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

Разработка алгоритмов идентификации сложных технологических объектов (на примере производства фталевого ангидрида)

Диссертация: Разработка алгоритмов идентификации сложных технологических объектов (на примере производства фталевого ангидрида)
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

В данной работе ставится задача разработки алгоритмов идентификации технологических объектов, которая решается для производства фталевого ангидрида, являющегося типичным производством в химической промышленности. При этом рассматриваются вопросы выбора метода, разработки и исследования алгоритмов идентификации, обеспечивающих решение задач построения математических моделей, распознавания… Читать ещё >

Содержание

  • Глава I. ПРОИЗВОДСТВО ФТАЛЕВОГО АНГИДРИДА КАК ОБЪЕКТ УПРАВЛЕНИЯ. ПОСТАНОВКА ЗАДАЧИ РАБОТЫ
    • 1. 1. Описание технологии и задачи управления производством
    • 1. 2. Задача распределения нагрузок между контактными системами
    • 1. 3. Анализ стадии контактирования
    • 1. 4. Постановка задачи работы
  • Глава 2. ЗАДАЧА ИДЕНТИФИКАЦИИ И ВЫБОР МЕТОДА ЕЕ РЕШЕНИЯ
    • 2. 1. Постановка задачи и анализ методов идентификации
      • 2. 1. 1. Постановка задачи идентификации
      • 2. 1. 2. Выбор структуры модели
      • 2. 1. 3. Оценка параметров модели
      • 2. 1. 4. Новые тенденции при исследовании сложных объектов
    • 2. 2. Метод группового учета аргументов
    • 2. 3. Методы шаговой регрессии
  • Глава 3. ИССЛЕДОВАНИЕ АЛГОРИТМОВ ИДЕНТИФИКАЦИИ
    • 3. 1. Задачи и метод исследования
    • 3. 2. Выбор структуры и оценка качества модели
    • 3. 3. Анализ условий останова алгоритмов
    • 3. 4. Исследование метода группового учета аргументов
    • 3. 5. Исследование алгоритмов шаговой регрессии
    • 3. 6. Построение моделей при известной и неизвестной зависимости «выход-входы» объекта
    • 3. 7. Неустойчивость процесса идентификации
    • 3. 8. Сравнение алгоритмов МГУА и ШР
    • 3. 9. Геометрическая интерпретация МГУА
    • 3. 10. Выводы по исследованию алгоритмов идентификации
  • Глава 4. РАЗРАБОТКА АЛГОРИТМОВ ИДЕНТИФИКАЦИИ И ОПТИМАЛЬНОГО РАСПРЕДЕЛЕНИЯ НАГРУЗОК ИЗ
    • 4. 1. Алгоритмы МГУА
    • 4. 2. Алгоритмы шаговой регрессии
    • 4. 3. Автоматизированная диалоговая система хранения и обработки экспериментальных данных dial
    • 4. 4. Разработка алгоритма оптимального распределения нагрузок между контактными системами
  • Глава 5. РЕАЛИЗАЦИЯ РАЗРАБОТАННЫХ АЛГОРИТМОВ В АСУТП ПРОИЗВОДСТВА ФТАЛЕВОГО АНГИДРИДА
    • 5. 1. Проведение эксперимента по сбору данных для построения модели контактной системы
    • 5. 2. Разработка методики расчета выхода фталевого ангидрида
    • 5. 3. Построение модели контактной системы
    • 5. 4. АСУТП производства фталевого ангидрида

Разработка алгоритмов идентификации сложных технологических объектов (на примере производства фталевого ангидрида) (реферат, курсовая, диплом, контрольная)

Химическая промышленность является одной из ведущих отраслей народного хозяйства, в которой вопросы управления приобретают все большее значение для ее развития. Интенсификация технологических процессов, увеличение объемов производства, использование аппаратов большой мощности, работа при высоких температурах и давлениях привели к необходимости применения более совершенных методов управления, использование которых невозможно без математических моделей. Построение моделей является важнейшей задачей современной теории и практики управления /24/.

Многие современные объекты управления характеризуются большой размерностью, сложным видом связей между переменными, ограниченностью информации о свойствах и структуре объекта, стохас-тичностью. В качестве примеров можно назвать технологические процессы гетерогенного катализа, полимеризации и нефтехимии, технологические комплексы и организационные системы. Модель приходится строить при ограниченном объеме зашумленных экспериментальных данных и весьма расплывчатой априорной информации о внутреннем строении объекта и о статистических характеристиках приложенных к нему возмущений /91/.

Сложность, а часто и невозможность исследования внутренних механизмов явлений, протекающих в объектах управления, затрудняет построение аналитических моделей. Из-за этого большое внимание стали уделять экспериментальным моделям, для построения которых используется подход, основанный на анализе входных и выходных переменных объекта, получивший название идентификации /127/.

Традиционные методы построения моделей, такие, например, как регрессионный анализ, встретили серьезные трудности при идентификации сложных объектов. Основные проблемы, требующие решения — выбор структуры модели, построение моделей нелинейных многомерных объектов при ограниченном объеме экспериментальных данных /91/.

В данной работе ставится задача разработки алгоритмов идентификации технологических объектов, которая решается для производства фталевого ангидрида, являющегося типичным производством в химической промышленности. При этом рассматриваются вопросы выбора метода, разработки и исследования алгоритмов идентификации, обеспечивающих решение задач построения математических моделей, распознавания производственных ситуаций и прогнозирования в системах управления различных уровней применительно к химической и смежных к ней отраслей промышленности. Особое внимание уделяется идентификации технологических объектов сложной природы при ограниченном объеме экспериментальных данных.

Результаты исследования и эффективность разработанных алгоритмов и программ проверены при решении практических задач построения моделей, распознавания производственных ситуаций и прогнозирования.

Научная новизна работы:

I. Проведено исследование и сравнение алгоритмов методов группового учета аргументов и шаговой регрессии при построении математических моделей сложных нелинейных объектов по ограниченному объему экспериментальных данных. Исследовано влияние объема данных, уровня шума и априорной информации о структуре объекта на качество моделей. В частности, показано снижение роли априорной информации о структуре объекта при повышении уровня шума. Обнаружено явление снижения точности модели при расширении возможностей алгоритмов в выборе структуры модели.

2. Установлено и объяснено явление, названное неустойчивостью процесса идентификации, которое возникает при росте сложности модели, большом уровне шума и малом объеме экспериментальных данных.

Предложено выделять часть экспериментальных точек, названных контрольными, для наблюдения за процессом построения моделей в шаговых алгоритмах идентификации (в частности, для предупреждения неустойчивости) и их останова, а также для выбора структуры модели и оценки ее качества.

3. Разработана геометрическая интерпретация процесса формирования частных моделей в МГУА, построенная на базе геометрической интерпретации метода наименьших квадратов, разработанной.

А.Н.Колмогоровым.

На защиту выносятся:

1. Результаты исследования и сравнения алгоритмов идентификации.

2. Установление и объяснение явления неустойчивости процесса идентификации.

3. Методические рекомендации по применению дополнительной группы экспериментальных данных в качестве контрольных точек.

4. Алгоритмы идентификации, построенные по методам группового учета аргументов и шаговой регрессии.

5. Алгоритм распределения нагрузок между контактными системами в производстве фталевого ангидрида при заданной суммарной нагрузке и ограничениях на каждую из них.

Работа состоит из пяти глав и приложений.

В первой главе рассмотрено производство фталевого ангидрида и поставлена задача работы. Даны описания технологии и задач управления производством.

Вторая глава посвящена задачам построения математических моделей, проблемам и методам ее решения.

Дана общая постановка задачи идентификации и проанализированы две ее основные подзадачи — выбор структуры и оценка коэффициентов модели, а также представлен обзор методов их решения. Дано описание и проведен анализ методов группового учета аргументов и шаговой регрессии.

В третьей главе исследуются алгоритмы идентификации.

Описаны методика исследования и тестовые объекты.

Рассмотрены вопросы выбора структуры модели, оценки их качества, останова алгоритмов идентификации, восстановления зависимости «выход-входы» объекта при наличии и отсутствии априорной информации о его структуре. Исследовано влияние объема экспериментальных данных и уровня шума на качество моделей. Проведено сравнение различных алгоритмов идентификации.

Дана геометрическая интерпретация МГУА.

В четвертой главе описаны алгоритмы идентификации и оптимального распределения нагрузок между контактными системами в производстве фталевого ангидрида.

Приведено описание алгоритмов построения моделей, распознавания производственных ситуаций и прогнозирования, построенных по МГУА, алгоритмов шаговой регрессии, а также описание структуры и принципа работы автоматизированной диалоговой системы хранения и обработки экспериментальных данных.

В пятой главе рассмотрено применение разработанных алгоритмов в АСУТП производства фталевого ангидрида и для решения других задач идентификации.

Основные результаты диссертации представлены в печатных работах автора /50−57, 69/.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ.

1. Проведен анализ производства фталевого ангидрида и сформулирована задача управления, показана необходимость построения математической модели стадии контактирования. Установлено, что построение аналитической модели промышленного контактного аппарата затруднено слабой изученностью процессов гетерогенного катализа, построение же экспериментальных моделей сталкивается с проблемой выбора их структуры и ограниченным объемом экспериментальных данных.

2. С учетом проблем построения экспериментальных моделей сложных технологических объектов проведен анализ и выбор методов их идентификации, наиболее перспективные из которых — методы шаговой регрессии и группового учета аргументов. Поскольку практическое применение алгоритмов идентификации требует определения целого ряда важных параметров, проведено исследование алгоритмов МГУА и ШР на двух типовых объектах с помощью машинного эксперимента. В результате исследования сформулированы рекомендации по выбору параметров алгоритмов и определена область их эффективного применения.

3. При построении моделей в случае большого уровня шума или малого числа экспериментальных точек обнаружено явление неустойчивости процесса идентификации, заключающееся в резком монотонном удалении модели от истинной зависимости в промежутках между экспериментальными точками.

4. Предложено выделять часть экспериментальных точек в качестве контрольных для наблюдения за процессом построения модели в шаговых алгоритмах, в частности, для предупреждения возникновения неустойчивости, выбора момента останова алгоритма, выбора структуры и оценки качества модели.

5. Разработаны алгоритмы и программы идентификации по методам группового учета аргументов и шаговой регрессии, которые экспериментально проверены при построении модели контактной системы в производстве фталевого ангидрида, распознавании производственных ситуаций и прогнозировании.

Разработан алгоритм шаговой регрессии с автоматическим выбором порога исключения незначимых переменных, который работает в более широкой области выбора структуры модели, чем методы включения и полной шаговой регрессии, и дает более точные модели.

Разработана автоматизированная диалоговая система хранения и обработки экспериментальных данных для ЕС ЭШ (ДОС), включающая программы идентификации.

6. Разработаны и внедрены алгоритмы для управления производством фталевого ангидрида. В частности, разработан и исследован алгоритм оптимального распределения нагрузок между контактными системами. Разработанные алгоритмы включены в математическое обеспечение АСУ Til, которая внедрена на Нижнетагильском заводе пластмасс и дала годовой экономический эффект 15тыс.р. при годовом приросте прибыли 146 тыс.р.

Кроме того, построена математическая модель смолообразования в производстве бумаги. Алгоритмы и программы идентификации внедрены в качестве математического обеспечения автоматизированной подсистемы контроля эксплуатационных характеристик изделий, в нефтехимической промышленности душ прогнозирования экономических показателей, а также в системе обработки данных лабораторных и промышленных экспериментов. Внедрение алгоритмов и программ и решение указанных задач дало суммарный экономический эффект 269 тыс. р.

В заключение необходимо заметить, что выводы о преимуществе ШР или МГУА нельзя считать окончательными, поскольку метод группового учета аргументов находится в постоянном развитии и совершенствовании, публикуются все новые модификации алгоритмов и можно надеяться, что будут созданы новые методы, сочетающие в себе достоинства МГУА и ШР. Методы ШР практически не меняются, хотя в них имеются потенциальные резервы для модернизации, что частично сделано в данной работе (см. разд.3.5).

3.9. Геометрическая интерпретация МГУА.

При исследовании МГУА была разработана его геометрическая интерпретация /50/, помогающая при изучении и исследовании метода. В работе /126/ предложена геометрическая интерпретация МГУА, иллюстрирующая другую сторону работы метода, а именно, отбор частных моделей по максимуму коэффициента корреляции выходов объекта и модели на проверочных точках. В отличие от интерпретации /126/, нами рассмотрен процесс формирования частных полиномов по рядам алгоритма.

Рассмотрим задачу идентификации в следующей постановке. Пусть в Кмерном эвклидовом пространстве R, размерность которого определяется числом экспериментальных точек (такое пространство называют выборочным /2бДзадано множество из /?? векторов входных переменных Х= {x?f Х-, Хт J, где.

OCj — faj, «И вектор выходной переменной (Ja~(^.

Требуется найти такую структуру и коэффициенты уравнения / nFfX’c)' где? = (Си С^) — вектор коэффициентов, размерность которого (т1) заранее не задана, чтобы.

Для решения данной задачи, в соответствии с алгоритмом МГУ к, формируются частные полиномы 0 где % ~ -''номер ряда алгоритма;

Q, — вектор коэффициентов частного полинома.

При этом решаются частные задачи, аналогичные задаче.

— 2.

3.2): требуется найти такой вектор коэффициентов (L-, чтоО бы.

УП-М.-КП—'"*. (3.3) где d — вектор ошибки;

С — номера частных полиномов. Рассмотрим, к примеру, частные полиномы вида у* = y + wf'+wf*.

Аргументы Сго частного полинома принадлежат некоторому подпространству Ry.

Поскольку вектор [j?равен линейной комбинации аргументов, он также будет лежать в подпространстве Ry .

А.Н.Колмогоровым /63/ показано, что условие (3.3) выполняется только в том случае, если является проекцией векто.

— 107 pa на, т. е. вектор ошибки d нормален к подпространству.

В результате имеем:

3.4).

Нетрудно увидеть, что условие (3,4) будет справедливо для любого частного полинома любого ряда алгоритма.

Известно, что вершины прямоугольного треугольника, у которого гипотенузой является диаметр некоторой окружности, всегда лежит на этой окружности. Поэтому, если на векторе уэ как на диаметре построить окружность, лежащую в плоскости векторов ^ и у* > то конец вектора jj* % в силу свойства (3.4.), будет лежать на этой окружности (рис. 3.10а). Поскольку вектор уэ во всех случаях один и тот же, а свойство (3.4) справедливо для всех частных полиномов, можно утверждать, что концы векторов частных полиномом будут лежать на сфере радиусом? ~ 1/^11/2 «описанной вокруг вектора (Ja как диаметра.

Как показано в работе /37/ и можно доказать на основании вышеизложенного, ошибка аппроксимации не возрастает при увеличении числа рядов алгоритма. Отсюда работу МГУА геометрически можно представить как монотонное движение векторов частных полиномов по сфере по направлению к её вершине (концу вектора^).

В случае линейных частных полиномов без свободных членов (от последних можно избавиться соответствующим масштабированием переменных) не только частные полиномы, но и их аргументы, за исключением исходных векторов JC «будут лежать на сфере. Предположим, что размерность пространства R равна трем, тогда можно выполнить проекцию сферы на плоскость. Например, стереографическую проекцию /I0V/ на плоскость Р, проходящую через конец вектора ^ и нормальную к нему (рис. 3.10).

Рис. 3.10. Геометрическая интерпретация частных полиномов и их стереографическая проекция.

— 109.

На рис. 3.106 показана такал проекция, где у? соответствующие проекции векторов частного полинома и его аргу.

• г* ментов, а отрезок^у является проекцией соответствующего вектора ошибки. При этом построение частного полинома по его аргументам на плоскости Р можно проводить по следующему правилу: чтобы найти проекцию частного полинома на плоскости Р достаточно опустить перпендикуляр из точки уэ на отрезок, соединяющий проекции аргументов.

Докажем это. Как было показано выше, вектор частного полинома лежит в плоскости аргументов Ry, но эта плоскость совпадает с направлением проектирования, откуда все точки плоскости Ry при проектировании будут лежать на линии пересечения плоскостей Ry и Р (рис. 3.II).

Далее рассмотрим на рис. 3.II плоскость треугольника0уэу?, обозначим её через Т. В силу того, что ljdlP плоскость 7~ перпендикулярна к Р и Ry. Но плоскостьперпенг. дикулярна и к линии их пересечения. Отсюда ~Т±tyf *Ур *" шш УэЦ*Ху^у^чяо и требовалось доказать.

На основе приведенного правила можно геометрически строить процесс работы алгоритма и исследовать его особенности. На рис. 3.12 показан пример работы 2 ~го и Z+/ ряда алгоритма.

Показать весь текст

Список литературы

  1. А.С. 465 526 (СССР). Способ автоматического управления конденсатором намораживания/ В. В .Качала. — Опубл. в Б.И., 1975, № 12.
  2. С.А. Статистическое исследование зависимостей: Применение методов корреляционного и регрессионного анализа к обработке результатов эксперимента. -М.: Металлургия, 1968. 227 с.
  3. М.А., Браверман Э. М., Розоноэр Л. И. Метод потенциальных функций в теории обучения машин. М.: Наука, 1970. — 384 с.
  4. Дж., Никольсон Э., Уолш Дк. Теория сплайнов и ее приложения. -М.: Наука, 1972. 316 с.
  5. В.И. О представлении непрерывных функций трех переменных суперпозициями непрерывных функций двух переменных. -Мат. сборник, 1959, т.48, № I, с.3−74.
  6. Я.Д. Использование МГУА в задаче автоматического управления электрическими системами. Изв. АН Латв.ССР. Сер. физ. и техн. науки, 1973, № 3, с.70−75.
  7. Р., Калаба Р. Динамическое программирование и современная теория управления. М.: Наука, 1969. — 118.
  8. .А., Грабовский И. И. Использование многочленов для многофакторного регрессионного анализа. В кн.: Статистические методы в управлении. М., I960, с.33−45.
  9. В.П. Методология и опыт применения моделей множественной регрессии в задачах идентификации производственных процессов по данным пассивного эксперимента: Автореф.дис. д-ра техн.наук. М., 1978. — 33 с.- 176
  10. В.П., Псарев Б. Г. Проверка адекватности регрессионной модели в пассивном эксперименте. Тр.Моск.Энерг.ин-та, 1980, № 445, с.64−69.
  11. А. И. Дафаров В.В. Методы оптимизации в химической технологии. М.:Химия, 1969. — 564 с.
  12. И.Л. Эволюционное моделирование и его приложения.-М.: Наука, 1979. 231 с.
  13. М.С., Кристинков Д. С. Аналитическая идентификация управляемых систем. Рига: Зинатне, 1974. — 204 с.
  14. Г. Основы исследования операций. Т.2.- М.: Мир, 1973.- 488 с.
  15. М. Стохастическая аппроксимация. М.:Мир, 1972. -295 с.
  16. В.Н. Восстановление зависимостей по эмпирическим данным. М.: Наука. Гл.ред.физ.лит., 1979. — 448 с.
  17. Н.Н., Гуревич Д. А. Изучение каталитического окисления фенантрена. П. О механизме работы пятиокиси ванадия.- Журн.прикл.химии, т.18, № I, 1945. с. 10.
  18. Д. Свобода выбора решений в последующие моменты времени как важный критерий оптимальности управления сложными случайными процессами. (Краткое изложение работы). Автоматика, 1972, Jfe 2, с.83−89.
  19. Глушков В. М. Введение в кибернетику. Киев: Изд-во АН УССР, 1964. — 324 с.
  20. В.Л. Теория интерполирования и приближения функций. М., Гос. изд-во техн.-теорет.лит., 1954. — 327 с.
  21. Н.В., Светальский Б.К., Тодуа Н. Н. Программа на языке транслятора МПШ-БЭСМ-6 для решения задачи самоорганизации математических моделей сложных объектов по алгоритму- 177
  22. МГУА с полиномами первой или второй степени без протекции отдельным, переменным. Автоматика, 1972, № 6, с.76−78.
  23. Д.А. Фталевый ангидрид. М. .-Химия, 1968.- 232 с.
  24. И.С. Метод последовательной декомпозиции линейных задач оценивания. Изв. АН СССР. Тех. Кибернетика, 1979, № 5, с.194−198.
  25. Дисперсная идентификация/ Под ред.Н. С. Райбмана. М. .-Наука. Гл.ред.физ.-мат.лит., 1981. — 336 с.
  26. А.А., Касавин А. Д. Метод иерархической кусочной аппроксимации в задаче идентификации сложных объектов.
  27. В кн.:Идентификация и ценка параметров систем. 1У Симпозиум ИМК. Тбилиси, 1976. Препринт Л.З.М., 1976, с.329−337.
  28. Н., Смит Г. Прикладной регрессионный анализ. М.: Статистика, 1973. — 392 с.
  29. А.А. Стабильные методы оценки параметров (обзор). -Автоматика и телемеханика, 1978, № 8, с.66−100.
  30. А.Г. Долгосрочное прогнозирование и управление сложными системами. Киев: Техника, 1975. -. 312 с.
  31. А.Г. Индуктивный метод самоорганизации моделей -сложных систем. Киев: Наукова думка, 1982, — 296 с.3Q. Ивахненко А. Г. Кибернетика наука о моделировании связей и управления в сложных системах. — Автоматика, 1982, № I, с.3−15.
  32. А.Г. Метод группового учета аргументов- конкурент метода стохастической аппроксимации.- Автоматика, 1968, № 3, с.57−72.
  33. А.Г. 0 работе проф.Д.Габора «Перспективы планирования». Автоматика, 1972, № 2, с.89−91.
  34. Ивахненко А. Г. Развитие, современное состояние и будущее
  35. МГУА (ОБЗОР). Автоматика, 1982, № 5, с.3−17.
  36. А.Г. Системы эвристической самоорганизации в технической кибернетике. Киев: Техника, 1971. — 372 с.
  37. А.Г. Современные задачи теории самоорганизации математических моделей на ЭВМ. Автоматика, 1975, № 5, с.23−34.
  38. А.Г., Зайченко Ю. П., Димитров В. Д. Принятие решений на основе самоорганизации. М.:Сов.радио, 1976. — 280 с.
  39. А.Г., Карпинский A.M. Самоорганизация моделей на ЭВМ в терминах теории сеязи (теория информации). Автоматика, 1982, № 4, с.7−26.
  40. А. Г. Довальчук П.И. Об единственности восстановления кривой регрессии по малому числу точек. Ч. П. Автоматика, 1973, № 5, с.35−49.
  41. А.Г., Лапа В. Г. Кибернетические предсказывающие устройства. Киев: Наукова думка, 1965, — 214 с.
  42. А.Г., Степашко B.C. Численное исследование помехоустойчивости многокритериальной селекции моделей. Автоматика, 1982, № 4, с.26−36.
  43. А.Г., Тодуа Н. Н., Гульян Н. В., Светальский Б. К. Проблемы, статистического прогнозирования случайных процессов по принципу самоорганизации уравнений прогноза. Ч.Ш.-Автоматика, 1973, № 3, с.15−35.
  44. А.Г., Тодуа Н. Н., Чукин Ю. В. Алгоритм М1УА с последовательным выделением полиномиальных трендов по наиболее существенным переменным. Автоматика, 1972, № 2, с.60−72.
  45. А.Г., Тодуа Н. Н., Чукин Ю. В. Проблемы статистического прогнозирования случайных процессов по принципу самоорганизации уравнений прогноза.Ч.П.- Автоматика, 1973,1. Jfe 2, с.44−62.
  46. А.Г., Чукин Ю. В. Целенаправленная регуляризация в задачах краткосрочного и среднесрочного прогнозирования, решаемых при помощи выделения тренда оптимальной сложности.- Автоматика, 1972, № I, с.50−57.
  47. И.И., Шерман Ю. Г. Кинетика окисления нафталина на смешанном ванадиевом катализаторе. Журн.фи.химии, 1954, т.28, № 12, с.2095−2106.
  48. И.И., Шерман Ю. Г. Механизм окисления нафталина на ванадиевых катализаторах. Журн.физ.химии, 1955^ т.29, № 4,с.692−698.
  49. В.Ф. Эволюционный алгоритм условной минимизации. -Днепропетровск:. Днепропетровский инж.-строит.ин-т, 1980, — 6 с. Рукопись деп. в УкрНИИНТИ 15 окт.1980г., № 2400.
  50. Исследование и моделирование процессов в производстве печатных видов бумаг: Отчет/ЦНИИБ: Рук. темы В. В. Качала, № ГР 80 072 656- Инв.№ Б947 859. п. Правдинский, М.О.: 1980. — 155с.
  51. В.Е. Исследование кинетики парофазного каталитического окисления нафталина. В кн.:Парциальное окисление углеводородов: Методологические и математические вопросы кинетики. Новосибирск, 1973, с.67−72.
  52. В.В. Геометрическая интерпретация метода группового учета аргументов. М., 1981. — 7 с. — Рукопись деп. в ВНИИПИЭИлеспром 14 мая 1981 г., № 686д.
  53. В.В. Идентификация сложных систем методом группового учета аргументов. Математическое обеспечение ЭВМ: Сб. ал-горитмов/МИХМ, 1975, № 2, с.35−37.
  54. В.В. Использование математических моделей для прогнозирования качества продукции в производстве бумаги. В кн.- 180
  55. Исследование процессов производства бумаги: Сб.тр./ЩИИБ. М. Десн. пром-ть, 1982, с. ПЗ-121.
  56. В.В. Поисковый алгоритм оптимального распределения нагрузок. Автоматизация хим. производств, 1976, вып. З, с.56−62.
  57. В.В., Володин В. М. Об одном подходе к задаче идентификации сложных систем. Автоматизация хим. производств: Сб.тр./МИХМ, 1975, вып.58, с.59−65.
  58. В.В., Карюхина Л. И., Косинцева О. Ф. Сравнительное исследование методов шаговой регрессии и группового учета аргументов. М., 1981. — 18 с. -Рукопись деп. в ВНИИПИЭИ-леспром 19 янв.1982г., № 777 лб.
  59. В.В., Ступак В. П. Идентификация сложных объектов ЦЕП методом группового учета аргументов. Исследования в области химии бумаги: Сб.тр./ЦНИИБ, 1978, В 16, с.21−26.
  60. Качала В.В., Ступак В.11. Метод МГУА для построения моделей и распознавания образов. Мат. обеспечение ЭВМ. М., 1980, с.60−61. Рукопись деп. в ЦНШТЭИприборостроения 27 окт. 1980 г. № 1421.
  61. В.Н. Построение моделей в виде многомерного полинома. Вестник Киевского политехи. ин-та.Техн. кибернетика, 1979, № 3, с.80−87.
  62. Л.Н. Многофакторное прогнозирование на основе рядов динамики. М.: Статистика, 1980. — 102 с.
  63. С.Ф. Развитие метода группвого учета аргументов в США. Часть 1,11. Автоматика, 1974, Jfc I, с.84−89- № ё, с.73−85.
  64. С.Ф., Высотский В. М. Вычислительная система «Гиперкомп 80 ТМ» для прямого моделирования сложных сис- 181 тем по методу группового учета аргументов. Автоматика, 1973, № 4. с.84−89.
  65. С.Ф. Развитие теории самоорганизации и МГУА в Японии. Автоматика, 1975, J& 2, с.81−90.
  66. А.Н. К обоснованию метода наименьших квадратов. Успехи мат. наук, 1946, т. I, с.57−70.
  67. А.Н. 0 представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одного переменного и сложения. Докл. АН СССР, 1957, т.114, № 5, с.953−956.
  68. А.Н. 0 представлении непрерывных функций нескольких переменных суперпозициями непрерывных функций меньшего числа переменных. Докл. АН СССР, 1956, т.108, № 2,с.179−182.
  69. Ю.В., Мазур О. А. Синтез моделей агломерационного и доменного производства по алгоритму МГУА. В кн.: Самоорганизация кибернетических систем. Киев, 1974, с.80−88.
  70. Ю.В., Тодуа Н. Н. Программа на языке транслятора АЛГСШ-БЭСМ-6 для выделения гармонического тренда оптимальной сложности. Автоматика, 1972, № 3, с.88−92.
  71. Т.И., Мацевич Д. А., Петрович М. Л. Сравнительный анализ некоторых методов исследования зависимостей. В кн.: Математическое обеспечение ЕС ЭВМ. Вып.24. Пакет научных подпрограмм: Руководство для программиста. Ч.13.Минск, 1980, с. I02−118.
  72. Ю.В. Метод наименьших квадратов и теория обработки наблюдений.-М.:Физматгиз, 1962, — 333 с.
  73. Д., Максвелл А. Факторный анализ как статистический метод. М.:Мир, 1967.- 143 с.
  74. Л.С. Оптимизация больших систем.- М.:Наука, 1975.431 с.
  75. Метод математического моделирования сложных экологических систем /Ивахненко А.Г., Коппа Ю. В., Тодуа Н. Н. и др. Автоматика, 1971, № 4, с.20−34.
  76. Ю.Н. Алгоритм решения задачи целочисленного линейного программирования, основанный на принципе самоорганизации. -Автоматика, 1980, 6, с.38−42.
  77. Ю.Н. Стабильность экономико-математических моделей оптимизации. М.: Статистика, 1980. — 103 с.
  78. А.И. Применение кусочно-полиномиальных моделей в задачах идентификации: Автореф.дис.канд.тенх.наук. М., 1976. — 22с.
  79. А.И. Метод осредненных сплайнов в задаче прибли- 183 жения зависимостей по эмпирическим данным. Автоматика и телемеханика, 1974, № 3, с.45−50.
  80. Ф., Тьюки Дж. Анализ данных и регрессия: В 2-х вып. Вып.1.- М.: Финансы и стастистика, 1982.- 317 с.
  81. В.И., Неймарк Ю. И., Родин Е. И. Автоматная оптимизация с эволюционной адаптацией. В кн.: Проблемы случайного поиска. Вып.2.Рига, Зинатне, 1973, с.83−98.
  82. В.В. Теория эксперимента.-М.:Наука, I97I.-207 с.
  83. В.М. Избранные произведения.Т.I.Теория и практика статистики.-М.:Наука, 1967. 431 с.
  84. В.М., Корнейчук Г. П. Исследование изменения состава окиснованадиевого катализатора при каталитическом окислении нафталина и при окислении-восстановлении контакта. В кн.: Катализ и катализаторы. Киев, Наукова думка, 1965, с.155−169.
  85. В.М., Корнейчук Г. П., Роев JI.M. Исследование взаимодействия окиснованадиевого катализатора с нафталином и продуктами его окисления.- Кинетика и катализ, 1968, т.9, № 4,с.810−815.
  86. О практической ценности теории оценок/ Ю. И. Алимов.- Автоматика, 1981, & 2, с.84−94.
  87. Оптимизация параметров объекта с использованием его статистической модели, построенной по методу группового учета аргументов/ В. И. Васильев, В. В. Коноваленко, В. К. Мышко, И.И.Кре-мень.- Автоматика, 1980, № 6, с.72−75.
  88. Г. М., Волин Ю. М. Методы оптимизации сложных химико-технологических схем.- М.:Химия, 1970.- 328 с.
  89. А.А. Критерий ранжировки для пороговых самоотборов переменных в алгоритмах МГУА. Автоматика, 1969, № 4.с.89.
  90. Паск Г. Модель эволюции. -В кн.: Принципы самоорганизации.- 184 -М., Мир, 1966, с.284−313.
  91. И.И. Оперативная идентификация объектов управления .-М.:Эн ергоиздат, 1982, — 272 с.
  92. Пероептрон система распознавания образчов/Под общей ред. А. Г. Ивахненко. — Киев: Наукова думка, 1975. — 431 с.
  93. В.Я. Применение алгоритмов самоорганизации (МГУА) в задачах управления непрерывным процессом рафинирования металла. Автоматика, 1980, Jfe 5, с.25−30.
  94. .П., Цыпкин Я. З. Помехоустойчивая идентификация.- В кн.:Идентификация и оценка параметров систем. 1У симпозиум ®-АК. Тбилиси, 1976 г. Препринты.4.1.М., 1976, с.190−213. (Ин-т проблем управления).
  95. В.К., Русьянова Н. Д., Бутакова В. И. Изучение некоторых ванадиевых катализаторов методом ЭПР. В кн.:Химические продукты коксования углей Востока СССР. Вып.4.Свердловск, Среднеуральское кн. из-во, 1967, с.344−348.
  96. П.Н. Автоматический поиск оптимальной регрессионной модели.- Рига, 1981.- 14 с. Рукопись деп. в ВИНИТИ 14 янв. 1981 г., № 204−81 Деп.
  97. Построение математических моделей химико-технологических объектов/ Е. Г. Дудников, В. С. Балакирев, В. Н. Кривсунов, А. М. Цирлин.- М.:Химия, 1970.- 311 с.
  98. Н.С. Предисловие к русскому изданию. В кн.: Основы идентификации систем управления. М., Мир, 1975, с.5−9.
  99. Л.А. Искусственный интеллект, адаптация и микроэлектроника. Микроэлектроника, 1981, т.10, вып. I, с.4−25.
  100. Л.А. Случайный поиск в задачах идентификации. -В кн.:Идентификация и оценка параметров систем. 1У Симпозиум ®-АК. Тбилиси, 1976. Препринты. Ч.1.М., 1976 г., 0.113−123.
  101. JI.А., Маджаров Н. Е. Введение в идентификацию объектов управления. М.:Энергия, 1977. — 216 с.
  102. Л.А., Марков В. А. Кибернетические модели познания: Вопросы методологии. Рига: Зинатне, 1976. — 159 с.
  103. Ф. Принципы нейродинамики: Перцептроны и теория механизмов мозга. М.:Мир, 1965. — 480 с.
  104. .А., Сергеева Н. Д. Стереографическая проекция. -М.:Наука, 1973. 47 с.
  105. В.А. Каталитическое окисление нафталина. Киев: Изд. АНЗССР, 1963.- 108 с.
  106. Л. П. Слободчикова Р.И. Планирование эксперимента в химии и химической технологии. М.:Химия, 1980. — 280 с.
  107. Н. Д. Дидина Н.Б. Влияние тионафталина на окисление нафталина во фталевый ангидрид. Хим. пром-сть, 1973, № 4, с.262−265.
  108. Связь теории самоорганизации моделей и теории распознавания образов/ А. I'.Ивахненко, Ю. В. Коппа, Д. Н. Лантаева, Н. А. Ивахненко. Автоматика, 1980, 3, с.3−13.
  109. Дж. Линейный регрессионный анализ. М.:Мир, 1980. -456 с.
  110. Э.П., Мелса Д. Л. Идентификация систем управления. -М.:Наука, 1974. 248 с.
  111. Н.В., Дудин-Барковский И.В. Курс теории вероятностей и математической статистики для технических приложений. М.:Наука, 1969, — 511 с.
  112. Справочник по типовым программам моделирования/А.Г.Ивахненко, Ю. В. Коппа, В. С. Степашко и др.- Под.ред. А.Г.Ивах-ненко. Киев: Техника, 1980. — 184 с.
  113. ИЗ. Солодовников В. В., Шрамко Л. М. Расчет и проектирование аналитических самонастраивающихся систем с эталонными моделями. М.:Машиностроение, 1972. — 240 с.
  114. А.Н., Арсенин В. Я. Методы решения некорректных задач.- М.:Наука, 1974. 223 с.
  115. В.П. и др. Кинетика и механизм окисления нафталина на окиснованадиевом катализаторе. Укр.хим.журн., 1957, т.23, вып.2, с. I91−199.
  116. В.И. Контактное окисление нафталина или о-ксилола во фталевый ангидрид в две стадии.- Сб.науч.тр./Ухин М., Металлургия, 1966, вып.18, с.147−151.
  117. Л., Суэнс А., Уолш М.Искусственный интеллекти эволюционное моделирование. М.:Мир, 1969. — 230 с.
  118. А. Математическая статистика с техническими приложениями. М.: Изд-во иностр.лит., 1956.- 664 с.
  119. Дж. Нелинейное и динамическое программирование. М.: Мир, 1967, — 506 с.
  120. Д. Анализ процессов статистическими методами.-М.:Мир, 1973. 957 ж.
  121. Д. Прикладное нелинейное программирование. -М.:Мир, 1975. 534 с.
  122. С.А. Программа для комплексной обработки экспериментальных данных/ Ш 16−81. М.: ГОСИНТИ, 1981. 2 с.
  123. Я.З. Адаптация и обучение в автоматических системах. М.:Наука, 1968. — 399 с.
  124. Шеффе Г. Дисперсионный анализ. М.:Наука. Гл.ред.физ.-мат. лит., 1980. — 512 с.
  125. Р.Ю. Корректные оценки параметров и выбор моделей при использовании МГУА в задачах управления процессами нефтехимии и нефтепереработке. Дис.канд.техн.наук.-Сумгаит, 1978. — 182 с.
  126. К., Опо К., Shigemasa Т. Trans.Soc.Istrem. and Contr.Eng. — 1981, v.17, N 6, p.696−698.
  127. Astrom K.J., Eykhoff P. System Identification a survey. — Automatica, 1971, v.7, N 2, p.123−162.
  128. Brandon D.B. Developins Mathematical Models for Computer Control. ISA Journal, 1959, N7, p.70−73.
  129. Dasrowska H. Ogolny algorytm heurystycrnej metody identy-fikacji charakterystyk statycznych obiektow wielowymiaro-wych. Zeszyty naukowe politechniki slaskiej. Seria: Automatyka, z.42, 1978, N568, s.3−17.
  130. Dixon J.K., Longfield J.E. Hydrocarbon oxidation. In: Catalysis. V.VII. New York, Reinhold Publishing Corporation, 1960, p.183−280.
  131. Ikeda S. Syst. and Contr., 1979, v.23, N12, р.7Ю-717- 1980, v.24, N1, p.46−56j 1980, v.24, N2, p.98−106.
  132. Ikeda S., Ihara J. Syst. and Contr., 1980, v.24, N7, p.483−491.
  133. Isermann R. Neue Ergebnisse bei der Identifikation von Prozessen. Regelungetechnik und ProzeB-Datenverarbeitung, 1970, v.18, N11, s.508−516.
  134. Kennard R.W., Stone L. Computer aided design of experiments. Technometricks, 1969, v.11,. , p.137−148.136. Kjosowiez R.,
  135. Pajda E. Bezwodnik ftalowy. Cz.I. Techno-logia i ekonomika produckji. Chemik, 1973, t.26, N2, s.54−59. |
  136. Krepler K. Ein heuristisches Optimierungsverfahren nach der Methode der gruppenweisen Arguments-Berechnung. -Mess.-Steuern-Regeln, 1972, v.15, N10, s.369−371 .
  137. Oliker V.I. On the relationship between the sample size and the number of variables in a linear regression model.- Commun.Statist., 1978, v. A7, N6, p.509−516.
  138. Ralston A., Wilf H.S. Mathematical methods for digital computers. New York: ed. J. Wiley and Sons, 1962. -379p.
  139. Ryobu M., Sawaragi Y. Trans.Sos.Istram. and Contr.Eng.- 1981, v.17, N6, р.^Г-^Ч
  140. Sargent R.G. Validation of simulation models. Winter Simul.Conf., 1979. V.1. New York, 1979, p.496−503.
  141. Shankar R. The GMDH. Master Thesis, University of Delaware, June, 1972. — 250p.
  142. Skrzypek J. i dr. Identyfikacja procesu utleniania nafta-lenu do bezwodnika kwasu ftalowego. 1. Model procesu i wyniki doswiacrfi. w rurze jednostkowey. Inzynieria che-miczna, 1975, t.5, N1, s.161−175.
  143. Snee R.D. Validation of regression models: Methods and examples. Technometrics, 1977, v.19, N4, p.415−428.
  144. Swanenberg Т.J.В. Self-organization in artificial systems. In: Proc.Int.Conf.Cybem. and Soc., Denver, Colo, 1979. New York, N.Y., 1979, p.826−829.
  145. Zaden L.A. Prom Cirenit Theory to system Theory. Proc. IRE, 1962, v.50, p.856−865.
Заполнить форму текущей работой

Пора сдавать?