Методи і моделі штучного інтелекту в АСУТП керамічного виробництва

Дослідження розробленої моделі було виконано шляхом проведення обчислювальних експериментів на реальних даних підприємства “Дніпрокераміка”. При формуванні вхідних X(t) і вихідних послідовностей R₄(t) даних про технологічний процес було виконано їх приведення до діапазону [-1,0,…, +1,0]. Дані про технологічний процес були розділені на три підгрупи: навчальну, тестову і контрольну. Довжина кожної з складає 708, 120, 150 відповідно.

За результатами обчислювальних експериментів зроблено висновок, що процедура навчання нейронної мережі з сигмоїдними функціями активації виду (6.4) має збіжний характер, при якій настроюванням вагових коефіцієнтів зв'язків досягається . В процесі навчання модель набула необхідних для використання в виробничих умовах узагальнюючих властивостей, про що свідчать значення відносної похибки е_y(t)<5% (на рис. 8) по виходам моделі при подачі на її вхід сигналів тестової підмножини даних.

На наступному етапі виконували розробку інверсних моделей, що описують залежності фізико-хімічних параметрів керамічної дисперсної системи від гранулометричних показників проміжної дисперсної системи з врахуванням корекції властивостей ПАР та технологічною зв'язкою. Експериментально було встановлено, що для вирішення задачі прогнозування значень, що характеризують гранулометричні показники проміжної дисперсної системи, а саме: залишок на ситі 025; залишок на ситі 0125; залишок на ситі 0063; залишок на ситі 0045; прохід через сито 0045; вміст технологічної зв'язки; вміст дефлону (ПАР); вміст рідкого скла (ПАР) - достатнім є використання штучної нейронної мережі прямого поширення .

Якість процесу навчання моделі і одночасно процесу відтворення зворотних залежностей фізико-хімічних властивостей керамічної дисперсної системи від гранулометричних показників та корегуючих домішок процесу помолу характеризується квадратом:

.

Метою навчання мережі є формування функції:

,

(де - фактичний вихід моделі;

- цільовий вихід моделі; де n=8), при якій настроюванням вагових коефіцієнтів зв'язків досягається .

Обчислення похідних критерію навчання по змінним вагових коефіцієнтів і зміщень здійснювали за методом зворотного поширення похибки. Прирощення вектору змінних, що настроюються, виконували за методом сполучених градієнтів з зворотним поширенням похибки і рестартами в модифікації Пауела - Біеле. Одномірний пошук екстремуму вздовж заданого напрямку виконували за алгоритмом Брента.

Дослідження розробленої моделі було виконано шляхом проведення обчислювальних експериментів на реальних даних підприємства “Дніпрокераміка”. При формуванні вхідних X(t) і вихідних послідовностей R₅(t) даних про технологічний процес було виконано їх приведення до діапазону [-1; +1]. Дані про технологічний процес були розділені на три підгрупи: навчальну, тестову і контрольну. Довжина кожної з складає 680, 138, 157 відповідно.

За результатами обчислювальних експериментів зроблено висновок, що процедура навчання нейронної мережі носить збіжний характер, при якому настроюванням вагових коефіцієнтів зв'язків досягається мінімум прийнятого функціоналу оптимізації лише за умови використання в прихованих шарах моделі радіально-базисної функції виду:

(13)

а у вихідному - лінійної. Зворотна модель розроблена в процесі навчання, набула необхідних для використання в виробничих умовах узагальнюючих властивостей і має здатність формувати функції , про що свідчать значення відносної похибки е_y(t)<5,5% по виходам моделі при подачі на її вхід контрольної і тестової підмножини даних.

Далі виконували розробку інверсних моделей, що описують зворотні залежності фізико-хімічних параметрів керамічної дисперсної системи від параметрів корекції властивостей дисперсної системи ПАР та технологічною зв'язкою. Моделлю динаміки хімічних реакцій в дисперсній системі, що протікають в ємкості з переміщуванням (розчиннику), була прийнята штучна нейронна мережа прямого поширення. Експериментально було встановлено, що для вирішення задачі прогнозування значень технологічної зв'язки; дефлону; рідкого скла достатнім є використання штучної нейронної мережі .

Якість процесу навчання моделі і одночасно процесу відтворення залежностей фізико-хімічних властивостей керамічної дисперсної системи від значень коректуючих її властивості домішок характеризується .

Метою навчання мережі є формування функції:

,

(де- фактичний вихід моделі;

- цільовий вихід моделі; n=3), при якій настроюванням вагових коефіцієнтів зв'язків досягається .

Обчислення похідних критерію навчання по змінним вагових коефіцієнтів і зміщень здійснювали за методом зворотного поширення похибки. Прирощення вектору змінних, що настроюються, виконували за методом сполучених градієнтів у модифікації Полака-Рібейри. Одномірний пошук екстремуму виконували за алгоритмом Брента. Початкові значення вагових коефіцієнтів зв'язків задавались випадковим чином з діапазону [-1,0,…,+1,0]. Параметр швидкості навчання з(n) =0,0015. Також вивчалась ефективність застосування у прихованих та вихідному шарах нейронної мережі функцій активації виду (13).

Дослідження розробленої моделі було виконано шляхом проведення обчислювальних експериментів на реальних даних підприємства “Дніпрокераміка”. При формуванні вхідних X(t) і вихідних послідовностей R₆(t) даних про технологічний процес було виконано їх приведення до діапазону [-1,0…, +1,0]. Дані про технологічний процес були розділені на три підгрупи: навчальну, тестову і контрольну. Довжина кожної з складає 658, 147, 161 відповідно.

За результатами обчислювальних експериментів зроблено висновок, що процедура навчання нейронної мережі носить збіжний характер. При цьому при настроюванні вагових коефіцієнтів зв'язків з використанням радіально - базисних функцій у прихованих шарах моделі досягається за меншу кількість навчальних ітерацій. Зворотна модель розроблена в процесі навчання, набула необхідних для використання в виробничих умовах узагальнюючих властивостей і має здатність формувати функції , про що свідчать значення відносної похибки е_y(t)<2,0% (рис. 10) по виходам моделі при подачі на її вхід сигналів тестової підмножини даних.

Після цього було розроблено інверсні моделі, що описують зворотні залежності показників значень сумарних показників якості керамічних напівфабрикатів Х₂(t) в технологічній підсистемі формування керамічних виробів від значень, що характеризують властивості керамічної дисперсної системи Y₇(t), зокрема, щільність; в'язкість; тиксотропію; плинність; коефіцієнт згущення; pH; температуру. Моделлю динаміки хімічних реакцій. що протікають при переході від структури керамічних напівфабрикатів до керамічної дисперсної системи, як і при синтезі інших інверсних моделей технологічного процесу виробництва керамічних виробів шляхом їх формування з дисперсних систем, були прийняті штучні нейронні мережі прямого поширення.

Попередні дослідження щодо можливої структури нейронної мережі з використанням різних алгоритмів навчання дозволили зробити висновок, що процедури навчання моделей носять незбіжний характер.

За результатами попередніх досліджень було зроблено висновок щодо необхідності розробки сукупності інверсних моделей, зокрема, моделей для наступних груп технологічних параметрів: щільність та в'язкість - перша модель; тиксотропія, плинність, коефіцієнт згущення, pH, температура - друга модель.

На першому етапі досліджень виконувався синтез інверсної моделі для першої групи технологічних параметрів. Структура моделі визначалась експерементальним шляхом.

Якість процесу навчання моделі і одночасно процесу відтворення цільової функції R₇(t) характеризується:

.

Метою навчання мережі є формування функції:

,

(де - фактичний вихід моделі;

- цільовий вихід моделі; n=2), при якій настроюванням вагових коефіцієнтів зв'язків досягається .

Обчислення похідних критерію навчання по змінним вагових коефіцієнтів і зміщень здійснювали за методом зворотного поширення похибки. Прирощення вектору змінних, що настроюються, виконували за алгоритмом Левенберга-Маквардта. Початкові значення вагових коефіцієнтів зв'язків задавались випадковим чином з діапазону [-1,0,…,+1,0]. Параметр швидкості навчання з(n) =0,001.

Дослідження розробленої моделі було виконано шляхом проведення обчислювальних експериментів на реальних даних підприємства “Дніпрокераміка”. При формуванні вхідних X₂(t) і вихідних послідовностей R₇(t) даних про технологічний процес було виконано їх приведення до діапазону [-1,0,…, +1,0]. Дані про технологічний процес були розділені на три підгрупи: навчальну, тестову і контрольну. Довжина кожної з них складає 548, 167, 223 відповідно.

За результатами обчислювальних експериментів зроблено висновок, що процедура навчання нейронної мережі носить збіжний характер при використанні в прихованих шарах функції активації виду (13), а у вихідному -лінійної. Розроблена зворотна модель в процесі навчання набула необхідних для використання в виробничих умовах узагальнюючих властивостей і має здатність формувати функції , про що свідчать значення відносної похибки е_y(t)<2,0% по виходам моделі при подачі на її вхід контрольної та тестової підмножини даних.

На другому етапі досліджень виконувався синтез інверсної моделі для другої групи технологічних параметрів. Структура моделі визначалась експерементальним шляхом.

Якість процесу навчання моделі і одночасно процесу відтворення цільової функції R₈(t) характеризується:

.

Метою навчання мережі є формування функції:

,

(де - фактичний вихід моделі;

- цільовий вихід моделі; n=5) при якій настроюванням вагових коефіцієнтів зв'язків досягається .

Обчислення похідних критерію навчання по змінним вагових коефіцієнтів і зміщень здійснювали за методом зворотного поширення похибки. Прирощення вектору змінних, що настроюються, виконували за методом сполучених градієнтів. Початкові значення вагових коефіцієнтів зв'язків задавались випадковим чином з діапазону [-0,7,…,+0,7]. Параметр швидкості навчання з(n) =0,001.

Дослідження розробленої моделі було виконано шляхом проведення обчислювальних експериментів на реальних даних підприємства “Дніпрокераміка”. При формуванні вхідних X₂(t) і вихідних послідовностей R₈(t) даних про технологічний процес було виконано їх приведення до діапазону [-1,0,…,+1,0]. Дані про технологічний процес були розділені на три підгрупи: навчальну, тестову і контрольну. Довжина кожної з них складає 642, 168, 157 відповідно.

За результатами обчислювальних експериментів зроблено висновок, що процедура навчання нейронної мережі носить збіжний характер при використанні в прихованих шарах функції активації виду (13), а у вихідному лінійної. Розроблена зворотна модель в процесі навчання набула необхідних для використання в виробничих умовах узагальнюючих властивостей і має здатність формувати функції , про що свідчать значення відносної похибки е_y(t)<8,0% по виходам моделі при подачі на її вхід сигналів тестової підмножин даних.

Аналіз отриманих результатів обчислювальних експериментів підтвердили працездатність та високі обчислювальні характеристики розробленої сукупності інверсних моделей. Розроблені структури моделей та результуючі значення вагових коефіцієнтів зв'язків утворюють бази знань про даний тип зворотних залежностей, що забезпечує можливість ефективного управління технологічним процесом по еталонним або реальним виходам багатостадійного технологічного процесу.

В сьомому розділі розглянуто питання вибору та експериментального обґрунтування доцільності використання в СППР методу моделювання управлінських рішень для об'єктів керамічної промисловості. Метод прийняття управлінських рішень полягає у послідовному цілеспрямованому використанні ОПР прямих і інверсних моделей фізико-хімічних процесів на різних стадіях виробництва.

Запропонована структура організації СППР у складі АСУТП виробництва керамічних виробів базуються на принципах відкритості, модульності і динамічності. Використання цих принципів при побудові СППР для об'єктів керамічної галузі обумовлено наявністю неповноти, невизначеності, нечіткості, протиріч в інформації про технологічний процес, що надходить до системи, та недетермінізму в процесі пошуку рішення. Це дозволяє забезпечити можливість поповнення знань про технологічні процеси і корекцію механізмів пошуку управлінських рішень. Відкрита модульна структура дозволяє виконувати актуалізацію нових знань про технологічний процес в режимі реального часу, а також розширення можливостей модулів СППР за рахунок використання інших методів обробки знань.

Структура запропонованої СППР дозволяє реалізовувати стратегію, при якій з множини припустимих початкових станів технологічної системи та відповідних результатів виконання окремих технологічних процесів ОПР може оцінити наслідки реалізації тих чи інших управлінських рішень та вибрати найбільш оптимальний варіант. При цьому запропонована СППР дозволяє в процесі прийняття рішень враховувати суб'єктивні оцінки ОПР, що основані на його власному виробничому досвіді та інтуїції.

Розроблені в роботі моделі складних фізико-хімічних процесів керамічного виробництва на основі теорії нейронних мереж, підходи до моделювання управлінських рішень на основі імітаційного моделювання з різними стратегіями управління, що дозволяють оцінювати можливі варіанти рішень, виходячи з прерогатив і обмежень, які задаються ОПР, принципів організації СППР покладено в основу програмного комплексу СППР керамічного виробництва. Комплекс побудовано з використанням сучасних інформаційних технологій, зокрема, програмні модулі для СППР реалізовані мовою програмування MS Visual C++ та DELPHI 5.0. Алгоритми розв'язання задач багатокретиріальної оптимізації реалізовані з використанням програмних пакетів Genetic Library (NeuroDimentions), FlexTool for Matlab і С++.

В восьмому розділі представлено досвід промислової апробації та використання на об'єктах керамічної промисловості запропонованих моделей, методів і підходів моделювання управлінських рішень.

Розроблений програмний комплекс досліджувався на підприємствах “Дніпрокераміка” , «Бутфарфор» у складі АСУТП виробництва. Дослідно-промислові випробування сукупності розроблених моделей та методу моделювання управлінських рішень СППР, як системи у складі АСУТП керамічного виробництва, підтвердили їх адекватність реальним технологічним процесам. Зокрема, при використанні прямих моделей максимальна відносна похибка прогнозу фізико-хімічних властивостей дисперсної системи не перевищує 3%, максимальні відносні похибки класифікації не перевищують 7%, при використанні інверсних моделей багатостадійного технологічного процесу максимальні відносні похибки не перевищують 8%.

В розробленому програмному комплексі використовуються нейронні мережі, які виконують дві функції традиційної системи підтримки прийняття рішень: механізм рішень і бази знань. При цьому бази знань задаються множиною ваг нейронної мережі, що описує конкретний фізико-хімічний процес виробництва керамічних виробів, а процес рішень пов'язаний з роботою моделей на нейромережевому базисі.

Підвищення ефективності прийняття управлінських рішень забезпечує мінімізацію витрат сировинних і енергетичних ресурсів в середньому на 3% і, як наслідок, підвищує ефективність виробництва в цілому.

Висновки

У дисертаційній роботі запропоноване нове вирішення актуальної наукової проблеми аналізу та синтезу сукупності ефективних прямих і інверсних моделей штучного інтелекту фізико-хімічних процесів керамічного виробництва, що дозволяють встановити залежності між параметрами технологічного процесу, розробити систему підтримки прийняття управлінських рішень у складі АСУТП керамічної промисловості, забезпечити мінімізацію непродуктивних витрат ресурсів та є подальшим розвитком теорії управління технологічними процесами.

1. На основі аналізу специфічних особливостей хімічних виробництв виділено окремий клас процесів керамічного виробництва, зокрема процес структуроутворення керамічних дисперсних систем та керамічних напівфабрикатів, що характеризуються наявністю «НЕ-факторів», таких як: неповнота, нечіткість, невизначеність інформації про технологічний процес, некерованість і неконтрольованість збурень.

2. Досліджено з використанням методів виявлення знань у “сирих даних” наявності та властивостей прямих і “прихованих” взаємозалежностей між фізико-хімічними параметрами процесів утворення керамічної дисперсної системи. Встановлено, що багатофакторний характер взаємовпливу зазначених параметрів не дозволяє побудувати точні логічні правила (похибка прогнозу сягає 90%). Визначено, що перспективними методами моделювання цих фізико-хімічних процесів та побудови СППР для даного класу об'єктів є використання методів теорії штучних нейронних мереж та підходів щодо моделювання управлінських рішень з різними стратегіями управління.

3. Розроблено асоціативну модель багатостадійного технологічного процесу виробництва керамічних напівфабрикатів, що базується на штучних нейронних мережах (Кохонена) з самоорганізацією на основі конкуренції між нейронами, яка враховує ретроспективний досвід виконання технологічного процесу. Виходячи з широкого діапазону відносної похибки (від 0% до 46%) встановлено, що найбільш ефективним є застосування гібридних нейромережевих структур.

4. Розв'язана задача прогнозування значень фізико-хімічних параметрів дисперсної системи шляхом розробки та використання гібридної нейромежевої моделі технологічного процесу структуроутворення керамічної дисперсної системи, що базується на поєднанні мереж з самоорганізацією (Кохонена) та штучних нейронних мереж прямого поширення сигналів, поєднання властивостей яких веде до підвищення точності прогнозу (похибка прогнозу складає 2,54%).

5. Розроблено сукупність нейромежевих моделей технологічного процесу утворення керамічних напівфабрикатів, що дозволяють вирішувати задачі класифікації показників якості напівфабрикатів для різних типів браку. Використання цих моделей для рішення задач прогнозування показників якості керамічних напівфабрикатів (за типами) дозволяє мінімізувати вплив вимірювальних шумів та параметричну невизначеність процесів, а також забезпечити необхідну точність прогнозу, достатню для практичного використання в реальних умовах.

6. Розроблено сукупність інверсних моделей фізико-хімічних процесів, що дозволяють вирішувати задачі прогнозування значень технологічних параметрів по реальним чи цільовим виходам об'єкту управління. Використання зазначених моделей для рішення задач прогнозування дозволяє ОПР приймати рішення на управління технологічним процесом.

7. Запропонована сукупність нових моделей фізико-хімічних процесів, що сформована з позиції комплексного підходу, при якому постановка та реалізація окремих задач моделювання зумовлена обмеженнями та вимогами, що є загальними для всього комплексу технологічних задач керамічного виробництва. Моделі базуються на урахуванні “тонких” ефектів, які не можливо виявити на базі традиційних підходів.

8. Обґрунтовано та експериментально доведено ефективність використання в СППР методу моделювання управлінських рішень для об'єктів керамічної промисловості, який шляхом виконання послідовного імітаційного моделювання окремих фізико-хімічних процесів з різними стратегіями управління дозволяє аналізувати можливі варіанти рішень, виходячи з прерогатив і обмежень, які задаються ОПР та оцінити результати їх впливу на якість виконання технологічного процесу.

9. Обґрунтовано використання в СППР методу моделювання управлінських рішень для об'єктів керамічної промисловості, який шляхом виконання послідовного імітаційного моделювання окремих фізико-хімічних процесів з різними стратегіями управління забезпечує можливість аналізу варіантів рішень виходячи з прерогатив і обмежень, що задаються ОПР, та оцінки результатів їх впливу на якість виконання технологічного процесу.

10. На основі розроблених в дисертаційній роботі методів, способів, підходів до аналізу та синтезу моделей фізико-хімічних процесів, а також принципів організації СППР для об'єктів керамічної промисловості розроблено програмний комплекс СППР керамічного виробництва. Промислові випробування сукупності запропонованих рішень підтвердили адекватність розроблених моделей фізико-хімічних процесів реальним процесам. При цьому підвищення ефективності прийняття управлінських рішень забезпечує мінімізацію витрат сировинних та енергетичних ресурсів у середньому на 3%.

Список праць, опублікованих за темою дисертації

1. Бабенко Т.В. АСУТП в керамічній промисловості: проблеми і рішення // Науковий вісник Національного гірничого університету. - 2003. - №10. - С. 92-93.

2. Бабенко Т.В., Положай С.Г., Чеберко А.И Система контроля качества продукции на предприятии ООО “Днепрокерамика” // “Збагачення корисних копалин”. - 2004. - Вип. 19(60). - C. 114-117.

3. Бабенко Т.В. Горизонтальная интеграция автономних подсистем технологическоо уровня предприятий керамической промышленности // “Гірнича електромеханіка й автоматика” - 2003. - Вип. 71. - С.53-57.

4. Бабенко Т.В. Метолодогія побудови промислової мережі підприємства “Дніпрокераміка” // Сборник научных трудов НГУ Днепропетровск: - 2003. - №18. - С.157-163.

5. Белый Я.И., Положай С.Г., Чеберко А.И., Бабенко Т.В. Использование систем сбора и анализа данных для совершенствования технологического производства сантехнической керамики // Весник НТУ “ХПИ”. - Харьков: - 2004. - №33. - С.136-140.

6. Бабенко Т.В. Інтелектуальні системи в керуванні складними динамічними об'єктами // Весник НТУ “ХПИ”. - Харьков: - 2004. - № 36. - С. 33-39.

7. Бешта О.С., Бабенко Т.В. Аналіз ефективності використання моделей множинної регресії в задачах синтезу СППР керамічного виробництва // Вісник Кременчуцького державного політехнічного університету. - 2007. - №4(45) ч. 2. - C. 72-74.

8. Бешта О.С., Бабенко Т.В., Федорейко В., Овєчкіна О.Г. Аналіз і прогноз ситуацій в системах управління технологічними процесами // Вісник Тернопільского державного технічного університету. - 2005. - том 10. - №4. - С.68-74.

9. Бешта О.С., Бабенко Т.В. Кластерний аналіз в ком'ютерному моделюванні технологічного процесу виробництва кераміки // Вісник Національного університету “Львівська політехніка” . - 2005. - №537. - С.165-169.

10. Бабенко Т.В. Застосування методів виявлення знань у даних при побудові СППР в системах управління технологічними процесами керамічного виробництва // Науковий вісник Національного гірничого університету: - 2006. - №9. - С.84-88.

11. Бабенко Т.В. Використання нейронних мереж з самоорганізацією в задачах побудови СППР АСУТП керамічного виробництва // Збірник наукових праць Національного гірничого університету: - 2006. - том 2. - №26. - С.5-14.

12. Бешта О.С., Бабенко Т.В. Система підтримки прийняття рішень в умовах невизначеності для об'єктів технологічного комплексу // Науково-прикладний журнал “Технічна електродинаміка”. - Київ. - 2007. - №5. - С. 76-80.

13. Бешта О.С., Бабенко Т.В. Синтез компоненти гібридної нейромережі з властивостями самоорганізації // Науковий вісник Національного гірничого університету. - 2007. - №3. - С. 61-63.

14. Бабенко Т.В. Синтез компоненти гібридної нейромережі з властивостями апроксимації // Науковий вісник Національного гірничого університету. - 2007. - №5. - С. 79-83.

15. Бабенко Т.В. Дослідження можливості використання нейронних мереж прямого розповсюдження в задачах побудови АСУТП керамічного виробництва // “Збагачення корисних копалин”. - Дніпропетровськ - 2006. - № 27(68-28(69). - С. 162-167.

16. Бабенко Т.В. Основні підходи, щодо вирішення задачі синтезу моделей технологічного процесу в умовах параметричної невизначеності // Збірник наукових праць Національного гірничого університету. - 2007. - №27 - С. 144-152.

17. Бабенко Т.В Синтез моделей для прогнозування браку керамічних напівфабрикатів // Вісник Національного університету “Львівська політехніка”. - 2007. - №41 - С. 99-102.

18. Бешта О.С., Бабенко Т.В. Інтеграція ІСППР в автоматизовану систему управління технологічними процесами виробництва керамічних виробів // Науковий вісник Національного гірничого університету: - 2007. - №7. - C. 67-70.

19. Бабенко Т.В. Дослідження структури гібридної нейромережі для синтезу ІСППР в задачах управління технологічними процесами // “ Системні технології ”. Регіональний міжвузівський збірник наукових праць. - Дніпропетровськ. - 2007. - №3(50). - С. 22-27.

20. Бешта О.С., Бабенко Т.В.Використання LVQ мереж в задачах прогнозування // Вісник Національного університету “Львівська політехніка”. - 2007. - №597 - С. 89-92.

21. Бабенко Т.В. Використання RBF мереж в задачах прогнозування // Науковий вісник Національного гірничого університету: - 2007. - №9. - С. 91-93.

22. Бешта О.С., Бабенко Т.В. Досвід апробації інтелектуальної системи підтримки прийняття рішень // Збірник наукових праць Донецького національного технічного університету. - 2007. - №7 (128). - С43-45.

23. Бабенко Т.В. Нейронні мережі в інтелектуальних компонентах систем управління технологічними процесами // Збірник наукових праць Національного гірничого університету. - 2007. - № 29. - С.139-143.

24. Мещеряков Л.И., Тимофеев Д.С., Кожевников А.В., Бабенко Т.В., Автоматическая система энергосберегающей диагностики и управления шагающего экскаватора-драглайна // Сборник научных трудов Национальной горной академии Украины.- Днепропетровск. - 1997. - №1. - С.244-246.

25. Бабенко Т.В., Кручінін О.В., Тимофєєв Д.С. Автоматизація контролю і управління якістю на технологічних лініях виробництва кераміки // Матеріали 1-ї Міжнародної науково-технічної конференції “Інформаційно-керуючі системи і комплекси” - Миколаїв: НУК, 2004. - 4с.

26. Кузнецов Г.В., Иванов О.М., Бабенко Т.В. Обнаружение сетевых аномалий на основе ART-2C // Материалы седьмой Международной научно-практической конференции “Безопасность информации в информационно-телекоммуникационных системах”. - Киев. - 2004. - С.74-75.

27. Кузнецов Г.В., Бабенко Т.В., Кручинин О.В. Национальная горная академия Украины в информационной среде Приднепровья. //Материалы Международной научно-технической конференции “Компьютерные технологии в обучении, научных исследованиях и промышленности” . Дніпропетровськ: - 1998. - №1. -С.43-46.

28. Кузнецов Г.В., Бабенко Т.В., Тимофєєв Д.С., Бубнов А.О., Іванов О.М. Інтелектуальний комплекс захисту інформації корпоративних інформаційно-комунікаційних систем // Праці міжнародної наукової конференції “Розвиток інформаційно-комунікаційних технологій та розбудова інформаційного суспільства в Україні. Київ. - 2007. - С.77-80.

У роботах, опублікованих у співавторстві, дисертантові належать: [5,7,8,24,25,26,27,28] аналіз стану питання, методика контролю і аналізу технологічної інформації керамічного виробництва, теоретичне обґрунтування моделей [9,12,13,20], теоретичне обґрунтування принципів побудови СППР у складі АСУТП керамічного виробництва та методу прийняття управлінських рішень [18,22].

Анотація

Бабенко Т. Методи і моделі штучного інтелекту в АСУТП керамічного виробництва. - Рукопис.

Дисертація на здобуття наукового ступеня доктора технічних наук за спеціальністю 05.13.07 - Автоматизація процесів керування. - Національний гірничий університет, Дніпропетровськ, 2008.

У дисертаційній роботі вирішено актуальну наукову проблему аналізу та синтезу сукупності ефективних прямих і інверсних моделей штучного інтелекту фізико-хімічних процесів керамічного виробництва.

Сутність її розвязання полягає у встановленні прямих і зворотних залежностей між вхідними та вихідними параметрами процесів утворення керамічної дисперсної системи та керамічних напівфабрикатів, що визначаються структурою моделей сукупності штучних нейронних мереж, множинами вагових коефіцієнтів синаптичних зв'язків, вибраним типом активаційних функцій нейронів.

Запропоновано підхід до розробки систем підтримки прийняття рішень керамічного виробництва, оснований на інтеграції технологій штучного інтелекту з методами імітаційного моделювання фізико-хімічних процесів керамічної галузі з різними стратегіями управління. Розроблена система забезпечує прискорений аналіз стану технологічного процесу і процесу прийняття управлінських рішень, характеризується високою якістю і гнучкістю.

Ключові слова: автоматизовані системи управління, керамічні матеріали, моделі, дисперсні системи, фізико-хімічні процеси, нейронні мережі, системи підтримки прийняття рішень.

Аннотация

Бабенко Т. Методы и модели искусственного интеллекта в АСУТП керамического производства. - Рукопись.

Диссертация на соискания учетной степени доктора технически наук по специальности 05.13.07 - Автоматизация процессов управления. - Национальный горный университет, Днепропетровск, 2008.

В диссертации решена актуальная научная проблема анализа и синтеза совокупности эффективных прямых и инверсных моделей искусственного интеллекта физико-химических процессов керамического производства, которые позволяют установить зависимости между параметрами технологического процесса. Разработана система поддержки принятия управленческих решений в составе АСУТП керамической промышленности.

Сущность ее решения состоит в установлении новых прямых и обратных зависимостей между входными и выходными параметрами процесов получения керамической дисперсной системы и керамических полуфабрикатов, которые определяються структурой моделей совокупности искуственных нейронных сетей, множествами весовых коэфициентов синаптических связей, типом функций активации нейронов. Разработанные модели описывают различные классы физико-химических процессов керамической отрасли и являются основой для разработки систем поддержки принятия решений в составе АСУТП керамической промышленности.

На основании анализа специфических особенностей химических производств выделен отдельный класс процессов керамического производства, а именно, процессы структурообразования керамических дисперсных систем и полуфабрикатов. Данный класс процессов характеризуется наличием “Не - факторов”, а именно, таких как: неполнота, нечеткость, неопределенность информации о технологическом процессе. Предложен подход к анализу и синтезу моделей физико-химических процессов основанный на технологиях искусственного интеллекта, а именно теории нейронных сетей и позволяет создавать СППР, обеспечивающие решение сложных, слабо структурированных задач управления, обучающихся на накопленном опыте и адаптирующиеся к изменениям условий функционирования технологической системы.

Создана совокупность прямых и инверсных моделей на нейросетевом базисе физико-химических процессов производства керамических материалов. Созданные модели исследованы теоретически и экспериментально с целью оценки их адекватности и эффективности применения для решения управленческих задач.

Предложен подход к разработке систем поддержки принятия решений для объектов керамической промышленности, который основан на интеграции технологий искуственного интелекта и методов имитационного моделирования физико-химических процессов керамической промышленности з разными стратегиями управления. Обосновано целесообразность использования в СППР метода моделирования управленческих решений путем последовательного моделирования отдельных физико-химичесих процесов с разными стратегиями управления.

Разработанная система поддержки принятия решений в составе АСУТП керамического производства характеризуется высоким качеством и гибкостью и предназначена для повишения эффективности принимаемых управленческих решений.

Теоретические и експерементальные исследования, изложенные в диссертационной работе представляют собой дальнейшее развитие методов управления технологическими процессами.

Полученные результаты имеют большое практическое значение и внедрены в разной степени, в проектах модернизации автоматизированных систем управления технологическими процессами производств керамических материалов на предприятиях “Дніпрокераміка”, “Бутфарфор”, “Заводе огнеупорных материалов”.

Ключевые слова: автоматизированная система управления, керамические материалы, модели, дисперсные системы, физико-химические процессы, нейронные сети, системы поддержки принятия решений.

Summary

Babenko T. Methods and models for artificial intelligence in the AСSTP of ceramic industry. - Manuscript.

Dissertation for acquiring of a scientific degree Doctor of Technical Sciences on the specialty 05.13.07 - Automatization of Control Systems. - National Mining University, Dnipropetrovsk, 2008.

In the dissertation an actual scientific problem related to analysis and synthesis for an package of effective direct and inverse models of artificial intelligence of physicochemical processes in ceramic industry.

The main idea concerning its resolving lies in establishing direct and inverse relationships between incoming and outcoming parameters of formation processes in the ceramic disperse system and half-finished goods that determined by the structure of model's package of artificial neural networks, multitude of weighting coefficients for synaptic connections, and selected type of activation function of neurons.

The approach to development of support system for a decision-making process in the ceramic industry based on integration technologies of artificial intelligence with the techniques of imitation modelling for physicochemical processes in ceramic industry with various controlling strategies is proposed. The developed system ensures accelerated analysis of technological process condition as well as decision-making and has high quality and flexibility.

Key words: ceramics, disperse systems, physicochemical processes, neural networks, support system for a decision-making process, automated control systems for technological processes.

Бабенко Тетяна Василівна

Методи і моделі штучного інтелекту в АСУТП керамічного виробництва

(Автореферат)

Підписано до друку 23.04.08. Формат 30х42/4.

Папір офсет. Ризографія. Ум. друк. арк. 1,9.

Обл. -вид. арк. Тираж 125. Зам. № 144

Національний гірничий університет

49005, м. Дніпропетровськ, просп. К. Маркса, 19

Размещено на Allbest.ru