Развитие системы управления показателями качества бумажного полотна на базе нейросетевых технологий тема диссертации и автореферата по ВАК РФ 05.13.07, кандидат технических наук Бахтин, Андрей Владимирович

  • Бахтин, Андрей Владимирович
  • кандидат технических науккандидат технических наук
  • 2000, Санкт-Петербург
  • Специальность ВАК РФ05.13.07
  • Количество страниц 157
Бахтин, Андрей Владимирович. Развитие системы управления показателями качества бумажного полотна на базе нейросетевых технологий: дис. кандидат технических наук: 05.13.07 - Автоматизация технологических процессов и производств (в том числе по отраслям). Санкт-Петербург. 2000. 157 с.

Оглавление диссертации кандидат технических наук Бахтин, Андрей Владимирович

Введение.

1. АНАЛИЗ СОВРЕМЕННЫХ СИСТЕМ УПРАВЛЕНИЯ

КА ЧЕСТВОМ БУМАГИ.

1.1. Характеристика производства бумаги на современных бумагоделательных машинах.

1.2. Обзор технологических методов и средств контроля и управления качеством бумаги в поперечном направлении.

1.2.1. Определение показателей характеризующих качество бумаги.

1.2.2. Обоснование необходимости управления поперечным профилем основных показателей качества бумаги.

1.2.3. Экономические факторы эксплуатации систем управления поперечным профилем бумажного полотна.

1.2.4. Описание технологического процесса производства бумаги и способов управления основными показателями качества.

1.2.5. Описание технологии измерения показателей качества бумаги.

1.3. Описание системы управления профилем бумажного полотна.

1.3.1. Общая структура системы управления.

1.3.2. Краткое описание основных контуров управления.

1.3.3. Алгоритмы координированного управления основными показателями качества бумажного полотна.^Л.

1.4. Выводы. Постановка задачи исследования.

2. РАЗРАБОТКА АДАПТИВНОЙ СИСТЕМЫ УПРАВЛЕНИЯ ПРОФИЛЕМ МАССЫ 1 м2 БУМАЖНОГО ПОЛОТНА НА ОСНОВЕ НЕЙРОННЫХ ТЕХНОЛГИЙ.

2.1. Разработка нейросетевого алгоритма управления профилем губы напорного ящика.

2.1.1. Функциональная схема нейросетевой системы управления и алгоритм ее адаптации.

2.1.2. Алгоритм создания обучающих выборок.

2.1.3. Алгоритм учета ограничений на управляющие воздействия.

2.2. Разработка структурной схемы нейронной системы управления.

2.3. Описание многослойных нейронных сетей и алгоритма обратного распространения ошибки.

2.4. Выводы.

3. ПОСТРОЕНИЕ НЕЙРОННОЙ МОДЕЛИ ОБЪЕКТА УПРАВЛЕНИЯ.

3.1. Анализ математических моделей, используемых в современных системах управления.

3.2. Экспериментальные исследования объекта управления.

3.3. Выбор топологии, алгоритма и методики обучения нейронной модели.

3.3.1. Определение топологии нейронной модели и ее оптимизация.

3.3.2. Определение структуры и размера обучающей выборки.

3.3.3. Масштабирование входных и выходных данных.

3.3.4. Выбор алгоритма обучения, его параметров и настроек.

3.4. Оценка адекватности нейронной модели.

3.4. Выводы.

4. РАЗРАБОТКА НЕЙРОННОГО РЕГУЛЯТОРА.

4.1. Обоснование и выбор топологии нейронного регулятора, методики и алгоритма его обучения.

4.1.1. Построение структуры нейронного регулятора.

4.1.2. Разработка методики обучения нейронного регулятора, формирование обучающей выборки и масштабирование данных.

4.1.3. Особенности проведения экспериментов по обучению регулятора.

4.1.4. Определение оптимальных настроек алгоритма обучения регулятора.

4.2. Сравнительный анализ нейросетевого и оптимального робастного регуляторов.

4.3. Анализ способов улучшения качества переходных процессов системы управления с нейронным регулятором.

4.4. Исследование переходных процессов в системе управления с нейронным регулятором.

4.5. Оценка устойчивости и качества нейронной системы управления.

4.6. Выводы.

Рекомендованный список диссертаций по специальности «Автоматизация технологических процессов и производств (в том числе по отраслям)», 05.13.07 шифр ВАК

Введение диссертации (часть автореферата) на тему «Развитие системы управления показателями качества бумажного полотна на базе нейросетевых технологий»

Интенсивное развитие полиграфической промышленности, множительно-копировальной техники и других потребителей бумаги ставит задачи повышения качества бумажной продукции. Качество бумаги определяется рядом механических и печатных свойств в зависимости от ее вида и сорта. Однако вне зависимости от назначения бумаги существуют показатели качества, которые влияют на большинство ее потребительских свойств. Неравномерность профиля таких показателей качества как масса 1 м2, зольность, влажность и толщина бумажного увеличивает количество брака и обрывов бумажного полотна, затрудняет получение ровной и плотной намотки его на накате, повышает число внутрирулонных дефектов. Излишне высокое значение массы 1 м приводит к перерасходу волокна, наполнителей и энергоресурсов.

В тоже время, в условиях производства наблюдается тенденция к увеличению производительности бумагоделательных машин (БДМ), что неразрывно связано с совершенствованием системы управления формованием бумажного полотна. Увеличение скорости машины свыше 20 м/с при обрезной ширине более 8 метров невозможно без точного координированного управления этим процессом.

Поскольку первоначальное формирование бумажного полотна и его свойств происходит на мокрой части БДМ, важнейшей задачей управления является обеспечение равномерного отлива бумажной массы на сетку машины.

Существующие системы управления формованием бумажного полотна достаточно сложны и не всегда эффективно справляются с некоторыми возмущениями, действующими на процесс, например знакопеременными, распределенными по всей ширине машины, а также с эффектами, возникающими по краям бумажного полотна. Модели объекта, обычно используемые в таких системах управления, являются симметричными, т.е. упрощенными и учитывают только основные законы гидродинамики, что существенно сказывается на их адекватности реальному объекту.

Развитие компьютерной техники позволяет использовать в системах управления нейронные сети - одно из новейших направлений современных технологий. Нейронные сети находят свое применение в системах распознавания образов, обработки сигналов, предсказания и диагностики, в робототехни-ческих и других сложных системах.

Система управления, разработанная на основе нейронных технологий, обладает рядом преимуществ: во-первых, нейронная технология управления позволяет строить модели сложных объектов управления по принципу "черного ящика", во-вторых, нейронные модели легко адаптируются при изменении параметров моделируемого объекта. в-третьих, они позволяют реализовать модели для многомерных объектов.

Цель работы состоит в создании на базе нейросетевых технологий системы управления процесса отлива бумаги на сетку бумагоделательной машины для повышения качества бумажного полотна.

Исходя из поставленной цели, в работе решаются следующие научные и практические задачи:

• экспериментальное исследование и разработка математической модели взаимосвязи процесса напуска массы и динамики изменений основных показателей качества бумаги;

• разработка топологий нейронной модели процесса и нейронного регулятора с учетом априорной информации об объекте;

• построение структуры адаптивной нейросетевой системы управления массой 1м2 по ширине бумажного полотна;

• разработка алгоритма функционирования нейросетевой системы управления;

• анализ качества переходных процессов, оценка устойчивости и робастных харакитеристик системы управления с нейронным регулятором. 7

Работа выполнялась по Государственной научно-технической программе России "Комплексное использование и воспроизводство древесного сырья" р.4 "Новые технологические процессы производств бумаги и целлюлозных композиционных материалов" р.4.4.6. "Методология создания интегрированных автоматизированных систем управления целлюлозно-бумажными производствами с использованием элементов искусственного интеллекта".

Похожие диссертационные работы по специальности «Автоматизация технологических процессов и производств (в том числе по отраслям)», 05.13.07 шифр ВАК

Заключение диссертации по теме «Автоматизация технологических процессов и производств (в том числе по отраслям)», Бахтин, Андрей Владимирович

4.6. Выводы

Результатом разработки нейронного регулятора является обоснованное построение его структуры, способ его подключения к нейронной модели. Определена методика обучения регулятора структура обучающей выборки и особенности масштабирования данных. Найдены оптимальные, с точки зрения качества переходного процесса, настройки алгоритма обучения регулятора [79,80,81].

Проведен сравнительный анализ систем управления с нейронным и оптимальным робастным регуляторами, в результате которого получены графики переходных процессов. Несмотря на то, что переходный процесс, обеспечиваемый нейронным регулятором имеет значительно менее плавный характер, такая система управления является значительно более быстродействующей.

Сравнительный анализ параметров переходных процессов, полученных при различных начальных условиях, позволяет сделать вывод о том, что нейронный регулятор обеспечивает управление профилем массы 1 м бумажного полотна близкое к оптимальному.

При анализе переходных процессов показано, что колебательность, присущую системе управления с нейронным регулятором можно значительно уменьшить, вводом дифференцирующего полиномиального фильтра и коэффициента усиления на управляющие воздействия. Это значительно повышает устойчивость системы управления и качество переходных процессов.

Полученные трехмерные графики переходных процессов по 58 каналам управления позволяют сделать вывод о том, что нейронный регулятор успешно подавляет возмущения, характерные для данного объекта.

Заключение.

1. На основе анализа работы современных систем управления бумагоделательными машинами сформулированы задачи по повышению качества профиля бумажного полотна в поперечном направлении, определены преимущества использования нейросетевого подхода к построению системы управления.

2. Предложена структура адаптивной нейросетевой системы управления профилем массы 1 м2 бумаги, построенная по двухсетевой схеме с использованием нейронной модели и нейронного регулятора. Разработаны алгоритмы функционирования системы и формирования массивов данных, необходимых для ее обучения.

3. Проведены экспериментальные исследования на действующей бумагоделательной машине, которые подтверждают предположения о том, что применение одной математической модели для всех исполнительных механизмов значительно снижает качество управления. Доказано, что разброс формы отклика от различных исполнительных механизмов существенно превосходит уровень шумов процесса, определены тенденции сдвига функции отклика по ширине полотна.

4. Построена оптимальная, с точки зрения точности и скорости обучения, нейронная модель объекта в зависимости от топологии, вида преобразующих функций и количества нейронов на внутреннем слое. Определено, что нейронная модель с неполносвязанной структурой (а именно, с локальными связями между нейронами, воспроизводящими зоны влияния исполнительных механизмов), более устойчива в процессе обучения и требует значительно меньшего количества вычислительных операций. Проведена оценка адекватности нейронной модели путем сравнения с усредненным откликом, полученным экспериментально на действующей бумагоделательной машине. Ошибка модели не превышает уровень шумов процесса и составляет 8НМ=0.126 г/м . Подобная нейронная модель может быть использована не только для массы 1м , но и для прогнозирования поперечных профилей других показателей качества бумажного полотна.

5. Экспериментальные исследования влияния топологии нейронного регулятора и преобразующих функций нейронов внутреннего слоя на работу системы управления показали:

• неполносвязанная сеть обеспечивает значительно лучшее качество управления, по сравнению с полносвязанной;

• использование функции гиперболического тангенса для нейронов внутреннего слоя дает существенное снижение колебательности;

• оптимальное число нейронов на внутреннем слое составляет 116 (снижение их количества до 58 приводит к увеличению колебательности, а повышение до 232 - к увеличению погрешности системы в установившемся режиме).

Эмпирическим путем найдены наилучшие, с точки зрения качества переходного процесса, настройки алгоритма обучения, обеспечивающие минимальную колебательность при достаточно малом времени переходного процесса.

6. Сравнительный анализ параметров переходных процессов, полученных при различных начальных условиях, позволяет сделать вывод о том, что нейронный регулятор обеспечивает качество управления, характеризуемое величиной 2о, на уровне 0.2 г/м (с учетом уровня шумов процесса), в то время как в существующей системе управления оно не ниже 0.85 г/м .

7. Для уменьшения колебательности переходного процесса системы с нейронным регулятором введено корректирующее звено в виде дифференцирующего полиномиального фильтра.

8. Оценка устойчивости системы управления проводилась методом статистических испытаний по специально разработанной методике. Эксперимент проводился при различных вариантах возмущений (всего более 300 испытаний). Во всех случаях система обеспечивала устойчивую работу.

121

Исследование робастных характеристик системы показало ее удовлетворительную работу при отклонениях параметров объекта на ±25%.

9. Сравнительный анализ систем управления с нейронным и оптимальным роба-стным регуляторами показал, что погрешность стабилизации нейронного регулятора соответствует оптимальному робастному регулятору, а время переходного процесса в системе с нейронным регулятором значительно короче.

10. Полученные структуры нейронных сетей, алгоритмы и методики обучения и функционирования нейронного регулятора могут быть использованы не только в системе управления профилем массы 1 м , но и других подобных системах управления показателями качества бумажного полотна, например, толщиной или влажностью в поперечном направлении. Универсальность нейронных сетей позволяет применять полученную структуру нейронного регулятора на различных бумагоделательных машинах. Настройка регулятора, при этом, будет заключаться только в переобучении нейронных сетей.

122

Список литературы диссертационного исследования кандидат технических наук Бахтин, Андрей Владимирович, 2000 год

1. Vyse, R., King, J., Heaven, M., Pantaleo, S. Consistency Profiling - A New Technique for CD Basis Weight Control, Pulp & Paper Canada, 97:9, 1996., pp. 62-66.

2. Wellstead P.E., Waller M.H. Modelling paper machine cross-direction profiles. http:/www.csc.umist.ac.uk/twod/pubs/art5/625000.htm.

3. Кугушев И.Д. Теория процессов отлива и обезвоживания бумажной массы. М. 1967. 262 с.

4. Жукова Ю.С. Управление процессами подготовки и напуска массы на бумагоделательных машинах: Учебное пособие. JI:JITA им. Кирова, 1983., 47 с.

5. Valmet Automation Inc. DamaticXD, Paper quality: Paper machine controls, vol. 2. Tampere, Finland, 1995., 460 p.

6. Фляте Д.М. Свойства бумаги. M.: Лесная промышленность, 1986. 680 с.

7. Kastanakis G. and Lizr A. Interaction between the MD and CD control processes in paper making and plastics machines. Tappi J. 75(2) February 1992 P. 245-253.

8. Taylor B.F. Optimum separation of machine direction and cross direction product variations. Tappi J. 73(2) February 1991. P. 55-60.

9. Зорин И.Ф., Петров В.П., Рогульская C.A. Управление процессами целлюлозно-бумажного производства. -М.: Лесная пром-сть, 1981. 272 с.

10. Beecher А.Е., Bareiss R.A. Theory and practice of automatic control of basis weight profiles, Tappi J. 53(5) May 1970. P. 47-54.1 l.LUanopoB O.M. Средства управления поперечными профилями. 1988., 25 с.

11. Иванов С.Н. Технология бумаги. М., 1970., 695 с.

12. Konkoner О., Lindstom U. Sheet stability and moisture profile control in the dryer section of a high speed paper machine. Pulp and paper Canada, №7, 1985. pp. 2630.

13. Духанов В.Ф. АСУ ТП производства газетной бумаги на Кондопожском ЦБК. Бумажная промышленность 1978., №1, С. 10-11.

14. Техническое описание JetMaticMTXD Valmet Inc. AO "Светогорск".1997. 26c.

15. Техническое описание AccuRay 1180 MicroPlus: MicroSet Linear Stepper Slice Actuators. AccuRay Inc., USA, 1988., 4 c.

16. Жукова Ю.С. Управление качественными показателями бумаги на бумагоделательных машинах: Учебное пособие. Л.: JITA им. Кирова, 1984., 62 с.

17. Cross direction control. Devron-Hercules Inc. 1987., 32 с.

18. Техническое описание Nipco-Walze: NipcoControlSystem. Escher Wyss GmbH Inc., 1979., 12 c.

19. Техническое описание сканеров системы измерения Paper IQ., №А416358. Valmet Automation Inc., Tampere, Finland, 1998., 4 c.

20. Техническое описание датчика массы 1 м , №А416036. Valmet Automation Inc., Tampere, Finland, 1996., 2 с.

21. Техническое описание датчика влажности, №А416343. Valmet Automation Inc., Tampere, Finland, 1996., 2 с.

22. Техническое описание датчика зольности, №А416041. Valmet Automation Inc., Tampere, Finland, 1996., 2 с.

23. Техническое описание датчика толщины, №А416038. Valmet Automation Inc., Tampere, Finland, 1996., 2 с.25.0ptiConcept. Valmet Automation Inc., Tampere, Finland, 1998.12 c.

24. Дахин M.M. Исследование колебаний веса бумаги в системе с рециркуляцией массы. Труды ВНИИБ, 1973, вып. 62, С.38-44.

25. Жукова Ю.С. Анализ колебаний веса и влажности бумажного полотна на быстроходных бумагоделательных машинах. Материалы второй научно-технической конференции по автоматизации ЦБП. Л.,1970., С.87-92.

26. Haykin S. Neural networks: A Comprehensive Foundation. Macmillan Pudlishing Company, USA, 1994. 696 p.

27. Widrow В., Lehr M.A. 30 years of adaptive neural networks: perceptron, madaline, and backpropagation // Proceedings of the IEEE, vol. 78, No. 9, September, 1990, p. 1415-1442.

28. Lippman R.P. An introduction to computing with neural nets // IEEE ASSP Magazine. Apr. 1987., P.4-22.

29. Дахин M.M., Жукова Ю.С. Анализ качества и чувствительности систем управления весом и влажностью бумаги. Труды ВНИИБ, 1973, вып. 62, С.29-38.

30. Wellstead, Р.Е., Heath W.P. 'Two Dimensional control systems: Applications to the CD and MD problem', Pulp and Paper Canada, vol 95, 4, 1994.

31. Levin A.U., Narenda K.S. Control of nonlinear dynamical systems using neural networks: controllability and stabilization. IEEE Trans., 1993, NN-4, (2), pp. 192206.

32. Liu C.C., Chen F.C. Adaptive control of nonlinear continuous-time system using neural networks-general relative degree and MIMO cases. Int. J.Control, 1993., 58,(2), pp.317-335.

33. Chen F.C., Khalil H.K. Adaptive control of nonlinear systems using neural networks.,Int. J.Control, 1992., 55, (6), pp. 1299-1317.

34. Yabuta Т., Yamacla T. Neural network controller characteristic with regard to adaptive control. IEEE Trans. 1992.,SMS-22, (1), pp. 170-177.

35. Kasparian V., Batur C. Model reference based neural network adaptive controller. // ISA Transactions, № 37, 1998., pp.21-39.

36. Yuan M., Poo A.N., Hong G.S. Direct neural control system: Nonlinear extension of adaptive control. // IEE Proc.-Control Theory Appl., Vol.142, № 6, Nov. 1995., P. 661 -667.

37. Райскил П. Нейронный регулятор на основе многослойного персептрона. Работа на звание лицензиата техн. наук. Технический институт г. Тампере., Финляндия, 1989. 65 с.

38. Rosenblatt F. Analytic techiques for the study of neural nets.// IEEE Transactions on Applications and Industry, v.83, № 74, 1964., P.24-36.

39. Minsky M.L. Step towards artifical intelligence. Proceedings of the Institute of Radio Engineers., 1961., №49., P.8-30.

40. Widrow В. Generalization and information storage in networks of adaline 'neurons'. Self-Organizing Systems, Washington, D.S.: Sparta, 1962., P. 435-461.

41. Hinton G.E. Machine learning: Paradigms and Methods. Artifical Intelligence., №40, P. 185-234.

42. Rumelhart D.E., Hinton G.E., Williams R.J. Learning Internal Representations by Error Propagation. In Parallel Distributed Processing, Cambridge, MA, MIT Press., vol. 1,1986., P.318-362.

43. Neural Computing. Neural Ware Inc. USA, 1996., 326 p.

44. Torsten N., Wellstead P.E. Two dimensional data-analysis for paper machines. http:/www.csc.umist.ac.uk/twod/pubs/art3/605 000.htm.

45. Kjaer A.P, Waller M.J., Wellstead P.E. Headbox modelling for cross-direction basis weight control. // ISA Transactions №33, 1994., pp. 245-254.

46. Пиргач H.C., Казанюк П.А. Бумагоделательная машина как объект управления массой 1 м2 и влажностью бумажного полотна. Целлюлоза, бумага, картон: научно-технический реферативный сборник., №13, М.: 1979.

47. Дахин М.М., Филатченкова Т.Д. Системы взаимосвязанного регулирования веса 1 м2 и влажности бумажного полотна. Труды ВНИИБД969, вып. 54, С.113-126.

48. Кондрашкова Г.А., Леонтьев В.Н., Шапоров О.М. Автоматизация технологических процессов производства бумаги. М.: Лесная пром-сть, 1989., 328 с.

49. Зорин И.Ф., Петров В.П., Рогульская С.А. Управление процессами целлюлозно-бумажного производства. -М.: Лесная пром-сть, 1981. 272 с.

50. Heath W.P. Orthogonal Functions for Cross-Directional Control of Web Forming Processes, Automatica 32, 2, 1996, pp. 183-198.

51. Жукова Ю.С., Гончарова М.Ф., Коновалов H.A. Модель влияния процесса напуска массы на качество бумаги по ширине. // Химия и технология бумаги: Межвуз.сб.науч.тр./ Л.: Изд. ЛТАД988 С.64-67.

52. Wang X., Dumont G. A., Davies M. S. 'Estimation in paper machine control. IEEE Transactions on Control Systems Technology. 1993., P.34-43.

53. Paul J. Werbos, Backpropagation Through Time: What It Does and How to Do It //Artificial Neural Networks: Concepts and Theory, IEEE Computer Society Press, 1992, pp.309-319.

54. Гордиенко E.K., Лукьяница A.A. Искусственные нейронные сети. // М. Техническая кибернетика, №5, 1994. С.79 91.

55. Neural Works Reference Guide. Neural Ware Inc. USA, 1996., 278 p.

56. Muller В., Reinhardt J. Neural networks. Springer -Verlag. 1990., 267 p.

57. Бахтин A.B., Жукова Ю.С. Разработка нейронной модели устройства напуска массы на сетку. Межвузовский сборник научных трудов "Машины и аппараты целлюлозно-бумажного производства" /СПбГТУРП. СПб. 1997. С. 42-45.

58. Бахтин A.B., Жукова Ю.С. Использование нейросетей в системе управления качеством бумажного полотна. Международная конференция по мягким вычислениям и измерениям (SCM'98), том 1, секция "Нейрокомпьютерные сети и их применения" Санкт-Петербург, 1998 .

59. Narendra K.S., Parthasarathy К. Identification and control of dynamical systems using neural networks. IEEE Trans., 1990., NN-1,(1), pp. 4-27.

60. Chen S., Cowan C.F.N.,Billings S.A., Grant P.M. Nonlinear system identification using neural networks. Int. J. Control 55(6) 1992.1299-1317.

61. Фокин A.JI. Робастное управление линейным объектом. // Сб. трудов " Математические методы в технике и технологиях " т. 1 / Великий Новгород: НГУ, 1999- С. 161-163.

62. Первозванский А.А. Курс теории автоматического управления М.: Наука, 1986-616 с.

63. Бураков М.В. Синтез нейронного регулятора. // Известия академии наук. Теория и системы управления, 1999, №3, С.140-145.

64. Русинов JI.A. Автоматизация аналитических систем определения состава и качества веществ Д.: Химия, 1984 - 160с.

65. Скоциляс И.П. Типовой подход при создании подсистемы автоматического управления массой 1 м2 и влажностью бумажного полотна. Бумажная промышленность. №10, 1985., С. 12-13.

66. Петров В.П., Зорин И.Ф., Рогульская С.А. Автоматизированные системы управления технологическими процессами. М. 1977., 51 с.

67. Зорин И.Ф., Петров В.П., Рогульская С.А. Управление процессами целлюлозно-бумажного производства. М.: Лесная пром-сть, 1981. - 272 с.

68. Marton J. Effects of machine speed on formation, drainage and retention, Tappi J. 71(4) (April 1988).

69. Duncan S., Heath W., Wellstead P. Ralating different approaches to cross-directional control. http:/www.csc.umist.ac.uk/twod/pubs/artl/600 000.htm

70. Примаков С.Ф. Производство бумаги. M.: Лесная промышленность, 1987, 224 с.

71. Вайз Б., Кинг Д., Хилден К. Управление профйлем толщины на софт-каландрах. Pulp and Paper Canada vol.95, №5. 1994.

72. Dumont, G. A. Jonsson, I.M. Davies, M.S. Ordubai, F.T. Fu, Y. Natarajan, K, Lindeborg, and Heaven, E.M. Estimation of Moisture Variations on Paper Machines, IEEE Transactions on Control Systems Technology, 1, 2, 1993., pp. 101-113.

73. Duncan S.R., Corsadden K.W. Mini-max control of cross-directional variations on a paper machine // IEE Proc. control theory, 1998. Vol.145 N2 - P. 189-195.

74. Peterka V. On steady state minimum variance control strategy. Kybernetica, 1972, 8, (3), pp.219-232.

75. Бахтин A.B. Система управления показателями качества бумажного полотна на базе нейросетевых технологий. Тезисы докладов Четвертой Санкт-Петербургской ассамблеи молодых ученых и специалистов., СПбГУ, 1999. С.52-53.

76. Исполнительный механизм №55 Перемещение: -0.1 мм

77. Исполнительный механизм №23 Перемещение: -0.1 мм

78. Исполнительный механизм №54 Перемещение: -0.1 мм

79. Исполнительный механизм №23 Перемещение: +0.1 мм

80. Исполнительный механизм №54 Перемещение: -0.1 мм

81. Исполнительный механизм N2 3 Перемещение: -0.1 мм

82. Исполнительный механизм № 27 Перемещение: -0.1 мм

83. Исполнительный механизм № 19 Перемещение: +0.1 мм

84. Исполнительный механизм №43 Перемещение: -0.1 мм

85. Исполнительный механизм №11 Перемещение: +0.1 мм

86. CNVAR, 1, (float)0.02876608 }, { CN VAR, 118, (float)0.2832634 },

87. CNVAR, 119, (float)-0.3248827 },

88. CNVAR, 120, (float)0.02426506 },

89. CNVAR, 121, (float)-0.3926372 },

90. CNVAR, 122, (float)0.06571849 },

91. CNVAR, 123, (float)0.5577689 },static PEWTS taPEWts0232. = {

92. CNVAR, 1, (float)-0.001198553 },

93. CNVAR, 112, (float)0.02463317 },

94. CNVAR, 113, (float)0.01097955 },cnvar, 114, (float)0.01577954 },

95. CNVAR, 115, (float)-0.07841696 },

96. CNVAR, 116, (float)0.01930592 },

97. SWC(PEWTS *tpPEW=0;) /* PE Weight Pointer */

98. SWC(int nPEX=0;) /* PE Weight counter */

99. SWC(int nFF=0;) /* PE First Flag */

100. SWC(float fWt=0;) /* float work weight */*** WARNING: Code generated assuming Recall = 0 *** */ SWC(Xout1. = (float)1;) /* Initialize Bias */

101. SWC(Xout 105. = SWC(Xout [106] = SWC(Xout[107] = SWC(Xout [108] = SWC(Xout [109] = SWC(Xout[110] = SWC(Xout [111] = SWC(Xout [112] = SWC(Xout[113] = SWC(Xout [114] = SWC(Xout [115] = SWC(Xout[116] = SWC(Xout [117] = LAB107:

102. Generating code for PE 0 in layer <ModelHidd> (3) */ Xsum118. = (float) (-0.0075926548) + (float) (-0.58462298) * Yin[0] + (float)(-0.68916833) * Yin[l] +float) (-1.6401325) *Yin2. + (float) (-0.2485911) * Yin[3] + (float)(-0.87215185) * Yin[4];

103. Generating code for PE 1 in layer <ModelHidd> (3) */ #if defined(STATICWTS)for( nFF=0, nPEX=ASof(taPEWts0119), tpPEW = &taPEWts01190.; --nPEX >= 0; tpPEW++ ) {if ( nFF == 0 ) {

104. Xsum119. = (float)(tpPEW->fPEWt * Xout[tpPEWusPESrc.);nFF = 1; } else {

105. Xsum119. 4-= (float) (tpPEW->fPEWt * Xout[tpPEWusPESrc.);

106. Generating code for PE 2 in layer <ModelHidd> (3) */--,. #if defined (STATICWTS)for( nFF-0, nPEX=ASof(taPEWts012 0), tpPEW = StaPEWts0120 0.; --nPEX >= 0; tpPEW++ ) {if ( nFF == 0 ) {

107. Xsum120. = (float)(tpPEW->fPEWt * Xout[tpPEWusPESrc.);nFF = 1; } else {

108. Xsum120. += (float)(tpPEW->fPEWt * Xout[tpPEWusPESrc.);

109. Yin103. Yin[104] Yin[105] Yin[106] Yin[107] Yin[108] Yin[109] Yin[110] Yin[111] Yin[112] Yin[113] Yin[114] Yin[115]

110. Generating code for PE 3 in layer <ModelHidd> (3) */ #if defined(STATICWTS)for( nFF=0, nPEX=ASof(taPEWts0121), tpPEW = &taPEWts01210.; --nPEX >= 0; tpPEW++ ) {if ( nFF == 0 ) {

111. Xsum121. = (float)(tpPEW->fPEWt * Xout[tpPEWusPESrc.);nFF = 1; } else {

112. Xsum121. += (float)(tpPEW->fPEWt * Xout[tpPEWusPESrc.); }else /* #if defined(STATICWTS) */

113. Generating code for PE 55 in layer <ModelHidd> (2) */ #if defined(STATICWTS)for( nFF=0, nPEX=ASof(taPEWts0289) , tpPEW = &taPEWts02890.; --nPEX >= 0; tpPEW++ ) {if ( nFF == 0 ) {

114. Yout55. = (float)(tpPEW->fPEWt * Xout[tpPEWusPESrc.);nFF = 1; } else {

115. Yout55. += (float)(tpPEW->fPEWt * Xout[tpPEWusPESrc.); }else /* #if defined(STATICWTS) */

116. Xout 1124. + (float) (-0.038302977) * Xout125] +float)(-0.077672914) *Xout126. + (float)(-0.025423203)1. Xout127.;

117. Yout55. += (float) (-0.021087801) * Xout[139] + (float) (0.0076729339) * Xout[140] +float)(-0.072785392) *Xout141. + (float)(-0.014626656)

118. Yout55. += (float) (0.092546664) * Xout[150] + (float) (0.047809251) *Xout[151] + (float) (0.096833125) * Xout[152](float) (-0.01606749) *Xout153. + (float)(0.092078984)

119. Xout154. + (float) (-0.018605547) * Xout[155] +float) (0.056449171) *Xout156. + (float) (-0.0031628662)

120. Xout157. + (float) (-0.055973969) * Xout [158] +float) (-0.0047475263) * Xout159. + (float) (0.0016773774) * Xout[160];

121. Yout55. += (float) (-0.10581314) *Xout[161] + (float) (0.10818876) * Xout[162] +float) (-0.0070349434) *Xout163. + (float) (0.081517451)

122. Xout164. + (float) (0.25692657) * Xout[165] +float) (-0.15195653) *Xout166. + (float)(0.18489572) * Xout[167] + (float) (0.0090313284) * Xout[168] +float) (-0.047065943) *Xout169. + (float) (-0.024643261)

123. Xout170. + (float) (-0.90198088) * Xout[171];

124. Xout17 9. + (float) (0.059679992) * Xout [180] +float) (-0.044534467) *Xout181. + (float) (-0.036565363)1. Xout 182.;

125. Xout192. + (float) (0.010411466) * Xout[193];

126. Yout55. += (float) (0.014791907) * Xout[194] + (float) (0.03041927) * Xout[195] + (float)(0.0056851832) *Xout[196](float)(0.09976799) *Xout197. + (float)(-0.016738435)

127. Xout198. + (float) (0.072112031) * Xout [199] +float) (-0.039111637) *Xout200. + (float) (0.04337826) * Xout[201] + (float) (-0.030432042) * Xout[202] +float)(0.02916971) *Xout203. + (float)(0.032956142) * Xout[204];

128. Yout55. += (float)(0.031197097) * Xout[205] + (float) (0.066046372) * Xout[206] +float)(-0.052220058) *Xout207. + (float)(-0.071860701)

129. Yout 55. += (float) (-0.070367955) * Xout[216] + (float) (0.040702909) * Xout[217] +float) (-0.066723615) * Xout218. + (float) (-0.045117568)

130. Xout219. + (float)(0.011476784) * Xout[220] +float) (0.01074415) * Xout221. + (float) (-0.021152148) * Xout[222] + (float) (-0.071415365) * Xout[223] +float) (-0.057552688) *Xout224. + (float) (-0.0024843952)

131. Xout225. + (float) (-0.047430765) * Xout[226];

132. Generating code for PE 56 in layer <ModelHidd> (2) */ #if defined(STATICWTS)for( nFF=0, nPEX=ASof(taPEWts0290), tpPEW= &taPEWts02900.; --nPEX >= 0; tpPEW++ ) {if ( nFF == 0 ) {

133. Yout56. = (float)(tpPEW->fPEWt * Xout[tpPEWusPESrc.);nFF = 1; } else {

134. Yout56. += (float)(tpPEW->fPEWt * Xout[tpPEWusPESrc.);

135. Xout124. + (float) (0.037529103) * Xout[125] +float)(0.051067527) *Xout126. + (float)(-0.016252313) * Xout[127];

136. Xout 14 6. + (float) (0.046999216) '* Xout[147] +float)(-0.027631855) * Xout148. + (float)(0.02883729) * Xout[14 9];

137. Yout56. += (float) (0.017965971) *Xout[150] + (float) (0.008083703) * Xout[151] + (float)(0.031842094) *Xout[152](float)(-0.039747816) *Xout153. + (float)(0.10755939)

138. Xout154. + (float) (-0.053134985) * Xout[155] +float)(-0.042406455) * Xout156. + (float)(0.057989217) * Xout[157] + (float) (0.022489825) * Xout[158] +float) (-0.030283706) * Xout159. + (float) (-0.01314 684 7)1. Xout160.;

139. Xout179. + (float) (-0.02084142) * Xout[180] +float) (-0.066587962) * Xout181. + (float) (0.076739483) * Xout [182];

140. Yout56. += (float) (0.022440951) * Xout[205] + (float)(0.057302345) *Xout[206] + (float)(-0.038736191) * Xout[207](float) (-0.017358873) * Xout208. + (float) (0.05717016)

141. Xout209. + (float) (0.0049336986) * Xout[210] +float)(-0.062910147) * Xout211. + (float)(0.086154297) * Xout[212] + (float) (0.035977758) *Xout[213] +float)(-0.039632522) *Xout214. + (float)(-0.0028091075)1. Xout215.;

142. Yout56. += (float)(-0.051835582) * Xout[216] + (float) (0.048689365) * Xout[217] +float)(-0.048377778) *Xout218. + (float)(0.022569019) * Xout[219] + (float) (-0.0024557149) * Xout[220] +float)(-0.0098126931) *Xout221. + (float)(0.0026180283)

143. Xout222. + (float) (0.015746858) * Xout [223] +float) (0.0054173684) * Xout224. + (float) (0.016407894) * Xout[225] + (float) (-0.037289437) * Xout[226];

144. Generating code for PE 57 in layer <ModelHidd> (2) */ #if defined(staticwts)for( nFF=0, nPEX=ASof(taPEWts0291), tpPEW = &taPEWts0291 0.; --nPEX >= 0; tpPEW++ ) {if ( nFF == 0 ) {

145. Yout57. = (float)(tpPEW->fPEWt * Xout[tpPEWusPESrc.);nFF = 1; } else {

146. Yout 57. += (float) (tpPEW->fPEWt * Xout[tpPEWus PESrc.); }else /* #if defined(STATICWTS) */

147. Yout57. += (float) (0.024549885) * Xout [128] + (float) (0.028588373) *Xout[129] + (float) (-0.00775313) * Xout[130](float)(0.035603616) * Xout131. + (float)(0.069190897

148. Xout132. + (float) (0.013382584) * Xout [133] +float)(-0.04768027) *Xout134. + (float) Xout[135] + (float) (-0.001387941) * Xout[136] +float)(-0.01083377) *Xout137. + (float) Xout[138];

149. Yout57. += (float)(-0.0040672994) * Xout[139] (float)(0.014483802) *Xout[140] +float)(0.045989539) *Xout141. + (float) Xout[142] + (float) (-0.029169539) * Xout[143] +float) (-0.079728387) * Xout144. + (float

150. Xout14 5. + (float) (0.010779648) * Xout [146] +float) (-0.015770346) * Xout147. + (float

151. Xout148. + (float) (0.016478762) * Xout[149];

152. Yout57. += (float) (-0.094343558) * Xout[150] + (float) (0.01192199) * Xout[151] +float) (-0.058659598) *Xout152. + (float) (0.040988147) * Xout[153] + (float) (-0.025512779) * Xout[154] +float)(0.00038508809) *Xout155. + (float)(0.033565726)

153. Xout156. + (float) (0.029761165) * Xout[157] +float)(0.018241204) *Xout158. + (float)(-0.098849811) * Xout[159] + (float)(-0.10244063) * Xout[160];

154. Xout17 9. + (float) (-0.017015431) * Xout [180] +float)(0.025309129) *Xout181. + (float)(0.00055706291)1. Xout182.;

155. Yout57. += (float) (-0.028378503) * Xout[183] + (float) (0.071844369) * Xout [184] +float) (0.0070209159) *Xout185. + (float)(-0.023294132)

156. Yout57. += (float) (-0.047049221) * Xout[205] + (float) (0.053559501) * Xout[206] + (float) (0.070006877) * Xout[207](float) (0.027050784) *Xout208. + (float)(0.10333727 )

157. Xout209. + (float) (0.038280409) * Xout [210] +float) (-0.01091004) * Xout211. + (float) (0.031772349) * Xout[212] + (float) (0.010400171) * Xout[213] +float) (0.0041741529) * Xout214. + (float) (-0.053801827)1. Xout215.;

158. Xout223. + (float) (0.042593304) * Xout[224] +float) (0.0302864) *Xout225. + (float)(0.037350912) * Xout[22 6] ;

159. Generating code for PE 57 in layer <ModelHidd> (2) */ return ( 0 );if defined(cplusplus)endifprogram NNControlBDM;1. Uses crt,dos;type

160. ArrReal = array1.140. of Real; ArrArrReal = array[1.14] of ArrReal; VAR

161. Fb,F:text; Fbl:text; Fail:text; UUUU:text; UUU:text;

162. DosError:=0; PN:='rBP.EXE'; CL:='rBP.EXE'; swapvectors; exec(PN,CL); swapvectors;

163. FOR i:=l TO 58 do ypredpred 1. : ==ypred i. ;

164. FOR i:=1 TO 58 do ypred1.:=yi.;1. FOR i:=1 TO 58 do begin

165. Проректор по учебной работе / СПбГТУ РП1. В.А.Суслов

166. УТВЕРЖДАЮ директор АО ВНИИБ

167. П.С. Осипов ентября 2000 г.

168. УТВЕРЖДАЮ' Проректор по научной работе С анкт- П етсрбур гс ко го госу -дарственною технологи четкого универс^-пега рас ги •бря 20001. АКТо передаче и использовании результатов диссертационной работы Бахтина Андрея Владимировича " " . 2000 г.

169. Настоящий акт не является основой для взаимных финансовых отношений.

170. От ЗАО ВНИИБ Ведущтй научный сотрудник, д.т.н. профессор1. И.Ф.Зорин

171. От СПбГТУ РП Зав. кафедрой АХТИ, д.т.н., профессор1 '.А.Кондрашкова1. Аспирант кафедры АХТИ

172. УТВЕРЖДАЮ директор по технике ЗАО ГИПРОБУЙЩ

173. В. Г. Шуйэ|ин ЗАО Ы| «//"«ноШгда^м/;//1. УТВЕРЖДАЮ

174. Проректор по научной работе1. Санкт-Петербургскогогосудар^твенного'т^хнолошяеского.университет^ раститбЛ^^хлолиме.рб'в/^ \1. В. С.ноября 2000 г•Зт-пе-^1. АКТ

175. О передачи и использовании результатов диссертационной работы Бахтина Андрея Владимировича « « ноября 2000 г.

176. От ЗАО ГИПРОБУМ Зам.начальника отдела электрооборудования и автоматизации —1. Ю. Ф. Бутов

177. От СПбГТУ РП Зав. Кафедрой АХТП, Д.т.н. профессор

178. Г. А. Кондрашкова Аспирант кафедры АХТП А. В. Бахтин^ У"щтг

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.