Синтез робастных систем управления с использованием каскадно-связанных модифицированных нелинейных, нечетких и нейросетевых регуляторов тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Масютина, Галина Владимировна

• Масютина, Галина Владимировна
• кандидат технических наук
• 2011

Оглавление диссертации кандидат технических наук Масютина, Галина Владимировна

ВВЕДЕНИЕ

ГЛАВА 1 СИСТЕМНЫЙ АНАЛИЗ МЕТОДОВ ПОСТРОЕНИЯ И ИССЛЕДОВАНИЯ МОДИФИЦИРОВАННЫХ НЕЛИНЕЙНЫХ, НЕЧЕТКИХ И НЕЙРОСЕТЕ-ВЫХСАУ

1.1 Анализ нелинейных модифицированных САУ с непрерывными аппроксимирующими функциями управления

1.2 Анализ методов и алгоритмов решения задач управления на базе нечеткой логики

1.3 Анализ возможностей и особенностей построения нейросетевых САУ

1.4 Постановка задач диссертационного исследования 39 Выводы по главе

ГЛАВА 2 РАЗРАБОТКА МЕТОДОВ И АЛГОРИТМОВ СТРУКТУРНО-ПАРАМЕТРИЧЕСКОГО СИНТЕЗА САУ ДИНАМИЧЕСКИМИ ОБЪЕКТАМИ С ЗАПАЗДЫВАНИЕМ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ 46 , 2.1 Синтез и анализ робастно устойчивой интервальной системы управления объектом с запаздыванием на основе минимаксного подхода и критерия максимальной степени устойчивости

2.2 Метод и алгоритм структурно-параметрического синтеза робастной интервальной системы с избирательным управлением

2.3 Синтез интервальной системы управления с адаптивным ПИД-регуля-тором

2.4 Структурно-параметрический синтез робастных САУ на основе динамического выбора нелинейных алгоритмов управления

2.5 Синтез адаптивной САУ с нелинейной функцией управления на основе нечеткой логики 87 Выводы по главе

ГЛАВА 3 ПОСТРОЕНИЕ КАСКАДНЫХ ИНТЕЛЛЕКТУАЛЬНЫХ САУ С ИСПОЛЬЗОВАНИЕМ НЕЧЕТКИХ МОДИФИЦИРОВАННЫХ НЕЛИНЕЙНЫХ И

НЕЙРОСЕТЕВЫХ РЕГУЛЯТОРОВ

3.1 Синтез и анализ каскадной САУ с использованием нечетких модифицированных нелинейных регуляторов

3.2 Построение каскадной САУ с использованием нейросетевых регуляторов в основном контуре

3.3 Оценка влияния параметров нейронной сети на качество переходного процесса в САУ на основе ортогонализации столбцов матрицы активно-пассивного эксперимента

3.4 Исследование каскадной САУ с нейросетевыми регуляторами во внешнем и внутреннем контуре 161 Выводы по главе

ГЛАВА 4 РАЗРАБОТКА МЕТОДИКИ РЕШЕНИЯ МНОГОКРИТЕРИАЛЬНОЙ ЗАДАЧИ ВЫБОРА КАСКАДНЫХ СИСТЕМ УПРАВЛЕНИЯ С НЕЧЕТКИМИ

И НЕЙРОСЕТЕВЫМИ РЕГУЛЯТОРАМИ

4.1 Анализ методов и подходов к решению многокритериальных задач оценки и выбора структур каскадных САУ

4.2 Методика решения многокритериальной задачи оценки и выбора структур каскадных САУ на основе нечетких предпочтений

4.3 Характеристика критериев сравнения САУ сложными объектами и оценочные шкалы

4.4 Решение многокритериальной задачи сравнения и выбора структуры каскадной САУ на основе нечетких предпочтений 184 Выводы по главе 4 196 Заключение 198 Список использованных источников 203 Приложение. Акты внедрения и использования результатов диссертации-онной работы

Введение диссертации (часть автореферата) на тему «Синтез робастных систем управления с использованием каскадно-связанных модифицированных нелинейных, нечетких и нейросетевых регуляторов»

Современный уровень развития промышленности требует системного подхода к разработке САУ техническими объектами и процессами. Это обусловлено, с одной стороны, необходимостью повышения качества управления при минимальных затратах на создание и эксплуатацию систем, с другой стороны - усложнением самих объектов и процессов, ужесточением требований к протеканию технологических процессов и функциям, выполняемым ими, необходимостью учета большого (и все возрастающего) числа ограничений и условий производственного и технологического характера и, как следствие, увеличением факторов неопределенности, которые необходимо учитывать при управлении объектами и процессами.

Существующие методы проектирования САУ во многом не удовлетворяют современным требованиям [1]. Во-первых, при традиционных методах проектирования отсутствует этап системного анализа всей совокупности систем управления как единого целого и вследствие этого корректировки в , структуру системы и связи между ее функциональными элементами вносятся на этапе опытно-промышленных испытаний системы. Во-вторых, время разработки продолжает расти вместе с усложнением систем. В-третьих, по мере усложнения систем практически исключается многовариантное проектирование. Все это обуславливает поиск и разработку новых методов и алгоритмов решения задач структурно-параметрического синтеза робастных систем управления, основанных на применении каскадно-связанных модифицированных позиционных, нечетких и нейросетевых регуляторов, способных значительно расширить возможности проектируемых динамических систем.

Наиболее широко в САУ применяются пропорционально-интегрально-дифференциальное регулирование (ПИД-регуляторы) и позиционное, релейное. При прочих равных условиях ПИД-регуляторы позволяют повысить точность управления в десятки раз по сравнению с позиционными регуляторами. По данным [2] на 84 % японских предприятий используются обычные

ПИД-контроллеры. Однако недостатком является то, что при изменении рабочих точек из-за возмущений требуется перенастройка контроллеров [3]. Сложность оптимальной настройки ПИД-регулятора, обусловленная необходимостью детального изучения динамики объекта, приводила к тому, что 80% линейных регуляторов, по данным американской фирмы «РохЬого», работали не в оптимальном режиме [4].

В настоящее время адаптивные контроллеры зарубежных и отечественных производителей (контроллеры типа «Ремиконт», «Протар», «Овен», «Сименс», «Микрол» и др.), реализующие ПИ- или ПИД-законы регулирования, используют для настройки метод Циглера-Николса [5], предполагающий вывод объекта в область колебаний за счет перехода на П-закон и варьирования коэффициента усиления [6]. Однако значительный ряд технологических объектов по условиям эксплуатации не допускает автоколебательного режима и задача нахождения рационального метода настройки остается открытой.

С учетом изложенного предпочтение может быть отдано адаптивным позиционным регуляторам [7,81, как более простым в настройке в реальном времени, имеющим более высокое быстродействие по сравнению-с ПИД-регуляторами и обладающим достаточной функциональной живучестью. Однако при позиционном регулировании в системе всегда принципиально будут присутствовать колебания технологического параметра, причем размах этих колебаний определяется параметрами системы (инерционностью и запаздыванием датчиков, исполнительного устройства и самого объекта). Следовательно, требуемая высокая точность не всегда будет достигнута простыми средствами настройки.

В теории автоматического управления существует достаточно много методов, позволяющих оптимизировать работу систем по тем или иным критериям качества при выполнении ряда ограничений. Например, известно, что ПИД-регулятор считается достаточно близким к оптимальному, основанному на теории предсказания Колмогорова-Винера [9,10,11]. Однако может оказаться, что при возрастании требований к качеству управления динамическая точность регулирования с типовыми П, ПИ, ПИД-регуляторами и позиционными (релейными) регуляторами одноконтурных САУ становится недостаточной. В таких случаях обычно идут на усложнение информационной структуры системы, примером чего могут служить каскадные, многоконтурные САУ [12]. Однако универсальных рекомендаций по выбору регуляторов внутреннего и внешнего контуров таких систем в условиях неопределенного характера возмущающих факторов и повышения требований к качеству управления не существует. С позиций системного подхода практически все обычные системы должны быть отнесены к системам с неполной информацией о модели объекта.

В связи с этим целесообразным становится использование методов ро-бастного управления, для которого характерно ряд преимуществ [13,14]. Во-первых, робастные системы сохраняют устойчивость при изменении параметров объекта управления в определенных пределах. Во-вторых, они имеют Л существенно меньшую чувствительность к изменению < параметров объекта управления по сравнению с оптимальными системами. В-третьих, робастное управление на основе нечеткой логики позволяет использовать знания специалистов-наладчиков с целью настройки типовых регуляторов в суперви-зорном режиме. Однако трудность синтеза робастной системы заключается не только в решении тех или иных уравнений, но и в выборе номинальной модели для интервально-заданного объекта - модели, используемой при синтезе алгоритма управления объектом, функционирующим в условиях неопределенности.

Традиционные методы анализа и синтеза систем управления в условиях существенной неопределенности оказываются неприменимыми или дают плохие результаты. Поэтому в последнее время находят широкое применение так называемые «мягкие вычисления» (soft computing) [15], обеспечивающие приемлемое (не обязательно оптимальное) качество управления в условиях неопределенности при относительно невысоком уровне затрачиваемых ресурсов. Термин «мягкие вычисления», введенный профессором Лофти Заде в 1994 году, объединяет в себе такие технологии искусственного интеллекта как нечеткая логика (fuzzy-logic), нейронные сети, вероятностные рассуждения и эволюционные алгоритмы, которые дополняют друг друга и используются в различных комбинациях или самостоятельно для создания гибридных интеллектуальных систем. Но использование нечеткой логики и нейронных сетей оказалось наиболее обширным. Поэтому создание интеллектуальных робастных систем, работающих в условиях неопределенности, надо понимать как составную часть мягких вычислений [16,17].

Теоретическим и практическим вопросам нелинейных позиционных и нечетких регуляторов посвящены работы зарубежных и отечественных ученых JI.A. Заде, Е.Н. Мамдани, И. Цукамото, С. Осовского, В.В. Круглова,

A.В. Леоненкова, И.А. Мочалова, Н.П. Деменкова, Егорова А.Ф., Магергута

B.З., Соболева А. В. и др. Мировой опыт показывает целесообразность приjv.v" д; , ,, менения нечетких регуляторов для повышения эффективности управления „;>' '-у ' '47л M-w „ • <' ' г J уу, • трудно формализуемыми динамическими объектами и процессами, что находит подтверждение в работах X. Ларсена (Н. Larsen), Е. Мамдани (Е. Mamda-ni), М. Сугено (М. Sugeno), Т. Такаги (Т. Takagi), Й. Цукамото (Y. Tsukamoto), В.И. Васильева, А.П. Веревкина, Б.Г. Ильясова, А.Г. Лютова, Р.А. Мунасыпова, А.А. Ускова, С.Д. Штовбы и др. По сравнению с традиционными системами нечеткие системы имеют лучшие помехозащищенность, быстродействие и точность за счет более полного учета текущего состояния управляемого объекта и свойств реальной среды, в которой они функционируют.

Одной из главных предпосылок появления теории нечётких множеств является принцип несовместимости, утверждающий, что сложность системы и точность, с которой её можно проанализировать традиционными математическими методами, в первом приближении обратно пропорциональны

18,19]. Данный принцип, выдвинутый Л. Заде, в полной мере относится ко многим техническим устройствам и системам. Широкие функциональные возможности систем нечеткой логики допускают ее применение в устройстве, которое стоит вне контура управления и оценивает работу регулятора с целью последующей его коррекции в супервизорном режиме. Однако до настоящего времени методы нечеткой логики не применялись для решения задачи динамической коррекции параметров нелинейных (релейных) регуляторов, обладающих простым механизмом настройки.

Следует отметить, что ПИД-регуляторы, позиционные регуляторы и нечеткие логические регуляторы характеризует отличительная особенность: все они используют принцип работы по отклонению, основаны на технологии экспертных систем и работают в реальном времени, достаточным для медленно протекающих процессов. При разработке систем управления сложными динамическими объектами, характеризующимися малоинерционными и «быстрыми» процессами, включающих частотное управление электроприводами технических устройств и каскадные схемы управления (системы ,под ' ' ,> О" • ' 1 , ' \ -V,'/' т> '■> Я <№;., • \ 1 1 ' ■ ' 11 " ' чиненного регулирования), эффективность их может снижаться из-за ограничений по быстродействию микропроцессорной техники.

Наличие у нейронных сетей таких свойств как способность параллельной обработки сигналов, обучение на примерах, аппроксимация, высокая ро-бастность и высокая отказоустойчивость, приводит к тому, что они находят применение в области управления, где требуется высокое быстродействие, надежность, имеется информационная неопределенность и отсутствуют точные математические модели. Для построения нейросетевых регуляторов САУ наибольшее применение получила многослойная нейронная сеть прямого распространения (МНСПР), характеризующаяся простотой структуры по сравнению с другими нейронными сетями и отсутствием существенной динамики самой сети, что важно для систем с быстрыми процессами [20, 21,22, 23]. Системный подход к решению задач нейроуправления основывается на рассмотрении нейронной сети как системы, включающей в себя различного типа конструктивно-функциональные элементы. При реализации нейро-управления становится ненужным попытка описания нелинейными дифференциальными уравнениями систем с переменными параметрами.

Существующие подходы к решению задач управления и обработке информации, основанные на использовании нейросетевых технологий, предложенные и развитые в работах Глушкова В.М., Цыпкина ЯЗ., Галушкина А.И., Терехова В.А., Пупкова К.А., Гаврилова А.И., Ефимова Д.В., Тюкина И.Ю., Камаева В.А., Щербакова М.В., Пантелеева C.B., Львовича И.Я., Исакова П.Н., Червякова Н.И., Вербоса (Werbos Р.), Левина (Lewin А.), Наренд-ры (Narendra К.), Омату (Omatu S.) и других ученых, являются эффективными и превосходящими традиционные методы. Однако проблема применимости этих подходов для совершенствования робастных каскадных САУ сложными динамическими объектами в условиях интервальной параметрической неопределенности и внешних возмущениях не достаточно исследована. Так, отсутствует методика синтеза робастно устойчивой системы ста

11 ' """ Ь * 'v" билизации многопараметрического динамического объекта с запаздыванием с помощью интервальной модели; не исследованы вопросы робастного управления с модифицированными нелинейными регуляторами, полученными на основе метода аппроксимирующих преобразований, названных в данной работе аппроксимирующими нелинейными функциональными регуляторами (АНФ-регуляторами), а также с нечеткими и нейрорегуляторами и закономерности функционирования их в каскадных САУ; применение методов обработки информации на основе нечеткой логики и нейросетевой технологии не достаточно исследовано для коррекции параметров регуляторов и реализации самих регуляторов, особенно нелинейных и каскадно-связанных регуляторов в САУ, при необходимости обеспечении астатизма в нечетких системах робастного управления в условиях неопределенности.

Наличие большого числа публикаций по проблеме построения систем на базе нечеткой логики и нейронных сетей (НС) в различных областях свидетельствует как об ее актуальности, так и об отсутствии ее окончательного решения для задачи синтеза робастных САУ интервальными объектами с запаздыванием. Из вышеизложенного следует, что разработка методов и алгоритмов структурно-параметрического синтеза каскадных САУ с модифицированными нелинейными, нечеткими и нейросетевыми регуляторами, робастных не только к параметрической неопределенности модели объекта с запаздыванием, но и к внешним возмущениям, является актуальной задачей системного анализа и управления в технике и технологиях.

Диссертационная работа выполнялась в рамках аналитической ведомственной целевой программы «Развитие научного потенциала высшей школы 2009 - 2011 гг.» по теме НИР «Теоретические основы построения интеллектуальных систем автоматического управления с применением модифицированных нелинейных, нейросетевых и модулярных регуляторов» (№ гос. регистр. 01201066013) и научного направления ФГБОУ. ВПО «СевКавШУ» . ' -г ' • -%<\1*т

Информационно-телекоммуникационные системы», утвержденного на' научно-техническом совете СевКавГТУ 28.06.2007 г.

Целью диссертационной работы является повышение эффективности функционирования робастных систем автоматического управления объектами с интервальными параметрами и запаздыванием путем разработки и применения каскадно-связанных модифицированных нелинейных, нечетких и нейросетевых регуляторов.

Объектом исследований являются робастные интеллектуальные системы управления с различными информационными структурами на базе модифицированных нелинейных, нечетких и нейросетевых регуляторов.

Предметом исследований являются методы и алгоритмы решения задач робастного управления динамическими объектами с запаздыванием на основе модифицированных нелинейных, нечетких и нейросетевых регуляторов, включая вопросы исследования связей между функциональными блоками системы и закономерностей их функционирования.

Научная задача исследований состоит в разработке новых и совершенствовании существующих методов, алгоритмов и структур робастных систем управления на основе модифицированных нелинейных, нечетких и нейросетевых регуляторов с использованием принципов селектирования и перестраиваемой структуры, а также в разработке методики сравнения и многокритериального выбора каскадных САУ на основе применения иерархических моделей принятия решений с учетом нечетких предпочтений.

Для решения общей научной задачи исследований была проведена ее декомпозиция на ряд следующих частных задач:

1. Систематизация и анализ методов и алгоритмов решения задач структурно-параметрического синтеза робастных интеллектуальных систем управления динамическими объектами с запаздыванием в условиях параметрической неопределенности интервального типа. 2. Разработка методики параметрического синтеза и получение необхо-' (V 'Ж V ' < {У уИ; • димых и достаточных условий робастной устойчивости интервальной'системы с запаздыванием на основе критерия максимальной степени устойчивости и минимаксного подхода к формированию номинальной интервальной модели многопараметрического динамического объекта с запаздыванием в условиях неопределенности.

3. Разработка метода и алгоритма структурно-параметрического синтеза робастной системы стабилизации динамических систем с параметрической неопределенностью на основе динамического выбора параметрически оптимизированных ПИД- и АНФ-регуляторов в ходе функционирования системы.

4. Разработка нечеткой системы управления с астатическими свойствами, содержащей в своей структуре модифицированный аппроксимирующий нелинейный регулятор, интегратор с переменным коэффициентом и блоки нечеткого логического вывода с различными базами правил, используемыми для коррекции параметров регулятора.

5. Оценка влияния параметров нейронной сети на показатели качества переходных процессов системы на основе линейных математических моделей, идентифицируемых с помощью данных активно-пассивного эксперимента с использованием ортогональных преобразований исходной матрицы планирования эксперимента.

6. Разработка алгоритмического обеспечения интеллектуальных каскадных САУ и обоснование структур внутреннего и внешнего контуров САУ на основе модифицированных позиционных нелинейных, нечетких и нейро-сетевых регуляторов для решения задач робастного и адаптивного управления.

7. Разработка многоэтапной методики оценки и выбора рациональной структуры каскадных САУ с модифицированными позиционными, нечеткими и нейросетевыми регуляторами в контурах системы на основе последовательного применения иерархических моделей принятия решений для каждого > , ' м ' ' • ■ г из этапов.

Методы исследования. В работе использованы методы системного анализа, теории автоматического управления, планирования эксперимента, интервального анализа, нечеткой логики, теории искусственных нейронных сетей, принятия решений и математического моделирования.

Достоверность и обоснованность полученных в диссертационной работе результатов и формулируемых на их основе выводов обеспечивается корректным применением математического аппарата, использованием в вычислительных экспериментах широко апробированных специализированных программных средств. Справедливость выводов относительно эффективности предложенных моделей и алгоритмов управления подтверждена математическим моделированием.

Научная новизна полученных результатов заключается в следующем:

- разработана методика синтеза робастно устойчивой интервальной системы стабилизации динамического объекта с запаздыванием на основе минимаксного подхода, отличающаяся тем, что необходимые и достаточные условия робастной устойчивости системы получены на основе модели, выделенной по расположению доминирующих полюсов замкнутой системы, соответствующих максимальной степени устойчивости, путем реализации матрицы факторного эксперимента минимальной размерности при ограничении значений запаздывания и коэффициента передачи объекта их максимальными оценками из интервалов, за счет чего сокращаются временные затраты, а при постоянстве значения максимальной степени устойчивости становится возможной адаптация ПИД-регулятора к изменяющемуся коэффициенту передачи объекта с запаздыванием на основе полученной функциональной зависимости между коэффициентом передачи объекта и параметрами настройки регулятора, не прибегая к более сложным алгоритмам адаптации,; тре'' бующим, как правило, больших вычислительных затрат; ' " V '

- разработаны метод и алгоритм структурно-параметрического синтеза робастной интервальной системы с перестраиваемой структурой, содержащей регуляторы жесткой структуры, функционирующие в основном и дополнительных контурах системы, отличающиеся от известных тем, что в дополнительных контурах системы использованы модели объекта с граничными значениями параметров объекта, причем в одном варианте используются ПИД-регуляторы, оптимизированные по критерию максимальной степени устойчивости, а во втором варианте - АНФ-регуляторы различной структуры, при этом динамический выбор и подключение рационального регулятора в основной контур системы в ходе ее функционирования производится на основе рассогласования переходных процессов основного и дополнительного контуров системы, обеспечивая за счет этого реализацию системных связей в системе и повышение качества переходных процессов;

- впервые разработана нечеткая система управления, содержащая в своей структуре АНФ-регулятор и интегратор с переключаемым коэффициентом, блоки нечеткого логического вывода с двумя различными переключаемыми базами правил, используемые для коррекции параметра АНФ-регулятора, что в итоге приводит к повышению робастности и обеспечивает необходимые точность в установившемся (стабилизирующем) режиме и быстродействие в переходном режиме;

- разработана методика оценки влияния параметров нейронной сети на качество переходных процессов в системе на основе обработки данных активно-пассивного эксперимента с использованием методов регрессионного анализа, отличающаяся тем, что условие ортогональности матрицы независимых переменных обеспечивается доортогонализацией столбцов матрицы эксперимента с неуправляемыми параметрами НС, что обеспечивает получе

I ние регрессионных моделей для показателей качества переходных процессов у' системы с коэффициентами, корреляционно не связанными между собой; и в результате облегчает настройку нейросетевой системы управления;

- впервые разработаны структуры каскадных САУ с нейросетевыми и нечеткими АНФ-регуляторами, отличающиеся тем, что во внутреннем контуре системы используются регуляторы жесткой структуры, а в основном контуре используются АНФ-регуляторы с подстройкой коэффициента на основе нечеткой логики либо нейросетевые регуляторы с упреждением, обеспечивающие более высокую степень робастности при неизвестных и изменяющихся параметрах объекта с запаздыванием и улучшение качества системы: время переходного процесса сократилось более чем в чем в три раза с одновременным уменьшением перерегулирования до 5,8 % по сравнению с системой с классическими регуляторами;

- разработана методика решения многокритериальной задачи сравнения и выбора структуры каскадных САУ с модифицированными нелинейными, нейросетевыми и нечеткими АНФ-регуляторами, отличающаяся систематизацией комплекса критериев по группам показателей, независимых по содержанию, и многоэтапной процедурой принятия решения, что снижает необходимое число экспертных оценок и дает экономию времени.

Практическая ценность работы. Практическое использование научных результатов позволяет:

- расширить область робастного управления сложными динамическими системами с запаздыванием за счет построения САУ с динамическим выбором модифицированных нелинейных, нечетких и нейросетевых регуляторов и построения на их основе каскадных САУ;

- уточнить области протекания переходных процессов в робастно устойчивой системе, так как разработанная методика позволяет рассматривать интервальную систему в целом на основе выделения доминирующей модели i

Ulí^i'>,,>' объекта и семейство управляемых систем, определяемых из матрицы плани-яГ 1рования эксперимента на основе возможных вариантов математических моделей динамики. В итоге исключаются временные затраты на перебор всех возможных вариантов интервальной системы, определяемых множеством их допустимых параметров;

- обеспечить поддержку принятия решения при многокритериальном выборе рациональной структуры робастных каскадных САУ с нечеткими и нейросетевыми регуляторами и реализовать возможности проектирования более эффективных систем управления.

Основные положения, выносимые на защиту:

- методика структурно-параметрического синтеза робастно устойчивой системы в условиях неполноты информации о динамике управляемого объекта и действующих на него возмущениях путем построения модели многопараметрического объекта с запаздыванием и обоснование необходимых и достаточных условий ее использования для синтеза и анализа интервальной системы;

- методика решения задачи структурно-параметрического синтеза ро-бастного управления на основе системы с перестраиваемой структурой с динамическим выбором рационального регулятора для основного контура системы по рассогласованию переходных процессов основного и дополнительного контуров управления;

- нечеткая система управления с двумя корректирующими устройствами, содержащая в своей структуре интегратор с переменным коэффициентом интегрирования, модифицированный нелинейный регулятор, блоки нечеткого логического вывода с двумя различными переключаемыми базами правил, используемые для коррекции параметра регулятора и обеспечивающие повышение робастности и необходимые точность в установившемся (стабилизирующем) и быстродействие в переходном режиме;

- методика обработки информации в нейросетевой системе управления при реализации активно-пассивного эксперимента с неполностью ортого С'1 ' V ' 'V V* • ' (Макальными столбцами матрицы планирования и построение на этой основе моделей показателей качества переходных процессов для обоснованного выбора параметров НС;

- рациональные структуры каскадных САУ с нейросетевыми и нечеткими АНФ-регуляторами и методика многокритериального их выбора на основе применения иерархических моделей принятия решений.

Апробация работы. Основные результаты работы докладывались и обсуждались на: Международной научной конференции «Проблемы управления, передачи и обработки информации» (Саратов, СГТУ, 2009); Международной научной конференции «Системный синтез и прикладная синергетика ССПС» (Пятигорск, ПГТУ, 2009); общероссийской научно-практической конференции «Математическое моделирование, компьютерные и информационные технологии в технике, экономике и образовании» (Невинномысск, СевКавГТУ, 2009); XIII научно-технической конференции «Вузовская наука - Северо-Кавказскому региону» (Ставрополь, СевКавГТУ,

2009); IV Международной научной конференции студентов, аспирантов и молодых ученых «Научный потенциал студенчества в XXI веке» (Ставрополь, СевКавГТУ, 2010); всероссийской научно-технической конференции с международным участием «Компьютерные и информационные технологии в науке, инженерии и управлении» «КомТех-2010» (Таганрог, ТТИ ЮФУ,

2010); Международных научных конференциях «Математические методы в технике и технологиях» ММТТ-23 (Белгород, 2010) и ММТТ-24 (Киев, 2011); Всерос. конф. студентов и молодых ученых с международным участием (Пермь, 2011); научно-технических конференциях по итогам работы профессорско-преподавательского состава СевКавГТУ за 2009, 2010 гг. (Ставрополь, 2010 и 2011 гг.).

Публикации. Основные результаты диссертации опубликованы в 28 научных работах, в том числе 8 статей опубликовано в рецензируемых научных журналах и изданиях, рекомендованных ВАК РФ для публикации основных результатов диссертаций.

Реализация и внедрение результатов работы. Теоретические и практические результаты диссертационной работы использованы при выполнении НИР «Структурно-параметрический синтез многорежимных систем в условиях неопределенности с использованием методов нечеткого и нейросете-вого управления» (№ гос. регистр. 01201062867), реализованы в ООО «Про-мавтоматика» (г. Георгиевск) и ООО «ТеплоЭнергоСервис» (г. Невинно-мысск), а также в учебном процессе Невинномысского и Георгиевского технологических институтов (филиалов) ФГБОУ ВПО «СевКавГТУ.что подтверждено актами.

Структура и объем диссертации. Диссертация состоит из введения, четырех глав, заключения, приложения. Ее содержание изложено на 228 страницах, включая 59 рисунков, 31таблицу и список использованных источ

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Масютина, Галина Владимировна

Результаты работы являются теоретической и алгоритмической базой для реализации на ПЭВМ и серийных микропроцессорных контроллерах эффективных алгоритмов с аппроксимирующими нелинейными функциями управления и с нечеткими корректирующими устройствами, систем с динамическим выбором алгоритмов управления, а также для реализации структурных схем интеллектуальных каскадных САУ на основе принципов нечеткой логики и нейросетевой технологии, заменяющих регуляторы внутреннего и внешнего контуров либо корректирующих их настроечные параметры. Практическая полезность разработанных решений подтверждена актами о внедрении.

ЗАКЛЮЧЕНИЕ

В диссертационной работе проведены теоретические и экспериментальные исследования, направленные на повышение эффективности функционирования интеллектуальных робастных САУ объектами и процессами в условиях неопределенности с использованием модифицированных нелинейных, нечетких и нейросетевых каскадно-связанных регуляторов. В ходе выполнения работы получены следующие научные и практические результаты:

1. На основе систематизации и анализа методов и алгоритмов решения задач робастного интеллектуального управления динамическими системами в условиях параметрической неопределенности интервального типа установлено, что методы обработки информации на основе нечеткой логики и нечеткий вывод, нейросетевые технологии, принципы робастности и переменной структуры широко применяются в различных интеллектуальных системах. Однако в системах управления сложными объектами с запаздыванием в условиях неопределенности и, в частности, в каскадных САУ их применение рассмотрено не достаточно, причем среди всех интеллектуальных систем управления особенно эффективны системы, построенные не только на основе одного из вышеперечисленных принципов, а на комбинации нескольких из них. Поэтому существует необходимость в разработке методов и алгоритмов решения задач структурно-параметрического синтеза интеллектуальных робастных каскадных САУ, расширяющих возможности модифицированных нелинейных, нечетких и нейросетевых регуляторов в этой области.

2. На основе проведенных теоретических и прикладных исследований системных связей и закономерностей функционирования интервальных систем с аппроксимирующими нелинейными функциями управления, нечеткими и нейросетевыми регуляторами установлено, их комбинированное применение для решения задач структурно-параметрического синтеза каскадных

САУ является одним из перспективных направлений повышения эффективности управления в условиях неопределенности.

3. Разработана методика синтеза и получены необходимые и достаточные условия робастной устойчивости интервальной системы с запаздыванием по отношению к параметрической неопределенности объекта, базирующиеся на использовании доминирующей модели многопараметрического объекта с п параметрами, выделенной из семейства 2п'2 вариантов моделей интервального объекта на основе минимаксного подхода и наименьшего по модулю максимальной степени устойчивости замкнутой системы, и позволяющие осуществить параметрический синтез робастных регуляторов, а при постоянстве значения максимальной степени устойчивости осуществить подстройку настроек ПИД-регулятора, обеспечивающую адаптацию регулятора к изменяющемуся коэффициенту передачи объекта с запаздыванием.

4. Разработана методика параметрического синтеза и получены необходимые и достаточные условия робастной устойчивости интервальной системы с запаздыванием, базирующиеся на использовании доминирующей модели многопараметрического объекта с п параметрами, выделенной из семейства 2п'2 вариантов моделей интервального объекта на основе минимаксного подхода и наименьшего по модулю максимальной степени устойчивости замкнутой системы, и позволяющие осуществить параметрический синтез робастных регуляторов, а при постоянстве значения максимальной степени устойчивости реализовать подстройку настроек ПИД-регулятора, обеспечивающую адаптацию регулятора к изменяющемуся коэффициенту передачи объекта с запаздыванием.

5. Разработана нечеткая система управления с астатическими свойствами, содержащая в своей структуре модифицированный нелинейный регулятор, интегратор с переключаемым в ходе переходного процесса коэффициентом интегрирования и блоки нечеткого логического вывода с различными базами правил, используемые для коррекции параметров регулятора, что обеспечивает необходимые точность в установившемся (стабилизирующем) режиме и быстродействие в переходном режиме.

6. Сравнение систем управления динамическими объектами с нечеткими модифицированными нелинейными АНФ- и ПИД-регуляторами показало, что при помощи нечеткого АНФ-регулятора с двумя переключаемыми базами правил может быть достигнуто более высокое качество управления при использовании одной и той же информации по сравнению с нечетким АНФ-регулятором с одной базой правил и нечетким классическим ПИД-регулятором. При этом нечеткий АНФ-регулятор имеет только один настроечный параметр и не требуется расширения базы правил для обеспечения качественных переходных и установившихся режимов в программной системе управления.

7. Разработанная математическая модель на основе обработки экспериментальных данных с использованием ортогональных преобразований исходной матрицы планирования эксперимента позволяет исследовать влияние параметров нейронной сети на показатели качества переходного процесса и обоснованно выбирать параметры нейросетевого регулятора в системе управления.

8. Впервые разработаны практически реализуемые каскадные САУ различной структуры с модифицированными нелинейными, нечеткими и нейросетевыми регуляторами и дана их сравнительная характеристика. Обосновано эффективное построение каскадных САУ со структурами типа «традиционный регулятор - нечеткий аппроксимирующий нелинейный функциональный регулятор», «аппроксимирующий нелинейный функциональный регулятор - нейросетевой регулятор», «нейросетевой регулятор 1 -нейросетевой регулятор 2», в которых возмущения, имеющие неопределенный характер и приведенные ко входу объекта управления, компенсируются первым из указанных регуляторов, а в целом достигается одновременное улучшение ряда качественных показателей переходных процессов в САУ при нестационарности объекта управления с запаздыванием.

9. Использование АНФ-регулятора во внутреннем контуре каскадной САУ, обеспечивающего помехозащищенность, высокое быстродействие и переходные процессы близкие к квазирелейному регулированию, позволяет упростить синтез регулятора внешнего контура САУ, сводя его либо к синтезу нечеткого регулятора с подстройкой только одного настроечного параметра в сочетании с интегратором, либо к нейросетевому регулятору минимальной сложности с астатическими свойствами.

10. Исследованиями подтверждено, что при необходимости расширения границ компенсации внешних возмущений и изменяющихся параметров объекта в условиях неопределенности целесообразны каскадные САУ со структурой типа «нейросетевой регулятор 1 - нейросетевой регулятор 2», что обеспечивает компенсацию неопределенных внешних факторов и внутренних (параметрических) возмущений объекта управления одновременно с jfV' "і , повышением робастности и улучшением показателей качества переходных процессов.

11. Разработана многоэтапная методика оценки и выбора рациональной структуры каскадных САУ с модифицированными позиционными, нечеткими и нейросетевыми регуляторами в контурах системы на основе последовательного применения иерархических моделей принятия решений для каждого из этапов. В основу методики положены систематизация критериев и системных требований к САУ по нескольким группам и принцип иерархии, предполагающий последовательную декомпозицию множества целей с ростом степени детализации к нижним уровням. Построение иерархий хорошо согласуется с принципами системного подхода к анализу задачи и обеспечивает поддержку принятия решений в процессе формирования и формализации предпочтений.

12. Программная реализация разработанной методики оценки и выбора рациональной структуры каскадных САУ не вызывает затруднений и может быть легко интегрирована в существующие системы информационной поддержки процесса принятия в виде программного продукта.

Список литературы диссертационного исследования кандидат технических наук Масютина, Галина Владимировна, 2011 год

1. Пролетарский, A.B. Системный синтез интеллектуальных систем управления космических аппаратов и комплексов // Наука и образование: электронное научно-техническое издание. 2007. - № 3. http://technomag.edu.ru/doc/64655.html (дата обращения: 08.04.2009).

2. Nozaka Y. Trend of new control theory application in industrial process control (Asurvey) / Y. Nozaka // Proc. Of 12th IF AC Word Congress, Sydney, Vol. VI, 1993.-pp. 51-56.

3. Васильев, В.И. Нейроуправление новый раздел теории управления сложными системами / В.И. Васильев, C.B. Пантелеев // Нейрокомпьютеры: разработка и применение, № 5,2005. - С. 33-45.

4. Емельянов, C.B. Системное проектирование средств автоматизации / C.B. Емельянов, Н.Е. Костылева, Б.П. Матич, H.H. Миловидов // М.: Машиностроение, 1978. -190 с.

5. Л 5. Ротач, В .Я. Настройка регуляторов модифицированным методом Циглера-Николса / В .Я. Ротач // Промышленные АСУ и контроллеры. 2008. - № 2. -С. 38-42.

6. Михайленко B.C., Ложечников В.Ф. Методы настройки нечеткого адаптивного ПИД-регулятора / http://aaes.org/mihailenkovslojechnikovvf-metodi-nastroiki-nechetkogo-pid-regulyatora.html.

7. Магергут, В.З. Адаптивные позиционные регуляторы и их применение в промышленности / В.З. Магергут, А.Ф. Егоров, Д.П. Вент // Приборы и системы управления. 1998. - № 11. - С. 53-56.

8. Ротач, В.Я. Теория автоматического управления : учебник для студентов вузов / В .Я. Ротач. 4-е изд. - М.: Изд-во МЭИ, 2007. - 400 с

9. Ротач, В.Я. Расчет настройки реальных ПИД регуляторов / В.Я. Ротач // Теплоэнергетика. 1993. - № 10. - С. 31-35.

10. П.Смирнов, Н.И. Оптимизация одноконтурных АСР с многопараметрическими регуляторами / Н.И. Смирнов, В.Р. Сабанин, А.И. Репин // Промышленные АСУ и контроллеры. 2005. - № 7. - С. 24-28.

11. Ротач, В.Я. К расчету систем автоматического регулирования со вспомогательными информационными каналами методом многомерного сканирования // Теплоэнергетика. 2001. № 11. - С. 61-65.

12. Поляк, Б.Т. Робастная устойчивость и управление / Б.Т. Поляк, П.С. Щербаков. М.: Наука, 2002. - 303 с.

13. Методы робастного, нейро-нечеткого и адаптивного управления / Под ред. Н.Д. Егупова. 2 изд.- М.: Изд-во МГТУ им. Н.Э. Баумана, 2002 - 744 с.

14. Заде, JI.A. Роль мягких вычислений и нечеткой логики в понимании, конструировании и, развитии информационных интеллектуальных систем1.1http://zadeh.narod.ru/ZADEHRolmjagkikhvychislenij .html

15. Городецкий, А. Е. Нечеткое математическое моделирование плохо формализуемых процессов и систем / А. Е. Городецкий, И. JI. Тарасова. СПб.: Изд-во политехи, ун-та, 2010. - 336 с.

16. Анисимов, Д.Н. Использование нечеткой логики в системах автоматического управления / Д.Н. Анисимов // Приборы и системы. Управление. Контроль. Диагностика. 2001, № 8. С. 39-42.

17. Заде, JI. Понятие состояние в теории систем / JI. Заде // Общая теория систем. М.: Наука, 1966. 176 с.

18. Заде, JI.A. Понятие лингвистической переменной и его применение к принятию приближенных решений. Пер. с англ. / Под ред. H.H. Моисеева, С.А. Орловского. / JI.A. Заде М.: Мир, 1976. - 165 с.

19. Галушкин, А.И. Нейрокомпьютеры / Кн. 3 : Учеб. пособие для вузов / Общ. ред. А.И. Галушкина. М.: ИПРЖР, 2000. 416 с.

20. Розенблат, Ф. Принципы нейродинамики: Перцептрон и теория механизмов мозга / Ф. Розенблат // М.: 1965. - 480 с.

21. Исаков, П.Н. Оптимизация управления слабоформализуемыми объектами в социально-экономических системах на основе нейросетевого моделирования / дис. . канд. техн. наук : 05.13.01, 05.13.10 /П.Н. Исаков. Воронеж, 2004.-135 с.

22. Горбань, А.Н. Нейронные сети на персональном компьютере / А.Н. Горбань, Д.А. Россиев Новосибирск : Наука. Сибирское отделение РАН, 2001. -276 с.

23. Наладка автоматических систем и устройств управления технологиче- 1 скими процессами. Справочное пособие. Под. ред. A.C. Клюева. М.: Энергия. 1977.-400 с.

24. Угреватов, А.Ю. Применение регуляторов на нечёткой логике / А.Ю. Уг-реватов // Известия высших учебных заведений. Поволжский регион. Технические науки. 2007. - № 3. - С. 9-15.

25. Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Д.А. Поспелова. М.: Наука, 1986 - 312 с.

26. Д. Дюбуа, А. Прад. Теория возможностей. Приложения к представлению знаний в информатике: Пер. с франц. -М. Радио и связь, 1990 288 с.

27. Zadeh L. What is soft computing? // Soft Computing, 1997,1, pp.1-2.

28. Ярушкина, Н.Г. Гибридные системы, основанные на мягких вычислениях: определение, архитектура, возможности / Н.Г. Ярушкина // Программные продукты и системы. 2002. - №3. - С. 19-22.

29. Соколов А.Ю. Знаниеориентированные модели и методы в системах управления принятия решений // http:// sumschool.sumdu.edu.ua/is02/rus/lectures/sokolov/sokolov.htm (дата обращения 20.06 2009).,/1 t 1 'j1,

30. Шидловский, C.B. Система автоматического регулирования, инвариантная к параметрическим возмущениям, на базе нечеткой логики / C.B. Шидловский // Вестник Томского государственного университета . 2006. № 290. -С. 247-250.

31. Роман, М.Р. Выбор оптимальных алгоритмов систем регулирования в условиях нечеткой информации. Автореф. дис. . канд. техн. наук. 05.13.06-М. 2008.-20 с.

32. Глухих В.Г., Никитенко A.A., Еременко Д.С. Коррекция кусочно-линейной функции управления непрерывной продувки котлоагрегатов / htpp ://www.mstu.edu.ru/publish/conf 11 ntk/section 1917.html

33. Mamdani E.H. Application of fuzzy algorithms for the control of a dynamic plant. Proc. IEEE 121, No.12, 1974. -Pp.1585-1588.

34. Meiritz A., Schildt G.H. Model of an adaptive fuzzy controller with explicit transfer fonction, Proceeding of Fuzzy 96, Zittau, Germany, 1996, 58-66

35. Усенко, B.B. Модель быстрого фази контроллера / В.В. Усенко // Труды международн. науч. конф. CONTROL 2000. M.: МЭИ, 2000. - С. 68-73.

36. Золотухин Ю.Н., Кущ A.B. Вариант построения базы правил для нечеткого контроллера. / http://ermak.cs.nstu.ru/IST2003/papers/zolotukhin.pdf

37. Кокорев, C.B. Система нечеткого регулирования температуры электронагревательных установок / C.B. Кокорев, В.Г., В.Г. Букреев // Известия Томского политехнического университета. 2005. Т. 308. № 6. С.146-149.

38. Автоматические регуляторы и законы регулирования htpp://www.ivik.ua/training/articles/fo1der/7.html

39. Солдатов, В.В. Адаптивная настройка систем управления с ПИД-регуляторами в условиях информационной неопределенности / В.В. Солдатов, П.Е. Ухаров // Приборы и системы. Управление, контроль, диагностика. -2004.-№8.-С. 16-20.

40. Штейнберг, Ш.Е. Настройка и адаптация автоматических регуляторов. Инструментальный комплект программ / Ш.Е. Штейнберг, И.Е. Залуцкий, Л.П. Сережин, И.Г. Варламов // Промышленные АСУ и контроллеры. 2003. -№10.-С. 43-47.

41. Зайцев, А.И. Универсальный адаптивный регулятор для систем управления электроприводами постоянного тока на базе нечеткой логики / А.И. Зайцев, A.C. Ладанов // Электротехнические комплексы и системы управления №2,2006.-С. 17-20.

42. Михасев, А.Ю. Исследование влияния вида базы правил нечеткого регулятора на вид переходного процесса / А.Ю. Михасев, И.М. Кольцов / Научная сессия МИФИ-2005. Том 5. // Автоматика. С.32-33.

43. Круглов, В.В. Нечеткая логика и искусственные нейронные сети: Учеб. пособие. / В.В. Круглов, М.И. Дли, Р.Ю. Годунов. М.: Изд-во физ.-мат. Литературы, 2001. - 224с.

44. Леоненков, A.B. Нечеткое моделирование в среде MATLAB и fuzzy TECH. СПб.: БХВ - Петербург, 2005. - 736 с. „ ,п»

45. Каяшева, Г.А. Разработка нечеткого регулятора с четкими термами в целях повышения качества работы и быстродействия / Искусственный интеллект. 2009. №1. С. 119-124. http://www.nbuv. gov.ua/portal/natural/ll/2009l/3/00Kayasheva.pdf

46. Бураков М.В., Коновалов A.C. Разработка интеллектуальных систем управления динамическими объектами методом декомпозиции базы знаний // http:www.inftech.webservis.ru/itxonference/isanditc/2000/section2/ms/arrus2.htm 1

47. Бисаринова, Р.Ж. Алгоритм регулирования технологических параметров котла в нечеткой среде // htpp://www.rosteplo.ru/Techstat/it86dJdj.html

48. Гаврилов, Ф.А. Нечеткий алгоритм принятия решения в системе распределения нагрузки / Ф.А. Гаврилов, С.А. Колпагциков, И.А. Данилушкин //

49. Levin A., Narendra K.S., Control of nonlinear dynamical systems using neural networks: controllability and stabilization IEEE Transactions on Neural Networks, vol. 4, No. 2.,192-206 March 1993.

50. Miller W.T. Real-Time Neural Network Control of a Biped Walking Robot // IEEE Control Systems magazine, vol. 14, no. 1, pp. 41- 48,1994.

51. Narendra K.S., Parthasarathy K. Identification and control of dynamical systems using neural networks. IEEE Transactions on Neural Networks., 1(1): 4-27, March, 1990.

52. Chen L., Narendra K.S. Nonlinear adaptive control using neural networks and multiple models. Automatica, special issue on neural network feedback control, 37 (8): 1245-1255, 2001.

53. Власов, А.И. Аппаратная реализация нейровычислительных управляющих систем / А.И. Власов // Приборы и системы управления, 1999, № 2. С. 61-65.

54. Уоссерман, Ф. Нейрокомпьютерная техника: Теория и практика: Пер. с англ. М.: Мир, 1992.- 240 с. (1

55. Kumpati S., Narenda К., Kannan P. Identification and control of dynamical systems using neural networks // IEEE Transactions on neural networks. 1990. V. 1, № 1.

56. Psaltis D., Sideris A., Yamamura A. A multilaered neural networks Controller //IEEE Control System magazine. April. 1987.

57. Swinarski R. A neuromorphic cascaded context sensitive controller for robot manipulator//INNC'90.1990.

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

59. Масютина, Г.В. Синтез и анализ робастно устойчивой интервальной системы управления объектом с запаздыванием / Г.В. Масютина, В.Ф. Jly-бенцов // Вестник СевКавГТУ. Технические науки. г. Ставрополь: Изд-во СевКавГТУ, 2011, № 4. - С.

60. Пухов, Г.Е. Синтез многосвязных систем управления по методу обрат; ных операторов / Г.Е. Пухов, К.Д. Жук. Киев, Изд-во «Наукова думка».- ''218с. ' .' / I >' 'Г

61. Автоматическое управление в химической промышленности : учеб. для вузов / под. ред. Е. Г. Дудникова. М.: Химия, 1987. - 368 с.

62. Поляк, Б.Т. Робастная устойчивость и управление / Б.Т. Поляк, П.С. Щербаков. М.: Наука, 2002. - 303 с.

63. Терехов, В.А. Нейросетевые системы управления / В.А. Терехов, Д.В. Ефимов, И.Ю. Тюкин; под общ. ред. А.И. Галушкина // Кн. 8. Нейрокомпьютеры и их применение. М.: ИРПЖ, 2002. - 480 с.

64. Панько, М. А. Расчет настроек ПИД-регуляторов при цифровой реализации алгоритма регулирования / М. А. Панько // Теплоэнергетика. 2004. - № 10.-С. 28-32.

65. Буй Хай Шон. Параметрический синтез и анализ АСР с ПИД-алгоритмами различной структуры: автореф. дис. . канд. техн. наук / Буй Хай Шон. 05.13.06 М.: МЭИ, 2006. - 20 с.

66. Штейнберг, Ш. Е. Адаптация стандартных регуляторов к условиям эксплуатации в промышленных системах регулирования / Ш. Е. Штейнберг, И. Е. Залуцкий // Промышленные АСУ и контроллеры. 2003. - № 4. - С. 11-14.

67. Лубенцов, В.Ф. Методы динамической идентификации биотехнологических объектов / В.Ф. Лубенцов, Д.В. Болдырев. Ставрополь : СевКавГТУ, 2005.-82 с.

68. Опришко, A.A. Особенности использования адаптивного ПИ регулятора с активной идентификацией / A.A. Опришко, В.Ф. Лубенцов, Ю.Г. Колпи-ков, Д.А. Белова, A.M. Шубладзе // Приборы и системы управления. 1989, №4.-С. 26-27.

69. Лубенцов, В.Ф. Исследование динамики систем с непрерывными аппроксимирующими функциями управления /В.Ф. Лубенцов // Наука и технологии: Труды XXV Российской школы по проблемам науки и технологий. 4.2. М.: РАН, 2005. - с. 469-476.

70. Юревич, Е.И. Теория автоматического управления / Е.И. Юревич: Энергия, Л., 1969.-375 с.

71. Лубенцов, В.Ф. Система с динамическим выбором алгоритмов управления / В.Ф. Лубенцов, Г.В. Масютина // Приборы и системы. Управление, контроль, диагностика. № 3,2011. С. 1-6.

72. Щербаков П.С. Приближенные методы в параметрической робастности линейных систем управления : Дис. . д-ра физ.-мат. наук : 05.13.01 : М.: ИПУ им. В.А. Трапезникова. М., 2004. 215 с.

73. Бесекерский В.А., Теория систем автоматического регулирования / В.А. Бесекерский, Е.П. Попов // М., Наука, 1975. 768 с.

74. Никитин, A.B. Параметрический синтез нелинейных систем автоматического управления. Монография / A.B. Никитин, В.Ф. Шишлаков: Под ред. В.Ф. Шишлакова; СПбГУАП. СПб., 2003. 358 с.

75. Мотченко, А.И. Система нечеткого управления динамическими объектами с функцией ограничения координат / А.И. Мотченко, Д.В. Кобец // Сб. научных трудов Донбасского госуд. техн. ун-та. Вып. 28. 2009. - С. 405.

76. Кукса П.П. Обеспечение точности в нечетких системах. URL: http://paul.rutgers.edu/~phnksa/publications/fz accuracy - iu-04.pdf.

77. Мань, Н.В. Оптимизация настройки робастных регуляторов с помощью «оврагоперешагового» алгоритма нелинейной минимизации / Н.В. Мань // Теплоэнергетика. 1995. - № 10. - С. 58-65.

78. Genetic tuning of non-linear PID-controllers / A.H. Jones, D.W. Pearson, N.C. Steele, R.F. Albrecht // In: Artificial Neural Nets and Genetic Algorithms. Procs. of the Int. Conf. in Ales, France. Wien: Springer Verlag, 1995. - P. 412415.

79. Галушкин, А.И. Теория нейронных сетей : учебное пособие для ВУЗов. Кн. 1. Нейрокомпьютеры и их применение. / под ред. А.И. Галушкина // -М.: ИПРЖР, 2000. С. 356-404.

80. Суханов, Н.В. Инверсно-адаптивная схема управления сложным динамическим объектом / Н.В. Суханов, А.В. Зайцев, А.Н. Никишов и др. // Нейрокомпьютеры: разработка, применение. -М.: 2010, № 1. С. 34-39.

81. Масютина, Г.В. Синтез и анализ каскадной системы управления с нечетким модифицированным регулятором / Г.В. Масютина, В.Ф. Лубенцов // Вестник СевКавГТУ. Технические науки. г. Ставрополь: Изд-во СевКав-ГТУ, 2010, №4.-С. 97-103. 1 '

82. Теория нелинейных систем автоматического регулирования и управления / Е. П. Попов. М.: Наука. 1979. - 256 с.

83. Saiful A., Omatu S. Neromorpfhile seft-tuning PID controller. Proc. Of 1993 IEEE ICNN. San Francisco, 1993, pp. 552-557.

84. Змеу K.B., Ноткин Б.С., Дьяченко П.А. Безмодельное прогнозирующее инверсное нейроуправление Режим доступа:htpp:www.neuroset.ru/index.php, свободный Загл. с экрана.

85. Горбань, А.Н. Обучение нейронных сетей / А.Н. Горбань // М.: СП Параграф, 1990. - 159 с.

86. Методы робастного, нейро-нечеткого и адаптивного управления: Учебник / Под ред. Н.Д. Егупова. М.: Изд-во МГТУ им. Н.Э. Баумана, 2001. -744 с.

87. Медведев, B.C. Нейронные сети. MATLAB 6 : пакеты прикладных программ. Кн. 4 / B.C. Медведев ; под общ. ред. канд. техн. наук. В.Г. Потемкина // М.: Диалог-МИФИ, 2002. - 496 с.

88. Галушкин А.И. Теория нейронных сетей М.: ИПРЖР, 2000. - 416 с.

89. Васильев, В.И. К выбору структуры нейрорегулятора в системе управления динамическим объектом / В.И. Васильев, С.С. Валеев, A.A. Щилоно-сов // Нейрокомпьютеры: разработка, применение. М.: 2001, № 4-5. - С. 52-60.

90. Галушкин, А. И. О методике решения задач в нейросетевом логическом базисе / А.И. Галушкин. М.: Новые технологии, 2006. - 24 с. - (Приложение к журналу «Информационные технологии»; № 9/2006).

91. Чекинов, С.Г. Решение интервальных математических моделей в адаптивных системах с использованием нейронных сетей / С.Г. Чекинов // Информационные технологии, 2002. № 11. - С. 8-13.

92. Змеу К.В., Ноткин Б.С., Дьяченко П.А. Безмодельное прогнозирующее инверсное нейроуправление // Мехатроника, автоматизация, управление. 2006.№9.-С. 8-15.

93. Масютина, Г.В. Оценка показателей качества нейросетевой системы управления на основе линейных математических моделей / Г.В. Масютина // Фундаментальные исследования, № 4,2011. С. 115-120.

94. Зубарев, Ю.Я. Планирование вычислительного эксперимента в электроэнергетике / Ю.Я. Зубарев и др.. СПб.: Энергоатомиздат, 2000. - 328с.

95. Бабаянц, A.B. Об обработке данных активно-пассивного эксперимента / A.B. Бабаянц, И.А. Мамулов // Автоматизация микробиологических производств (Сборник работ, вып. II). Грозный: НИПИнефтехимавтомат, 1976. -С. 85-93.

96. Нечаев, Ю.И. Планирование и обработка результатов эксперимента / Ю.И. Нечаев. Режим доступа: http://skif.pereslavl.ru/~csa/kurs595 (дата обращения 25.01.2010).

97. Старостин, С.С. Автоматическая настройка регулятора скорости электропривода на основе фаззи-логики /htpp://www.nbuv.gov.ua/portal/natural/Emeo/ee58/Starostin.htm.

98. Кобзарь, А. И. Прикладная математическая статистика / А. И. Кобзарь // М.: Физматлит, 2006. 816 с.

99. Барский, В.Д. Практический математико-статистический анализ в коксохимии / В.Д. Барский, Коган JI.A. М.: Металлургия, 1975. - 184 с.

100. Рудакова, Т.А. Выбор нейросетевых моделей с помощью метода анализа иерархий / Т.А. Рудакова, Н.И. Червяков, В.Ф. Лубенцов // Приборы и системы. Управление, контроль, диагностика. 2008, № 5. С. 1-5.

101. Андрейчикова, O.A. Принятие решений в условиях взаимной зависимости критериев и альтернатив сложных технических систем / O.A. Андрейчикова // Информационные технологии, 2001. № 11. - С. 14-19.

102. Прилипко В.А. Разработка и реализация методики проектирования технических средств для АСУТП на примере СМ ЭВМ. Автореф. дисс. . канд. техн. наук. спец. 05.13.05. М., 2010.-24 с.

103. Андрейчиков, А. В. Анализ, синтез, планирование решений в экономике / A.B. Андрейчиков, О.Н. Андрейчикова-М.: Финансы и статистика, 2000. -368 с.

104. Борисов, А. Н. Принятие решений на основе нечетких моделей. Примеры использования / А.Н. Борисов, O.A. Крумберг, И. П. Федоров Рига: Зи-натне, 1990.-184 с.

105. Фишберн, П. С. Теория полезности для принятия решений: Пер. с англ. / П.С. Фишберн. М.: Наука, 1977. - 352 с.

106. Саати, T.JI. Принятие решений. Метод анализа иерархий / T.JI. Саати . -Пер. с англ. М.: Радио и связь, 1993. - 320 с. , '»,. ,

107. Трофимец, В.Я. К вопросу разработки основных вычислительных процедур метода анализа иерархий // Электронный журнал «Исследовано в России», № 7,2004, с. 848-863. http://zhurnal.gpi.ru/articles/2005/102.pdf.

108. Saaty, T.L. Decision making with Dependence and Feedback. / T.L. Saaty // The Analityc Network Process. Pittsburgh : PWS Publications, 2000. 370 p.

109. Ногин В.Д. Упрощенный вариант метода анализа иерархий на основе нелинейной свертки критериев / В.Д. Ногин // ЖВМиМФ, 2004, т. 44, № 7, С. 1259-1268.

110. Масютина, Г.В. Методика решения многокритериальной задачи выбора структуры каскадной САУ в условиях неопределенности / Г.В. Масютина // Фундаментальные исследования, №11, 2010. С. 119-126.

111. Лубенцов, В.Ф. Сравнение и выбор структуры каскадных САУ на основе нечетких предпочтений / В.Ф. Лубенцов, Г.В. Масютина // Автоматизация в промышленности. № 6,2011. С. 15-19.