетевой системы управления печи прокаливания кокса №1 удалось увеличить объем качественно произведенного кокса на 4% или 4500 тонн (22500 тонн/год), за счет снижение брака.

66. Программное обеспечение сдано в промьшщрщую эксплуатацию и готово к тиражированию на печи №2,3,4 ОАО• /

67. Начальник отдела программного / ^ ^ ~f7 \'^Никандров К.Ф.обеспечения

68. Менеджер отдела анодов техно- 7 Францев Ю.А.логического департамента

69. Утверждаю" Директор инженерного департамента ООО «ИТЦ» РУСАЛ, Е.Н. ЧичукЛ1. Л» 1ЛЮИ9, 2005 г.1. АКТо практическом использовании результатов диссертационной работы В.В. Синельникова при разработке алгоритма графика замены анодов для1. ОАО САЗ.

70. Сложности, возникающие при формировании заданий, связаны с учетом огромного количества анодных блоков, которые должны быть заменены за конкретный промежуток времени, например за месяц.

71. Алгоритм, предложенный в диссертационной работе В.В. Синельникова позволяет мобильно формировать задания сменам корпусов при переходе с одного цикла замены на другой, обеспечивает равномерность количества замен анодных блоков, по сменам и звеньям.

72. Это способствует плавному изменению теплового баланса электролизных ванн, при переходе с одного цикла замены на другой, а также равномерному распределению трудозатрат.

73. Библиотека, реализующая работу алгоритма, сдана в опытную эксплуатацию и входит в состав программного обеспечения АРМ "Старший мастер и технолог" ОАО САЗ.1. РОССИЙСКАЯ ФЕДЕРАЦИЯ

74. РОССИЙСКОЕ АГЕНТСТВО ПО ПАТЕНТАМ И ТОВАРНЫМ ЗНАКАМ (РОСПАТЕНТ)1. СВИДЕТЕЛЬСТВО

75. Об официальной регистрации программы для ЭВМ2003610551

76. Учебно-консультационная программа "Виртуальный электролизер"1. Правообладатель(ли):

77. Общество с oipanulmmoA ответственностью "%4пфенерно-технomiuieckuA ljeiimfj" (RU)1. Автор(ы):

78. Никандров ^Константин Федорова, ЯТискафова Шатъяна (Валериевна, Синельников (Виталий !Викторовн1, Манн (Виктор %рнстъянови1 (RU)

79. Страна: Российская Федерацияпо заявке № 2003610002, дата поступления: 4 января 2003 г.

80. Система уиравлеиия иирогноза v процесса прокаливания кокса. Версня1,0 >,

81. Пра?!0(и';лада1 елъ(.ж): Общества с. ограниченной ответственностью> г'1нженерно~технояогическгш,центр" (RU)иг ж.

82. Автор(ii): MamvВиктор Христъянович, Синельников Виталий-Викторович, Никандров Константин Федорович4 Сиваш Евгений Валентинович,, Устинович Игорь Анатольевич (JRU)1. Лаянка^Мг 2004610903

83. Дата д1остуллеш1я-20 апреля2О04>г. ^

84. Зарегистрировано^ Реестре программ для-ЭВМ'- 17июпя2004г„

85. Руководитель Федеральной службы по ттеллектуалъяоф' собственности> Патентам V товарпьШ знакам*"1. BMi ЕимтГШ: у ■>• ,' ••• 4 ••: ■>" •. :•••. >йййййййййййййййййййййййййййййййй'