Помощь в учёбе, очень быстро...
Работаем вместе до победы

Идентификация технического состояния технологического оборудования на основе нейросетевой модели

Диссертация: Идентификация технического состояния технологического оборудования на основе нейросетевой модели
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Разработано программное приложение по идентификации технического состояния силовых маслонаполненных трансформаторов «А81Т-Ы2009». «А81Т-Ы2009» позволяет выполнять идентификацию технического состояния силовых маслонаполненных трансформаторов. Комплекс может служить основой для создания более сложных систем автоматизированного управления эксплуатацией и сервисом технологического оборудования… Читать ещё >

Содержание

  • 1. ГЛАВА. СОСТОЯНИЕ ВОПРОСА. СУЩНОСТЬ ПРОБЛЕМЫ
  • АНАЛИТИЧЕСКИЙ ОБЗОР СУЩЕСТВУЮЩИХ МЕТОДОВ. ПОСТАНОВКА ЗАДАЧ ДИССЕРТАЦИИ
    • 1. 1. Анализ стратегий управления техническим состоянием оборудования
    • 1. 2. Обзор и анализ современных методов контроля и оценки технического состояния оборудования
    • 1. 3. Анализ путей развития систем идентификации технического состояния технологического оборудования
    • 1. 4. Обзор научных работ посвященных вопросам построения систем идентификации технического состояния технологического оборудования
    • 1. 5. Анализ методов «интеллектуального» анализа данных
    • 1. 6. Постановка целей и задач
  • Основные результаты главы
  • 2. ГЛАВА. МОДЕЛЬ ИДЕНТИФИКАЦИИ ТЕХНИЧЕСКОГО СОСТОЯНИЯ ТЕХНОЛОГИЧЕСКОГО ОБОРУДОВАНИЯ
    • 2. 1. Формализация задачи идентификации технического состояния
    • 2. 2. Исследование нейросетевых моделей для идентификации технического состояния технологического оборудования
    • 2. 4. Выбор структуры нейросетевой модели
    • 2. 5. Разработка принципов построения архитектуры нейросетевой модели
    • 2. 6. Исследование алгоритма обучения
  • Основные результаты главы
  • 3. ГЛАВА. КОНЦЕПТУАЛЬНАЯ МОДЕЛЬ СИСТЕМЫ ИДЕНТИФИКАЦИИ ТЕХНИЧЕСКОГО СОСТОЯНИЯ ТЕХНОЛОГИЧЕСКОГО ОБОРУДОВАНИЯ
    • 3. 1. Предъявляемые требования
    • 3. 2. Структура автоматизированной системы
    • 3. 3. Концептуальная модель программной части
    • 3. 4. Выбор средств разработки программной части
  • Основные результаты главы
  • 4. ГЛАВА. РАЗРАБОТКА СИСТЕМЫ ИДЕНТИФИКАЦИИ ТЕХНИЧЕСКОГО СОСТОЯНИЯ СИЛОВЫХ ТРАНСФОРМАТОРОВ
    • 4. 1. Обоснование выбора объекта апробации
    • 4. 1. Формализация входных параметров системы идентификации
    • 4. 3. Требования к средствам измерения и условиям измерения входных параметров системы идентификации
    • 4. 4. Идентификация технического состояния силовых маслонаполненных трансформаторов по результатам обследований в программном
  • приложении
    • 4. 5. Результаты опытного тестирования программного
  • приложения. 129 Основные результаты главы

Идентификация технического состояния технологического оборудования на основе нейросетевой модели (реферат, курсовая, диплом, контрольная)

Актуальность работы. В настоящее время на большей части промышленных предприятий применяется стратегия управления техническим состоянием оборудования на основе планово-предупредительных ремонтов. Эта стратегия получила наибольшее распространение в нашей стране. Она обеспечивает поддержание необходимого уровня надежности оборудования, но имеет серьезный недостаток — при планировании технического обслуживания фактическое состояние оборудования практически не учитывается. В настоящее время становится очевидным, что для повышения эффективности функционирования предприятия актуальным является переход к более прогрессивной стратегии обеспечения эксплуатационной надежности на основе выполнения ремонтных мероприятий, проводимых по фактическому состоянию. Основу такой стратегии составляет достоверная и оперативная информация о техническом состоянии оборудования.

Современный уровень развития средств измерения позволяет получать информацию о значениях подавляющего большинства параметров оборудования непосредственно в процессе его эксплуатации под нагрузкой. Совершенствованию методов и моделей идентификации технического состояния оборудования особое внимание уделено в работах A.A. Панкратова, H.H. Портнягина, О. Ф. Машошина, Н. Р. Байемани, C.B. Жернакова, В. В. Молчанова, А. Г. Ивахненко, В. Ю. Тэттэра, А. Г. Кобякова, A.M. Завьялова, A.B. Шафрыгина, A. J1. Карташова, A.A. Гусарова, A.M. Акимова, С. П. Сущева, М. В. Калачинскова, С. Г. Каминского, B.JI. Мартыновича, С. Н. Костаревой. Вместе с тем теоретическая база идентификации технического состояния разработана не в полной мере.

Существующие методики идентификации технического состояния в большинстве случаев предполагают применение специализированных математических моделей, описывающих лишь часть определенных свойств и режимов работы моделируемых объектов. Распространение таких моделей на объекты других типов крайне затруднительно. В сложившейся ситуации ак4 туальной является разработка нейросетевой модели идентификации технического состояния оборудования. Реализация этой модели в составе специализированной автоматизированной системы идентификации технического состояния технологического оборудования позволит повысить качество и оперативность обслуживания оборудования, снизить затраты на проведении ремонтных работ.

Целью диссертации является разработка и реализация автоматизированной системы идентификации технического состояния технологического оборудования.

Задачи диссертации. В соответствии с поставленной целью решаются следующие задачи:

— анализ стратегий управления техническим состоянием оборудования;

— исследование нейросетевых моделей и их теоретическое обоснование для идентификации технического состояния оборудования;

— разработка нейросетевой модели идентификации технического состояния технологического оборудования и алгоритма ее обучения причинно-следственным связям между параметрами оборудования и его техническим состоянием;

— разработка структурной модели автоматизированной системы идентификации технического состояния оборудования;

— разработка принципов организации архитектур адаптивных баз данных и баз знаний автоматизированной системы идентификации технического состояния;

— разработка программного приложения, реализующего идентификацию технического состояния технологического оборудования.

Объект исследования — методы и системы контроля технического состояния технологического оборудования.

Предмет исследования — идентификация технического состояния технологического оборудования с применением нейросетевого моделирования.

Методы исследования базируются на теории кодирования, математической статистике, методах аналитического и имитационного моделирования. В работе использованы научные труды российских и зарубежных специалистов, материалы научно-технических конференций и семинаров.

Научная новизна результатов диссертационной работы заключается в разработке теоретических основ создания нейросетевой модели автоматизированной системы идентификации технического состояния технологического оборудования, включающих:

— обоснование применения определенного класса нейросетевых методов;

— правила по формированию структуры нейросетевой модели (число слоев, количество нейронов в слое, взаимосвязь нейронов между собой);

— алгоритм обучения причинно-следственным связям между параметрами оборудования и техническим состоянием;

— архитектуры адаптивных баз данных и баз знаний автоматизированной системы идентификации технического состояния.

На защиту выносятся следующие основные положения:

— теоретическое обоснование нейросетевых моделей и результаты их исследований для идентификации технического состояния оборудования;

— разработанная нейросетевая модель идентификации технического состояния технологическогооборудования и алгоритм ее обучения причинно-следственным связям между параметрами оборудования и техническим состоянием;

— разработанные принципы организации и архитектуры адаптивных баз данных и баз знаний автоматизированной системы идентификации технического состояния;

— разработанная структурная модель автоматизированной системы идентификации технического состояния оборудования;

— разработанное программное приложение, реализующее идентификацию технического состояния технологического оборудования.

Достоверность и обоснованность выводов и результатов работы подтверждаются применением известных научных методов теории управления, теории систем и аттестованных общепризнанных методик измерений, результатами натурального и вычислительного эксперимента.

Практическая значимость работы. Основные теоретические результаты диссертационной работы использованы при разработке программного приложения по идентификации технического состояния силовых маслона-полненных трансформаторов «А8ПЧЧ2009». Приложение позволяет выполнять оценку технического состояния силовых маслонаполненных трансформаторов и планировать их обслуживание по техническому состоянию.

Внедрение результатов работы. Разработанное в работе программное приложение «А81Т-Ы2009» внедряется в промышленную эксплуатацию на электрических станциях Пермского филиала ОАО «Территориальная генерирующая компания № 9».

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих семинарах, конференциях и научно-технических сессиях: научно-техническая конференция Горнонефтяного факультета ГОУ ВПО «ПГТУ» (г. Пермь, 2005;2007 гг.) — Международная научно-техническая конференция «Методы и средства оценки состояния энергетического оборудования» (г. Санкт-Петербург, 2006 г.), II Международная научная конференция «Тинчуринские чтения» (г. Казань, 2007.).

Публикации. По теме диссертации опубликовано 11 работ, в том числе 4 работы по списку ВАК.

Структура и объем диссертации

Работа состоит из введения, четырех глав, заключения, библиографического списка (143 наименований). Общий объем диссертации составляет 147 страницы, в том числе: 72 рисунка- 19 таблиц.

Основные результаты главы.

1. Выполнена проверка полученных в диссертационной работе результатов;

2. Разработано программное приложение по идентификации технического состояния силовых маслонаполненных трансформаторов «А81Т-Ы2009». «А81Т-Ы2009» позволяет выполнять идентификацию технического состояния силовых маслонаполненных трансформаторов. Комплекс может служить основой для создания более сложных систем автоматизированного управления эксплуатацией и сервисом технологического оборудования предприятия, позволяющих: определять оптимальные режимы эксплуатации оборудованиикорректировать графики ремонтапланировать трудовые и материальные ресурс, необходимые для эксплуатации и сервиса оборудования.

3. Разработан регламент обследования силовых трансформаторов и обработки их результатов на базе «А8ПЧЧ2009»;

ЗАКЛЮЧЕНИЕ

.

В диссертационной работе получены следующие основные результаты.

1. Исследованы применяемые в России и за ее пределами методы контроля и идентификации технического состояния технологического оборудования. Установлено, что теоретическая база идентификации технического состояния технологического оборудования разработана не в полной мере. Существующие методики идентификации технического состояния технологического оборудования в большинстве случаев предполагают применение специализированных математических моделей, описывающих лишь часть свойств и режимов работы моделируемых объектов. Распространение таких моделей на объекты других типов крайне затруднительно. Показано, что в сложившейся ситуации целесообразно применение нейросетевой модели.

2. Теоретически обосновано применение нейросетевой модели (многослойного персептрона) для идентификации технического состояния технологического оборудования.

3. Применительно к решению задачи идентификации технического состояния технологического оборудования разработаны правила определения структуры многослойного персептрона (число слоев, количество нейронов в слое). Предложена модификация известного алгоритма обратного распространения ошибки для обучения многослойного персептрона причинно-следственным связям между параметрами оборудования и его техническим состоянием. Модифицированный алгоритм позволяет повысить точность решения задачи идентификации технического состояния и снизить время обучения нейросетевой модели.

4. Определена структура автоматизированной системы идентификации технического состояния технологического оборудования. Программная часть системы представлена набором взаимосвязанных программных модулей, каждый из которых определяет работу приложения с одной стороны, а с другой, имеет определенное функциональное назначение. Примененный подход позволяет выполнять поэтапное внедрение системы на предприятии.

5. Разработаны архитектуры адаптивных баз данных и баз знаний системы идентификации технического состояния технологического оборудования, обеспечивающие возможность добавления информации и знаний о новых объектах идентификации.

6. Разработанное программное приложение «А81Т-Ы2009» позволяет выполнять идентификацию технического состояния силовых маслонапол-ненных трансформаторов. Комплекс может служить основой для создания более сложных систем автоматизированного управления эксплуатацией и сервисом технологического оборудования предприятия, позволяющих: определять оптимальные режимы эксплуатации оборудованиикорректировать графики ремонта.

Показать весь текст

Список литературы

  1. А. Г. Булатов А.И., Шаманов С. А. Методы прикладной математики в инженерном деле при строительстве нефтяных и газовых скважин. М.: ООО «Недра-Бизнесцентр», 2003. — 239с.
  2. A.M. Разработка технических средств и методов контроля и испытаний электрооборудования нефтегазодобывающих комплексов в условиях эксплуатации: дис. канд. техн. наук: спец. 05.09.03. Чебоксары, 2005−135с.
  3. .А. Определение состояния (диагностика) крупных турбогенераторов. М.: Научно-учебный центр ЭНАС, 1997. — 144с.
  4. .А., Мамиконянц Л. Г., Шакарян Ю. Г. Проблемы создания эксплуатации основного электрооборудования энергосистем отработавшего определенный стандартами срок работы. Энергетика: Известия РАН. — 2001, № 3.
  5. А.Е., Сумыхин М. В. Модели и алгоритмы принятия решений в нечетких условиях. Тюмень: Тюменский государственный университет, 2000. — 352 с.
  6. A.A., Глазов О. Н., Кислов Г. И. Экспертные модели диагностики неисправностей основного технологического оборудования электрических станций. Расширение интеллектуальных возможностей АСУ. М.: Энергоатомиздат, 1989. — 152с.
  7. Д.А., Липес A.B., Мызин А. Л. Модели оптимального развития энергосистем. М.:Мир, 1987. — 272с.
  8. С. Обработка знаний. М.: Мир, 1989. — 293с.134
  9. П.В., Руткинс И. Л. Распознавание состояния объекта по наличию подклассов. Кибернетические методы в диагностике. Рига: Знание, 1973. — 125с.
  10. Н.Р. Методы повышения эффективности вибрационного диагностирования авиационных газотурбинных двигателей в эксплуатации: дис. канд. техн. наук: 05.22.14. Москва, 2005. -137с.
  11. В.М., Карасевич A.M., Е.М. Кудрявцев и др. Диагностика материалов и конструкций топливно-энергетического комплекса. М.: Энер-гоатомиздат, 1999. — 360с.
  12. A.A., Куприянов М. С., Степаненко В. В., Холод И. И. Методы и модели анализа данных: OLAP и Data Mining. СПб.: БХВ-Петербург, 2004.-415с.
  13. A.A. Проектирование систем принятия решений в энергетике. М.: Энергоатомиздат, 1986. — 120с.
  14. И.Ф. Техническая диагностика. М.: Машиностроение, 1978. — 240с.
  15. Боровиков В. STATISTIC А. Искусство анализа данных на компьютере: Для профессионалов. 2-ое издание СПб.: Питер, 2003. — 688с.
  16. Брюль и Къер, Мониторизация состояния машинного оборудования. DKBR 0660−11.
  17. Н.П. Моделирование сложных систем. М.: Наука, 1978.399с.
  18. Буч Г. Объектно-ориентированное проектирование с примерами применения. Перевод с англ. М.: Конкорд, 1992. — 519с.
  19. В.М., Глебов И. А. Научные основы анализа и прогнозирования надежности генераторов. JL: Наука, 1984. — 214 с.
  20. Дж.У., Салама А. Э. Диагностика неисправностей в аналоговых цепях. М.: ТИИЭР, 1985, № 8.
  21. В.Н., Денисов A.A. Основы теории систем и системного анализа: Учебник для студентов вузов 2-е издание, переработанное и дополненное. — СПб.: СПбГТУ, 2001. — 512с.
  22. Д.А. Нечеткие методы автоматической классификации: Монография. М.: Технопринт, 2004. — 219с.
  23. Г. В. Ковалев, Е. В. Основа, М. Б. Чельцов и др. Под редакцией Н. И. Воропая. Новосибирск: Наука, Сибирское отделение РАН, 1999 — 434с.
  24. М. Введение в нейро информатику. Образование прикладной и промышленной математики. М.:ТВП, 1994. — 324с.
  25. И.С. Анализ и обработка данных: специальный справочник. СПб: Питер, 2001. — 752с.
  26. И.А., Данилевич Я. Б. Диагностика турбогенераторов. JL: Наука. Ленинградское отделение, 1989. — 118с.
  27. C.B., Ломотько Д. В. Базы данных. Харьков: Фолио- М.: ООО «Издательство ACT», 2002. — 504с.
  28. А.Н., Дубинин-Барковский В.Л., Кирдин А. Н. Нейроин-форматика. СПб.: Наука РАН 1998. — 315с.
  29. А.Н., Россиев Д. А. Нейронные сети на персональном компьютере. СПб.: Наука РАН 1996. — 236с.
  30. A.A. Переходные процессы синхронных машин. М.: Госэнр-гоиздат, 1950 — 551с.
  31. ГОСТ 11 677–85. Трансформаторы силовые. Общие технические условия.
  32. И.Б. Предэксплуатационная диагностика и моделирование состояния изоляции электродвигателей сезонно эксплуатируемого оборудования в сельском хозяйстве: дис. канд. техн. наук: спец. 05.20.02. Барнаул, 2003. — 169с.
  33. A.A. Повышение быстродействия диагностирования автоматизированных штанговых нефтяных установок: дис. канд. техн. наук: спец. 05.13.06. Оренбург, 2006 — 105с.
  34. Джексон, Питер. Введение в экспертные системы: Учебное пособие. Перевод с англ. М.: ИД. «Вильяме», 2001 — 624с.
  35. Диагностирование электрооборудования электрических систем.: Учеб. Пособие/В.М. Кутин, В. И. Брейтбурд. К.: УМК ВО, 1991. — 104с.
  36. C.B. Многомерный статистический анализ: Учебное пособие. Барнаул: Изд-во алт. гос. университета, 2003. 213с.
  37. В., Круглов В. Математические пакеты расширения MatLab. Специальный справочник. СПб.: Питер, 2001. — 480 с.
  38. Д., Прад А. Теория возможностей. Приложение к представлению знаний в информатике. М.: Мир, 1990. — 332с.
  39. A.A., Шумский С. А. Нейрокомпьютеринг и его применение в экономике и бизнесе. М.: МИФИ, 1998. — 239с.
  40. C.B. Контроль и диагностика технического состояния авиационных двигателей на основе интеллектуального анализа данных: дис. д-ра техн. наук: спец. 05.13.01. Уфа, 2005. — 364с.
  41. А. М. Разработка методов управления, контроля и диагностики устройств железнодорожной автоматики и телемеханики: дис. канд. техн. наук: спец. 05.22.08. Москва, 2006. — 117с.
  42. В.Н., Певзнер Г. С. Э.И. Цветков. Агрегатные средства электроизмерительной техники и принципы их компановки в системы. М.: Энергоатомиздат, 1988. — 176с.
  43. А.Г. Кибернетические системы автоматического управления, способные к обучению. К.: КДНТП, 1962.
  44. А.Г. Самообучающиеся системы распознавания и автоматического управления. К.: «Техшка», 1969.
  45. Ивахненко А. Г. Самообучающиеся системы с положительными обратными связями. Справочное пособие. К.: Из-во АН УССР, 1963.
  46. Р. Основные концепции теории нейронных сетей. М.: Вильяме, 2005. — 288с.
  47. M.B. Оценка степени износа и остаточного ресурса дымовых и вентиляционных труб газоперерабатывающих предприятий: дис. канд. техн. наук: спец. 05.26.03. Уфа, 2004. — 143с.
  48. С.Г. Разработка методов вибродиагностирования и восстановления электроприводных нефтепромысловых насосных агрегатов: дис. канд. техн. наук: 05.02.13. Уфа, 2004. — 165с.
  49. А.Г. Диагностирование и прогнозирование состояний технических объектов на основе экспертных систем (на примере полупроводниковых преобразователей частоты): дис. канд. техн. наук: спец. 05.13.01, 05.09.03. Уфа, 2003. — 208с.
  50. A.JI. Совершенствование системы диагностирования при управлении газоперекачивающими турбоустановками: дис. канд. техн. наук: спец. 05.04.12. Брянск, 2005 — 131с.
  51. А.Г. Методика структурно-параметрического представления знаний для обучающей экспертной системы поиска неисправностей в аппаратуре железнодорожной автоматики и телемеханики: дис. канд. техн. наук: спец. 05.13.06. Москва, 2006 — 221с.
  52. В.М. Комплексное диагностирование устройств контактной сети и верхнего строения пути магистральных железных дорог: дис. канд. техн. наук: спец. 05.13.06. Иркутск, 2004. — 170с.
  53. М.Ю. Техническая диагностика электропривода постоянного тока бумагоделательного оборудования: дис. канд. техн. наук: спец. 05.09.03. Санкт-Петербург, 2006. — 253с.
  54. A.JI. Система диагностирования технического состояния цепей управления тягового электропривода трамвайного вагона: дис. канд. техн. наук: спец. 05.09.03 Магнитогорск, 2006. 151с.
  55. В.В., Гареев А. Ф., Васютин С. В., Райх В. В. Интеллектуальная обработка данных. М.: Нолидж, 2000. — 352с.60 .Короткий С. Нейронные сети: алгоритм обратного распространения ошибки. http://lii.newmail.ru/kornn2.htm.
  56. А.Б. Комплекс диагностирования как средство эффективного функционирования электроснабжения металлургических предприятий: дис. канд. техн. наук: спец. 05.09.03. Липецк, 2005. — 164с.
  57. С.Н. Совершенствование методов диагностирования технического состояния газоперекачивающих агрегатов на основе данных производственного мониторинга: дис. канд. техн. наук: спец. 25.00.19. Уфа, 2004. — 166с.
  58. А.А. Диагностика и контроль состояния изоляции устройств электроснабжения железных дорог 6−10 кВ: дис. канд. техн. наук: спец. 05.22.07. Екатеринбург, 2006. — 149с.
  59. П.А. Краткий курс теории вероятности и математической статистики: Учебное пособие. М.: МГУ, 1999. — 51с.
  60. Д., Уингоу С., Шеферд Дж. Программирование на Microsoft Visual С++ 6.0 для профессионалов: Перевод с английского. СПб.: Питер, М.: Издательский торговый дом «Русская редакция», 2002. — 864с.
  61. В.В. Нечеткая логика и искусственные нейронные сети. -М.:Мир, 2002. 228с.
  62. В.В., Борисов В. В. Искусственные нейронные сети. Теория и практика. 2-е изд. — М.: Горячая линия — Телеком, 2002. — 382с.
  63. Э.Р. Разработка прогрессивных методов оценки технического состояния газоперекачивающих агрегатов: дис. канд. техн. Наук: спец. 05.02.13. Тюмень, 2005. — 158с.
  64. В.Б. и др. Использование методологии экспертных систем для оценки состояния изоляции генераторов. М.: Электричество. -1994. — 320с.
  65. Кун А. П. Техническая диагностика полупроводниковых преобразователей и релейно-контакторных устройств электроподвижного состава: ав-тореф. дис. на соиск. учен. степ, д-ра техн. наук: спец. 05.22.07. Москва, 2004. — 43с.
  66. Ю.А., Смирнов A.C., Степанов В. А. Надежность и диагностирование цифровых устройств. СПб.: СПбУ, 1993. — 320с.
  67. С.М. Разработка дистанционной диагностики линейной изоляции контактной сети железнодорожного транспорта: дис. канд. техн. наук: спец. 05.14.12. Томск, 2006. — 143с.
  68. Кэнту М. Delphi 6 для профессионалов. СПб.: Питер, 2002. — 1088с.
  69. Ли Д. В. Определение периода сложных сигналов и диагностических коэффициентов при контроле насосного оборудования нефтепромыслов: дис. канд. техн. наук: спец. 05.13.01. Томск, 2004. — 128с.
  70. И.М., Виноградская Т. М., Рубчинский A.A. и др. Теория выбора и принятия решений. М.: Мир, 1982. — 328с.
  71. Н.Г., Берштейн Л. С., Боженок A.B. Нечеткие модели для экспертных систем в САПР. М.: Энергоатомиздат, 1991 — 136с.
  72. А.Г. Основы построения АСУ: Учебник для вузов. М.: Высшая школа, 1981 — 248с.
  73. В.Л. Обоснование расчетных характеристик остаточного ресурса безопасной эксплуатации объектов газопереработки: дис. канд. техн. наук: спец. 05.26.03. Тюмень, 2006. — 173с.
  74. Матрин Груббер. Понимание SQL: Перевод Лебедева В. Н. /Под редакцией Булычева В. Н. М.: Вильяме, 1993.- 459с.
  75. О.Ф. Диагностика авиационных газотурбинных двигателей с использованием информационного потенциала контролируемых параметров: дис. д-ра техн. наук: спец. 05.22.14 Москва, 2005. 233с.
  76. В.Г. Разработка процессов дистанционной диагностики систем тягово-транспортных средств: дис. канд. техн. наук: спец. 05.20.03. -Москва, 2005. 126с.
  77. Методические рекомендации по диагностике силовых трансформаторов, автотрансформаторов, шунтирующих ректоров и их вводов в эксплуатации на рабочем напряжении. РД ЭО-0189−00.
  78. Методические указания по диагностике развивающихся дефектов трансформаторного оборудования по результатам хроматографического анализа газов, растворенных в масле. РД 153−34.0−46.302−00.
  79. Методические указания по оценке состояния и продлению срока службы силовых трансформаторов. РД ЭО 0410−02.
  80. М., Пайперт С. Персептроны. М.: Мир, 1971.
  81. A.A. Методы обработки экспериментальной информации при контроле состояния корабельного электрооборудования: дис. д-ра техн. наук: спец. 05.13.01 Новочеркасск, 2005. 432с.
  82. A.B., Гаскаров Д. В. Техническая диагностика. -М.:Высшая школа, 1975. 215с.
  83. В.В. Совершенствование технологических процессов диагностирования тягового подвижного состава работающего на полигоне железных дорог восточных регионов России: дис. канд. техн. наук: спец. 05.22.01. Новосибирск, 2003. — 194с.
  84. В.М. Экспертные системы диагностики турбо- и гидрогенераторов: тез. доклада семинара «Разработка и внедрение новых методов контроля состояния турбо- и гидрогенераторов». СПб.: СПбГТУ, 1996. -320с.
  85. В.М., Ординян H.A. Экспертные системы диагностики генераторов. Электрические станции, 1994, № 9.
  86. Объем и нормы испытаний электрооборудования. РД 34.45−51.30 097.
  87. Основные положения методики инфракрасной диагностики электрооборудования и ВЛ. РД 153−34.0−20.363−99.
  88. Основные положения методики инфракрасной диагностики электрооборудования и В Л. РД. 153−34.0−20.363−99.
  89. Основы технической диагностики. Под ред. Пархоменко. М.: Энергия, 1976. — 463с.
  90. A.A. Технология технической диагностики главных редукторов рыбопромысловых судов на основе анализа вибрации и содержания продуктов износа в масле: дис. канд. техн. наук: спец. 05.08.05. Мурманск, 2003. — 157с.
  91. Перцептрон — система распознавания образов / Под ред. А. Г. Ивахненко. К.: «Наук, думка», 1975.
  92. В.В., Ногин В. Д. Парето-оптимальные решения многокритериальных задач. М.:Мир, 1982. — 236с.
  93. Э.В. Экспертные системы: Решение неформализованных задач в диалоге с ЭВМ. М.: Наука, 1987. — 288с.
  94. H.H. Математическое и алгоритмическое обеспечение систем диагностирования судовых электрических средств автоматизации: дис. д-ра техн. наук: спец. 05.13.06. Санкт-Петербург, 2004. — 262с.
  95. Построение экспертных систем: Пер. с англ. /Под ред Ф. Хейса-Рота, Д. Уотремана, Д. Лената. М.:Мир, 1987. — 411с.
  96. Приобретение знаний: пер. с япон./ Под редак. Осуги С., Саэки Ю. М.:Мир, 1990. -304с.
  97. РД 153−34.0−46.302−00. Методические указания по диагностике развивающихся дефектов трансформаторного оборудования по результатам хроматографического анализа газов, растворенных в масле.
  98. РД 34.43.105−89. Методические указания по эксплуатации трансформаторных масел.
  99. РД 34.45−51.300−97. Объем и нормы испытания электрооборудования.
  100. РД-153−34.0−46.302−00. Методические указания по диагностике развивающихся дефектов трансформаторного оборудования по результатам хромотографического анализа газов, растворенных в масле.
  101. C.B., Шеин С. А. Математические методы обработки статистической информации с помощью ЭВМ: Пособие для исследователей гуманитарных специальностей. Мн.: Университетское, 1990. — 128с.
  102. Роберт Каллан. Основные концепции нейронных сетей.- М.: Вильяме, 2001.-384 с.
  103. Робототехника и гибкие автоматизированные производства. В 9-и кн. Кн. 6. Техническая имитация интеллекта: Учеб. пособие для вузов/ В. М. Назаретов, Д.П. Ким- под общ. ред. И. М. Макарова. М.: Высш. шк., 1986. — 144 с.
  104. М.А. Моделирование и использование нейропредставле-ний и механизмов. СПб.: БХВ-Петербург, 2003. — 112с.
  105. Д., Пилинский М., Рутковский Л. Нейронные сети. Генетические алгоритмы и нечеткие системы: Пер. с польского И.Д. Рудинско-го. М.: Горячая линия — Телеком, 2006 — 452с.
  106. М.Ю. Погрешности сетей. Вычисление погрешностей весов синапсов. Методы нейроинформатики. Красноярск: КГТУ, 1998.
  107. В.Ф. Отраслевая техническая диагностика, как фактор повышения эффективности энергетического производства. Энергетика и электрификация, 1982, № 6.
  108. В.Ф., Гуляев В. А. Диагностическое обеспечение энергетического производства. Киев 1985. — 184с.
  109. СО 34.04.181−2003. Правила организации технического обслуживания и ремонта оборудования, зданий и сооружений электростанций и сетей.
  110. СО 34.04.181−2003. Правила организации технического обслуживания и ремонта оборудования, зданий и сооружений электростанций и сетей.
  111. В.И. Использование методов принятия решения при проектировании нейросетевых структур обработки данных: дис. канд. техн. наук: спец. 05.13.12. Москва, 2004. — 139с.
  112. М.Ф. Основы проектирования экспертных систем технической диагностики: Учебное пособие. Саратов: Саратовский государственный технический университет, 2000. — 128с.
  113. С.П. Создание и внедрение диагностической системы обеспечения безопасности эксплуатации дымовых труб объектов нефтегазового комплекса: дис. д-ра. техн. наук: спец. 05.26.03. Уфа, 2004. — 336с.
  114. Г. Г., Титко А. И., Федоренко Г. И., Коваленко В. П. -Киев: Наукова думка, 1978. 233с.
  115. Технические средства диагностики. Справочник Клюев В. В., Пархоменко П. П., Абрамчук В. Е. и др. Под общей редакцией Клюева В. В. М.: Машиностроение, 1989. — 672с.
  116. Тиатренко Г. Visual Basic 6.0. К.: издательская группа BHV, 2001.-416 с.
  117. A.B. Управление индивидуальным ресурсом вагонов в эксплуатации: дис. д-ра техн. наук: спец. 05.22.07 Санкт-Петербург, 2004. -382с.
  118. В.Ю. Разработка технологий и оборудования для вибродиагностирования колесно-моторных блоков локомотивов: дис. канд. техн. наук: спец. 05.22.07. Омск, 2005. — 192с.
  119. Ф. Нейрокомпьютерная техника. М.: Мир, 1992.435с.
  120. В.В. Совершенствование методов и средств диагностирования технического состояния коллекторно-щеточного узла тяговых электродвигателей подвижного состава: дис. д-ра техн. наук: спец. 05.22.07. -Омск, 2002. 376с.
  121. А.Н. Диагностирование изоляции обмоток статоров синхронных машин большой мощности с помощью измерения частичных разрядов: дис. канд. техн. наук: спец. 05.09.01. Москва, 2005−151с.
  122. В.Г. К определению независимых переменных для нейронных сети. Материалы XI Всероссийского семинара «Информатика и ее приложения». Красноярск, 2003. — 215с.
  123. В.Г. Общая неэффективность использования суммарного градиента выборки при обучении нейронной сети. Материалы XII Всероссийского семинара «Информатика и ее приложения». Красноярск: КГТУ, 2004. — 196с.
  124. В.Г. Определение оптимального размера нейросети обратного распространения через сопоставление средних значений модулей весов синапсов: Материалы XIV Международной конференции по нейроки-бернетике, Ростов-на-Дону, 2005.
  125. В.Г. Оптимизация предобработки данных для обучаемой нейросети: критерии оптимальности предобработки. Материалы XIV Международной конференции по нейрокибернетике, Ростов-на-Дону, 2005 г.
  126. В.Г. Простейший способ вычисления показателей значимости первого порядка для сетей обратного распространения: Материалы X всероссийского семинара «Нейроинформатика и ее приложения». -Красноярск: КГТУ, 2002. 185с.
  127. В.Г. Редукция размеров нейросети не приводит к повышению обобщающих способностей: Материалы XII Всероссийского семинара «Информатика и ее приложения», Красноярск: КГТУ, 2004. 196с.
  128. А. В. Разработка метода диагностирования блоков автоматического управления электровозов переменного тока с тиристорными преобразователями: дис. канд. техн. наук: спец. 05.09.03 Москва, 2003. 144с.
  129. В. И. Компьютерная система планирования и организации ремонтных работ (на примере ТЭС): дис. канд. техн. наук: спец. 05.13.01. Красноярск, 2003. — 165с.
  130. В.А. Ускоренное обучение нейронной сети с отбором обучающих примеров. Самара: Институт систем обработки изображений РАН, 2003. 83с.
  131. Электрическая часть электростанций: Учебник для вузов/Под. Ред. С. В. Усова Л.: Энергоатомиздат, 1987. — 616с.
  132. Bartlett P.L. For valid generalization, the size of the weights is more important than the size of the network / Advances in Neural Information Processing Systems 9 (1996). MIT Press, 1997. pp.134 140.
  133. Bishop C.M. Neural Networks and Pattern Recognition. Oxford Press, 1995.-432c.
  134. Fausett L.V. Fundamentals of Neural Networks: Architectures, Algorithms and Applications. Prentice Hall, 1994. — 321p.
  135. Funahashi K.I. On the approximate realization of continues mapping by neural networks. Neural Networks, 1989.
  136. Goldberg D. Genetic Algorithms in Machine Learning, Optimization, and Search. Singapore: Word Scientific, 1988. — 215p.
  137. Gong W., Yau H.C., Manry M.T. Non-gaussian feature analysis using a neural network /Progress in Neural Networks, 1994. Vol. 2. pp.253−269.
  138. Gu B., Hu F., Liu H. Modelling classification performance for large data sets: an empirical study / Lecture Notes in Comp. Sci., 2001. Vol.2118. pp.317 328.
  139. Kohonen T. Self-organization and Associative Memory. Berlin: Springer-Verlag, 1989. — 345c.
  140. Kohonen T. Self-organization and Associative Memory. Berlin: Springer-Verlag, 1989. — 231c.
  141. Murata T., Yoshizawa S., Amari S. Learning curves, model selection and complexity of neural networks / Advances in Neural Information Processing Systems 5 (1992). Morgan Kaufinann, 1993. pp.607−614.
  142. Neural Network Toolbox User’s Guide / Demuth H., Beale M.- Natick: Math Works Inc, 1997. 700p.
  143. P/PM Technology magazine, 98.
  144. P/PM Technology magazine, 99.
  145. Sankar K. Pal, Sushmita Mitra, Multiplayer Pereceptron, Fuzzy Sets, and Classification //IEEE Transactions on Neural Networks, Vol.3.,№ 5, 1992, pp. 683−696.
  146. Schraudolph N.N., Sejnowski T.J. Tempering backpropagation networks: not all weights are created equal / Advances in Neural Information Processing Systems 8 (1995). MIT Press, 1996. pp.563−569.
  147. УТВЕРЖДАЮ Зам. руководителя филиала ЗАО «ЮС"о внедрении результатов кандидатской диссертационной работы Нусса Сергея Викторовича
  148. Настоящий акт подтверждает практическое использование результатов, полученных в диссертационной работе Нусс C.B., в работе электротехнического управления филиала ЗАО «ЮС» «Генерация Урала».1. Метелкин А.В.1. Бородин С.М.
Заполнить форму текущей работой

Пора сдавать?